基于传感器融合里程计的相机与激光雷达自动重标定方法

智能驾驶车辆行驶环境复杂多样,不可避免地导致传感器相对位姿发生变化,此时需要进行重新标定。针对智能驾驶车辆的相机和激光雷达发生漂移后的重标定问题,提出一种基于传感器融合里程计的自动重标定方法。基于点云投影和图像配准原理建立基准点云和观测图像之间的3D-2D点对,利用N点透视投影得到平移尺度不准的相机运动;通过融合估计的激光雷达运动来恢复准确尺度的相机运动,并将基准点云根据相机运动转换到观测位置下,与观测点云通过点云配准求解变换矩阵,使用时域均值滤波得到最终的外参矩阵。基于智能驾驶车辆试验平台进行室内外实车试验。结果表明所提出的基于传感器融合里程计的方法无需设置标定板,不受环境和数据特征限制,能够实现相机和激光雷达的精确重标定,对传感器漂移具有较高的鲁棒性。     

混合动力汽车经济型巡航的车速规划策略

选取功率分流式混合动力汽车为对象,以燃油消耗最小为目标开展巡航场景下的经济车速规划研究. 结合车辆动能管理与等效燃油最小化策略（ECMS）,提出增强型等效燃油最小化策略（R-ECMS）. 运用极小值原理推导油电等效系数,建立动能与电能间的等效关系;结合电能与燃油之间的等效关系,将车辆动能变化和电能消耗统一转化成燃油消耗. 为了兼顾电池SOC平衡以及车辆通行速度,采取非支配排序遗传算法优化R-ECMS权重系数中的参数. 仿真结果表明,与传统能量管理策略ECMS相比,R-ECMS可以降低8.06%的燃油消耗. 与采用最优算法的动态规划策略相比,R-ECMS能在实现次优的优化效果的同时大幅降低计算时间. 同时,与ECMS相比,R-ECMS在其他仿真场景下能实现6.94%的节油率,具有较好的泛化性能和应用前景.     

自动驾驶赛车路径与车速协同规划方法

自动驾驶赛车需实现路径与车速的同步规划以满足最快驾驶策略需求,但车辆行驶路径与车速的时空耦合关系使得优化问题难以构建与求解。为此,提出一种面向自动驾驶赛车的轨迹规划方法(Simultaneous path and speed planning,SP2),实现路径与车速的快速协同规划。首先,构建包括赛道边界与车辆动力学约束的自动驾驶赛车轨迹规划问题;然后,建立赛车的稳态动作空间与包含时空位置信息的状态-动作空间,通过离线遍历法确定赛车的可行运动状态转移关系;接着,基于稳态动作空间与运动状态转移网,将原时间最优轨迹优化问题转换为单位时间步长内运动距离最远的优化问题,并通过滚动多步优化实现赛车圈速最小(时间最优)轨迹的优化。最后,开展自动驾驶赛车轨迹规划的仿真与微缩试验平台试验。结果表明,所提出的SP2算法可以高效地实现自动驾驶赛车的全局路径与车速规划,并且较常规中心线轨迹具有更快的圈速。     

基于遗传算法的混合动力汽车动力总成悬置系统的优化设计研究

为了提高并联式混合动力汽车动力总成五点悬置系统的隔振性能,建立了动力总成五点悬置的动力学模型,以动力总成六自由度能量解耦与固有频率的合理分配为优化目标,五个悬置点的各向刚度为设计变量,采用遗传算法对悬置系统进行优化。应用上述方法对某并联式柴电混合动力汽车悬置系统进行了优化,动力学仿真与实车试验结果表明,悬置优化后消除了整车怠速工况时方向盘抖动,验证了所提方法的合理性。同时,遗传算法克服了序列二次型规划算法（SQP）易收敛于局部最优解的缺点,得到的悬置系统解耦性能优良,优化结果稳定可靠。     

信号交叉口网联电动汽车自适应学习生态驾驶策略

提出了一种面向信号交叉口的自适应学习生态驾驶策略。首先,搭建了电动汽车纵向动力学模型,建立了信号灯交叉路口的虚拟交通仿真环境;其次,以车辆能耗最小化与通行效率最大化为目标,耦合设计强化学习奖励函数,基于深度确定性策略梯度算法（DDPG）对车辆加速度进行实时控制与训练;最后,通过蒙特卡洛试验法,验证本文提出的强化学习生态驾驶策略在不同初始交通场景下的有效性与鲁棒性。仿真结果表明,相较于常规“加速-匀速-制动（ACB）”策略,本文提出的强化学习生态驾驶策略在单路口和多路口场景下均可有效提升通行效率和能量效率。同时,智能网联汽车数字孪生试验平台的多次实车试验表明,本文的强化学习算法控制效果良好,可以有效减少车辆路口等待时长,降低能耗同时提高通行效率。     

插电式混合动力汽车控制策略的研究现状及发展趋势

对插电式混合动力汽车的能量管理控制策略的研究现状进行了分析讨论,将其分为基于规则逻辑的控制策略、基于优化模型的控制策略与基于模型预测的控制策略3种基本类型,并对每个类型进行了分析对比,指出了未来混合动力汽车能量管理控制策略的发展趋势。     

基于迭代动态规划的网联电动汽车经济性巡航车速优化

为提升网联电动汽车的能量效率,针对变坡度和变限速的交通场景,提出一种结合滚动优化与迭代动态规划(Iterative dynamic programming,IDP)的滚动距离域车速规划策略(Receding distance horizon velocity planning,RDHVP),实现了 电动汽车(Electric vehicle,EV)能量优化与动态交通约束的时空解耦,快速优化求解经济性巡航车速.依据动态交通场景变限速特性,设计了基于道路限速分段的EV能量优化问题,在距离域上实现全程优化问题分段滚动优化,以避免限速变化引起的车辆控制力大幅度波动.基于动态规划原理,设计了包含状态量/控制量边界和网格大小缩放策略的IDP算法,以快速计算获取权衡计算速度和最优性的巡航车速.采集真实道路信息,建立仿真模型,验证所设计策略的有效性.结果表明,相较于传统恒定车速巡航策略和常规动态规划方法,提出的方法能够大幅度提高EV能量效率和巡航车速优化计算速度.     

基于多基站IMMKF-DOA辅助车辆协同定位算法研究

针对传统卡尔曼滤波算法在进行车辆实时运动过程中难以精准定位问题,提出一种基于运动状态自适应的交互多模型卡尔曼滤波(Interacting multiple model Kalman filter,IMMKF)与多基站到达方向(Direction-of-arrival,DOA)相融合进行车辆位置实时估计算法。基于无偏估计器对测量噪声协方差进行实时更新并将其嵌入标准卡尔曼滤波算法中实现自适应交互多模型卡尔曼滤波。针对车辆不同运动状态及动态行驶环境对车辆定位估计精度的影响,构建自适应交互多模型卡尔曼滤波器与多基站信息融合算法进行车辆位置实时估计,考虑不同车速与不同基站数等行驶工况下车辆定位精度的变化趋势,实现车辆实时位置的准确估计。利用PreScan-Simulink联合仿真平台进行虚拟仿真验证和实车试验验证。结果表明,基于交互多模型卡尔曼滤波与到达方向角的融合算法相对标准的卡尔曼滤波估计精度高,较好地改善了传统单一模型的卡尔曼滤波算法在进行车辆实时运动状态估计过程中精准定位问题,实车试验验证了提出算法对车辆定位精度较传统卡尔曼滤波算法的精度提高了一个数量级,实现了更精确的车辆位置估计。     

基于脑电波传感器的智能轮椅控制系统

针对普通轮椅残障人士使用不便,智能化程度低等问题,提出了一种基于脑电波传感器的智能轮椅控制系统.系统采用STM32单片机为控制核心,以蓝牙透传的方式与脑电波传感器进行通信,在脑电波信号数据流解析中,通过数字陷波器滤噪,并研究设计了改进的滑动窗口算法、特征提取算法和K-近邻算法,实现了对脑电波信号的模式识别.通过实验验证,该系统具有响应时间短和识别准确率高的优点,完成了对轮椅运动轨迹的意念控制.