基于多点冲击的侧面碰撞台车试验方法

通过对侧面碰撞过程中车门内饰板运动过程的分析,简化车门侵入速度,建立了一种基于质量弹簧模型的可以复现车门板上多个点运动的侧面碰撞台车试验方法.在此基础上建立了基于MADYMO软件的侧面碰撞台车-假人有限元模型.通过仿真计算验证表明,基于多点运动复现的侧面碰撞台车试验得到的假人伤害值与整车试验得到的假人伤害值有很好的一致性.结果表明,该台车试验方法可以很好地复现车门内饰板、座椅与假人之间的相互作用关系,而且该方法非常易于在工程上实现,可以满足工程应用的需要.     

车辆行驶工况开发方法

基于大量的车辆行驶工况开发的方法和设备的研究,将车辆行驶工况的开发从道路调查到工况的验证分为五个基本过程．结合某个具体项目的研究,对每一过程所使用的方法进行了比较深入的论述．应用研究结果证明了这种方法的完整性和科学合理性．     

车辆侧面碰撞台车试验方法

介绍了几种常用的侧碰台车试验装置的曲线复现原理,指出了现有侧碰台车试验方法存在的不足．在此基础上,结合侧碰车门内板速度曲线的特征．提出了一种易于在工程上实现的双速度平台侧碰撞台车试验方法．数学仿真验证表明,利用双速度平台曲线进行台车试验得到的假人伤害值与直接用车门内板速度曲线进行台车试验得到的假人伤害值有很高的相关度,完全能满足工程应用的需要．     

基于势场理论的路口区域车辆群体安全模型

群体安全是车路协同环境下智能网联汽车研究的重要组成部分。在具有强结构和弱规则特性的路口区域,车辆行驶的群体安全表征可以提高路口区域安全性。首先,基于势场理论构建车辆势能场模型,通过边界势能、车辆势能、速度势能对单一车辆行为进行安全泛化表征;然后,通过势能场密度等高线分布特性构建群体车辆安全特征参数和边界范围;最后,采用自然驾驶数据进行虚拟仿真,结果显示,路口区域直行、左转、右转等场景下的车辆群体安全势能阈值为2 500,并且安全势能周期性变化规律与交通信号相位变化规律一致,表明所建模型可以准确表征路口区域群体车辆的行为和安全状态,从而验证了路口区域车辆群体安全模型的正确性与有效性。     

驾驶员驾驶行为的统计学特性

使用自然驾驶数据研究了驾驶员驾驶行为的统计学特性.选取车辆的纵向加速度、侧向加速度、横摆角速度和速度作为描述驾驶员驾驶行为的特征参数.首先,讨论了驾驶员驾驶行为特性的收敛性.使用核密度估计得到了驾驶行为特征参数的概率分布,使用相对熵描述不同数据集之间分布的差异.接着,使用稳定收敛的数据集研究了驾驶行为特征参数的分布特性.最后,使用驾驶行为特征参数的条件分布研究了它们之间的相互影响.结论包括:前向加速度,制动减速度,侧向加速度,横摆角速度均近似服从帕累托分布;制动减速度或前向加速度增加时,驾驶员的转向操作倾向于更加剧烈,反之亦然;驾驶员制动,加速,和转向操作的剧烈程度随速度增加均先增大后减小.     

自然驾驶工况的驾驶员紧急转向变道行为

基于中国自然驾驶工况数据,提出了紧急工况下驾驶员转向变道行为的特征规律.分析了紧急转向变道避撞、侧移和稳定阶段的驾驶员转向特征,研究了转向持续时间、方向盘转速和转角的线性关系,定义了用高斯函数拟合的转向基元来表征各阶段的转向行为.研究结果表明,转向基元表征了驾驶员转向行为的一般特征,单个转向基元的方向盘最高转速和转角变化线性相关,持续时间恒定,符合人体行为学中趋向行为(reaching behavior)的特征规律.驾驶员的紧急转向变道行为是由多个转向基元组合而成,每个转向基元都是一个开环模型,可通过方向盘最高转速预判驾驶员的转向行为.     

基于非合作模型预测控制的人机共驾策略

提出一种基于非合作模型预测控制(model predictive control, MPC)的智能汽车人机共驾策略.首先,建立了驾驶员和控制系统两者共同控制车辆的人机共驾系统模型.接着,得到了驾驶员和控制系统的代价函数.然后,求解了非合作MPC人机共驾策略的纳什均衡解.最后,通过仿真验证了非合作MPC人机共驾策略的优点和有效性.证明了非合作MPC的纳什均衡解可以通过非迭代的方法求解,并通过驾驶员和控制系统置信度矩阵的更新实现了驾驶权的逐渐交接.Matlab仿真表明,非合作MPC人机共驾策略可以在智能车辆遇到危险时将驾驶权逐渐从驾驶员转交给控制系统,同时保证驾驶员实时在环.     

涉及骑车人的典型交通危险场景

对上海地区真实交通中的自然行驶工况进行视频采集、筛选和分类,得到152例涉及骑车人(自行车、摩托车、电动助力车)的危险工况.通过聚类分析和卡方检验得到了7类典型的危险场景.最后用PreScan软件对这7类危险场景进行虚拟建模,得到了涉及骑车人的典型危险工况场景库.     

基于自然驾驶研究的直行追尾危险场景诱导因素分析

基于中国自然驾驶工况数据,筛选了直行追尾危险工况,通过修正的DREAM(driving reliability and error analysis method)方法进行了诱导因素分析.对直行追尾危险场景依据车辆行驶特点进行了场景细分,分析了不同场景细分类型下诱导因素逻辑图.结果表明,在直行追尾场景中驾驶员的"力度不足"和"距离过短"为占比最高的紧急事件(危险特征),并分析了追尾场景中4个细分类型对应的紧急事件特点.研究发现,中国驾驶员的驾驶习惯与欧美有较大差别,直行追尾危险场景中最主要的深层诱导因素为驾驶员习惯性期待他车特定驾驶行为等不良驾驶习惯,而不是在驾驶过程中与驾驶操纵无关的第二行为.