考虑驾驶员换道意图的自适应巡航控制策略研究

针对多数的自适应巡航系统因不能考虑驾驶员意图,在遇到施工路段、道路合流或者车辆长时间跟随低速行驶的前车等情况时,造成无法满足驾驶员的主观需求和节能要求的问题。在传统自适应巡航系统模型基础上考虑了驾驶员意图辨识,提出了基于五次多项式曲线的换道路径规划,通过对换道轨迹约束条件的分析,得出了换道轨迹方程。通过构造跟随性指标以及舒适性指标的代价函数选取合适的换道轨迹方程。提出了基于两点预瞄的轨迹跟踪控制,实现了对换道轨迹的良好跟踪,并结合CarSim与Simulink进行联合仿真实验。仿真结果表明,采用此自适应巡航控制策略,既可实现传统意义上的定速巡航与自动跟车,又可实现满足换道意图的自主决策换道,换道效果良好且具有较强的实用性。     

智能车辆换道与超车轨迹跟踪控制

智能车辆换道过程中须同时考虑车辆的横向控制和纵向控制,为实现智能车辆对预定轨迹的稳定跟踪,根据智能车辆的车辆运动学简化模型,建立基于刚体的车辆模型.选取车辆当前位姿和参考位姿构造动态的位姿误差.建立智能车辆轨迹跟踪闭环控制系统的状态空间数学模型.基于Backstepping控制算法选取Lyapunov函数设计智能车辆换道及超车轨迹跟踪控制器.仿真和试验结果表明,所设计的控制器能够快速跟踪参考轨迹.控制器在智能车辆换道及超车控制过程中平稳、可靠.     

基于自适应预测步长的车辆主动转向跟踪控制

为提高智能车辆主动转向跟踪控制的跟踪精度、稳定性和实时性等问题,提出一种基于自适应预测步长的模型预测路径跟踪控制器,引入自适应预测步长功能函数,根据车速和参考路径的曲率动态调整预测步长。MATLAB和CarSim联合仿真结果表明:该控制器可降低横向跟踪偏差,在高速低附着和高速高附着工况下均保持车辆稳定性,相比于单一根据道路曲率动态调整预测预测步长的控制器,降低了60%的计算时间,提高了实时性。     

基于车轮力传感器信息的全轮驱动车辆状态估计

提出一种基于车轮侧向力和纵向力传感器信息的车辆状态观测器.建立3自由度车辆动力学模型,并构建扩展卡尔曼滤波器,结合纵向加速度传感器和横摆角速度传感器的校正信息,实时估计车辆的纵向车速和质心侧偏角.在复杂附着条件下,该车辆状态观测器对车轮滑移和路面附着条件有很好的鲁棒性.通过veDYNA车辆动力学仿真软件,对该观测器进行了仿真验证.在分离附着系数路面条件下的仿真结果显示,传统的基于2自由度和非线性轮胎模型估计方法的纵向车速最大估计误差为25 km/h,质心侧偏角最大估计误差为3°,相同工况下,提出的基于车轮力传感器信息的全轮驱动车辆状态观测器对车辆的纵向车速和质心侧偏角估计结果具有更好的精确度,最大估计误差分别不超过0.6 km/h和0.2°,对车轮滑移和复杂路面附着条件具有更强的自适应能力.     

基于可拓控制的无人驾驶车辆路径跟踪研究

为了提高无人驾驶车辆路径跟踪的精确性和稳定性,基于可拓控制原理设计了2种控制策略可切换的路径跟踪控制器。其中,初始偏差较大和低速时采用滑模控制策略,在充分保证跟踪精度时提高跟踪的实时性,高速时则采用带有约束控制的模型预测控制策略以提高车辆行驶的稳定性。最后通过搭建CarSim与Simulink联合仿真平台,在目标路径为双移线工况下进行不同车速的仿真。结果表明,所设计的可拓控制器能有效提高无人驾驶车辆的路径跟踪精度和稳定性。     

基于多适应度遗传算法的智能汽车路径规划策略

针对传统换道模型存在的换道约束条件考虑不全面,切向加速度过大、纵向加速度和换道轨迹曲率产生阶跃的问题,以不同驾驶员最小安全距离模型为前提,分析换道过程中车辆间的位置关系,提出换道车与障碍车之间4种新的点碰撞形式。结合遗传算法得出不同碰撞形式下的多适应度函数模型,该模型解决了部分传统模型存在的不足。通过VC++、MATLAB计算新模型产生的换道轨迹。仿真结果表明,新的路径规划模型能安全有效地实现智能汽车换道行为。     

复杂路面农用车辆制动防抱死系统仿真研究

分析了农用车辆使用制动防抱死系统的可行性,研究了复杂路面农用车辆制动防抱死系统仿真模型和仿真试验控制问题,建立了1/3农用三轮车制动动力学模型、复杂路面附着条件模型、农用三轮车仿真模型和复杂路面仿真模型,提出了两种制动工况下的仿真试验方法,准确模拟出农用车辆在复杂路面制动时车速与轮速曲线变化情况,验证了复杂路面ABS控制的有效性。     

基于电动轮汽车四轮转向控制策略研究

为提高四轮转向汽车的稳定性,提出了一种基于电动轮汽车的线性二次型调节器(Linear Quadratic Regulator,LQR)控制与直接横摆力矩(Direct Yaw-moment Control,DYC)协调控制策略。首先设计了以侧向车速、横摆角速度和侧向位移为控制目标的LQR控制器,然后设计了以横摆角速度为控制目标的DYC控制器,最后通过CarSim与MATLAB联合仿真验证表明:在良好工况下,LQR控制四轮转向车辆可实现质心侧偏角趋近于0和横摆角速度在理想范围内的折中最优化控制。在极限工况下,LQR四轮转向系统中附加横摆力矩协调控制可明显提高车辆的稳定性。     

融合模糊与PID算法的自动泊车转向控制器

汽车自动泊车是一个典型的非线性控制问题,一般采用模糊控制方法来解决。以装有自动泊车系统的某款车为控制对象,针对车辆的转角、方向盘转角和车速之间的协调转向控制问题,提出一种融合模糊与PID协调控制算法。建立车辆动力学模型,推导出车辆在转向过程中方向盘转角与前轮转角、车速的约束关系。利用模糊逻辑和PID等控制理论,结合熟练驾驶员泊车经验,在Simulink中设计自动泊车转向控制器并模拟泊车过程。最后仿真验证该泊车策略的有效性。     

基于深度残差网络的番茄叶片病害识别方法

传统深度学习模型在用于蔬菜病害图像识别时,存在由于网络梯度退化导致的识别性能下降问题。为此,本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数,降低了深度学习网络的训练难度。在此基础上,通过在传统深度神经网络中添加残差单元,解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题,能够实现番茄叶片图像的高维特征提取,根据该特征可进行有效病害鉴定。试验结果表明,本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能,对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。     

农用无人机自主飞行技术研究与趋势

随着人工智能、深度学习的快速发展,无人机自主飞行技术已然成为无人机智能化评价之一。在精准农业与智慧农业的倡导下,无人机在农业领域发展迅猛。农用无人机应用场景包括:作物授粉、喷洒作业、农情监测、打顶剪枝、疏花疏果及畜牧跟踪,其自主程度重要性不言而喻。综述国内外无人机飞行技术研究现状,介绍农用无人机在自主控制方法、避障方法、轨迹规划算法以及精准喷洒方法的研究进展,分析指出农用无人机系统自主环境感知能力差、信息处理速度慢、路径规划算法收敛慢、作物识别率低等不足,提出采用多传感器组合、双冗余控制、多算法融合和基于深度学习的作物特征识别等改进方法。本文为农用无人机自主飞行技术满足智能作业需求提供理论基础。     

基于Fast R-CNN网络的雾霾天人车防碰撞研究

由于雾霾天气对车辆视线的干扰，容易导致交通事故的发生。基于Fast R-CNN网络的雾霾天人车防碰撞系统，提出了一种基于深度学习的防碰撞方法。首先，采用深度学习算法对人车进行实时目标检测，以便及时发现前方车辆和障碍物。其次，对检测到的障碍物进行分类和跟踪，以便对其进行有效避让。最后，通过实验验证了提出的方法在雾霾天气下的有效性和可行性。实验结果表明，该方法可以有效提高人车在雾霾天气下的行驶安全性和稳定性，避免碰撞事故的发生。     

农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。     

基于改进的YOLO v3车辆检测方法

为了有效地解决传统车辆检测算法中存在的泛化能力差、识别率不高的问题,提出了一种基于改进YOLO v3的车辆检测算法。改进的车辆算法对原YOLO v3中的模型进行剪枝处理,采用Darknet-53网络结构提取特征,同时结合回归损失函数GIOU算法对检测精度进行提高。在运用K-means++聚类分析算法处理数据基础上,运用所提出的改进YOLO v3算法,基于COCO数据集进行了网络的训练、测试和验证。试验结果表明,改进后的YOLO v3算法在车辆检测上的泛化能力得到提升,并兼具速度优势。     

基于CarSim/Simulink联合仿真的四轮驱动电动汽车稳定性研究

基于LQR控制理论研究了四轮驱动电动汽车的横摆稳定性,以横摆角速度和质心侧偏角为控制目标,计算出最优的直接横摆力矩,通过双轮控制模式进行转矩分配,实现了四轮驱动电动汽车的稳定性控制;基于CarSim/Simulink联合仿真整车模型进行仿真验证,在CarSim中通过参数化建模设置整车参数、驾驶员模型,在Simulink中建立电机模型和控制器模型。研究结果表明,所提出的控制策略可以有效地控制四轮驱动电动汽车的横摆运动,从而提高整车的行驶稳定性。     

基于深度学习的移动端缺陷蛋检测系统研究

针对缺陷鸡蛋差异性大、人工检测主观性强、实时性差,消费者存在食品安全隐患等问题,提出一种基于深度学习的移动端缺陷蛋无损检测系统,实现对裂纹蛋和血斑蛋的实时检测。首先,建立改进的轻量级卷积神经网络MobileNetV2＿CA模型,以MobileNetV2原网络为基础,通过嵌入坐标注意力机制、调整宽度因子、迁移学习等操作对其进行优化,并进行PC端检测对比试验。试验结果表明：建立的MobileNetV2＿CA模型验证集准确率达93.93%,召回率为94.73%,单个鸡蛋平均检测时间为9.9 ms,对比改进前MobileNetV2模型准确率提升3.60个百分点、召回率提升4.30个百分点、检测时间缩短2.62 ms; MobileNetV2＿CA模型的参数量为2.36×10⁶,较原MobileNetV2网络模型降低31.59%。然后,利用NCNN深度学习框架对MobileNetV2＿CA模型进行训练,并通过格式转换部署至Android移动端,进行NCNN深度学习训练模型的移动端检测验证,及其与TensorFlow Lite深度学习模型的对比分析。试验结果表明：NCNN深度...     

具有噪声鲁棒性的车辆质心侧偏角估计

为解决车辆运动状态估计中卡尔曼滤波器因量测噪声统计特性发生变化而出现性能降低甚至滤波发散的问题,针对双轨车辆模型提出了一种基于变分贝叶斯自适应容积卡尔曼滤波算法的估计方法.该方法从概率角度将车辆运动状态及量测噪声一起作为待估计的变量,通过定点迭代的方式不断逼近量测噪声的真实后验分布,最终获得局部最优解.基于CarSim...     

基于深度学习的农用无人机自主避障研究

针对目前农用植保无人机(UAV)自主避障能力弱及避障系统繁琐等问题,提出了一种适用于植保无人机的基于深度学习的端到端自主避障方式。利用植保无人机挂载的双目相机实时采集图像,当检测到障碍物与植保无人机距离≤5m时,自主避障系统启动,将采集图像预处理后输入卷积神经网络,输出姿态角与油门量控制无人机自主飞行与避障,同时卷积神经网络通过手动飞行采集信息进行训练。实验结果表明:该方法能使植保无人机对农田常见障碍物房屋、树木、电线杆等做出自主避障,且模型具有一定的泛化能力,适当训练后,可将此避障方式应用于复杂环境下的植保无人机自主避障。     

基于反步滑模的无人车辆横向控制策略

为了满足四轮转向无人车辆在湿滑路面极限转向的路径跟踪需求,设立了双排直线车道并规划了路径,建立车辆动力学模型。对反步控制跟踪算法进行改进,通过启发式优化算法结合滑模控制设计反步滑模控制器。即在反步滑模控制器设计过程中,对于影响控制器性能的常数参数,对于常数参数不确定的函数,通过粒子群优化算法寻找最优值,分别设立3s和5s变道时限以及摩擦系数0.3和0.9四种工况。通过CarSim软件与MATLAB/Simulink联合仿真,通过车辆横向偏移误差以及航偏角误差作为判断依据,发现在低摩擦系数和极限变道时长下,滑模面最后已接近零,并且车辆控制器对轨迹跟踪十分稳定,这表明反步滑模控制器满足要求。     

基于扩展卡尔曼滤波的车辆状态参数估计

稳定性控制系统因其良好的主动安全性已经在汽车上广泛应用。横摆角速度和质心侧偏角是判断汽车运行情况的两个主要参考量。基于此,以非线性三自由度车辆模型为基础,提出了一种应用扩展Kalman滤波技术估计车辆状态参数的控制算法。并且提出了一种基于Prescan、CarSim、MATLAB(Simulink)平台的驾驶员在环仿真试验来验证算法的准确度。结果表明,扩展Kalman滤波算法结果的准确性能够满足稳定控制的要求。