摘要：针对智能车辆通过弯道或狭窄区域过程中难以兼顾控制精度和通过安全裕度的问题,提出一种改进线性二次型调节器(LQR)的路径跟踪横向控制策略.首先,建立车辆系统动力学模型;其次,在横向控制方面设计了基于线性二次型调节器理论的控制器,添加前馈控制,提高了路径跟踪过程中的横向控制精度;提出车体偏差概念,在控制策略中加入车体尺寸约束,提高了车辆的通过性,使得控制输入得以保证控制精度和通过安全裕度;最后,联合PreScan和Matlab/Simulink软件对车库场景和连续变曲率狭窄弯道场景进行对比仿真试验验证.试验结果表明:本控制策略在上述场景中有着良好的跟踪效果,可以显著提高车辆在路径跟踪过程中的控制精度和通过安全裕度.

摘要：为了进一步提高决策树模型的交通事件检测性能,且避免噪音和过拟合现象,提出了基于随机森林的交通事件检测方法.从分类强度和相关性2个角度进行分析,并构建了3组实验:与不同数目决策树的对比、与不同决策树的对比及与神经网络的对比.实验数据采用实测的高速公路交通参数数据库(I-880数据库);实验的评价指标采用检测率、误警率、平均检测时间、分类率和ROC曲线下的面积.实验结果表明,基于随机森林的交通事件检测模型可以提高检测率、减少检测时间、提高分类正确率,和多层前馈神经网络相比具有很好的竞争力.

摘要：提出了一种面向智能网联汽车的中心式匝道合流协同控制方法.首先建立了中心式匝道合流协同控制模型,然后通过离散化将其转化为非线性最优化问题,并采用NOMAD算法求解.进行了100组仿真实验,通过随机设置不同的初始化条件对所提方法的有效性以及车辆油耗影响因素进行了研究,并与其他文献的方法进行对比.研究结果表明,本文所提方法对不同的初始合流场景有较好的控制效果,与对比文献中的方法相比,可使车辆平均油耗降低42.38%,显著提高了匝道合流过程中车辆的燃油经济性.

摘要：在机器学习领域,分类器加权在小样本数据集中的分类正确率较低。为此,提出一种基于混合距离度量的多分类器加权集成方法。结合欧氏距离、曼哈顿距离、切比雪夫距离,设计混合的距离度量加权方法,使用加权投票组合规则集成各分类器的输出结果。实验结果表明,该方法鲁棒性较好,分类正确率较高。