摘要：随着汽车产业电动化、智能化、网联化、共享化的发展驱动,全球主要强国均将智能网联汽车列为国家战略发展方向.蜂窝车联网、边缘计算网络和高精度定位系统的技术发展,为车车、车路、车人和车云系统的全面融合提供了有效支撑.车辆、道路、云平台与蜂窝车联网(Cellular vehicle-to-everything,C-V2X)网络的融合,加速打通车内与车外、路面与路侧、云上与云间的信息互通,为实现车路云一体化的融合感知、群体决策及协同控制提供了重要基础.首先,梳理了智能网联车路云协同系统架构与关键技术,对该领域的演进特征、发展制约因素进行了总体概述;其次,阐述了新型车路云协同系统、智能网联C-V2X通信系统、云控系统和车路云协同测试系统的架构设计与工作原理;然后,从C-V2X组网、融合定位、测试评价角度,介绍了车路云协同系统融合V2X网络、融合定位的技术演进与研究进展,给出了智能网联场景的仿真平台、实车测试及评价指标;最后,对智能网联车路云协同系统的协同组网与控制、互操作、边缘智能服务和安全技术层面的发展趋势进行了展望.

摘要：汽车质量和道路坡度是设计高性能汽车决策和控制算法所需的基本参数。但是,微小加速度行驶工况下,汽车纵向惯性力较小,汽车质量和道路坡度难解耦,且现有估计算法的准确性和收敛速度有待进一步提高。该文提出了一种基于车辆纵向动力学原理的自适应无迹Kalman滤波(adaptive unscented Kalman filter, AUKF)算法,通过加大质量预测模型初始噪声,并设计自适应收缩系数对预测误差协方差矩阵进行动态调整,实现了微小加速度工况下汽车质量和道路坡度的快速准确联合估计。其中,自适应收缩系数与质量预测模型噪声和质量估计值有关。不同初始条件下的仿真与实车试验结果表明,AUKF算法能准确估计汽车质量和道路坡度,且质量估计误差均小于3%,道路坡度估计均方根误差均小于0.4°。此外,在纵向加速度小于0.3 m/s;行驶工况下,相比经典UKF算法,AUKF算法极大加快了汽车质量和道路坡度估计的收敛速度,在质量初始误差小于40%条件下,质量误差收敛至3%以内只需约10 s。

摘要：智能化是汽车的三大变革技术之一。深度学习(Deep Learning,DL)具有拟合能力优、表征能力强和适用范围广的特点,是进一步提升汽车智能性的重要途径。本文总结了用于自动驾驶汽车的深度学习技术,包括发展历史、主流算法以及感知、决策与控制技术应用。首先回顾深度学习的历史及现状,总结神经网络的“神经元-层-网络”三级结构,重点介绍卷积网络和循环网络的特点以及代表性模型。其次阐述以反向传播为核心的深度网络训练算法,列举用于深度学习的常用数据集与开源框架,概括网络计算平台和模型优化设计技术。最后讨论深度学习在自动驾驶汽车的环境感知、自主决策和运动控制三大方向的应用现状及其优缺点,具体包括物体检测和语义分割、分解式和端到端决策、汽车纵横向运动控制等,针对用于自动驾驶汽车的深度学习技术,指明了不同问题的适用方法以及关键问题的未来发展方向。

摘要：为使汽车造型设计更好地符合目标用户的审美心理,以跨文化视角对用户视觉模式识别进行了比较研究。基于Treisman的特征整合理论,提出汽车造型视觉识别一般模型。以汽车前视正面造型为样本,选取中德两国用户作为被试者,以品牌识别为任务,首先使用Dikablis眼动仪进行眼动跟踪实验,再结合Likert量表进行识别度的问卷调查。利用灰度直方图对眼动热点图进行特征提取,并对用户感兴趣区域的各项指标进行了对比分析,所得结论为面向中国市场的车型开发提供了借鉴和参考。

摘要：本文中对用户的汽车造型认知机制进行研究。首先阐述了基于风格特征的汽车造型知识本体,在此基础上定义了基于特征匹配的汽车造型认知模式,并提出了认知过程模型。选取汽车前部造型为样本,使用Dikablis眼动仪进行眼动跟踪实验,并结合Likert量表问卷调查对若干关键问题进行研究。实验结果表明:(1)"喜好度"和"识别度"呈正相关,识别度越高的车型越能获得更多用户的购买意愿;(2)在对汽车品牌的识别过程中,用户的工作记忆对造型视觉信息进行处理,并提取长时记忆中的车型信息进行分析比对,车辆造型特征设计应兼顾视觉刺激强度和连续性,从而将短时记忆转化为长时记忆;(3)汽车前部造型中的典型性和标志性特征具有重要的识别引导作用,能迅速、有效地建立工作记忆与长时记忆之间的视觉信息通道,在设计中应引起重视;(4)由于"捆绑"机制与格式塔心理学的作用,美感的产生更多地依赖于汽车造型的整体效果。

摘要：为了设计开发一套基于RTWT的主动式油门踏板试验台,首先进行了机械执行装置的机械原理设计及传动参数优化设计;然后利用快速控制原型技术,基于MATLAB/RTWT设计开发了电子控制系统硬件及控制程序;最后通过实验测试了试验台的力反馈和刚度反馈功能。结果表明该试验台具有较好的可靠性与有效性。

摘要：作为高级别自动驾驶的下一代技术方向,类脑学习以深度神经网络为策略载体,以强化学习为训练手段,通过与环境的交互探索实现策略的自我进化,最终获得从环境状态到执行动作的最优映射。目前,类脑学习方法主要用于自动驾驶的决策与控制功能设计,它的关键技术包括:界定策略设计的系统框架、支持交互训练的仿真平台、决定策略输入的状态表征、定义策略目标的评价指标以及驱动策略更新的训练算法。本文重点梳理了自动驾驶决策控制的发展脉络,包括两类模块化架构(分层式和集成式)和3种技术方案(专家规则型、监督学习型和类脑学习型);概述了当前主流的自动驾驶仿真平台;分析了类脑决控的3类环境状态表征方法(目标式、特征式和组合式);同时介绍了自动驾驶汽车的五维度性能评价指标(安全性、合规性、舒适性、通畅性与经济性);然后详述了用于车云协同训练的典型强化学习算法及其应用现状;最后总结了类脑自动驾驶技术的问题挑战与发展趋势。

摘要：为了弥补主观性评价方法的不足,以获得用户对于汽车造型设计的客观性评价,提出了一种基于眼动跟踪特征的汽车造型评价方法。以眼动热点图为基础构建车型评价指标体系,包括对热点图进行背景剥离,通过"色度-饱和度-亮度(HSV)"模型提取其颜色特征,并计算其灰度直方图的各项统计值;进一步将汽车造型的评价定义为二分类问题,运用Fisher判别建立函数模型。通过实例验证了该方法的可靠性与实用性。结果表明:该方法总体上具有较高准确度,为实现汽车造型评价提供了一种可行的技术途径。

摘要：加速过程中,车辆的油耗与驾驶员的操作策略密切相关.本文通过最优控制方法定量化地研究了挡位离散型车辆的经济性加速策略.将加速策略的辨识构建为一个Bolza型最优控制问题(Optimal control problem,OCP),设计了考虑加速距离影响的经济性定量评价指标.该问题含有离散型控制变量,隶属于混合整型最优控制问题,且性能函数和状态方程呈现强非线性.为高效地求解该问题,结合变速器挡位切换规律,将该整型问题转化为多段光滑问题的协同优化,采用Legendre伪谱拼接法实现变速器挡位、换挡时机、发动机力矩的数值求解.解析分析了经济性加速策略的形成机理,总结了实用化的经济性加速度选择策略和挡位切换规律.仿真验证了所求策略的节油潜力.

摘要：为了有效和准确地评价乘用车驾驶舒适性,构建了"人-机-环境"系统下的汽车驾驶舒适性本体模型,并对驾驶舒适性的形成机制进行了阐述。通过用户访谈实验并基于改进的"词频-逆向文件频率"(TF-IDF)方法对主题词进行提取,获得影响驾驶舒适性的主要因素并进行分类,在此基础上建立递阶层次结构;针对传统层次分析法(AHP)的不足,以三标度取代九标度以保证精确性,通过Delphi实验,构造两两比较判别矩阵后再进行处理,以计算各评价指标的权重,并对该指标体系进行一致性检验。以C级乘用车为例,验证了该评价方法的有效性。该方法为乘用车的驾驶舒适性评价提供了一种可行的技术支持。