摘要：设计了一种考虑参数估计的模型预测控制(MPC)算法的、智能辅助驾驶的商用车的车道保持算法,对于难以直接测量的质量和横向速度进行估计。建立车辆动力学模型和状态误差方程,通过扩展Kalman滤波(EKF)和递推最小二乘法(RLS)分别对车辆的横向速度、质量进行估计。基于估计得到的车辆参数,设计MPC车道保持控制器。构建硬件在环(HIL)仿真平台,设置不同的测试工况对车道保持算法进行了验证。结果表明:与普通MPC相比,在偏移回正工况中,车辆纠偏消耗的时间减少28.6%,并且超调量更小;高速路工况的横向位置偏差的均方根误差减小了4.2 cm。该方法提升了纠偏能力和跟踪精度,降低了传感器成本。

摘要：汽车作为目前人类最常使用的交通工具之一,其智能驾驶技术大部分处在L2~L3“人机共驾”技术的发展阶段,在L5级自动驾驶技术出现之前,“人机共驾”仍然是目前主流的驾驶方式,其各种车载系统和交互方式正在不断完善。多模态交互作为未来设计的发展趋势,必然将与汽车融合产生新的“火花”。对车载系统中多模态交互设计研究包括疲劳状态预警、碰撞预警、车道偏离预警、智能接管提醒、智能泊车等方向进行梳理总结,对车载AI多模态交互设计包括多屏交互、触控交互、手势交互、语音交互、表情交互、眼动交互等自然交互方式进行分析。采用文献研究及案例分析的方式探究如何在基于安全和情感化的背景下使驾驶员的体验更加舒适,展望了汽车多模态交互设计在车载系统中的应用及未来趋势。恰当而良好的交互方式融合将会提高各种车载系统及应用的安全性和驾驶的舒适度。多模态交互的引入必将是汽车发展的趋势。

摘要：中国科学院EDA中心定位开展集成电路与电子系统设计方法学前沿基础研究、EDA工具研发及其应用技术研究。整合集成电路行业资源、构筑网络化服务体系提供先进芯片设计配套行业服务;建立互联网开放新型IC产品的研发模式。研究方向先进集成电路设计及EDA技术、物联网系统架构与核心芯片研发、

摘要：在分析驾驶场景中的人行横道和道路路面等道路元素视觉特点的基础上,采用经典特征提取和深度学习相结合的方法,从深度学习网络结构出发提出了一种能够在不同分支输出具有不同空间分辨率和不同场景特征的进行人行道检测的深度学习网络,并在所建的数据集上对所提方案进行实验,验证了所提算法的有效性。

摘要：智能辅助驾驶,其关键技术之一在于对行人和车辆实时准确的检测。针对传统行人车辆检测方法存在的精度低,实时性不高等问题,提出一种基于改进SSD的多尺度检测算法。主干网络由VGG16替换为DenseNet,设计特征融合模块,修改损失函数。在扩充后的KITTI数据集进行对比测试,与原SSD算法相比,mAP提高1.9%,检测速度达到39FPS,该改进算法精度更高,小目标检测效果也有一定的提升。

摘要：文章设计开发了基于信息融合技术的车辆主动防御系统,以期在测试车辆起步及正常行驶状态下,实时监控前方障碍物的相对距离,在设定的不同危险级别下执行报警、缓减速、急减速至停车的动作。装车试验证明,该系统采集信息、判断距离、执行相应命令的准确率较高,具有一定的实用价值。

摘要：交通标志检测是智能辅助驾驶的重要内容,能够准确分析前方道路信息并定位交通标志具体位置,为后续交通标志的识别提供依据,降低交通事故发生的概率。为解决采集图像模糊、目标检测精度低等问题,提出了一种基于改进区域建议网络(RPN)的检测模型,该模型采用Retinex图像增强算法和中值滤波算法对采集图像进行预处理,并将处理后的图像依次送入卷积神经网络和RPN网络,获得感兴趣目标的具体位置参数,实现交通标志的检测。相同条件下与传统算法进行实验对比,文中算法对不同大小的交通标志检测有较高的检测率,能够达到97.5%,并且鲁棒性较好。