摘要：为了提升网联交叉口车辆通行效率与燃油经济性,设计了一种网联信控交叉口协同控制应用场景,提出了一种分层解耦式网联交叉口信号-车辆轨迹协同优化控制方法,其中顶层采用“作业调度”和遗传算法以最小化交叉口平均旅行时间延误为优化目标实现信号配时与相序优化;底层结合最优配时结果,采用分段优化方法以最小化平均燃油消耗为优化目标实现车辆轨迹优化。仿真结果表明,本文中提出的协同控制方法在交叉口车流量均衡与不均衡、低密度和高密度工况下,均可以有效提升交叉口通行效率和燃油经济性;提出方法效果随最小绿灯时长的减小、V2X通信范围的增加而更加显著,综合考虑交通公平性和建设成本等因素,提出的网联信控交叉口协同控制系统最小绿灯时长应设置为5 s,有效V2X通信范围设置为800 m。

摘要：以智慧交通场景中的车辆编队为应用背景,建立基于智能驾驶员模型的车辆队列控制模型,分析车-车通信中延时对队列控制稳定性的影响。提出基于车-车通信更新延迟的故障诊断方法,利用中值和均值的统计特性计算用于判断是否发生故障的决策变量,设计两层滑窗对决策变量进行平滑,实现决策变量实时、自适应计算;利用Jarque-Bera检验一段时间内接收端延迟更新统计分布的正态性,若该分布显著偏离正态分布,则认为通信质量恶化。在测试场地采集车辆行驶速度数据和车-车通信延时数据,对不同场景下车-车通信更新延迟的统计分布特性进行仿真试验,验证车-车通信中延时对智能网联汽车协同控制的影响。研究结果表明,车-车通信延时会导致协同控制过程中控制率的剧烈变化,基于更新延迟的通信故障诊断方法可以对车-车通信质量是否恶化进行有效诊断。

摘要：近年来,城市交通拥堵、交通事故等问题日益严重,交叉口作为城市交通网络的核心,解决交叉口的交通问题对解决整个城市交通问题具有重大意义。但现有技术手段难以有效提升交叉口通行效率、减少交通事故,交叉口信号灯的感知能力与智能化不足;随着通信技术和计算机技术的发展,车联网技术成为解决交通问题的关键技术。基于V2X网络设计了一种智能网联交叉口信号控制系统,可以实现交叉口交通要素的准确感知及控制。系统包含人机交互、车载端、路侧端和信号控制四部分,车辆与车辆之间通过V2X网络交换位置、速度、加速度等信息,路侧设备通过V2X网络将信号灯的相位、配时等信息发送给车辆,实现了绿波车速引导、紧急车辆优先通行和左转辅助等先进辅助驾驶应用,可以有效提升交叉口通行效率,降低交通事故发生率。

摘要：为了解决车辆队列控制中的车辆连续精确控制问题和行驶过程中车辆队列纵向稳定性问题,提出了一种在中等速度环境下基于深度强化学习(deep reinforcement learning,DRL)的车辆队列纵向控制策略。该策略充分考虑了影响队列安全的车辆距离、车辆速度和车辆加速度3个关键影响因素,并将车辆动力学和舒适性作为策略学习过程中的约束条件。首先,建立基于强化学习的车辆队列纵向控制模型。其次,提出一个深度强化学习过程来进行队列纵向控制策略的迭代,最终目标为获得车辆的最优控制策略;并且设计了一个多目标的奖励函数,该函数综合了距离误差、速度误差和加速度约束对应的奖励。最后,采用深度确定性策略梯度(deep deterministic policy gradient,DDPG)求解队列纵向控制问题,该算法将动作-评价(actor-critic,AC)网络的优点与深度Q网络(deep Q-network,DQN)的优点相结合,有效解决连续状态空间和连续动作空间上的车辆队列控制问题;并设计和训练了基于DDPG的队列控制模型用于队列纵向控制,验证该控制策略的有效性。结果表明:提出的基于强化学习的队列控制方法具有和分布式模型预测控制算法相当的控制精度,并能在"前车-领航车跟随"通信拓扑下实现队列的串稳定性。

摘要：作为一种典型的VANETs(vehicular ad-hoc networks)通信协议,IEEE 802. 11p采用为低移动性网络设计的DCF作为基本传输机制,因此需要针对IEEE 802. 11p协议对于节点具有高速移动性的VANETs通信场景的适应性进行评估分析。首先基于测试评估的需求,构建了一种典型的VANETs通信场景;其次,考虑VANETs网络特点设定了场景中的信道模型和通信流量模型;然后,基于Veins平台搭建了仿真环境,并对仿真参数进行了配置;最后,以端到端延迟、丢包率和吞吐量作为评价标准,在Veins平台上仿真研究了传输频率、车流密度、车辆速度对IEEE 802. 11p网络性能的影响。仿真结果表明,网络因素和移动性因素共同影响IEEE 802. 11p的延迟性和可靠性;高传输频率不利于提高IEEE 802. 11p的网络性能;车辆速度对基于IEEE 802. 11p性能影响较大,而车流密度对其性能影响较小,并且在低速情况下,车流密度对IEEE802. 11p性能无显著影响。

摘要：阐述了目前形成的自动驾驶测试场景的5种定义,并在梳理测试场景、基元场景、场景要素之间逻辑关系的基础上提出了自动驾驶测试场景及有关概念的定义;对比了目前业界较为认可的3种自动驾驶测试场景架构;从场景数据来源梳理了国内外开展的交通事故数据与自然驾驶数据采集与研究现状;概括了利用已知数据、专家数据、测试需求、测试对象以及自动驾驶技术特征等开展未知自动驾驶测试场景构建与自动生成研究的成果。研究结果表明:自动驾驶测试场景的定义及架构与自动驾驶场景的构建与自动生成关系密切;自动驾驶场景可以认为是自动驾驶汽车的行驶环境、交通参与者与驾驶行为等场景要素的有机组合与综合反映,自动驾驶测试场景除包含场景的所有要素外,还应包含场景起始状态、场景发生的态势以及场景结束时造成的影响和结果等内容的动态语义描述;现有测试场景架构已较为完善,但难以满足不同测试目标及测试方法的需求,其优化应充分考虑测试场景设计的流程;交通事故数据采集精度及有效数据特征不一,自然驾驶场景数据难以完全采集,且采集规范不统一,其面向自动驾驶测试场景构建的有效性还有待进一步论证,自动驾驶测试数据有望成为重要补充;提升场景覆盖度、加速测试进程是自动驾驶测试场景构建的重要研究目标,人工智能技术在自动驾驶场景生成领域的深度应用有望满足测试场景的完全覆盖或高覆盖需求;面向不同自动驾驶等级的测试场景分级及面向自动驾驶加速测试场景构建方法将是自动驾驶测试场景构建下一步研究的重要方向。

摘要：智能汽车故障诊断技术对于保障智能汽车安全行驶具有重要意义,针对智能汽车传感器数据异常检测和车辆运动的异常检测提出了一种故障诊断方法.针对非时序传感器数据,采用基于超限学习框架的自动编码器,对正常数据进行特征压缩学习其特征表示,再利用压缩的特征重构数据,根据重构误差的大小判断数据是否异常.针对时序传感器数据,采用多层长短时记忆网络学习时序数据之间的时间依赖关系来预测当下时刻的数据值,根据预测误差的大小判断数据是否异常.提出一种阈值随误差大小动态变化的自适应阈值确定方法,使得决策变量对于异常值相对敏感.进一步地,采用车辆自行车运动学模型和Kalman滤波,利用Jarque-Bera测试对预测值和量测值残差的正态性进行检验来检测车辆运动是否异常.实际场地测试验证了本文所提出的方法可以有效检测非时序或时序传感器数据的异常,并对车辆运动是否异常进行检测.

摘要：车辆位置信息是许多智能交通应用的基础,如车辆导航、路径规划和车辆编队等。现有研究中融合单车车载多源传感器的定位方法无法有效解决城市峡谷、隧道和立交桥等卫星信号不可用条件下的车辆定位问题。围绕车辆高精度定位进行了综合评述,主要深入研究分析了车辆协同定位技术。首先分析了单车自主定位的关键技术及其主要应用场景;然后对车辆协同定位框架进行了研究,并对目标关联算法和多源数据融合算法进行了分析;最后展望了车联网环境下车辆协同定位的发展趋势。研究表明,高精度高可靠定位研究还存在许多关键技术未突破,车联网环境下的车辆协同定位利用无线通信实现多源定位传感器信息动态交互,为智能汽车定位系统研发提供新思路。

摘要：近年来基于车联网技术实现的协同式自适应巡航控制(cooperative adaptive cruise control, CACC)已经成为重要的智能网联汽车应用场景。CACC系统的有效性依赖于基于车联网通信实现的车辆速度、加速度等信息的实时、可靠交互,然而受各类天气条件及行车环境的影响,理想、可靠的通信环境难以在实际交通场景中实现。因此迫切需要在不可靠通信条件下对CACC的适应性进行评估分析,以研究不可靠通信条件对CACC模型的影响。针对上述问题,首先围绕测试评估需求,分析了三种典型CACC跟驰模型;其次,基于Veins平台搭建仿真测试环境,并在选取通信延迟和丢包率为不可靠通信条件的基础上设计了测试方法;最后,在头车速度正弦变化和头车紧急刹车两种应用场景下,仿真测试研究了不可靠通信条件对三种典型CACC跟驰模型的影响。仿真结果表明,通信延迟和丢包率都会影响CACC的可靠性,当丢包率达到5%或时延达到5 ms时,对CACC队列稳定性有显著影响;从总体上看,Rajamani控制模型的效果最好,Ploeg控制模型的效果最差。