車輛主動安全的研究

近年來，隨著人們的收入不斷提高，居民的購買力不斷提升，汽車開始走進越來越多人的家庭之中，與此同時由此而引發的交通安全問題也成為當今社會關注的一個焦點。隨著汽車保有量的提升，每年的交通安全事故發生量也在持續的提高。在這樣的情況下，汽車的主動安全技術的作用也就顯得越發的突出。汽車駕駛員對汽車安全性能的要求不斷提高，對汽車主動安全技術的要求持續擴大，而傳統的汽車安全技術卻以無法，滿足駕駛者更多的需求，在這樣的情況下，對汽車主動安全關鍵技術的研究具有較強的現實意義。

1 應對行人主動安全系統測試的一種新方法[1]

1.1 主要目的和主要原理

主動行人安全是基于各種傳感器系統和檢測算法的一種汽車主動安全系統，例如緊急制動系統是車輛主動安全系統的關鍵一部分。因此，對于車輛主動安全應用程序進行負責任地測試是十分有必要的。作者主要介紹了行人在車輛周圍的特點，介紹了現行的測試方法，并介紹了一種新型的測試系統方法，同時利用假人對先進的行人檢測系統進行了測試。這其中還包括了檢測算法方法的測試，包括用于復雜運動模式的前期指標和路徑預測等。復雜的運動模式可以是步行或跑步的行人，當然這其中也包括行人速度和方向的變化。

1.2 結論

這項研究的預期成果是高級駕駛員輔助系統（ADAS）對真實行人的重要特征的說明，同時該系統也解釋了關于如何將這些特征映射到現實測試系統的概念。這個測試系統可以完美復制行人的特點，并且考慮到了前期指標和路徑預測，可對先進的行人檢測系統進行重復的測試和比較。本文將行人在道路上的行為特征分為3種：1.沿著路邊行走；2.在路邊等待；3.穿越路邊。

此外，該系統還將人體運動學納入了研究，為了復制行人運動學，該系統細化了行人的手臂和腿部運動和頻率的變化，以及行人重心，身體的傾斜角度和方向等方面的改變。該系統將假人頭作為預測行人近期行為和穿越路徑的重要指標。該系統是基于傳感器系統，它可以測量目標的各種物理特性。這些傳感器可以分為兩類：第一類是基于被動原理，只是從目標接收信號。第二類是由一個有源發射器和一個接收單元組成。同時，為了創建一個包含移動假人的測試系統，需要兩個子系統。第一子系統用于檢測測試區域內的宏觀運動。例如，穿過街道。第二個子系統是虛擬本身，它是為了復制行人而設計的。

2 先進的車輛操縱和主動安全控制系統[2]

2.1 主要目的和主要原理

車輛底盤控制通常用于控制車輛的橫向和縱向運動，以提高操縱性能、乘坐舒適性和牽引/制動性能。這些控制基本上分別取決于轉向控制，懸架控制和牽引/制動控制。本文主要研究底盤控制，以提高車輛操縱性能和主動安全性。

2.2 結論

目前關于基本的前饋型4WS上已有了大量的報告，已經進行了許多關于轉向控制的研究，并且最近還有專家采用先進的控制理論做了相關挑戰性的研究來克服輪胎非線性運動特性。然而，無論有多少先進控制理論，我們都知道真正應用到現階段車輛動力學和控制都存在困難。我們認為車輛穩定性控制（DYC）是補充4WS控制極限的方法之一。我們強調DYC在車輛動力學和輪胎特性的非線性范圍內對車輛運動控制更有效，并且應該在這種非線性假設的基礎上引入DYC的控制定律。此外，我們在這里指出，4WS和DYC的集成/協調控制應該是一個有前途的控制策略，使我們有更高的車輛操縱限制性能和一個合理的控制規律的整合/協調。在這方面，我們也強調，有必要在對車輛動力學和輪胎基礎上進一步審查控制規律。我們認為，在本研究領域中，非線性特性的處理將是最重要的問題，并且對于預期控制足夠精確的估計或測量輪胎與路面之間的車輛側滑角和摩擦系數都是底盤控制的關鍵技術之一。

3 基于傳輸功率的車載自組織網絡緊急信息傳播技術[3]

3.1 主要目的和主要原理

隨著車輛數量的增加，廣播已經成為車輛自組織網絡（VANET）最重要的一部分。為了避免交通堵塞和事故，緊急信息將被傳輸到網絡中的所有車輛。然而，當VANET受到不同類型的攻擊時，需要對系統進行保護需求，如消息的機密性，可靠性和以及相應的驗證。如果驗證程序能夠通過較少的復雜性，較短的驗證延期和密鑰的透明性來精確地區分談判節點，則認為驗證過程是合格的。本文預測了面向集群的VANET信任的驗證格式。同時介紹了預測方案與現有程序對比。

3.2 結論

首先，我們要建立仿真模型以及設定參數。我們使用NS-2來解釋VANET的信任認證技術（TBAT）。通過仿真構建拓撲結構。它包含兩個人群，每個人群由三條車道組成。組頭和網關節點相應地以藍色和紅色顯示。我們還揭示了用于應用預測的危機廣播設計，還描述了在再現階段中與群集建立時間一起形成的不同數量的群集。網絡面積測量為1500*1500米，網絡區域包含的不同節點通過二代集群建立算法分成多個集群。消息廣播系統在緊急情況下的性能通過將簇大小從2改變到20。所提出的方法被分析為各種協議，例如AODV，DSR和DSDV。此外我們還參考了各種評定標準。如在SHWM中用于各種協議和標準的廣播時間；曼哈頓廣播時間模型的各種協議和標準；高速公路模型中廣播時間的多種協議和標準；以及在SHWM，曼哈頓，AODV協議標準802.11P高速公路模型中的廣播時間。

4 不確定性條件下主動道路車輛懸架的模糊算術控制器設計[4]

4.1 主要目的和主要原理

本文提出了一種設計主動道路車輛懸架的魯棒控制器的方法。不同于傳統的魯棒控制技術，模糊數學方法用于配置一個所謂的天棚阻尼器。所提出的方法是基于隨機車輛激勵的四分之一汽車模型的協方差分析。由此產生的控制器提高了駕駛舒適性和安全性，并增加了對不確定性的魯棒性。模糊算術方法允許將固有的不確定性參數附加到控制器的設計中。此外，一個可能的敏感度分析用于評估不確定參數對控制質量的影響，從而為設計過程提供有用的信息。

4.2 結論

本文分別采用協方差分析和模糊數學方法對參數不確定性進行處理。目標是根據不確定性分析提供的信息來解決懸架系統的設計沖突，并在不確定情況下尋找最優增益。此外，基于模糊靈敏度分析解釋了參數不確定性對結果的影響，為設計過程提供了有用的信息。目前，被動和主動懸架系統的協方差分析一直是研究的對象。模糊算法不確定性建模允許建立包括模糊值參數而不是傳統模型中的脆值參數的各種來源的不確定性從而建立更全面的系統模型，而且它已成功地應用于多體系統的分析。與常規設計和最壞情況間隔考慮相比，所確定的最佳增益值增加了舒適性和安全性以及對不確定性的穩健性。根據靈敏度分析顯示，輪胎剛度對最終控制器增益的影響最大，同時強調了所提出的魯棒設計的必要性。所提出的模糊算術控制器設計尚不能保證穩定性，穩定性的證明必須在去模糊增益的基礎上隨后進行。然而，這種方法的一個優點是，可以在每個已經建立的穩定性定理的基本上應用模糊參數化的閉環系統，以便導出適當的穩定裕度。

5 基于行人的車內警報建模[5]

5.1 主要目的和主要原理

建立駕駛員與行人之間的時間交互的碰撞模型。盡管目前所檢測的模型中沒有一個涵蓋駕駛員對警報系統接受程度的，多是在長期使用過程中建立對系統的信任度和適應度，但根據評估顯示，大多數現有的碰撞駕駛員行為模型中不包括背景因素。相反，他們則強調了碰撞時間（TTC）。如果兩個目標的路線和速度都保持不變，TTC就是衡量危險程度的一個重要指標。我們建立了兩個模型，第一個模型中，我們利用來自74名參與者的數據，開發了一種駕駛者接受警報的模型。該模型評估了2013年FOT期間記錄的300名行人遇到的緊急情況，該系統對潛在危險的行人相遇發出警報。在第二個模型中，我們使用來自35個不同參與者的數據來驗證模型，評估了2012年FOT中57個不同的行人相遇。

5.2 結論

同時，我們也分析了駕駛員對這兩個模型所帶來風險的看法。兩個數據集中的每個剪輯都顯示一個行人，在剪輯結束時，行人在正常車載傳感器（前方11-89米）的范圍內。其中，行人的橫向位置在車輛左側8米和右側10米（右側駕駛條件）之間。車速則控制在8到110公里之間變化，TTA的范圍是0.7-12.1秒。駕駛員可以合理地預期在視頻剪輯中呈現的許多或所有情況中考慮行人，因為行人的未來路徑是不確定的而不受限制的。該研究顯示了如何在受控的實驗室研究中利用FOT數據來警示行人提醒標準的發展。使用實際行人相遇的評級來設計警示策略應該引起對駕駛員的注意，同時對于如何從駕駛場景中提取信息以指導他們的行為進行更深入的指導。我們的分析支持這樣的假設，即駕駛員用于風險評估的感知線索可能主要由行人位置和運動組合組成的基本情境因素組成。

6 自適應桿位控制策略在主動轉向安全系統中的應用[6]

6.1 主要目的和主要原理

本文研究了自適應控制策略的設計，調整主動轉向系統以獲得更好的駕駛性能和可操作性。第一步采用自適應控制策略對在線不確定參數（如轉彎剛度）進行估計，然后將估計的參數值輸入極點配置控制器，產生修正的反饋增益，提高轉向系統的動態特性。我們將對三種路況（干，濕，冰）進行模擬評估，并將自適應極點配置控制（APPC）的性能與極點配置控制（PPC）和被動系統進行比較。結果表明，APPC策略顯著提高了模型的橫擺角速度和側滑角。

6.2 結論

APPC是通過整合PPC策略和參數估計（在每個時間步驟）來計算自適應極點放置增益而開發的。在所有情況下（干路，濕路和冰路），由于系統的正弦輸入（干擾），有源系統的性能顯著高于無源系統，以抑制振蕩。而且，自適應主動系統（APPC）比主動系統（PPC）能夠更好地工作。車輛模型的側滑角以及偏航率證明了APPC策略的優點，以提高車輛的主動安全性干擾（例如滑動或旋轉）。在本文中，主動轉向系統的動態模型已經制定和導出。并已經通過使用梯度算法來估計不確定參數（前角和后角剛度）。PPC策略用于產生反饋增益，以改善所提出的模型的動態性能（例如，減小偏航角速度和側滑角）。在提出的APPC中，所估計的參數被饋送到PPCbox以在每個時間步驟產生反饋增益。仿真在MATLAB/Simulink中生成，結果顯示了正弦轉向角作為系統的輸入，可用于三種類型的路況（干，濕和冰）。而且在所有情況下，APPC系統的性能都優于PPC，并且明顯好于無源系統。

7 一種基于自主智能駕駛的智能車模型[7]

7.1 主要目的和主要原理

自動駕駛汽車是未來智能汽車的一部分。雖然目前的技術還未能完全達到自動駕駛的要求，但是目前大部分的車廠都在大力推廣智能汽車。我們提出了一個智能車模型，以使用更安全的方法來減少事故的發生。該方法是基于現有的交通規則，并通過培訓駕駛員對智能汽車的安全行為而開發的。每輛智能車都包括兩個主要組件。第一個部分是通過無線方式從周圍環境中獲取信息的傳感器，以及通過其他車輛（如天氣，新聞等通過互聯網）捕獲的信息。

7.2 結論

第二個組件是智能計算組件（ICM），用于處理信息并對SCA行為進行建模。在這里，我們簡要描述SCA的物理特征，以便更好地理解與計算組件的相互作用。SCA輸入來自傳感器和與其他SCA的無線通信以及驅動程序。SCA輸出則是其他SCA的狀態包和驅動程序的信息（視覺語言，其他）。SCA是計算組件的物理主機，并構成了整個基礎架構中的一個代理節點。SCA執行的子任務是：1.處理信息并定義其當前狀態；2.根據移動對象的行為預測未來狀態；3.為安全原因談判立場；4.學習其他車輛的行為模式；5.與其他車輛的信息交換。ICM組件將處理作為基于SCA的自主智能代理開發過程中涉及的重要問題（如表示，適應，預期，構建和學習）。然而，ICM組件的關聯和接口為SCA建模的操作和決策提供了便利。

8 智能車輛：具有自適應時域的混合非線性預測控制器[8]

8.1 主要目的和主要原理

本文重點研究了汽車運動預測控制的優化算法，該算法既能解決混合動力汽車動力學問題，又能解決混合最小化問題。本文所開發的哈密爾頓切換混合非線性預測控制算法不是用于求解計算量大的非線性混合規劃問題，而是將混合信息直接納入到優化程序中。為了減少時間復雜度，提出了幾種自適應預測時域方法，其中一些方法表明它們保持了汽車的機動性能。

8.2 結論

預測時域是指定計算復雜性與最優性之間折衷的關鍵參數之一。在汽車運動的情況下，自適應預測時域的想法會非常自然地產生，車速越高，就會需要更長的時間距離滿意地處理汽車控制問題并且遵循軌道約束。這里提出了基于線性和對數的預測水平方法。他們的結果表明，雖然線性預測的時域與常量預測范圍相比改善了計算負擔，但它們可能無法提供可接受的安全需求滿意度。而這是由基于線性和對數的預測水平方法克服的，這也是顯示了帕累托最優解的多個評估標準。基于該方法的控制器與商業上可用的MINLP求解器比較提供了相同的預測范圍，這表明只需要MINLP求解器計算時間的一小部分，就會具有相同的性能。根據詳細的靈敏度分析結果，證明了基于該方法的控制器相對于各種系統參數的穩健性，還使得其他性能有所增強，同時也可以進一步提高算法的魯棒性和整體功能。

9 智能停車系統的意識分析[9]

9.1 主要目的和主要原理

近些年來，由于智能汽車的發展，智能停車系統也有了較大的發展。智能停車系統是智能泊車技術的新想法，通過借助于一些智能設備，如相關傳感器，LCD，照相機等將車輛引導到指定的停車位。作為未來智能城市應用的典型組成部分，智能停車場（SCP）在物聯網（IoT）中扮演著一個重要的角色。SCPS主要用于集中解決停車管理問題。盡管目前在停車場管理方面投入了大量精力，但是應該將重心從停車位規劃轉移到網關的傳感器問題上，比如，可以在停車場中設置指紋掃描儀檢測和相應傳感器設備用于降低車輛被盜的風險。

9.2 結論

為了更好的理解基于物聯網的SCPS意識，我們進行了實證調查。調查如何在一個樣本人群內實施該技術。應用的第一步是找出用戶（司機）在停車場停車時所特有的問題。調查結果表明司機面臨的問題主要是在停車過程中耗費時間過多，通常導致停車場的交通擁堵。同時在這項工作中，也詢問了個人司機是否有接受SCPS的新技術的意愿。結果表明百分之85的司機愿意嘗試。采用描述性統計和方差分析的方法進行數據分析，用于確定參與者對SCPS的看法，所有分析均使用SPSS20進行。接著，建立智能車架模型，這里建立的是一個4層的車架，每個車架有5個停車位。相當于在僅能夠停5輛車的車位上停了20輛車，這樣就大大減小了車位的緊張問題。然而，目前對于車架的強度要求方面還處在實驗階段。但是相信未來智能停車場會實現廣泛地應用。

[1]Doric I,Reitberger A,Wittmann S,et al.A Novel Approach for the Test of Active Pedestrian Safety Systems[J].IEEE Transactions on Intelligent Transportation Systems,2017,18(5)：1299-1312.

[2]Furukawa Y,Abe M.Advanced chassis control systems for vehicle handling and active safety[J].Vehicle System Dynamics,1997,28(2-3)：59-86.

[3]Ramakrishnan B,Selvi M,Nishanth RB,et al.An Emergency Message Broadcasting Technique Using Transmission Power Based Clustering Algorithm for Vehicular Ad Hoc Network[J].Wireless Personal Communications,2017,94(4)：3197-3216.

[4]Hofmann A,Hanss M.Fuzzy arithmetical controller design for active road vehicle suspension in the presence of uncertainties[C]//Methods and Models in Automation and Robotics(MMAR),2017 22nd International Conference on.IEEE,2017：582-587.

[5]K?llhammer JE,Smith K,Matsangas P.Modeling ratings of in-vehicle alerts to pedestrian by leveraging field operational tests data in a controlled laboratory study[J].Transportation research part F：traffic psychology and behaviour,2017,46：413-425.

[6]Adibi-Asl H,Doosthosseini A,Taghavipour A.Using Adaptive Pole Placement Control Strategy for Active Steering Safety System[J].World Academy of Science,Engineering and Technology,International Journal of Mechanical,Aerospace,Industrial,Mechatronic and Manufacturing Engineering,2017,11(3)：513-517.

[7]Bourbakis N G,Alamaniotis M,Tsoukalas L H.A smart car model based on autonomous intelligent agents for reducing accidents[C]//Transportation Electrification Conference and Expo(ITEC),2017 IEEE.IEEE,2017：767-772.

[8]Anderson E C,Obayi A A,Okafor K C.Awareness Analysis of Smart Car Parking System in Heterogeneous High Density Clusters[J].Circulation in Computer Science-Special Issue Disruptive Computing,Cyber-Physical Systems(CPS),and Internet of Everything(IoE),USA,2017：22-26.

[9]Pc?olka M,Z?ác?eková E,C?elikovsky′S,et al.Toward a Smart Car：Hybrid Nonlinear Predictive Controller With Adaptive Horizon[J].IEEE Transactions on Control Systems Technology,2017.