车辆主动安全的研究

近年来，随着人们的收入不断提高，居民的购买力不断提升，汽车开始走进越来越多人的家庭之中，与此同时由此而引发的交通安全问题也成为当今社会关注的一个焦点。随着汽车保有量的提升，每年的交通安全事故发生量也在持续的提高。在这样的情况下，汽车的主动安全技术的作用也就显得越发的突出。汽车驾驶员对汽车安全性能的要求不断提高，对汽车主动安全技术的要求持续扩大，而传统的汽车安全技术却以无法，满足驾驶者更多的需求，在这样的情况下，对汽车主动安全关键技术的研究具有较强的现实意义。

1 应对行人主动安全系统测试的一种新方法[1]

1.1 主要目的和主要原理

主动行人安全是基于各种传感器系统和检测算法的一种汽车主动安全系统，例如紧急制动系统是车辆主动安全系统的关键一部分。因此，对于车辆主动安全应用程序进行负责任地测试是十分有必要的。作者主要介绍了行人在车辆周围的特点，介绍了现行的测试方法，并介绍了一种新型的测试系统方法，同时利用假人对先进的行人检测系统进行了测试。这其中还包括了检测算法方法的测试，包括用于复杂运动模式的前期指标和路径预测等。复杂的运动模式可以是步行或跑步的行人，当然这其中也包括行人速度和方向的变化。

1.2 结论

这项研究的预期成果是高级驾驶员辅助系统（ADAS）对真实行人的重要特征的说明，同时该系统也解释了关于如何将这些特征映射到现实测试系统的概念。这个测试系统可以完美复制行人的特点，并且考虑到了前期指标和路径预测，可对先进的行人检测系统进行重复的测试和比较。本文将行人在道路上的行为特征分为3种：1.沿着路边行走；2.在路边等待；3.穿越路边。

此外，该系统还将人体运动学纳入了研究，为了复制行人运动学，该系统细化了行人的手臂和腿部运动和频率的变化，以及行人重心，身体的倾斜角度和方向等方面的改变。该系统将假人头作为预测行人近期行为和穿越路径的重要指标。该系统是基于传感器系统，它可以测量目标的各种物理特性。这些传感器可以分为两类：第一类是基于被动原理，只是从目标接收信号。第二类是由一个有源发射器和一个接收单元组成。同时，为了创建一个包含移动假人的测试系统，需要两个子系统。第一子系统用于检测测试区域内的宏观运动。例如，穿过街道。第二个子系统是虚拟本身，它是为了复制行人而设计的。

2 先进的车辆操纵和主动安全控制系统[2]

2.1 主要目的和主要原理

车辆底盘控制通常用于控制车辆的横向和纵向运动，以提高操纵性能、乘坐舒适性和牵引/制动性能。这些控制基本上分别取决于转向控制，悬架控制和牵引/制动控制。本文主要研究底盘控制，以提高车辆操纵性能和主动安全性。

2.2 结论

目前关于基本的前馈型4WS上已有了大量的报告，已经进行了许多关于转向控制的研究，并且最近还有专家采用先进的控制理论做了相关挑战性的研究来克服轮胎非线性运动特性。然而，无论有多少先进控制理论，我们都知道真正应用到现阶段车辆动力学和控制都存在困难。我们认为车辆稳定性控制（DYC）是补充4WS控制极限的方法之一。我们强调DYC在车辆动力学和轮胎特性的非线性范围内对车辆运动控制更有效，并且应该在这种非线性假设的基础上引入DYC的控制定律。此外，我们在这里指出，4WS和DYC的集成/协调控制应该是一个有前途的控制策略，使我们有更高的车辆操纵限制性能和一个合理的控制规律的整合/协调。在这方面，我们也强调，有必要在对车辆动力学和轮胎基础上进一步审查控制规律。我们认为，在本研究领域中，非线性特性的处理将是最重要的问题，并且对于预期控制足够精确的估计或测量轮胎与路面之间的车辆侧滑角和摩擦系数都是底盘控制的关键技术之一。

3 基于传输功率的车载自组织网络紧急信息传播技术[3]

3.1 主要目的和主要原理

随着车辆数量的增加，广播已经成为车辆自组织网络（VANET）最重要的一部分。为了避免交通堵塞和事故，紧急信息将被传输到网络中的所有车辆。然而，当VANET受到不同类型的攻击时，需要对系统进行保护需求，如消息的机密性，可靠性和以及相应的验证。如果验证程序能够通过较少的复杂性，较短的验证延期和密钥的透明性来精确地区分谈判节点，则认为验证过程是合格的。本文预测了面向集群的VANET信任的验证格式。同时介绍了预测方案与现有程序对比。

3.2 结论

首先，我们要建立仿真模型以及设定参数。我们使用NS-2来解释VANET的信任认证技术（TBAT）。通过仿真构建拓扑结构。它包含两个人群，每个人群由三条车道组成。组头和网关节点相应地以蓝色和红色显示。我们还揭示了用于应用预测的危机广播设计，还描述了在再现阶段中与群集建立时间一起形成的不同数量的群集。网络面积测量为1500*1500米，网络区域包含的不同节点通过二代集群建立算法分成多个集群。消息广播系统在紧急情况下的性能通过将簇大小从2改变到20。所提出的方法被分析为各种协议，例如AODV，DSR和DSDV。此外我们还参考了各种评定标准。如在SHWM中用于各种协议和标准的广播时间；曼哈顿广播时间模型的各种协议和标准；高速公路模型中广播时间的多种协议和标准；以及在SHWM，曼哈顿，AODV协议标准802.11P高速公路模型中的广播时间。

4 不确定性条件下主动道路车辆悬架的模糊算术控制器设计[4]

4.1 主要目的和主要原理

本文提出了一种设计主动道路车辆悬架的鲁棒控制器的方法。不同于传统的鲁棒控制技术，模糊数学方法用于配置一个所谓的天棚阻尼器。所提出的方法是基于随机车辆激励的四分之一汽车模型的协方差分析。由此产生的控制器提高了驾驶舒适性和安全性，并增加了对不确定性的鲁棒性。模糊算术方法允许将固有的不确定性参数附加到控制器的设计中。此外，一个可能的敏感度分析用于评估不确定参数对控制质量的影响，从而为设计过程提供有用的信息。

4.2 结论

本文分别采用协方差分析和模糊数学方法对参数不确定性进行处理。目标是根据不确定性分析提供的信息来解决悬架系统的设计冲突，并在不确定情况下寻找最优增益。此外，基于模糊灵敏度分析解释了参数不确定性对结果的影响，为设计过程提供了有用的信息。目前，被动和主动悬架系统的协方差分析一直是研究的对象。模糊算法不确定性建模允许建立包括模糊值参数而不是传统模型中的脆值参数的各种来源的不确定性从而建立更全面的系统模型，而且它已成功地应用于多体系统的分析。与常规设计和最坏情况间隔考虑相比，所确定的最佳增益值增加了舒适性和安全性以及对不确定性的稳健性。根据灵敏度分析显示，轮胎刚度对最终控制器增益的影响最大，同时强调了所提出的鲁棒设计的必要性。所提出的模糊算术控制器设计尚不能保证稳定性，稳定性的证明必须在去模糊增益的基础上随后进行。然而，这种方法的一个优点是，可以在每个已经建立的稳定性定理的基本上应用模糊参数化的闭环系统，以便导出适当的稳定裕度。

5 基于行人的车内警报建模[5]

5.1 主要目的和主要原理

建立驾驶员与行人之间的时间交互的碰撞模型。尽管目前所检测的模型中没有一个涵盖驾驶员对警报系统接受程度的，多是在长期使用过程中建立对系统的信任度和适应度，但根据评估显示，大多数现有的碰撞驾驶员行为模型中不包括背景因素。相反，他们则强调了碰撞时间（TTC）。如果两个目标的路线和速度都保持不变，TTC就是衡量危险程度的一个重要指标。我们建立了两个模型，第一个模型中，我们利用来自74名参与者的数据，开发了一种驾驶者接受警报的模型。该模型评估了2013年FOT期间记录的300名行人遇到的紧急情况，该系统对潜在危险的行人相遇发出警报。在第二个模型中，我们使用来自35个不同参与者的数据来验证模型，评估了2012年FOT中57个不同的行人相遇。

5.2 结论

同时，我们也分析了驾驶员对这两个模型所带来风险的看法。两个数据集中的每个剪辑都显示一个行人，在剪辑结束时，行人在正常车载传感器（前方11-89米）的范围内。其中，行人的横向位置在车辆左侧8米和右侧10米（右侧驾驶条件）之间。车速则控制在8到110公里之间变化，TTA的范围是0.7-12.1秒。驾驶员可以合理地预期在视频剪辑中呈现的许多或所有情况中考虑行人，因为行人的未来路径是不确定的而不受限制的。该研究显示了如何在受控的实验室研究中利用FOT数据来警示行人提醒标准的发展。使用实际行人相遇的评级来设计警示策略应该引起对驾驶员的注意，同时对于如何从驾驶场景中提取信息以指导他们的行为进行更深入的指导。我们的分析支持这样的假设，即驾驶员用于风险评估的感知线索可能主要由行人位置和运动组合组成的基本情境因素组成。

6 自适应杆位控制策略在主动转向安全系统中的应用[6]

6.1 主要目的和主要原理

本文研究了自适应控制策略的设计，调整主动转向系统以获得更好的驾驶性能和可操作性。第一步采用自适应控制策略对在线不确定参数（如转弯刚度）进行估计，然后将估计的参数值输入极点配置控制器，产生修正的反馈增益，提高转向系统的动态特性。我们将对三种路况（干，湿，冰）进行模拟评估，并将自适应极点配置控制（APPC）的性能与极点配置控制（PPC）和被动系统进行比较。结果表明，APPC策略显著提高了模型的横摆角速度和侧滑角。

6.2 结论

APPC是通过整合PPC策略和参数估计（在每个时间步骤）来计算自适应极点放置增益而开发的。在所有情况下（干路，湿路和冰路），由于系统的正弦输入（干扰），有源系统的性能显著高于无源系统，以抑制振荡。而且，自适应主动系统（APPC）比主动系统（PPC）能够更好地工作。车辆模型的侧滑角以及偏航率证明了APPC策略的优点，以提高车辆的主动安全性干扰（例如滑动或旋转）。在本文中，主动转向系统的动态模型已经制定和导出。并已经通过使用梯度算法来估计不确定参数（前角和后角刚度）。PPC策略用于产生反馈增益，以改善所提出的模型的动态性能（例如，减小偏航角速度和侧滑角）。在提出的APPC中，所估计的参数被馈送到PPCbox以在每个时间步骤产生反馈增益。仿真在MATLAB/Simulink中生成，结果显示了正弦转向角作为系统的输入，可用于三种类型的路况（干，湿和冰）。而且在所有情况下，APPC系统的性能都优于PPC，并且明显好于无源系统。

7 一种基于自主智能驾驶的智能车模型[7]

7.1 主要目的和主要原理

自动驾驶汽车是未来智能汽车的一部分。虽然目前的技术还未能完全达到自动驾驶的要求，但是目前大部分的车厂都在大力推广智能汽车。我们提出了一个智能车模型，以使用更安全的方法来减少事故的发生。该方法是基于现有的交通规则，并通过培训驾驶员对智能汽车的安全行为而开发的。每辆智能车都包括两个主要组件。第一个部分是通过无线方式从周围环境中获取信息的传感器，以及通过其他车辆（如天气，新闻等通过互联网）捕获的信息。

7.2 结论

第二个组件是智能计算组件（ICM），用于处理信息并对SCA行为进行建模。在这里，我们简要描述SCA的物理特征，以便更好地理解与计算组件的相互作用。SCA输入来自传感器和与其他SCA的无线通信以及驱动程序。SCA输出则是其他SCA的状态包和驱动程序的信息（视觉语言，其他）。SCA是计算组件的物理主机，并构成了整个基础架构中的一个代理节点。SCA执行的子任务是：1.处理信息并定义其当前状态；2.根据移动对象的行为预测未来状态；3.为安全原因谈判立场；4.学习其他车辆的行为模式；5.与其他车辆的信息交换。ICM组件将处理作为基于SCA的自主智能代理开发过程中涉及的重要问题（如表示，适应，预期，构建和学习）。然而，ICM组件的关联和接口为SCA建模的操作和决策提供了便利。

8 智能车辆：具有自适应时域的混合非线性预测控制器[8]

8.1 主要目的和主要原理

本文重点研究了汽车运动预测控制的优化算法，该算法既能解决混合动力汽车动力学问题，又能解决混合最小化问题。本文所开发的哈密尔顿切换混合非线性预测控制算法不是用于求解计算量大的非线性混合规划问题，而是将混合信息直接纳入到优化程序中。为了减少时间复杂度，提出了几种自适应预测时域方法，其中一些方法表明它们保持了汽车的机动性能。

8.2 结论

预测时域是指定计算复杂性与最优性之间折衷的关键参数之一。在汽车运动的情况下，自适应预测时域的想法会非常自然地产生，车速越高，就会需要更长的时间距离满意地处理汽车控制问题并且遵循轨道约束。这里提出了基于线性和对数的预测水平方法。他们的结果表明，虽然线性预测的时域与常量预测范围相比改善了计算负担，但它们可能无法提供可接受的安全需求满意度。而这是由基于线性和对数的预测水平方法克服的，这也是显示了帕累托最优解的多个评估标准。基于该方法的控制器与商业上可用的MINLP求解器比较提供了相同的预测范围，这表明只需要MINLP求解器计算时间的一小部分，就会具有相同的性能。根据详细的灵敏度分析结果，证明了基于该方法的控制器相对于各种系统参数的稳健性，还使得其他性能有所增强，同时也可以进一步提高算法的鲁棒性和整体功能。

9 智能停车系统的意识分析[9]

9.1 主要目的和主要原理

近些年来，由于智能汽车的发展，智能停车系统也有了较大的发展。智能停车系统是智能泊车技术的新想法，通过借助于一些智能设备，如相关传感器，LCD，照相机等将车辆引导到指定的停车位。作为未来智能城市应用的典型组成部分，智能停车场（SCP）在物联网（IoT）中扮演着一个重要的角色。SCPS主要用于集中解决停车管理问题。尽管目前在停车场管理方面投入了大量精力，但是应该将重心从停车位规划转移到网关的传感器问题上，比如，可以在停车场中设置指纹扫描仪检测和相应传感器设备用于降低车辆被盗的风险。

9.2 结论

为了更好的理解基于物联网的SCPS意识，我们进行了实证调查。调查如何在一个样本人群内实施该技术。应用的第一步是找出用户（司机）在停车场停车时所特有的问题。调查结果表明司机面临的问题主要是在停车过程中耗费时间过多，通常导致停车场的交通拥堵。同时在这项工作中，也询问了个人司机是否有接受SCPS的新技术的意愿。结果表明百分之85的司机愿意尝试。采用描述性统计和方差分析的方法进行数据分析，用于确定参与者对SCPS的看法，所有分析均使用SPSS20进行。接着，建立智能车架模型，这里建立的是一个4层的车架，每个车架有5个停车位。相当于在仅能够停5辆车的车位上停了20辆车，这样就大大减小了车位的紧张问题。然而，目前对于车架的强度要求方面还处在实验阶段。但是相信未来智能停车场会实现广泛地应用。

[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]Källhammer 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]Pčolka M,Žáčeková E,Čelikovsky′S,et al.Toward a Smart Car：Hybrid Nonlinear Predictive Controller With Adaptive Horizon[J].IEEE Transactions on Control Systems Technology,2017.