基于驾驶特性的超车模型研究论文

社会的因素，个人因素，金钱因素，去的地方因素，办事情的因素，这些因素都会影响。

对自动驾驶技术都不相信，经常出现的汽车故障，汽车的安全性能，对人体的保护，这些都是影响自动驾驶汽车的因素。

随着人们生活水平的不断提高，汽车已越来越多地进入普通百姓的家中，汽车在给我们的日常生活带来方便、快捷的同时，也存在着潜在的危险。交通事故每天都在重复地上演，据了解我国每年因交通事故死亡的人数已经突破10万，令人触目惊心。交通事故离我们有多远？为什么屡见不鲜？有没有杜绝的办法？我们不能只停留在千万次的问，每一名汽车驾驶员在开车上路之前，不但要掌握交通法律法规及汽车机械常识，更要了解安全行车常识，因为，这是减少交通事故不可或缺的重要环节。一、自觉遵守“交法”道路交通安全法是用来规范驾驶员的行为，以确保交通安全及车辆行驶畅通为目的。道路交通安全法大部分是用血的教训换来的，驾驶员遵守交通法规是为了行车安全，而不是为了做给交通警察看。如果每一个汽车驾驶员都能够认识到这一点，那么，遵守交通法规就真正成为了自觉的行动。然而，有相当一部分汽车驾驶员并做不到自觉遵守交通法规，在没有交通警察或电子眼监控的路面，超速行驶闯红灯的现象可以说是屡见不鲜。恰恰就是因为这些人对交通法规的漠视，不但保证不了自身的安全，还使很多无辜者惨遭不幸。为了您和他人的安全，请您自觉遵守道路交通安全法。二、熟练掌握“机常”熟练掌握机械常识对行车安全是非常必要的，但大部分人认为，我会开车就行了，学那么多有什么用。常言道：艺不压身。多学一些知识不会成为自己的负担，相反，在驾车中会减少一分危险、增添一分自信。其实，只是希望大家能够掌握一些机械常识，并不是让人人都成为汽车理论或故障分析专家。比如说，如果你知道刹车的工作原理，在刹车时刹车片与刹车盘或刹车鼓摩擦产生阻力，从而降低车辆行驶速度直至完全停止运动。在这个过程中刹车片与刹车盘或刹车鼓摩擦产生阻力的同时，也产生大量热能，尤其是车辆在下长坡时，如果长时间踩刹车就会使刹车系统过热，导致刹车失灵或起火。如果掌握这些知识就不会犯一些常识性错误，下长坡采用点刹或降低挡位的办法，不使用空挡滑行，随时保持正确的操作与合理的车速，才能确保行车安全。三、集中精力驾驶《北京市实施<中华人民共和国道路交通安全法>办法》中 第九十七条规定，驾驶机动车有下列情形之一的，处200元罚款：（一）拨打、接听电话、观看电视的；……（三）连续驾驶超过4个小时，未停车休息或者停车休息时间少于20分钟的；以上的规定目的是使驾驶员保持充沛的精力，集中精力驾驶，这是确保行车安全的重要措施。但很多驾驶员总是不以为然，自认为没事，还有的认为这是小题大做，这都是非常错误的观念。因为精力不集中所发生的惨剧已不胜枚举，在这些惨痛的交通事故案例中，难道还不能让我们吸取教训吗？说实话别说是开车，就是骑车或走路，交通安全的警钟在我的心中就从来没有停止过鸣响。我时常告戒自己：行车万里事故出在一米。就是说，无论你有多长的驾龄，也无论你驾驶经验多么丰富，只要你有一时的疏忽，事故就很可能发生。四、增强“职德”意识开车上路应该具备最起码的职业道德，那就是安全礼让，这一点对安全行驶是非常重要的，但相当一部分驾驶员好像很难做到。好胜心理严重，认为自己的车比你好，自己的技术比你高，我凭什么就应该让你？殊不知这种互不相让的错误心理，往往是造成交通堵塞甚至发生交通事故的根源。其实，交通事故率的上升，不应该与车辆的增长成正比，而是与驾驶员的守法意识、驾驶技术以及职业道德水准息息相关。我开车的时候从不逞强，总在告戒自己，别以为自己驾驶经验丰富就与别人争道抢行，每一个驾驶员都是我们的兄弟姐妹，在给他们带来方便的同时，自己也同样会得到方便。绝不能将“狭路相逢勇者胜”的精神用在行车中。五、预防追尾措施车辆追尾的事故每天都在上演，而且在整个交通事故案例中占了相当大的比例，应该引起我们的重视。分析追尾事故的原因，由于刹车失灵造成的占极少的比例，大部分都是因为精神不集中或跟车距离过近造成的。每一名汽车驾驶员开车上路，最起码应该知道自己车子在不同情况下的刹车距离，尤其要根据不同车速、不同路面的情况随时调整与前车的距离，绝不能盲目过近跟车。现在车辆追尾时常发生穿“糖葫芦”的现象，三、四辆是常事，有时十几辆甚至几十辆，原因很简单，就是跟车距离太近。尤其是能见度不高、雨雪天气或下坡路面更要与前车保持足够的安全距离，确保行车安全。防止被追尾也是不可忽视的问题，往往由于后车跟车过近，前车急刹车造成被追尾，虽然是后车的责任，但事故发生了，带来的麻烦自不必说。为了避免此类事情的发生，关键尽量不要踩急刹车，提前分析情况，提前采取措施，刹车就不会太急。发现后车跟车过近，更要加倍小心，此时急刹车十有八九被追尾。在能见度比较低的情况下，一定要将示宽灯（小灯）打开，以便后方车辆提前看到，也是避免被追尾的防范措施

1、共享自动驾驶汽车是智能交通和绿色交通的重要方向之一，但其相关研究还不够。影响用户使用共享自动驾驶汽车意愿的因素及其作用机制有待进一步分析。因此，本文首先介绍了意义知识风险、服务质量和社会影响是三个潜在变量，构建了一个扩展的技术接受模型。然后将扩展技术接受模型将潜在变量、个体社会经济属性变量和M线模式属性变量整合到多个logit模型中构建选择模型，用户共享自动驾驶汽车的驾驶概率的意愿用于衡量用户使用共享自动驾驶汽车的意愿。最后，基于SP调制核对数据校准模型参数，得到潜变量关系和关键影响因素，通过弹性分析研究关键因素对用户使用意愿的影响。

2、有学者研究了公众对自动驾驶汽车的共享。发现驾驶体验时长与自动驾驶不同驾驶技术和驾驶安全的认知水平会影响用户等。发现影响自动驾驶网约车海陵使用意愿最直接的因素是自动驾驶汽车感知有用性、旅行者的偏好、网约车打车习惯。

3、自动驾驶技术研究中的安全性是公众关注的焦点第一个要素是公众共享自动驾驶汽车的意愿。它经常受到感知风险“12”的影响。以前的研究引用了感知风险等变量增强了模型的解释力，但没有检验考虑共享自动驾驶汽车的产品服务特点和用户该模型是根据社会偏好进行优化的。同时，共享自动驾驶汽车涉及共享服务，其服务质量会影响消费者满意度愿意使用共享平台。

4、基于此，本研究结合享受自动驾驶汽车的技术特性、服务特性和用户特性。社会偏好、引入感知风险变量、服务质量变量和社会影响变量深入分析用户使用共享自我的影响驾驶意愿的影响因素及其机制，减少使用共享自动驾驶车辆行程成本制定交通和共享自动驾驶汽车的优惠政策降低一定的道路交通费，降低其使用成本共享自动驾驶整车平台合理定价，保障生产性能在安全合规的前提下降低成本。相关管理部门应当共享自动驾驶车辆消费监管系统，保障消费的合法权益。

自动驾驶是汽车行业新一轮的技术革命，推动着传统汽车行业快速转型升级，是未来汽车的发展趋势。自动驾驶技术有利于改善汽车交通安全、提高交通运输效率、实现节能减排、促进产业转型等。《中国制造2025》规划中已将智能网联汽车列入未来十年国家智能制造发展的重点领域，明确指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术，到2025年要掌握自动驾驶总体技术及各项关键技术。本文将介绍自动驾驶等级分类标准、自动驾驶软硬件架构图以及自动驾驶涉及到的关键技术等。 美国汽车工程师协会根据汽车智能化程度将自动驾驶分为L0-L5共6个等级：其中L0为无自动化（No Automation， NA），即传统汽车，驾驶员执行所有的操作任务，例如转向、制动、加速、减速或泊车等；L1为驾驶辅助(Driving Assistant， DA)，即能为驾驶员提供驾驶预警或辅助等，例如对方向盘或加速减速中的一项操作提供支持，其余由驾驶员操作；L2为部分自动化（Partial Automation，PA），车辆对方向盘和加减速中的多项操作提供驾驶，驾驶员负责其他驾驶操作；L3为条件自动化（Conditional Automation，CA），即由自动驾驶系统完成大部分驾驶操作，驾驶员需要集中注意力以备不时之需；L4为高度自动化（High Automation，HA），由车辆完成所有驾驶操作，驾驶员不需要集中注意力，但限定道路和环境条件；L5为完全自动化（Full Automation， FA），在任何道路和环境条件下，由自动驾驶系统完成所有的驾驶操作，驾驶员不需要集中注意力。 自动驾驶汽车的软硬件架构如图2所示，主要分为环境认知层、决策规划层、控制层和执行层。环境认（感）知层主要通过激光雷达、毫米波雷达、超声波雷达、车载摄像头、夜视系统、GPS、陀螺仪等传感器获取车辆所处环境信息和车辆状态信息，具体来说包括：车道线检测、红绿灯识别、交通标识牌识别、行人检测、车辆检测、障碍物识别和车辆定位等；决策规划层则分为任务规划、行为规划和轨迹规划，根据设定的路线规划、所处的环境和车辆自身状态等规划下一步具体行驶任务（车道保持、换道、跟车、超车、避撞等）、行为（加速、减速、转弯、刹车等）和路径（行驶轨迹）；控制层及执行层则基于车辆动力学系统模型对车辆驱动、制动、转向等进行控制，使车辆跟随所制定的行驶轨迹。 自动驾驶技术涉及较多的关键技术，本文主要介绍环境感知技术、高精度定位技术、决策与规划技术和控制与执行技术。 环境感知指对于环境的场景理解能力，例如障碍物的类型、道路标志及标线、行车车辆的检测、交通信息等数据的语言分类。定位是对感知结果的后处理，通过定位功能从而帮助车辆了解其相对于所处环境的位置。环境感知需要通过传感器获取大量的周围环境信息，确保对车辆周围环境的正确理解，并基于此做出相应的规划和决策。 自动驾驶车辆常用的环境感知传感器包括：摄像头、激光雷达、毫米波雷达、红外线和超声波雷达等。摄像头是自动驾驶车辆最常用、最简单且最接近人眼成像原理的环境感知传感器。通过实时拍摄车辆周围的环境，采用CV技术对所拍摄图像进行分析，实现车辆周围的车辆和行人检测以及交通标志识别等功能。摄像头的主要优点在于其分辨率高、成本低。但在夜晚、雨雪雾霾等恶劣天气下，摄像头的性能会迅速下降。此外摄像头所能观察的距离有限，不擅长于远距离观察。毫米波雷达也是自动驾驶车辆常用的一种传感器，毫米波雷达是指工作在毫米波段（波长1-10 mm ，频域30-300GHz）的雷达，其基于ToF技术（Time of Flight）对目标物体进行检测。毫米波雷达向外界连续发送毫米波信号，并接收目标返回的信号，根据信号发出与接收之间的时间差确定目标与车辆之间的距离。因此，毫米波雷达主要用于避免汽车与周围物体发生碰撞，如盲点检测、避障辅助、泊车辅助、自适应巡航等。毫米波雷达的抗干扰能力强，对降雨、沙尘、烟雾等离子的穿透能力要比激光和红外强很多，可全天候工作。但其也具有信号衰减大、容易受到建筑物、人体等的阻挡，传输距离较短，分辨率不高，难以成像等不足。激光雷达也是通过ToF技术来确定目标位置与距离的。激光雷达是通过发射激光束来实现对目标的探测，其探测精度和灵敏度更高，探测范围更广，但激光雷达更容易受到空气中雨雪雾霾等的干扰，其高成本也是制约其应用的主要原因。车载激光雷达按发射激光束的数量可分为单线、4线、8线、16线和64线激光雷达。可以通过下面这个表格（表1），对比主流传感器的优势与不足。 自动驾驶环境感知通常采用“弱感知+超强智能”和“强感知+强智能”两大技术路线。其中“弱感知+超强智能”技术是指主要依赖摄像头与深度学习技术实现环境感知，而不依赖于激光雷达。这种技术认为人类靠一双眼睛就可以开车，那么车也可以靠摄像头来看清周围环境。如果超强智能暂时难以达到，为实现无人驾驶，那就需要增强感知能力，这就是所谓的“强感知+强智能”技术路线。相比“弱感知+超强智能”技术路线，“强感知+强智能”技术路线的最大特征就是增加了激光雷达这个传感器，从而大幅提高感知能力。特斯拉采用“弱智能+超强智能”技术路线，而谷歌Waymo、百度Apollo、Uber、福特汽车等人工智能企业、出行公司、传统车企都采用“强感知+强智能”技术路线。 定位的目的是获取自动驾驶车辆相对于外界环境的精确位置，是自动驾驶车辆必备的基础。在复杂的地市道路行驶，定位精度要求误差不超过10 cm。例如：只有准确知道车辆与路口的距离，才能进行更精确的预判和准备；只有准确对车辆进行定位，才能判断车辆所处的车道。如果定位误差较高，严重时会造成交通完全事故。GPS是目前最广泛采用的定位方法，GPS精度越高，GPS传感器的价格也越昂贵。但目前商用GPS技术定位精度远远不够，其精度只有米级且容易受到隧道遮挡、信号延迟等因素的干扰。为了解决这个问题，Qualcomm开发了基于视觉增强的高精度定位（VEPP）技术，该技术通过融合GNSS全球导航卫星、摄像头、IMU惯性导航和轮速传感器等多个汽车部件的信息，通过各传感器之间的相互校准和数据融合，实现精确到车道线的全球实时定位。 决策规划是自动驾驶的关键部分之一，它首先是融合多传感器信息，然后根据驾驶需求进行任务决策，接着能够在避开存在的障碍物前提之下，通过一些特定的约束条件，规划出两点之间多条可以选择的安全路径，并在这些路径当中选择一条最优的路径，作为车辆行驶轨迹，那就是规划。按照划分的层面不同，可以分为全局规划和局部规划两种，全局规划是由获取到的地图信息，规划出一条在特定条件之下的无碰撞最优路径。例如，从上海到北京有很多条路，规划处一条作为行驶路线即为全局规划。如栅格法、可视图法、拓扑法、自由空间法、神经网络法等静态路径规划算法。局部规划的则是根据全局的规划，在一些局部环境信息的基础之上，能够避免碰撞一些未知的障碍物，最终达到目的目标点的过程。例如，在全局规划好的上海到北京的那条路线上会有其他车辆或者障碍物，想要避过这些障碍物或者车辆，需要转向调整车道，这就是局部路径规划。局部路径规划的方法包括：人工势场法、矢量域直方图法、虚拟力场法、遗传算法等动态路径规划算法等。 决策规划层是自主驾驶系统，智能性的直接体现，对车辆的行驶安全性和整车起到了决定性的作用，常见的决策规划体系结构，有分层递进式，反应式，以及二者混合式。 分层递进式体系结构，就是一个串联系统的结构，在该系统当中，智能驾驶系统的各模块之间次序分明，上一个模块的输出即为下一模块的输入，因此又称为感知规划行动结构。但这种结构可靠性并不高，一旦某个模块出现软件或者硬件故障，整个信息流就会受到影响，整个系统很有可能发生崩溃，甚至处于瘫痪状态。 反应式体系结构采用并联的结构，控制层都可以直接基于传感器的输入进行决策，因此它所产生的动作就是传感数据直接作用的一个结果，可以突出感知动作的特点，适用于完全陌生的环境。反应式体系结构中的许多行为主要涉及成为一个简单的特殊任务，所以感觉规划控制可以紧密的结合在一块，占用的储存空间并不大，因而可以产生快速的响应，实时性比较强，同时每一层只需要负责系统的某一个行为，整个系统可以方便灵活的实现低层次到高层次的一个过渡，而且如若其中一个模块出现了预料之外的故障，剩下的层次，仍然可以产生有意义的动作，系统的鲁棒性得到了很大的提高，难点在于，由于系统执行动作的灵活性，需要特定的协调机制来解决各个控制回路，同意执行机构争夺之间的冲突，以便得到有意义的结果。 分层递阶式系统的一个结构和反应式体系的结构，都各自有优劣，都难以单独的满足行驶环境复杂多变的使用要求，所以越来越多的行业人士开始研究混合式的体系结构，将两者的优点进行有效的结合，在全局规划的层次上生成面向目标定义的分层式递阶行为，在局部规划的层面上就生成面向目标搜索的反应式体系的行为。 自动驾驶的控制核心技术就是车辆的纵向控制，横向控制，纵向控制及车辆的驱动和制动控制，而横向控制的就是方向盘角度的调整以及轮胎力的控制，实现了纵向和横向自动控制，就可以按给定目标和约束自动控制车运行。 车辆按照纵向控制是在行车速度方向上的控制，即车速以及本车与前后车或障碍物距离的自动控制。巡航控制和紧急制动控制都是典型的自动驾驶纵向控制案例。这类控制问题可归结为对电机驱动、发动机、传动和制动系统的控制。各种电机-发动机-传动模型、汽车运行模型和刹车过程模型与不同的控制器算法结合，构成了各种各样的纵向控制模式。 车辆的横向控制就是指垂直于运动方向的控制，目标是控制汽车自动保持期望的行车路线，并在不同的车速、载荷、风阻、路况下有很好的乘坐舒适和稳定。车辆横向控制主要有两种基本设计方法，一种是基于驾驶员模拟的方法（一种是使用用较简单的动力学模型和驾驶员操纵规则设计控制器；另一种是用驾驶员操纵过程的数据训练控制器获取控制算法）；另一种是给予汽车横向运动力学模型的控制方法（需要建立精确的汽车横向运动模型。典型模型如单轨模型，该模型认为汽车左右两侧特性相同）。 除上述介绍的环境感知、精准定位、决策规划和控制执行之外，自动驾驶汽车还涉及到高精度地图、V2X、自动驾驶汽车测试等关键技术。自动驾驶技术是人工智能、高性能芯片、通信技术、传感器技术、车辆控制技术、大数据技术等多领域技术的结合体，落地技术难度大。除此之外，自动驾驶技术落地，还要建立满足自动驾驶要求的基础交通设施，并考虑自动驾驶方面的法律法规等。 参考文献： 1. 张放. 极限工况下自动驾驶车辆的轨迹规划与运动控制 [博士]: 清华大学; 2018. 2. 陈文强. 基于复杂工况的高精准可预测自动驾驶环境认知方法 [博士]: 清华大学; 2018. 3. 张欣. 无人驾驶感知辅助系统的研究与仿真实现 [硕士]: 北京交通大学; 2019. 4. 陈延真. 无人驾驶环境感知系统及障碍物检测研究 [硕士]: 天津大学; 2018.