本書由四個(gè)部分組成。第一個(gè)部分駕駛員風(fēng)格和意圖的研究，主要進(jìn)行不同駕駛員風(fēng)格和意圖的識(shí)別方法研究，這是實(shí)現(xiàn)智能汽車個(gè)性化控制的基礎(chǔ)；第二個(gè)部分發(fā)動(dòng)機(jī)瞬態(tài)油耗模型的研究，著眼于建立高精度的發(fā)動(dòng)機(jī)瞬態(tài)油耗模型，這是提高燃油車和混合動(dòng)力車燃油經(jīng)濟(jì)性的基礎(chǔ)；第三個(gè)部分是高實(shí)時(shí)性動(dòng)態(tài)規(guī)劃方法的研究，各種新方法在保持計(jì)算精度基本不變的前提下，計(jì)算時(shí)間只有常規(guī)動(dòng)態(tài)規(guī)劃的10%左右，為動(dòng)態(tài)規(guī)劃的實(shí)時(shí)應(yīng)用提供了可能；第四個(gè)部分是不同的汽車個(gè)性化控制系統(tǒng)的實(shí)現(xiàn)，既有車輛坡道行駛的個(gè)性化駕駛策略，也有基于駕駛風(fēng)格的緊急制動(dòng)策略以及基于駕駛風(fēng)格和意圖的預(yù)測巡航控制策略。
更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。
目錄
前言
第一篇 駕駛員風(fēng)格和駕駛意圖的研究
第1章 基于自監(jiān)督對(duì)比學(xué)習(xí)的駕駛風(fēng)格識(shí)別 3
1.1 數(shù)據(jù)來源 3
1.2 自監(jiān)督對(duì)比學(xué)習(xí)模型 4
1.2.1 基于SimCLR算法的高維特征變量生成 4
1.2.2 基于SCAN算法的駕駛風(fēng)格分類 7
1.3 風(fēng)格識(shí)別結(jié)果及分析 9
1.3.1 數(shù)據(jù)預(yù)處理及模型訓(xùn)練 9
1.3.2 自監(jiān)督對(duì)比學(xué)習(xí)算法的結(jié)果驗(yàn)證 11
1.4 多時(shí)間段駕駛風(fēng)格數(shù)據(jù)融合 18
1.4.1 在線識(shí)別測試條件 18
1.4.2 風(fēng)格數(shù)據(jù)融合模型 19
1.4.3 融合結(jié)果 22
第2章 基于逆強(qiáng)化學(xué)習(xí)的駕駛風(fēng)格識(shí)別 24
2.1 最大熵逆強(qiáng)化學(xué)習(xí) 24
2.2 軌跡生成和特征選取 26
2.3 遠(yuǎn)近距離跟車模式 28
2.4 激進(jìn)因子與結(jié)果分析 30
2.5 綜合自監(jiān)督對(duì)比學(xué)習(xí)和逆強(qiáng)化學(xué)習(xí)的風(fēng)格識(shí)別 33
第3章 基于BILSTM-CNN的駕駛意圖識(shí)別 36
3.1 換道及跟車行為分析 36
3.1.1 換道過程分析 36
3.1.2 換道行為分類 37
3.1.3 跟車行為分析 38
3.2 基于BILSTM-CNN的識(shí)別模型 38
3.2.1 長短期記憶網(wǎng)絡(luò) 38
3.2.2 雙向長短期記憶網(wǎng)絡(luò) 40
3.2.3 卷積神經(jīng)網(wǎng)絡(luò) 41
3.2.4 模型框架 42
3.3 試驗(yàn)分析驗(yàn)證 43
3.3.1 數(shù)據(jù)準(zhǔn)備 43
3.3.2 試驗(yàn)設(shè)置與模型訓(xùn)練 46
3.3.3 試驗(yàn)結(jié)果分析 49
第二篇 發(fā)動(dòng)機(jī)瞬態(tài)油耗模型的研究
第4章 車輛瞬態(tài)油耗模型優(yōu)化 57
4.1 建模數(shù)據(jù)來源及模型結(jié)構(gòu) 57
4.1.1 建模數(shù)據(jù)來源 57
4.1.2 數(shù)據(jù)預(yù)處理 58
4.2 待優(yōu)化模型結(jié)構(gòu)及分析 59
4.2.1 BIT-TFCM-1瞬態(tài)油耗模型 59
4.2.2 BIT-TFCM-2瞬態(tài)油耗模型 60
4.2.3 模型的預(yù)測及不足 60
4.3 模型的優(yōu)化 61
4.3.1 運(yùn)算速度優(yōu)化 61
4.3.2 運(yùn)算精度優(yōu)化 63
4.4 優(yōu)化模型的驗(yàn)證 64
4.4.1 分塊插值算法的驗(yàn)證 65
4.4.2 整體模型運(yùn)算速度驗(yàn)證 67
4.4.3 整體模型運(yùn)算精度驗(yàn)證 67
第5章 基于相關(guān)性分析的高精度瞬態(tài)油耗模型 70
5.1 建模數(shù)據(jù)與建模方法 70
5.1.1 建模數(shù)據(jù) 70
5.1.2 建模數(shù)據(jù)預(yù)處理 72
5.1.3 建模方法 75
5.1.4 建模數(shù)據(jù)分析 75
5.2 穩(wěn)態(tài)模塊的建立 79
5.2.1 穩(wěn)態(tài)模塊基礎(chǔ)結(jié)構(gòu) 79
5.2.2 穩(wěn)態(tài)模塊結(jié)構(gòu)優(yōu)化 80
5.2.3 穩(wěn)態(tài)模塊檢驗(yàn) 81
5.3 瞬態(tài)修正模塊的建立 81
5.3.1 瞬態(tài)修正模塊數(shù)據(jù)分析 82
5.3.2 瞬態(tài)修正模塊結(jié)構(gòu)及簡構(gòu)優(yōu)化 83
5.4 瞬態(tài)油耗模型的檢驗(yàn) 85
5.4.1 模型性能表現(xiàn) 85
5.4.2 模型性能對(duì)比 86
第6章 基于BP神經(jīng)網(wǎng)絡(luò)的瞬態(tài)油耗模型 90
6.1 油耗模型數(shù)據(jù)及數(shù)據(jù)預(yù)處理 90
6.2 基于BP神經(jīng)網(wǎng)絡(luò)的油耗模型建模 92
6.2.1 穩(wěn)態(tài)估計(jì)模塊的構(gòu)建 92
6.2.2 新的瞬態(tài)修正模塊 92
6.3 新油耗模型的驗(yàn)證 95
6.3.1 瞬態(tài)修正模塊作用的驗(yàn)證 95
6.3.2 新油耗模型精度的驗(yàn)證 96
第7章 基于支持向量回歸的瞬態(tài)油耗模型 98
7.1 數(shù)據(jù)驅(qū)動(dòng)型油耗模型介紹 98
7.2 建模數(shù)據(jù)與數(shù)據(jù)預(yù)處理 99
7.2.1 建模數(shù)據(jù) 99
7.2.2 數(shù)據(jù)預(yù)處理 99
7.3 瞬態(tài)油耗模型 99
7.3.1 SVR 模型 100
7.3.2 穩(wěn)態(tài)初估模塊 101
7.3.3 瞬態(tài)修正模塊 102
7.4 模型性能驗(yàn)證及對(duì)比 107
7.4.1 模型性能驗(yàn)證 107
7.4.2 模型性能對(duì)比 108
第三篇 高實(shí)時(shí)性的動(dòng)態(tài)規(guī)劃方法研究
第8章 迭代動(dòng)態(tài)規(guī)劃算法與計(jì)算效率 113
8.1 經(jīng)典動(dòng)態(tài)規(guī)劃算法 113
8.1.1 車輛起步經(jīng)濟(jì)性駕駛策略 114
8.1.2 車輛坡道行駛經(jīng)濟(jì)性駕駛策略 116
8.1.3 計(jì)算復(fù)雜度分析 122
8.2 迭代動(dòng)態(tài)規(guī)劃算法 124
8.3 改進(jìn)迭代動(dòng)態(tài)規(guī)劃算法 128
8.4 計(jì)算效率驗(yàn)證 129
第9章 動(dòng)態(tài)規(guī)劃和群體智能優(yōu)化算法融合的規(guī)劃方法 132
9.1 坡道行駛經(jīng)濟(jì)性車速軌跡研究問題描述 132
9.2 基于動(dòng)態(tài)規(guī)劃的坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃 135
9.3 動(dòng)態(tài)規(guī)劃和人工蜂群算法融合的規(guī)劃方法 137
9.3.1 人工蜂群算法原理 137
9.3.2 動(dòng)態(tài)規(guī)劃和人工蜂群算法融合 138
9.4 動(dòng)態(tài)規(guī)劃和粒子群算法融合的規(guī)劃方法 139
9.4.1 粒子群算法原理 139
9.4.2 動(dòng)態(tài)規(guī)劃和粒子群算法融合 141
9.5 融合方法規(guī)劃效果驗(yàn)證 141
9.5.1 平直道路行駛時(shí)的最優(yōu)經(jīng)濟(jì)車速 141
9.5.2 規(guī)劃效果驗(yàn)證 143
第10章 基于自適應(yīng)動(dòng)態(tài)規(guī)劃的坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃 151
10.1 自適應(yīng)動(dòng)態(tài)規(guī)劃 151
10.2 基于ADP的坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃 154
10.2.1 ADHDP評(píng)價(jià)網(wǎng)及權(quán)值更新 154
10.2.2 ADHDP動(dòng)作網(wǎng)及權(quán)值更新 156
10.2.3 坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃 157
10.3 基于改進(jìn)ADP的坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃 159
10.4 規(guī)劃效果驗(yàn)證 160
10.4.1 基于ADP的坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃效果驗(yàn)證 160
10.4.2 基于改進(jìn)ADP的坡道行駛經(jīng)濟(jì)性車速軌跡規(guī)劃效果驗(yàn) 161
10.4.3 多種規(guī)劃方法綜合比較 163
10.4.4 多坡道規(guī)劃方法效果驗(yàn)證 165
第四篇 智能車輛的個(gè)性化控制
第11章 車輛坡道個(gè)性化駕駛策略研究 171
11.1 個(gè)性化特征研究 171
11.1.1 駕駛數(shù)據(jù)采集 171
11.1.2 個(gè)性化特征提取 172
11.1.3 主成分的數(shù)學(xué)原理 173
11.1.4 基于第一主成分的駕駛員劃分 176
11.2 行駛性能指標(biāo)函數(shù) 180
11.3 權(quán)重因子設(shè)計(jì) 181
11.3.1 主客觀權(quán)重設(shè)計(jì) 182
11.3.2 主客觀權(quán)重融合 184
11.4 基于動(dòng)態(tài)規(guī)劃的個(gè)性化駕駛策略 187
11.5 個(gè)性化駕駛策略驗(yàn)證 191
11.5.1 1km虛擬道路仿真驗(yàn)證 191
11.5.2 真實(shí)道路仿真驗(yàn)證 195
第12章 基于駕駛風(fēng)格的AEB策略優(yōu)化 198
12.1 緊急制動(dòng)開始時(shí)刻數(shù)據(jù)的提取 198
12.2 個(gè)性化的AEB策略 199
12.2.1 基準(zhǔn)策略線 200
12.2.2 長短期記憶模型 201
12.2.3 縱向相對(duì)速度預(yù)測模型 201
12.2.4 三種駕駛員的AEB策略 206
12.3 個(gè)性化的AEB實(shí)驗(yàn) 207
12.3.1 仿真測試模型 208
12.3.2 個(gè)性化AEB策略在自然駕駛數(shù)據(jù)試驗(yàn)中的驗(yàn)證 209
12.3.3 個(gè)性化AEB策略在Euro-NCAP試驗(yàn)中的驗(yàn)證 214
第13章 基于個(gè)性化的縱向預(yù)測巡航控制研究 219
13.1 基于駕駛風(fēng)格的安全車距策略 219
13.2 基于BILSTM的車輛速度預(yù)測 220
13.3 基于模型預(yù)測的巡航控制器設(shè)計(jì) 222
13.4 瞬態(tài)油耗模型設(shè)計(jì) 224
13.5 仿真研究 225
13.5.1 聯(lián)合仿真模型 225
13.5.2 仿真結(jié)果分析 226
參考文獻(xiàn) 231
彩圖
書單推薦
