智能網(wǎng)聯(lián)汽車作為汽車產(chǎn)品轉(zhuǎn)型升級(jí)的突破口,目前受到主機(jī)廠及零部件廠商越來越多的重視,同時(shí)對智能網(wǎng)聯(lián)汽車中各項(xiàng)關(guān)鍵的技術(shù)也提出了更高的要求。高級(jí)駕駛輔助系統(tǒng)（ADAS）作為智能網(wǎng)聯(lián)汽車最底層的核心技術(shù),主要包含了自動(dòng)緊急制動(dòng)系統(tǒng)（AEB）、自適應(yīng)巡航控制系統(tǒng)（ACC）、車道偏離預(yù)警系統(tǒng)（LDW）、車身穩(wěn)定性控制系統(tǒng)（ESC）等主要子技術(shù)。本文主要針對高級(jí)輔助駕駛中自動(dòng)緊急制動(dòng)系統(tǒng)（AEB）測試評(píng)價(jià)的典型測試場景及聯(lián)合仿真分析問題進(jìn)行了研究。為了能夠獲取具有中國特色的車輛運(yùn)動(dòng)信息、道路環(huán)境信息和弱勢道路使用者的運(yùn)動(dòng)狀態(tài)等信息,本文首先對中國交通事故深入研究（CIDAS）的危險(xiǎn)數(shù)據(jù)庫進(jìn)行分析,然后篩選出適用于我國道路交通的弱勢道路使用者典型事故的工況樣本,最后針對每一例事故工況樣本進(jìn)行了事故重建。通過對事故重建獲取的150例涉及騎行者和50例涉及行人的典型事故工況樣本參數(shù)信息進(jìn)行系統(tǒng)聚類分析,提取出了用于評(píng)價(jià)面向弱勢道路使用者（AEB_VRU）的自動(dòng)緊急制動(dòng)系統(tǒng)的測試場景,建立了相應(yīng)的評(píng)價(jià)方法。利用Prescan搭建了典型測試場景的虛擬交通工況模型,并在Matlab/Si... 

【文章頁數(shù)】：74 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 引言
    1.2 智能網(wǎng)聯(lián)汽車的研究現(xiàn)狀
        1.2.1 國外研究現(xiàn)狀
        1.2.2 國內(nèi)研究現(xiàn)狀
    1.3 自動(dòng)緊急制動(dòng)系統(tǒng)(AEB)測試評(píng)價(jià)方法國內(nèi)外研究現(xiàn)狀
    1.4 本文的主要研究內(nèi)容
第2章 典型危險(xiǎn)工況數(shù)據(jù)庫構(gòu)建與事故重建
    2.1 引言
    2.2 危險(xiǎn)工況數(shù)據(jù)庫
        2.2.1 危險(xiǎn)工況數(shù)據(jù)庫概述
        2.2.2 危險(xiǎn)工況的分類
        2.2.3 典型危險(xiǎn)工況的篩選
    2.3 典型危險(xiǎn)工況事故重建
        2.3.1 基于路面遺留信息的事故重建分析方法
        2.3.2 基于車輛遺留信息的事故重建分析方法
        2.3.3 基于視頻的事故重建分析方法
        2.3.4 基于計(jì)算機(jī)仿真的事故重建分析方法
        2.3.5 事故重建案例分析
    2.4 本章小結(jié)
第3章 典型事故工況測試場景的提取
    3.1 引言
    3.2 聚類分析基本理論
        3.2.1 系統(tǒng)聚類基本概念
        3.2.2 系統(tǒng)聚類計(jì)算過程
    3.3 涉及騎行者的測試場景提取
        3.3.1 聚類分析參數(shù)的選取
        3.3.2 聚類分析過程
        3.3.3 測試場景的提取
    3.4 涉及行人的測試場景提取
        3.4.1 聚類分析參數(shù)的選取
        3.4.2 聚類分析過程
        3.4.3 測試場景的提取
    3.5 本章小結(jié)
第4章 AEB系統(tǒng)測試仿真分析與驗(yàn)證
    4.1 引言
    4.2 Prescan仿真軟件簡介
    4.3 面向弱勢道路使用者的AEB系統(tǒng)測試仿真
        4.3.1 虛擬場景的搭建
        4.3.2 傳感器的加裝
        4.3.3 AEB系統(tǒng)控制模型搭建
        4.3.4 仿真結(jié)果
    4.4 本章小結(jié)
第5章 全文總結(jié)與工作展望
    5.1 全文總結(jié)
    5.2 工作展望
參考文獻(xiàn)
作者簡介及科研成果
致謝



本文編號(hào)：3655555