一、车辆运动模拟器运动参数实时监测系统（论文文献综述）
高会恩[1]（2020）在《电动轿车制动能量回收与防抱死集成控制系统研究》文中指出为配合国家发布的《节能与新能源汽车产业发展规划（2012～2020年）》,加速新能源汽车的技术进步与产业转型,缓解能源与环境压力,同时满足“十一五”规划所提节能减排这一长期战略目标,本文对电动轿车制动能量回收（RBS）与防抱死（ABS）集成控制系统开展相关研究。传统燃油车制动时其动能通过摩擦生热耗散,而电动汽车制动时可利用电机进行再生制动,将制动过程中的动能转化为电能储存于动力电池中,可有效节约能源并提高车辆续航里程。然而,电动汽车的电机制动力矩受多种因素影响,时刻在变化,难以满足任意时刻尤其是车轮抱死后的驾驶员制动需求,因此为了实现能量回收最大化,并保证汽车制动安全性,需要对RBS与ABS两套系统进行集成控制,这给传统制动系统及其控制理论提出了新的挑战。RBS/ABS集成控制系统工作时需要满足三项评价指标,分别为节能性指标、制动感觉指标和安全性指标。三项指标之间既紧密联系,又相互矛盾,为了平衡三者之间的关系,需要解决软硬件架构设计、制动力分配、压力控制等问题。目前国内外各大高校、科研机构及各大车企均对上述问题展开相关研究,并取得一定研究成果,其中国内多处于理论分析及仿真验证阶段,对于关键技术实车量产应用尚有距离,而国外研究起步较早且比较深入,在硬件和软件方面均有较成熟的商业化产品,且控制效果良好。为了满足RBS/ABS集成控制系统项目开发需求,本文对国内外RBS/ABS集成控制系统的相关研究成果进行调研,并针对一汽奔腾牌目标电动轿车进行RBS/ABS集成控制系统关键技术开发,主要研究工作如下:（1）为满足所研究RBS/ABS集成控制系统的性能要求,分别对软件方案和硬件方案进行设计,提出节能性、制动感觉与制动安全性3个评价指标,并从液压控制状态需求的角度对软硬件方案进行分析,证明本文所提软硬件方案的可行性。（2）对RBS/ABS集成控制系统关键部件进行机理分析与试验研究,包括对再生制动系统关键执行部件控制原理及其响应试验的分析和对液压制动系统关键执行部件结构性能及工作特性的分析。（3）利用模块化分层思想,对RBS/ABS集成控制系统控制软件进行层级模块划分,并分别对各层模块涉及的控制算法进行讨论,包括对集成于制动控制器的制动意图识别、制动力分配与防抱死协调控制算法等。（4）针对RBS/ABS集成控制系统底层压力控制问题,提出阶梯压力控制、线性压力控制与主动增压控制3种典型压力控制方法,并对其控制原理、方法特点及应用状态等进行深入研究,最后面向工程实际提出RBS与ABS的轮缸压力估算方法,提高系统控制精度及其容错能力。（5）搭建Simulink/Cruise离线仿真模型,对比分析不同典型循环工况下该系统的节能效果,并搭建半实物仿真试验台架,对所提控制算法的控制效果进行试验验证,最后进行实车道路试验验证。本文对上述内容进行研究分析,得到如下结论:（1）利用课题组现有资源,对传统液压制动系统进行改进,增加踏板模拟装置,可以实现制动主缸与前轴轮缸的单轴解耦,使制动踏板感觉与传统制动系统一致,并尽可能发挥了电机的制动能力。（2）基于驾驶员传统制动习惯,提出以目标前轴需求制动力作为控制目标,制动强度作为实时修正目标的制动力分配算法,使得制动力分配更合理且达到控制效果最优化。提出RBS与ABS协同控制算法,建立RBS系统退出算法,解决系统控制冲突。（3）针对3种典型的压力控制方法,对电磁阀等液压执行元件进行控制,并对其关键参数进行试验标定,同时面向工程对不同制动压力状态进行实际应用,并提出轮缸压力估算方法,明显提高了算法容错能力。（4）通过离线仿真、台架及实车试验对所研究的控制算法进行验证,试验结果表明,本文设计的RBS/ABS集成控制系统控制效果良好,对制动需求的识别可靠准确,并且具有较好节能效果。在紧急制动时,轮缸压力仍能较好跟随需求液压力,并保证良好的制动安全性。
谷新平[2]（2020）在《基于虚拟现实技术的车辆驾驶培训系统研究》文中指出国民经济高速发展时代,人们用车增多,交通安全问题随着机动车的数量变多愈发严峻。汽车保有量和需求与日俱增对导致驾驶培训需求迅速增长,同时也提出了更高的要求,传统的驾驶培训行业面临巨大的压力与挑战。同时,传统驾驶培训方式的不足也日渐凸显,例如预订时间困难、驾驶车辆少以及学习时间短等。并且,学员的训练还会受到天气、场地等外在因素的影响,极大地降低了学习效率。此外,这种大规模的培训方式也会消耗更多的燃料,对环境造成严重的污染,同时浪费大量的人力物力。总之,训练效率低、资源消耗大,对环境污染严重等问题突出的传统驾驶培训方式,已经不符合当代的发展理念,亟待寻找新的方式。目前,非沉浸式虚拟现实驾驶培训系统已经被广泛应用到驾驶技能培训以及交通安全教育领域,这种方式用基于驾驶培训具有方便快捷、操作简单等优点,而且还能够以逼真的驾驶场景高度还原真实训练场地,有效提升学员学习驾驶技能的效率与体验,这给汽车驾驶培训行业提供了新的途径。但是,现有面向车辆驾驶培训的非沉浸式虚拟现实系统存在较为明显的缺点。首先,非沉浸式系统用户不能像真实世界一样观察周围的事物,而且容易受到外部环境因素的干扰。其次,这种培训系统在训练时学员得不到教练随车指导,极易出现不当操作,学习效率不高。此外,缺乏教练及时矫正学员的不良驾驶习惯,这势必为以后的道路交通安全埋下极大的隐患。针对以上问题,本课题基于虚拟现实技术,设计开发了一种新的面向车辆驾驶考试的培训系统。本文针对虚拟驾驶培训系统的设计功能,结合当下流行的虚拟现实技术,采用Unity 3D作为开发平台,研发了车辆驾驶模拟培训系统:构建了包括车辆和行人的动态路面的三维场景,结合力反馈方向盘组件、VIVE头盔、头部/手部动作捕捉,实现了驾驶动作与三维场景的自然交互。驾驶训练场景的搭建和渲染都是在Unity 3D开发平台中完成,系统主控车辆的输入信息采用带有力反馈方向盘组件的驾驶模拟器采集方向盘、档位、刹车、油门、离合等数据控制虚拟场景中车辆的行驶状态和驱动相机视角。采用HTC vive作为HMD系统的三维显示设备,结合基于光学的体感交互设备Leap Motion捕捉用户手部动作数据完成用户与虚拟场景的自然交互。最后,为了能够在无教练状态下更好的指导学员学习驾驶技能和交通安全知识,及时纠正学员不恰当的操作行为,提高学习效率,培养良好的驾驶习惯,本文提出了一种基于深度自编码网络和XGBoost驾驶行为决策模型。该模型可以通过收集到的信息进行驾驶行为预测,并将系统预测结果与学员的驾驶行为进行对比,在出现违规操作时系统及给学员反馈信息,帮助学员及时调整驾驶行为,形成良好的驾驶习惯。此外,该系统还可以对学员的操作行为进行风险分析。最后对本文提出的方案进行了验证与分析,结果显示本文提出的基于虚拟现实技术的车辆驾驶考试培训系统具有以下三个优点:1)有效解决了现有虚拟现实驾驶培训系统的非沉浸性问题;2)其驾驶培训辅助系统可以指导学员更好地进行驾驶学习,并且可以培养学员养成一种良好的驾驶习惯;3)可以收集学员驾驶训练过的历史数据对学员的驾驶能力进行评价和分析。
李享泰[3]（2020）在《智能汽车人机共驾系统测试评价方法研究》文中研究说明智能汽车人机共驾系统是指具有与驾驶人共享车辆驾驶权并且与驾驶人协同完成驾驶任务功能的一种智能驾驶系统。由于法规要求以及技术成熟度等方面的原因,短期内实现完全的自动化驾驶还不现实,因此在可预见的未来,智能汽车仍会以人机共驾的形式面向市场,对于智能汽车人机共驾系统的研究具有重要的实际价值与意义。智能汽车人机共驾系统的开发遵循“V”字开发流程,其中测试评价的意义十分重要,起到了对产品验收和优化的作用,然而,现阶段的人机共驾系统测试评价技术还不完善,缺少对于系统整体功能的测试评价。本文依托国家重点研发计划课题（2016YFB0100904-1）和国家自然科学基金项目（51775235）,开展了智能汽车人机共驾系统测试评价方法研究。主要从以下几个方面进行展开:（1）人机共驾系统测试需求分析本文从人机共驾的概念入手,对人机共驾的基本组成与分类进行了解析,将人机共驾分为切换型和共享型,同时对切换型人机共驾的测试需求按照系统功能与测试内容两方面进行阐述,其中功能分析中将切换型人机共驾按照车辆控制权的转换过程来划分,分为托管与接管2类,此2类中又细分为5种触发情况,由触发情况确定系统所需具备的功能。之后对人机共驾系统的测试内容进行整体概述,包括功能性、接管特性以及交互体验性等3个方面,为后续确定具体的测试工况奠定基础。（2）人机共驾系统测试试验平台搭建设计人机共驾系统测试试验平台总体架构,搭建含有驾驶人状态监测系统与驾驶模拟器的切换型人机共驾系统测试试验平台。驾驶人状态监测系统包括面部信息监测模块、脑电信息监测模块和眼动信息监测模块;驾驶模拟器包括试验车模块和交通车模块。（3）人机共驾系统测试内容分析提出了1套包含人机共驾系统的功能性、接管特性以及交互体验性的测试试验方法,其中功能性测试包含驾驶人状态监测试验以及定速巡航等测试子项目;接管特性测试包含高速公路出口场景、高速公路施工场景、交通事故场景以及非结构化道路场景的测试,得到对接管时间及接管质量的测试结果;交互体验性主要为驾驶人主观评价,选取接受度、信度、驾驶负荷和用户体验性4个维度进行驾驶人主观评分。（4）人机共驾系统测试与结果分析选取测试试验人员按照测试内容进行测试,并对测试结果进行分析,其中选取相关分析的方法得出主观评价方法与客观的接管质量指标含有相关的关系,选取主成分分析法筛选出有价值的评价指标,同时根据测试分析的结果得到相应的测试结论。（5）人机共驾系统评价体系构建及验证根据测试结果分析得出的测试指标与每个指标的合理取值范围,通过层次分析法对每层测试指标赋权,并建立合理的指标评分标准,依照模糊综合评价法建立人机共驾系统评价体系,选取2套含有人机共驾功能的系统对所提出的测试方法及评价体系进行验证,为人机共驾系统测试评价标准的提出提供了有价值的参考依据。
刘小毛[4]（2020）在《面向虚拟现实的运动模拟系统研究》文中研究指明随着5G技术的快速发展,虚拟现实技术得到高度关注,由此发展而来的面向虚拟现实的运动模拟系统得到了广泛应用与深入研究。目前,国内大部分的现代运动模拟系统仍然停留在将精度较高的运动平台和经典洗出滤波算法相结合方面上,存在运动模拟逼真度不高,成本高昂等缺点。因此,研究面向虚拟现实运动模拟系统对降低运动模拟系统成本,提高运动模拟逼真度有重要意义。本文对虚拟动感运动平台的运动学分析、输入信号协调控制、输入信号协调控制算法的改进、运动模拟系统的搭建等关键问题进行研究,以汽车驾驶模拟为背景对论文的关键技术进行验证。本文首先搭建面向虚拟现实运动模拟系统,分析该系统的硬件系统和控制系统的组成及信息传输过程,给出该平台的正逆运动学求解过程,针对运动平台的正解过程存在耦合性解算速度较慢的问题,利用离散牛顿迭代法进行求解。通过实验分析,虚拟动感运动平台的反解过程较为准确,正解过程缩短了解算时间。分析虚拟动感运动平台的运动空间有限问题,提出一种体感控制洗出滤波算法。该算法对输入信号进行滤波处理,滤出低频和高频输入信号,对输入的低频持续加速度信号进行协调控制,防止其造成该运动平台超程,影响运动模拟逼真度。分析影响体感控制洗出滤波算法性能的关键因素,对原有算法从参数和结构提出改进方法。基于遗传算法,建立最小误差模型,对滤波参数进行优化,从人体感知规律出发,对算法结构进行改进,以达到更优的模拟效果。最后,对体感控制洗出滤波算法进行了实现,并与传统算法进行了仿真对比实验。实验结果表明,改进算法进一步提高运动模拟逼真度,更符合人体感知规律。在运动模拟系统中实现体感控制洗出滤波算法,初步完成面向虚拟现实的运动模拟系统。
申宁宁[5]（2020）在《实车与模拟驾驶过程中视觉分心特性对比研究》文中研究表明车辆性能相关的实验很多在驾驶模拟器上进行,现有驾驶模拟器通过建立车辆动力学模型,从相关传感器采集驾驶人的操作数据,对数据进行计算分析后输出至各类显示器,或者控制运动机构来模拟车辆的运动特征。从车辆性能相关实验角度而言,驾驶模拟器为很多无法进行实车实验的场景提供了解决方案,比如车辆在紧急状态下的操控响应、驾驶人的危险操作行为分析等。不同模拟器的结构和形态存在较大差异,驾驶人在模拟器上的行为与真实驾驶行为存在的差异性是目前涉及较少的研究领域。要真实分析驾驶模拟器对车辆相关性能的表征力度,首先需要确定驾驶人在模拟器上的行为与真实行为到底存在多大差异。针对此问题,本文设计一类视觉分心驾驶实验任务,分别在实车驾驶环境和模拟驾驶环境开展实验,所使用的驾驶模拟器具备6个自由度,且采用真实车身、真实方向盘和真实踏板作为驾驶人操控装置,最大限度去除模拟器操控装置与实车操作存在的差异,并在此基础上,根据模拟数据分析实车驾驶和模拟驾驶情况下的车辆运动特征及驾驶人的操控行为特性,初步探讨了模拟器实验对真实驾驶实验的反映力度,并尝试简单评估模拟器在特定任务下的实验可信度。主要研究内容如下:首先,论文设计了视觉分心驾驶实验,以公开自愿方式招募了34名驾驶人参与两类实验。为避免驾驶人知晓实验任务带来的刻意操作行为,驾驶人被告知所参与的实验任务为通过观察后视镜来估计后方车辆的速度和相对距离,在此过程中由于驾驶人的视觉分心,会导致车辆出现横向偏离,因此本试验实际研究的是分心过程中的横向运动特性。对每名驾驶人,分别进行高速公路上实车驾驶和模拟器中仿真驾驶2类实验,且2类实验的任务和场景完全相同。实验过程中,记录实验过程的驾驶人操作参数、车辆运动参数和交通环境参数。其次,通过探究速度以及分心任务对轨迹偏移量（TO）、车道偏移标准差（SDLP）、方向盘加速度（SWA）、方向盘角度标准差（SDSWA）以及方向盘反转率（SRRs）的影响,从而对车辆速度以及视觉分心对驾驶人车道保持能力的影响进行分析。分析发现:实车与模拟实验均表明,与正常驾驶相比,视觉分心导致车道保持能力下降,且通过对转向控制参数的研究表明,实车驾驶实验的方向盘反转率参数SRRs在1.30和2.50水平上和方向盘角度标准偏差SDSWA有所增加,模拟驾驶实验的方向盘反转率参数SRRs在1.30和2.50水平上有所增加。该研究分析结果还表明,在实车驾驶实验与模拟驾驶实验中,随着速度的增加,车道偏移的标准差（SDLP）和轨迹偏移量（TO）均增加,且随着速度增加,两类实验视觉分心任务中SDLP和TO的增长率均与正常驾驶均相同。此外,在实车驾驶实验中,SRRs和SWA随着速度的增加而降低,视觉分心任务中SWA增长率和正常驾驶时相同;在模拟驾驶实验中仅发现SWA随着速度的增加而降低,视觉分心任务中SWA增长率亦和正常驾驶时相同。最后,将驾驶模拟器的分析结果与实车实验的分析结果进行比较,对驾驶模拟器进行实验研究的有效性进行分析。结果表明,在相同速度执行相同分心驾驶任务时,驾驶员的车辆横向控制能力在模拟驾驶状态与实车驾驶状态之间存在一定的差异性,对比两种驾驶环境中速度与驾驶任务对车道保持能力的影响可以发现,在两种驾驶环境中有69.23%的车道保持能力表征指标变化趋势相同,而30.77%的表征参数变化趋势不同。结果证明,在研究驾驶任务和速度对驾驶行为的影响时,驾驶模拟实验与实车实验结果基本一致。对比两种驾驶环境对车道保持能力的影响时可以发现,两种驾驶环境中有76.92%的车辆保持能力表征指标存在显着差异,有23.08%的车辆保持能力表征指标相同。结果证明,驾驶模拟器中的车辆运动参数与实际道路中车辆运动参数存在较大差异。并且通过对TO和SDLP的分析发现,相较于实车实验,模拟驾驶实验中驾驶员的车道保持能力更差。总体而言,模拟器对真实驾驶行为的反映结果存在一定的差异性,在进行相关实验的时候,需要明确实验任务,尽量避开模拟器存在的不足,以提升实验结果的可信度。
李洪涛[6]（2020）在《基于RBF神经网络的车辆纵向避撞预警模型研究》文中进行了进一步梳理随着我国工业化进程的飞速发展,我国人均汽车保有量迅速增长,同时,在十三五期间我国高速公路建设飞速发展,通车里程急剧增长,人们在享受更加便捷高效的交通运输系统的同时也在面临日益严峻的交通安全问题。本文在总结国内外车车通信或车路协同背景下的车辆纵向避撞预警系统以及制动意图识别算法的研究现状的基础上,对车车通信环境下基于RBF制动意图辨识网络的安全距离模型以及车辆纵向避撞预警系统展开深入研究。首先,采用以节气门开度、制动踏板开度以及制动踏板开度变化速率作为输入变量,以制动意图作为输出的RBF制动意图辨识网络对驾驶员的制动意图进行判定,并根据前车的制动意图分为紧急制动模式、常规制动模式以及非制动模式三种工况进行讨论。其次,为实现对前后车距的精准估算,基于前后车定位数据计算的前后车辆相对运行距离并结合多源数据互补滤波算法估算前后两车的车间距离,并根据前后两车的车间预估距离及车车通信下基于制动意图辨识算法的安全距离模型搭建以自车最小制动减速度为分界阈值的二级预警模型。为对本文搭建的基于RBF制动意图辨识网络的安全距离模型以及车辆纵向避撞预警系统进行实车验证,基于LABVIEW开发了汽车制动参数采集与监测系统来采集车辆在行驶过程中的相关制动参数及运行工况数据,并将前车的制动意图、纵向加速度、车速等信息传递给自车,提示自车作出相应的制动措施。最后对系统进行了仿真评估和实车测试,在前车处于不同运行工况下,对本文构建的最小安全距离模型及纵向避撞预警系统的准确性和时效性进行了验证。实验结果表明,基于RBF制动意图辨识网络的安全距离模型与传统车路协同环境下的安全距离模型相比,最小安全距离的平均减小率为28.12%,车间安全距离得到显着降低。在前车进行紧急制动模式、常规制动模式、匀速行驶以及匀加速行驶四种工况下,基于RBF神经网络的纵向避撞预警模型的平均误报率为2%,性能可靠,可为驾驶员提供避撞预警。
刘牧天[7]（2020）在《基于脑电信号的驾驶员注意力监测系统设计与实现》文中提出驾驶注意力分散会严重影响驾驶员的驾驶认知过程,使驾驶员不能充分感知周围环境、做出正确判断以及及时执行操作,导致驾驶安全事故。因此驾驶员的注意力水平监测对保障交通安全具有重要意义。驾驶分心是驾驶注意力分散的重要表现形式,与交通事故的发生有显着相关性。不同于驾驶疲劳,驾驶分心具有持续时间短、影响因素复杂和表现形式多样等特点,这些特点为驾驶分心监测带来了困难与挑战。针对驾驶分心监测方法、系统设计与实现,本文主要做了以下工作:设计并开展了模拟驾驶分心行为实验。通过Unity3D搭建三维高仿真驾驶场景,结合罗技G29驾驶模拟器搭建驾驶员在环模拟驾驶系统。使用N-back范式设计视觉替代次任务和听觉替代次任务,在模拟驾驶任务中诱导驾驶员发生视觉认知分心和听觉认知分心。采集了22名被试者的替代次任务行为学数据,利用Brain Products Acti CHamp脑电采集仪同步采集了驾驶员的脑电信号。构建了基于传统机器学习方法的驾驶分心分类模型。通过有限脉冲响应滤波器滤除脑电的高频噪声和低频噪声,使用独立成分分析去除眼电伪迹,通过降采样将数据采样率降低至100Hz。将替代次任务时间轴和脑电时间轴进行同步,通过次任务触发点和持续时间,定位提取分心状态下的脑电数据段,其余脑电数据为专注驾驶脑电数据。分别使用快速傅里叶变换和Welch算法提取脑电频谱和功率谱作为特征,使用支持向量机对特征进行分类。交叉验证的最终准确率为56.8%。专注驾驶、视觉分心和听觉分心的F1-score分别为66.5%、52.2%和50.3%。构建了基于深度学习的驾驶分心分类模型。首先基于卷积神经网络构建脑电特征提取模块,结合全连接层和Softmax层对脑电特征进行分类。由于脑电数据的时序特点,本文又对卷积神经网络和长短记忆网络进行了融合,利用卷积神经网络进行脑电特征提取,利用长短记忆网络进行分类。使用交叉验证的方法分别对两种模型性能进行评估,基于卷积神经网络的模型准确率为67.2%,而融合了长短记忆网络的模型准确率提高至81.8%。说明长短记忆网络有效地利用了脑电信号的时序特点,大大提高了准确率,且与传统机器学习方法相比性能有较大提升。基于Pyqt开发驾驶员注意力监测原型系统。该系统主要包含:数据读取模块、实时处理模块、结果展示与反馈模块和软件界面与实验操控模块。该系统可以实时读取脑电数据来对驾驶员分心状态进行检测,并将检测结果显示在图形界面上,通过声音对驾驶员进行反馈。本文基于驾驶员的脑电数据,通过机器学习和深度学习技术构建了驾驶分心分类模型,达到了良好的分类性能。开发了基于脑电信号的驾驶员注意力监测系统,实现了对驾驶员分心状态的有效监测和反馈。
高晨曦[8]（2019）在《基于消费级无人机的稻麦生长实时监测系统设计与实现》文中提出当今世界农业朝着信息化的方向发展,农业信息化在农业科学研究领域成为了研究热点。无疑,农业监测是农业信息化领域的重点。而现代农业监测的一大特点是非接触性的对作物长势进行无损监测。对比基于卫星遥感的作物长势监测,无人机遥感具有时效性和分辨率等方面的优势。而价格低廉的消费级无人机的出现,给农业无人机的应用发展提供了新的契机,也将无人机带到了普罗大众的视野之中。因此,本研究期望将消费级无人机与作物生长监测有机结合,使得系统更加具有实际推广意义。本文以大疆无人机为平台,实现基于消费级无人机的稻麦生长实时监测。围绕这一研究目标,本研究将从以下三个方面开展研究工作。基于消费级无人机的动态视频流的作物生长监测方案的构建。无人机的实时监测与以往监测系统的集成有所不同,它不仅仅在于监测平台的转换,最大的不同在于数据源由单一图像变成动态视频流,这使得数据处理时的难度和复杂度大大加强。通过分析视频流的特点,总结视频流处理的难点,本文提出采用视频流编解码及OpenGL ES渲染处理技术对数据进行解析的方案。本文对监听到的H.264格式的无人机视频流采用FFmpeg结合MediaCodec的解码方式将其解码成YUV格式的数据,并将其传入到OpenGL ES中的图形渲染管线,进行YUV格式数据到RGB格式数据的转换。在此基础上,融合作物生长可见光监测模型,得到实时监测结果并以伪彩色在屏幕上将结果进行渲染。无人机稻麦生长监测飞行控制及路径规划模块的集成。该模块的集成是一个完整的无人机应用必须要考虑的部分。无人机飞行控制系统在整个无人机系统中具有核心作用。有效的航线规划能够确保田间任务的顺利完成。实现无人机飞行路径规划是采用DJI Mobile SDK结合高德地图API,实现航测区域底图加载,并结合设置的飞行参数自动生成航线。本文研究作物生长监测的作业方法,结合无人机飞行控制技术,实现无人机自主飞行方案。移动实时监测平台的设计与实现。本文基于已经比较成熟的大疆消费级无人机和安卓移动终端设备,以无人机实时视频流处理技术、安卓移动平台开发技术、大疆SDK、高德地图SDK为支撑,设计实现了能够与无人机交互的应用系统。包括实时监测、路径规划、参数配置、历史图像管理等功能,并优化用户界面,完成了系统的构建。作物生长监测、消费级无人机和移动平台这三者间的创新性结合,为基于无人机的作物长势监测提供了新的角度,既提高了无人机在作物生产中的应用能力,也显着降低了无人机生长监测技术的应用门槛,使作物的生长监测更加便捷。
胡乾静[9]（2019）在《不同情绪在典型驾驶场景中对驾驶行为的影响研究》文中指出在人车路系统中,驾驶员扮演着重要的角色,驾驶员的行为时刻牵动着整个系统,会直接影响自身安全和整个道路系统其余交通参与者的安全。而情绪作为驾驶员自然生理属性,对驾驶员注意力、判断、决策都有着重要影响,因此对于情绪对驾驶行为影响的研究一直是该领域的研究热点。现有研究表明驾驶员情绪会对驾驶行为产生影响,但是就某种情绪对驾驶行为的具体影响研究还不够深入,结合生理层与行为层的相关研究也较少。本文针对性选择对驾驶安全影响最大的愤怒情绪与作为对照的中性情绪进行不同情绪对驾驶行为影响的研究并从生理层与行为层两个维度进行探讨,通过实验与数据分析确立了与情绪显着相关的具体驾驶行为指标与生理指标并针对实验结果提出对情绪所带来的不良影响进行补偿的可行性策略。本次研究包括为寻找有效情绪刺激的前期实验和不同情绪对驾驶行为影响的模拟驾驶实验。本文对情绪、情绪诱导以及与情绪有关的驾驶行为模型进行了理论学习和研究,首先提出基于视频-音频刺激的情绪诱导方法并利用问卷方式进行前期实验,成功找出最有效的刺激文件,然后设计出结合生理与行为两个维度的基于模拟驾驶器的不同情绪在典型驾驶环境中对驾驶行为的影响实验,提出了一套完整、有效、科学的实验方法。接着采用数理统计的方法对筛选出的9项驾驶行为指标与13项生理指标进行数据分析,最终成功找出与驾驶员情绪显着相关的驾驶行为指标和生理指标,为不同情绪对驾驶行为的影响研究提供了更具体的理论基础。最后,基于研究成果对情绪所导致的驾驶行为相关问题提出了具有前瞻性和工程可实施性的补偿策略,为未来解决驾驶员情绪所导致的不良驾驶行为问题提供了解决方案并对ADAS未来多元化改进和发展以及提高未来道路安全具有重要意义。
李仁杰[10]（2018）在《人机共驾型智能汽车的共享控制方法研究》文中提出人机共驾指驾驶人和智能系统通过多层次合作,分享车辆控制权并协同完成驾驶任务,可克服传统智能汽车所面临的安全、伦理和成本等问题,是智能驾驶技术的新型发展方向。人机共驾在操作执行层面的实现依赖于人机同时在环控制车辆的共享控制方法。本文以人机共驾型智能汽车的横向车道保持共享控制方法为研究对象,现有相关研究存在所用驾驶人模型不合理、车道保持性能受到制约以及人机冲突难以消解等问题。为克服上述问题,本文围绕共享控制器设计方法、驾驶人转向行为建模与辨识以及共享控制的舒适性优化三个科学问题展开研究。首先,建立了可应用于主动转向或线控转向系统的间接式共享控制架构,提出了基于输入线性加权的人机控制融合方案。提出了可刻画驾驶人适应特性的最优响应转向行为模型,推导了其在不同系统控制器下的通用模型表达式。根据驾驶人最优响应模型设计了系统的纳什均衡共享控制策略,推导了车辆纳什均衡轨迹平衡点的快速计算公式。所研究的纳什均衡共享控制方法充分考虑了人机博弈特征,可优化人机双环控制下的车道保持性能。其次,对驾驶人最优响应转向行为模型参数进行了辨识。推导了传统分离式控制器下的驾驶人最优响应模型表达式,提出了驾驶人期望轨迹偏移特性的线性参数化模型,设计了基于系统轨迹修正的驾驶人期望轨迹提取方法。最后基于驾驶模拟器实验数据,分别利用线性回归和非线性最小二乘辨识了期望轨迹特性参数和最优响应模型参数。研究结果为驾驶人最优响应模型的参数设置提供了参考,揭示了驾驶人在人机共驾中转向操作行为的变化规律。然后,通过实验数据定性分析表明了期望轨迹差异是造成共享控制中人机冲突的根源,推导了理论上可最优化驾驶人操作负荷的帕累托最优控制律,证明了以驾驶人期望轨迹为目标轨迹的分离式控制器可从实用层面对其进行近似。基于梯度下降法研究了系统的期望轨迹自适应方法,推导了驾驶人期望轨迹特性参数的积分形式在线更新律,给出了该方法的实用化处理手段和总体算法流程。所研究方法进一步改善了驾驶人在人机共驾中的操控舒适性。最后,基于驾驶模拟器进行了共享控制方法的验证实验,设计了共驾辅助系统的主客观综合评价体系,比较了纳什均衡共享控制策略和帕累托最优共享控制策略在车道保持精度、驾驶人操作负荷和驾驶人主观评价三方面的性能差异。
二、车辆运动模拟器运动参数实时监测系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、车辆运动模拟器运动参数实时监测系统（论文提纲范文）
（1）电动轿车制动能量回收与防抱死集成控制系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究目的及意义 |
| 1.2 RBS/ABS集成控制系统的研究现状 |
| 1.2.1 硬件系统研究现状 |
| 1.2.2 控制算法研究现状 |
| 1.2.3 技术趋势分析 |
| 1.3 论文主要内容及研究思路 |
| 1.3.1 论文主要内容 |
| 1.3.2 研究思路 |
| 第2章 RBS/ABS集成控制系统方案分析 |
| 2.1 系统方案介绍 |
| 2.1.1 RBS/ABS集成控制系统硬件方案 |
| 2.1.2 RBS/ABS集成控制系统软件方案 |
| 2.2 系统性能评价指标分析 |
| 2.2.1 节能性评价指标 |
| 2.2.2 制动感觉评价指标 |
| 2.2.3 制动安全性评价指标 |
| 2.3 液压控制状态需求分析 |
| 2.3.1 RBS控制需求 |
| 2.3.2 ABS控制需求 |
| 2.4 本章小结 |
| 第3章 RBS/ABS集成控制系统部件机理分析及试验研究 |
| 3.1 再生制动部件分析 |
| 3.1.1 动力电池 |
| 3.1.2 动力电机 |
| 3.1.3 再生制动响应试验分析 |
| 3.1.4 电机等效液压外特性分析 |
| 3.2 液压制动部件机理分析 |
| 3.2.1 踏板模拟装置性能分析 |
| 3.2.2 液压调节单元工作机理分析 |
| 3.2.3 液压执行部件特性试验研究 |
| 3.3 本章小结 |
| 第4章 RBS/ABS集成控制系统控制算法研究 |
| 4.1 软件总体结构 |
| 4.1.1 软件总体流程 |
| 4.1.2 软件模块 |
| 4.2 制动意图识别算法 |
| 4.2.1 制动状态识别逻辑 |
| 4.2.2 基于主缸压力计算需求制动力 |
| 4.3 制动力分配算法 |
| 4.3.1 边界条件计算 |
| 4.3.2 制动力分配 |
| 4.4 防抱死协调控制算法 |
| 4.4.1 车轮抱死状态监测算法 |
| 4.4.2 面向工程的防抱死协调控制算法 |
| 4.5 本章小结 |
| 第5章 压力控制方法及工程化应用研究 |
| 5.1 制动压力控制算法介绍 |
| 5.1.1 压力控制算法输入 |
| 5.1.2 影响控制精度因素 |
| 5.1.3 压力控制算法输出 |
| 5.2 阶梯压力控制 |
| 5.2.1 阶梯控制原理分析 |
| 5.2.2 阶梯控制方法研究 |
| 5.3 线性压力控制 |
| 5.4 制动压力可控边界估算算法 |
| 5.4.1 线性控制原理分析 |
| 5.4.2 线性控制方法研究 |
| 5.4.3 增压试验及数据分析 |
| 5.4.4 压力变化率的控制 |
| 5.4.5 控制信号修正 |
| 5.5 主动增压控制 |
| 5.5.1 主动增压过程分析 |
| 5.5.2 主动增压控制方法研究 |
| 5.6 控制方法特点分析及工程化应用研究 |
| 5.6.1 压力控制方法特点 |
| 5.6.2 压力控制方法工程化应用研究 |
| 5.7 轮缸压力估算方法研究 |
| 5.7.1 RBS压力估算方法 |
| 5.7.2 ABS压力估算方法 |
| 5.8 本章小结 |
| 第6章 RBS/ABS集成控制系统控制算法验证 |
| 6.1 循环工况仿真分析 |
| 6.1.1 仿真结果 |
| 6.1.2 节能性分析 |
| 6.2 台架试验验证 |
| 6.2.1 试验台介绍 |
| 6.2.2 虚拟工况测试 |
| 6.2.3 常规制动试验 |
| 6.3 实车道路试验 |
| 6.3.1 试验方法 |
| 6.3.2 试验结果分析 |
| 6.4 本章小结 |
| 第7章 全文总结与研究展望 |
| 7.1 主要研究内容 |
| 7.2 本文创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 作者简介及在学期间所获得的科研成果 |
| 致谢 |
（2）基于虚拟现实技术的车辆驾驶培训系统研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 驾驶模拟器国内外研究现状 |
| 1.3.1 训练型驾驶模拟器研究现状 |
| 1.3.2 开发型驾驶模拟器研究现状 |
| 1.4 主要研究内容 |
| 1.5 论文的组织结构 |
| 第2章 系统总体方案设计 |
| 2.1 模拟驾驶系统概述及技术指标 |
| 2.1.1 系统设计原则及技术指标 |
| 2.1.2 虚拟现实系统的构成 |
| 2.2 系统总体方案设计 |
| 2.2.1 系统功能需求分析 |
| 2.2.2 开发平台的选择 |
| 2.2.3 系统硬件的选择 |
| 2.2.4 手部跟踪系统设计 |
| 2.2.5 虚拟培训系统整体设计 |
| 2.3 驾驶系统功能流程分析 |
| 2.3.1 系统功能概述 |
| 2.3.2 系统流程模型 |
| 2.4 本章小结 |
| 第3章 虚拟驾驶平台的搭建 |
| 3.1 虚拟场景的构成 |
| 3.1.1 虚拟驾驶场景内容规划 |
| 3.1.2 虚拟场景搭建流程安排 |
| 3.2 静态环境模块的搭建 |
| 3.2.1 地形的建模 |
| 3.2.2 建筑物建模 |
| 3.2.3 道路建模 |
| 3.3 动态模块场景搭建 |
| 3.3.1 主控车辆建模 |
| 3.3.2 AI车辆和行人 |
| 3.4 人机交互设计 |
| 3.4.1 主界面设计 |
| 3.4.2 训练场景 |
| 3.5 外部硬件设备和实验数据采集 |
| 3.5.1 驾驶模拟器 |
| 3.5.2 HMD显示系统 |
| 3.5.3 Leap Motion |
| 3.6 本章小结 |
| 第4章 基于机器学习的车辆驾驶行为决策模型 |
| 4.1 驾驶行为决策影响因素 |
| 4.2 算法框架 |
| 4.3 模型构建 |
| 4.3.1 算法介绍 |
| 4.3.2 算法框架 |
| 4.3.3 数据介绍 |
| 4.3.4 决策模型评价指标 |
| 4.3.5 参数设置和模型训练 |
| 4.4 实验与分析 |
| 4.4.1 DAE模型测试 |
| 4.4.2 XGBoost模型测试 |
| 4.4.3 综合模型整体性能评价 |
| 4.5 本章小结 |
| 第5章 系统实现及测试 |
| 5.1 驾驶培训系统设计目标与功能 |
| 5.2 系统实现过程 |
| 5.3 HMD显示系统测试 |
| 5.4 模拟驾驶测试 |
| 5.5 人机交互测试 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
| 学位论文评阅及答辩情况表 |
（3）智能汽车人机共驾系统测试评价方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 智能汽车人机共驾系统发展概述 |
| 1.3 智能汽车人机共驾系统测试评价研究现状 |
| 1.3.1 智能汽车测试及评价研究现状 |
| 1.3.2 人机共驾测试评价现状 |
| 1.4 本文研究主要内容 |
| 第2章 人机共驾系统功能定义及测试需求分析 |
| 2.1 人机共驾系统的组成与分类 |
| 2.1.1 人机共驾系统的基本组成 |
| 2.1.2 人机共驾系统的分类 |
| 2.2 切换型人机共驾系统测试需求分析 |
| 2.2.1 人机共驾系统功能分析 |
| 2.2.2 人机共驾系统测试分析 |
| 2.3 本章小结 |
| 第3章 人机共驾系统测试试验平台 |
| 3.1 测试试验平台总体架构 |
| 3.2 驾驶人状态监测系统 |
| 3.2.1 驾驶人面部信息监测模块 |
| 3.2.2 驾驶人脑电信息监测模块 |
| 3.2.3 驾驶人眼动信息监测模块 |
| 3.3 驾驶模拟器 |
| 3.3.1 试验车模块 |
| 3.3.2 交通车模块 |
| 3.4 本章小结 |
| 第4章 人机共驾系统测试内容分析 |
| 4.1 人机共驾系统功能性测试 |
| 4.1.1 功能性测试场景 |
| 4.1.2 功能性测试试验流程 |
| 4.2 人机共驾系统接管特性测试 |
| 4.2.1 接管特性测试场景 |
| 4.2.2 接管特性测试试验流程 |
| 4.3 人机共驾系统交互体验性测试 |
| 4.4 本章小结 |
| 第5章 人机共驾系统测试与结果分析 |
| 5.1 人机共驾系统功能性测试结果分析 |
| 5.1.1 分析方法简介 |
| 5.1.2 状态监测功能测试结果分析 |
| 5.1.3 自动驾驶控制性能测试结果分析 |
| 5.2 人机共驾系统接管特性测试结果分析 |
| 5.2.1 分析方法简介 |
| 5.2.2 接管特性测试结果分析 |
| 5.3 人机共驾系统交互体验性测试结果分析 |
| 5.3.1 分析方法简介 |
| 5.3.2 交互体验性测试结果分析 |
| 5.4 本章小结 |
| 第6章 人机共驾系统评价体系及验证 |
| 6.1 评价指标选取及预处理 |
| 6.1.1 评价指标选取 |
| 6.1.2 评价指标预处理 |
| 6.2 指标权重的确定方法及系统评价方法选择 |
| 6.2.1 权重确定方法 |
| 6.2.2 系统评价方法 |
| 6.3 评价体系验证 |
| 6.3.1 评分标准 |
| 6.3.2 各项指标测试结果 |
| 6.3.3 系统总体对比 |
| 6.4 本章小结 |
| 第7章 全文总结与展望 |
| 7.1 全文总结 |
| 7.2 研究展望 |
| 参考文献 |
| 附录 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）面向虚拟现实的运动模拟系统研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题来源 |
| 1.2 研究目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 运动模拟器及相关系统 |
| 1.3.2 体感控制洗出滤波算法 |
| 1.3.3 洗出滤波算法改进方法 |
| 1.4 论文组织结构 |
| 第2章 面向虚拟现实的运动模拟系统 |
| 2.1 引言 |
| 2.2 面向虚拟现实的运动模拟系统组成 |
| 2.2.1 Unity3D引擎和3Ds Max三维建模 |
| 2.2.2 虚拟现实头盔显示器技术参数 |
| 2.2.3 MDBox动感平台集成控制器 |
| 2.3 虚拟动感运动平台介绍及运动学分析 |
| 2.3.1 虚拟动感运动平台的组成及运动学分析 |
| 2.3.2 运动平台中的坐标系建立 |
| 2.3.3 虚拟动感运动平台正反解 |
| 2.3.4 虚拟动感运动平台正反解仿真 |
| 2.4 面向虚拟现实的运动模拟系统的控制 |
| 2.4.1 控制系统的组成 |
| 2.4.2 控制信息传输的方式 |
| 2.4.3 控制信息传输的具体实现 |
| 2.5 本章小结 |
| 第3章 运动模拟系统体感控制洗出滤波算法研究 |
| 3.1 引言 |
| 3.2 体感控制洗出滤波算法 |
| 3.2.1 人体体感感知机制 |
| 3.2.2 体感控制洗出滤波算法原理 |
| 3.2.3 体感控制洗出滤波算法实现 |
| 3.3 基于遗传算法的体感控制洗出滤波算法参数优化 |
| 3.3.1 遗传算法的概述 |
| 3.3.2 体感控制洗出滤波算法的关键参数影响分析 |
| 3.3.3 滤波参数优化建模 |
| 3.3.4 基于运动平台性能确定约束条件 |
| 3.3.5 优化过程及结果 |
| 3.4 基于人体感知规律的算法结构优化 |
| 3.4.1 人体感知规律分析 |
| 3.4.2 体感控制洗出滤波算法的结构改进 |
| 3.5 本章小结 |
| 第4章 体感控制洗出滤波算法性能实现与验证 |
| 4.1 引言 |
| 4.2 体感控制洗出算法仿真 |
| 4.2.1 体感控制洗出滤波算法仿真模块建立 |
| 4.2.2 算法性能影响参数实验 |
| 4.3 基于遗传算法的体感控制洗出滤波算法对比仿真试验 |
| 4.4 基于人体感知规律的算法结构优化 |
| 4.4.1 结构改进后进行算法仿真模型建立 |
| 4.4.2 仿真试验结果及分析 |
| 4.5 体感控制洗出滤波算法实现 |
| 4.5.1 传输信号指令解算 |
| 4.5.2 入信号协调控制实现 |
| 4.5.3 体感控制洗出滤波算法实现过程 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）实车与模拟驾驶过程中视觉分心特性对比研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 分心驾驶与视觉分心 |
| 1.2.2 国外分心驾驶研究 |
| 1.2.3 国内分心驾驶研究 |
| 1.2.4 国内外研究现状总结 |
| 1.3 研究思路及内容 |
| 1.3.1 研究思路 |
| 1.3.2 研究思路流程图 |
| 1.3.3 研究内容 |
| 1.4 本章小结 |
| 第二章 实验方法及实验数据的采集 |
| 2.1 实验概述 |
| 2.1.1 实验设备 |
| 2.1.2 被试人员 |
| 2.1.3 实验线路 |
| 2.1.4 实验任务 |
| 2.2 数据的预处理 |
| 2.2.1 数据挑选方法 |
| 2.2.2 数据片段截取 |
| 2.3 本章小结 |
| 第三章 数据采集整理与建模分析 |
| 3.1 实验数据分布特性 |
| 3.1.1 分心持续时间 |
| 3.1.2 轨迹偏移量(TO) |
| 3.1.3 车道偏移标准差(SDLP) |
| 3.1.4 方向盘加速度(SWA) |
| 3.1.5 方向盘角度标准偏差(SDSWA) |
| 3.1.6 方向盘反转率(SRRs) |
| 3.2 结果汇总对比 |
| 3.3 本章小结 |
| 第四章 实车与模拟驾驶过程中视觉分心行为对比 |
| 4.1 实车与模拟驾驶过程中视觉分心行为对比分析 |
| 4.2 实车与模拟驾驶实验指标分析 |
| 4.2.1 分心持续时间 |
| 4.2.2 轨迹偏移量(TO) |
| 4.2.3 车道偏移标准差(SDLP) |
| 4.2.4 方向盘加速度(SWA) |
| 4.2.5 方向盘角度标准偏差(SDSWA) |
| 4.2.6 方向盘反转率(SRRs) |
| 4.2.7 分析结论汇总 |
| 4.3 对比分析 |
| 4.4 本章小结 |
| 结论与总结 |
| 主要研究结论 |
| 论文不足之处 |
| 参考文献 |
| 致谢 |
（6）基于RBF神经网络的车辆纵向避撞预警模型研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 车辆避撞预警系统 |
| 1.3.2 制动意图识别 |
| 1.4 主要研究内容 |
| 1.5 技术路线 |
| 2 基于制动意图辨识的安全距离模型 |
| 2.1 典型安全距离模型 |
| 2.1.1 固定安全距离模型 |
| 2.1.2 基于制动过程的安全距离模型 |
| 2.1.3 基于车头时距的安全距离模型 |
| 2.1.4 驾驶员预估安全距离模型 |
| 2.1.5 基于路面附着系数的安全距离模型 |
| 2.1.6 车车通信下的安全距离模型 |
| 2.2 基于制动意图辨识的最小安全距离模型 |
| 2.2.1 紧急制动工况 |
| 2.2.2 常规制动工况 |
| 2.2.3 非制动模式 |
| 2.3 模型仿真与性能评估 |
| 2.3.1 基于制动意图辨识的最小安全距离模型仿真 |
| 2.3.2 附着系数对安全距离影响对比 |
| 2.3.3 几种安全距离模型仿真对比 |
| 2.4 本章小结 |
| 3 基于RBF制动辨识网络的纵向避撞预警模型 |
| 3.1 模型概述 |
| 3.2 基于RBF的制动意图辨识模型 |
| 3.2.1 辨识参数获取 |
| 3.2.2 RBF神经网络模型 |
| 3.3 车辆纵向避撞预警模型 |
| 3.3.1 基于互补滤波的车距估算 |
| 3.3.2 纵向避撞预警决策方案设计 |
| 3.4 本章小结 |
| 4 车辆纵向避撞预警系统设计 |
| 4.1 系统整体框架 |
| 4.2 OBD车载终端设备 |
| 4.3 制动信息采集系统设计 |
| 4.3.1 整体结构设计 |
| 4.3.2 测距传感器的选取与标定 |
| 4.3.3 加速度传感器 |
| 4.3.4 加速度信号处理 |
| 4.4 车载终端设计 |
| 4.4.1 软件整体框架 |
| 4.4.2 串口通信单元 |
| 4.4.3 GPS数据解析 |
| 4.4.4 信息采集部分设计 |
| 4.4.5 预警部分设计 |
| 4.4.6 TCP/IP数据通信单元 |
| 4.5 本章小结 |
| 5 纵向避撞预警系统测试 |
| 5.1 仿真分析 |
| 5.1.1 仿真流程设计 |
| 5.1.2 仿真实验与性能评估 |
| 5.2 实车测试 |
| 5.2.1 数据采集 |
| 5.2.2 数据提取与模型训练 |
| 5.2.3 实验设计与参数设定 |
| 5.2.4 实验结果分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 致谢 |
（7）基于脑电信号的驾驶员注意力监测系统设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题背景及意义 |
| 1.1.1 驾驶员注意力对驾驶安全的影响 |
| 1.1.2 驾驶员注意力监测系统的意义 |
| 1.2 国内外研究现状 |
| 1.2.1 驾驶员注意力分散与驾驶分心 |
| 1.2.2 驾驶分心类别和产生机理 |
| 1.2.3 驾驶分心行为实验 |
| 1.2.4 驾驶分心评价指标 |
| 1.2.5 驾驶分心识别技术 |
| 1.3 论文研究内容 |
| 1.4 论文结构 |
| 第2章 基于驾驶员在环的模拟驾驶实验 |
| 2.1 实验设备 |
| 2.1.1 驾驶员在环模拟驾驶平台 |
| 2.1.2 脑电采集设备 |
| 2.2 模拟驾驶分心实验设计 |
| 2.2.1 模拟驾驶系统和驾驶任务 |
| 2.2.2 驾驶分心替代次任务 |
| 2.3 实验流程 |
| 2.4 实验样本 |
| 2.5 本章小结 |
| 第3章 基于传统机器学习的驾驶分心检测 |
| 3.1 脑电信号的预处理 |
| 3.2 脑电信号的特征提取 |
| 3.2.1 快速傅里叶变换 |
| 3.2.2 Welch功率谱估计算法 |
| 3.3 驾驶分心脑电信号的分类 |
| 3.3.1 支持向量机 |
| 3.3.2 驾驶分心分类结果和分析 |
| 3.4 本章小结 |
| 第4章 基于深度学习的驾驶分心检测 |
| 4.1 深度学习概述 |
| 4.1.1 人工神经网络 |
| 4.1.2 人工神经网络的训练 |
| 4.1.3 卷积神经网络 |
| 4.1.4 循环神经网络和长短记忆网络 |
| 4.2 基于CNN的驾驶分心脑电分类 |
| 4.2.1 特征提取单元模块 |
| 4.2.2 CNN模型设计 |
| 4.2.3 CNN模型训练 |
| 4.2.4 实验结果及分析 |
| 4.3 基于CNN+LSTM的驾驶分心脑电分类 |
| 4.3.1 CNN+LSTM模型设计 |
| 4.3.2 CNN+LSTM模型训练 |
| 4.3.3 实验结果及分析 |
| 4.4 模型性能对比分析 |
| 4.5 本章小结 |
| 第5章 驾驶员注意力监测原型系统设计 |
| 5.1 驾驶员注意力监测系统搭建 |
| 5.1.1 总体设计框架 |
| 5.1.2 数据读取模块 |
| 5.1.3 实时处理模块 |
| 5.1.4 软件界面与实验流程控制模块 |
| 5.1.5 结果展示与反馈模块 |
| 5.2 系统运行测试 |
| 5.3 本章小结 |
| 第6章 结论 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间获得与学位论文相关的成果 |
（8）基于消费级无人机的稻麦生长实时监测系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论与文献综述 |
| 1 研究背景与研究意义 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 2 国内外研究发展现状 |
| 2.1 无人机遥感在作物监测中的应用 |
| 2.2 无人机自主开发技术历程 |
| 2.3 无人机视频流的处理现状 |
| 2.4 农业监测移动平台构建技术 |
| 3 研究目标与关键问题 |
| 3.1 研究目标 |
| 3.2 关键问题 |
| 4 文章结构 |
| 参考文献 |
| 第二章 研究思路与平台架构设计 |
| 1 研究思路 |
| 2 研究技术路线 |
| 2.1 研究内容和方法 |
| 2.2 技术路线 |
| 3 系统设计 |
| 3.1 功能设计 |
| 3.2 架构设计 |
| 参考文献 |
| 第三章 基于消费级无人机视频流的稻麦生长实时监测 |
| 1 消费级无人机的图像与视频编解码技术 |
| 1.1 H.264标准相关概念及编码方式 |
| 1.2 基于FFMPEG库和MediaCodec的视频流解码技术及流程 |
| 1.3 JNI调用本地方法的原理及流程 |
| 2 基于OpenGL的稻麦生长监测视频流的实时渲染 |
| 2.1 移动平台结构及图像渲染原理 |
| 2.2 图形渲染中OpenGL ES基本概念 |
| 2.3 基于安卓移动平台的图形渲染流程分析 |
| 3 基于移动平台的无人机视频流监测与结果展示 |
| 3.1 基于无人机视频流的监测指标选取 |
| 3.2 监测结果的显示方法 |
| 参考文献 |
| 第四章 无人机稻麦生长监测飞行控制及路径规划 |
| 1 无人机飞行控制模块构建 |
| 1.1 无人机飞行控制概念 |
| 1.2 无人机坐标系统 |
| 1.3 移动终端控制无人机原理 |
| 2 无人机稻麦生长监测航线规划 |
| 2.1 无人机飞行路径规划方法 |
| 2.2 基于无人机的稻麦生长监测飞行底图获取 |
| 2.3 基于KML的航测区域加载及解析 |
| 2.4 WGS-84坐标系与GCJ-02坐标系的转换研究 |
| 3 无人机自主飞行方案构建 |
| 参考文献 |
| 第五章 基于消费级无人机稻麦生长监测系统的开发与实现 |
| 1 系统开发环境 |
| 1.1 系统开发软硬件环境 |
| 1.2 开发环境配置 |
| 2 主要功能及实现效果 |
| 2.1 系统界面设计 |
| 2.2 飞行控制 |
| 2.3 航线规划 |
| 2.4 实时监测 |
| 2.5 参数配置 |
| 2.6 图像管理 |
| 3 系统功能测试与分析 |
| 3.1 基于DJI Assistant 2的模拟器测试 |
| 3.2 园区实地测试 |
| 参考文献 |
| 第六章 总结与研究展望 |
| 1 总结 |
| 1.1 研究工作总结 |
| 1.2 研究特色与创新 |
| 2 研究展望 |
| 参考文献 |
| 附录 硕士期间登记的国家计算机软件着作权 |
| 硕士期间投稿的学术论文 |
| 致谢 |
（9）不同情绪在典型驾驶场景中对驾驶行为的影响研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1 绪论 |
| 1.1 研究背景(情绪对驾驶行为的影响) |
| 1.2 国内外研究现状与不足 |
| 1.2.1 研究现状 |
| 1.2.2 研究的不足 |
| 1.3 研究内容与意义 |
| 1.3.1 研究内容 |
| 1.3.2 论文的目标 |
| 1.3.3 研究的意义 |
| 1.3.4 论文篇章结构 |
| 1.4 本章小结 |
| 2 情绪对驾驶行为影响的基础研究 |
| 2.1 情绪及情绪的脑认知机理 |
| 2.1.1 情绪的概念 |
| 2.1.2 情绪的分类 |
| 2.1.3 情绪认知机理 |
| 2.2 情绪诱导、测量和评价 |
| 2.2.1 情绪的诱导 |
| 2.2.2 情绪的测量和主观评价 |
| 2.2.3 情感生理信号 |
| 2.3 驾驶行为 |
| 2.3.1 驾驶行为模型 |
| 2.3.2 综合情绪的驾驶行为模型 |
| 2.4 研究框架 |
| 2.5 本章小结 |
| 3 情绪诱导实验设计与数据分析 |
| 3.1 情绪诱导实验设计 |
| 3.1.1 情绪刺激的选择原则 |
| 3.1.2 情绪刺激的主观注释 |
| 3.2 实验问卷设计 |
| 3.3 实验被试 |
| 3.4 实验数据与分析 |
| 3.5 本章小结 |
| 4 不同情绪对驾驶行为影响实验设计 |
| 4.1 实验目的 |
| 4.2 实验材料和实验设备 |
| 4.2.1 实验材料 |
| 4.2.2 实验设备和仪器 |
| 4.3 实验场景的设计和搭建 |
| 4.3.1 实验场景设计 |
| 4.3.2 实验场景搭建 |
| 4.4 实验数据采集 |
| 4.5 实验被试 |
| 4.6 实验流程和步骤 |
| 4.7 本章小结 |
| 5 不同情绪对驾驶行为影响实验分析与补偿策略 |
| 5.1 面部表情数据分析 |
| 5.2 驾驶行为实验数据分析与讨论 |
| 5.2.1 加速度相关指标分析 |
| 5.2.2 速度指标的分析 |
| 5.2.3 车道偏移分析 |
| 5.3 生理信号的分析与讨论 |
| 5.3.1 心电信号 |
| 5.3.2 呼吸和皮肤电分析 |
| 5.4 补偿策略 |
| 5.4.1 ADAS补偿策略 |
| 5.4.2 多模态刺激补偿策略 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| A 作者在攻读硕士学位期间参加的科研项目 |
| B 作者在攻读硕士学位期间发表的论文 |
| C 研究参与者知情同意书 |
| D 研究参与者知情书 |
| E 研究参与者健康状况调查表 |
| F 学位论文数据集 |
| 致谢 |
（10）人机共驾型智能汽车的共享控制方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 人机共驾型智能汽车的研究背景与意义 |
| 1.1.1 智能汽车的发展现状 |
| 1.1.2 人机共驾与共享控制 |
| 1.2 共享控制方案的分类 |
| 1.2.1 按共享控制的作用方式分类 |
| 1.2.2 按共享控制的应用场景分类 |
| 1.3 车道保持共享控制方法的研究现状 |
| 1.3.1 共享控制的起源与早期研究 |
| 1.3.2 面向车道保持场景的共享控制方法 |
| 1.3.3 用于共享控制的驾驶人转向行为模型 |
| 1.3.4 共享控制的驾驶人舒适性优化方法 |
| 1.4 本文主要研究内容 |
| 第2章 车辆动力学模型与轨迹跟踪算法基础 |
| 2.1 道路坐标下的车辆线性二自由度动力学模型 |
| 2.2 无约束模型预测轨迹跟踪算法的构造与求解 |
| 2.3 本章小结 |
| 第3章 基于动态纳什均衡的共享控制器设计方法 |
| 3.1 基于输入线性加权的间接式共享控制架构 |
| 3.1.1 间接式共享控制架构介绍 |
| 3.1.2 基于输入线性加权的控制融合方案 |
| 3.2 基于模型预测控制的驾驶人最优响应转向行为模型 |
| 3.2.1 驾驶人最优响应转向行为模型的原理 |
| 3.2.2 驾驶人最优响应转向行为模型的构造与推导 |
| 3.2.3 线性加权共享控制下的人车路闭环动力学模型 |
| 3.3 纳什均衡共享控制器的设计方法 |
| 3.3.1 非合作动态博弈纳什均衡的定义 |
| 3.3.2 纳什均衡共享控制策略的构造与求解 |
| 3.3.3 纳什均衡轨迹平衡点的快速计算方法 |
| 3.4 仿真结果 |
| 3.4.1 纳什均衡控制器与分离式控制器的对比 |
| 3.4.2 纳什均衡轨迹的影响因素 |
| 3.4.3 纳什轨迹平衡点快速计算方法的验证 |
| 3.5 本章小结 |
| 第4章 驾驶人最优响应转向行为模型的参数辨识 |
| 4.1 最优响应模型参数辨识的研究动机 |
| 4.2 最优响应模型的参数辨识方法 |
| 4.2.1 分离式共享控制器下的最优响应模型 |
| 4.2.2 驾驶人期望轨迹特性的辨识方法 |
| 4.2.3 最优响应模型参数辨识方法的选择 |
| 4.3 模型参数辨识实验 |
| 4.3.1 实验设置 |
| 4.3.2 实验步骤 |
| 4.4 参数辨识过程及结果 |
| 4.4.1 实验数据预处理 |
| 4.4.2 期望轨迹偏移特性辨识 |
| 4.4.3 最优响应模型参数辨识 |
| 4.5 本章小结 |
| 第5章 基于期望轨迹自适应的操控舒适性优化 |
| 5.1 共享控制中的操控舒适性分析 |
| 5.2 基于合作博弈的帕累托操控舒适性最优策略 |
| 5.2.1 合作动态博弈及帕累托最优策略的定义 |
| 5.2.2 帕累托最优共享控制器的构造与求解 |
| 5.2.3 帕累托最优控制策略的实用化近似方法 |
| 5.3 基于梯度下降法的期望轨迹特性自适应方法 |
| 5.3.1 期望轨迹特性参数的自适应更新律 |
| 5.3.2 期望轨迹自适应方法的实用化讨论 |
| 5.4 仿真结果 |
| 5.4.1 帕累托最优控制器与纳什均衡控制器的比较 |
| 5.4.2 期望轨迹自适应方法的验证 |
| 5.5 本章小结 |
| 第6章 共享控制方法的驾驶模拟平台实验验证 |
| 6.1 驾驶模拟实验平台简介 |
| 6.2 人机共驾车道保持验证实验的设置及步骤 |
| 6.2.1 实验设置 |
| 6.2.2 实验步骤 |
| 6.3 综合评价体系设计 |
| 6.3.1 客观性能指标设计 |
| 6.3.2 主观调查问卷设计 |
| 6.4 实验结果分析 |
| 6.4.1 弱辅助与强辅助纳什共驾系统的对比 |
| 6.4.2 强辅助帕累托共驾系统与纳什共驾系统的对比 |
| 6.5 本章小结 |
| 第7章 总结 |
| 参考文献 |
| 致谢 |
| 个人简历、在学期间发表的学术论文与研究成果 |
四、车辆运动模拟器运动参数实时监测系统（论文参考文献）
- [1]电动轿车制动能量回收与防抱死集成控制系统研究[D]. 高会恩. 吉林大学, 2020(03)
- [2]基于虚拟现实技术的车辆驾驶培训系统研究[D]. 谷新平. 山东大学, 2020(11)
- [3]智能汽车人机共驾系统测试评价方法研究[D]. 李享泰. 吉林大学, 2020(08)
- [4]面向虚拟现实的运动模拟系统研究[D]. 刘小毛. 哈尔滨工业大学, 2020(01)
- [5]实车与模拟驾驶过程中视觉分心特性对比研究[D]. 申宁宁. 长安大学, 2020(06)
- [6]基于RBF神经网络的车辆纵向避撞预警模型研究[D]. 李洪涛. 东北林业大学, 2020(01)
- [7]基于脑电信号的驾驶员注意力监测系统设计与实现[D]. 刘牧天. 武汉理工大学, 2020(08)
- [8]基于消费级无人机的稻麦生长实时监测系统设计与实现[D]. 高晨曦. 南京农业大学, 2019(08)
- [9]不同情绪在典型驾驶场景中对驾驶行为的影响研究[D]. 胡乾静. 重庆大学, 2019(01)
- [10]人机共驾型智能汽车的共享控制方法研究[D]. 李仁杰. 清华大学, 2018(06)