针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感...针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感知特性引入双时延信息,结合多前车速度差和期望速度信息提出DD-MLFVD模型.通过微小扰动法求解DD-MLFVD模型的临界稳定性条件,同时结合模型参数研究前车数量和时延大小对模型稳定域的影响.利用直道场景对模型进行仿真分析,着重研究变扰动和变时延场景下DD-MLFVD对交通流的稳定效果.结果表明:面对复杂扰动影响,DD-MLFVD模型能够较好吸收扰动,可提升交通流的稳定性.展开更多
为进一步提高制动能量回收率,考虑不同工况下驾驶员不同制动意图所需的制动效果,提出了一种四驱电动汽车制动控制策略。首先,针对常规制动工况,基于常规制动意图识别,从制动能量回收率、稳定性和安全性角度分别设计控制策略;其次,针对...为进一步提高制动能量回收率,考虑不同工况下驾驶员不同制动意图所需的制动效果,提出了一种四驱电动汽车制动控制策略。首先,针对常规制动工况,基于常规制动意图识别,从制动能量回收率、稳定性和安全性角度分别设计控制策略;其次,针对滑行工况下的不同滑行制动意图,判断电机制动力是否介入及何时介入,并根据驾驶员所需的滑行距离计算电机制动力的大小;然后,由台架试验获得前后电机外特性并建立前后电机最优利用效率模型;最后,利用Carsim和Simulink进行了联合仿真分析。仿真结果表明,在新欧洲驾驶循环(New European Driving Cycle,NEDC)工况下,与并联控制策略相比,能量回收率提升了13.64百分点;在滑行工况下可有效识别驾驶员需求滑行距离,提升了整车滑行经济性。展开更多
文摘针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感知特性引入双时延信息,结合多前车速度差和期望速度信息提出DD-MLFVD模型.通过微小扰动法求解DD-MLFVD模型的临界稳定性条件,同时结合模型参数研究前车数量和时延大小对模型稳定域的影响.利用直道场景对模型进行仿真分析,着重研究变扰动和变时延场景下DD-MLFVD对交通流的稳定效果.结果表明:面对复杂扰动影响,DD-MLFVD模型能够较好吸收扰动,可提升交通流的稳定性.
文摘为进一步提高制动能量回收率,考虑不同工况下驾驶员不同制动意图所需的制动效果,提出了一种四驱电动汽车制动控制策略。首先,针对常规制动工况,基于常规制动意图识别,从制动能量回收率、稳定性和安全性角度分别设计控制策略;其次,针对滑行工况下的不同滑行制动意图,判断电机制动力是否介入及何时介入,并根据驾驶员所需的滑行距离计算电机制动力的大小;然后,由台架试验获得前后电机外特性并建立前后电机最优利用效率模型;最后,利用Carsim和Simulink进行了联合仿真分析。仿真结果表明,在新欧洲驾驶循环(New European Driving Cycle,NEDC)工况下,与并联控制策略相比,能量回收率提升了13.64百分点;在滑行工况下可有效识别驾驶员需求滑行距离,提升了整车滑行经济性。
