汽车行驶性能的主观评价方法(2)-驾驶员的任务

人(驾驶员)-车辆-环境闭环控制系统

驾驶过程中,驾驶员承担着操纵车辆和控制车辆的任务。驾驶员在不知不觉中接受了大量光学、声学和动力学信息并予以评价,同时不断地通过理论值和实际值的比较来完成控制作用(图 2.1)。这一过程中,不仅必须考虑由驾驶员控制所引起的汽车本身对行驶动力学性能的反作用和反馈作用,还须注意由环境影响产生的对汽车的反作用。汽车驾驶的任务可以划分为一个三层模型(图 2.2),即

■ 导航——预先设定目标,明确道路网络,决定行车路线;

■ 预瞄——考虑一些边界条件,例如道路引导、道路交通秩序(StVO)、交通情况等,通过理论路线对选择的路线进行预瞄;

■ 稳定——补偿与理论路线的偏差。

驾驶过程中,这三个任务通常是同时或间歇性地执行(图 2.3)[19]。汽车的行驶动力学性能直接影响到稳定任务的执行,此外还一定程度的对预瞄任务产生影响。而车辆行驶性能的主观评价最关键的就是稳定任务。这里行驶动力学的影响起主导作用。然而,改善行驶舒适性的措施也持续影响着驾驶感觉(例如驾驶安全性、驾驶乐趣、操控性、舒适性、对汽车的信任等)和所选择的驾驶策略。

图片

图 2.1 人-车控制系统

图片

图 2.2 驾驶员的控制效果

图片

图 2.3 人-车辆-环境闭环控制系统的多层模型

危险行驶工况

为了减轻驾驶员的压力,避免危险工况下可能发生的事故,人们在对汽车在极限情况 下的行驶动力学特性提出了高要求。在图 2.4 中显示了人-车控制系统特性受到干扰的情况。车况、天气条件和驾驶员状态决定了危险程度。车辆动力学品质显示为危险程度随驾驶员的反映时间而上升。汽车对驾驶员修正的响应,以及驾驶员的操作习惯,都影响着驾驶员-车辆响应这一过程。

要在危险工况中具有良好的行驶性能,由其要力争实现以下一些特性:

■ 汽车对转向和载荷变换指令的响应具有可预见性;

■ 高的横摆阻尼;

■ 接近侧滑极限时具有明确的反馈;

■ 柔和的传递特性(转向时不出现阶跃式变化);

■ 一致的行驶特性,不受路面附着系数和载荷的影响。

 在现代汽车中,电子稳定系统愈发普及[20-23]。该系统主要是辅助驾驶员,减轻驾驶压力,甚至避免可能发生的事故。行驶性能的校准应做到即便没有这些辅助系统的帮助也能使车辆表现良好。只有在此基础上,控制系统才能最大程度的实现稳定车辆的效果。

图 2.4 危险驾驶工况下的安全裕量

底盘工程师的基本要求

汽车驾驶是一项后天学会的技能,伴随着不断增长的实践经验,驾驶员的反应表现也 越来越快(图 2.5)。新驾驶员通常按照所学的知识来驾驶汽车,反应也比较慢;而一个熟练的驾驶员则拥有迅速、自然而然的驾驶习惯,使得他在危险状况下也能做出迅速的反应[24;25]。这种自发的本能的模式完全是在潜意识中做出的,也使得驾驶员能够做出进一步的控制措施,或者更细致地观察车辆的行驶过程。

要进行行驶动力学校准,拥有不同车型的丰富驾驶经验和熟练驾驶技巧对于一个研发工程师来说是必须的。只有这样,他才能在完成操纵和控制任务的同时,对汽车行驶动力学

表现进行评价。

除了良好的驾驶技术,研发工程师还必须了解行驶动力学的内在联系,并掌握底盘的工程技术。重要的是,他还须能把主观感觉到的行驶特性尽可能地立即转化为技术措施。行驶试验的结果往往不仅仅是主观评价,而且也是进一步优化车辆操控性和舒适性的设想。

图片

图 2.5 汽车驾驶过程中的反应类别

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
驾驶员行驶轨迹数据预处理可以包括以下步骤: 1. 数据清洗:去除重复数据、缺失数据、异常数据等,确保数据的准确性和完整性。 2. 数据转换:将数据从原始格式转换为可处理的格式,例如将CSV文件转换为Pandas DataFrame。 3. 特征提取:从数据中提取有用的特征,例如时间、位置、速度、加速度等,以便后续的分析和建模。 4. 特征处理:对提取的特征进行处理,例如归一化、标准化、降维等,以便后续的分析和建模。 5. 数据可视化:通过可视化工具对数据进行可视化,例如绘制轨迹图、速度图、加速度图等,以便更好地理解数据。 以下是一个Python的示例代码,演示了如何对驾驶员行驶轨迹数据进行预处理: ```python import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取CSV文件 data = pd.read_csv('driving_data.csv') # 去除重复数据 data.drop_duplicates(inplace=True) # 去除缺失数据 data.dropna(inplace=True) # 去除异常数据 data = data[(data['speed'] >= 0) & (data['speed'] <= 120)] # 转换时间格式 data['time'] = pd.to_datetime(data['time']) # 提取时间、位置、速度、加速度等特征 data['hour'] = data['time'].dt.hour data['minute'] = data['time'].dt.minute data['second'] = data['time'].dt.second data['latitude'] = data['location'].apply(lambda x: float(x.split(',')[0])) data['longitude'] = data['location'].apply(lambda x: float(x.split(',')[1])) data['speed'] = data['speed'].apply(lambda x: x / 3.6) data['acceleration'] = data['speed'].diff() / data['time'].diff().apply(lambda x: x.total_seconds()) # 对速度和加速度进行标准化处理 data['speed'] = (data['speed'] - data['speed'].mean()) / data['speed'].std() data['acceleration'] = (data['acceleration'] - data['acceleration'].mean()) / data['acceleration'].std() # 绘制轨迹图 plt.plot(data['longitude'], data['latitude']) plt.show() # 绘制速度图 plt.plot(data['time'], data['speed']) plt.show() # 绘制加速度图 plt.plot(data['time'], data['acceleration']) plt.show() ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小明师兄

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值