一、汽车外观检测与车辆行驶安全（论文文献综述）
商伟超[1]（2021）在《城市道路潜在危险交通场景识别与风险评估研究》文中指出基于数据驱动的深度学习技术大大推动了自动驾驶汽车量产落地的进程,但是,“长尾问题”一直悬而未决,很大程度制约了自动驾驶汽车的商业化应用。车载传感器视野遮挡导致的潜在危险交通场景是“长尾问题”的典型“边角案例”。国内外在潜在危险交通场景研究主要存在两大类问题,一是研究场景单一;二是运动规划只考虑静态遮挡盲区。然而,现实中潜在危险交通场景种类多样,且特性不同。针对这些问题,本文以城市路况为背景,对潜在危险交通场景进行分类、识别、风险评估,并进行自动驾驶汽车的运动速度规划,主要研究内容及成果如下:第一,潜在危险交通场景的分类。通过人类驾驶视野遮挡问题延伸至自动驾驶领域,结合大量交通场景分析,寻找场景特征共性及特性,以遮挡物运动状态分为静态遮挡与动态遮挡;在此基础上,结合道路特征和场景共性及相关理论知识,分为静态渐变盲区、静态突变盲区、动态渐变盲区三种潜在危险交通场景,并建立了各类别场景的环境模型,为后续识别模块降低难度。第二,潜在危险交通场景的识别。根据上述场景模型特征,分别采用不同识别方法。考虑静态渐变盲区与动态渐变盲区主要研究对象为车辆,采用深度学习算法uNetXST网络进行识别,与深度网络及其变体网络进行对比,本文模型遮挡区识别F1 Score为92%,MIou分数为87.83,均高于深度网络及其变体;考虑静态突变盲区研究对象为隔离带豁口处与道路连通域位置,采用区域生长方法进行识别处理;通过不同城市结构化道路与非结构化道路仿真实验,检验了识别算法的有效性与鲁棒性,为后续运动规划提供潜在危险区域起始点。第三,潜在危险场景的风险评估与运动速度规划。为增加风险评估模型的鲁棒性,采用基于场景上下文信息的动态贝叶斯网络进行风险评估,将道路环境中的8种安全因素作为评估网络节点,增加评估模型灵活性;为了可以安全并且高效的行驶,基于人类驾驶员行为,建立纵向运动规划模型,将遮挡区域风险点与道路环境信息引入模型中,使得纵向规划速度随着相对距离及风险值的变化而变化,从而降低对道路交通流的影响,并且增加了模型的鲁棒性。第四,潜在危险场景风险评估与运动规划模型的实验验证。选取校园道路场景进行实车实验。针对静态渐变盲区和静态突变盲区场景,考虑多种复杂工况和测试指标,对潜在危险交通场景风险评估模型及运动规划模型进行离线测试,将仿真实验与人类驾驶员实验数据进行比较分析。实验结果表明,本文模型不仅可以保证行车安全性,并且可以实现车辆交通流的高效性,提高了自主驾驶汽车的主动安全性。
余小龙[2]（2021）在《纯电动二手乘用车技术鉴定及评估方法研究》文中认为近年来,随着国家大力推广和发展新能源汽车,我国的新能源汽车市场取得了长足的发展,根据中国汽车工业协会的统计数据显示,2020年我国的新能源汽车销量为136.7万辆,其中纯电动乘用车销量为100.1万辆、占比73.2%,随着纯电动乘用车的大规模普及和应用,越来越多的纯电动乘用车将进入二手车市场,燃油二手乘用车在交易的过程中可以参考《二手车鉴定评估技术规范》（GB/T 30323—2013）来进行技术鉴定和价值评估,但目前市场对于纯电动二手乘用车的鉴定评估还处于初期的探索阶段,国家也未出台相关的鉴定评估标准,评估标准的缺失直接制约了整个纯电动乘用车产业的发展,为了更好的促进纯电动乘用车产业的发展,市场上急需一套行之有效的纯电动二手乘用车技术鉴定和价值评估的方法。本论文主要包括四部分内容:一是纯电动乘用车价值构成分析,通过对燃油汽车和纯电动乘用车的结构组成和零部件价值占比进行对比分析,发现两者差异较大,现有价值评估方法不适用于纯电动二手乘用车评估。二是价值评估方法分析,改进后的重置成本法更加适用于纯电动二手乘用车的价值评估,在改进后的评估方法中将动力电池重置成本单独计算,通过年限成新率和技术鉴定成新率相结合的方式确定基础成新率,使用标称续航里程、使用性质、车型保值率、行驶里程、过户次数等因素确定基础成新率的调整系数,并使用AHP层次分析法定量分析了各影响因素的权重值。三是确定了纯电动二手车乘用车技术鉴定的方法,将纯电动二手乘用车的技术鉴定分为动力电池总成、驱动电机总成、车身外观、内外饰、电子电器、车辆底盘、车辆路试7个模块,并对每个模块制定了详细的技术鉴定评分表,动力电池模块技术鉴定采用遗传算法（Genetic Algorithm）对动力电池组NEDC工况数据进行最优化拟合,构建了动力电池能量衰减模型,并将模型应用于动力电池的评价当中。四是实例验证,通过纯电动二手乘用车鉴定评估实例,对论文提出的评估方法的准确性和可操作性进行了验证,验证结果表明本论文提出的纯电动二手车乘用车评估方法可为当前市场交易提供指导作用。
赵文博[3]（2021）在《智能汽车行人避撞系统相机在环测试方法研究》文中研究指明智能汽车行人避撞系统是一种基于智能传感信息的旨在避免或减轻车辆对于行人伤害的高级驾驶辅助系统（Advanced Driving Assistance System,ADAS）。传统道路测试对于复杂工况难以复现,相机在环测试可以通过嵌入真实的相机硬件和构建虚拟场景弥补这种不足。因此搭建相机在环测试平台对相机成像影响因素进行深入研究,并以此为基础构建虚拟测试场景,探寻加速测试方法,对基于视觉信息的智能汽车行人避撞系统进行自动化测试,是未来智能汽车测试领域的重要研究内容,也是实现自动驾驶汽车落地的基础。本文依托国家重点研发计划“自动驾驶电动汽车硬件在环测试环境构建与模拟测试技术研究”（编号:2018YFB0105103）,开展相机在环测试方法研究。建立一套相机在环测试平台,通过实车数据采集和产品级智能相机对该平台有效性和置信度进行验证;基于卷积神经网络,设计智能汽车行人避撞系统;基于对相机成像影响因素的分析,构建面向行人避撞系统的虚拟测试场景,基于组合测试理论,设计加速测试场景生成方法;最后在测试平台上进行自动化测试与实验结果分析。本文主要研究内容包括以下四部分:（1）相机在环测试平台构建设计相机在环测试平台方案,基于虚拟场景投屏的方式,选用显示器,车载相机、视频暗箱、Prescan、Matlab/Simulink等软硬件构建相机在环测试平台。将Mobileye相机经过标定计算后固定在测试平台上,通过黑盒测试来验证实验台的功能性;通过实车和测试平台对比测试,验证测试平台置信度。为提高测试效率,提出基于本测试平台的自动化测试流程。（2）智能汽车行人避撞系统设计提出智能汽车行人避撞系统架构,分别构建基于Yolo-v3和Yolo-v4检测网络的单目视觉智能汽车行人避撞系统。选用公开数据集COCO和Caltech建立联合训练集,分别对两种检测网络进行训练,根据单目测距原理计算人车纵向距离。设计基于最小安全距离模型的主动避撞模块,通过用户数据报协议（User Datagram Protocol,UDP）完成行人检测模块与主动避撞模块间通信,并在测试平台上完成行人避撞功能验证。（3）面向行人避撞系统的测试场景生成方法研究根据相机在环测试功能需求,通过相机模组结构分析光线、雨、雪、雾和运动对相机成像的影响,进行测试场景参数设计,选择本车速度、光线、天气类别、行人穿着颜色及路旁树木阴影作为场景参数,并按照测试需求进行离散取值,完成了测试场景生成。由于遍历测试用例数量会随着场景参数个数及具体取值的增加而呈现指数上升,为解决此类问题,本文提出基于贪心算法的组合测试用例生成方法。（4）测试实验与评价方法研究。基于相机在环测试平台对行人避撞系统、目标检测算法以及测试场景生成方法进行了自动测试与分析。使用卡方和双因素方差法对行人避撞系统测试结果进行分析。对于目标检测算法,提出了算法动态性能指标——首次检测距离和最小安全距离检测精度,联合目标检测常用指标平均准确率（mean Average Precision,m AP）与每秒传输帧数（Frames Per Second,FPS）进行联合评价。对于场景生成方法,较于遍历测试,基于贪心算法的组合测试提升测试速度近12倍;同时各场景参数取值频数所占比例与遍历测试大致相同,对基于组合测试的实验结果进行双因素方法分析,分析结论与遍历测试基本一致;两种测试用例生成方法得到的实验结果FPS和首次检测距离均呈现正态性,且分布状况一致。
宋德江[4]（2021）在《基于深度学习的车辆行为识别》文中提出随着深度学习研究的不断深入,无人驾驶技术得到高速的发展,为人们的出行提供了新的体验。无人驾驶系统对周围环境的了解程度是实现车辆安全驾驶的基础,算法对环境的理解能力影响了无人驾驶系统的智能程度,为车辆的决策系统提供数据支持。如今的深度学习算法解决了传统算法对环境理解层次低,难以提取较高维度抽象特征的问题。基于深度学习的算法能够通过大量的样本训练学习,从中提取到高级抽象的特征,并得到泛化能力强的模型。由于无人驾驶技术与人的安全息息相关,目前的无人驾驶技术还不能完全保证人的安全,影响了无人驾驶的普及。通常交通事故主要是由人为因素导致的,若能够有效识别前方的车辆行为,一方面可以给予驾驶员预警提示,另一方面可以给无人驾驶系统提供更多的感知信息,提前做好应对措施,减少事故的发生。车辆行为的识别需要提取到有效的路况信息,通常的做法是先检测到目标车辆的位置,再对目标进行跟踪,最后根据目标车辆的行驶轨迹识别出车辆的行为。本文重点研究车载摄像头下的车辆行为识别,其中包含车辆目标的检测和跟踪以及车辆行为的识别算法,主要内容如下:（1）提出了目标车辆底面位置边框的识别算法。针对自身参与交通时,环境处于动态背景下,相机拍摄到的车辆会出现明显的几何形变,导致目标检测算法检测到的检测框中心并不是准确的车辆位置。基于目标检测的跟踪算法,检测框的好坏将会影响目标跟踪的效果,从而影响车辆轨迹的识别。为了准确描述车辆在道路上的位置,提升算法对车辆行为识别的能力。本文提出通过检测车轮与地面的接触点所构成的区域作为车辆的位置,并基于目标检测模型设计网络结构、锚框和损失函数,检测输出车辆底面的检测框。该方法可以使得车辆在道路中的位置定位更加准确。（2）搭建了在不同视角下提取一致的车辆特征的网络模型。针对视野两侧的车辆,其行驶在远离或者接近时,它的尺寸和形态会发生变化明显,导致跟踪的目标丢失。通过建立车辆目标的特征提取网络,优化同一车辆目标在不同角度下提取的特征的距离损失,有效提升了跟踪目标对应特征的鲁棒性,优化跟踪的效果。（3）搭建了基于Transformer的车辆行为识别模型。在车载相机拍摄的透视图下车辆的行为不易分辨,通常使用仿射变换将车辆的位置投影到俯视图后再识别,这种方法无法对非直线车道的车辆行为（如变道行为等）进行识别。在车载相机本身与目标车辆发生相对移动的情况下,还会导致行驶轨迹变形,拍摄角度的不同也会导致车辆的行为表现不一。针对这样的问题,本文搭建了一个基于的时序分类模型,结合车辆的准确位置、检测框的尺寸和车道线信息,让算法能够分辨出不同路况下车辆的行为。
唐兵[5]（2021）在《基于机器视觉的车辆前向碰撞预警系统研究与实现》文中认为随着智能技术的快速发展,车辆智能化成为目前最热门的研究方向之一。车辆高级辅助系统与车联网的有效结合,能够为驾驶人员提供安全的驾驶环境,减少交通事故的发生概率,从而提高行车安全。其中,车辆前向碰撞预警作为车辆高级辅助系统中的关键技术之一。基于传统视觉的前车碰撞预警方法中,由于存在目标检测精度不高,无法对多目标进行有效测距以及碰撞风险评估策略不准确等问题,导致整个系统预警误差较大,针对上述问题,主要研究工作如下:（1）针对目标检测精度以及实时性的要求,研究了基于深度学习的前向车辆以及行人目标检测方法。优化YOLO V3网络模型,提升检测精度,通过添加空间金字塔池化结构,利用GIo U分别对网络结构和损失函数进行优化,并制作车辆道路数据集,进行训练,得到应用在前向碰撞预警场景下的目标检测网络模型。（2）针对系统对多目标测距要求,研究了深度学习与跟踪算法相结合的目标跟踪方法。将YOLO V3检测的目标输入Deep Sort目标跟踪算法中,得到目标的轨迹,并且研究了单目测距算法,分析了单目测距误差产生的原因,将目标跟踪的结果与单目测距相结合,实时计算前方车辆以及行人不同目标的距离。（3）针对碰撞预警不准确的问题,先对最小制动安全距离和相对碰撞时间计算方法进行公式推导。然后联合最小制动安全距离和相对碰撞时间两种方法,划分道路危险区域,将预警信息分为提示、警示、告警三级进行预警提示,提高了系统碰撞预警的准确度。（4）设计了一套低成本硬件终端系统。将深度学习网络模型移植到嵌入式终端上,采用多进程软件架构,设计碰撞预警软件和可视化上位机软件,实现对前方车辆以及行人的碰撞预警。最后结合移动蜂窝网络实时上报预警信息,视频信息至车联网运营管理平台,实现对车辆远程安全监视功能。实验结果表明,相比于原有模型,优化后YOLO V3在车辆和行人识别准确度分别提升了1.2%和2.3%。同时,在终端上运行帧率为20帧每秒,实时性较好。此外,对前方车辆以及行人测距误差在7%以内,满足碰撞预警系统测距要求。最终,设计的系统实现对危险碰撞预警提示,并结合车联网运营管理平台有效完成对车辆远程安全监管功能。
白运波[6]（2021）在《无人驾驶车辆多目标检测与跟踪研究》文中认为自动驾驶是目前科技发展的重要一环,目前在园区、港口、矿区等特定环境下已实现了完全的无人驾驶。环境感知是无人驾驶技术中的基石,它为下层决策和规划提供必要的信息,是无人车能够安全驾驶的必要前提。激光雷达作为车辆感知中重要的传感器,能实时高效的获得三维点云,而基于点云的障碍物检测和跟踪研究是智能车动态环境感知的关键问题之一。本文使用VLP-16雷达作为主要传感器,对无人车周边环境进行感知,内容主要包括激光雷达外参标定、背景点云去除、可行驶区域提取、障碍物检测与跟踪研究,具体内容如下:（1）激光雷达外参标定。本文使用纸箱标定算法,获取纸箱“角点”在激光雷达和车体坐标系下的坐标,求解旋转平移矩阵。最终将雷达点云坐标转换到车体坐标系。（2）去除背景点云。先使用RANSAC、GPF算法进行地面识别,采用平面模型代表地面,均可识别平坦道路,不可区分斜坡道路。因此本文提出一种有效识别坡度的算法:首先将车辆前方分割为两个区域,利用GPF算法思路对每个区域内的线束选取最低部分代表点,其次求出分割两平面内有效线束,对每个平面内有效的线束点使用RANSAC算法拟合,再次对拟合的两个平面进行夹角判断,若夹角大于阈值,则对两平面相交的位置处前后点云再一次拟合,从而完成路面的识别,若夹角小于阈值,则无需再一次拟合。最后通过实车验证了算法的有效性与实时性。（3）可行驶区域提取。针对路面点云中路沿点相对路面点高度突变的特征,采用相邻点高度差得到初选路沿点。路沿的高度差存在一个范围,初选路沿点是选取所有高度差异大的点,并未得到一块区域内的高度差,而且路面点云不仅包含路面及路沿,还包含其他周边的点,因此使用栅格地图来选取符合路沿高度范围的点,以及去掉过低或者过高的初选路沿点。使用改进DBSCAN聚类算法对路沿点进行聚类,剔除孤立的杂点,最后使用RANSAC进行路沿线的拟合,得到可行驶区域。（4）可行驶区域障碍物检测。根据DBSCAN聚类算法特点,提出一种自适应阈值的聚类算法,根据不同距离来确定聚类半径以及最小样本点个数。对聚类后的物体使用方盒模型表征障碍物的几何轮廓。最后,建立样本数据集。使用提取特征训练SVM分类器,从而完成目标的分类。（5）障碍物跟踪预测。在完成目标检测以后,需要对障碍物进行跟踪,用关联矩阵的方法来对前一帧的预测与本帧的状态进行关联,并使用匈牙利算法得到最大匹配对。为了得到准确的预测,并针对激光雷达连续帧速度求解波动较大的问题,使用卡尔曼滤波算法对速度与加速度进行最优估计,得到准确的预测位置,从而提高匹配准确率。通过实车验证了估计的准确性,提高了跟踪的正确率。本文使用C++编程,在ROS机器人操作系统上对算法进行处理和消息的接收与发送。
张念[7]（2021）在《基于粗糙集理论的二手车成新率计算方法之改进及其应用研究》文中指出随着我国经济的迅猛发展,居民消费能力及消费水平的提高也带动我国汽车行业不断发展,尤其是二手车市场的蓬勃发展。随之而来的就是二手车评估业务的大量增加,但就我国目前的二手车价值评估体系而言,尚未形成较为系统且科学的估价方法。重置成本法是实务中运用较多的评估方法之一,但在成新率的计算过程中也存在着诸多问题。传统的几种成新率计算方法在确定成新率时主观随意性较大,缺乏比较客观的理论依据,导致评估结果的可信度不高。而成新率的确定对二手车评估值有着至关重要的作用,所以为了提高二手车评估业务的专业性和科学性,本文拟对成新率的计算方法做进一步的改进。本文首先在分析理解相关理论和文献的基础上,总结出重置成本法中传统二手车成新率计算方法存在影响因素考虑不够全面、权重值的确定缺乏理论支撑等问题,引入粗糙集理论,拟对二手车成新率问题进行研究。其次,从基础影响因素、车辆性能因素、车况因素和市场因素四个方面对影响成新率的因素进行细化分析,初步构建成新率评价指标体系;利用粗糙集理论的属性约简原理对二手车成新率指标集进行约简处理,删除冗余重复的因素,精简成新率评价指标体系。再次,借助于粗糙集理论的属性重要度原理,求出剩余指标对应的权重值,进而计算出车辆的成新率。相较于传统的评估方法,改进后的成新率考虑的影响因素更全面,同时避免了因素间可能存在重复表达的问题,并且为指标权重的计算提供较为科学的理论依据,从而使计算出的成新率更具客观性和可靠性。最后将本文探讨的成新率计算的改进方法运用于具体案例的分析,通过对比计算结果,较好的说明了改进后的二手车成新率计算方法的适用性。改进后的方法弥补了传统二手车成新率计算方法笼统、主观随意性等问题,有利于进一步拓展和深化我国的二手车评估理论,为今后的评估理论和实践提供一个新的思考方向。
张叶亮[8]（2021）在《带路侧光感的车路协同系统方案设计及测试验证》文中进行了进一步梳理近年来自动驾驶行业逐步进入产业化,已经有诸多的厂家开始推出具备一定自动驾驶能力甚至完全自主驾驶能力的车辆产品。但是随着测试车辆和运行车辆的增多,自动驾驶车辆安全事故频发,危及乘员的生命安全,同时对整个自动驾驶产业造成了非常恶劣的影响。根据目前已经发生的多起典型的自动驾驶事故分析,其主要的原因就是车辆在非正常光线的影响下,造成车辆自动驾驶决策系统误判,从而造成严重伤亡事故。因此基于视觉感知系统的安全性成为自动驾驶行业必须面对的一个技术障碍。目前通过车路协同技术能够有效地提升自动驾驶车辆获取的信息量和信息质量,弥补信息盲区,提升决策的安全性。但是几乎所有的车路协同感知系统都是基于车辆侧向的感知,而缺乏车辆前进方向的感知和预测。本文以自动驾驶车辆常见的视觉感知系统面对剧烈光线变化而产生的错误判断这一情况作为切入点,研究利用车路协同技术,构建道路光感系统,为整车控制决策提供车辆前进方向的感知参考,排除非正常光线对车辆视觉感知系统的影响,从而帮助决策系统做出正确的决策。本论文的核心是车载视觉感知与道路光感系统互补性设计,为车路协同方案提供一条新的技术思路,设计的指导原则是既要保证正确决策所需的信息质量,又避免因为加入更多的车载感知传感器引起的成本增加和可靠性恶化。在光线突变情况下单一车载视觉系统、多传感器融合系统（单车智能）会出现视觉失效或预警决策延时较长的情况,这些情况的出现不利于自动驾驶决策的安全性。针对这一问题,本文提出并设计了带路侧光感的车路协同系统方案,并结合自动驾驶车辆,开展了感知系统在光线突变条件下的测试方法研究、测试方案验证,提出了光感采集系统、车路协同系统、车辆决策系统之间的控制策略匹配,为未来带光感的车路协同方案应用提供解决方案。本文的主要研究内容如下:（1）国内外自动驾驶车辆感知技术、车路协同技术研究的现状与趋势。（2）路侧光感的车路协同系统技术方案设计,包括系统总体框架、车端视觉感知系统、路侧光感数据采集系统、自动驾驶决策计算系统、车路协同通讯系统的基本组成和硬件选型设计等。（3）带路侧光感的车路协同系统测试方案设计。在对相关光线突变场景进行分析的基础上对隧道场景建立模型,通过模型分析结果设计搭建测试方案。通过对自动驾驶汽车驶入驶出隧道场景的测试方案进行设计,来验证自动驾驶车辆是否能对系统发送的信息进行识别和响应,并评价车辆能否在光线剧烈变化情况下及时切换整车控制策略及保证车辆安全的行驶。（4）带路侧光感采集功能的车路协同系统测试验证研究。包括车载视觉系统对异常光线反应的验证;路侧光感采集系统的测试验证、车路协同通讯系统的测试验证、通讯系统的响应效率测试验证、车路协同系统与整车控制策略匹配验证。通过测试验证,证明带路侧光感的车路协同系统方案可以为自动驾驶车辆在强光干扰情况下提前提供信息,帮助车辆及时切换控制策略,保障车辆安全行驶。
马新军[9]（2020）在《265/65R17低噪音全路况越野子午线轮胎研制》文中认为随着汽车业的发展,多功能运动型轿车、高档吉普、皮卡等越野车型已逐步进入国内客户视线,其粗犷、豪放的外观、各方面的优越性能也对其所装配的轮胎提出了新的要求。此类越野产品因需体现越野性能,因此噪音较难控制,通常噪音较高,引起用户抱怨。鉴于该类产品在国内外市场需求量呈不断增长态势,且产品附加值较高,我公司计划开发低噪音全路况越野子午线轮胎,并进行首规格265/65R17产品研制。本文内容主要是分为以下几方面:首先介绍轮胎发展历史和轮胎的作用,轮胎噪音基本理论;然后,进行265/65R17产品设计,包括轮廓设计、花纹设计、配方设计、施工设计。由于轮胎噪音性能是难点,所以在该轮胎设计过程中重点对影响噪音的因素进行了研究,包括花纹对噪音的影响、结构对噪音的影响及配方对噪音的影响并运用频谱图、彩图等方法对噪音进行分析,根据分析结果不断改善产品噪音。最后基于产品设计要求制造出合格的试验胎,进行外缘尺寸、脱圈阻力、强度、高速性能、常规耐久等轮胎尺寸和安全性测试及通过噪音测试,实际测试中,按照企业标准进行了加严测试,实验结果不仅满足国家法规的要求,同时满足加严的企业标准。本文结合实际工作,开发设计了低噪音全路况越野子午线轮胎265/65R17规格的国内市场产品,并对其噪音进行了优化设计研究。最终开发的产品符合相关标准要求,满足市场需求,具备规模化生产,是一款成功的产品。
乔洁[10]（2020）在《基于半物理仿真驱动的客运车辆关键性能虚拟测试技术研究》文中进行了进一步梳理汽车试验在汽车新车型开发过程中占有十分重要的地位,尤其是样车设计出来后的定型试验需要进行大量的实车测试试验,因而耗费大量的人财物资源,延长开发周期,间接降低新车型产品的市场竞争力。同时,据相关统计分析表明,营运车辆尤其是客运车辆的本质安全问题是触发道路交通事故群死群伤的主要诱因,而车辆本身结构安全性能又是支撑客运车辆安全行驶的主导因素。随着计算机科学技术的快速发展以及汽车产品研发数字化的不断推进,车辆性能试验的全数字化仿真是其主要发展趋势之一,而传统车辆虚拟仿真测试系统存在费用高昂、系统过于庞大复杂等诸多问题。因此,开展客运车辆关键性能虚拟测试技术研究,将对客运车辆新车型开发的提质增效具有重要的现实意义和深远的社会意义。本文依托国家自然科学基金面上项目（51278062）、陕西省自然科学基础研究计划项目（2018JQ5142）,综合运用人机工程学、系统工程学、车辆系统动力学、优化理论技术、信号处理技术、虚拟试验技术和智能评价技术,通过理论分析、算法建模、程序设计及大量离线模拟试验,研究能实时进行客运车辆性能虚拟测试、适时评判和优化车辆设计参数等关键技术及低成本、便携式、个人辅助设计工作平台系统的实现。针对车辆操纵信息采集非实时性及车辆运行参数模型构建简易等效的技术问题,采用多核多线程的方法进行操纵信息实时并行采集及车辆运行参数模型构建精细化技术研究。通过线位移传感器、角位移传感器、微动开关及光耦隔离模块的硬件搭建,对车辆操纵信息数据进行初步采集标定转化;基于改进变步长LMS算法对采集的数据进行自适应滤波清洗,抑制杂波干扰,提高信息采集效能;采用共享片上缓存的多核体系架构,构建多线程间条件变量同步的并行实时采集框架,采用任务级并行模式实现驾驶操纵信息“采集—处理—传输”的无缝连接,节省程序执行时函数切换的时间开销,达到低开销、高并行的驾驶操纵信息实时采集传输效果;充分考虑车辆动力系统、传动系统、转向系统及气压制动系统的物理结构特征及动力传输特性,建立车辆运行参数精细化模型,实现车辆操纵信息向车辆运行参数信息的精准传递,提高了车辆动力学模型参数输入的有效性。针对传统车辆动力学模型解算迟滞性问题,采用改进四阶RTRK算法及模板技术进行车辆动力学模型实时解算技术研究。通过设立车辆动力学模型的约束条件,缩小整车动力学模型的系统边界;依据多视角车辆三维动力学模型受力分析,构建相应的整车动力学模型;基于主流轮胎模型比对,选用改进Gim模型构建轮胎地面力学模型,结合轮胎滚动力学模型,有效分析轮胎受力与结构参数变化下的轮胎力学特性,进而精确描述车辆行驶过程中整车运行姿态。通过对车辆动力学方程表达式进行标准化改造,将仿真时间区域按一定步长离散化,遴选改进四阶RTRK算法对车辆动力学方程进行实时解算,降低积分运行子程序工作量;采用基于C++的模板技术对车辆动力学方程的解算器进行封装,将车辆动力学方程的表达式作为函数参数进行传递,在编译过程中形成相应计算实例,避免了表达式对象加载造成的时间开销,从而提高代码复用性,完成车辆动力学方程的实时解算优化,解决了解算算法实时性与鲁棒性并存问题,实现了低耗时高精度的车辆试验工况仿真。针对车辆关键性能表征物理量繁多及传统车辆性能评价功能单一问题,基于改进雷达图理论,进行车辆关键性能评价技术研究。基于3DMax多边形建模技术、映射贴图技术和多边形平滑组技术,结合参照模板及扩展库进行试验车辆及试验场环境搭建,通过OpenGL矩阵堆栈调用,实现三维试验场景的多视角实时漫游。参照国标及相关ECE法规制定的车辆性能试验方案,构建车辆关键性能特征物理量方案集。通过对传统雷达图评价方法进行改进,采用扇形面积和扇形周长作为评价特征向量,以定性和定量相结合的方法,构建车辆关键性能层次分析模型的目标层、准则层和指标层。基于判断矩阵确定评价指标权重,针对不同量纲表述的评价指标进行归一化处理,依据指标权重和评价值计算的评价对象所占的面积和周长作为评价特征向量,根据构造的评价向量及构造函数的解析值完成车辆关键性能的技术评价,提升了车辆关键性能评价的有效性与实用性,便于车辆设计参数的优化改进。为验证论文所提出算法的有效性和实时性,完成客运车辆关键性能虚拟测试系统的设计开发,并进行系统的功能实现。基于市场主流车型,完成客运车辆关键性能虚拟测试试验,并对试验结果进行智能评价及对车辆设计参数进行优化改进。测试结果表明:本文提出的结合个人辅助操纵的客运车辆关键性能虚拟测试方案有效可行,系统使用便捷、成本低廉、工作稳定可靠,达到车辆设计工程师个人辅助设计应用要求。
二、汽车外观检测与车辆行驶安全（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、汽车外观检测与车辆行驶安全（论文提纲范文）
（1）城市道路潜在危险交通场景识别与风险评估研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 潜在危险场景识别研究现状 |
| 1.2.1 潜在危险场景识别 |
| 1.2.2 自主车辆运行风险评估研究现状 |
| 1.2.3 运动规划研究现状 |
| 1.2.4 研究现状存在的问题 |
| 1.3 研究内容及章节安排 |
| 1.3.1 本文研究内容 |
| 1.3.2 本文章节安排 |
| 2 潜在危险交通场景的分类及案例分析 |
| 2.1 传感器视野盲区 |
| 2.1.1 车载视觉传感器 |
| 2.1.2 车载传感器感知盲区 |
| 2.2 潜在危险交通场景的分类及典型场景事故分析 |
| 2.2.1 静态遮挡 |
| 2.2.2 动态遮挡 |
| 2.3 本章小结 |
| 3 基于深度学习的潜在危险场景识别 |
| 3.1 潜在危险交通场景识别uNetXST网络 |
| 3.1.1 完全卷积网络(FCN) |
| 3.1.2 SegNet卷积神经网络 |
| 3.1.3 基于ResNet网络改进的Unet网络 |
| 3.2 uNetXST网络 |
| 3.2.1 逆透视变换处理 |
| 3.2.2 数据预处理 |
| 3.2.3 数据增强 |
| 3.2.4 遮挡类的定义制定规则 |
| 3.3 模型的训练及推断 |
| 3.3.1 模型训练 |
| 3.3.2 实验结果 |
| 3.3.3 实车实验结果与分析 |
| 3.4 基于区域生长法的潜在危险场景识别 |
| 3.4.1 区域生长法 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于场景上下文信息的DBN潜在危险场景风险评估 |
| 4.1 基于场景上下文信息的DBN风险评估方法 |
| 4.1.1 场景上下文信息 |
| 4.1.2 动态贝叶斯网络 |
| 4.1.3 风险评估模型描述 |
| 4.1.4 风险评估模型结构建立 |
| 4.2 模型验证 |
| 4.2.1 试验场景设置 |
| 4.2.2 场景DBN模型及实验分析 |
| 4.3 本章小结 |
| 5 潜在危险交通场景运动规划与实车实验 |
| 5.1 纵向速度规划模型 |
| 5.2 仿真验证与分析 |
| 5.2.1 实验仿真 |
| 5.2.2 仿真分析 |
| 5.3 实车实验 |
| 5.3.1 实验平台 |
| 5.3.2 对比实验方案 |
| 5.3.3 静态渐变盲区交通场景实车实验 |
| 5.3.4 静态突变盲区交通场景实车实验 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（2）纯电动二手乘用车技术鉴定及评估方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 选题背景 |
| 1.2 研究的目的和意义 |
| 1.3 文献综述 |
| 1.3.1 国内二手车鉴定评估文献综述 |
| 1.3.2 国外二手车鉴定评估文献综述 |
| 1.4 本论文研究的主要内容 |
| 1.5 本论文研究的技术路线 |
| 2 纯电动乘用车价值构成分析 |
| 2.1 纯电动乘用车结构组成 |
| 2.1.1 纯电动乘用车车身 |
| 2.1.2 纯电动乘用车底盘 |
| 2.1.3 纯电动乘用车低压电器 |
| 2.1.4 纯电动乘用车动力电池 |
| 2.1.5 纯电动乘用车驱动电机 |
| 2.1.6 纯电动乘用车高压辅助电器 |
| 2.2 纯电动乘用车零部件价值占比 |
| 3 纯电动二手乘用车价值评估方法研究 |
| 3.1 二手车价值评估基本方法分析 |
| 3.1.1 现行市价法 |
| 3.1.2 重置成本法 |
| 3.1.3 收益折现法 |
| 3.1.4 清算价格法 |
| 3.2 纯电动二手乘用车价值评估方法的选择 |
| 3.3 重置成本的确定 |
| 3.4 基础成新率的确定 |
| 3.5 AHP层次分析法确定成新率综合调整系数 |
| 3.5.1 AHP层次分析法原理 |
| 3.5.2 成新率综合调整系数权重的确定 |
| 3.5.3 成新率综合调整系数的计算 |
| 4 纯电动二手乘用车技术鉴定 |
| 4.1 动力电池技术鉴定 |
| 4.1.1 动力电池外观技术鉴定 |
| 4.1.2 动力电池剩余质保评分 |
| 4.1.3 动力电池寿命衰减评分 |
| 4.2 驱动电机总成技术鉴定 |
| 4.3 车身外观技术鉴定 |
| 4.4 汽车底盘技术鉴定 |
| 4.5 汽车内外饰技术鉴定 |
| 4.6 汽车电子电器技术鉴定 |
| 4.7 汽车路试技术鉴定 |
| 5 评估模型实例验证 |
| 5.1 案例——2018 款荣威Ei5 |
| 5.1.1 重置成本的确定 |
| 5.1.2 基础成新率的计算 |
| 5.1.3 成新率调整系数的计算 |
| 5.1.4 车辆评估价格的计算 |
| 5.2 案例——2017 款吉利帝豪新能源EV |
| 5.2.1 重置成本的确定 |
| 5.2.2 基础成新率的计算 |
| 5.2.3 成新率调整系数的计算 |
| 5.2.4 车辆评估价格的计算 |
| 5.3 评估模型的分析 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录A 遗传算法程序代码 |
| 致谢 |
（3）智能汽车行人避撞系统相机在环测试方法研究（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 国内外发展现状 |
| 1.2.1 相机在环测试发展概述 |
| 1.2.2 测试场景设计发展概述 |
| 1.2.3 行人避撞系统发展概述 |
| 1.3 本文主要研究内容与方法 |
| 第2章 相机在环测试平台构建 |
| 2.1 相机在环测试平台方案 |
| 2.2 相机在环测试平台软硬件系统 |
| 2.2.1 软件系统 |
| 2.2.2 硬件系统 |
| 2.3 相机在环测试平台验证实验 |
| 2.3.1 相机在环测试平台功能验证 |
| 2.3.2 相机在环测试平台置信度验证 |
| 2.4 相机在环测试平台自动化测试方法 |
| 2.5 本章小结 |
| 第3章 智能汽车行人避撞系统设计 |
| 3.1 智能汽车行人避撞系统架构 |
| 3.2 行人检测模块设计 |
| 3.2.1 卷积神经网络概述 |
| 3.2.2 基于Yolo-v3的行人检测模块构建 |
| 3.2.3 基于Yolo-v4的行人检测模块构建 |
| 3.3 主动避撞模块设计 |
| 3.4 本章小结 |
| 第4章 面向行人避撞系统的测试场景生成研究 |
| 4.1 相机在环测试功能需求 |
| 4.2 车载相机成像影响因素分析 |
| 4.2.1 光线对成像的影响 |
| 4.2.2 复杂天气对成像的影响 |
| 4.2.3 车辆运动对成像的影响 |
| 4.3 测试场景参数设计 |
| 4.4 基于组合测试的测试用例生成方法研究 |
| 4.4.1 组合测试概述 |
| 4.4.2 组合测试模型 |
| 4.4.3 基于贪心算法的组合测试用例生成方法 |
| 4.5 本章小结 |
| 第5章 测试实验与评价方法研究 |
| 5.1 行人避撞系统测试通过性分析 |
| 5.1.1 单一场景因素对系统性能的影响 |
| 5.1.2 复杂天气多因素交互对系统性能的影响 |
| 5.2 目标检测算法性能评价 |
| 5.2.1 目标检测算法静态评价指标 |
| 5.2.2 目标检测算法动态评价指标 |
| 5.3 组合测试实验结果分析 |
| 5.4 本章小结 |
| 第6章 全文总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（4）基于深度学习的车辆行为识别（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 主要贡献及创新 |
| 1.4 论文结构安排 |
| 第2章 相关技术 |
| 2.1 基础算法 |
| 2.1.1 传统的特征提取算法 |
| 2.1.2 卷积神经网络 |
| 2.1.3 生成对抗网络 |
| 2.2 目标检测的相关算法 |
| 2.2.1 传统图像算法检测目标 |
| 2.2.2 二阶段的目标检测算法 |
| 2.2.3 一阶段的目标检测算法 |
| 2.3 目标跟踪的相关算法 |
| 2.3.1 传统的目标关联方法 |
| 2.3.2 卡尔曼滤波 |
| 2.3.3 分配问题的算法 |
| 2.4 车辆动作识别的相关算法 |
| 2.4.1 向量计算法 |
| 2.4.2 隐马尔可夫模型 |
| 2.4.3 循环神经网络 |
| 2.5 相关计算 |
| 2.5.1 评价指标的计算 |
| 第3章 车辆目标检测 |
| 3.1 引言 |
| 3.2 目标检测算法分析 |
| 3.3 车辆目标的检测与定位算法 |
| 3.3.1 车辆目标定位的问题 |
| 3.3.2 车辆底面检测算法 |
| 3.4 车辆目标位置的实验结果与分析 |
| 3.5 小结 |
| 第4章 车辆目标跟踪 |
| 4.1 引言 |
| 4.2 目标跟踪算法分析 |
| 4.3 车辆目标的跟踪与轨迹生成 |
| 4.3.1 车辆目标跟踪的问题 |
| 4.3.2 不同形态一致性编码网络 |
| 4.4 车辆目标轨迹的实验结果与分析 |
| 4.5 小结 |
| 第5章 车辆行为识别 |
| 5.1 引言 |
| 5.2 时序处理算法分析 |
| 5.3 动态背景下的车辆行为识别算法 |
| 5.3.1 车辆行为识别的问题 |
| 5.3.2 车辆位置和车道线信息 |
| 5.3.3 车辆行为识别 |
| 5.4 车辆行为识别的实验结果与分析 |
| 5.5 小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
（5）基于机器视觉的车辆前向碰撞预警系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.2.1 车辆防碰撞系统现状 |
| 1.2.2 目标检测算法研究现状 |
| 1.2.3 车辆碰撞预警算法现状 |
| 1.3 主要研究内容和论文结构安排 |
| 1.4 本章小结 |
| 2 车辆前向碰撞预警系统方案设计 |
| 2.1 功能需求分析 |
| 2.2 系统整体设计 |
| 2.3 终端硬件方案设计 |
| 2.4 软件方案设计 |
| 2.4.1 终端软件开发平台 |
| 2.4.2 数据采集部分 |
| 2.4.3 数据处理部分 |
| 2.4.4 用户界面显示部分 |
| 2.5 本章小结 |
| 3 目标检测及跟踪算法 |
| 3.1 目标检测算法原理对比 |
| 3.1.1 传统目标检测原理 |
| 3.1.2 基于深度学习的目标检测原理 |
| 3.2 基于深度学习的目标检测算法 |
| 3.2.1 基于Faster R-CNN的目标检测 |
| 3.2.2 基于YOLO V3的目标检测 |
| 3.2.3 目标检测算法实验对比分析 |
| 3.2.4 基于YOLO V3算法的优化 |
| 3.3 基于YOLO V3与Deep Sort的目标跟踪 |
| 3.4 实验结果与分析 |
| 3.4.1 车辆及行人检测实验结果与分析 |
| 3.4.2 目标跟踪实验结果与分析 |
| 3.5 本章小结 |
| 4 基于单目的前方车辆测距及碰撞预警策略 |
| 4.1 基于单目的前方车辆测距 |
| 4.1.1 摄像机成像原理 |
| 4.1.2 坐标系的转换 |
| 4.1.3 摄像机的内参数标定 |
| 4.1.4 摄像机标定过程 |
| 4.1.5 单目测距的几何模型 |
| 4.2 碰撞预警策略 |
| 4.2.1 预警场景分析 |
| 4.2.2 道路危险区域划分 |
| 4.2.3 预警系统关键参数计算 |
| 4.2.4 预警区域标定 |
| 4.2.5 碰撞预警模型设计 |
| 4.3 实验结果与分析 |
| 4.3.1 单目测距实验结果与分析 |
| 4.3.2 相对速度测试实验结果与分析 |
| 4.4 本章小结 |
| 5 车辆前向碰撞预警系统的实现 |
| 5.1 终端主要硬件电路实现 |
| 5.1.1 电源电路设计 |
| 5.1.2 通信模块电路设计 |
| 5.1.3 USB接口电路设计 |
| 5.2 深度学习网络模型移植过程 |
| 5.3 预警系统软件功能实现 |
| 5.3.1 软件开发工具介绍 |
| 5.3.2 数据采集模块实现 |
| 5.3.3 数据处理模块实现 |
| 5.3.4 用户界面显示模块实现 |
| 5.4 实验结果与分析 |
| 5.4.1 测试环境搭建 |
| 5.4.2 碰撞预警实验结果与分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（6）无人驾驶车辆多目标检测与跟踪研究（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 国内外研究现状 |
| 1.2.1 国外智能驾驶汽车研究现状 |
| 1.2.2 国内智能驾驶汽车研究现状 |
| 1.3 激光雷达传感器 |
| 1.4 基于激光雷达的障碍物检测研究现状 |
| 1.5 论文研究内容 |
| 第2章 激光雷达标定及数据预处理 |
| 2.1 激光雷达外参标定 |
| 2.1.1 雷达坐标与车体坐标转换关系 |
| 2.1.2 算法标定及验证 |
| 2.2 算法处理平台 |
| 2.3 数据预处理 |
| 2.4 本章小结 |
| 第3章 路面提取及路沿识别 |
| 3.1 地面识别 |
| 3.1.1 随机采样一致性算法(RANSAC) |
| 3.1.2 基于最低代表点地面分割方法(GPF) |
| 3.1.3 栅格地图法 |
| 3.1.4 改进地面分割算法 |
| 3.1.5 实验结果对比分析 |
| 3.2 路沿识别 |
| 3.2.1 道路模型 |
| 3.2.2 特征点选取 |
| 3.2.3 使用RANSAC进行曲线拟合 |
| 3.2.4 实验结果分析 |
| 3.3 本章小节 |
| 第4章 可行驶区域内障碍物检测 |
| 4.1 可行驶区域内障碍物聚类 |
| 4.1.1 聚类算法概述 |
| 4.1.2 DBSCAN算法 |
| 4.1.3 参数自适应的DBSCAN聚类 |
| 4.1.4 实验结果与分析 |
| 4.2 障碍物包围盒建立 |
| 4.2.1 AABB和 OBB算法 |
| 4.2.2 Minbox算法 |
| 4.2.3 实验结果分析 |
| 4.3 障碍物分类 |
| 4.3.1 样本数据的建立与特征值得选取 |
| 4.3.2 SVM分类器 |
| 4.3.3 分类结果分析 |
| 4.4 本章小节 |
| 第5章 数据关联及障碍物跟踪算法研究 |
| 5.1 数据关联算法分析 |
| 5.2 数据关联矩阵 |
| 5.2.1 关联矩阵计算及最大匹配对求解 |
| 5.3 目标状态估计 |
| 5.4 跟踪算法实验设计与分析 |
| 5.4.1 跟踪算法实验设计 |
| 5.4.2 实验结果分析 |
| 5.5 本章小节 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 研究展望 |
| 致谢 |
| 参考文献 |
| 个人简历、在学校期间发表的学术论文及取得的研究成果 |
（7）基于粗糙集理论的二手车成新率计算方法之改进及其应用研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 二手车评估及成新率研究综述 |
| 1.2.1 关于二手车评估的研究综述 |
| 1.2.2 二手车成新率测算的研究综述 |
| 1.2.3 关于粗糙集理论的研究综述 |
| 1.2.4 文献述评 |
| 1.3 研究内容和研究方法 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.4 技术路线及主要工作 |
| 1.4.1 技术路线 |
| 1.4.2 本文的主要工作 |
| 2 二手车成新率计算及价值评估的理论基础 |
| 2.1 二手车价值评估的基本假设 |
| 2.1.1 继续使用假设 |
| 2.1.2 公开市场假设 |
| 2.1.3 清算假设 |
| 2.2 二手车评估基本方法 |
| 2.2.1 收益现值法 |
| 2.2.2 现行市价法 |
| 2.2.3 重置成本法 |
| 2.2.4 清算价格法 |
| 2.3 本文二手车评估方法的选择 |
| 2.4 二手车成新率的计算方法 |
| 2.4.1 使用年限法 |
| 2.4.2 行驶里程法 |
| 2.4.3 技术鉴定法 |
| 2.4.4 综合成新率法 |
| 2.4.5 现有成新率算法的不足 |
| 3 粗糙集理论概述 |
| 3.1 粗糙集理论基础 |
| 3.1.1 信息系统 |
| 3.1.2 等价关系 |
| 3.1.3 上下近似集 |
| 3.1.4 知识的约简 |
| 3.1.5 属性重要度 |
| 3.2 粗糙集理论应用于二手车成新率计算的优势 |
| 4 基于粗糙集理论的二手车成新率计算及改进 |
| 4.1 应用粗糙集计算二手车成新率的基本思路 |
| 4.2 二手车成新率影响因素的遴选及指标体系构建 |
| 4.2.1 基础因素(B_1) |
| 4.2.2 性能因素(B_2) |
| 4.2.3 车况因素(B_3) |
| 4.2.4 市场因素(B_4) |
| 4.3 基于粗糙集的二手车成新率指标集的约简处理 |
| 4.3.1 成新率评价信息表的设定 |
| 4.3.2 数据的离散化处理 |
| 4.3.3 指标集的约简 |
| 4.4 基于粗糙集的二手车成新率权重的确定 |
| 4.4.1 指标权重确定方法的概述 |
| 4.4.2 基于粗糙集的指标权重计算 |
| 4.5 基于粗糙集的二手车成新率的计算 |
| 4.5.1 二手车基础成新率的计算 |
| 4.5.2 二手车综合调整系数的确定 |
| 4.5.3 二手车综合成新率的计算 |
| 4.6 应用粗糙集对二手车成新率计算的改进 |
| 5 基于粗糙集的二手车成新率算法的案例分析 |
| 5.1 二手车基本信息 |
| 5.2 案例二手车基础成新率的计算 |
| 5.2.1 基础成新率的基础指标B_1的计算 |
| 5.2.2 基础成新率的性能指标B_2的计算 |
| 5.2.3 基础成新率的车况指标B_3的计算 |
| 5.2.4 基础成新率的市场指标B_4的计算 |
| 5.3 案例二手车综合调整系数K的确定 |
| 5.4 案例二手车综合成新率的计算及对比分析 |
| 6 研究结论与展望 |
| 6.1 研究结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 |
（8）带路侧光感的车路协同系统方案设计及测试验证（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 主要符号表 |
| 主要缩略语表 |
| 1 绪论 |
| 1.1 自动驾驶技术发展路线 |
| 1.2 国内外自动驾驶感知技术研究现状 |
| 1.2.1 视觉SLAM的发展现状 |
| 1.2.2 视觉感知应对外部光线剧烈变化的研究现状 |
| 1.2.3 多传感器融合的研究现状 |
| 1.3 车路协同技术研究现状与趋势 |
| 1.3.1 车路协同系统体系基础架构 |
| 1.3.2 车路协同关键技术发展现状 |
| 1.3.3 车路协同技术优势及发展趋势 |
| 1.4 课题研究的背景与意义 |
| 1.5 本文主要研究内容 |
| 2 带路侧光感的车路协同系统总体方案设计 |
| 2.1 单车视觉多传感器系统对光线变化适应性测试分析 |
| 2.2 现有车路协同系统架构分析 |
| 2.3 带路侧光感的车路协同系统总体方案设计 |
| 2.3.1 系统架构设计 |
| 2.3.2 系统布局设计 |
| 2.3.3 系统主要组成部分的功能及性能 |
| 2.4 带路侧光感的车路协同系统硬件选型设计 |
| 2.4.1 车载视觉感知系统 |
| 2.4.2 路侧光感采集系统 |
| 2.4.3 信息交互系统 |
| 2.4.4 决策计算系统 |
| 2.4.5 系统集成匹配 |
| 2.5 本章小结 |
| 3 带路侧光感的车路协同系统测试方案设计 |
| 3.1 光线剧烈变化场景分析 |
| 3.2 光线剧烈变化典型场景建模分析 |
| 3.3 光线剧烈变化典型场景测试方法研究 |
| 3.3.1 车载摄像头测试方案研究 |
| 3.3.2 典型光线异常场景测试方案研究 |
| 3.4 本章小结 |
| 4 带路侧光感的车路协同系统测试验证研究 |
| 4.1 车载摄像头测试方案验证 |
| 4.2 带路侧光感的车路协同系统测试方案验证 |
| 4.2.1 路侧光感采集系统测试验证 |
| 4.2.2 车路协同通讯系统测试验证 |
| 4.2.3 车路协同系统响应效率测试验证 |
| 4.2.4 自动驾驶车辆驶入驶出隧道测试验证 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录 |
| 攻读硕士学位期间的研究成果 |
（9）265/65R17低噪音全路况越野子午线轮胎研制（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 轮胎技术发展背景与现状 |
| 1.3 轮胎的基本功能 |
| 1.4 轮胎发展里程碑 |
| 1.5 轮胎分类 |
| 1.5.1 按配套车辆或机械分类 |
| 1.5.2 按轮胎结构分类 |
| 1.5.3 按有无内胎分类 |
| 1.5.4 按用途分类 |
| 1.5.5 按产品分类 |
| 1.5.6 按气候分类 |
| 1.6 轮胎规格表示 |
| 1.6.1 轮胎基本尺寸 |
| 1.6.2 PCR轮胎规格释义 |
| 1.6.3 LTR轮胎规格释义 |
| 1.6.4 速度符号 |
| 1.6.5 负荷指数 |
| 1.6.6 轮胎强度 |
| 1.6.7 充气压力 |
| 1.7 PCR轮胎标识 |
| 1.7.1 胎侧标识要求 |
| 1.7.2 轮胎标识项介绍 |
| 1.8 PCR轮胎结构 |
| 1.9 PCR轮胎工艺流程 |
| 1.10 PCR轮胎轮辋 |
| 1.11 不同市场区域轮胎要求解析 |
| 1.11.1 PCR产品中国市场要求 |
| 1.11.2 PCR产品欧洲市场要求 |
| 1.11.3 PCR产品北美市场要求 |
| 1.11.4 SUV& LT产品中国及北美市场要求 |
| 1.11.5 SUV& LT产品欧洲市场要求 |
| 1.12 轮胎噪音基本原理 |
| 1.12.1 宏观上的两种激励 |
| 1.12.2 路面的激励导致的噪声 |
| 1.12.3 腔体模态和腔体噪声 |
| 1.12.4 胎面花纹激励产生的噪声 |
| 1.12.5 降低轮胎噪音的方法 |
| 1.13 本课题的研究内容 |
| 2 265/65R17 轮胎产品设计 |
| 2.1 轮胎设计前的准备工作 |
| 2.1.1 市场调查 |
| 2.1.2 设计目标 |
| 2.1.3 产品测试方法介绍 |
| 2.2 轮胎外轮廓设计 |
| 2.2.1 技术参数要求 |
| 2.2.2 外直径(D)和断面宽(B) |
| 2.2.3 行驶面宽(b)和冠弧高(h) |
| 2.2.4 着合直径(d)和着合宽度(C) |
| 2.2.5 断面水平轴位置(H1/H2) |
| 2.3 轮胎花纹设计 |
| 2.3.1 子午线轮胎花纹设计理念 |
| 2.3.2 轮胎花纹形式的确定 |
| 2.3.3 花纹设计的几大要领 |
| 2.3.4 花纹参数确定 |
| 2.4 配方设计 |
| 2.4.1 配方设计思路 |
| 2.4.2 各部件胶料设计特点 |
| 2.4.3 混炼工艺改进 |
| 2.4.4 主要原材料选择应用 |
| 2.5 施工设计 |
| 2.5.1 胎面 |
| 2.5.2 带束层 |
| 2.5.3 胎体帘布 |
| 2.5.4 钢丝圈 |
| 2.5.5 主要工艺确定 |
| 2.6 花纹雕刻 |
| 2.7 本章小结 |
| 3 全路况越野轮胎第一套噪音改善方案 |
| 3.1 初始方案噪音测试 |
| 3.2 轮胎噪音改善方案 |
| 3.3 室内噪音测试结果 |
| 3.4 室内噪音测试结果分析 |
| 3.4.1 综合分析 |
| 3.4.2 胎面胶料差异对轮胎噪音影响 |
| 3.4.3 节距差异对轮胎噪音的影响 |
| 3.4.4 结构差异对轮胎噪音影响 |
| 3.5 本章小结 |
| 4 全路况越野轮胎第二套噪音改善方案 |
| 4.1 轮胎噪音改善方案 |
| 4.2 室内噪音测试结果 |
| 4.2.1 麦克风布置 |
| 4.2.2 综合分析 |
| 4.2.3 不同麦克风位置处的频谱分析 |
| 4.2.4 花纹变化噪声频谱比对 |
| 4.2.5 G01/M01/M02/M03/M04 低频频谱比对 |
| 4.2.6 G01/M01/M02/M03/M04 彩图比对 |
| 4.2.7 全花纹M01 和错位C01 噪声比对 |
| 4.2.8 全花纹M01 与胎肩钢片加厚W01 频谱比对 |
| 4.2.9 全花纹雕刻M01 与新结构频谱比对 |
| 4.3 本章小结 |
| 5 全路况越野轮胎第三套噪音改善方案 |
| 5.1 轮胎噪音改善方案 |
| 5.2 室内噪音测试结果 |
| 5.2.1 封堵方案数据分析 |
| 5.2.2 结构方案数据分析 |
| 5.2.3 |
| 5.3 产品测试 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文及获奖目录 |
（10）基于半物理仿真驱动的客运车辆关键性能虚拟测试技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题的提出及研究意义 |
| 1.1.1 研究背景和选题依据 |
| 1.1.2 研究目的和研究意义 |
| 1.2 国内外研究现状及评述 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 研究现状评述 |
| 1.3 研究目标、内容、技术路线与创新点 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.3.4 研究创新点 |
| 1.4 本章小结 |
| 第二章 基于多核多线程的车辆操纵数据实时并行采集技术研究 |
| 2.1 基于多传感器融合的车辆操纵数据信息采集 |
| 2.1.1 基于线位移传感器的踏板信号采集与处理 |
| 2.1.2 基于角位移传感器的转向信号采集与处理 |
| 2.1.3 基于微动开关的挡位信号采集与处理 |
| 2.1.4 基于改进变步长LMS的自适应滤波洗出算法 |
| 2.2 基于多核多线程的数据实时并行采集方法 |
| 2.2.1 基于多核内存资源共享的数据实时采集软件框架设计 |
| 2.2.2 基于条件变量线程间同步的并行采集程序模型构建 |
| 2.3 考虑车辆结构特征的车辆运行参数模型构建 |
| 2.3.1 基于发动机负荷特性曲线的动力系统仿真模型构建 |
| 2.3.2 面向扭矩传递路径的传动系统仿真模型构建 |
| 2.3.3 基于转向梯形机构的转向系统仿真模型构建 |
| 2.3.4 基于气压传递原理的车辆制动系统仿真模型构建 |
| 2.4 本章小结 |
| 第三章 基于改进四阶RTRK算法及模板技术的车辆动力学模型实时解算技术研究 |
| 3.1 车辆动力学实时仿真模型构建 |
| 3.1.1 整车动力学仿真流程及模型构建约束条件 |
| 3.1.2 坐标系统及其关系模型的建立 |
| 3.1.3 车辆动力学模型的构建 |
| 3.2 基于改进四阶RTRK算法的车辆动力学模型实时解算方法研究 |
| 3.2.1 车辆动力学方程表达式的标准化 |
| 3.2.2 车辆动力学模型实时求解方法的选取原则 |
| 3.2.3 基于改进四阶RTRK算法的车辆动力学模型实时解算 |
| 3.3 基于模板技术的车辆动力学模型解算器的封装 |
| 3.3.1 解算器代码层级执行架构 |
| 3.3.2 面向模型仿真实时性的解算器封装 |
| 3.3.3 车辆动力学模型解算算例分析 |
| 3.4 本章小结 |
| 第四章 基于改进雷达图理论的车辆关键性能评价技术研究 |
| 4.1 基于OpenGL与3DMax的车辆虚拟试验环境构建 |
| 4.1.1 建模关键技术 |
| 4.1.2 车辆与试验场景构建 |
| 4.1.3 试验场景驱动 |
| 4.2 车辆关键性能虚拟试验方法与特征物理量方案集构建 |
| 4.2.1 车辆动力性试验方法 |
| 4.2.2 车辆操纵稳定性试验方法 |
| 4.2.3 车辆制动性试验方法 |
| 4.2.4 车辆关键性能特征物理量方案集构建 |
| 4.3 基于改进雷达图理论的车辆关键性能评价 |
| 4.3.1 层次分析模型与评价指标体系构建 |
| 4.3.2 基于判断矩阵的评价指标权重确定 |
| 4.3.3 基于特征向量的车辆关键性能评价 |
| 4.4 本章小结 |
| 第五章 客运车辆关键性能虚拟测试系统设计与实现 |
| 5.1 系统架构设计 |
| 5.1.1 系统设计任务与目标 |
| 5.1.2 系统设计原则 |
| 5.1.3 系统设计流程 |
| 5.1.4 系统功能模块组成 |
| 5.2 车辆关键性能虚拟测试系统仿真实现 |
| 5.2.1 试验车辆主要参数 |
| 5.2.2 车辆关键性能虚拟试验 |
| 5.2.3 试验评价及车辆设计参数优化 |
| 5.3 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读博士学位期间取得的科研成果 |
| 致谢 |
四、汽车外观检测与车辆行驶安全（论文参考文献）
- [1]城市道路潜在危险交通场景识别与风险评估研究[D]. 商伟超. 西安理工大学, 2021(01)
- [2]纯电动二手乘用车技术鉴定及评估方法研究[D]. 余小龙. 西华大学, 2021(02)
- [3]智能汽车行人避撞系统相机在环测试方法研究[D]. 赵文博. 吉林大学, 2021(01)
- [4]基于深度学习的车辆行为识别[D]. 宋德江. 西南大学, 2021(01)
- [5]基于机器视觉的车辆前向碰撞预警系统研究与实现[D]. 唐兵. 西华大学, 2021(02)
- [6]无人驾驶车辆多目标检测与跟踪研究[D]. 白运波. 重庆理工大学, 2021(02)
- [7]基于粗糙集理论的二手车成新率计算方法之改进及其应用研究[D]. 张念. 重庆理工大学, 2021(02)
- [8]带路侧光感的车路协同系统方案设计及测试验证[D]. 张叶亮. 浙江大学, 2021(02)
- [9]265/65R17低噪音全路况越野子午线轮胎研制[D]. 马新军. 青岛科技大学, 2020(02)
- [10]基于半物理仿真驱动的客运车辆关键性能虚拟测试技术研究[D]. 乔洁. 长安大学, 2020