汽车驾驶员模型的研究现状及发展趋势.doc

汽车驾驶员模型的研究现状及发展趋势 目录 TOC \o "1-9" \h \z \u 目录 1 正文 1 文1：汽车驾驶员模型的研究现状及发展趋势 2 一、汽车驾驶员模型的研究现状 2 二、发展趋势 4 文2：兴奋剂的研究现状及发展趋势 5 一、兴奋剂的发展 6 （一）兴奋剂的定义 6 （二）兴奋剂的 历史 发展 6 19世纪，南非的荷兰定居者们非常熟悉一种提炼自葡萄皮 6 二、兴奋剂的分类、生理作用及其危害 7 （一）合成类固醇 7 （二）刺激剂 8 （三）肽类激素及其衍生物 8 （四）利尿剂 9 三、兴奋剂检测 9 （一）检测基质 9 （二）传统的检测基质 10 （三）头发作为检测基质 10 （四）血液作为检测基质 11 （五）体液作为检测基质 11 （六）传统的兴奋剂检测法 11 （七）兴奋剂检测的新方法 12 四、兴奋剂的发展——基因兴奋剂 13 （一）人工基因的引入 13 （二）基因兴奋剂的风险 14 （三）应对基因兴奋剂问题的对策 14 原创性声明（模板） 15 正文 汽车驾驶员模型的研究现状及发展趋势 文1：汽车驾驶员模型的研究现状及发展趋势 随着汽车保有量的增加，交通事故频繁发生，交通安全日益受到关注。而绝大多数事故又与驾驶员操纵有关，若能采用先进的控制技术取代人对车辆的部分或全部控制，将有利于减少交通事故的发生，驾驶员模型的研究正是基于此而进行的。 一、汽车驾驶员模型的研究现状 1.基于人—车—环境闭环系统汽车操纵稳定性的驾驶员模型。该类模型最初初期主要集中于汽车方向控制的驾驶员模型研究。随着研究的深入，逐渐形成了基于汽车稳定状态下，汽车方向和速度联合控制为中心的研究。该模型主要应用于人—车—环境闭环系统汽车操纵稳定性的研究与评价、智能车辆与汽车安全等技术研究。20世纪中期以来，各国研究学者相继提出许多不同种类的驾驶员模型。根据是否具有预瞄环节，这些模型可分为补偿驾驶员模型和预瞄驾驶员模型；根据研究方法不同，可以将这些模型大致分为基于传统控制、模糊控制、神经网络控制、模糊—神经网络控制、自适应控制等理论建立的驾驶员模型。其中，具有预瞄功能的模糊控制、神经网络控制、模糊—神经网络控制以及自适应控制等驾驶员模型，代表着当前该类驾驶员模型研究的最高水平。对驾驶员校正环节采用模糊控制，建立了自调整因子的加速度反馈模糊控制驾驶员模型。该模型不需要知道汽车系统精确的传递函数，而是采用模糊逻辑推理直接模拟人的操纵过程来进行控制。仿真结果表明，所建立的模糊控制驾驶员模型很好地描述了驾驶员的方向控制行为，为人—车—路闭环系统的进一步研究和智能车辆自动驾驶控制提供了可行的路径。五层全网络化模糊—神经网络驾驶员模型，此模型的输入、输出层分别为1层和5层，代表非模糊变量x=（x1，x2，x3）和y。输入变量x经输入层1到达2层后被转变成了模糊变量上相应的隶属函数。隶属函数的选取中笔者采用了梯形隶属函数法；第3层是规则基础层，第4层是结果层，这两层合起来即相当于模糊控制中的模糊推理，形成规则库，其原则为：IfAandBthenC。第5层是反模糊化层，采用加权平均法。模糊-神经网络充分利用了模糊推理的结构原理，但在具体的模糊化、模糊推理及反模糊化的过程中，却采用的是神经网络自学习的思想来确定每个步骤的权系数，消除了一般模糊控制中模糊规则建立时专家经验不足和精度不够的局限。此外，一些学者针对某些特定的车型和道路，建立了针对性相对较强，且具有预瞄功能的各种驾驶员模型，对处理某些特殊情况的驾驶员模型做了一定的研究。 2.基于智能交通系统的驾驶员行为模型。驾驶员行为研究内容主要包括：驾驭的表现特性、表现与心理和生理的能力或完成驾驶任务能力的关系以及表现与驾驶员卷入事故频率之间的关系。随着交通科技的进步，驾驶员因素及其所起的作用被广泛认为是智能运输系统成功发展的关键。进入二十一世纪以来，驾驶员行为模型研究已成为一个新的研究热点。目前驾驶员行为模型主要分为跟驰模型和换道模型两类，各国学者也分别运用神经网络、模糊控制以及自适应控制等理论建立了不少具有实际意义的模型，为智能交通系统的建立提供了理论基础。 一是跟驰模型。车辆跟驰状态下驾驶行为的研究对于交通流微观模拟、驾驶员诱导系统、车辆自动巡航系统等具有重要意义。通过真实交通环境下的驾驶员实验获得了稳定跟车状态数据，并利用Kalman滤波器对数据进行了处理和估计。设计了以BP神经网络为核心的车辆模型与驾驶员模型集成式的模型结构，该模型以前车速度为输入，通过两层结构的BP前馈式神经网络模拟驾驶员基于车辆运动状态对车辆的控制结果，输出为车辆的加