针对高速列车在未知动态、外部扰动、执行器故障及输入饱和条件下的车厢间距安全控制问题，提出一种基于主动集不变滤波器(ASIF)与比例-积分-微分滑模容错控制器(PID-SMFTC)联合设计的容错控制方法。首先，采用径向基函数(RBF)神经网络逼近列车系统未知动态，并利用非线性扰动观测器估计外部扰动；其次，引入自适应饱和补偿系统削弱执行器输入饱和对名义控制器的影响；在此基础上，构造PID-SMFTC以实现列车位置和速度跟踪。基于相邻车厢速度差构造控制障碍函数，并通过ASIF对名义控制输入进行最小修正，从而保证车厢间距安全。仿真结果表明，所提方法能够在执行器故障和扰动作用下保持列车跟踪性能，并有效限制相邻车厢速度差，验证了该方法的可行性和有效性。
提出一种融合动态场景风险评估与制动减速度跟踪控制的自适应分级主动制动避撞控制架构。其中，动态场景风险评估模块根据多车交互状态实时调整分级制动期望响应信号；制动减速度跟踪控制则保证车辆在制动避撞过程中的高精度、快响应与稳定性。通过CarSim、Simulink和AMEsim联合仿真结果表明，所提控制方法能够有效提升复杂动态场景下主动制动避撞控制的适应性。
针对BEVFusion基线模型在多模态融合阶段存在静态拼接、缺乏显式质量建模以及几何结构保护不足等问题，提出一种质量感知动态多模态融合方法(QDMF)。该方法在鸟瞰图(BEV)空间内对图像特征与激光雷达(LiDAR)特征进行统一建模，通过模态特征对齐、空间-通道联合门控以及LiDAR残差保持机制，实现图像语义信息与LiDAR几何信息的自适应协同融合。在NuScenes数据集上的实验结果表明，相比基线模型所提方法在平均精度(mAP)和NuScenes检测分数(NDS)上分别提升2.7%和1.8%,提升了复杂场景下的三维目标检测性能。
<正>热烈庆祝车辆与交通学院正式成立车辆与交通学院办学始于1952年的“长春汽车技术训练班”,伴随新中国汽车工业同步发展,依托学校工科办学底蕴,紧扣汽车、交通强国战略,立足吉林汽车产业与长春国际汽车城,深耕车辆工程、现代交通、智能装备与先进制造相关领域,形成了面向汽车与交通产业发展的鲜明办学特色。2013年获批车辆工程本科与硕士学位授予权,2020年增设车辆制造科学与工程交叉学科博士点,建成本硕博一体化培养体系。2021年车辆工程获评省级一流本科专业,2 02 5年学院筹备组建,立足产业发展需求,现已发展为区域内车辆交通领域人才培育、科研攻关、产业技术服务的重要教学科研单位。
针对无地图开放场景下交互风险感知粗糙、特征易过度平滑的问题，文中提出一种动态交互多模态轨迹预测模型。模型通过时空自适应精细化网格(STAR-Grid)引入碰撞时间倒数与最大值聚合，强化局部高危威胁感知；利用双向时空交叉注意力(Bi-SCA)编码器，解耦微观运动突变与宏观驾驶意图；结合拉普拉斯混合密度网络与赢者通吃(WTA)策略输出多模态轨迹。ETH/UCY数据集实验表明，模型平均位移和最终位移误差分别低至0.19 m和0.35 m,碰撞压低至1.28%。
针对车辆在极限工况下存在的强非线性与轮胎饱和等问题，提出一种融合稳定状态识别机制的线性时变模型预测控制(LTV-MPC)稳定性控制策略。该策略基于ISSA-SVM识别车辆稳定状态结果，实现轮胎力分段线性化，增强模型对非线性区域的适应性。构建CarSim-Simulink联合仿真平台，分别在正弦和双移线工况下验证所提控制器的响应性能。仿真结果表明，该方法相比传统线性时不变模型预测控制(LTI-MPC)策略具有更好的横摆角速度与质心侧偏角跟踪能力，显著提升车辆在极限工况下的稳定性与安全性。
针对空港特种车辆弱结构化作业中车道拓扑缺失、硬安全边界不可侵入和障碍物动态变化问题，构建融合有符号距离场(SDF)动态可行域与控制屏障函数-模型预测控制(CBF-MPC)的轨迹规划方法。通过多边形禁行区域建模、安全扩张和安全函数约束生成可执行轨迹。仿真结果表明，该方法实现零边界侵入，最小安全裕度达0.404 m,最大曲率降低65.4%。
文中研究了CFRP/Al复合管在多角度压缩工况下变形模式的预测方法。基于高精度的CFRP/Al复合管准静态压缩有限元模型，对通过最优拉丁超立方试验设计方法建立的样本在多角度压缩工况下的变形模式进行了归纳总结。利用粒子群算法(PSO)优化超参数的支持向量机(SVM)建立高精度复合管变形模式的预测模型，推动了多材料复合管正向设计研究的深入。
面向复杂交通场景车辆轨迹预测，提出一种基于风险感知扩散图网络(RDGN)的车辆轨迹预测方法。该方法将车道线与道路边界建模为连续势场特征，在此基础上，结合邻接关系、距离衰减与相对动能风险构建动态邻接矩阵，并通过双向扩散图卷积提取车辆间有向交互表示。引入未来引导分支与概率风险损失，增强长时预测稳定性与碰撞风险约束能力。在Argoverse 1.1数据集上，六模态设置下minADE、minFDE、MR分别为0.82 m、1.22 m和0.09,单场景推理计算效率与主流方法相近。
针对城市双车道场景下智能车辆变道决策易保守、固定奖励强化学习难以兼顾安全性与通行效率问题，提出一种模糊逻辑深度确定性策略梯度(FL-DDPG)变道决策方法。首先，选取自车速度和目标车道前车相对速度差Δvreal作为风险-收益表征量，构建双输入双输出模糊控制器，通过隶属函数和模糊规则自适应输出安全权重和效率权重；其次，将模糊权重嵌入DDPG奖励函数，并设计连续Actor输出到离散高层变道动作的阈值映射机制，使智能体能够在不同交通风险水平下动态调整变道倾向；最后，在CARLA仿真平台中构建4类典型变道场景，并与传统DDPG方法进行对比验证。结果表明，FL-DDPG平均变道率由37.25%提高至56.25%,提高19.00个百分点，相对增幅为51.01%;平均碰撞率增加2.87个百分点。结果说明所提方法在提升主动变道能力的同时会引入一定探索风险，需结合安全校核模块进一步约束高风险动作。