基于ANSYS發(fā)動機曲軸有限元分析

基于ANSYS發(fā)動機曲軸有限元分析,基于,ansys,發(fā)動機,曲軸,有限元分析 畢 業(yè) 設(shè) 計（論 文）任 務(wù) 書 設(shè)計（論文）題目：基于ANSYS發(fā)動機曲軸有限元分析 學(xué)生姓名： 任務(wù)書填寫要求 1．畢業(yè)設(shè)計（論文）任務(wù)書由指導(dǎo)教師根據(jù)各課題的具體情況填寫，經(jīng)學(xué)生所在專業(yè)的負責(zé)人審查、系 （院）領(lǐng)導(dǎo)簽字后生效。此任務(wù)書應(yīng)在畢業(yè)設(shè)計（論文）開始前一周內(nèi)填好并發(fā)給學(xué)生。 2．任務(wù)書內(nèi)容必須用黑墨水筆工整書寫，不得涂改或潦草書寫；或者按教務(wù)處統(tǒng)一設(shè)計的電子文檔標(biāo)準(zhǔn)格式 （可從教務(wù)處網(wǎng)頁上下載）打印，要求正文小4號宋體，1.5倍行距，禁止打印在 上 。 3．任務(wù)書內(nèi)填寫的內(nèi)容，必須 學(xué)生畢業(yè)設(shè)計（論文） 的情況 一 ， 有 ，應(yīng) 經(jīng) 所在專業(yè) 系（院） 領(lǐng)導(dǎo)審 后 可 填寫。 4．任務(wù)書內(nèi)有 學(xué)院 、 專業(yè) 名 的填寫，應(yīng)寫 文 ，不 寫 字 。學(xué)生的 學(xué)號 要寫 號，不 ?寫￠后2￡或1￡ 字。 5．任務(wù)書內(nèi) 要?￥文? 的填寫，應(yīng)按§currency1'“??學(xué)院??畢業(yè)設(shè)計（論文）fi寫fl –的要求書寫。 6．有 ??· · 的填寫，應(yīng) 按§?標(biāo)GB/T 7408—94currency1 據(jù)元 ??格式、?”??、· ?… ‰ ?–fl 的要求，一`用′?? 字書寫?！?2002?4?2· 或 2002-04-02”。 畢 業(yè) 設(shè) 計（論 文）任 務(wù) 書 1．?畢業(yè)設(shè)計（論文）課題應(yīng)?˙的目的： 曲軸¨發(fā)動機 ￠ 要的 ??一。 曲軸 ??ˇ—內(nèi)的ˇ體 的周 載 ， 并 ? a 。所 于 —發(fā)動機曲軸，ˉ ??準(zhǔn)?o得˙應(yīng) 、 的 小 分 ， 于 指導(dǎo)曲軸的設(shè)計 改 ，具有 要 ?。 ? 設(shè)計 用CATIA ?發(fā)動機曲軸 ，??用ANSYS?? 行? 分析。 2．?畢業(yè)設(shè)計（論文）課題任務(wù)的內(nèi)容 要求（ 始 據(jù)、? 要求、工作要求 ）： 畢業(yè)論文1萬字左右、要求得 分析的 據(jù) 。 目的在于培養(yǎng)學(xué)生綜合分析 解決 問題的獨? 工作 ,拓寬 深 學(xué)生的知識；培養(yǎng)學(xué)生正?使用? 資料,?家設(shè)計手冊；正? 行 據(jù)處理,編寫? 文? 面的工作 ；使學(xué)生養(yǎng) 良好的工作態(tài)度,工作作風(fēng)。同?掌握 行調(diào)查研究、面向?qū)嶋H、面向生 產(chǎn),面向工程? 人員學(xué)習(xí)的工作 ? 畢 業(yè) 設(shè) 計（論 文）任 務(wù) 書 3． ?畢業(yè)設(shè)計（論文）課題 果的要求〔 圖‰、實物 硬?要求〕： 1 、通 Creo 汽車發(fā)動機曲軸 行實體 2 、在ANSYS?? 行有限元 的分析 3 、得 曲軸工作狀態(tài)下各種應(yīng) 云圖并 行優(yōu) 設(shè)計 4、畢業(yè)論文1萬字左右（并附 的分析 據(jù)） 5、 文?￥資料譯文（附 文）3000字 4． 要?￥文?： [1]許兆棠，黃銀娣.汽車構(gòu)造[M].北京：?防工業(yè) 版社，2012. [2]余志生.汽車理論[M].北京：機械工業(yè) 版社，2009. [3]王 榮，陳永波.有限元?基礎(chǔ) ANSYS應(yīng)用[M].北京?學(xué) 版社，2008. [4]吳 華. 汽車發(fā)動機 理[M]. 北京：機械工業(yè) 版社，2013. [5]吳卓，劉曉芬.基于Pro/E ANSYS Workbench的四—發(fā)動機曲軸有限元 態(tài)分析[J]. ? 工藝， 2014，(4):89-91. [6]劉波.曲軸? 有限元分析[D].武漢：武漢理工 學(xué)，2006. [7]趙劍磊.直列發(fā)動機 分析與平衡研究[D].河北：燕山 學(xué)，2014. [8]王勝.基于UG/ANSYS的曲軸? 系統(tǒng)設(shè)計 有限元分析[D]. 都：西南?通 學(xué)，2012. [9]鄧召文，陳濤.基于ANSYS的BN492發(fā)動機曲軸有限元分析[J].農(nóng)業(yè)裝備與車輛工程， 2010，229(8)：29-33. [10]張健，許福忠，郭小蘭，付洵.基于ANSYS的發(fā)動機曲軸有限元分析[J].機電? ，2013，（3）： 102-102. [11]劉濤.內(nèi)燃機曲軸強度計算[D].濟南：山東 學(xué)，2008. [12]胡仁 ， .ANSYS14.0機械與 構(gòu)分析有限元分析從 ˙ 通[M].北京：機械工業(yè) 版社， 2013. [13] 華，張 ，程 .基于UG ANSYS的四—曲軸有限元 態(tài)分析[J].機械工程與 動 ， 2009，155（4）：17-19. [14] ， ， . ?處理 曲軸有限元分析的 研究[J].汽車工程，2005，27（6）： 724-726. [15]王 ， ，王 .基于Pro/E ANSYS的曲軸有限元分析[J].機械工程與 動 ， 2007，140(1):54-56. [16] ?，￠￡?.G495發(fā)動機曲軸應(yīng) 的有限元分析[J].￥西機械，2003，119(2)：24-26. 畢 業(yè) 設(shè) 計（論 文）任 務(wù) 書 5．?畢業(yè)設(shè)計（論文）課題工作 度計?： 2015.12.05-2016.01.15? §題，填寫審題‰；指導(dǎo)教師下發(fā)任務(wù)書，學(xué)生查currency1課題 ?￥文?、資 料，fi寫開題'“。 2016.01.16-2016.02.25??開題'“、 文?￥資料 譯文、畢業(yè)設(shè)計（論文） ?；開始畢業(yè)設(shè)計 (論文)。 2016.02.26-2016.04.15具體設(shè)計或研究 ?實fi，??畢業(yè)設(shè)計（論文）草fl，填寫 查‰。 2016.04.16-2016.05.05 論文或設(shè)計–?書、圖 ?料，??畢業(yè)設(shè)計（論文） fl，指導(dǎo)·師審 。 2016.05.06-2016.05.13??畢業(yè)設(shè)計 文檔，學(xué)生準(zhǔn)備??；?currency1教師?currency1學(xué)生畢業(yè)設(shè)計（論文）。 2016.05.13-2016.05.26根據(jù)學(xué)院統(tǒng)一?”， 行畢業(yè)設(shè)計（論文）??。 所在專業(yè)審查 ?： 通 負責(zé)人： 2016 ? 1 ? 22 · 畢 業(yè) 設(shè) 計（論 文）開 題 報 告 設(shè)計（論文）題目：基于ANSYS發(fā)動機曲軸有限元分析 學(xué)生姓名： 開題報告填寫要求 1．開題報告（含“文獻綜述”）作為畢業(yè)設(shè)計（論文）答辯委員會對學(xué)生答辯資格審查的依據(jù)材料之一。此 報告應(yīng)在指導(dǎo)教師指導(dǎo)下，由學(xué)生在畢業(yè)設(shè)計（論文）工作前期內(nèi)完成，經(jīng)指導(dǎo)教師簽署意見及所在專業(yè)審查 后生效； 2．開題報告內(nèi)容必須用黑墨水筆工整書寫或按教務(wù)處統(tǒng)一設(shè)計的電子文檔標(biāo)準(zhǔn)格式打印，禁止打印在其它紙 上后剪貼，完成后應(yīng)及時交給指導(dǎo)教師簽署意見； 3．“文獻綜述”應(yīng)按論文的框架成文，并直 書寫（或打?。┰?開題報告 一 目內(nèi)，學(xué)生寫文獻綜述的 文獻應(yīng) 于15 （ ）； 4．有 期的填寫，應(yīng) 按 標(biāo)GB/T 7408—94 據(jù)元 交 格式 交 期 時 ?￠￡?的要求，一￥用?§currency1 '書寫?！啊?004 4 26 ”或“2004-04-26”。 5 開題報告（文獻綜述）'??按?? fifl 書寫，– ?1.5?。 畢 業(yè) 設(shè) 計（論文） 開 題 報 告 1．· 畢業(yè)設(shè)計（論文）?題??，?據(jù)所查”的文獻資料，?…‰寫 于1000' ?的文獻綜述： 曲軸 發(fā)動機的`要′動??,它ˉ?˙ ¨ ????成曲 ?˙機?, 其作用 ?¨ 的ˇ—′動 為曲軸的 ′動， 時?作用于¨ 上的 為曲軸對 的 ， 動 動。曲 ?˙機 ? 必須 時 動 ?機?及其它 a 工作。曲軸的 發(fā)動機的動 , 整?機??統(tǒng)的 動 。 曲軸o 為發(fā)動機的“ ”， 發(fā)動機 ? 要 ?? 格? 的??之一,它的?????直 發(fā)動機的 靠? 壽命。曲軸承受著由¨ ?˙?傳來的周期?的??爆發(fā) ˇ—及 及其? ′ 動的慣? , 及附屬機?的 ,故在工作過程 曲軸內(nèi)?會產(chǎn)生彎曲應(yīng) 扭 應(yīng) ,從而 ?會產(chǎn)生斷裂 失效現(xiàn)象?！肮S一旦斷裂,?直 引起其它 要???隨之損壞，甚至整?發(fā)動機都要報廢,所 曲軸的 強度在很?程度上決?了發(fā)動機的 靠?。因此對曲軸的強度分析至 要,必須保證曲軸有足夠的強度。此 ,曲軸的剛度 非常 要,“果剛度 足?加劇縱向振動 扭 振動,從而產(chǎn)生更?的附加應(yīng) ,使其它?? ?的工作條? 現(xiàn)惡化并降低其壽命,增?發(fā)動機的噪聲,故曲軸 應(yīng)確保具有足夠?的彎曲 扭 剛度。因 此有必要深入研究曲軸的強度 剛度, 保證整機的 靠?。 由于曲軸的形狀及其 比較—雜，對其采用經(jīng) 學(xué)的方?進–·?分析ˇˇ有局限?，而有限元? 僅計 算精度 ， ?適應(yīng)各種—雜形狀，因此成為了–之有效的分析 段。有限元分析的基 概念 用較簡單的問 題代替—雜問題后再求解。它?求解域看成 由許多稱為有限元的fi的互?子域?成，對?一單元假?一? 適的(較簡單的）近似解，然后推導(dǎo)求解這?域總的滿足條?(“·?的平衡條?），從而得 問題的解。這 ?解 準(zhǔn)確解，而 近似解，因為實際問題o較簡單的問題所代替。由于?多 實際問題難 得 準(zhǔn)確解， 所 有限元? ?有效的分析 段。對·?—雜的曲軸而言，我們 采用實?建模的方式 加簡化的建立曲 軸的實?模型，并通過專用鏈 直 利用有限元分析軟? ANSYS 對發(fā)動機曲軸進–有限元分析。這種方式 實際??，工作 得 了簡化。 畢業(yè)設(shè)計 要 的建立發(fā)動機曲軸簡化模型， 適 的單元格 型，對曲軸在 工?下進–受 分 析計算 曲軸上的 ， 的處 曲軸的 條?， 對fl 程直 fl 曲軸在工作狀 下進–受 分析， 得 曲軸在工作狀 下的應(yīng) ，并對分析·果進–分析 曲軸工作的 ?分。因此我要 了解實? 建模軟?CATIA的使用方? CATIA軟?ˉANSYS分析軟?的 ? 方式 ANSYS分析軟?的使用方?。 分析前 發(fā)動機′– 據(jù) 計算 曲軸在工作狀 下的應(yīng) ， 確 曲軸的 條?， 止分析 。 文獻 [1]許 ，?￠￡. ??[M].￥?： 工業(yè) §currency1，2012. [2]'“生. 論[M].￥?：機?工業(yè) §currency1，2009. [3]???，fifl .有限元?基–及ANSYS應(yīng)用[M].￥??學(xué) §currency1，2008. [4]?建·. 發(fā)動機 [M]. ￥?：機?工業(yè) §currency1，2013. [5]??，???.基于Pro/E ANSYS Workbench的fl 發(fā)動機曲軸有限元模 分析[J].?”??工…， 2014，(4):89-91. [6]? .曲軸 化建模 有限元分析[D].‰ ：‰ 工?學(xué)，2006. [7]? `.直 發(fā)動機慣? 分析ˉ平衡研究[D].′￥：???學(xué)，2014. [8]?ˉ.基于UG/ANSYS的曲軸 化建模?統(tǒng)設(shè)計及有限元分析[D].成都：?˙交通?學(xué)，2012. [9]¨ 文，fi?.基于ANSYS的BN492發(fā)動機曲軸有限元分析[J].?業(yè) ˉ ?工程， 2010，229(8)：29-33. [10]?ˇ，許— ， fi ， .基于ANSYS的發(fā)動機曲軸有限元分析[J].機電”?，2013，（3）： 102-102. [11]??.內(nèi) 機曲軸強度計算[D]. ˙：? ?學(xué)，2008. [12] ， .ANSYS14.0機?ˉ·?分析有限元分析從入 精通[M].￥?：機?工業(yè) §currency1， 2013. [13] ·，??，程 .基于UG ANSYS的fl 曲軸有限元模 分析[J].機?工程ˉa動化， 2009，155（4）：17-19. [14] ， ?，??o. 條?處 對曲軸有限元分析的 研究[J]. 工程，2005，27（6）： 724-726. [15]? ， ? ，? .基于Pro/E ANSYS的曲軸有限元分析[J].機?工程ˉa動化， 2007，140(1):54-56. [16]? ， ??.G495發(fā)動機曲軸應(yīng) 的有限元分析[J].??機?，2003，119(2)：24-26. 畢 業(yè) 設(shè) 計（論文） 開 題 報 告 2． ?題要研究或解決的問題 ?采用的研究 段（ ）： 一 ?題研究或解決的問題 通過ANSYS軟?分析發(fā)動機曲軸在工作狀 下的應(yīng) 應(yīng) 研究 段（ ） 1 ′用CATIA軟?建立發(fā)動機曲軸模型 2 計算曲軸在工作狀 下的應(yīng) 3 確? 條? 4 對模型進–有限元分析 畢 業(yè) 設(shè) 計（論文） 開 題 報 告 指導(dǎo)教師意見： 1．對“文獻綜述”的 語： ?針對?題所涉及的問題廣泛”讀文獻，并?對?題研究領(lǐng)域的現(xiàn)狀 動 發(fā)展前? 進–綜 分析 述， 文獻綜述要求。 2．對 ?題的深度 廣度及工作 的意見 對設(shè)計（論文）·果的預(yù)測： 對?題所涉及的研究內(nèi)容在現(xiàn)有相 專業(yè)知識的基–上，進一步深入學(xué)習(xí)相 軟?，應(yīng) ?夠“期完成 畢 業(yè)設(shè)計。 3. 否 意開題：√ 意 □ 意 指導(dǎo)教師： 2016 03 09 所在專業(yè)審查意見： 意 負責(zé)…： 2016 04 07 畢 業(yè) 設(shè) 計（論 文）外 文 參 考 資 料 及 譯 文 譯文題目： Autonomous Intelligent Vehicles 　　　　　 自動駕駛智能汽車 學(xué)生姓名： ?！　I(yè)： 所在學(xué)院： 指導(dǎo)教師： 職　　稱： 說明： 要求學(xué)生結(jié)合畢業(yè)設(shè)計（論文）課題參閱一篇以上的外文資料，并翻譯至少一萬印刷符（或譯出3千漢字）以上的譯文。譯文原則上要求打?。ㄈ缡謱?，一律用400字方格稿紙書寫），連同學(xué)校提供的統(tǒng)一封面及英文原文裝訂，于畢業(yè)設(shè)計（論文）工作開始后2周內(nèi)完成，作為成績考核的一部分。 Chapter 2 The State-of-the-Art in the USA 2.1 Introduction The field of intelligent vehicles is rapidly growing all over the world, both in the diversity of applications and research [3, 8, 18]. Especially in the U.S., government agencies, universities, and companies working on this hope to develop autonomous driving entirely or in part for safety and for saving more energy. Many previous technologies, such as seat belts, air bags, work only after a traffic accident. Only intelligent vehicles can stop traffic accidents from happening in the first place. There- fore, DARPA has organized the Grand Challenges and the Urban Challenge from 2004 to 2007, which remarkably promoted the technologies of intelligent vehicles around the world. Hence, this chapter presents an overview of the most advanced intelligent vehicle projects which once attended either the Grand Challenges or the Urban Challenge supported by the DARPA in the USA. 2.2 Carnegie Mellon University—Boss The research groups at Carnegie Mellon University had developed the Navlab series [8, 17], from Navlab 1 to 11, which include robot cars, tracks, and buses. The Navlab’s applications have included Supervised Classification Applied to Road Following (SCARF) [6, 7], Yet Another Road Following (YARF) [12], Autonomous Land Vehicle In a Neural Net (ALVINN) [11], Rapidly Adapting Lateral Position Handler (RALPH) system [16]. In addition, Sandstorm is an autonomous vehicle which was modified from the High Mobility Multipurpose Wheeled Vehicle (HMMWV) and competed in the DARPA Grand Challenge in 2005. The Highlander is another autonomous vehicle modified from HMMWV H1 which competed in same competition in 2005. Nevertheless, the latest intelligent vehicle is the Boss system (shown in Fig. 2.1) which won the first place in 2007 Grand Challenge [18]. Boss combines various active and passive sensors to provide faster and safer autonomous driving in an urban environment. Active sensors include lidar and radar, and passive sensors include the Point Grey high-dynamic-range camera. The following functional modules were implemented on the Boss vehicle: Fig. 2.1 The intelligent vehicle, named Boss, developed by Carnegie Mellon University’s Red Team (published courtesy of Carnegie Mellon University) 1. Environment perception: Basically, the perception module provides a list of tracked moving objects, static obstacles in a regular grid, and vehicle localization relative to roads, road shape, etc. Furthermore, this module consists of four sub- systems, moving obstacle detection and tracking, static obstacle detection and tracking, roadmap localization, and road shape estimation. 2. A three-layer planning system consisting of mission, behavioral, and motion planning is used to drive in urban environments. Mission planning is to detect obstacles and plan new route to its goal. Here, given Road Network Definition File (RNDF) encoding environment connectivity, a cost graph guides vehicles to travel on a road/lane planned by the behavioral subsystem. A value function is calculated to both provide the path from each way point to target way point, and allow the navigation system to respond when an error occurs. Furthermore, Boss is capable of planning another route if there is a blockage. The behavioral subsystem is in charge of executing the rules generated by the mission planning. In details, this subsystem makes decisions on lane-change, precedence, and safety decisions on different driving contexts, such as roads, intersections. Furthermore, this subsystem needs to complete the tasks, including carrying out the rules generated by the previous mission planner, responding to abnormal conditions, and identifying driving contexts, roads, interactions, and zones. Further- more, these driving contexts correspond to different behavior strategies consisting of lane driving, intersection handling, and achieving a zone pose. The third layer of the planning system is the motion planning subsystem which consists of trajec- tory generation, on-road navigation, and zone navigation. This layer is responsible for executing the current motion goal from the behavior subsystem. In general, this subsystem generates a path towards the target, and tracks the path. Fig. 2.2 The Stanford University’s intelligent vehicle Junior that was the runner-up in the 2007 DARPA Urban Challenge (published courtesy of Stanford University) 2.3 Stanford University—Junior The Stanford University’s research team on intelligent vehicles has been one of the most experienced and successful research labs in the world. To better study and promote the applications of autonomous intelligent vehicles, the Volkswagen group founded the Volkswagen Automotive Innovation Laboratory (VAIL). Until now, Stanford University collaborated with the Volkswagen Group and built several intelligent vehicles, the Stanley (the autonomous Volkswagen Touareg that won the DARPA Grand Challenge in 2005 [10]), Junior (the autonomous Volkswagen Passat that was the runner-up in 2007 DARPA Urban Challenge [14]). Moreover, Google has licensed the sensing technology from Stanley to map out 3D digital cities all over the world. We will introduce Junior that participated in the 2007 Urban Challenge below. Junior [14], shown in Fig. 2.2, is a modified 2006 Volkswagen Passat wagon, equipped with five laser range finders, a GPS/INS, five radars, two Intel quad core computer systems, and a custom drive-by-wire interface. Hence, this vehicle is capable of detecting an obstacle up to 120 m away. Junior’s software architecture is designed as a data-driven pipeline and consists of five modules: ? Sensor interface: This interface provides data for other modules. ? Perception modules: These modules segment sensor data into moving vehicles and static obstacles, and also provide accurate position relative to the digital map of the environment. ? Navigation modules: These modules consist of motion planners, a hierarchical finite state machine, and generate the behavior of the vehicle. ? Drive-by-wire interface: This interface receives the control commands from navigation modules, and enables the control of throttles, brakes, steering wheels, gear shifting, turn signals, and emergency brake. ? Global services: The system can provide logging, time stamping, message- passing support, and watch-dog functions to keep the system running reliably. Furthermore, we introduce three fundamental modules: environment perception, precision localization, and navigation. In the perception module, there are two basic functions, static/dynamic obstacle detection and tracking, RNDF localization and update, where lasers implement primary scanning, and a radar system works as an early warning for moving objects in intersections as complement. After perceiving traffic environment, Junior estimates a local alignment between a digital map in the RNDF form and its current position from local sensors. In navigation module, the first task is to plan global paths, where there are two navigation cases, road navigation and free-style navigation. However, basic navigation modules do not include intersections. Furthermore, Junior strives to prevent itself from getting stuck in behavior hierarchy. Nowadays, researchers at Stanford University are still working on autonomous parking in tight parking spots1 and autonomous valet parking. 2.4 Virginia Polytechnic Institute and State University—Odin The team VictorTango formed by Virginia Tech and TORC Technologies developed Odin2 [2], which took the third place in 2004 DARPA Grand Challenge. The Odin consists of three main parts: base vehicle body, perception, and planning. Now, we introduce the base vehicle platform. Odin is a modified 2005 Hybrid Ford Escape, shown in Fig. 2.3. Its main computing platform is a pair of HP servers, each with two quad-core processors. In the perception module, there are three submodules: object classification, localization, and road detection. Here, object classification first detects obstacles and then classifies them as either static or dynamic. The localization submodule yields the vehicle position and direction in the 3D world. The road detection submodule extracts a road coverage map and lane position. The planning module uses a Hybrid Deliberative-Reactive model, which consists of upper level decisions and lower level reactions as separate components. The coarsest level of planning is the route planner responsible for road segments and zones the vehicle should travel in. The driving behavior component takes care of obeying road rules. Motion planning is in charge of translating control commands into actuator control signals. Fig. 2.3 The intelligent vehicle Odin developed by the Team VictorTango (published courtesy of Virginia Polytechnic Institute and State University) 2.5 Massachusetts Institute of Technology—Talos Team MIT has developed an urban autonomous vehicle, called Talos3 (shown in Fig. 2.4) [1, 9, 13]. There are three key novel features: (i) perception-based navigation strategy; (ii) a unified planning and control architecture; (iii) a powerful new software infrastructure. Moreover, this vehicle consists of various submodules: Road Paint Detector, Navigator, Lane Tracker, Driveability Map, Obstacle Detector, Motion Planner, Fast Vehicle Detector, Controller, Positioning Modules. The perception module includes obstacle detector, hazard detector and lane tracking sub- modules. Planning a control algorithm involves using a navigator, driveability map, motion planner, and a controller. The navigator plays an important role in mission- level behavior, and the rest of these submodules work together in a tight coupling to yield the desired motion control goal in complex driving conditions. Fig. 2.4 The intelligent vehicle Talos developed by the Team MIT (published courtesy of Massachusetts Institute of Technology) Fig. 2.5 The intelligent vehicle Skynet developed by Team Cornell (published courtesy of Cornell University) 2.6 Cornell University—Skynet Team Cornell’s Skynet4 is a modified Chevrolet Tahoe, shown in Fig. 2.5, and consists of two groups of sensors [15]. One group is used for sensing vehicle itself, and the other group (laser, radar and vision) is for sensing the environment. Thanks to the above sensors, Skynet is capable of providing real-time position, velocity, and attitude for absolute positioning. Moreover, Skynet’s local map including obstacle detection information is the map of local environment surrounding Skynet. In many cases, autonomous driving in complex scenes is more than basic obstacle avoidance. Hence, the vehicle-centric local map is not enough for absolute positioning. We need to estimate environment structures using posterior pose and track generator algorithms. Skynet is using the probabilistic representation of the environment to plan mission paths within the context of the rule-based road network. One intelligent planner includes three primary layers: a behavioral layer, a tactical layer, and a operational layer. The goal of the behavior layer is to determine the fastest route to the next mission point. When there exist state transitions in the behavior layer, the corresponding component of the tactical layer is executed. Among the four tactical components, the road tactical component is to seek a proper lane and to monitor other agents in the same and neighboring lanes. The intersection tactical component handles intersection queuing behavior and safe merging. The zone tactical component takes care of basic navigation in unconstrained cases. The blockage tactical component implements obstacle detection and judging whether there are temporary traffic jams, and acts accordingly. The final layer is an operational layer which is in charge of converting local driving boundaries and a reference speed into actuators, steering wheels, throttles, and brakes. 2.7 University of Pennsylvania and Lehigh University—Little Ben Little Ben5 designed by the Ben Franklin Racing Team is a modified Toyota Prius with various sensors and computers for the 2007 DARPA Urban Challenge [4], shown in Fig. 2.6. Similar to other intelligent vehicles, Little Ben is equipped with various sensors, such as three LMS291, two SICK LDRS, and a Bumble bee stereo camera. The sensor array provides timely information about the surrounding environment, which is integrated into a dynamic map for environment perception and modeling. Little Ben’s software framework consists of perception, planning, and control. Its perception module is responsible for providing static obstacles, moving vehicles, lane markings, and traversable ground. Little Ben’s primary medium-to-long-range lidars are responsible for geometric obstacles and ground classification, road making extraction, and dynamic obstacle tracking. Moreover, the stereo vision system is used to detect close road makings. Once the perception module generates information about static obstacles, dynamic obstacles, and lane markings, the MapPlan module will update obstacles and lane marking likelihoods in a map centered at the current vehicle location. The mission and path planning consists of two stages. The first stage is to calculate the optional path by minimizing the mission time. The next stage is to incorporate the dynamic map into new path planning. Afterwards, the path follower module is responsible for calculating the vehicle steering and throttle- brake commands to follow the desired trajectory. Fig. 2.6 The intelligent vehicle Little Ben (published courtesy of the University of Pennsylvania and Lehigh University) 第二章 美國的先進技術(shù) 2.1、簡介 無論是在應(yīng)用的多樣性還是在研究的多樣性，智能汽車領(lǐng)域都在世界各地迅速發(fā)展[ 3，8，18 ]。特別是在美國，為了安全和節(jié)約更多的能源，政府機構(gòu)、大學(xué)和公司都會投入全部或部分資本用于發(fā)展自動駕駛技術(shù)。許多以前的技術(shù)，如安全帶，氣囊，它們都是交通事故后才工作的。只有在智能汽車才能在第一時間阻止交通事故的發(fā)生。因此，DARPA舉辦了Grand Challenges 和從2004年到2007年的Urban Challenge，這些挑戰(zhàn)賽顯著促進了全球智能汽車技術(shù)的發(fā)展。因此，本章簡要介紹了最先進的智能汽車項目，這些項目曾參加過由美國DARPA舉辦的Grand Challenges或Urban Challenge。 2.2、卡內(nèi)基·梅隆大學(xué)——Boss 卡內(nèi)基?梅隆大學(xué)的研究小組已經(jīng)開發(fā)出了從Navlab 1 到Navlab 11的Navlab 系列[ 8，17 ]，其中包括自動汽車、自動追蹤和自動公共汽車。Navlab的應(yīng)用包括：應(yīng)用于道路追蹤的管理分類（SCARF）[ 6，7 ]，另一種道路追蹤的分類（YARF）[ 12 ]，采用神經(jīng)網(wǎng)絡(luò)的自動駕駛汽車（ALVINN）[ 11 ]，快速適應(yīng)橫向位置的處理程序（RALPH） [ 16 ]。此外，Sandstorm是一個從高機動多用途輪式汽車（HMMWV）改裝來的自動駕駛汽車，它在2005年參加了DARPA舉辦的Grand Challenges。Highlander是另一個從悍馬 H1改裝來的自動駕駛汽車，它在2005年參加同樣的比賽。 盡管如此，最新的智能汽車是Boss（如圖2.1所示），它在2007 年Grand Challenges中獲得第一名[18]。Boss把各種主動的和被動的傳感器結(jié)合起來，在城市環(huán)境中提供更快、更安全的自動駕駛技術(shù)。主動傳感器包括雷達和信號處理，被動傳感器包括Point Grey高動態(tài)范圍的相機。 在Boss上實現(xiàn)了以下功能模塊： 1、 環(huán)境感知：基本上，感知模塊提供了一個移動物體、在規(guī)則網(wǎng)格中的靜態(tài)障礙和相對于道路的車輛定位、道路形狀等的跟蹤列表。此外，該模塊包括四個子系統(tǒng)：移動障礙物檢測和跟蹤、靜態(tài)障礙檢測和跟蹤、路線圖定位、和道路形狀估計。 2、 一個用于城市環(huán)境中的由任務(wù)規(guī)劃、行為規(guī)劃和運動規(guī)劃組成的規(guī)劃系統(tǒng)。任務(wù)規(guī)劃的作用是檢測障礙和制定到達目標(biāo)的新路線。在這里與指定道路網(wǎng)絡(luò)定義文件（RNDF）的編碼環(huán)境連接，行為規(guī)劃子系統(tǒng)用于制定路線圖并引導(dǎo)車輛在路上行駛。其主要的功能是既可以計算從每個路徑點到目標(biāo)點的路徑，又可以在導(dǎo)航系統(tǒng)發(fā)生錯誤時做出響應(yīng)。此外，如果道路堵塞的話，Boss有能力規(guī)劃另外一條路線。 圖2.1、由卡內(nèi)基·梅隆大學(xué)的 Red Team 開發(fā)的 Boss 智能汽車（由卡內(nèi)基·梅隆大學(xué)研制） 行為規(guī)劃負責(zé)執(zhí)行任務(wù)規(guī)劃所產(chǎn)生的任務(wù)。在細節(jié)上，該子系統(tǒng)在不同的駕駛環(huán)境，如道路、交叉口，對變更車道、優(yōu)先級和安全性進行決策。此外，該子系統(tǒng)需要完成的任務(wù)包括執(zhí)行任務(wù)規(guī)劃所產(chǎn)生的任務(wù)、對異常情況的響應(yīng)、識別駕駛環(huán)境、道路、車路的相互作用和區(qū)域。此外，這些駕駛環(huán)境對應(yīng)不同的行為策略，包括行車車道、路口處理和實現(xiàn)區(qū)域構(gòu)成。規(guī)劃系統(tǒng)的第三層是一個由軌跡生成、道路導(dǎo)航和區(qū)域?qū)Ш浇M成的運動規(guī)劃子系統(tǒng)。該層負責(zé)執(zhí)行從行為規(guī)劃子系統(tǒng)中獲得的當(dāng)前運動目標(biāo)。在一般情況下，該子系統(tǒng)生成一個朝向目標(biāo)的路徑并跟蹤此路徑。 2.3、斯坦福大學(xué)——Junior 斯坦福大學(xué)的智能汽車研究小組一直是世界上最有經(jīng)驗和最成功的研究實驗室之一。為了更好地研究和促進自動駕駛智能汽車的應(yīng)用，大眾汽車集團成立了大眾汽車創(chuàng)新實驗室（VAIL）。直到現(xiàn)在，斯坦福大學(xué)與大眾集團協(xié)作制造了幾輛智能汽車，Stanley（自動駕駛的大眾途銳，它在2005年獲得了DARPA舉辦的Grand Challenges的冠軍[ 10 ]），Junior（自動駕駛的大眾帕薩特，它在2007年獲得了DARPA舉辦的Urban Challenge的亞軍[ 14 ]）。此外，谷歌應(yīng)用了Stanley授權(quán)的傳感技術(shù)，繪制出世界各地的三維數(shù)字城市。我們將介紹參加了2007年Urban Challenge的Junior。Junior [ 14 ]，如圖2.2所示，是一個由2006款大眾帕薩特旅行車改裝來的改裝車，它配備了五個激光測距儀、一個GPS / INS，五個雷達、兩個英特爾四核電腦系統(tǒng)和一個自定義驅(qū)動的有線接口。因此，這輛車是能夠檢測到距離車輛120米遠的障礙物。 圖2.2、斯坦福大學(xué)的 Junior 智能汽車，它奪得了2007年DARPA舉辦的Urban Challenge的亞軍（由斯坦福大學(xué)研制） Junior的軟件架構(gòu)設(shè)計為一個由五個模塊組成的數(shù)據(jù)驅(qū)動渠道： l 傳感器接口：該接口為其他模塊提供數(shù)據(jù)。 l 感知模塊：這些模塊將傳感器數(shù)據(jù)分為移動車輛和靜態(tài)障礙物，并且還提供在數(shù)字地圖上的精確位置。 l 導(dǎo)航模塊：這些模塊包括運動規(guī)劃，一個分層的有限狀態(tài)機和制定車輛的控制命令。 l 驅(qū)動線接口：此接口接收來自導(dǎo)航模塊的控制命令，并能控制油門、剎車、方向盤、換檔、轉(zhuǎn)向燈和緊急剎車。 l 全球服務(wù)：系統(tǒng)可提供日志記錄、時間戳、消息傳遞和看門狗功能，以保證系統(tǒng)的可靠運行。 此外，我們介紹了三個基本模塊：環(huán)境感知、精度定位和導(dǎo)航。在感知模塊有兩個基本功能：靜態(tài)/動態(tài)障礙物檢測和跟蹤和RNDF定位和更新，它用激光技術(shù)進行初步掃描和一個用于交叉口預(yù)警移動物體的雷達系統(tǒng)進行補充掃描。在感知交通環(huán)境之后，Junior可以在RNDF形成的數(shù)字地圖和從本地傳感器得到的當(dāng)前位置之間進行局部調(diào)整。在導(dǎo)航模塊中，第一個任務(wù)是規(guī)劃全局路徑，這里有兩種導(dǎo)航，道路導(dǎo)航和自由式導(dǎo)航。然而，基本導(dǎo)航模塊不包括交叉口。此外，Junior努力防止自己被卡在行為層次。 如今，斯坦福大學(xué)的研究人員仍為在停車場自動停車和自動停車場工作著。 2.4、弗吉尼亞理工學(xué)院——Odin 弗吉尼亞理工大學(xué)的VictorTango團隊和TORC技術(shù)團隊開發(fā)了Odin [ 2 ]，它在2004年獲得了DARPA舉辦的Grand Challenges的第三名。Odin主要由三部分組成：基礎(chǔ)車身、感知模塊和規(guī)劃模塊。 現(xiàn)在，我們介紹的是基礎(chǔ)車身。Odin是由2005混合型福特汽車改裝而來，圖2.3所示。它的主要計算平臺是一對高壓服務(wù)器，每一個高壓服務(wù)器都有2個四核處理器。 圖2.3、VictorTango團隊開發(fā)的智能汽車Odin（由弗吉尼亞理工學(xué)院研制） 在感知模塊中，有三個子模塊：目標(biāo)分類模塊、定位模塊和道路檢測模塊。在這里，目標(biāo)分類模塊首先檢測到障礙，然后將它們歸類為靜態(tài)或動態(tài)。定位模塊在3D世界中得到車輛的位置和方向。路面檢測模塊提取道路覆蓋地圖和行車位置。 規(guī)劃模塊采用一種混合的協(xié)商反應(yīng)模型。它作為獨立的組件，由上層決策和低層反應(yīng)組成。路線規(guī)劃是規(guī)劃的第一步，它負責(zé)規(guī)劃車輛應(yīng)該行駛的路段和區(qū)域。駕駛行為組件保證車輛遵守道路規(guī)則。運動規(guī)劃負責(zé)將控制指令轉(zhuǎn)換為執(zhí)行器的控制信號。 2.5、麻省理工學(xué)院——Talos 團隊MIT開發(fā)了一個在城市內(nèi)自動駕駛的汽車，名為Talos（見圖2.4）[ 1，9，13 ]。它有三個關(guān)鍵的新特點：（i）基于北斗導(dǎo)航認知策略；（ii）一個統(tǒng)一的規(guī)劃和控制結(jié)構(gòu)；（iii）一個強大的新的軟件基礎(chǔ)設(shè)施。此外，該車有以下幾個子模塊：道路油漆探測器、導(dǎo)航儀、車道跟蹤器、操控性地圖、障礙物檢測裝置、運動規(guī)劃、高速車輛檢測器、控制器和定位模塊。感知模塊包括障礙物檢測裝置、危險探測器和車道跟蹤模塊。規(guī)劃控制算法涉及導(dǎo)航儀、操控性地圖、運動規(guī)劃和一個控制器。導(dǎo)航儀在行駛?cè)蝿?wù)中起重要作用，以及在復(fù)雜驅(qū)動條件下其余模塊緊密配合的控制目標(biāo)產(chǎn)生預(yù)期的運動。 圖2.4、由團隊MIT開發(fā)的智能汽車Talos（由麻省理工學(xué)院研制） 圖2.5、團隊Cornell開發(fā)的智能汽車Skynet（由康奈爾大學(xué)研制） 2.6、康奈爾大學(xué)——Skynet Cornell團隊的Skynet是一種改進的雪佛蘭Tahoe，如圖2.5所示，有兩組傳感器[ 15 ]。一組用于檢測車輛本身，和另一組（激光，雷達和視覺）是用于感測環(huán)境。由于上述傳感器的作用，Skynet能夠提供實時的位置、速度和姿態(tài)的絕對定位。此外，Skynet的當(dāng)?shù)氐貓D包括障礙物檢測信息組成Skynet的周圍環(huán)境圖。在復(fù)雜的環(huán)境中，有許多情況是超過其自動駕駛的基本避障能力的。因此，以車輛為中心的本地地圖是不能滿足絕對定位的。所以我們需要采用后位姿態(tài)跟蹤發(fā)生器算法來評估環(huán)境結(jié)構(gòu)。 在規(guī)則的道路網(wǎng)絡(luò)的背景下，Skynet他將使用概率表示規(guī)劃任務(wù)路徑。一個智能規(guī)劃包括三個主要層次：行為層，戰(zhàn)術(shù)層和操作層。行為層的任務(wù)是確定到下一個任務(wù)點的最快路線。當(dāng)在行為層中存在狀態(tài)轉(zhuǎn)換時，執(zhí)行戰(zhàn)術(shù)層中的相應(yīng)部分。在這四個戰(zhàn)術(shù)組成部分中，道路戰(zhàn)術(shù)部分負責(zé)完成尋找一個合適的車道和在同一個和周邊的車道監(jiān)控物體。交叉口戰(zhàn)術(shù)部分負責(zé)處理交叉口排隊行為和安全會車。在沒有障礙的情況下，區(qū)域戰(zhàn)術(shù)部分需要負責(zé)基本導(dǎo)航。阻塞戰(zhàn)術(shù)部分實現(xiàn)了障礙檢測功能，它能判斷是否有臨時的交通擁堵并采取相應(yīng)的行動。最后一層是控制方向盤、油門、剎車、本地駕駛邊界和執(zhí)行器的參考速度的操作層。 2.7、賓夕法尼亞大學(xué)和里海大學(xué)——Little Ben Little Ben由Ben Franklin Racing Team為了2007 年DARPA舉辦的Urban Challenge而設(shè)計的一種使用了各種傳感器和計算機改進的豐田普銳斯 [ 4 ]，如圖2.6所示。類似于其他智能汽車，Little Ben配備各種傳感器，如三個LMS291，兩個SICK LDRS和一個Bumble bee立體相機。傳感器陣列能及時提供周圍環(huán)境的信息，信息通過環(huán)境感知和建模被集成到一個動態(tài)的地圖上。 Little Ben的軟件框架包括感知模塊、規(guī)劃模塊和控制模塊。感知模塊負責(zé)提供靜態(tài)障礙物、移動車輛、車道標(biāo)線和行駛路面的信息。Little Ben的中長距離激光雷達負責(zé)對幾何障礙、地面道路進行提取、分類，還負責(zé)跟蹤動態(tài)障礙物。此外，立體視覺系統(tǒng)是用來檢測附近車道標(biāo)線的。一旦感知模塊生成靜態(tài)障礙物、動態(tài)障礙物或車道標(biāo)線信息，該地圖規(guī)劃模塊將把更新的障礙和車道標(biāo)線標(biāo)記在以當(dāng)前車輛位置為中心的地圖上。任務(wù)和路徑規(guī)劃包括2個階段。第一階段是通過最小化任務(wù)時間來計算可選路徑。下一個階段是將動態(tài)地圖映射到新的路徑規(guī)劃上。之后，路徑跟蹤模塊負責(zé)計算控制車輛的轉(zhuǎn)向和油門制動，以遵循所需的軌跡。 圖2.6、智能車輛Little Ben（由賓夕法尼亞大學(xué)和利哈伊大學(xué)發(fā)表）