一種基于CFD的車輛行駛狀態(tài)識別方法

彭 聰，劉秋錦，楊 克

(1. 北京航空航天大學(xué)機器人所，北京 100083；2. 奧迪(中國)企業(yè)管理有限公司，北京100015；3. 北京汽車股份有限公司汽車研究院，北京101300)

0 引 言

當(dāng)前在先進汽車駕駛輔助系統(tǒng)的研究上，國內(nèi)外已獲得不少成果[1-2]。這些成果按照適用的工況可劃分為車-路和車-車兩類。如M. SHINo等提出的利用車速和撞線時間監(jiān)測車-路之間的偏離程度[3-4]；又如，基于車載視覺檢測算法，G.KIM等[5]提出的車-車間距預(yù)警系統(tǒng)；以及基于車輛運行特性，許倫輝等[6]提出的雙車道超車模型。但可同時適用于這兩種工況的車輛行駛安全輔助系統(tǒng)卻仍在探究中。究其原因是缺乏對行駛車輛周邊安全域的綜合界定和提取方法。

行駛車輛周邊安全域的邊界分為可見的和非可見的兩類。在車-路工況中，車道線為安全域的可見邊界；在車-車工況中，前車視覺盲區(qū)和車輛外流場為安全域的非可見邊界。傅立敏等[7]利用計算流體動力學(xué)(computational fluid dynamics, CFD)的數(shù)值計算，研究了并行轎車的外流場所產(chǎn)生的氣動阻力變化，得出在超車時兩車并行的安全車距應(yīng)為0.5～1倍車寬。這表明汽車外流場的分布區(qū)域應(yīng)該作為行駛安全域的非可見邊界。

車道線因其可見邊界而不難被提取，故如何獲取非可見的車輛外流場分布為難點和重點。路面工況復(fù)雜多變，現(xiàn)有技術(shù)無法精準地采集行駛車輛的實時外流場。為實時獲取行駛車輛的外流場分布，一種可能的方式為離線計算預(yù)存，在線近似匹配。在Fluent中計算典型工況下行駛車輛的外流場分布，并離線預(yù)存為數(shù)據(jù)庫。在車輛行駛中，根據(jù)采集的實時工況，對外流場數(shù)據(jù)庫實施在線實時檢索，從而間接地獲取車輛當(dāng)前的外流場分布位點。最后依據(jù)行駛車輛的橫向位置、撞線時間、及軌跡線上流場的縱、橫向流速特征辨識出車輛當(dāng)前的行駛安全狀態(tài)。

1 行駛安全域邊界的獲取

1.1 車輛周邊行駛安全域的分析與假設(shè)

眾所周知，車身正向迎風(fēng)面積較小且具有流線型減阻設(shè)計，所以前車前方的氣流區(qū)及視覺盲區(qū)均較小。前車側(cè)向氣流的沖擊可能導(dǎo)致后車橫向操縱力失穩(wěn)[7]，故前車的兩側(cè)為行駛的危險區(qū)之一。前車駕駛員的視覺盲區(qū)主要位于前車后方的大片區(qū)域，故前車后方的大片區(qū)域為后車追尾的危險區(qū)。車輛周邊危險區(qū)域的這種分布形態(tài)與汽車外流場的分布形態(tài)基本一致。因此提出以下科學(xué)假設(shè)：行駛車輛外流場的分布區(qū)能夠涵蓋車-車之間的危險區(qū)。由于行駛汽車外流場的分布難以實測，所以CFD的數(shù)值模擬[8-9]被廣泛用于行駛車輛外流場的計算和獲取。

圖1為路面上車輛行駛時周邊安全域的邊界示意圖。其中車1的行駛安全域邊界為左右兩側(cè)的車道線及前車外圍的邊界曲線ABC。車2的行駛安全域邊界則為左右兩側(cè)車道線和前車外圍的邊界曲線CDE。

圖1 車輛周邊安全域的示意Fig. 1 Diagram of the security zone around the vehicle

車道線為路面的可見邊界，由車載視覺技術(shù)可獲取。前車外流場分布區(qū)的非可見邊界ABCDE曲線，由流場中具有指定流速閾值的節(jié)點位置可確定。前車方位、車速和行駛軌跡可影響其外流場的位置及分布。筆者亦采用車載視覺系統(tǒng)[8-9]對前車進行定位及測速，再利用車輛動力學(xué)模型預(yù)測車輛的行駛軌跡。預(yù)先計算在典型路況下車輛外流場的分布并預(yù)存為待檢索的數(shù)據(jù)庫，然后依據(jù)車輛的方位、車速、車數(shù)及行駛軌跡等對數(shù)據(jù)庫進行在線檢索，獲取當(dāng)前工況下外流場的近似分布。

沿用川崎等人提出了多傳感器融合的理念[10]，本研究的車輛行駛安全狀態(tài)識別也是一個集成系統(tǒng)，如圖2。由圖2可知，車道線、車輛行駛軌跡預(yù)測和車輛外流場分布的獲取是獲取行駛安全域邊界的3大首要任務(wù)。

圖2 行駛車輛安全狀態(tài)識別系統(tǒng)的框架Fig. 2 Schematic of identification for safety states of driving vehicle

1.2 車道線的識別

采用馬雷等[11]提出的車載單目視覺系統(tǒng)識別車輛周邊的車道線。依照文獻[11]中的方法，利用斜置安裝的CCD相機采集路面圖像，然后建立如圖3的車輛隨體坐標系。將路面圖像下方3/4的區(qū)域設(shè)定為車道所在區(qū)，以像素為單位對圖像進行分割，沿X軸正向，將像素在180以內(nèi)的部分作為圖像處理區(qū)域。經(jīng)過二值化、濾波等預(yù)處理后，依據(jù)其灰度分布的梯度特征，提取車道線的邊緣特征。以如式(1)的二次曲線擬合出圖像中的車道線[11-13]，最終獲取車道線的位置。

X=aY2+bY+c

(1)

式中：a、b、c為待定參數(shù)，由圖像處理中的設(shè)定的目標函數(shù)確定。

圖3 在路面圖像中建立的坐標系[11]Fig. 3 Coordinate system established in the pavement image[11]

1.3 車輛行駛軌跡的預(yù)測

在SIMULINK中建立如圖4的二自由度車輛動力學(xué)模型。將探測系統(tǒng)采集的車輛行駛車速uc和前輪轉(zhuǎn)角δ作為動力學(xué)模型的輸入。當(dāng)駕駛員在感知外界信息時，其肢體基本無動作的輸出，所以車輛行駛車速uc和前輪轉(zhuǎn)角δ均將保持不變。側(cè)向速度νc和橫擺角速度r為模型的輸出。軌跡預(yù)測的預(yù)警時間Tw=2.5 s，動力學(xué)模型所需的其他參數(shù)參見文獻[14]。據(jù)此可求解出在預(yù)警時間內(nèi)車輛的側(cè)向車速νc和橫擺角速度r。

圖4 二自由度車輛動力學(xué)模型Fig. 4 Model of two-degree-of-freedom vehicle dynamics

在大地坐標系中，設(shè)車輛沿X軸的速度為縱向車速Vx，沿Y軸的速度為橫向車速Vy，車輛的航向角為φ。航向角φ的值等于橫擺角速度r從0～t時刻的積分。則依據(jù)式(2)可算出縱、橫向車速Vx和Vy。

(2)

再利用式(3)對縱、橫向車速Vx和Vy進行積分，即可獲取在t時刻車輛質(zhì)心的位置(X,Y)，質(zhì)心經(jīng)過的各點(X,Y)即為汽車在0～t內(nèi)所行駛的軌跡。

(3)

當(dāng)前進方向的車速為20 m/s，前輪轉(zhuǎn)角δ為0.03 rad，且預(yù)警時間Tw為2.5 s時，根據(jù)以上邏輯，預(yù)測的車輛行駛軌跡Y=f(X)如圖5。為了研究周邊環(huán)境特征相對于本車的安全狀態(tài)，需利用坐標變換獲取在車輛隨體坐標系中軌跡線的位置。

圖5 車速為20 m/s時的行駛軌跡Fig. 5 Trajectory of a vehicle at a speed of 20 m/s

1.4 車輛外流場分布的獲取

1.4.1 外流場建模與計算

建立汽車及其計算域的幾何模型。采用動網(wǎng)格使汽車模型運動，氣體介質(zhì)靜止。將車速和兩車間的縱、橫向間距等連續(xù)型變量離散化為幾個典型的數(shù)值，例如取車速為15、20、30 m/s等。針對不同車數(shù)及其相對方位下，直線或曲線行駛等典型工況，分別計算其所對應(yīng)的外流場分布。

車身外形尺寸設(shè)定為：長×寬×高=5 m×2 m×1.5 m。為防止汽車模型沖出計算域，當(dāng)設(shè)定的行駛時間為2.5 s、車速為15 m/s時，計算域的尺寸取為長×寬×高=80 m×8 m×4 m，如圖6。將幾何模型導(dǎo)入ICEM中進行網(wǎng)格劃分，再導(dǎo)入FLUENT中，并將C++定義的車輛運動規(guī)律加載于求解器中。求解器中主要參數(shù)的設(shè)定見表1，最后求解計算。

圖6 幾何模型及其網(wǎng)格劃分Fig. 6 Geometric model and its meshing

表1 FLUENT主要參數(shù)的設(shè)置Table 1 Main parameter setting of FLUENT

1.4.2 外流場分布的計算結(jié)果

車-車的行駛安全域分布于車輛隨體坐標系的水平面內(nèi)，故只需分析水平截面內(nèi)的縱、橫向流速。在圖6的幾何建模中，在z軸上車高的尺寸范圍定為[-1,0.5]，因此z=0的水平截面可覆蓋車身的最大外輪廓。故筆者均在該平面上進行流速分布區(qū)的分析。且因所用計算平臺能力的限制，在100萬網(wǎng)格數(shù)的計算域中，近壁面處的精度略顯不足，故取流速大于1 m/s的區(qū)域為速度場影響區(qū)。

以15 m/s的車速直線行駛時單車外流場的流速分布如圖7。

圖7 單車外流場的流速分布云圖Fig. 7 Contours of velocity in the flow field around a vehicle

圖7的外流場中，縱、橫向流速的二維分布如圖8。由圖8可獲取車速為15 m/s時單車直線行駛時外流場在縱、橫向的分布范圍。在3個典型車速下，單車直線行駛時在水平截面內(nèi)外流場的流速分布范圍如表2。隨著車速的增大，在縱、橫向上速度場的分布區(qū)也增大；反之，則縮小。其他車速下的外流場分布區(qū)域同理可得。

圖8 車速為15 m/s時縱、橫向流速的二維分布Fig. 8 Vertical and lateral velocity distribution of air flowaround a single vehicle driving at a speed of 15 m/s

表2 不同車速下氣流速度分布范圍Table 2 Flow velocity distribution range at different vehicle speeds

筆者暫時僅給出縱向間距為5 m、橫向間距為0.75 m的兩車以20 m/s車速同向直線行駛時的流速分布(如圖9)以及單車以15 m/s的車速曲線行駛時的外流場分布(如圖10)。在路面行駛時工況種類繁多，車輛外流場的形態(tài)也各異。雖然流場分布的獲取思路仍可采用，但在多車外流場耦合及曲線行駛的工況下車輛行駛安全狀態(tài)識別的準確性還有待完善。

圖9 直線行駛時兩車外圍流速分布的云圖Fig. 9 Flow velocity contours around two vehicles driving straightly

圖10 單車曲線行駛時外圍流速分布的云圖Fig. 10 Flow velocity contours around a vehicle driving deviously

1.4.3 外流場分布數(shù)據(jù)庫的建立

對不同的車速，兩車相對方位、行駛軌跡等工況及其組合，分別建模和計算，從而構(gòu)建各個典型工況所對應(yīng)的外流場分布的數(shù)據(jù)庫。由于采用的動網(wǎng)格，故利用坐標變換將以上外流場分布由大地坐標系轉(zhuǎn)換至車輛的隨體坐標系中，并以一個四維矩陣的形式預(yù)存為外流場分布數(shù)據(jù)庫。矩陣中每個元素均為一張在z=0平面內(nèi)外流場的各點流速u與該點位置(x,y)一一對應(yīng)的二維數(shù)表。

車輛外圍的速度場分布間接地反映了車輛周邊各點的危險分布形勢。根據(jù)實時工況，系統(tǒng)對數(shù)據(jù)庫的典型工況進行在線檢索，從而獲取當(dāng)前外流場的分布。在外流場分布區(qū)內(nèi)，任意一點的流速u與該點的位置(x,y)一一對應(yīng)。由圖8可知，這兩者之間的關(guān)系為：流場中某一點處的流速u越大，該點距離車身的縱向距離x和橫向距離y越小，則該點處的危險性越大。

2 車輛行駛安全狀態(tài)特征的確定

提取了車道線和外流場共同構(gòu)成的安全域邊界后，需確定車輛當(dāng)前的行駛安全狀態(tài)特征。為了便于理解，分別分析在車-路和車-車兩種交通路況下，車輛的行駛安全狀態(tài)。

2.1 橫向位置和撞線時間特征

在路面僅有本車時，只需分析車-路的安全特征，如圖11。車輛質(zhì)心與較近的車道線的橫向距離為w。獲取車輛行駛軌跡及車道線后，橫向位置特征w′=w/wl定義為w和車道寬度wl的比值，表征車輛當(dāng)前所處的橫向位置。

圖11 只有本車時的車-路方位示意Fig. 11 Diagram of the vehicle-road condition with one vehicle

時間特征定義為抵達所偏向的車道線時車輛所需的時間，即撞線時間t。t的獲取方法如下：車輛偏離車道時，行駛軌跡將與偏向的車道線相交。故將式(2)代入式(3)，對時間t積分后，得出行駛軌跡關(guān)于時間t的參數(shù)方程，最后與式(1)聯(lián)立求解。即可獲取撞線時間t。

由圖11可知：在同一段道路上，設(shè)在時刻1，時刻2和時刻3時，車輛的撞線時間分別為t1，t2和t3，與車道線的橫向距離分別為w1，w2和w3。若t1=t2，當(dāng)w2

由位置特征w′的定義可知其取值范圍為[0,1]。出于安全考慮，預(yù)留給駕駛員的反應(yīng)時間[14]設(shè)為1.0 s，設(shè)定的預(yù)警時間Tw=2.5 s，限定撞線時間t的取值范圍為[1,2.5]。

2.2 外流場中縱、橫向流速特征

當(dāng)路面還有其他車輛時，除了w′和t兩項特征外，還需分析車-車工況的安全特征。如圖12，灰色線封閉曲線為側(cè)前方的車輛2外流場的流速分布等值線。在車輛1的隨體坐標系X0Y中軌跡線上A點坐標為(XA,YA)，車輛2的位置為(h,k)。

根據(jù)兩車的相對車速獲取車輛2的外流場?；炯僭O(shè)為車輛2外流場分布區(qū)即為車輛1的行駛安全域。實際行車中，若車輛1與車輛2的相對車距減小，更易發(fā)生相碰，此時需更早預(yù)警，所以車輛2的行駛安全域即外流場分布區(qū)應(yīng)更大；反之，則需推遲預(yù)警，車輛2的外流場分布區(qū)應(yīng)更小。因此，檢索出的外流場分布范圍應(yīng)采用相對車距，即相對車速的變化而自適應(yīng)地增大或減小。為此，筆者提出相對車速u′的計算方法，如式(4)：

(4)

式中：uf和ur分別為前車速度和后車速度。對外流場的數(shù)據(jù)庫進行檢索時，利用式(4)的相對車速即可檢索出的范圍大小符合以上安全要求的外流場分布。

通過坐標變換，獲取車輛1的隨體坐標系中各點在車輛2隨體坐標中的對應(yīng)坐標。利用坐標變換式(5)，獲取點A在車輛2的隨體坐標系x0y中的坐標(xA,yA)。從預(yù)存的流場分布矩陣中檢索出點A處的流速u=(ux,uy)，同理獲取軌跡線上其他各點(X,Y)的流速(ux,uy)。

(5)

再根據(jù)流場中某點的縱、橫流速，具體分析車輛行至該點時所處的安全狀態(tài)。設(shè)在點A外流場邊界上，該點處的縱、橫流速分別為4 m/s和-1.5 m/s。當(dāng)車輛1經(jīng)過時間t′到達A點時，就橫向位置w′和撞線時間t而言，車輛偏離程度不嚴重，但此時車輛1已進入車輛2的氣流影響區(qū)。在圖8中查找縱、橫流速分別為4 m/s和-1.5 m/s的節(jié)點位置為(32,1.5)，該點離車輛2的縱向距離為5.5 m，橫向距離為0.75 m。兩車距離已很小，比較危險。若仍沿著當(dāng)前的軌跡行駛，軌跡線上后續(xù)各點的流速梯度將急劇增大，兩車急速靠近，危險性增大。故在車-車工況下，外流場的縱、橫向流速uX和uY兩項特征可表征車輛的行駛安全狀態(tài)。由于行駛軌跡可能會穿越前車的流場分布區(qū)，故選取軌跡線上各點的縱、橫向流速最大值uX=max(ux)和uY=max(uy)作為兩車距離的間接特征。

圖12 兩車的車-車方位示意Fig. 12 Diagram of the vehicle-vehicle condition with two vehicles

在流場影響區(qū)內(nèi)，當(dāng)某點的縱向流速uX大于5 m/s時，由圖8可知該點離車身太近，留給駕駛員做出避讓的時間很短，預(yù)警已晚。故限定uX的取值范圍為[-1,5]；同理，限定uY的取值范圍為[-2,2]。

當(dāng)提取的w′、t、uX和uY超出以上取值區(qū)間時，取各自較近的閾限值。再將這4項特征組建為車輛行駛安全狀態(tài)的特征向量ξ=(w′,t,uX,uY)。

3 行駛車輛安全狀態(tài)的識別

根據(jù)狀態(tài)向量ξ的取值，辨識出車輛當(dāng)前的行駛安全狀態(tài)。解決這類多特征的模式識別問題，常用的方法有模糊模式識別[15]和基于神經(jīng)網(wǎng)絡(luò)的模式識別[16]。安全預(yù)警系統(tǒng)的實時性要求較高，故筆者選用結(jié)構(gòu)更簡單，速度更快的概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network, PNN)進行模式識別。

3.1 樣本數(shù)據(jù)的歸一化

利用文獻[17]中設(shè)計的車載視覺系統(tǒng)獲取行駛車輛的橫向位置w′和撞線時間t。從檢索的外流場中提取當(dāng)前軌跡線上的縱、橫向流速特征uX和uY，組建為特征向量ξ。隨機抽取30個時刻的采樣點，其數(shù)值見表3。

對30個采樣點的原始數(shù)據(jù)進行預(yù)處理。常見的神經(jīng)網(wǎng)絡(luò)應(yīng)用中，往往固定訓(xùn)練樣本，并指定網(wǎng)絡(luò)的目標輸出，再對網(wǎng)絡(luò)進行訓(xùn)練。但在輔助駕駛的應(yīng)用中，很難在訓(xùn)練前就采集到各種工況下的樣本。神經(jīng)網(wǎng)絡(luò)應(yīng)具備根據(jù)實時的采樣自學(xué)習(xí)、自訓(xùn)練和自更新的能力。因此需給予PNN網(wǎng)絡(luò)依據(jù)分類閾值自行確定訓(xùn)練樣本的目標輸出的能力。但狀態(tài)向量的4項狀態(tài)特征的最佳取值分布方向不一致，不便于計算和類別的劃分。為此構(gòu)造了一組如式(6)的壓縮變換算子。通過式(6)使特征向量ξ各個特征的取值在區(qū)間[0,1]之內(nèi)，并使各特征的取值呈現(xiàn)出方向的一致性，即數(shù)值越大，在各維度上行駛車輛的風(fēng)險也越大。

(6)

對原始數(shù)據(jù)經(jīng)過以上的處理后，形成PNN網(wǎng)絡(luò)的訓(xùn)練和待識別樣本X=(x1,x2,x3,x4)。取前20個數(shù)據(jù)樣本P=X1～20作為訓(xùn)練樣本，對PNN網(wǎng)絡(luò)進行訓(xùn)練，后10個數(shù)據(jù)樣本作為測試樣本集p=X21～30。然后，在MATLAB中采用mapminmax函數(shù)對樣本X的數(shù)據(jù)矩陣歸一化。

表3 隨機抽取30個采樣點的特征數(shù)據(jù)Table 3 Feature data of 30 samples selected randomly

3.2 神經(jīng)網(wǎng)絡(luò)主要參數(shù)的確定

在MATLAB的PNN神經(jīng)網(wǎng)絡(luò)工具箱中，其主要參數(shù)為擴散速度spread和目標輸出T。對這兩項參數(shù)的確定方法如下：

1)通過程序的自循環(huán)確定網(wǎng)絡(luò)的擴散速度spread取值。通過spread=1/i(i=1,2,…,10)的循環(huán)取值和對比，發(fā)現(xiàn)spread=0.6時， PNN網(wǎng)絡(luò)對20個訓(xùn)練樣本和10個待識別樣本的計算速度最快，因此最終PNN網(wǎng)絡(luò)的擴散速度設(shè)定為0.6。

2)在確定網(wǎng)絡(luò)的目標輸出T之前，需分析在車輛行駛安全狀態(tài)中4項特征各自所占的權(quán)重。當(dāng)車輛的位置特征w′變化時車仍在本車道內(nèi)，而撞線時間t預(yù)示車將闖入其他車道或偏出道路，所以后者的危險性更大。橫向流速uX和縱向流速uY分別表征縱、橫向的車間距離，常用車速下縱向附著大于橫向附著，且軸距大于輪距，就碰撞的后果而言，橫向更危險。當(dāng)w′和t的值偏小時，潛在后果是違章，而當(dāng)uX和uY的值偏小時，潛在后果是相撞。故就危險性而言，應(yīng)為橫向流速uX和縱向流速uY的取值分配更大的權(quán)重。故樣本X的4項特征所占有的權(quán)值分配設(shè)為向量G=[0.10,0.25,0.30,0.35]。

3)算法根據(jù)4項特征的權(quán)重G自行確定PNN網(wǎng)絡(luò)對20個訓(xùn)練樣本的目標輸出T。依據(jù)權(quán)重G，將4項特征融合成一個評估車輛行駛安全狀態(tài)的綜合指標D=GXT，其值越大，車輛當(dāng)前的綜合行駛狀態(tài)越危險。D的取值區(qū)間為[0,1]，以0.25為間隔，將車輛的行駛狀態(tài)均分為4個級別：非常危險，比較危險，比較安全和非常安全。為了便于計算，將這4個級別依次寫成向量的形式：[1,0,0,0]、[0,1,0,0]、[0,0,1,0]和[0,0,0,1]。計算所得的20個訓(xùn)練樣本P所對應(yīng)的目標輸出T為：

3.3 測試樣本的識別結(jié)果

利用訓(xùn)練樣本P和目標輸出T對構(gòu)建的PNN網(wǎng)絡(luò)進行訓(xùn)練，并對測試樣本p的安全狀態(tài)進行辨識，其結(jié)果見表4。識別結(jié)果顯示：6號樣本所屬的安全狀態(tài)為比較安全，該判別不合理。因為6號樣本的撞線時間約為0.83 s，駕駛員平均反應(yīng)時間約1 s，已沒有足夠的時間做出避讓操作，發(fā)生危險的可能性較大，理應(yīng)歸為比較危險。其他9個測試樣本的結(jié)果均比較合理，因此測試樣本p的識別正確率為90%。這表明該網(wǎng)絡(luò)對車輛行駛安全狀態(tài)的識別效果比較滿意。

導(dǎo)致最終6號樣本的識別出現(xiàn)偏差的原因除了網(wǎng)絡(luò)的訓(xùn)練樣本較少外，更可能是特征提取中的累積誤差。如車載視覺探測系統(tǒng)精度不高、外流場的CFD數(shù)值計算量大和實際工況多、待檢索的外流場數(shù)據(jù)庫精細程度不夠等。這些不足有望在車聯(lián)網(wǎng)技術(shù)普及中得以解決。車聯(lián)網(wǎng)技術(shù)的計算能力和大數(shù)據(jù)優(yōu)勢，可使車載終端只需提供本車的位置及路面影像，圖像及CFD計算及數(shù)據(jù)共享任務(wù)則由云端的數(shù)據(jù)控制中心完成。這將使待檢索的外流場數(shù)據(jù)庫所囊括的工況更豐富，車速和車距的離散化更精細，從而使各個車輛接收的車道線、周邊車輛的方位及其外流場分布等信息更快、更精準。

4 結(jié) 論

提出了一種基于CFD的車輛行駛安全狀態(tài)識別方法。在車道線和外流場分布所圍成的安全域中，為獲取車輛的位置、撞線時間、行駛軌跡上縱、橫向的最大流速等4項行駛安全狀態(tài)特征，分別進行了車道線的擬合和車輛行駛軌跡的預(yù)測，并提出以CFD離線計算、在線檢索的方法提取典型工況下行駛車輛外流場的分布。最后利用PNN神經(jīng)網(wǎng)絡(luò)對這4項特征的模式識別獲得了90%的正確率，即對車輛行駛安全狀態(tài)的識別效果良好。從而在理論上初步驗證了該方法在綜合交通路況下的可行性。這為輔助駕駛系統(tǒng)的研究提供了一種新思路。

然而本研究仍存在待改進之處。當(dāng)前4項狀態(tài)指標的選取是基于假設(shè)和推理，還需更可靠的實驗依據(jù)。此外，輔助駕駛的實時性要求非常高，盡管筆者提出的流場數(shù)據(jù)庫和計算方式均為離線獲取，且對模式識別的樣本采取限量和自訓(xùn)練、自更新的策略以減少計算耗時，但這種策略犧牲了準確性要求。有待車聯(lián)網(wǎng)技術(shù)來化解這一矛盾。