基于模糊控制的車道偏離預警模型研究

主題詞：車道偏離預警 模糊控制 駕駛風格 能見度中圖分類號：U471.1 文獻標志碼：A DOI：10.19620/j.cnki.1000-3703.20240705

Research on AdaptiveLaneDeparture WarningModel Based on Fuzzy Control

Zhang Yi'，Yin Chenglong'，Zou Xiaomao’，TangYouming2，WangPingl （1.MechanicalandAutomotiveEnginering College，Xiamen TechnologyUniversity，Xiamen 361024;2.Schoolof Mechanical and Energy Engineering，Zhejiang University of Science and Technology，Hangzhou 310023）

【Abstract】To balance lane departure issues under various driving styles and visibilityconditions，this paper proposes an adaptivelane departure warning strategy.Driving behaviordata is colectedusing driving simulator，and parameters such as lateral positiondeviation，time-to-lanecrossing，anddeviationspeedareseleted.Basedonthefuzzyclusteringalgorithm， driversareclasifiedaccording totheirdrivingstyles.Subsequently，aRadialBasis Function NeuralNetwork（RBFN）model isintroduced toachievedrivingstylerecognition.Diferent warning thresholdsare designed toconstructanadaptivelane departurewarningmodel.Finaly，adriver-in-the-loopexperimentisconducted.Theresultsindicatethatthemodelachieves an overall accuracy of 94.7% ，it caneffectively output dynamic thresholds fordifferent driversand visibility，therebyreducing 1 alarms and enhancing the applicability of the lane departure warning system.

Keywords：Lane departure warning，F(xiàn)uzzy control，Driving style，Visibility

【引用格式】張義，尹成龍，鄒小毛，等.基于模糊控制的車道偏離預警模型研究[J].汽車技術，2025（7）：49-56. ZHANG Y，YINCL，ZOUX M，et al.Research on Adaptive Lane Departure Warning Model Based onFuzzy Control[J]. Automobile Technology，2025（7）： 49-56.

1前言

研究顯示，車輛行駛的安全性受人、車、環(huán)境等因素的綜合影響， 93.12% 的道路交通事故由駕駛員操作不規(guī)范導致汽車偏離車道引起，而大霧、雨雪等不良天氣加劇了高速公路事故嚴重性1。汽車預警系統(tǒng)作為高級駕駛輔助系統(tǒng)的重要組成部分，可有效減少交通事故的發(fā)生。

在霧天駕駛時，低能見度使駕駛員獲取與橫向控制相關的道路紋理信息較少，從而增加了汽車霧天行駛的風險[3]。為此，Das等4采用有序邏輯回歸方法分析霧天自然駕駛數(shù)據(jù)，發(fā)現(xiàn)霧天氣條件下車道保持能力降低，但傳統(tǒng)預警模型使用固定閾值，無法適應駕駛員的駕駛習慣差異[5]。丁潔云針對不同駕駛員提出動態(tài)期望駕駛區(qū)間的概念，通過設計自適應調(diào)整算法，使動態(tài)期望駕駛區(qū)間更加符合駕駛員自然駕駛行為。胡滿江等基于駕駛員自然駕駛行為和人機交互行為數(shù)據(jù)庫，提出自適應調(diào)節(jié)的動態(tài)期望駕駛區(qū)間與車道虛擬邊界。

駕駛風格對車道偏離預警系統(tǒng)影響顯著8，為了探究不同駕駛風格和能見度下的車道偏離情況，本文使用SILAB軟件采集濃霧、薄霧和晴朗路段數(shù)據(jù)，采用模糊C均值（FuzzyC-Means，F(xiàn)CM）聚類算法進行聚類分析，利用徑向基函數(shù)神經(jīng)網(wǎng)絡（RadialBasisFunctionNeuralNetwork，RBFNN）對駕駛員風格進行離線識別。根據(jù)模糊推理規(guī)則設計自適應車道偏離預警模型，同時，通過模擬器在環(huán)試驗驗證本文方案的有效性。

2試驗環(huán)境及數(shù)據(jù)采集

2.1 試驗平臺

本文使用高保真六自由度駕駛模擬系統(tǒng)，如圖1所示，該系統(tǒng)包括六自由度運動平臺、基于大眾轎車的駕駛艙集成、高性能工作站和 180^° 環(huán)幕等模塊。其中，基于實車駕駛座艙及六自由度運動平臺，可實現(xiàn)車輛的物理動態(tài)仿真（變道、顛簸等），同時提供真實交通環(huán)境的3D立體音效、模擬各種道路交通環(huán)境，包括雨、雪等不良天氣場景，為駕駛員提供真實的駕駛體驗，實現(xiàn)\"人-車-路\"交互。

2.2數(shù)據(jù)集

按照國家標準，使用SILABCourse腳本語言設計試驗場景，雙向四車道高速公路全長為 10km ，單車道寬 3.75m ，中間隔離帶寬 2m ，設置不同的彎道和坡度模擬現(xiàn)實道路。道路交通狀況為暢通，周圍車輛以轎車為主。試驗場景的能見度設置為 50m.200m 和 1000m ，分別對應濃霧環(huán)境、薄霧環(huán)境和晴朗環(huán)境，如圖2所示。

本次試驗共有94名被試者，其中男性74名、女性20名，年齡為21＼～50歲，均具有2年及以上駕駛經(jīng)驗。被試者在模擬的交通環(huán)境中，按照各自的駕駛習慣操作，使用SILAB軟件的數(shù)據(jù)采集模塊編寫腳本，記錄車輛經(jīng)過濃霧、薄霧和晴朗路段的全過程數(shù)據(jù)，共采集282組。實時駕駛數(shù)據(jù)主要包括：行駛速度、橫向加速度、縱向加速度、轉(zhuǎn)向盤轉(zhuǎn)角、橫擺角、橫擺角速度、偏離速度、跨道時間（ 等，采樣頻率為 10Hz_?

3駕駛風格分類與識別

3.1 駕駛風格分類

駕駛風格通常指駕駛人習慣性選擇的駕駛方式，本文采用FCM對數(shù)據(jù)進行聚類分析[o]，主要流程為：

a.確定分類數(shù) c 、隸屬度權重指數(shù) m 和迭代次數(shù)，確定初始化隸屬度矩陣 U_ij^（0） 。

b.根據(jù) U_ij^（0） 計算第 l 步的聚類中心 C^（l）

式中： U_ij^（l-1） 為第（l-1）次迭代中樣本 j 對類 i 的隸屬度矩陣， x_j 為第 ??_j 個樣本的特征向量。

c.修正隸屬度矩陣 U_ij^（l-1） 并計算目標函數(shù)值 J^（l）

d.按照上述步驟不斷迭代， J 逐漸趨向最小值，當 J 不再變化或到達迭代次數(shù)時，停止迭代并輸出隸屬度矩陣 U 對比各樣本在3個類別中的隸屬度，隸屬度最大的類即為該樣本的歸屬類別。

基于采集的駕駛模擬試驗數(shù)據(jù)，選擇能夠表征駕駛員對車道偏離風險認知的橫向位置偏差平均值 X₁ 和跨道時間平均值 X₂ 進行分析，得到初始化駕駛數(shù)據(jù)矩陣為：

本文聚類結果如圖3所示，駕駛風格可分為3類，即c=3 ，常取隸屬度權重指數(shù) m=2 ，經(jīng)過不斷迭代，當?shù)螖?shù)為6時，目標函數(shù)不再變化，算法停止[12]。

基于橫向指標，按照駕駛風格將駕駛員分為3類，即激進型、一般型和謹慎型。謹慎型駕駛員傾向于在車道的中心位置行駛， T_TLC 相對較長，常保持相對穩(wěn)定的車道位置和速度，更注重保持穩(wěn)定性和安全性；一般型駕駛員傾向于選擇車道的中心位置行駛，遵循常規(guī)的交通規(guī)則和速度限制。此時 T_TLC 可能處于激進型和謹慎型之間，偶爾會偏離中心位置且車速多變，存在因超速而增加車道偏離的可能性；激進型駕駛員則傾向于選擇車道的一側位置并以較高的車速行駛，在面臨車道偏離風險時， T_TLC 相對較短，與其他車輛接近/碰撞的風險較大。

根據(jù)聚類結果，94名被試者中激進型有19名、一般型有46名、謹慎型有29名。采用分割系數(shù)（PartitionCoefficient，PC）和排列（PermutationEntropy，PE）評估聚類結果，當分割系數(shù) n_PC 越接近1，說明聚類效果越清晰、分類越明確;排列熵 n_PE 越接近0，則表示聚類結果中的模糊性越小。經(jīng)過計算，本文聚類結果 n_PC=0.8679 、n_PE=0.3105 。因此，該聚類方法能夠有效地識別并區(qū)分不同的數(shù)據(jù)簇，聚類效果較好。

3.2 駕駛風格識別

以橫向位置偏差 y_e，T_TLC 為特征值，使用RBFNN對駕駛員風格進行離線識別，相較傳統(tǒng)的反向傳播（BackPropagation，BP）神經(jīng)網(wǎng)絡算法，RBFNN具有唯一最佳逼近性能和全局最優(yōu)特性、輸人和輸出映射功能較強、訓練速度快且分類效果好[13]。RBFNN為三層神經(jīng)網(wǎng)絡，包括輸入層、隱層和輸出層，其中，從輸入層到隱層為非線性變換，從隱層到輸出層為線性變換，網(wǎng)絡結構如圖4所示。

常見的徑向基函數(shù) h 為高斯徑向基函數(shù)：

式中： c_i 為第 i 個神經(jīng)元的中心點， σ 為高斯核的寬度， 為樣本點 x_i 與中心點 c_i 的歐式距離。

假定輸入為 d 維向量 ，輸出為實數(shù)值，則RBF網(wǎng)絡可定義為：

式中： m 為隱層神經(jīng)元數(shù)量， ω_j 為第 ?j 個隱層神經(jīng)元對應的權重， c_j 為第 j 個隱層神經(jīng)元對應的中心。

使用均方誤差定義誤差函數(shù)：

利用BP算法計算反向傳播誤差，通過梯度下降計算輸出層的神經(jīng)元線性權重、隱層神經(jīng)元中心和隱層高斯核寬度分別為：

式中： η 為學習速率。

經(jīng)過多輪迭代得到最優(yōu)解，網(wǎng)絡訓練結束。

在RBFNN的駕駛風格識別任務中，輸入為橫向位置偏差平均值 X₁ 和跨道時間平均值 X₂ ，即 輸出為駕駛風格 y ；輸入層、輸出層的節(jié)點數(shù)分別為2和3，隱藏層節(jié)點數(shù)為9，即

本文使用RBFNN模型對94名駕駛員數(shù)據(jù)樣本進行識別，用時 10ms 。其中，激進型有17人，一般型有47人，謹慎型有30人。但識別結果中，激進型的2人被識別為一般型，一般型的2人被識別為謹慎型，謹慎型的1人被識別為一般型。針對激進型、一般型和謹慎型駕駛風格，所建立的駕駛風格識別模型識別的準確率分別為89.5%.95.7% 和 96.5% ，駕駛風格識別模型整體精準度達到 94.7% 。

因此，可通過采集自車行駛參數(shù)值和車道信息獲取特征值 y_e 和 T_TLC ，再由駕駛風格識別模型進行在線識別任務。

4自適應車道偏離預警模型

4.1TLC偏離預警算法

基于TLC的車道偏離預警模型算法簡單、預警時間長，能夠為駕駛員預留較長的反應時間[14]。鑒于多數(shù)道路為直線型，路面存在側面坡度及側向風等干擾因素，駕駛員需不斷調(diào)整轉(zhuǎn)向盤，以保持車輛直線行駛。假設車輛行駛時轉(zhuǎn)向盤轉(zhuǎn)角恒定，車輛在直線道路的行駛軌跡如圖5所示。

根據(jù)幾何關系及運動規(guī)律，可計算車輛的偏離距離，即弧長 AC 為：

式中 ?：R_?ψ 為車輛右輪軌跡曲線半徑， α 為弧長對應的弧度角。

通過車輛傳感器能夠獲得車輛縱向速度 v 與橫擺角速度 ω ，所以求取弧長 AC 的關鍵在于計算弧度角 α O由于距離 距離 |OB|=|OA|-|AB|=R- 在 ΔOCB 中，利用三角形余弦定理可得 cosα= P 所以由 計算弧長AC ，并得出車輛的跨道時間

設置偏離預警閾值t，當 T_TC

4.2 預警閾值確定

為了實現(xiàn)不同的駕駛風格和能見度輸出合適的預警閾值，根據(jù)駕駛風格識別模型得到駕駛員的風格標簽，將橫向位置偏差 y_e 和偏離速度 V_e 作為模糊控制器的輸入，預警閾值 Φ_t 作為輸出；考慮到車輛前輪距和車道寬度，將 y_e 論域設定為 [0m，1.0m] ；車輛以較小的偏航角偏離車道，所以將V的論域設定為 [0m/s，1.5m/s]

對于輸出變量 χ_t ，根據(jù)駕駛員 T_nc 數(shù)據(jù)，對不同能見度下激進型和謹慎型駕駛員的 T_TLC 排序，以5百分位的數(shù)值作為閾值邊界。在晴朗、薄霧、濃霧環(huán)境下，激進型駕駛員第5百分位的 T_TLC 分別為 0.7s，0.9s，1.2s ，謹慎型駕駛員第5百分位的 T_TLC 值分別為1.2s、1.9s、2.2s。將激進型的 T_TLC 設為論域的下邊界，謹慎型的 T_TLC 設為論域的上邊界，同時，閾值應大于駕駛員反應時間，常設置為t=0.5s^[15] 。因此，晴朗的論域設定為 [0.7s，1.2s] 薄霧的論域設定為 [0.9s，1.9s]， 濃霧的論域設定為 1.2s，2.2s]

將偏離速度、橫向位置偏差和預警閾值定義為模糊集合，輸入模糊語言變量值為{S（Small），M（Medium），L（Large），分別表示小、中、大;輸出模糊語言變量值為{NS（NegativeSmall），MS（Medium-Small），M（Medium），ML（Medium-Large），NL（NegativeLarge）}，分別表示較小、小、中、大、較大。根據(jù)駕駛模擬試驗數(shù)據(jù)模糊推理規(guī)則，如表1所示，利用Matlab/Simulink搭建自適應車道偏離預警模型。

5試驗平臺驗證

本文試驗平臺（見圖6由車輛動力學仿真模塊、控制模塊和動態(tài)駕駛艙3個主要部分組成，通過駕駛員操作形成閉環(huán)。

5.1 自適應閾值驗證

在設定的道路場景下，隨機選擇2名被試者操作駕駛模擬器。試驗工況具體：道路測試場景為車道寬度3.75m 的單向三車道，以最惡劣和最常見的環(huán)境為例，分別設置濃霧和晴朗的道路環(huán)境，該環(huán)境下車輛分別以30km/h 和 80km/h 的速度行駛。其中，被試者依照各自駕駛習慣，到達測試點后，被試者模擬車輛在道路中行駛時轉(zhuǎn)向盤轉(zhuǎn)角恒定，車輛以曲線軌跡向右偏離車道，試驗結果如圖7、圖8所示。

由圖7a可知，濃霧環(huán)境下，車輛發(fā)生偏離時，激進型駕駛員的車輛橫向位置偏差更大，車輛更早靠近車道邊界線，實時 T_TLC 逐漸變小。當 T_TLC 小于動態(tài)閾值時，車道偏離預警模型會向控制器發(fā)出偏離預警信號。由圖7b可知，謹慎型駕駛員在2.4s時， T_TLC 小于動態(tài)閾值，此時動態(tài)閾值為 1.80s ，偏離信號在車輛壓線前 1.3s 發(fā)出。而激進型駕駛員在1.1s時， T_TLC 開始小于動態(tài)閾值，此時動態(tài)閾值為1.77s，偏離信號在車輛壓線前1.1s前發(fā)出。

在晴朗環(huán)境下，車輛前輪的軌跡見圖 8a 。由于車輛偏離車道時速度較大，相較于濃霧環(huán)境，晴朗環(huán)境中模糊控制器的輸出閾值較小。由圖8b可知，謹慎型和激進型車輛分別在動態(tài)閾值為1.01s和0.91s時，車道偏離預警模型向控制器發(fā)出偏離預警信號。不同工況下驗證結果對比如表2所示，結果表明：針對不同駕駛風格和能見度，該自適應車道偏離預警模型可以輸出相應合適的預警閾值。

5.2預警精度對比驗證

模擬因分心車輛逐漸偏離車道后，及時調(diào)整轉(zhuǎn)向盤回到安全位置的工況，選取3名被試者分別在晴朗、薄霧、濃霧環(huán)境下進行試驗，通過模型識別出該3名被試者的駕駛風格分別為謹慎型、謹慎型和激進型。考慮駕駛員的反應時間和執(zhí)行機構的響應時間，根據(jù)文獻[16]，將傳統(tǒng)車道偏離輔助系統(tǒng)的預警閾值設為2s。試驗結果如圖9所示，整個行駛過程中車輛左、右車輪均未超出車道線。

由于駕駛分心，車輛不斷靠近右車道線，實時 T_TLC 不斷減小，同時預警閾值也逐漸降低。在晴朗環(huán)境第1.3s 時， T_r，rlt;2 s，固定閾值的TLC算法發(fā)出預警信號，而自適應車道偏離預警模型輸出的動態(tài)閾值 tTLC ，未發(fā)出預警；在薄霧環(huán)境第 2.3s 時，固定閥值的TLC算法發(fā)出預警信號，自適應車道偏離預警模型沒有發(fā)出預警；在濃霧環(huán)境第1.2s時， T_rlclt;2s ，固定閾值的TLC算法與自適應車道偏離預警模型同時發(fā)出預警信號。

當駕駛員調(diào)整轉(zhuǎn)向盤返回車道中心時，由于轉(zhuǎn)向盤轉(zhuǎn)角較大，車輛迅速靠近左車道線，晴朗環(huán)境中，在第2.9s時，固定閾值的TLC算法再次發(fā)出預警信號，而自適應車道偏離預警模型因車輛橫向位置偏差較小，輸出的動態(tài)閾值始終小于 T_TLC ，未發(fā)出預警。

最后，車輛穩(wěn)定行駛在車道內(nèi)，偏離風險解除。如圖10所示，在薄霧環(huán)境下，該駕駛員較為保守，橫向位移較小，固定閾值的TLC算法和自適應車道偏離預警模型均未發(fā)出預警信號。在濃霧環(huán)境下，在第4.1s時，固定閾值的TLC算法再次發(fā)出預警信號，而自適應車道偏離預警模型未發(fā)出預警。固定閾值的TLC算法在該情況中共誤判5次，而自適應車道偏離預警模型僅誤判1次。

固定閾值的TLC算法采用單一預設閾值觸發(fā)預警時，常因未適配車輛動態(tài)特性及駕駛員行為差異，導致預警時機偏離實際安全需求。例如在高速公路長距離巡航時，若遇到駕駛風格穩(wěn)健、習慣保持較寬安全車距的駕駛員，即便車輛短時間輕微偏移車道，系統(tǒng)可能觸發(fā)警報，干擾駕駛員正常駕駛節(jié)奏，駕駛員極易視為錯誤報警，逐漸降低對系統(tǒng)的信任；而對于駕駛風格較激進、習慣快速變道的駕駛員，固定閾值算法可能在車輛即將壓線時才發(fā)出預警，錯過最佳修正時機，甚至引發(fā)事故。

自適應車道偏離預警模型根據(jù)道路環(huán)境和駕駛風格可以避免車輛偏離時預警過早的問題。同時，在車輛壓線前安全時間發(fā)出信號，為駕駛員預留有充足時間進行車輛修正。駕駛風格越謹慎，偏離信號在車輛在壓線前發(fā)出越早，駕駛員有更長的反應時間控制車輛修正，從而避免車輛跨車道事故發(fā)生。在低能見度環(huán)境下，在車輛壓線前更早發(fā)出偏離信號，降低了霧天駕駛風險。

因此，本文模型能夠?qū)Σ煌芤姸认埋{駛風格各異的駕駛員實現(xiàn)自適應預警，具有更高的精度和更低的誤警率。

6結束語

本文引入模糊算法，將模糊推理應用于車道偏離檢測中，通過FCM和RBFNN相結合對駕駛員風格進行識別，在SILAB采集的282組數(shù)據(jù)中整體精準度達到94.7% 。在此基礎上設計的自適應車道偏離預警模型，能夠根據(jù)不同駕駛風格和能見度條件輸出合適的預警閾值，實現(xiàn)自適應預警，有效提升了駕駛安全性和舒適度。未來，可通過與車載單元協(xié)同計算，提高汽車的整體智能化水平。

參考文獻

[1]BOEHMERTK，WENDELAM，BOWERSF，etal.U.S. Transportation and Health Tool：Data for Action[J].Journal of Transportamp; Health，2017（6）：530-537.

[2]黃艷國，鐘勇，饒澤浩.基于優(yōu)化最大類間方差法閾值分 割與滑動窗口法的車道偏離預警[J].汽車技術，2023（6）： 9-16. HUANG Y G，ZHONG Y，RAO Z H. Lane Departure 2025年第7期 Warning Based on Optimized Maximum Inter-Class VarianceMethod Threshold Segmentation and Sliding WindowMethod[J].Automobile Technology，2023（6）：9-16.

[3]尹章才，田益，顧江巖，等.不良天氣作用駕駛行為的知識 圖譜表達[J].測繪科學，2025，50（2）：162-173. YIN ZC，TIANY，GUJY，et al.Knowledge Graph Representation of Driving Behavior under Adverse Weather Conditions[J].Science of Surveying and Mapping，2025， 50（2）： 162-173.

[4]DASA，GHASEMZADEHA，AHMED M M.Analyzing the Efect of Fog Weather Conditionson Driver Lane-Keeping Performance Using the SHRP2 Naturalistic Driving Study Data[J]. Journal of Safety Research，2019，68： 71-80.

[5]KIMJH，SANG ML，SHIN S K，et al.Development of Active Lane Keeping Assst System[J].SAE Technical Paper，2013-01-0718，2013.

[6]丁潔云.自適應駕駛員特性的車道保持輔助控制[D].北 京：清華大學，2015. DINGJY.Driver-Adaptive Lane Keeping Assistance Control[D].Beijing： Tsinghua University，2015.

[7]胡滿江，邊有鋼，許慶，等.自適應駕駛員行為特征的車道 偏離防范系統(tǒng)[J].汽車工程，2017，39（10）：1152-1157. HU MJ，BIANYG，XUQ，et al.Lane DeparturePrevention System Adapted to Driver Behavior Characteristics[J]. Automotive Engineering，2017，39（10）：1152-1157.

[8]張名芳，王子茜，李坤，等.駕駛風格和分心狀態(tài)對車道偏 離預警系統(tǒng)效用的影響[J].交通工程，2024，24（5）：1-8+ 30. ZHANG MF，WANGZQ，LIK，et al.The Influence of Driving Style and Distracted Stateon the Effectiveness of LaneDepartureWarningSystems[J].Journalof Transportation Engineering，2024，24（5）：1-8+30.

[9]中華人民共和國交通運輸部.公路工程技術標準：JTG B01—2014[S].北京：人民交通出版社，2014. Ministry of Transport of the People'sRepublic of China. Technical Standard of Highway Engineering：JTG B01- 2014[S]. Beijing： China Communications Press，2014.

[10] XU R，WUNSCH D.Survey of Clustering Algorithms[J]. IEEE Transactions on Neural Networks，20o5，16（3）：645- 678.

[11]魏忠祥.自適應駕駛員特性的車道保持輔助控制研究[D]. 長春：吉林大學，2022. WEI ZX.Research On Driver-Adaptive Lane Keeping Assistance Control[D]. Changchun： Jilin University，2022.

[12]高新波，裴繼紅，謝維信.模糊c-均值聚類算法中加權指 數(shù)m的研究[J].電子學報，2000（4）：80-83. GAO X B，F(xiàn)EI JH，XIEW X.A Study of Weighting Exponent m in a Fuzzy c Means Algorithm[J].Acta Electronica Sinica，200o（4）： 80-83.

[13]龔柏春，劉一澎，馬艷紅，等.基于RBFNN的雙星協(xié)同僅 測角定軌方法[J].中國慣性技術學報，2024，32（5）：449- 456. GONG BC，LIUYP，MAYH，etal.A Double-Star Cooperative Angle-Only Orbit Determination Method BasedonRBFNN[J].Journal of ChineseInertial Technology，2024，32（5）： 449-456.

[14]LI PH，MERAT N， ZHENGZX，et al.Does Cognitive DistractionImproveorDegradeLaneKeeping Performance？ Analysis of Time-to-Line Crossing Safety Margins[J].TransportationResearch PartF： Traffic Psychologyand Behaviour，2018，57：48-58.

[15]MENELAOU C，TIMOTHEOU S，KOLIOS P，etal. Minimizing Traffic Congestion Through Continuous-Time RouteReservationswith Travel TimePredictions[J].IEEE Transactions onIntelligent Vehicles，2019，4（1）：141-153.

[16] RENSKI A. Time to Line Crossing （TLC） in Computer Simulationof the Movementofa CarEquipped withthe LaneDeparture AvoidanceSystem[C]//International Conference Road Safety and Simulation.Rome， Italy：KTC， 2013.

（責任編輯瑞秋）

修改稿收到日期為2024年10月15日。

2025年《汽車技術》專項征稿啟事

尊敬的汽車及相關技術領域?qū)＜覍W者、研發(fā)工程師、高校師生：

隨著汽車技術的飛速發(fā)展，2025年將見證多項關鍵技術的突破與應用?！镀嚰夹g》雜志作為中國汽車行業(yè)的核心學術期刊，特此發(fā)布2025年專項征稿啟事，聚焦以下十大技術征稿方向，以期推動汽車技術的創(chuàng)新與進步。

1.多模態(tài)大模型在自動駕駛感知決策中的應用：研究多模態(tài)大模型技術推動自動駕駛感知決策能力的創(chuàng)新突破。

2.跨域融合智能芯片技術：研究跨域融合智能芯片在汽車智能化控制系統(tǒng)中的應用，以及其對性能協(xié)同的影響。

3.AI賦能的合成數(shù)據(jù)在自動駕駛研發(fā)中的應用：研究利用AI技術生成合成數(shù)據(jù)，解決自動駕駛數(shù)據(jù)短缺問題。

4.AI大模型在智能座艙中的多模態(tài)交互技術：研究AI大模型如何整合視覺、聽覺、觸覺等多種感官信息，實現(xiàn)更加自然和直觀的人機交互體驗。

5.C-V2X技術在車路云一體化中的應用：研究C-V2X技術如何支持車路云一體化，包括車車通信（V2V）、車路通信（V2I）、車云通信（V2N）等關鍵技術的發(fā)展和應用。

6.智能底盤新構型及集成控制技術：研究智能底盤線控化、分布式驅(qū)動、動底融合控制、智能底盤與自動駕駛融合控制等關鍵技術。

7.新能源乘用車百公里行駛電耗降低技術：研究如何通過硬件創(chuàng)新和軟件優(yōu)化降低電耗，提升整車續(xù)航里程。

8.固態(tài)電池電解質(zhì)材料創(chuàng)新與界面工程優(yōu)化：研究氧化物、硫化物、聚合物等固態(tài)電解質(zhì)材料的最新研究進展，以及固態(tài)電池中電極與電解質(zhì)之間的界面問題，提高電池的充放電效率和循環(huán)穩(wěn)定性。

9.電池系統(tǒng)安全技術：研究主被動一體化的熱安全防護、熱失控早期火災探測預警、滅火裝置等。

１０.高效高密度電驅(qū)動總成技術：研究具有更高轉(zhuǎn)速、更高效率和更小型化的電驅(qū)動系統(tǒng)技術。

征稿要求：

1.投稿請注明“*****\"技術方向?qū)ｍ椪鞲遄謽?，本刊對符合征稿方向的稿件將?yōu)先審核，一經(jīng)錄用優(yōu)先發(fā)表；2.文章字數(shù)控制在6000＼～8000字范圍之內(nèi)；3.請按科技論文要求撰寫文章摘要，摘要中文字數(shù)控制在180字左右;4.文章必須附有公開發(fā)表的、體現(xiàn)本領域最新研究成果的參考文獻，并在文中標注文獻引用處；5.文章主要作者應提供其簡介，包括出生年、性別、職稱、學歷、研究方向及技術成果等；6.來稿的保密審查工作由作者單位負責，確保署名無爭議，文責自負；7.請勿一稿多投；8.本刊使用網(wǎng)站投稿，詳細投稿要求見本刊網(wǎng)站中“下載中心\"欄的“作者指南”，網(wǎng)址：htp：/qcjs.cbpt.cnki.net。這些技術方向反映了汽車技術領域的最新研究熱點，《汽車技術》雜志誠邀廣大科研人員圍繞這些方向投稿，我們期待您的佳作，共同推動汽車技術的發(fā)展與創(chuàng)新。感謝您對《汽車技術》雜志的支持與貢獻！《汽車技術》雜志是中國第一汽車集團有限公司主辦的國內(nèi)外公開發(fā)行的汽車前瞻與應用技術類月刊，為我國高質(zhì)量科技期刊分級目錄人選期刊、中國科學引文數(shù)據(jù)庫（CSCD）來源期刊、中文核心期刊、中國科技核心期刊、RCCSE中國核心學術期刊（A）、Scopus數(shù)據(jù)庫收錄期刊、俄羅斯《文摘雜志》（AJ）收錄期刊、日本科學技術振興機構數(shù)據(jù)庫入選期刊、EBSCO學術數(shù)據(jù)庫收錄期刊、歐洲學術出版中心（EuroPub）數(shù)據(jù)庫收錄期刊。