花都登高车出租,    如何基于可视化模型的登高车驾驶员在线仿真??     花都登高车租赁,  花都登高车公司    登高车驾驶模拟器前文中己经建立了基于虚拟现实的登高车可视化模型，且模型准确性与实时性均取得了较好的效果，因此，可通过外接方向盘和踏板组件实现对登高车模型的驾驶控制。外部硬件连接时必须满足兼容性要求。本文选用了拓士法拉利系列赛车游戏方向盘与踏板组件作为外部信号输入硬件。该方向盘与踏板组件提供了ＵＳＢ接口以实现与计算机的连接，方向盘转角、油门、制动、以及其他按钮等信号可直接传输至计算机的ＵＳＢ接口处，并由计算机相关软件进行读取。方向盘的总行程为３６０°，且可实现转向时的力反馈（也可选择不进行力反馈），方向盘符合人体工程学，转动非常平滑、舒适。油门和制动踏板均为非线性行程，与实际车辆的踏板特性相接近。MATLAB／Simulink的虚拟现实工具箱中提供了Ｊｏｙｓｔｉｃｋ输入模块，可读取来自操纵杆或方向盘的方向和速度控制量，可从输入接口读取包括轴、按键、视点等在内的信息，其输出端口反映了轴和按键的操纵控制状态。此外，Ｊｏｙｓｔｉｃｋ输入模块同时还支持力反馈设备。通过Ｊｏｙｓｔｉｃｋ输入模块，可实现方向盘和踏板组件与校接车Simulink模型的交互。Ｊｏｙｓｔｉｃｋ模块读取的方向盘、油门踏板、制动踏板信息均为旋转量，且范围均为－１．０－１．０。对于方向盘转角，这一范围是合理的，可直接通过乘以比例系数得到方向盘转角；而踏板信号必须将这一范围转换为０￣１．０。通过相关的设置并连接后，为实现登高车模型与方向盘等输入信号的同步进行，还需要加入Ｒｅａｌ－ＴｉｍｅＳｙｎｃｈｒｏｎｉｚａｔｉｏｎ模块，从而实现驾驶员在线的登高车实时同步仿真。登高车驾驶模拟器操作使用登高车驾驶模拟器，首先可以获得较真实的驾驶体验、感受登高车与轮式转向车辆在驾驶操纵方面的差异，特别是极端工况下的一些操作体验。此外，还可进行驾驶员在线的登高车路径跟踪，通过与无人驾驶路径跟踪控制结果对比，以验证控制器的有效性。

　　基于驾驶模拟器的登高车路径跟踪控制验证，　　根据前文中建立的登高车驾驶模拟器，由驾驶员在线控制进行多种路况下登高车路径跟踪测试，在验证登高车的可操纵性难度的同时，与前文中提出的基于虚拟地形场的路径跟踪控制效果对比，以验证控制器的有效性。需要说明的是，驾驶员在线操作是由多人试验完成的，驾驶测试人员均具有多年实车驾驶经验，在驾驶模拟数据采集之前均进行了反复操作以熟悉驾驶平台。每个实验工况均采集了５组驾驶员控制转向的数据，从中选取两组控制效果最好的用于同无人驾驶路径跟踪控制效果进行对比。首先对环形道路上的路径跟踪效果进行了对比，登高车的行驶轨迹，由于环形道路的尺寸较大，各种控制方式之间的误差不够明显。通过对登高车的行驶误差和折腰角响应曲线对比发现，驾驶员在线方式进行控制时的侧向位移误差和航向角误差均远大于无人驾驶控制时的误差，且误差量在十倍以上。此外，驾驶员操作跟踪环形路径时，登高车折腰角始终存在波动，对应的行驶轨迹总是在参考路径左右两侧反复振荡。这一问题的存在也说明了前文中对“驾驶员视野随车体转动容易引起驾驶员误操作，难以准确控制方向盘转角”这一推论的正确性。

　　　在双移线道路跟踪时登高车的行驶轨迹对比，可见无人驾驶控制得到的行驶轨迹最接近参考路径，而两个驾驶员控制的轨迹与参考路径有一定的偏差。由偏差曲线可知，驾驶员在线进行路径跟踪的侧向位移误差和航向角误差大约为无人驾驶控制误差的２倍左右。从折腰角曲线看，驾驶员在线控制的折腰角整体上比无人驾驶控制要提前一些，这也是驾驶员视野随转向而动引起的方向盘转动提前。可见采用无人驾驶控制得到的路径基本与参考轨迹重合，驾驶员在线控制所得路径则参考轨迹产生了一定程度的偏离。通过图８－１８中的误差曲线可知，驾驶员控制时的最大侧向位移误差和航向角误差分别达到０．６ｍ和０．０５ｒａｄ，而无人驾驶控制的最大误差仅为０．０６６ｍ和０．００７ｒａｄ，相差接近９倍。从车体折腰角曲线看，驾驶员控制时转动的角度过大，转动速度过快，引起了较大的误差，说明驾驶员对登高车的转向操作不够合理。从平均侧向误差值Ａ来看，即使选取了驾驶员操作最好的一组结果，采用路径跟踪控制器的误差仍远低于驾驶员操纵时的误差值。特别是环形道路和蛇形道路的跟踪控制效果，比驾驶员操作的误差表现出绝对的优势。与此同时，在线形道路和蛇形道路的路径跟踪控制转向操作负担；也低于驾驶员操纵值。然而，在双移线道路的路径跟踪控制所需的转向操作负载略高于驾驶员操作所需的负载，这主要是由于所选取的双移线路径跟踪控制工况较为极端（侧向加速度过大），使得登高车的稳定性降低所导致的。由上述分析可见，与驾驶员转向操作控制相比，本文提出和建立的基于虚拟地形场的登高车路径跟踪控制策略以较小的误差表现出非常理想的控制效果，与此同时所需的转向操作负载没有发生太大的变化。进一步证明了路径跟踪控制算法的有效性，在很大程度上改进了登高车转向时的行驶稳定性。

   花都登高车租赁,  花都登高车出租,  花都登高车公司

　　登高车可视化模型的进一步应用，　　本文建立的登高车可视化模型，除上文中提到的为用户提供较真实的驾驶体验、通过对比验证无人驾驶路径跟踪控制的效果外，还可进一步做以下应用：（１）用作登高车驾驶模拟器，训练并提髙登高车驾驶员的驾驶技能由于登高车的转向方式较为特殊，驾驶难度远大于普通的轮式转向车辆，在驾驶员能够熟练驾驶驾驶登高车之前，若完全通过实际登高车进行训练，不仅会花费较高的成本，还很可能会因为误操作产生一系列危险。因此，可在驾驶员正式驾驶实际登高车之前，先通过本文开发的登高车可视化模型进行必要的训练，特别是转向操作。待其能完全熟练、准确的操作虚拟的登高车模型后，再进行实车训练。（２）用于登高车驾驶员辅助系统的设计，弥补驾驶员操作的不足登高车驾驶员视野随转向而动、以及无自动回正力矩使驾驶员判断基准消失路感等缺陷，容易引起操作不准或误操作，进而影响车辆的行驶稳定性。为此，可通过在多种路况下进行驾驶员在线仿真，反复测试驾驶员在路况中的实际操作情况，最后将所有方向盘转向操作数据进行拟合，得出能够反映驾驶员操作习惯的转向控制量。结合无人驾驶给出的控制量，计算不同工况下需要的方向盘转角补偿量，对驾驶员操作不足的部分进行动态补偿。从而实现对驾驶员操作习惯引起的误差的纠正，达到辅助转向驾驶的目的。（３）用于对登高车操纵稳定性的研究基于可视化的登高车模型，可使用户对登高车的动态响应特性有较直观的了解，包括操纵性和稳定性、加速和制动响应特性等。可在此基础上对影响登高车行驶稳定性的因素做进一步研究，特别是目前实车无法进行测试的危险工况。（４）用于无人驾驶登高车的相关研究可基于虚拟现实场景，以各个视点模拟摄像机的的拍摄，为无人驾驶中的道路环境感知提供图像信息，用于道路及障碍物等识别算法的验证。此外，还可通过在虚拟现实场景中加入相关的传感器信息，测量无人驾驶登高车控制中所需的一些相关参数，如地下登高车相对于巷道的位置信息等。

        花都登高车租赁,  花都登高车出租,  花都登高车公司