近年來(lái)，隨著人們的收入不斷提高，居民的購(gòu)買力不斷提升，汽車開(kāi)始走進(jìn)越來(lái)越多人的家庭之中，與此同時(shí)由此而引發(fā)的交通安全問(wèn)題也成為當(dāng)今社會(huì)關(guān)注的一個(gè)焦點(diǎn)。隨著汽車保有量的提升，每年的交通安全事故發(fā)生量也在持續(xù)的提高。在這樣的情況下，汽車的主動(dòng)安全技術(shù)的作用也就顯得越發(fā)的突出。汽車駕駛員對(duì)汽車安全性能的要求不斷提高，對(duì)汽車主動(dòng)安全技術(shù)的要求持續(xù)擴(kuò)大，而傳統(tǒng)的汽車安全技術(shù)卻以無(wú)法，滿足駕駛者更多的需求，在這樣的情況下，對(duì)汽車主動(dòng)安全關(guān)鍵技術(shù)的研究具有較強(qiáng)的現(xiàn)實(shí)意義。

1 應(yīng)對(duì)行人主動(dòng)安全系統(tǒng)測(cè)試的一種新方法[1]

1.1 主要目的和主要原理

主動(dòng)行人安全是基于各種傳感器系統(tǒng)和檢測(cè)算法的一種汽車主動(dòng)安全系統(tǒng)，例如緊急制動(dòng)系統(tǒng)是車輛主動(dòng)安全系統(tǒng)的關(guān)鍵一部分。因此，對(duì)于車輛主動(dòng)安全應(yīng)用程序進(jìn)行負(fù)責(zé)任地測(cè)試是十分有必要的。作者主要介紹了行人在車輛周圍的特點(diǎn)，介紹了現(xiàn)行的測(cè)試方法，并介紹了一種新型的測(cè)試系統(tǒng)方法，同時(shí)利用假人對(duì)先進(jìn)的行人檢測(cè)系統(tǒng)進(jìn)行了測(cè)試。這其中還包括了檢測(cè)算法方法的測(cè)試，包括用于復(fù)雜運(yùn)動(dòng)模式的前期指標(biāo)和路徑預(yù)測(cè)等。復(fù)雜的運(yùn)動(dòng)模式可以是步行或跑步的行人，當(dāng)然這其中也包括行人速度和方向的變化。

1.2 結(jié)論

這項(xiàng)研究的預(yù)期成果是高級(jí)駕駛員輔助系統(tǒng)（ADAS）對(duì)真實(shí)行人的重要特征的說(shuō)明，同時(shí)該系統(tǒng)也解釋了關(guān)于如何將這些特征映射到現(xiàn)實(shí)測(cè)試系統(tǒng)的概念。這個(gè)測(cè)試系統(tǒng)可以完美復(fù)制行人的特點(diǎn)，并且考慮到了前期指標(biāo)和路徑預(yù)測(cè)，可對(duì)先進(jìn)的行人檢測(cè)系統(tǒng)進(jìn)行重復(fù)的測(cè)試和比較。本文將行人在道路上的行為特征分為3種：1.沿著路邊行走；2.在路邊等待；3.穿越路邊。

此外，該系統(tǒng)還將人體運(yùn)動(dòng)學(xué)納入了研究，為了復(fù)制行人運(yùn)動(dòng)學(xué)，該系統(tǒng)細(xì)化了行人的手臂和腿部運(yùn)動(dòng)和頻率的變化，以及行人重心，身體的傾斜角度和方向等方面的改變。該系統(tǒng)將假人頭作為預(yù)測(cè)行人近期行為和穿越路徑的重要指標(biāo)。該系統(tǒng)是基于傳感器系統(tǒng)，它可以測(cè)量目標(biāo)的各種物理特性。這些傳感器可以分為兩類：第一類是基于被動(dòng)原理，只是從目標(biāo)接收信號(hào)。第二類是由一個(gè)有源發(fā)射器和一個(gè)接收單元組成。同時(shí)，為了創(chuàng)建一個(gè)包含移動(dòng)假人的測(cè)試系統(tǒng)，需要兩個(gè)子系統(tǒng)。第一子系統(tǒng)用于檢測(cè)測(cè)試區(qū)域內(nèi)的宏觀運(yùn)動(dòng)。例如，穿過(guò)街道。第二個(gè)子系統(tǒng)是虛擬本身，它是為了復(fù)制行人而設(shè)計(jì)的。

2 先進(jìn)的車輛操縱和主動(dòng)安全控制系統(tǒng)[2]

2.1 主要目的和主要原理

車輛底盤控制通常用于控制車輛的橫向和縱向運(yùn)動(dòng)，以提高操縱性能、乘坐舒適性和牽引/制動(dòng)性能。這些控制基本上分別取決于轉(zhuǎn)向控制，懸架控制和牽引/制動(dòng)控制。本文主要研究底盤控制，以提高車輛操縱性能和主動(dòng)安全性。

2.2 結(jié)論

目前關(guān)于基本的前饋型4WS上已有了大量的報(bào)告，已經(jīng)進(jìn)行了許多關(guān)于轉(zhuǎn)向控制的研究，并且最近還有專家采用先進(jìn)的控制理論做了相關(guān)挑戰(zhàn)性的研究來(lái)克服輪胎非線性運(yùn)動(dòng)特性。然而，無(wú)論有多少先進(jìn)控制理論，我們都知道真正應(yīng)用到現(xiàn)階段車輛動(dòng)力學(xué)和控制都存在困難。我們認(rèn)為車輛穩(wěn)定性控制（DYC）是補(bǔ)充4WS控制極限的方法之一。我們強(qiáng)調(diào)DYC在車輛動(dòng)力學(xué)和輪胎特性的非線性范圍內(nèi)對(duì)車輛運(yùn)動(dòng)控制更有效，并且應(yīng)該在這種非線性假設(shè)的基礎(chǔ)上引入DYC的控制定律。此外，我們?cè)谶@里指出，4WS和DYC的集成/協(xié)調(diào)控制應(yīng)該是一個(gè)有前途的控制策略，使我們有更高的車輛操縱限制性能和一個(gè)合理的控制規(guī)律的整合/協(xié)調(diào)。在這方面，我們也強(qiáng)調(diào)，有必要在對(duì)車輛動(dòng)力學(xué)和輪胎基礎(chǔ)上進(jìn)一步審查控制規(guī)律。我們認(rèn)為，在本研究領(lǐng)域中，非線性特性的處理將是最重要的問(wèn)題，并且對(duì)于預(yù)期控制足夠精確的估計(jì)或測(cè)量輪胎與路面之間的車輛側(cè)滑角和摩擦系數(shù)都是底盤控制的關(guān)鍵技術(shù)之一。

3 基于傳輸功率的車載自組織網(wǎng)絡(luò)緊急信息傳播技術(shù)[3]

3.1 主要目的和主要原理

隨著車輛數(shù)量的增加，廣播已經(jīng)成為車輛自組織網(wǎng)絡(luò)（VANET）最重要的一部分。為了避免交通堵塞和事故，緊急信息將被傳輸?shù)骄W(wǎng)絡(luò)中的所有車輛。然而，當(dāng)VANET受到不同類型的攻擊時(shí)，需要對(duì)系統(tǒng)進(jìn)行保護(hù)需求，如消息的機(jī)密性，可靠性和以及相應(yīng)的驗(yàn)證。如果驗(yàn)證程序能夠通過(guò)較少的復(fù)雜性，較短的驗(yàn)證延期和密鑰的透明性來(lái)精確地區(qū)分談判節(jié)點(diǎn)，則認(rèn)為驗(yàn)證過(guò)程是合格的。本文預(yù)測(cè)了面向集群的VANET信任的驗(yàn)證格式。同時(shí)介紹了預(yù)測(cè)方案與現(xiàn)有程序?qū)Ρ取?/p>

3.2 結(jié)論

首先，我們要建立仿真模型以及設(shè)定參數(shù)。我們使用NS-2來(lái)解釋VANET的信任認(rèn)證技術(shù)（TBAT）。通過(guò)仿真構(gòu)建拓?fù)浣Y(jié)構(gòu)。它包含兩個(gè)人群，每個(gè)人群由三條車道組成。組頭和網(wǎng)關(guān)節(jié)點(diǎn)相應(yīng)地以藍(lán)色和紅色顯示。我們還揭示了用于應(yīng)用預(yù)測(cè)的危機(jī)廣播設(shè)計(jì)，還描述了在再現(xiàn)階段中與群集建立時(shí)間一起形成的不同數(shù)量的群集。網(wǎng)絡(luò)面積測(cè)量為1500*1500米，網(wǎng)絡(luò)區(qū)域包含的不同節(jié)點(diǎn)通過(guò)二代集群建立算法分成多個(gè)集群。消息廣播系統(tǒng)在緊急情況下的性能通過(guò)將簇大小從2改變到20。所提出的方法被分析為各種協(xié)議，例如AODV，DSR和DSDV。此外我們還參考了各種評(píng)定標(biāo)準(zhǔn)。如在SHWM中用于各種協(xié)議和標(biāo)準(zhǔn)的廣播時(shí)間；曼哈頓廣播時(shí)間模型的各種協(xié)議和標(biāo)準(zhǔn)；高速公路模型中廣播時(shí)間的多種協(xié)議和標(biāo)準(zhǔn)；以及在SHWM，曼哈頓，AODV協(xié)議標(biāo)準(zhǔn)802.11P高速公路模型中的廣播時(shí)間。

4 不確定性條件下主動(dòng)道路車輛懸架的模糊算術(shù)控制器設(shè)計(jì)[4]

4.1 主要目的和主要原理

本文提出了一種設(shè)計(jì)主動(dòng)道路車輛懸架的魯棒控制器的方法。不同于傳統(tǒng)的魯棒控制技術(shù)，模糊數(shù)學(xué)方法用于配置一個(gè)所謂的天棚阻尼器。所提出的方法是基于隨機(jī)車輛激勵(lì)的四分之一汽車模型的協(xié)方差分析。由此產(chǎn)生的控制器提高了駕駛舒適性和安全性，并增加了對(duì)不確定性的魯棒性。模糊算術(shù)方法允許將固有的不確定性參數(shù)附加到控制器的設(shè)計(jì)中。此外，一個(gè)可能的敏感度分析用于評(píng)估不確定參數(shù)對(duì)控制質(zhì)量的影響，從而為設(shè)計(jì)過(guò)程提供有用的信息。

4.2 結(jié)論

本文分別采用協(xié)方差分析和模糊數(shù)學(xué)方法對(duì)參數(shù)不確定性進(jìn)行處理。目標(biāo)是根據(jù)不確定性分析提供的信息來(lái)解決懸架系統(tǒng)的設(shè)計(jì)沖突，并在不確定情況下尋找最優(yōu)增益。此外，基于模糊靈敏度分析解釋了參數(shù)不確定性對(duì)結(jié)果的影響，為設(shè)計(jì)過(guò)程提供了有用的信息。目前，被動(dòng)和主動(dòng)懸架系統(tǒng)的協(xié)方差分析一直是研究的對(duì)象。模糊算法不確定性建模允許建立包括模糊值參數(shù)而不是傳統(tǒng)模型中的脆值參數(shù)的各種來(lái)源的不確定性從而建立更全面的系統(tǒng)模型，而且它已成功地應(yīng)用于多體系統(tǒng)的分析。與常規(guī)設(shè)計(jì)和最壞情況間隔考慮相比，所確定的最佳增益值增加了舒適性和安全性以及對(duì)不確定性的穩(wěn)健性。根據(jù)靈敏度分析顯示，輪胎剛度對(duì)最終控制器增益的影響最大，同時(shí)強(qiáng)調(diào)了所提出的魯棒設(shè)計(jì)的必要性。所提出的模糊算術(shù)控制器設(shè)計(jì)尚不能保證穩(wěn)定性，穩(wěn)定性的證明必須在去模糊增益的基礎(chǔ)上隨后進(jìn)行。然而，這種方法的一個(gè)優(yōu)點(diǎn)是，可以在每個(gè)已經(jīng)建立的穩(wěn)定性定理的基本上應(yīng)用模糊參數(shù)化的閉環(huán)系統(tǒng)，以便導(dǎo)出適當(dāng)?shù)姆€(wěn)定裕度。

5 基于行人的車內(nèi)警報(bào)建模[5]

5.1 主要目的和主要原理

建立駕駛員與行人之間的時(shí)間交互的碰撞模型。盡管目前所檢測(cè)的模型中沒(méi)有一個(gè)涵蓋駕駛員對(duì)警報(bào)系統(tǒng)接受程度的，多是在長(zhǎng)期使用過(guò)程中建立對(duì)系統(tǒng)的信任度和適應(yīng)度，但根據(jù)評(píng)估顯示，大多數(shù)現(xiàn)有的碰撞駕駛員行為模型中不包括背景因素。相反，他們則強(qiáng)調(diào)了碰撞時(shí)間（TTC）。如果兩個(gè)目標(biāo)的路線和速度都保持不變，TTC就是衡量危險(xiǎn)程度的一個(gè)重要指標(biāo)。我們建立了兩個(gè)模型，第一個(gè)模型中，我們利用來(lái)自74名參與者的數(shù)據(jù)，開(kāi)發(fā)了一種駕駛者接受警報(bào)的模型。該模型評(píng)估了2013年FOT期間記錄的300名行人遇到的緊急情況，該系統(tǒng)對(duì)潛在危險(xiǎn)的行人相遇發(fā)出警報(bào)。在第二個(gè)模型中，我們使用來(lái)自35個(gè)不同參與者的數(shù)據(jù)來(lái)驗(yàn)證模型，評(píng)估了2012年FOT中57個(gè)不同的行人相遇。

5.2 結(jié)論

同時(shí)，我們也分析了駕駛員對(duì)這兩個(gè)模型所帶來(lái)風(fēng)險(xiǎn)的看法。兩個(gè)數(shù)據(jù)集中的每個(gè)剪輯都顯示一個(gè)行人，在剪輯結(jié)束時(shí)，行人在正常車載傳感器（前方11-89米）的范圍內(nèi)。其中，行人的橫向位置在車輛左側(cè)8米和右側(cè)10米（右側(cè)駕駛條件）之間。車速則控制在8到110公里之間變化，TTA的范圍是0.7-12.1秒。駕駛員可以合理地預(yù)期在視頻剪輯中呈現(xiàn)的許多或所有情況中考慮行人，因?yàn)樾腥说奈磥?lái)路徑是不確定的而不受限制的。該研究顯示了如何在受控的實(shí)驗(yàn)室研究中利用FOT數(shù)據(jù)來(lái)警示行人提醒標(biāo)準(zhǔn)的發(fā)展。使用實(shí)際行人相遇的評(píng)級(jí)來(lái)設(shè)計(jì)警示策略應(yīng)該引起對(duì)駕駛員的注意，同時(shí)對(duì)于如何從駕駛場(chǎng)景中提取信息以指導(dǎo)他們的行為進(jìn)行更深入的指導(dǎo)。我們的分析支持這樣的假設(shè)，即駕駛員用于風(fēng)險(xiǎn)評(píng)估的感知線索可能主要由行人位置和運(yùn)動(dòng)組合組成的基本情境因素組成。

6 自適應(yīng)桿位控制策略在主動(dòng)轉(zhuǎn)向安全系統(tǒng)中的應(yīng)用[6]

6.1 主要目的和主要原理

本文研究了自適應(yīng)控制策略的設(shè)計(jì)，調(diào)整主動(dòng)轉(zhuǎn)向系統(tǒng)以獲得更好的駕駛性能和可操作性。第一步采用自適應(yīng)控制策略對(duì)在線不確定參數(shù)（如轉(zhuǎn)彎剛度）進(jìn)行估計(jì)，然后將估計(jì)的參數(shù)值輸入極點(diǎn)配置控制器，產(chǎn)生修正的反饋增益，提高轉(zhuǎn)向系統(tǒng)的動(dòng)態(tài)特性。我們將對(duì)三種路況（干，濕，冰）進(jìn)行模擬評(píng)估，并將自適應(yīng)極點(diǎn)配置控制（APPC）的性能與極點(diǎn)配置控制（PPC）和被動(dòng)系統(tǒng)進(jìn)行比較。結(jié)果表明，APPC策略顯著提高了模型的橫擺角速度和側(cè)滑角。

6.2 結(jié)論

APPC是通過(guò)整合PPC策略和參數(shù)估計(jì)（在每個(gè)時(shí)間步驟）來(lái)計(jì)算自適應(yīng)極點(diǎn)放置增益而開(kāi)發(fā)的。在所有情況下（干路，濕路和冰路），由于系統(tǒng)的正弦輸入（干擾），有源系統(tǒng)的性能顯著高于無(wú)源系統(tǒng)，以抑制振蕩。而且，自適應(yīng)主動(dòng)系統(tǒng)（APPC）比主動(dòng)系統(tǒng)（PPC）能夠更好地工作。車輛模型的側(cè)滑角以及偏航率證明了APPC策略的優(yōu)點(diǎn)，以提高車輛的主動(dòng)安全性干擾（例如滑動(dòng)或旋轉(zhuǎn)）。在本文中，主動(dòng)轉(zhuǎn)向系統(tǒng)的動(dòng)態(tài)模型已經(jīng)制定和導(dǎo)出。并已經(jīng)通過(guò)使用梯度算法來(lái)估計(jì)不確定參數(shù)（前角和后角剛度）。PPC策略用于產(chǎn)生反饋增益，以改善所提出的模型的動(dòng)態(tài)性能（例如，減小偏航角速度和側(cè)滑角）。在提出的APPC中，所估計(jì)的參數(shù)被饋送到PPCbox以在每個(gè)時(shí)間步驟產(chǎn)生反饋增益。仿真在MATLAB/Simulink中生成，結(jié)果顯示了正弦轉(zhuǎn)向角作為系統(tǒng)的輸入，可用于三種類型的路況（干，濕和冰）。而且在所有情況下，APPC系統(tǒng)的性能都優(yōu)于PPC，并且明顯好于無(wú)源系統(tǒng)。

7 一種基于自主智能駕駛的智能車模型[7]

7.1 主要目的和主要原理

自動(dòng)駕駛汽車是未來(lái)智能汽車的一部分。雖然目前的技術(shù)還未能完全達(dá)到自動(dòng)駕駛的要求，但是目前大部分的車廠都在大力推廣智能汽車。我們提出了一個(gè)智能車模型，以使用更安全的方法來(lái)減少事故的發(fā)生。該方法是基于現(xiàn)有的交通規(guī)則，并通過(guò)培訓(xùn)駕駛員對(duì)智能汽車的安全行為而開(kāi)發(fā)的。每輛智能車都包括兩個(gè)主要組件。第一個(gè)部分是通過(guò)無(wú)線方式從周圍環(huán)境中獲取信息的傳感器，以及通過(guò)其他車輛（如天氣，新聞等通過(guò)互聯(lián)網(wǎng)）捕獲的信息。

7.2 結(jié)論

第二個(gè)組件是智能計(jì)算組件（ICM），用于處理信息并對(duì)SCA行為進(jìn)行建模。在這里，我們簡(jiǎn)要描述SCA的物理特征，以便更好地理解與計(jì)算組件的相互作用。SCA輸入來(lái)自傳感器和與其他SCA的無(wú)線通信以及驅(qū)動(dòng)程序。SCA輸出則是其他SCA的狀態(tài)包和驅(qū)動(dòng)程序的信息（視覺(jué)語(yǔ)言，其他）。SCA是計(jì)算組件的物理主機(jī)，并構(gòu)成了整個(gè)基礎(chǔ)架構(gòu)中的一個(gè)代理節(jié)點(diǎn)。SCA執(zhí)行的子任務(wù)是：1.處理信息并定義其當(dāng)前狀態(tài)；2.根據(jù)移動(dòng)對(duì)象的行為預(yù)測(cè)未來(lái)狀態(tài)；3.為安全原因談判立場(chǎng)；4.學(xué)習(xí)其他車輛的行為模式；5.與其他車輛的信息交換。ICM組件將處理作為基于SCA的自主智能代理開(kāi)發(fā)過(guò)程中涉及的重要問(wèn)題（如表示，適應(yīng)，預(yù)期，構(gòu)建和學(xué)習(xí)）。然而，ICM組件的關(guān)聯(lián)和接口為SCA建模的操作和決策提供了便利。

8 智能車輛：具有自適應(yīng)時(shí)域的混合非線性預(yù)測(cè)控制器[8]

8.1 主要目的和主要原理

本文重點(diǎn)研究了汽車運(yùn)動(dòng)預(yù)測(cè)控制的優(yōu)化算法，該算法既能解決混合動(dòng)力汽車動(dòng)力學(xué)問(wèn)題，又能解決混合最小化問(wèn)題。本文所開(kāi)發(fā)的哈密爾頓切換混合非線性預(yù)測(cè)控制算法不是用于求解計(jì)算量大的非線性混合規(guī)劃問(wèn)題，而是將混合信息直接納入到優(yōu)化程序中。為了減少時(shí)間復(fù)雜度，提出了幾種自適應(yīng)預(yù)測(cè)時(shí)域方法，其中一些方法表明它們保持了汽車的機(jī)動(dòng)性能。

8.2 結(jié)論

預(yù)測(cè)時(shí)域是指定計(jì)算復(fù)雜性與最優(yōu)性之間折衷的關(guān)鍵參數(shù)之一。在汽車運(yùn)動(dòng)的情況下，自適應(yīng)預(yù)測(cè)時(shí)域的想法會(huì)非常自然地產(chǎn)生，車速越高，就會(huì)需要更長(zhǎng)的時(shí)間距離滿意地處理汽車控制問(wèn)題并且遵循軌道約束。這里提出了基于線性和對(duì)數(shù)的預(yù)測(cè)水平方法。他們的結(jié)果表明，雖然線性預(yù)測(cè)的時(shí)域與常量預(yù)測(cè)范圍相比改善了計(jì)算負(fù)擔(dān)，但它們可能無(wú)法提供可接受的安全需求滿意度。而這是由基于線性和對(duì)數(shù)的預(yù)測(cè)水平方法克服的，這也是顯示了帕累托最優(yōu)解的多個(gè)評(píng)估標(biāo)準(zhǔn)?；谠摲椒ǖ目刂破髋c商業(yè)上可用的MINLP求解器比較提供了相同的預(yù)測(cè)范圍，這表明只需要MINLP求解器計(jì)算時(shí)間的一小部分，就會(huì)具有相同的性能。根據(jù)詳細(xì)的靈敏度分析結(jié)果，證明了基于該方法的控制器相對(duì)于各種系統(tǒng)參數(shù)的穩(wěn)健性，還使得其他性能有所增強(qiáng)，同時(shí)也可以進(jìn)一步提高算法的魯棒性和整體功能。

9 智能停車系統(tǒng)的意識(shí)分析[9]

9.1 主要目的和主要原理

近些年來(lái)，由于智能汽車的發(fā)展，智能停車系統(tǒng)也有了較大的發(fā)展。智能停車系統(tǒng)是智能泊車技術(shù)的新想法，通過(guò)借助于一些智能設(shè)備，如相關(guān)傳感器，LCD，照相機(jī)等將車輛引導(dǎo)到指定的停車位。作為未來(lái)智能城市應(yīng)用的典型組成部分，智能停車場(chǎng)（SCP）在物聯(lián)網(wǎng)（IoT）中扮演著一個(gè)重要的角色。SCPS主要用于集中解決停車管理問(wèn)題。盡管目前在停車場(chǎng)管理方面投入了大量精力，但是應(yīng)該將重心從停車位規(guī)劃轉(zhuǎn)移到網(wǎng)關(guān)的傳感器問(wèn)題上，比如，可以在停車場(chǎng)中設(shè)置指紋掃描儀檢測(cè)和相應(yīng)傳感器設(shè)備用于降低車輛被盜的風(fēng)險(xiǎn)。

9.2 結(jié)論

為了更好的理解基于物聯(lián)網(wǎng)的SCPS意識(shí)，我們進(jìn)行了實(shí)證調(diào)查。調(diào)查如何在一個(gè)樣本人群內(nèi)實(shí)施該技術(shù)。應(yīng)用的第一步是找出用戶（司機(jī)）在停車場(chǎng)停車時(shí)所特有的問(wèn)題。調(diào)查結(jié)果表明司機(jī)面臨的問(wèn)題主要是在停車過(guò)程中耗費(fèi)時(shí)間過(guò)多，通常導(dǎo)致停車場(chǎng)的交通擁堵。同時(shí)在這項(xiàng)工作中，也詢問(wèn)了個(gè)人司機(jī)是否有接受SCPS的新技術(shù)的意愿。結(jié)果表明百分之85的司機(jī)愿意嘗試。采用描述性統(tǒng)計(jì)和方差分析的方法進(jìn)行數(shù)據(jù)分析，用于確定參與者對(duì)SCPS的看法，所有分析均使用SPSS20進(jìn)行。接著，建立智能車架模型，這里建立的是一個(gè)4層的車架，每個(gè)車架有5個(gè)停車位。相當(dāng)于在僅能夠停5輛車的車位上停了20輛車，這樣就大大減小了車位的緊張問(wèn)題。然而，目前對(duì)于車架的強(qiáng)度要求方面還處在實(shí)驗(yàn)階段。但是相信未來(lái)智能停車場(chǎng)會(huì)實(shí)現(xiàn)廣泛地應(yīng)用。

[1]Doric I,Reitberger A,Wittmann S,et al.A Novel Approach for the Test of Active Pedestrian Safety Systems[J].IEEE Transactions on Intelligent Transportation Systems,2017,18(5)：1299-1312.

[2]Furukawa Y,Abe M.Advanced chassis control systems for vehicle handling and active safety[J].Vehicle System Dynamics,1997,28(2-3)：59-86.

[3]Ramakrishnan B,Selvi M,Nishanth RB,et al.An Emergency Message Broadcasting Technique Using Transmission Power Based Clustering Algorithm for Vehicular Ad Hoc Network[J].Wireless Personal Communications,2017,94(4)：3197-3216.

[4]Hofmann A,Hanss M.Fuzzy arithmetical controller design for active road vehicle suspension in the presence of uncertainties[C]//Methods and Models in Automation and Robotics(MMAR),2017 22nd International Conference on.IEEE,2017：582-587.

[5]K?llhammer JE,Smith K,Matsangas P.Modeling ratings of in-vehicle alerts to pedestrian by leveraging field operational tests data in a controlled laboratory study[J].Transportation research part F：traffic psychology and behaviour,2017,46：413-425.

[6]Adibi-Asl H,Doosthosseini A,Taghavipour A.Using Adaptive Pole Placement Control Strategy for Active Steering Safety System[J].World Academy of Science,Engineering and Technology,International Journal of Mechanical,Aerospace,Industrial,Mechatronic and Manufacturing Engineering,2017,11(3)：513-517.

[7]Bourbakis N G,Alamaniotis M,Tsoukalas L H.A smart car model based on autonomous intelligent agents for reducing accidents[C]//Transportation Electrification Conference and Expo(ITEC),2017 IEEE.IEEE,2017：767-772.

[8]Anderson E C,Obayi A A,Okafor K C.Awareness Analysis of Smart Car Parking System in Heterogeneous High Density Clusters[J].Circulation in Computer Science-Special Issue Disruptive Computing,Cyber-Physical Systems(CPS),and Internet of Everything(IoE),USA,2017：22-26.

[9]Pc?olka M,Z?ác?eková E,C?elikovsky′S,et al.Toward a Smart Car：Hybrid Nonlinear Predictive Controller With Adaptive Horizon[J].IEEE Transactions on Control Systems Technology,2017.