针对道路坑洞的自动检测和道路状况的客观评估问题，对计算机视觉技术在道路坑洞检测中的应用研究成果进行了全面综述。通常采用摄像机和各类深度传感器获取二维、三维道路数据实现道路成像，并基于计算机视觉技术开展坑洞检测，主要检测算法包括经典二维图像处理、三维点云建模与分割、深度学习及其混合方法，其中混合方法利用各类算法的优势，可大幅提高检测的准确性。然而，现有算法在坑洞检测领域取得良好效果的同时依然面临道路几何重建鲁棒性有待提升、算法复杂度高、模型效果高度依赖大规模良好标注数据集等诸多挑战，故未来应更多关注无监督的立体匹配算法及少样本的深度学习算法。

针对高速混行多车交互环境下车辆驾驶意图识别模型大多忽视驾驶风格和车-车交互信息等问题，提出一种基于改进双向长短时记忆（Bi LSTM）网络的驾驶意图识别模型，以目标车辆轨迹序列、驾驶风格、周围车辆的交互特征作为模型的输入进行训练学习，实现对考虑驾驶风格的驾驶意图特征数据集的分类识别，同时使用鲸鱼优化算法对隐含层节点数和学习率等超参数进行寻优，以规避人工调参的负面影响。最后，使用NGSIM数据集对该模型的有效性进行验证，结果表明，模型的识别准确率达到97.5%，证明其在识别车辆驾驶意图方面具有较高的准确性。

针对智能车辆在不同环境下识别车道线出现偏移的问题，提出一种基于滑动窗口搜索的车道线检测与车道偏离预警算法。首先，对实时道路图像进行预处理，包括摄像头校准、色彩和渐变过滤、透视变换等，再采用滑动窗口搜索算法检测车道线，并利用二次多项式进行车道线拟合。然后，利用摄像头单目测距原理计算车辆与车道中心线的相对位置，判断是否偏离车道。试验结果表明，该算法车道线检测准确率达98.59%，车道偏离预警率达99.58%，处理后视频帧速率约为25帧/s，满足准确性、实时性需求。

为保证智能车辆在不同附着系数路面上高速行驶时轨迹跟踪的精度和操纵稳定性，利用自适应模型预测控制（AMPC）方法对轮胎侧偏刚度进行在线估算并对高速行驶工况下的车辆动力学模型参数进行实时更新，采用不定步长（NFS）离散化方法延长预测时域，同时将滑移稳定性约束加入目标函数，从而在高速行驶工况下保持较高的稳定性和控制实时性。CarSim与MATLAB/Simulink联合仿真结果表明，所提出的方法可提高高速工况下车辆在不同附着系数路面上行驶时的操纵稳定性，并获得较高的控制精度。

针对轮毂电机气隙偏心导致电磁力失衡和转矩波动增大，影响车辆行驶稳定性的问题，首先，利用傅里叶函数推导开关磁阻电机电感、磁链、径向电磁力和转矩关于电流和转子位置角度的关系曲线，其次，基于麦克斯韦应力张量法分析2种运行工况下电磁力和转矩的空间电磁特性，结果表明，气隙偏心导致偏心位置处的电磁力和转矩失衡，然后，通过灵敏度分析确定结构参数贡献权重，制定多目标优化方案，最后，借助第二代非支配排序遗传算法（NSGA-Ⅱ）对结构参数进行多目标寻优，筛选2组优化方案，其中最优方案C1对各优化目标均实现了较大改善，有效提高了轮毂电机驱动车辆的纵、横向稳定性。

提出并设计了一种膝部模块冲击仪表板的试验方法及试验台架，用于复现实车碰撞中假人腿部与仪表板的碰撞接触情况，针对性地研究膝部与仪表板的碰撞过程，通过高速摄像动态位移计算方法获得膝部在仪表板上的侵入量曲线，并进行插值整合，获取假人腿部伤害指标随膝部在仪表板上侵入量的变化关系，直观地反映与验证仪表板对腿部的碰撞保护性能。

为有效控制整车NO_x排放量，利用单因素变量法，从进气温度、道路工况角度对整车NO_x排放量进行研究，从而得到不同因素对整车NO_x排放量的影响规律，结果表明：进气温度每升高10 ℃，NO_x原始排放浓度约增大5%，尾气排放浓度增大19%~44%；不同道路工况对NO_x排放量的影响差异较大。