“双碳”背景下，集成式电驱动桥成为商用车电动化转型的重要路径之一。介绍了商用车集成电驱动桥典型构型和布局，针对商用车细分领域复杂多样问题，分别对客车、轻卡、皮卡以及中重卡应用场景的电驱动桥适用性进行分析。从电机、逆变器以及变速器3个驱动桥核心组成方面，阐述了近年来商用车电驱动桥关键技术取得的研究进展，并对关键技术带来的挑战和前景进行了展望，以期为商用车集成式电驱动桥系统开发和应用推广提供参考。

针对AEB系统安全模型难以兼顾行车安全性和驾驶舒适性的问题，提出了考虑安全性和舒适性的安全模型，制定了相应的预警制动策略。在经典TTC模型的基础上引入两车加速度构建二阶TTC模型，结合路面条件对基于制动过程分析的安全距离模型进行修正，综合考虑安全性与舒适性需求，制定预警阶段采用二阶TTC模型、制动阶段采用修正安全距离模型的危险状态判断策略。设计AEB分层式控制系统，并搭建联合仿真平台与实车试验平台进行验证。结果表明，在多种测试场景下，设计的AEB系统跟车控制策略均能成功避险，制动时刻不会对驾驶员的正常驾驶造成干扰，预警时长保证驾驶员有充足的反应时间，制动后的两车最小距离在合理范围内，且在湿滑路面也能实现较好的避险效果。

汽车智能化和网联化的快速发展促进了人工智能技术的探索与商业化应用，但人工智能技术的应用带来的自动驾驶安全风险也日益突显。因此，建立应用人工智能技术的自动驾驶系统安全测试与评估方法，成为平衡技术发展与安全风险的重要基础。从系统安全验证的角度，融合考虑人工智能系统的生命周期、安全要求、验证与确认方法及持续的风险评估和安全分析，提出了一种覆盖设计开发、测试评估、部署和运行3个阶段的安全评估方法。同时，提出了保障系统安全的开发、设计、测试、优化等措施，旨在为应用人工智能技术的自动驾驶系统测试与安全评估方法提供参考。

欧洲新车评价规程（Euro NCAP）是指导消费者选车购车的重要参考，也是引领全球汽车安全技术进步的风向标。深入解读了Euro NCAP测评规程的最新动向，并对最新测评结果进行了对比分析。针对汽车安全防护测评体系划分问题，调研了从安全驾驶、碰撞规避、碰撞防护到碰撞后安全的汽车行驶全流程测评技术研究进展。梳理了当前主流测评体系的测评现状，探讨了主流车型的表现及特点，对我国汽车安全测评体系改进及自主品牌出海战略具有现实指导意义。

针对前车切入的突发性和现有的驾驶辅助系统在前车切入场景中存在预警准确率低和预警不及时的问题，设计了一种基于前方车辆换道意图识别的汽车切入防撞预警模型。利用车车通信将相邻前车换道意图发送给后方车辆，后方车辆预测并基于前车换道轨迹进行碰撞检测。提出碰撞时间TTC-S，又对避险时间TTA进行重新分析和计算，设计了分级预警策略。为验证防撞预警系统的有效性，搭建基于Simulink和PreScan的联合仿真平台进行测试。结果表明，防撞预警模型在预警测试中的平均正警率为90.32%，与Mazda模型和传统TTC模型相比，平均正警成功率分别高出8.44% 和11.66%，同时平均预警提前时间分别为1.42 s和1.9 s，安全系数更高。

以2024版C-NCAP评价规程为依据，运用ANSA软件建立某SUV车型前端结构与行人腿部碰撞的有限元模型，利用LS-DYNA软件进行数值模拟计算，并利用试验结果对模型进行了有效性验证。对仿真和试验得到的伤害值进行评估后发现，大腿弯矩和膝部韧带伸长量分别符合2024版C-NCAP的高性能限值，但小腿弯矩T1不符合。由于车辆前端结构的下格栅顶住膝盖部位，占据X向吸能空间，影响前保险杠变形吸能，导致小腿弯矩增加。对结构进行针对性的改进，将吸能泡沫中间位置处的实体结构改为开孔结构，且上端设有小凹槽；将牌照安装点结构的X向高度降低10 mm。结果表明，结构改进后，小腿弯矩T1为265.1 Nm，符合2024版C-NCAP的高性能限值，大腿弯矩和膝部韧带伸长量也都符合2024版C-NCAP的高性能要求。

针对汽车ECU远程升级失败时，现有回滚方法效率低下、鲁棒性弱的问题，设计了一种高效且稳定的升级回滚策略。提出优化的回滚备份方法和完备的安全校验策略，以提升回滚过程的稳定性。考虑传统全量回滚耗时较长，提出采用改进Bsdiff差分算法的差分回滚技术，利用压缩性能更高的LZMA2压缩算法，并优化差分包的数据格式，显著提升回滚效率。在实车上对所设计的策略进行测试，结果表明，采用改进差分算法的回滚策略能将回滚时间缩短84.69%，测试用例通过率为100%，确保汽车ECU在升级失败时车辆功能不受影响，同时提高了回滚效率。

针对车载软件易用性用户体验评价过程中其结果缺少客观定量数据支撑的问题，提出了一种基于主客观数据的车载软件用户体验评价方法，将目标用户体验过程中的主观心理量和客观生理量作为汽车车载软件的评价指标。招募20名目标用户，使用头戴式眼动仪、手指操作轨迹跟踪分析系统和满意度量表，采集用户在3款车载软件体验评价过程中的眼动数据、手指运动数据以及主观评价值。通过D-Lab软件和EthoVision XT软件对眼动和手动数据进行处理，建立了结合心理和生理评价指标的车载软件用户体验多维综合评价模型，并对此评价模型进行了验算，结果表明，车载导航软件体验评价效果最好，车载空调软件其次，车载媒体软件最差。

自动驾驶汽车行驶过程中，外部环境引发的行驶风险会导致乘员产生不信任感，影响其对自动驾驶汽车的接受度。而准确量化乘员主观感知风险为降低行驶过程中的主观感知风险提供了理论依据，对于设计和评估自动驾驶汽车的行为至关重要。以超车场景为切入点，通过构建预测乘员主观感知风险的逻辑回归模型，探讨了不同场景客观风险指标与主观感知风险之间的定量关系。通过实车道路试验采集了92个超车片段数据，并归纳出7个场景客观风险指标。以通过假设检验的5个场景客观风险指标为自变量，乘员主观感知风险的二元分类为因变量，建立了逻辑回归模型。模型分析结论表明，与乘员主观感知风险显著相关的指标为相邻区域风险S、碰撞时间t_{\mathrm{c}\mathrm{o}\mathrm{l}}和车头时距t_{\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{d}}，其中，相关性最大的指标为车头时距t_{\mathrm{h}\mathrm{e}\mathrm{a}\mathrm{d}}。为评估模型的预测性能，利用ROC曲线确定预测模型最优截断值为0.462，并基于HighD数据集验证了在该截断值下模型的分类准确率达到89.1%。还应用预测模型分析结论，针对超车场景中乘员主观感知风险过高的问题制定了3种优化驾驶策略，并通过驾驶模拟器试验综合对比了各策略在影响通行效率和主观感知风险两方面的效果，证明了模型分析结论的合理性。

智能网联汽车采用虚拟仿真测试已成为行业共识，虚拟仿真测试依赖仿真场景。基于采集的高速公路自然驾驶场景数据，建立自动化变道切入场景提取策略，引入感知风险系数参数，通过单因素方差分析非连续型要素，皮尔逊相关性分析连续型要素，揭示不同场景因素与风险的关系，确认关键影响因素。采用K-Means聚类和肘部法建立典型场景，保留关键参数，在PreScan仿真平台完成构建。研究表明，该方法可根据真实采集数据完成变道切入关键场景的有效提取，并基于关键场景聚类成典型场景，在仿真平台搭建此场景，可以为自动驾驶系统测试提供科学支持。