为了探寻转弯和直行场景下驾驶员分心驾驶的内在机理，通过驾驶模拟器搭建直行与转弯虚拟场景，采集驾驶员不同驾驶状态的驾驶绩效和眼动信息数据，并使用KNNImputer算法对设备在采集过程中缺失的数据进行插补处理；通过配对样本T检验对时间长度为1 s、重叠率为75%的时间窗口提取的样本数据进行显著性差异分析并提取特征指标；基于该特征指标集合，采用XGBoost分类器构建不同场景下的认知分心识别模型。试验结果表明：相比于直行场景，驾驶员在转弯场景中瞳孔直径变化频率更小、扫视速度更高、注视时间百分比更大，脑力负荷更大；构建的认知分心识别模型在直行场景下的准确率达到91.30%，转弯场景下的准确率为83.28%，转弯场景下认知分心行为危险程度更高，识别更加困难。

针对环卫车驾驶员的驾驶环境和驾驶安全，提出了一种基于改进YOLOv8n算法的驾驶员疲劳检测方法。使用FasterNet替换YOLOv8n目标检测算法的主干网络，并设计FasterNet-YOLO的轻量级网络模型；在主干网络和颈部中分别加入压缩和激励（SE）模块与卷积注意力机制（CBAM）模块，保留输入的重要特征信息；引入Zero-DCE++算法对摄像头输入的视频流进行亮度增强，处理因驾驶员面部亮度不足所致模型难以识别问题。试验结果表明：交并比为0.5时的平均类别检测精度（mAP@0.5）达到98%，平均每帧图片推理时间缩短至6.95 ms；该方法在不同光照情况下，均能够实时、准确地检测驾驶员疲劳状态。

为了提升驾驶疲劳检测准确性，以驾驶员的生理信号脉搏波为数据源，在提取心率变异性特征的基础上，引入基于血液动力学的脉搏波波形特征进行多维特征融合，构建可以有效表征驾驶疲劳的特征数据集，并基于集成学习构建驾驶员疲劳状态三分类模型，在数据预处理阶段引入重采样方法，并对比不同采样方式对模型检测性能的影响。试验结果表明：脉搏信号多维特征融合可以显著提高对驾驶疲劳的检测精度，相对于仅采用心率变异性特征的方法，在各场景下检测精度能够平均提高24.68百分点；重采样可进一步提高集成学习模型的检测性能，在采样窗口宽度为2 min、采样窗口重叠为80%、心率变异性特征与脉搏波波形特征融合的场景下，模型的检测性能达到最佳。

为有效提取高速交通场景下车辆间的交互特征，从而准确预测动态障碍轨迹，基于编-解码框架，提出基于图时空注意力的多车交互轨迹预测模型。结合斥力场和图模型建立车-车图交互场，利用节点和邻接特征矩阵表征车辆之间的动态交互，通过图空间注意力和时间多头注意力提取深层时空交互，获取图时空融合编码；将车辆横纵向行为意图独热编码与其拼接，实现目标车辆多模态轨迹预测。利用NGSIM数据集进行验证，相较于其他6种模型，该模型RMSE和NLL值最低；通过消融实验进一步验证图交互场的有效性，结果表明，该模型能够有效提高车辆轨迹预测精度。

为解决车辆驾驶性主观评价一致性差及客观评价无法反映主观感受的问题，提出了一种基于堆叠（Stacking）集成学习方法的评价模型，首先研究了车辆加速工况特性，定义了工况驾驶性客观评价指标，使用评价指标作为输入特征训练Stacking集成模型，并且使用改进的哈里斯鹰优化（IHHO）算法优化了Stacking集成模型，提高了预测性能。最后通过道路试验表明，IHHO-Stacking集成模型的性能均优于单个机器学习模型，IHHO-Stacking集成模型预测合格率达95%，能够更有效完成驾驶性评价。

针对分布式电驱动承载平台轨迹跟踪控制存在高速跟踪精度低、鲁棒性弱等问题，设计了基于期望前轮转角跟踪的分层式横向运动控制策略。以分布式电驱动承载平台为研究对象，基于各子系统的动力学分析和轮地作用关系分析，构建了完整的胶轮、车体、电驱等模块的一体化动力学模型。通过构建上层模型预测控制（MPC）轨迹跟踪和下层转向电机转角控制的分层式运动控制策略，可实现承载平台横向位置的高精度控制。基于Simulink搭建承载平台整体动力学仿真模型，仿真结果表明：设计的横向运动控制策略在多级速度下均能高精度实现多场景轨迹跟踪；与滑模控制器相比，其控制精度提升了33%，控制稳定性显著提升。

针对某双离合变速器（DCT）车型在极限工况下前进挡（Drive）D1挡起步的离合器过热问题，提出用双离合起步的控制方法来提升车辆的爬坡和脱困性能。通过分析硬件结构条件、离合器片温度模型和DCT起步具体过程，在起步稳速阶段使用D2挡离合器来承担无用滑摩功，当发动机扭矩增加且超过阈值时，切换D1挡离合器，并详细阐述该控制方法的激活条件和具体实施过程。实车验证结果表明：双离合起步策略对于离合器温度控制、驾驶平顺性均具有明显优势，车辆爬坡和脱困性能得到显著提升。