汽车巡航系统前方关键目标识别研究
陈学文, 张进国, 刘伟川, 朱甲林, 李刚     
辽宁工业大学 汽车与交通工程学院, 辽宁锦州 121001
摘要: 针对巡航系统在弯道行驶路段常出现目标车混乱或丢失的现象,应用扩展卡尔曼滤波理论进行巡航系统前方弯道关键目标识别研究。建立纵向、侧向与横摆的非线性三自由度车辆模型,设计了横摆角速度的扩展卡尔曼滤波器,实现了道路曲率的在线实时估计。建立了弯道关键目标识别模型并给定了关键目标判定依据。采用模糊控制理论,设计了多目标车换道模糊逻辑控制器,预判危险换道车辆,确定了直道行驶的关键目标车。利用MATLAB/Simulink搭建立了三自由度车辆模型的扩展卡尔曼滤波器仿真模块,采用双移线输入实现了车辆横摆角速度与质心侧偏角估计的验证。在Carsim中构建车辆模型、传感器模型及道路模型等仿真环境,实现了与Simulink控制模块的联合仿真,验证了弯道多目标行驶及直道行驶工况下关键目标的准确识别,结果表明:采用扩展卡尔曼滤波理论的弯道目标识别方法能够准确判定弯道关键目标,有效避免系统在弯道路段因目标混乱或丢失而造成的追尾事故。基于模糊控制理论的关键目标模糊判别方法可预判直道行驶危险换道车辆并准确识别关键目标。
关键词: 巡航系统     关键目标     扩展卡尔曼滤波     横摆角速度     仿真    
Research on Key Target Distinguishing Method of Automobile Cruise System
Chen Xuewen, Zhang Jinguo, Liu Weichuan, Zhu Jialin, Li Gang     
Institute of Automobile and Traffic Engineering, Liaoning University of Technology, Liaoning Jinzhou 121001, China
Abstract: Adopting the extend Kalman filter theory, a key target distinguishing method is researched in order to avoid the goal confusion or missing of automobile cruise control system (ACC) on the curve road. An extend Kalman filter on yaw rate and a key target distinguishing model are established to estimate the road curvature in real time and decide the critical target based on a nonlinear three-DOF vehicle model including the longitudinal, lateral and yaw direction. Adopting the fuzzy control theory, a multi-object lane-changing controller is presented to prejudge the danger lane-changing objects and distinguish out the key target on the straight road. A simulation model is elaborated with MATLAB/Simulink to validate the estimation of yaw rate and side slip angle under high-speed double lane input conditions. Simulation experiments are given for multiple targets in the curve road by adopting Carsim and MATLAB/Simulink co-simulation under building vehicle, sensor and road models in the Carsim conditions. The simulation results show that the key target distinguishing methods can identify accurately the key target, and avoid effectively rear-end collisions owing to the goal confusion or missing on the curve road, and prejudge the danger lane-changing objects on the straight road.
Key words: automobile cruise control system     key target     extend Kalman filtering     yaw rate     simulation    

伴随汽车工业的蓬勃发展, 我国的汽车保有量在迅猛增长, 汽车在为社会带来便利的同时也引发了一系列交通问题, 如:交通事故明显上升、道路堵塞、出行困难等问题。因此, 提高汽车驾驶安全性、改善驾驶条件、减少道路交通事故已迫在眉睫。

众所周知, 汽车自适应巡航控制系统(ACC)主要依靠雷达或激光传感器作为信息输入, 可自动调节巡航车自身的车速并维持与本车道前方车辆的安全距离, 是较典型的汽车主动安全辅助驾驶系统之一[1-5]。该系统在一定程度上实现了安全跟车以及避免追尾事故发生的目的, 大大降低了交通事故率, 改善了驾驶条件。但该系统仍存在与前车发生碰撞危险的可能性。比如:系统对相邻车道的危险车辆预汇入或突然闯入本车道的情形不能提前做出预判, 仍跟随本车道原有目标行驶, 必然会存在巡航车与汇入车辆发生碰撞的危险。尤其是针对城市道路行车环境, 车流密集且相互交织与换道行为较频繁, 而且还存在大量转弯路段, 所以, 发生碰撞的危险性会更大。从车辆在道路上的运行过程来看, 巡航车前方通常会存在多个目标车辆, 从多个目标车辆中确定出唯一的危险目标车(被视为关键目标)对于系统的控制策略来讲是非常关键的。而且, 当自车在车道内的位置发生波动, 而前方车辆也相应的发生波动时, 预准确识别关键目标, 其识别难度会大大提高, 特别是在弯道路段, 系统经常会出现目标车混乱或丢失的现象。综上, 从巡航车前方多目标车中提前识别出危险车辆、在转弯路段准确识别并跟踪关键目标, 对于完善或改进ACC系统性能具有重要指导意义和实际应用价值。

国外关于ACC系统有效目标辨识问题, 研究人员主要采用雷达技术与机器视觉技术针对车辆目标跟踪与车道线识别进行了广泛研究[6-10]。Moon等[8]针对ACC系统的多目标追踪和逻辑控制器的设计进行了深入研究, 采用卡尔曼滤波、多模型滤波等理论估计相邻车道车辆或本车道前方车辆的运行状态。德尔福公司提出的有效目标识别算法, 主要采用雷达传感器探测前方各运动目标, 基于场景跟踪识别前方有效目标。伟世通公司提出的有效目标识别算法, 其基本思路是通过方位角与相对速度的相图来区分前方目标在弯道出入口还是前方换道。然后将这种方法的识别结果与基于本车横摆角速度的定曲率方法联合, 就可以在各种道路条件下识别前方有效目标。

国内关于ACC系统目标辨识问题的研究相对较少, 同样是基于车载雷达或视频检测技术实现目标车辆的识别与跟踪[11-14]。刘志峰等[11]使用同车道最近目标准则进行目标初选, 使用卡尔曼滤波方法进行目标的有效性检验, 并使用有效目标生命周期来进行目标决策。焦新龙等[14]利用微波雷达、三轴陀螺仪、车道线识别系统等传感器, 基于车辆动力学线性模型建立了横摆角速度的卡尔曼滤波器, 实现了道路定曲率在线估算。在此基础上, 以前方目标车辆的后侧中心是否处于本车车道为判断依据, 建立了ACC系统目标的辨识模型。但实际车辆自身结构及其运动特征都具有明显的非线性, 利用线性卡尔曼滤波器实现目标估计必然会存在一定误差。

本文中采用模糊控制理论, 针对相邻车道的危险车辆预汇入或突然闯入本车道的直线换道行驶目标车进行了有效识别。针对弯道行驶多个目标, 采用扩展卡尔曼滤波理论, 实现汽车横摆角速度实时在线估计, 建立了弯道关键目标识别模型。基于Carsim建立了车辆模型、传感器模型、道路模型及目标运动模型等仿真环境, 结合Simulink实现了巡航系统前方关键目标识别方法的仿真验证。

1 巡航系统前方关键目标识别理念

在复杂的城市道路行车环境下, 车流运行密度较大且车速较低, 不同车道车辆间频繁换道、切入等行为经常发生, 在直道行驶情况下上述现象尤为明显, 所以很容易发生汽车剐蹭或碰撞事故。对于巡航系统来讲, 避免与前车发生追尾, 减少碰撞的危险性是至关重要的。此外, 对于转弯路段, 由于道路线型的变化, 弯道目标会出现重叠混乱现象, 如巡航系统不能准确识别出本车道的关键目标, 就会因目标丢失而导致非正常加速或减速而造成的追尾事故的发生。因此, 对于智能巡航系统, 应能够针对直道行驶情况能够提前识别相邻车道车辆的换道行为, 预知前方关键目标, 针对弯道行驶情况能够准确判别出前方混乱目标中的关键目标而锁定, 不会造成目标的丢失。图 1为巡航系统前方关键目标识别流程。

图 1 巡航系统前方关键目标识别流程
2 巡航系统前方关键目标识别方法研究 2.1 关键目标模糊判别

图 2图 3分别表示巡航车前方目标车的运行状态。主要分为两种情况:一是巡航车(称本车)前方车辆如果均按照各自车道运行, 不存在预换道车辆, 则关键目标就是本车道前方的车辆, 如图 2所示; 二是前方相邻车道车辆具有换入本车道的趋势, 则关键目标要从预换道的多个目标车辆及本车道前方目标车辆中产生, 则关键目标应为上述多目标车中距本车纵向相对距离最小者, 如图 3所示。为有效识别相邻车道危险车辆预汇入或突然闯入本车道, 设计了目标车换道模糊逻辑控制器, 预判危险换道车辆并确定关键目标车。

图 2 无换道车辆
图 3 存在换道车辆
2.1.1 目标车换道模糊控制器参数选取

图 3可以看出, 当相邻车道目标车预换入本车道时, 其与本车的侧向相对距离与相对速度会发生变化, 论文建立以相邻车道前方目标车与本车侧向相对距离(LD)及相对速度(LV)为输入变量, 以换道概率(CP)为输出变量的模糊控制器, 实现关键目标的确定。

输入变量LDLV论域分别为{0, 1.8, 2.15, 2.5, 2.85, 3.2, 4}与{0, 0.2, 0.45, 0.7, 0.95, 1.2, 1.4}, 输出变量CP论域为{0, 0.2, 0.35, 0.5, 0.65, 0.8, 1}。输入变量LD的模糊语言集为:N(近), NM(较近), M(中等), ML(较远), L(远)。输入变量LV的模糊语言集为:L(低), LM(较低), M(中等), MH(较高), H(高)。输出变量CP的模糊语言集为:S(小), SM(较小), M(中等), MB(较大), B(大)。各模糊变量隶属函数均采用梯形, 如式(1) 所示。

    (1)
2.1.2 模糊控制规则

模糊控制规则是模糊控制器的一个重要组成部分, 用模糊语言描述控制器输入变量(LDLV)与输出变量(CP)间的关系。如表 1所示。

表 1 模糊控制规则
CPLV
LLMMMHH
LDNSSMMBBB
NMSSMMBB
MSSMMMB
MLSSSMMMB
LSSSMSMM
2.1.3 解模糊化

采用重心法进行输出变量解模糊化计算。

2.2 弯道关键目标识别方法 2.2.1 非线性三自由度车辆建模

在汽车的稳定性控制研究中, 汽车的横摆运动与侧向运动是关注的重点。本文中所用动力学模型是在二自由度的基础上引入纵向车速, 建立如下包括纵向、侧向与横摆的三自由度非线性方程:

    (2)
    (3)

式中:ωr为汽车横摆角速度; Jz为绕z轴转动惯量; β为汽车质心侧偏角; u为汽车纵向速度; v为汽车质心速度; δ为前轮转角; ax, ay分别为汽车纵向与侧向加速度; kf, kr分别为汽车前后轮轮胎的等效侧偏刚度; la, lb分别为汽车前后轴至质心的距离。

2.2.2 道路曲率估算

扩展卡尔曼滤波算法是一种预测校正算法[15-17]。根据估计对象建立状态方程与量测方程, 对非线性模型进行线性化并赋初值进行递推估计, 主要包括预测过程与校正过程, 其具体过程如下:

1) 状态方程与量测方程:

    (4)
    (5)

式中:xk, yk分别为实际的状态变量与观测变量; uk为控制变量; wk, vk分别为过程噪声与观测噪声。

2) 模型线性化

式中:F(k)、G(k)分别表示非线性函数f(xk, uk, wk)与g(xk, uk)对状态变量求偏导的雅克比矩阵; Φ(k)表示状态转移矩阵; Δk为采样时间。

3) 扩展卡尔曼滤波算法递推步骤

扩展卡尔曼滤波算法递推步骤主要包括预测与校正两个过程, 并给定初值即可实现。

(1) 预测过程

状态预测方程为

误差协方差预测方程为

(2) 校正过程

增益矩阵为

由观测变量更新估计为

误差协方差更新方程为

将纵向、侧向与横摆的三自由度非线性方程, 利用扩展卡尔曼滤波器建立横摆角速度的滤波模型, 对惯性传感器测量的横摆角速度进行滤波处理, 实现巡航车行驶轨迹曲率半径的实时在线估计, 用于ACC系统目标的有效识别。

2.2.3 弯道关键目标识别模型

图 4为巡航车道内目标车识别示意图。巡航车雷达检测到前方弯道上存在多个目标车, 需要从中判定哪些车辆位于本车道内, 进而确定关键目标。

图 4 本车道内目标车辆识别

巡航车在弯道上行驶, 安装于车上的惯性传感器实时输出横摆角速度数据, 而该值是由道路的曲率ρ和车速u共同确定的, 理想状态下, 车辆在接近圆弧状态的道路行驶, 则存在如下关系

    (6)

以本车前方的目标i为研究, 已知车辆右转弯行驶, 目标i相对巡航车车道中心线的侧向偏移距离doff_i可由式(7) 得到

    (7)

式中:dyi为目标车i相对于本车的纵向距离(可由雷达测取); dxi为目标车i相对于本车的侧向距离(可由雷达的方向角与纵向距离计算得到); 为目标车i处道路曲率的倒数, 该值已由扩展卡尔曼滤波器建立的横摆角速度滤波模型实时在线估计获得, 并通过公式(6) 计算得到。

根据目标i相对本车道中心线侧向距离doff_i, 确定目标i是否位于本车道内, 其判别依据如下:

1) 若doff_i>0且|doff|>dth, 则目标车i位于本车左侧车道内;

2) 若doff_i < 0且|doff|>dth, 则目标车i位于本车左侧车道内;

3) 若|doff_i|≤dth, 则目标车i位于本车道内。

其中:dth为设定的阈值; m可以取半车道宽, 也可以根据实际情况设定其它值。

3 仿真

为验证本文基于多目标的巡航车关键目标模糊判别方法的合理性, 在Carsim中构建了直道工况的仿真环境:车道宽4 m, 本车以20 m/s的速度匀速行驶。前方存在与本车同速行驶的3个目标车, 其中目标1距本车纵向距离50 m, 位于左侧车道; 目标车2距本车纵向距离80 m, 位于右侧车道; 目标车3距本车纵向距离90 m, 位于本车道内。

初始状态如图 5所示:5 s时, 目标车1开始以1 m/s的横向速度向右切入本车道; 9 s时完成换道; 目标车2以0.5 m/s的速度向左运动持续时间2 s但最终没有换道。换道后的行驶状态如图 6所示。

图 5 直道工况换道前仿真环境
图 6 直道工况换道仿真环境

针对直道工况仿真环境, 采用Simulink实现与Carsim的联合仿真, 验证了巡航车关键目标模糊判别方法的有效性。

图 7图 8的仿真结果可以得知, 目标车1在5 s时开始发生侧向位移的变化, 与本车道中心线的距离逐渐缩小, 在8 s左右换入到本车道行驶。目标车2虽然也发生了侧向位移的变化, 但最终距离本车道中心线的距离2 m以上, 所以该目标只是靠近本车道但并未换入本车道行驶。图 8给出了目标车1(切入车辆)与目标车2(未切入车辆)的换道概率, 目标1的换道概率大于临界值0.51(关于临界值, 论文通过多次仿真实验得出该值), 所以进行了换道。而目标车2的换道概率小于临界值0.51, 所以未进行换道。该结果与图 7的结论及图 6的仿真环境是吻合的, 说明本文设计的目标车换道模糊控制器是合理的。

图 7 目标车距本车道中心线的距离仿真结果
图 8 目标车换入本车道概率仿真结果

为验证提出的弯道关键目标识别法的有效性, 首先要保证基于扩展卡尔曼滤波的道路曲率估算的准确性。利用双移线输入验证了车速为80 km/h车辆横摆角速度与质心侧偏角估计。

图 9图 10为横摆角速度和质心侧偏角的估计值与Carsim输出的实际值对比结果。从图 9图 10的仿真结果可以看出, 利用扩展卡尔曼滤波估计的车辆横摆角速度和质心侧偏角与实际值是基本吻合的。这说明采用本文的扩展卡尔曼滤波器进行巡航车前方道路曲率半径实时估计是可行的。

图 9 汽车横摆角速度结果对比
图 10 汽车质心侧偏角结果对比

在Carsim中构建车辆模型、传感器模型、道路模型及目标运动模型等仿真环境, 实现了Simulink与Carsim的联合仿真, 模拟了弯道行驶工况下关键目标的有效识别。在CarSim中仿真实验车辆模型部分参数如表 2所示。

表 2 车辆模型参数
参数名称变量取值
车辆质量m1 231 kg
z轴转动惯量Jz2 031 kg·m2
质心至前轴距离a1.04 m
质心至后轴距离b1.56 m
前后轴距L2.6 m
转向系统的传动比i18
前轮总侧偏刚度k1-95 461 N/rad
前轮总侧偏刚度k2-100 001 N/rad

雷达可测取前方100 m处目标, 弯道工况下道路模型如图 11所示, 车道宽4 m, 巡航车沿本车道中心线附近以20 m/s的速度匀速运行。目标车1、目标车2、目标车3分别以20 m/s的速度距离巡航车60 m、80 m与90 m匀速行驶, 其中目标车1位于左侧车道, 目标车2位于右侧车道, 目标车3位于本车道。

图 11 Carsim中弯道工况道路模型

图 12中得知:由弯道关键目标识别方法得出目标车1与目标车2距本车行驶轨迹中心线的侧向距离分别为3.75 m与3.2 m, 目标3距本车道中心线的侧向距离为0.9 m左右, 结果表明:只有目标3位于本车道内, 为关键目标。而目标车1与目标车2均不在本车道内, 即:目标车1位于左侧车道, 目标车2位于右侧车道, 这个结果与图 11道路模型结果是吻合的。

图 12 目标车距本车行驶轨迹中心线距离仿真结果

图 13为在图 11的基础上前方目标车进行换道的模型。在图 13中, 目标车2行驶一段时间后进行了换道, 而目标车1与目标车3均按原车道行驶。

图 13 Carsim中弯道车辆换道道路模型

图 14中得知:在5 s内, 目标识别方法得出目标车1、2、3距本车行驶轨迹中心线侧向距离分别为3.75 m、3.2 m和0.8 m左右, 此时的关键目标为目标车3。5 s时, 目标车2开始换道, 通过图中红色虚线可以看出目标车2距本车行驶轨迹中心线距离逐渐变小, 4 s后完成换道。目标车距本车行驶轨迹中心线0.8 m左右, 此时的目标车2被判定为关键目标(在本车道内且距离本车纵向距离最近)。

图 14 弯道目标车换道后侧向距离变化仿真结果
4 结束语

在简化的二自由度汽车稳定性动力学模型基础上引入纵向车速, 建立了包括纵向、侧向与横摆运动的三自由度非线性方程。设计了横摆角速度实时估计的扩展卡尔曼滤波器, 采用双移线输入实现了车辆横摆角速度与质心侧偏角估计的验证。对弯道路段多目标建立了识别模型并给定了判定依据。应用模糊控制理论, 设计了目标车换道模糊控制器, 预判危险换道车辆。针对目标识别方法, 实现了Carsim与Simulink联合仿真, 结果表明:基于模糊控制理论的关键目标模糊判别方法可提前预判危险换道车辆并准确识别关键目标。基于扩展卡尔曼滤波理论的弯道目标识别方法能够准确地判定弯道关键目标, 解决了巡航系统在弯道路段常出现目标车混乱或丢失问题, 有效避免弯道追尾事故。

参考文献
[1] Tsai C C, Hsieh S M, Chen C T. Fuzzy longitudinal controller design and experimentation for adaptive cruise control and stop&go[J]. Journal of Intelligent & Robotic Systems, 2010, 59(2): 167–189
[2] Caruntu C F. Networked predictive cruise control for road vehicles[C]//201319th International Conference on Control Systems and Computer Science (CSCS), May 29-31, 2013, Bucharest. Bucharest:IEEE, 2013:203-209
[3] Sivaji V V, Sailaja D M. Adaptive cruise control systems for vehicle modeling using stop and go manoeuvres[J]. International Journal of Engineering Research and Applications, 2013, 3(4): 2453–2456
[4] 裴晓飞, 刘昭度, 马国成, 等. 基于节气门与制动联合控制的自适应巡航控制系统[J]. 汽车工程, 2013, 35(4): 375–380  
Pei X F, Liu Z D, Ma G C, et al. An adaptive cruise control system based on throttle/brakes combined control[J]. Automotive Engineering, 2013, 35(4): 375–380 (in Chinese)
[5] 陈学文, 李萍. 汽车巡航控制方法及Simulink仿真[J]. 辽宁工程技术大学学报(自然科学版), 2014, 33(2): 232–235  
Chen X W, Li P. Control method and simulation of automobile cruise system[J]. Journal of Liaoning Technical University (Natural Science), 2014, 33(2): 232–235 (in Chinese)
[6] M bus R, Baotic M, Morari M. Multi-object adaptive cruise control[M]//Maler O, Pnueli A. Hybrid Systems:Computation and Control. Berlin Heidelberg:Springer, 2003:359-374
[7] Eidehall A, Pohl J, Gustafsson F. Joint road geometry estimation and vehicle tracking[J]. Control Engineering Practice, 2007, 15(12): 1484–1494 DOI:10.1016/j.conengprac.2007.02.010
[8] Moon S, Moon I, Yi K. Design, tuning, and evaluation of a full-range adaptive cruise control system with collision avoidance[J]. Control Engineering Practice, 2009, 17(4): 442–455 DOI:10.1016/j.conengprac.2008.09.006
[9] Moona S, Kang H J, Yi K. Multi-vehicle target selection for adaptive cruise control[J]. Vehicle System Dynamics, 2010, 48(11): 1325–1343 DOI:10.1080/00423114.2010.499952
[10] Rajamni R, Piyabongkarn D, Tsourapas V, et al. Parameter and state estimation in vehicle roll dynamics[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(4): 1558–1567 DOI:10.1109/TITS.2011.2164246
[11] 刘志峰, 王建强, 李克强. 具有鲁棒特性的车载雷达有效目标确定方法[J]. 清华大学学报(自然科学版), 2008, 48(5): 875–878  
Liu Z F, Wang J Q, Li K Q. Robust vehicular radar target determination[J]. Journal of Tsinghua University (Science & Technology), 2008, 48(5): 875–878 (in Chinese)
[12] 张德兆. 基于弯道行驶的车辆自适应巡航控制[D]. 北京: 清华大学, 2011
Zhang D Z. Vehicular adaptive cruise control on curved road[D]. Beijing:Tsinghua University, 2011(in Chinese) http://cpfd.cnki.com.cn/Article/CPFDTOTAL-QCGC200709001261.htm
[13] 陈达兴. 自适应巡航控制系统中前方有效目标识别算法研究[D]. 长春: 吉林大学, 2011
Chen D X. Research on relevant target selection algorithm of adaptive cruise control system[D]. Changchun:Jilin University, 2011(in Chinese) http://www.cnki.com.cn/Article/CJFDTotal-HLYZ201504002.htm
[14] 焦新龙, 米雪玉, 王畅, 等. 车辆自适应巡航控制系统有效目标辨识算法[J]. 长安大学学报(自然科学版), 2014, 34(3): 137–144  
Jiao X L, Mi X Y, Wang C, et al. Valid target distinguish method of vehicle adaptive cruise control system[J]. Journal of Chang'an University (Natural Science Edition), 2014, 34(3): 137–144 (in Chinese)
[15] 林程, 周逢军, 徐志峰, 等. 基于补偿自适应控制算法的车辆状态参数估计[J]. 农业机械学报, 2014, 45(11): 1–8  
Lin C, Zhou F J, Xu Z F, et al. Estimation of vehicle status parameters based on compensation adaptive control algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(11): 1–8 (in Chinese) DOI:10.6041/j.issn.1000-1298.2014.11.001
[16] Lee M H, Lee K S, Park H G, et al. Lateral controller design for an unmanned vehicle via Kalman filtering[J]. International Journal of Automobile Technology, 2012, 13(5): 801–807 DOI:10.1007/s12239-012-0080-x
[17] 李刚, 解瑞春, 卫绍元, 等. 基于信息融合技术的车辆行驶状态估计[J]. 计算机仿真, 2014, 31(10): 183–186  
Li G, Xie R C, Wei S Y, et al. Study of vehicle driving state estimation based on information fusion[J]. Computer Simulation, 2014, 31(10): 183–186 (in Chinese) DOI:10.3969/j.issn.1006-9348.2014.10.039
DOI: 10.13433/j.cnki.1003-8728.2017.0920
中华人民共和国工业和信息化部主管、西北工业大学主办。
0

文章信息

陈学文, 张进国, 刘伟川, 朱甲林, 李刚
Chen Xuewen, Zhang Jinguo, Liu Weichuan, Zhu Jialin, Li Gang
汽车巡航系统前方关键目标识别研究
Research on Key Target Distinguishing Method of Automobile Cruise System
机械科学与技术, 2017, 36(9): 1434-1440
Mechanical Science and Technology for Aerospace Engineering, 2017, 36(9): 1434-1440.
DOI: 10.13433/j.cnki.1003-8728.2017.0920

文章历史

收稿日期:2016-03-18

相关文章

工作空间