面向全矢量线控车辆极限运动的分层式协同控制

装配四轮分布式驱动-转向（4WID-4WIS）底盘的全矢量线控车辆具备多可控自由度、高速稳定性强的特点,是极限工况稳定裕度和安全性较高的理想车型。为了解决全矢量线控车辆在极限工况下纵横向控制冲突危害行车安全的问题,提出一种基于模型预测控制 （MPC） 的分层式车辆纵向和横向运动协同控制方法。建立基于单轨模型的期望运动状态识别方法,设计模型预测控制器转换动力学目标,采用泰勒展开和前向欧拉方法对预测模型进行线性离散化处理;设计基于负荷率的轮胎力优化分配方法,利用反正切轮胎逆模型求解控制执行量。仿真结果表明,协同控制方法能显著提高车辆在不同路面下的极限运动稳定性,更精准地跟踪期望运动状态,扩大稳定裕度,保障行车安全。     

分布式驱动无人车路径跟踪与稳定性协调控制

针对无人车路径跟踪过程中跟踪效果与车辆稳定性这一多目标控制问题,基于分层控制理论提出了一种分布式驱动无人车辆路径跟踪与稳定性协调控制策略。建立了车辆动力学模型和路径跟踪模型,利用滑模控制方法设计了上层控制器,旨在减小路径跟踪过程中的航向偏差和横向偏差的同时确保车辆自身的稳定性。在下层控制器中,设计了一种四轮轮胎力优化分配方法,根据上层控制器需求,结合车辆横摆与侧倾稳定性情况,实现四轮轮胎力的定向控制分配。基于CarSim和Simulink搭建了联合仿真模型并进行仿真实验,结果表明,提出的协调控制策略能够有效地控制车辆路径跟踪中的航向偏差和横向偏差,同时确保车辆的侧倾与横向稳定性。     

基于路面附着系数估计的车辆轨迹跟踪控制

针对车辆在高速转向和不同路面附着系数下的轨迹跟踪控制问题，基于模型预测控制理论提出了一种考虑路面附着系数的变侧偏角约束MPC控制策略。根据魔术公式轮胎模型分析轮胎的侧偏特性以及不同附着系数对轮胎侧偏角-侧向力线性区的影响，建立轮胎侧偏角约束与不同路面附着系数的函数关系；采用遗传算法（GA）优化BP神经网络模型设计路面附着系数估计器，将估计结果作为与轮胎侧偏角约束相关的变量传递到MPC控制器中；最后在MPC控制器中建立系统控制量约束、控制增量约束，以及考虑路面附着系数的变侧偏角约束，将不同路面附着系数工况下的轨迹跟踪问题转化为多约束条件下最优值求解问题，实现轨迹跟踪和车辆稳定性控制。仿真和试验结果表明，考虑路面附着系数变化的MPC控制方法相对传统MPC控制方法在各种工况下具有更高的轨迹跟踪精度和更好的车辆稳定性，GA-BP神经网络路面系数估计方法具有很高的估计精度。     

基于PSO-BP优化MPC的无人驾驶汽车路径跟踪控制研究

针对模型预测控制（MPC）路径跟踪控制器在不同路面附着系数及车速下跟踪误差大的问题，提出了基于粒子群寻优（PSO）-反向传播（BP）神经网络优化MPC的无人驾驶汽车路径跟踪控制策略。首先，设计了MPC路径跟踪控制器；其次，利用PSO-BP对MPC进行优化，以控制器精度和车辆稳定性作为评价函数，获得PSO离线最优时域参数；最后，选择4种工况进行双移线跟踪对比仿真验证。结果表明：所提出的控制策略在保证行驶稳定性的条件下，低路面附着系数低速、高路面附着系数低速、高路面附着系数高速及中路面附着系数中速工况下双移线跟踪横向控制精度分别提高了50%、55%、9%和20%。     

分布式电驱动车辆纵-横-垂向力协同控制

针对现有研究多采用经验工况划分、主动悬架力简单分配等轮胎力解耦控制方法,难以实现车辆性能最优化的问题,提出了分层式轮胎纵-横-垂向力协同优化控制系统,在制定上层行驶期望目标和下层执行控制策略的同时,重点研究了中层轮胎纵-横-垂向力优化分配。建立了融合轮胎负荷率和垂向力动态系数的统一优化目标函数,综合考虑了车辆行驶期望目标、轮胎附着极限和执行器特性等约束条件,最终解决了轮胎纵、横、垂向力的协同优化控制难题。基于Matlab/Simulink和CarSim的联合仿真结果表明,提出的分层协同控制系统能同时有效控制车辆行驶姿态和改善车辆操纵稳定性能。     

极限工况下无人驾驶车辆稳定跟踪控制

针对无人驾驶车辆在极限工况下跟踪控制精度和稳定性均难以保障的问题,提出一种纵横向稳定性综合协调控制方法。首先对无人驾驶车辆在摩擦极限下的速度进行规划,通过纵向加速度前馈和状态反馈控制器实现极限车速下的速度跟随。其次将预瞄前馈与人工势场反馈相结合设计了横向路径跟踪控制器。提出了基于期望与实际横摆角速度偏差的稳定性控制策略,优化纵向控制的驱动力矩。Simulink/Carsim联合仿真结果表明,所提出的纵横向协调稳定控制方法可在极限工况下改善无人驾驶车辆瞬态响应,抑制道路曲率突变处的超调量,减少路径跟随中的稳态误差,提高了无人驾驶车辆的轨迹跟踪精度和弯道运动过程中的横向稳定性。     

基于李雅普诺夫稳定性理论的路径跟踪控制器设计

为了提高智能车在路径跟踪过程中的系统稳定性,基于李雅普诺夫(Lyapunov)稳定性理论设计了模型参考自适应路径跟踪控制器,并引入系统反馈补偿矩阵,化为线性二次最优控制(LQR)问题进行求解。通过搭建CarSim/Simulink联合仿真平台将控制器与传统模型预测控制器进行对比,设定速度与路面附着系数均不同的仿真工况,对比两种控制器的跟踪效果,仿真结果表明,该控制器具有良好的路径跟踪能力,并具有一定的鲁棒性。     

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明：在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。     

基于NMPC的智能汽车纵横向综合轨迹跟踪控制

本文中针对大曲率转弯工况下,智能汽车纵横向动力学特性的耦合和动力学约束导致轨迹跟踪精度和稳定性下降的问题,提出一种基于非线性模型预测控制(NMPC)的纵横向综合轨迹跟踪控制方法,通过NMPC和障碍函数法(BM)的有效结合,提高了跟踪精度,改善了行驶稳定性。首先建立四轮驱动-前轮转向智能汽车动力学模型和轨迹跟踪模型,采用非线性模型预测控制计算出期望的纵向力、侧向力和横摆力矩;然后基于轮胎动力学模型建立带约束的非线性规划数学模型,利用障碍函数法求解出四轮轮胎力的最优分配,并最终实现四轮驱动智能汽车纵横向综合轨迹跟踪控制。最后进行Carsim和Simulink联合仿真,结果表明,与传统的预瞄PID控制相比,所提方法可在考虑纵横向动力学耦合的情况下明显改善跟踪精度和行驶稳定性。     

基于轮胎合力计算与分配的车辆横向稳定性控制研究

鉴于轮胎合力计算与分配算法只适用于四轮独立制动/驱动和四轮独立转向车辆,以及路面附着系数对轮胎纵向合力和横摆力矩可实现范围的限制,提出一种对轮胎纵向合力和横摆力矩进行实时计算调整和动态分配的车辆横向稳定性控制策略。针对线性反馈计算的误差,采用离线数值优化和非线性规划方法实时确定轮胎纵向合力和横摆力矩的可实现范围,将计算的合力和力矩调整至可实现范围内并进行动态分配。设计滑移率和前轮侧偏角控制器使轮胎摩擦力跟踪各分力,在保证精度的同时避免对车辆后轮侧向力的估计。最后进行了仿真分析与基于LabVIEW PXI和veDYNA的驾驶员在环试验验证。结果表明,基于合力计算与分配的车辆横向稳定性控制可有效地提高车辆轨迹保持能力,改善低附着路面上车辆的稳定性,控制效果优于滑模变结构控制。     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。     

四轮独立转向-独立驱动电动车主动避障路径规划与跟踪控制

四轮独立转向-独立驱动电动车(4WIS-4WID EV)具有低速机动性强、高速稳定性好的特点,是一种理想的智能车构型。本文中针对4WIS-4WID EV进行了主动避障系统的设计,主要包括避障路径规划和跟踪控制。首先基于车辆运动学模型,提出了采用七次多项式的避障路径规划算法;然后基于简化2自由度车辆动力学模型,设计了模型预测路径跟踪控制器;为提高车辆主动避障过程中的操纵稳定性,路径跟踪控制算法采用四轮转向与直接横摆力矩控制技术。通过不同附着系数路面工况与侧风扰动工况仿真,验证了所设计的主动避障系统具有良好的避障能力和鲁棒性。     

基于多参数控制的分布式驱动电动汽车操纵稳定性控制策略研究

为改善高速低附着路面上的车辆动力学性能，本文针对分布式驱动电动汽车提出一种基于多参数控制的操纵稳定性控制策略，包括上层轨迹跟踪控制和下层转矩分配控制。上层控制器设计基于2自由度车辆模型和驾驶员预瞄偏差模型，提出了MPC轨迹跟踪控制策略，实现对侧向偏差、横摆角偏差、质心侧偏角、横摆角速度的多参数控制。下层控制器以轮胎负荷率最小为优化目标，获得4个车轮电机转矩的最优分配量，借助于7自由度动力学模型，在双移线、蛇行工况下完成了CarSim-Simulink联合仿真。结果表明：提出的控制策略改善了高速、低附着工况下的操纵稳定性和轨迹跟踪精度。     

基于RBF神经网络逆系统的多变量解耦控制

针对工业生产过程中的多变量耦合系统难以实现解耦的问题,建立了一种改进的规划算法的RBF神经网络逆系统,构造了多变量神经网络控制器,用来对多变量耦合系统进行解耦控制。对一组给定的二变量耦合系统进行了仿真,结果表明：基于改进的进化规划算法的RBF神经网络逆系统的解耦控制不仅超调量小、响应速度快、控制精度高,而且具有很强的鲁棒性和自适应能力。该解耦控制使得解耦后的多变量系统具备良好的动、静态特性,达到了理想的控制效果。     

基于前轮转角约束自适应模型预测控制的路径跟踪研究

针对在车辆行驶中较小的前轮转角无法充分利用路面附着能力,较大的前轮转角使得车辆的行驶稳定性差的问题,文章提出了一种前轮转角约束自适应模型预测方法。首先建立车辆的动力学模型,然后通过计算得到轮胎纵向力,最终得到车辆的前轮转角。将车辆的状态量与前轮转角自适应约束条件输入给模型预测控制器,输出车辆的前轮转角,实现对参考路径的跟踪。在Carsim和MATLAB平台上联合仿真,仿真结果表明前轮转角约束自适应模型预测控制的车辆相比固定转角约束的车辆具有较好的跟踪能力和稳定性。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

智能汽车轨迹跟踪与横摆稳定性协同控制

为了提高四轮独立驱动智能电动汽车在变曲率弯道下的轨迹跟踪精度和横摆稳定性,提出了一种模型预测控制与直接横摆力矩控制协同的综合控制方法。建立了横纵向耦合的车辆动力学模型,采用2阶龙格库塔离散法保证了离散模型的精度,并基于简化的2自由度动力学模型推导了车辆横摆稳定性约束,设计了非线性模型预测控制器;利用直接横摆力矩控制能够改变车辆横摆角速度和航向角的特点,考虑模型预测控制器的预测状态、控制量以及跟踪误差,设计了协同控制规则。仿真结果表明,协同控制方法解决了考虑横摆稳定性约束的模型预测控制器中存在的稳定性约束与控制精度相矛盾的问题,并补偿了模型预测控制器没有可行解时对横摆稳定性的约束,同时提高了智能汽车的轨迹跟踪精度和横摆稳定性。     

基于模型预测控制的智能车轨迹跟踪控制研究

为了完成智能车的轨迹跟踪,提出一种基于模型预测控制的轨迹跟踪方法,利用将运动学模型这个非线性系统线性化的方案,来获得必须的线性时变系统,采取模型预测控制的三要素来设计控制器。并且基于MPC在控制过程中能增加多种约束的优点,建立基于车辆运动学模型的约束做轨迹跟踪仿真实验,最后,基于山东理工大学智能车平台上GPS提供的定位信息,在校园中采集路线并对前提规划好的的轨迹进行实车验证。实验结果表明:基于MPC算法所设计的控制器能快速且稳定地跟踪期望轨迹。     

基于模型预测控制的路径跟踪控制器模型仿真

文章建立车辆二自由度运动学模型,并将车辆二自由度运动微分方程离散化、线性化,设计了一种基于模型预测算法的轨迹跟踪控制器,并且在实验的基础上制定合理的约束函数和控制规则,从而兼顾路径跟踪的准确性和车辆的稳定性。采用CarsimSimulink平台对算法进行仿真验证,结果表明基于模型预测控制的轨迹跟踪控制器在5m/s以下时能够较好地跟踪预设轨迹。     

基于Pareto最优均衡理论的商用车路径跟踪与抗侧倾协同控制研究

针对商用车路径跟踪横向控制与抗侧倾控制相互耦合的问题,将横向控制和抗侧倾控制视为动态博弈过程中的参与者,提出一种基于Pareto最优均衡理论的横向-抗侧倾协同控制策略。首先,建立商用车横摆-侧倾耦合模型,并利用车辆的横向位置、航向角和道路预瞄信息将其增广为智能车-道路闭环模型;其次,基于线性二次型最优(LQR)控制理论设计了分散式横向-抗侧倾控制器作为对比,在分散式最优控制器基础上,进一步充分考虑博弈参与者之间的控制交互,设计了一种基于合作式Pareto最优均衡理论的横向-抗侧倾协同控制策略;最后,选取蛇形线工况对两种控制策略进行仿真验证,结果表明,相比于分散式最优控制器,本文中提出的基于Pareto最优均衡理论的协同控制器能在有效提高路径跟踪精度的同时保证较好的侧倾和操纵稳定性。