基于稳态特性的路程预瞄转向模型

为实现车辆稳态转向的理想状态,建立更真实的预瞄-跟踪行为,提出了2种基于稳态转向的路程预瞄转向模型,假设车辆处于稳态转向状态,预测车辆的行驶轨迹,基于预测轨迹的侧向误差最小原则,分别建立了将单点预瞄转化为路程预瞄的理想转向模型和修正转向模型。CarSim/Simulink联合仿真结果表明,2种转向模型均具有较好的路径跟踪精度、适应性和转向平顺性。     

基于线控转向的智能驾驶车辆路径跟踪研究

针对搭载线控转向系统的智能驾驶车辆路径跟踪问题,基于汽车动力学仿真软件分析车辆转向特性,推导出横摆角速度对转向盘转角的稳态增益曲线,并获得了仿真稳态增益与理论稳态增益之间的修正系数,以此搭建单点预瞄模型和变角传动比线控转向系统模型。通过预瞄式横向运动控制与线控转向变角传动比控制相结合的方式,完成智能驾驶车辆路径跟踪控制策略的设计,并与搭载固定角传动比线控转向系统的智能驾驶车辆进行仿真对比验证。仿真结果表明,所设计的路径跟踪控制方法具有更高的跟踪精度和行驶稳定性。     

基于动力学模型预测控制的铰接车辆多点预瞄路径跟踪方法

现有的铰接车辆路径跟踪控制方法在模型线性化和预瞄误差过程均产生较大误差,导致跟踪精度降低。针对铰接车辆路径跟踪控制,构建了铰接车辆动力学模型,采用基于状态轨迹的线性化方法补偿动力学误差,提出了考虑路径多点预瞄误差的控制目标,设计了基于动力学模型的模型预测控制器,用以优化铰接点处转向力矩。为验证该方法的有效性,采用Matlab/Simulink和Adams软件构建了联合仿真平台,对控制算法进行了仿真验证。仿真结果表明,本文中设计的控制器可有效提升铰接车辆路径跟踪精度。     

自动驾驶车辆侧向路径跟随控制算法仿真

路径跟随是依照规划轨迹信息通过对执行元件的控制实现沿期望轨迹行驶,控制算法对实现路径跟随非常重要。针对自动驾驶车辆的侧向控制技术,文章研究了基于最优预瞄理论的路径跟随控制,建立车辆二自由度模型和预瞄误差模型,设计模型预测控制（MPC）侧向跟随控制器以提高跟随精度。利用CarSim-Simulink联合仿真,仿真结果表明,该算法策略能稳定跟踪规划路径。     

基于多点预瞄最优控制的智能车辆路径跟踪

为在嵌入式控制器开发环境下提高智能车辆的路径跟踪精度,采用车辆动力学模型和多点道路预瞄模型,以预瞄窗口内的跟踪偏差为目标函数,结合LQR最优控制原理,提出了一种基于多点预瞄最优控制路径跟踪控制方法。针对实车应用,通过离线计算最优增益的方法,提高算法实时性。在仿真及红旗H7实车环境下进行试验,结果显示,该方法在保证跟踪精度的同时具有良好的算法实时性。     

基于滚动时域的线性二次型路径跟踪研究

针对智能驾驶车辆在实际行驶过程中的路径跟踪问题,建立了二自由度车辆动力学模型和路径跟踪预瞄模型,并将两者相结合。将给定的双移线和蛇形线路径作为滚动时域线性二次控制器模型的输入,将得到的转向盘转角输入车辆模型,得到了车辆横向速度、横摆角速度、横向位移和横摆角。仿真结果表明,提出的路径跟踪控制策略能够使车辆在换道时始终维持方位偏差在0.06 m以内,同时具有较好的横向稳定性。     

基于曲率与车速的两点智能控制驾驶员模型

为了提高驾驶员模型的路径跟踪精度,基于模糊逻辑智能控制器建立了一种依据道路曲率、车速,采用远、近两点预瞄的智能驾驶员模型。该模型根据目标道路的曲率自适应地选择预瞄距离远、近两点,根据不同的车速和预瞄点的横向偏差决策出最优转向盘转角。对所建立的驾驶员模型与CarSim驾驶员模型进行仿真测试对比,结果表明,该模型能够在反应滞后的情况下完成复杂道路、极限工况的驾驶员操作,路径跟踪误差较CarSim模型小。     

基于多点序列预瞄的自动驾驶汽车路径跟踪算法研究

针对自动驾驶汽车自主行驶问题,提出了一种基于预瞄信息的路径跟踪算法。以GPS轨迹点序列作为目标路径,建立车辆—路径相对运动关系模型,使用实时差分GPS数据确定车辆位置。通过预瞄点序列,计算路径的预瞄偏差角和路径弯曲度。根据路径弯曲度确定行驶速度,实现纵向控制;通过Pure Pursuit算法将预瞄偏差角转换成前轮转角的控制量,实现横向控制。试验结果表明,提出的路径跟踪方法在纵向、横向控制和跟踪平稳性方面都具有良好的效果。     

三点预瞄的智能控制补偿驾驶员模型

为适应不同驾驶员的预瞄风格和推理决策能力,提出了一种基于三点预瞄的智能控制补偿驾驶员模型,根据预瞄前方远、中、近3个点的坐标值对目标路径的位置关系进行判断,结合当前车速建立了预瞄距离自适应的经验指数模型,提出了以车速、航向角、中点侧向误差为输入,转向盘转角为输出的模糊智能控制驾驶员模型,并对转向角进行补偿校正。仿真结果表明:该模型能够合理地判断目标路径的位置关系,适应预瞄距离的动态调节机理;在不增加失稳风险的条件下,有补偿模型较未补偿校正模型的路径跟踪精度更高。     

车辆转向轻便性人-车-路闭环系统计算机仿真研究

对车辆转向轻便性建模仿真中的人-车-路闭环系统建模方法进行了阐述,提出了一种在地面坐标系统中求驾驶员预瞄轨迹误差的数值解法。该方法使用二分法求解直线与双纽线的交点,避免了使用一般解法出现增根且难以取舍以及使用复杂的非线性方程求根函数时计算量大的问题,能够方便地计算出驾驶员预瞄轨迹误差,使最优预瞄驾驶员模型能够适用于航向角大范围变化的转向轻便性试验仿真。     

智能车路径跟踪控制算法的简述

智能车主要分为路径规划、路径跟踪、自动泊车三大部分。路径规划主要研究车辆的避障问题,路径跟踪主要研究车辆跟随期望路径的有效性,自动泊车主要分析车辆在有限的几何空间内将车辆泊到指定的空间位置。其中路径跟踪是其核心部分,根据研究方法的不同,主要分为"预瞄跟随模型"和"智能控制模型"。文章根据预瞄点的不同,主要分析单点预瞄模型、两点预瞄模型、路程预瞄模型。根据智能控制方法的不同,主要分析模糊逻辑控制驾驶员模型、神经网络控制驾驶员模型、模型预测控制驾驶员模型。     

新型视觉区域智能车辆导航控制器设计

简要介绍了基于机器视觉导航区域智能车辆(CyberCar)的导航原理和组成。首先采用逆M序列作为辨识输入信号和最小二乘算法得到车辆转向系统的系统辨识特征方程,结合预瞄运动学模型和车辆二自由度转向动力学模型,从而建立车辆基于视觉预瞄的转向动力学控制数学模型,根据线性二次型最优控制理论得到状态线性反馈的最优控制规律。通过仿真分析和试验,验证了最优控制器在CyberCar户外路径跟踪过程中平稳、可靠。     

智能车辆系统辨识与控制算法研究

采用逆M序列作为系统的输入信号,通过最小二乘算法得到车辆转向系统、驱动系统的传递函数,结合车辆预瞄运动学模型和车辆二自由度转向动力学模型,建立车辆转向控制与位置误差数学模型.根据现代控制理论设计最优导航控制器稳定跟踪目标路径,基于Backstepping函数控制算法,选取Lyapunov函数设计智能车辆换道及超车轨迹跟踪控制器.仿真分析和试验结果表明:所设计的控制器在智能车辆户外自主导航中具有良好的跟踪性能.     

驾驶员方向控制模型圆弧式预瞄算法的研究

在传统的预瞄算法中,预瞄位置的确定需要大量坐标变换,影响运算速度;且通过线性插值计算预瞄点坐标和路径方向,会使预期路径方向在路径点处不连续,导致人-车-路闭环系统仿真出现振荡.为此,本文中提出一种无需坐标变换的圆弧预瞄位置确定算法,并通过三次埃尔米特插值实现对局部路径的光滑处理.仿真结果表明:该算法效果良好,运算速度较快;且采用三次埃尔米特插值代替线性插值,可有效缓解闭环系统仿真振荡.     

基于跃度信号的自动驾驶横向控制

针对自动驾驶车辆的横向控制,提出了一种基于跃度信号的预瞄控制。建立车辆二自由度动力学误差模型,采用线性二次调节（LQR）反馈控制和前馈控制构成闭环横向控制模型。以CarSim和Simulink为仿真平台,模拟车辆进入并跟踪稳态圆。通过分析横向位置误差和横摆角误差等指标,表明该预瞄算法在横向控制精度、跟踪速度方面具有良好效果。     

基于障碍物斥力场的汽车主动避撞系统

为提高汽车行驶安全性,设计了基于障碍物斥力场模型的汽车主动避撞系统,建立了道路算盘模型和驾驶员预瞄跟随模型,利用算盘模型可求解出避撞路径,使用驾驶员预瞄跟随模型可求解出汽车转向盘最优转角。通过动静态障碍物环境下的仿真试验表明,利用算盘模型规划出的路径平滑、安全、可跟踪;驾驶员预瞄跟随模型的路径跟随精度高,实现了汽车主动避撞。     

基于人机共驾的车道偏离防避控制

提出了两层驾驶员转向预测模型,基于驾驶员视觉预瞄信息的第一层体现了路径跟踪特性,基于神经肌肉动力学模型的第二层体现了驾驶员转向操作特征,采用Car Sim/Simulink对比了不同状态驾驶员的路径跟踪性能。设计了车道偏离防避系统(LDAS)的期望横摆角速度观测器和转角PID控制器。建立了转向系统等效动力学模型,并基于滑模理论设计了LDAS的鲁棒转矩控制器。由于车辆偏离车道程度与预瞄点的侧向偏移量和驾驶员力矩的关系不能精确描述,故基于模糊控制理论设计了LDAS人机共驾模糊控测器。进行了基于Car Sim/Simulink的仿真和基于Car Sim/Lab VIEW RT的硬件在环试验,对比了驾驶员、LDAS控制器和人机共驾纠正车辆偏航的能力。结果表明,所提出的人机共驾策略能及时纠正车辆偏航,使之恢复到正常车道,并保证从人机共驾到驾驶员控制切换过程的平顺性。     

智能车辆转向变结构控制方法的研究

从车辆的转向动力学和预瞄运动学特性出发，结合转向系统的系统辨识，建立了车辆转向系统的线性模型。运用变结构滑模控制理论和多模型切换，使车辆转向控制具有良好的跟踪性能和鲁棒性。     

基于模糊神经网络的智能车辆循迹控制

为提高智能车辆自主循迹控制的精度,提出了一种基于模糊神经网络控制( FNNC)和神经网络预测( NNP)的智能循迹控制策略。转向控制器的输入量有3个：预瞄点处的横向循迹误差、汽车横摆角速度和侧向加速度。车速控制器的输入量有4个：预瞄点处的面积误差、侧向加速度、汽车侧偏角和转向盘转角。网络训练采用误差反向传播法。仿真与试验结果表明,所设计的循迹控制器通过对驾驶员操作样本的训练,能实现对车辆的车速与转向控制,横向循迹误差和目标车速均比较理想。     

视觉预瞄式智能车辆纵横向协同控制研究

针对智能车辆路径跟踪控制的高度非线性及纵横向运动控制的耦合性问题,结合视觉预瞄模型及模型预测控制理论提出了一种预瞄式MPC路径跟踪控制新方法。该方法首先对非线性预测模型进行局部线性化,将MPC最优化求解问题转化为二次规划问题。在每个控制时域内将纵向车速及预瞄距离视为已知,运用指数模型对纵向车速进行描述,并结合道路曲率及实际车速设计了预瞄距离发生器。仿真和试验结果表明:相较于传统MPC跟踪控制方法,本文中提出的预瞄式MPC控制方法在不同车速下均能减小跟踪过程中的横向偏差和方向偏差,提高了跟踪精度,且此提升效果在高速状态下更为明显。