驾驶机器人车辆的多模式切换控制EI北大核心CSCD

为实现不同驾驶工况下精确的车速与轨迹跟踪,提出了一种驾驶机器人车辆多模式切换控制方法。通过分析驾驶机器人操纵自动挡车辆踏板与转向盘的运动,建立了驾驶机器人加速与制动机械腿和转向机械手的运动学模型和车辆纵横向动力学模型。在此基础上,设计了加速/制动机械腿切换控制器、模糊PID/模糊PID+Bang-Bang车速切换控制器和模糊PID/模糊PID+Bang-Bang转向切换控制器。加速/制动机械腿切换控制器以目标车辆加速度为切换规则,协调控制加速和制动机械腿,车速切换控制器以车速误差作为Bang-Bang控制器的模式决策准则和模糊PID控制器的输入,转向切换控制器以轨迹跟踪侧向误差作为Bang-Bang控制器的模式决策输入,并以当前与下一个控制时刻横摆角速度之差作为模糊PID控制器的输入。仿真和试验结果验证了所提出方法的有效性。     

驾驶机器人车辆的多模式切换控制

为实现不同驾驶工况下精确的车速与轨迹跟踪,提出了一种驾驶机器人车辆多模式切换控制方法。通过分析驾驶机器人操纵自动挡车辆踏板与转向盘的运动,建立了驾驶机器人加速与制动机械腿和转向机械手的运动学模型和车辆纵横向动力学模型。在此基础上,设计了加速/制动机械腿切换控制器、模糊PID/模糊PID+Bang-Bang车速切换控制器和模糊PID/模糊PID+Bang-Bang转向切换控制器。加速/制动机械腿切换控制器以目标车辆加速度为切换规则,协调控制加速和制动机械腿,车速切换控制器以车速误差作为Bang-Bang控制器的模式决策准则和模糊PID控制器的输入,转向切换控制器以轨迹跟踪侧向误差作为Bang-Bang控制器的模式决策输入,并以当前与下一个控制时刻横摆角速度之差作为模糊PID控制器的输入。仿真和试验结果验证了所提出方法的有效性。     

考虑道路因素的智能车辆纵向运动决策与控制研究

针对智能车辆纵向运动时的交通道路适应性问题,考虑路面附着系数和前车运动速度等因素,研究了智能车辆纵向运动决策与控制方法。论文研究了基于车头时距的纵向运动决策方法并建立不同驾驶行为的目标车速模型,运用变论域模糊推理算法设计了目标加速度模型。基于纵向动力学模型,运用自适应反演滑模控制算法建立了驱动控制器和制动控制器。对高附着系数路面和低附着系数路面的行驶工况进行仿真试验验证,结果表明,在不同的附着系数路面和前车变速行驶条件下,智能车辆能实时、合理地决策目标车速、目标加速度,实现安全、高效、稳定的跟驰。     

基于模糊理论的汽车智能巡航控制策略与仿真

基于模糊控制和模型匹配理论,应用分层式汽车智能巡航控制策略,实现节气门和制动踏板的协调控制。模糊上位控制器以实际距离与理想距离差和前方车辆与巡航车速度差作为输入,结合设计的模糊规则,获得巡航车期望加速度。考虑车辆系统干扰和响应延时性影响,构建了模型匹配下位控制器以确保巡航车期望加速度的实际输出。利用Simulink对控制功能实施了仿真验证,结果表明,该控制策略可有效实现智能跟随和定速巡航功能,提高行驶安全性。     

驾驶员辅助系统中自适应加速度跟随控制器的设计EI北大核心CSCD

为满足驾驶员辅助系统在实车嵌入式控制中对加速度跟随控制的要求,设计了自适应加速度控制器。由动力学分析验证了车辆在一定节气门开度或制动压力下可以达到特定的稳态加速度,并由此通过离线计算得到了标称工况下加速度控制的节气门开度与制动压力查询表。设计了加速度自适应调整机构,以使实际车辆在自身和环境参数发生变化时仍可利用标称工况查询表完成对加速度的跟随控制。仿真和实车试验表明,自适应加速度跟随控制器运算控制过程简单,可有效完成在实车嵌入式控制中实际加速度对期望值的跟随控制,同时对车辆和环境参数变化有一定的自适应能力。     

智能汽车纵向控制校正与切换方法研究

基于对真实驾驶员纵向控制行为的分析,提出一种智能汽车纵向加速度跟随控制的校正策略。将加速度作为外环实施闭环控制,为确保开环前向通道特性为低频下的理想1系统,用车辆纵向动力学的等效1阶惯性模型的逆模型作为前馈。采用一种拟人化分相逻辑解决加速踏板与制动踏板的切换问题。该校正策略模拟人的控制行为,无需准确的车辆参数,即能在车辆运行全速度范围内实施控制,适用于stop-and-go系统的应用。仿真结果表明,采用该校正策略后,加速度跟随响应快,加速踏板与制动踏板切换平稳,符合真实驾驶员操作行为。     

FSAC赛车轨迹跟踪协同控制策略研究

针对中国大学生方程式赛车 （FSAC） 在比赛中横向-纵向协同控制的轨迹跟踪精度和稳定性问题，根据现代控制理论和经典控制理论提出一种以纵向速度为结合点的线性二次控制器 （LQR） 和比例-积分-微分算法 （PID） 的横纵向协同控制策略，并根据赛车相对参考轨迹的位置设计了一种协同控制器。建立二自由度车辆动力学模型，基于该模型设计了横向LQR位置跟踪控制器和纵向PID速度跟踪控制器。所设计的控制策略在CarSim和Simulink搭建的循迹工况联合仿真场景下进行仿真验证，仿真结果为纵向位置偏差小于0.07 m，横向位置偏差小于0.03 m。对控制算法进行实车验证，结果表明，该策略有效提高了赛车的轨迹跟踪精度和行驶稳定性。     

无人驾驶机器人机械腿模糊监督控制

为实现对无人驾驶机器人机械腿运动的精确控制,提出了一种模糊监督控制方法。通过对驾驶机器人机械腿操纵自动挡汽车油门/制动踏板的运动分析,描述了机械腿各杆件的运动学关系,并建立了机械腿的拉格朗日动力学模型。在此基础上,设计了一种模糊监督控制器,并通过Lyapunov稳定性分析原理,验证了跟踪误差的收敛性,保证了机械腿对位移跟踪的稳定性。模糊监督控制器以机械腿的位移跟踪误差及误差变化率为输入,位移跟踪过程中,实时监测跟踪误差的变化趋势,当误差不超过给定值时,模糊控制器单独作用,当误差超出给定值,采用模糊监督控制器。最后,设计了一种油门/制动机械腿切换控制器,搭建了油门/制动机械腿车速跟踪仿真模型,仿真结果与实车试验数据比较,验证了提出方法的有效性。     

基于电压控制的混合动力履带车辆控制策略研究

结合车辆结构形式和DC—DC变换器控制方法,在功率跟踪控制策略基础上提出一种基于电压控制的混合动力履带车辆控制策略。并在Simulink/Stateflow环境下对提出的控制策略进行建模,将控制逻辑与整车驱动系统模型联合,得到以加速踏板、制动踏板和转向盘为输入,包含控制策略的混合动力履带车辆模型。在不同工况下进行仿真,仿真结果表明该控制策略可行并可使车辆具有良好的加速性能和转向性能。     

驾驶机器人车辆动态制动力矩补偿

为了减小长期自动驾驶过程中制动性能下降带来的影响,提出了一种驾驶机器人车辆动态制动力矩补偿方法。首先建立了以车速和制动踏板力为输入,制动力矩为输出的驾驶机器人车辆制动性能离线自学习模型。然后考虑到驾驶机器人车辆长期自动驾驶导致离线自学习模型可靠性下降,建立了以车速和制动踏板力为输入,制动力矩为输出的扩展自回归在线辨识模型,并采用模糊变遗忘因子递推最小二乘法进行参数辨识。模糊变遗忘因子递推最小二乘法通过引入遗忘因子的方式,对数据施加时变加权系数,以避免出现数据增长导致的数据饱和现象。模糊变遗忘因子控制器以制动力矩辨识误差为输入,经模糊规则推理实时输出合适的遗忘因子进行参数辨识,能够有效均衡驾驶机器人车辆制动性能参数辨识的稳定性与收敛速度。驾驶机器人车辆自动驾驶过程中,根据当前车速与目标车速的大小计算出所需的制动力矩,加上反馈回来的制动力矩误差,并结合当前时刻的车速,利用制动性能离线自学习模型与机械腿逆向运动学模型实时计算出制动电机输出位移量,实现对驾驶机器人车辆制动力矩的在线补偿。仿真与试验结果表明:利用所提出的方法对车辆动态制动力矩进行辨识时,通过调节遗忘因子,辨识结果能够快速收敛且辨识误差较小。在此基础上,控制驾驶机器人车辆进行纵向车速跟踪时,能够有效减小制动性能下降造成的影响,保证控制车速跟踪误差在±1km·h-1之内。     

车辆转弯制动横向轨迹控制驾驶员模型研究

为了较为真实地反映车辆转弯制动工况,建立了含Pacejka"魔术公式"非线性联合工况轮胎模型的4轮8自由度车辆系统模型,并基于预瞄跟随理论、加速度反馈控制和模糊PID控制技术建立了车辆转弯制动横向轨迹控制驾驶员模型。针对不同初始速度和制动强度,利用MATLAB/Simulink进行了横向轨迹控制仿真分析。分析结果表明,驾驶员控制模型能很好地跟踪横向轨迹,模型的可行性和有效性得到验证,同时不同仿真条件下结果的一致性也说明该控制方法具有较强的自适应能力和鲁棒性,为进一步研究复杂工况下的驾驶员模型及横向轨迹控制提供了一条可行的途径。     

基于线性自抗扰控制的自动驾驶车辆纵向加速度控制算法研究

为提高自动驾驶车辆纵向加速度控制算法的鲁棒性,基于电动汽车纵向加速度系统仿射模型,提出了具有双观测器结构的线性自抗扰加速度跟踪控制算法,并通过带有遗忘因子的递归最小二乘法对阻力模型进行在线辨识,实现了驱动电机与制动系统之间的协调切换。通过搭建硬件在环(HIL)仿真平台对设计的控制算法进行了鲁棒性和实时性验证,结果表明,所提出的控制算法能够实现对加速度信号快速、稳定跟踪,能够在车辆纵向动力学模型未准确建模状态下对纵向加速度进行有效控制。     

基于最优滑移率的车辆轨迹跟踪控制研究

为了实现智能车辆最优的轨迹跟踪控制,最大程度的利用滑移率和地面附着系数实现智能车辆的动力学控制,文章提出了考虑滑移率的轨迹跟踪控制方法。根据车辆行驶特性,建立动力学方程,计算运动过程中的轮速和横摆角,并结合滑移率对车辆动力学的影响,基于最优滑移率设计了控制系统,以制动工况为例,实现制动车速工况下的最优控制。基于车辆二自由度模型,运用Matlab建立二维空间整车运动轨迹模型,得到车辆运动仿真轨迹。仿真结果验证了数学模型的准确性和正确性。考虑滑移率和车辆动力学的轨迹跟踪控制更具真实准确,文中数学模型及设计的控制系统对车辆跟踪控制有参考价值。     

考虑驾驶人特性的智能驾驶路径跟踪算法

针对现有智能汽车路径跟踪控制过程中较少考虑驾驶人特性的问题,设计了一种考虑驾驶人特性的智能驾驶路径跟踪算法。采用k均值算法对实车试验获取的相关数据进行聚类分析,根据操纵特征参数的规律性和差异性将驾驶人特性分为正常型、激进型、保守型3类。根据驾驶人特性分类及聚类结果,将不同驾驶人对车辆侧向、纵向行驶状态的不同偏好特性融入至路径跟踪控制策略的设计中。采用模型预测原理设计了智能驾驶路径跟踪控制器,通过数据聚类结果来设计控制器的代价函数与约束条件。仿真试验结果表明,本文所提出的考虑驾驶人特性的路径跟踪控制策略具有较高的轨迹跟踪精度和速度控制精度,且车辆响应变化能够体现出不同的驾驶人特性,路径跟踪速度误差不超过2%,侧向跟踪误差小于0.13 m。     

车辆自动驾驶系统纵向和横向运动综合控制

为提高车辆自动驾驶系统的运动性能,基于模糊逻辑和滑模控制理论设计了一种车辆纵向和横向运动综合控制系统。该控制系统通过对前轮转向角度、发动机节气门开度、制动液压及主动横摆力矩进行协调控制,使车辆能够以期望速度在理想道路轨迹上行驶,并提高车辆在行驶过程中的操纵稳定性。仿真结果表明:纵向和横向运动综合控制系统能够提高车辆在不同行驶工况下的跟踪性能和运动性能,在车辆自动驾驶过程中是有效的。     

重载货车长下坡挂挡决策行驶安全仿真

长大下坡是大型车辆事故多发的典型路段,现有仿真模式多适用于宏观评价道路平面线形安全,无法反映驾驶人不同挂档决策对长下坡行车安全的影响。建立了重载货车整车模型、转向控制器和踏板控制器。根据重载货车自然驾驶数据,引入驾驶人控制边界约束,通过联合TruckSim和Simulink软件,设计了基于挂档加速、挂档滑行、挂档制动的长下坡行驶控制策略。提出了在车辆速度层面引入驾驶人操纵行为特征谱的虚拟仿真试验。根据当前路段驾驶人挂挡问卷调查信息,以1条实际长下坡道路作为算例,研究了不同驾驶模式下重载货车长下坡行驶特性。仿真结果表明:预瞄定速模式控制下的车辆节气门开度和车轮制动压力呈现相互交替态势,与车辆真实长下坡行驶特性不符,难以为长下坡道路安全改善提供客观依据,而挂挡下坡行驶控制模式能够反映重载货车在不同挂挡决策下的行驶特性;以车辆行车速度和单轮制动压力为评价参数,在当前仿真路段行驶过程中,重载货车7档位挂挡下行安全性能最优,8档位挂挡下行综合性能最优,其单轮制动压力高幅值波动区域主要集中于28.3～35.5 km路段,从而可为该路段驾驶人挂档决策优化、道路纵断面及避险车道位置设计提供一种新的思路。     

机器人驾驶车辆的横向自适应反演切换控制

为实现不同速度工况下的车辆稳定转向和路径跟踪,提出了一种机器人驾驶车辆横向自适应反演切换控制方法。构建了7自由度车辆横纵向动力学模型,并基于等效转动惯量的概念,建立了驾驶机器人转向机械手动力学模型。定义了转向机械手每个子系统的虚拟控制量、模糊隶属度函数和Lyapunov函数,设计了模糊自适应反演控制器和状态切换器。本文提出方法与其他控制方法的仿真和人类驾驶车辆的试验验证了所提出方法的有效性。     

驾驶员辅助系统中自适应加速度跟随控制器的设计

为满足驾驶员辅助系统在实车嵌入式控制中对加速度跟随控制的要求,设计了自适应加速度控制器。由动力学分析验证了车辆在一定节气门开度或制动压力下可以达到特定的稳态加速度,并由此通过离线计算得到了标称工况下加速度控制的节气门开度与制动压力查询表。设计了加速度自适应调整机构,以使实际车辆在自身和环境参数发生变化时仍可利用标称工况查询表完成对加速度的跟随控制。仿真和实车试验表明,自适应加速度跟随控制器运算控制过程简单,可有效完成在实车嵌入式控制中实际加速度对期望值的跟随控制,同时对车辆和环境参数变化有一定的自适应能力。     

模型跟踪控制在复合制动系统中的应用

本文旨在协调复合制动系统中的机-电制动力矩,确保车辆的制动效能。以搭载基于常规的逻辑门限值控制的液压防抱死制动系统车辆单轮模型为仿真平台,构建了复合制动控制器。针对以轮速为控制变量的模型跟踪控制方法的缺陷,搭建了以车轮角加速度为控制变量的模型跟踪控制器,并通过仿真对比验证了其改进效果。硬件在环试验结果验证了控制策略的有效性。     

智能分布式驱动汽车路径跟踪/制动能量回收协同控制策略研究

为了解决智能分布式驱动汽车路径跟踪与制动能量回收系统间的协同控制难题,充分考虑分布式驱动汽车四轮扭矩独立可控在智能驾驶系统中的优势,设计适应不同路面附着条件的智能分布式驱动汽车转向、制动分层协同控制策略。上层控制器依据不同的路面类型设计差异化的多目标代价函数,以综合优化各工况下的控制目标。高附路面下,制定满足最大能量回收值的全局参考车速,在线优化路径跟踪指令,实现最优能量回收的同时减小系统运算负荷;低附路面下,优先考虑车辆的路径跟踪性能和行驶稳定性,在多目标代价函数中取消对全局参考车速的跟随要求,增设终端速度约束与能量回收项性能指标并减小能量回收项性能指标的权重系数。上层控制器基于模型预测控制方法对多目标代价函数进行滚动优化与预测求解,得到期望的前轮转角及4个车轮的总制动扭矩需求。下层控制器根据制动扭矩需求对四轮的液压制动扭矩和电机制动扭矩进行分配,最终完成整个复合制动过程。基于MATLAB/Simulink和CarSim软件,搭建控制器在环仿真平台,并在高附和低附路面条件下对所提出的策略进行试验验证。研究结果表明：高附路面下,所提出的控制策略在准确跟踪期望路径的同时相较固定比例制动力分配方法可提升2.7%的能量回收值并减少约0.02 s的单次计算时间;低附路面下,与使用高附控制策略相比,能够保证车辆的路径跟踪准确性与行驶稳定性,同时可提升7.8%的能量回收值;控制器在环试验结果证明了该协同控制策略对车辆性能提升的有效性。