智能车小车转向系统的建模与仿真分析

文章依据典型的线性二自由度汽车模型结合freescale智能小车的实际转向系统建立数学模型，推导出微分方程，采用比例微分控制（PD）策略，并结合系统模型运用MATLAB进行仿真。采用比例微分控制（PD）策略对小车的转向系统的信号延时进行改进，对稳定性等方面也进行改善，达到预期的优化目的。     

电动助力转向系统建模与控制策略研究

概述了电动助力转向系统的优点，建立了电动助力转向的数学模型。在此基础上对比分析了比例控制策略和比例微分控制策略的不同控制效果。仿真结果表明，在助力增益较大时，比例控制会引起转向盘振动，同时来自路面的高频干扰也容易传递到转向盘，使手感变差。比例微分控制引入微分环节，增加了系统的阻尼，通过调节微分系数，可以调节系统带宽，因而较好解决了转向轻便性、转向盘振动和抑制路面高频干扰之间的矛盾。     

电动助力转向系统稳定性分析与研究

建立了电动助力转向系统的七自由度状态空间数学模型。分析了采用比例控制时在大助力比例系数情况下引起的转向盘振动机理。分析结果表明,大助力比例系数使系统不稳定,从而导致转向盘振动。提出了比例微分控制策略解决转向盘振动问题。仿真结果表明,比例微分控制在提高转向轻便性的同时能改善系统的稳定性,抑制大助力比例系数下转向盘的振动。     

汽车电动助力转向系统特性研究

建立电动助力转向系统的力学模型,并对系统电动机在比例控制和比例加微分控制下汽车电动助力转向系统特性进行分析,对系统的频率特性和时间响应进行数值仿真,分析比例系数和微分系数对系统特性的影响,研究参数变化下系统特性的变化规律,为优化控制规律提供依据。     

汽车电动助力转向系统的湿合模糊PD控制

在建立电动助力转向系统模型基础上,采用了电动助力转向系统的混合模糊PD控制策略,针对不同速度提出了不同的模糊控制规则,根据系统的阻尼与频率确定了PD控制的参数,建立了电动助力转向系统的混合模糊PD控制模型,并对模型进行了仿真分析.     

汽车电动助力转向系统控制参数优化研究

建立电动助力转向系统的力学模型，结合经典控制理论，分析比例系数和微分系数对系统助力特性的影响，以ITAE指标为目标函数，采用单纯性法对系统控制参数进行优化，对优化前后结果进行仿真分析，系统时间响应和频率特性曲线结果表明了该优化方法的有效性。     

基于K60单片机智能小车设计与实践

为更好地参加全国大学生智能汽车竞赛,文章提出了基于K60的智能小车设计,设计了以MK60DN512ZVLQ10作为核心控制器的硬件电路系统。软件系统通过处理单目摄像头所拍摄的图像,得到小车的规划路径曲线;再通过单点预瞄最优曲率模型得到较优转向角,用比例积分微分（PID）算法控制小车的转向,实现了小车的循迹功能。采用了障碍物膨胀法,有效避免了碰撞的发生。试验结果表明,所设计的智能小车能够在赛道上直线行驶、转弯、过十字路口等,具有基本的行驶功能,满足了设计目标要求。     

汽车电动助力转向系统的混合模糊PD控制

在建立电动助力转向系统模型基础上,采用了电动助力转向系统的混合模糊PD控制策略,针对不同速度提出了不同的模糊控制规则．根据系统的阻尼与频率确定了PD控制的参数。建立了电动助力转向系统的混合模糊PD控制模型,并对模型进行了仿真分析。     

基于认知-控制框架的侧风工况下驾驶员横向控制模型研究EI北大核心CSCD

本文中基于神经工效学认知理论融入驾驶员预瞄模型,建立了以认知-控制为框架的驾驶员横向控制模型。模型采用Simulink和TruckSim软件联合仿真的形式验证。采用粒子群优化算法对控制框架中的比例-微分(PD)控制器模块参数进行优化标定。结果表明,在侧风工况下,基于认知-控制为框架所建立的驾驶员横向控制模型有效(RMSE=0.09),且精度更高,适应度更广。另外,从认知-控制角度改变预览时间tp、增益比例kp和微分参数kd,可表征不同驾驶风格的驾驶员行为。本研究为提高侧风工况下的高级辅助驾驶系统和自动驾驶汽车的安全性和舒适性提供参考思路。     

电子控制式电动助力转向系统的控制

本文通过建立电动助力转向系统的动力学方程，计算和分析了该系统的频域和时域响应特性。采用比例加微分控制方法，可获得理想的助力特性，并能避免并振峰的出现；单纯的比例控制却不能满足这两点要求。     

基于模糊PD控制的电动助力转向系统建模及仿真分析

汽车电动助力转向系统的基本功能是利用电机产生助力力矩帮助转向。与传统的转向系统相比该系统结构简单，灵活性大，能较好地满足汽车转向性能的要求；在操纵舒适性、安全性、节能等方面也充分显示了其优越性。本文对汽车电动助力转向系统的结构及其动力特性分析，建立数学模型，设计了一种自适应模糊PD控制系统。并进行了仿真研究。仿真结果表明，基于模糊PD控制的EPS比传统PD控制具有更好的助力特性和抗干扰能力。     

基于模糊PD控制的电动助力转向系统建模及仿真分析

汽车电动助力转向系统的基本功能是利用电机产生助力力矩帮助转向。与传统的转向系统相比该系统结构简单，灵活性大，能较好地满足汽车转向性能的要求；在操纵舒适性、安全性、节能等方面也充分显示了其优越性。本文对汽车电动助力转向系统的结构及其动力特性分析，建立数学模型，设计了一种自适应模糊PD控制系统。并进行了仿真研究。仿真结果表明，基于模糊PD控制的EPS比传统PD控制具有更好的助力特性和抗干扰能力。     

EPS系统的控制策略研究

根据转向系统的助力特性要求,对电动助力转向系统的控制策略进行研究。建立该系统的动力学模型,对转向系统的助力控制、阻尼控制和回正控制进行分析研究。策略中主要采用PID控制方法,首先进行控制器目标电流的确定和补偿,然后对模型的电流进行仿真和验证,结果表明,此控制策略的增加转向系统的轻便性和路感。     

基于多目标SMC汽车转向稳定性研究

为提高汽车转向稳定性,针对主动前转向(AFS)系统提出了一种基于可变传动比转向系统(VGRS)的多目标滑模控制(SMC)策略。首先依据AFS系统工作原理,建立了VGRS执行器数学模型,构建了控制器输出转向角与实际前轮转向角之间的关系。然后以双自由度汽车控制模型为基础,运用滑模变结构控制原理,设计了以侧滑角和偏航率为控制变量的滑模控制器,分析了该控制系统的稳定性。最后利用MATLAB和Simulink软件,在仿真平台上分别进行开环和闭环转向稳定性控制的仿真试验,结果表明,与模糊PID策略相比,SMC策略中的侧滑角和偏航率均有所降低,表明SMC策略能有效提高汽车转向稳定性。     

车辆半主动悬架与助力转向集成控制的仿真研究

为协调车辆操纵稳定性和行驶平顺性,基于底盘系统动力学原理,建立了半主动悬架和电动助力转向的综合模型,对半主动悬架和电动助力转向系统进行集成控制.运用二次反馈法和PID策略分别对悬架的可调阻尼和转向系统的助力进行控制.仿真结果表明,在集成控制情况下,车辆的操纵稳定性和平顺性均优于悬架或转向单独控制的效果.     

基于多体模型的汽车底盘分级式综合控制仿真研究

运用多体理论建立了电动助力转向系统和主动悬架系统的模型,以及整车动力学模型。根据车辆行驶过程中转向、悬架和制动系统之间的耦合关系,设计了中央控制器,对各子系统进行协调控制。针对EPS、ASS和ABS各子系统分别采用了PD控制、PID控制和滑模变结构控制,构成底层分级综合控制系统。仿真结果表明:将多体模型运用在汽车底盘集成控制研究中是方便可行的;采用分级式综合控制比单独控制,能更有效地改善整车的综合性能。     

自动驾驶车辆纵向速度控制策略及仿真

针对自动驾驶车辆纵向速度的跟踪控制问题,提出了基于模型预测控制和微分先行比例-积分-微分（PID）的双层闭环控制策略：基于模型预测控制原理设计速度上层控制策略,采用层次分析法确定目标函数中的权重系数,计算出适应行驶条件的期望加速度;通过车辆逆纵向动力学模型计算对应的驱动力和制动力,控制车辆速度,采用微分先行 PID 进行反馈调节。结果表明：在该策略下车辆加速或减速行驶时,车辆具有较好的跟踪控制性能。     

电液耦合转向系统转向盘转矩的自抗扰控制

为解决商用车电液耦合转向系统由于非线性、参数时变和外界干扰等因素造成的路感差的问题,提出了以理想转向盘转矩为目标的电液耦合转向系统自抗扰控制(ADRC)策略。在分析结构原理的基础上建立了系统的数学模型,针对商用车转向性能需求确定了基于车速和侧向加速度的驾驶员理想转向盘转矩,以此为目标采用自抗扰控制进行目标手力的跟踪。通过施加不同的干扰与PID控制对比仿真,结果表明设计的ADRC控制算法能很好地跟踪转向盘转矩,且具有更高的抗干扰能力,有效地提高了转向盘转矩闭环跟踪控制的鲁棒性。     

主动前轮转向的三自由度最优保性能控制

建立主动前轮转向三自由度车辆非线性模型,考虑轮胎侧偏刚度参数的不确定性,提出了最优保性能车辆稳定性控制方案,基于线性矩阵不等式等处理方法,导出二次最优保性能控制律。仿真结果表明,与传统前轮转向和比例微分控制相比,最优保性能控制方案保证了系统质心侧偏角基本保持为零、横摆角速度快速达到稳态值,可提高行驶安全性和操纵稳定性。     

基于粒子群优化神经网络PID控制的车道保持系统研究

提出一种基于粒子群优化神经网络PID的车道保持控制方法。首先搭建车路模型和EPS(Electric Power Steering,电动助力转向系统)模型;然后建立粒子群优化神经网络PID控制器,利用粒子群算法优化神经网络的初始权值和阈值,提高神经网络算法的收敛速度和精度,优化后的神经网络算法在线调整PID控制器的3个参数比例Kp、积分Ki、微分Kd,输出最优组合;最后,进行车道保持硬件在环试验,试验表明:相对于常规PID控制和神经网络PID控制,在粒子群优化神经网络控制下,车道保持系统的跟踪精度和稳定性都更高。