基于单片机TC275的无人物流车控制器设计

基于英飞凌单片机TC275设计了无人物流车的控制器。TC275通过解析惯性导航仪得到自车信息,并且接收来自计算平台NVIDIA JetsonTX2的路径规划决策信息。在应用层建立了基于模型预测控制算法的路径跟踪模型并生成代码,在底层设计了串口驱动、GTM驱动、ADC驱动以及CAN通信,控制无人物流车的驱动电机和转向舵机,并将应用层与底层代码集成,下载到整车控制器硬件中,实现无人物流车的路径跟踪功能。实验结果表明,基于TC275设计的控制器满足车辆的基本行驶功能。     

基于差动制动的单拖挂汽车列车道路跟踪控制

对汽车列车的运动特点进行了研究,建立了考虑铰接角的单拖挂汽车列车驾驶员模型;对挂车制动时车辆运动状态的变化进行了分析,设计了基于差动控制的道路跟踪控制器,建立了基于Simulink和Trucksim的联合仿真模型,验证了双移线工况下模型的路径跟随性和行驶稳定性。结果表明:基于差动制动的单拖挂汽车列车道路跟踪控制器,与单点最优预瞄驾驶员模型控制器和考虑铰接角的驾驶员模型控制器相比,转向过程更加平稳,提高了路径跟踪能力,降低了侧向加速度峰值,提高了行驶稳定性。     

基于模糊控制的智能车辆自主行驶方法研究

车辆无人驾驶是智能交通系统的一个重要部分,其目标是开发在高速公路和城市道路环境下的辅助驾驶系统,旨在帮助乃至取代驾驶员,实现车辆自动控制和自动驾驶,减少交通事故发生,提高道路交通系统的效率,因此提出了一种基于机器视觉和模糊控制实现智能车辆自主行驶的方法. 该方法以CMOS摄像头为路径识别传感器,通过图像分析提取车道中心线,并引入速度反馈,形成闭环控制,建立一个由两个模糊控制器组成的分级模糊控制器控制车辆转向,并使用模糊控制代替传统的PID速度控制来控制速度. 和常规的PID算法及模糊控制算法相比,改进的模糊控制算法使智能车在道路上更快速、平稳地运行,并且在转弯处的超调更小.     

Intelligent Vehicle's Path Tracking Based on Fuzzy Control

Autopilot vehicle is an important part of intelligent transportation systems. The objective is to develop the driver assistance systems on highway and urban road, to help or even to replace the driver, which may reduce traffic accidents and improve the efficiency of traffic system. A method based on machine vision and fuzzy control is proposed to realize intelligent vehicles' autopilot. It uses the CMOS sensor as its path recognition device to draw its lane centerline through image analysis. Taking the feedback speed as the additional input, the study forms the closed-loop control and establishes one graduation fuzzy controller which controls vehicle direction with two fuzzy controller combinations and replaces traditional PID control vehicle speed by fuzzy control. Compare with the conventional PID algorithm and the fuzzy control algorithm, the improved fuzzy control algorithm ensures a high speed and steady running of intelligent vehicle with smaller over modulation in corner.     

����ģ�����Ƶ����ܳ���������ʻ�����о�

车辆无人驾驶是智能交通系统的一个重要部分,其目标是开发在高速公路和城市道路环境下的辅助驾驶系统,旨在帮助乃至取代驾驶员,实现车辆自动控制和自动驾驶,减少交通事故发生,提高道路交通系统的效率,因此提出了一种基于机器视觉和模糊控制实现智能车辆自主行驶的方法. 该方法以CMOS摄像头为路径识别传感器,通过图像分析提取车道中心线,并引入速度反馈,形成闭环控制,建立一个由两个模糊控制器组成的分级模糊控制器控制车辆转向,并使用模糊控制代替传统的PID速度控制来控制速度. 和常规的PID算法及模糊控制算法相比,改进的模糊控制算法使智能车在道路上更快速、平稳地运行,并且在转弯处的超调更小.     

四轮独立转向车辆稳定性的模糊最优控制方法

为改善四轮独立转向（4WIS）车辆的操纵稳定性,在设计了4WIS模型跟踪最优控制器的基础上,对最优控制参数对控制性能的影响以及4WIS车辆转向动力学特性进行了分析,提出了一种基于车辆转向状态的最优控制器参数调整策略,并设计了模糊逻辑控制参数调节器,实现最优控制器参数的自适应调整.结合4WIS车辆的八自由度动力学模型对提出的模糊最优控制系统进行仿真实验分析,结果表明:设计的4WIS模糊最优控制系统能够极大地改善车辆的稳定性与安全性;在高速低附着系数的极限工况下,该系统仍然够能保证车辆的理想转向状态.该系统对于强侧向风一类的侧向干扰具有很强的抑制能力;风速90 km/h的强侧风且无驾驶员干预情况下,车辆在320 m行驶距离内,侧向偏移量仅为0.78 m.      

基于联合仿真的四轮转向汽车控制策略研究

基于四轮转向技术和模糊控制理论,提出一种新的四轮转向汽车后轮转角控制策略,即比例前馈加模糊反馈。在ADAMS/car模块中建立四轮转向整车多体动力学模型,并基于Matlab/Simulink依据控制策略设计了四轮转向汽车控制系统,由ADAMS与Matlab的数据接口实现了控制系统与整车动力学模型联合,对四轮转向汽车进行典型行驶工况的联合仿真试验。仿真结果表明:所设计的后轮转角控制器能使车辆很好地跟随理想转向模型,提高了车辆的操纵稳定性。     

基于运动学和动力学模型的无人驾驶路径跟踪控制器设计

设计了一种应用于无人驾驶控制的基于车辆运动学和动力学模型的路径跟踪控制器,包括运动学和动力学模型、路径跟踪控制模型、地图匹配模型和执行命令融合模型,使用实时车辆姿态信息进行转向角度预测,使用实时车辆定位信息进行反馈控制以消除系统干扰和模型误差。系统硬件包括车辆平台、嵌入式Mbed开发平台、Ubuntu系统运行平台和惯性导航系统,软件框架使用robotic operation system(ROS),使用rosserial服务连接嵌入式Mbed开发板与ROS。实车测试表明控制器系统达到设计目的。     

Hierarchical control strategy of trajectory tracking for intelligent vehicle

In order to track the desired trajectory for intelligent vehicle, a new hierarchical control strategy is presented. The control structure consists of two layers. The high-level controller adopts the model predictive control (MPC) to calculate the steering angle tracking the desired yaw angle and the lateral position. The low-level controller is designed as a gain-scheduling controller based on linear matrix inequalities. The desired longitudinal velocity and the yaw rate are tracked by the adjustment of each wheel torque. The simulation results via the high-fidelity vehicle dynamics simulation software veDYNA show that the proposed strategy has a good tracking performance and can guarantee the yaw stability of intelligent vehicle.     

基于模型预测控制的智能车横纵向控制器设计

针对智能车横纵向控制中路径跟踪精度、行驶稳定性以及乘坐舒适性等问题,提出了基于模型预测控制(MPC)的横纵向综合控制方法。速度规则系统根据参考路径曲率与车辆跟踪位移误差计算出期望速度曲线,速度跟踪控制采用分层式控制器,上层控制器利用MPC算法计算期望加速度,下层控制器利用车辆逆纵向动力学模型对车辆的驱动和制动进行协调控制。横向控制器根据参考路径、车辆反馈状态以及纵向上层控制器的期望速度计算车辆前轮转角。最后通过实验对比本算法与恒速MPC横向控制算法的轨迹误差,结果表明:本算法控制的车辆横向位移均方根误差减小了0.051 m,有效提高了车辆轨迹跟踪的控制精度。     

基于串级控制的四轮转向车辆稳定车道线保持

针对四轮前后轮转向车辆的稳定车道线保持,提出集成直接横摆力矩和车道 线保持的串级控制策略.主控制器实现车道线保持控制;副控制器实现车辆稳定性控制. 主控制器的前轮转角作为副控制器的参考输入,计算期望滑移角和期望横摆率.后轮转角 和横摆力矩作为副控制器控制输入,基于LQ算法计算补偿后轮转角和横摆力矩,实际滑 移角和实际横摆率跟踪期望滑移角和期望横摆率.在副控制器车辆稳定性控制基础上,主 控制器实现准确地车道线保持控制,保证车辆在车道内安全行驶.实验结果表明,实现准 确车道线保持,并保证车辆的稳定性和操纵性.     

融合稳定性的高速无人驾驶车辆纵横向协调控制方法

提出了一种纵横向协调控制的路径跟踪控制方法; 建立了车辆预瞄误差模型和考虑路面地形的高速车辆等效动力学模型, 以此引入道路曲率地形因素; 基于模糊规则设计了预瞄距离发生器, 解决预瞄误差模型中固定预瞄距离的问题; 建立了预测时域与道路曲率的函数关系, 运用模型预测控制算法求解前轮转角, 从而建立路径跟踪控制器; 运用指数模型表示车辆期望车速, 设计了比例积分微分纵向控制器控制车速以改善路径跟踪精度; 运用质心侧偏角相平面图表征车辆稳定性特征, 设计比例积分微分稳定性控制器以改善车辆稳定性。研究结果表明: 提出的控制方法能在不同附着系数路面上对车辆跟踪性能进行优化, 在干燥沥青路面以车速90 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少33%;在潮湿沥青路面以车速70 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少30%;在冰雪路面以车速55 km·h-1行驶时, 与只运用模型预测控制算法进行路径跟踪控制的车辆相比, 最大横向误差可减少16%。可见, 所提出的控制方法能有效改善路径跟踪精度。      

LQR-GA Controller for Articulated Dump Truck Path Tracking System

This paper designs a novel controller to improve the path-tracking performance of articulated dump truck(ADT). By combining linear quadratic regulator(LQR) with genetic algorithm(GA), the designed controller is used to control linear and angular velocities on the midpoint of the front frame. The novel controller based on the error dynamics model is eventually realized to track the path high-precisely with constant speed. The results of simulation and experiment show that the LQR-GA controller has a better tracking performance than the existing methods under a low speed of 3 m/s. In this paper, kinematics model and simulation control models based on co-simulation of ADAMS and Matlab/Simulink are established to verify the proposed strategy. In addition, a real vehicle experiment is designed to further more correctness of the conclusion. With the proposed controller and considering the steering model in the simulation, the control performance is improved and matches the actual situation better. The research results contribute to the development of automation of ADT.     

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

横向运动学综合反馈EPS模糊滑模控制

针对电控助力转向EPS电机电流的跟随性以及震颤问题,建立汽车转向系模型,提出模糊滑模结构控制算法。考虑到横向运动学信息对驾驶员操纵特性的影响,运用反馈和模糊滑模控制思想,设计了权系数模糊,自动调整横向运动学综合反馈的EPS模糊滑模控制器。仿真结果显示：横向运动学综合反馈模糊滑模控制的EPS电机电流具有良好的跟随性、快速性,且电流的震颤现象基本消失,系统具有良好的鲁棒特性,同时汽车的横摆角速度以及侧偏角的峰值明显下降,提高了汽车的操纵稳定性。     

预瞄跟随理论和驾驶员模型在汽车智能驾驶研究中的应用

根据预瞄跟随理论及驾驶员的开车行为特性 ,指出汽车智能驾驶与驾驶员操纵行为的内在一致性——汽车智能驾驶系统的控制特性与熟练驾驶员的驾驶行为特性基本一致。结合驾驶员操纵行为模式将汽车智能驾驶系统划分为信息感知、轨迹决策和操纵控制三个部分 ,并一一加以具体分析 ,利用系统模糊决策理论对几种汽车行驶的典型工况进行了智能车辆方向控制仿真计算。理论分析和仿真结果表明预瞄跟随理论为智能车辆的研究提供了一个可行的研究途径 ,按照该理论建立的驾驶员方向控制模型可以直接应用于智能车辆控制算法的研究开发     

车辆自适应巡航控制算法的设计与仿真

为实现智能车辆的自适应巡航功能,基于车速跟踪及PID控制理论设计了具有上下两层结构的自适应巡航控制系统.下层控制器根据上层控制器计算出的期望车速对节气门开度和制动力矩进行协调控制.在保证控制精度的前提下简化了算法.多种工况下的仿真实验表明控制器的控制效果良好.     

基于自适应模型预测控制的智能车轨迹跟踪

针对传统模型预测算法在智能车辆轨迹跟踪的局限性,引入随道路曲率变化的速度自适应调节算法,设计轨迹跟踪控制器。设计目标函数及添加约束条件,通过Matlab/Simulink软件,在不同车速下与传统算法进行比较,仿真结果表明:不同的纵向车速对传统算法的轨迹跟踪有一定的影响,而对改进后的算法影响较小。尤其当车速较高时,改进后的算法轨迹误差更小,能保证车辆安全、稳定地行驶。     

主动前轮转向的操纵稳定性研究

汽车的主动前轮转向作为汽车主动控制的一个重要组成部分,可以改善车辆的操纵稳定性;横摆角速度与质心侧偏角作为表征车辆操纵稳定性的2个主要指标,可以作为车辆处于稳定状态的参考。基于模型预测控制方法,在汽车线性二自由度模型的基础上,使用相同工况下理想的横摆角速度与质心侧偏角作为参考,设计了模型预测控制器,将二自由度汽车模型与CarSim整车模型进行了联合仿真。结果表明:模型预测控制方法相对PID控制方法更能有效地提高汽车的主动安全性。     

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。