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...     

基于模型预测的主动前轮转向与直接横摆力偶矩协同控制研究

为提高中低附着系数路面下车辆的侧向稳定性，构建了基于模型预测控制（MPC）的主动前轮转向（AFS）及直接横摆力偶矩（DYC）协同控制器，其决策层基于MPC获取附加横摆力偶矩，执行层由AFS和DYC控制协同修正前轮转角或施加轮缸制动压力。在双移线（DLC）工况下仿真验证了该策略的有效性，结果表明：路面附着系数为0.25时，车身侧偏角和横摆角速度分别稳定于-3.5°～3.5°和-16～16 (°)/s内，纵向车速稳定于88 km/h左右；路面附着系数为0.40时，纵向车速、车身侧偏角与横摆角速度等稳定性指标均有明显改善。综合分析表明，该AFS-DYC协同控制策略可显著改善中低附着系数条件下的操纵稳定性。     

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。     

融合预瞄特性的智能电动汽车稳定性模型预测控制研究

提出了一种融合预瞄特性的智能电动汽车稳定性前馈+反馈控制方法。建立车辆预瞄模型，通过汽车在环境感知时的前视行为，引入道路曲率作为车辆动力学特性的影响因素。基于在前视信息指导下的车辆位姿变化，根据道路附着能力和车速指数模型描述期望纵向车速，建立轮胎侧偏刚度补偿的稳定性前馈控制方法。同时，采用模型预测控制（MPC）设计稳定性反馈控制律，根据车辆的预瞄信息自适应调整预测模型参数和预测时间，消除前馈控制误差及路面扰动等不确定性因素带来的影响。研究结果表明，本文提出的控制策略下汽车质心侧偏角、横摆角速度和侧向加速度小，且跟踪精度更高。仿真试验中，相比于无控制、MPC反馈控制与前馈+定参数MPC反馈控制，本文提出的控制策略在双移线工况1下质心侧偏角峰值分别减小了41.3%、28.9%和10.0%，横摆角速度峰值分别减小了18.0%、6.7%和2.0%，双移线工况2下质心侧偏角峰值分别减小了27.2%、8.7%和8.0%，横摆角速度峰值分别减小了16.9%、12.9%和8.6%；相比于MPC反馈控制与前馈+定参数MPC反馈控制，在蛇行工况1下，质心侧偏角峰值分别减小了49.8%与34.8%，横摆角速...     

基于非线性模型预测控制的智能车路径跟踪算法

为解决高速工况下低附着系数复杂路面上转向和行驶稳定性等难以控制的问题,建立了6自由度整车动力学模型,在传统模型预测控制理论基础上,设计了前轮主动转向控制器,并通过CarSim和MATLAB/Simulink进行联合仿真,在兼顾路径跟踪精度和行驶稳定性的前提下,对控制器参数进行优化,使车辆在中低速下路径跟踪达到最佳状态,在较高车速下加入侧偏角软约束,以保证跟踪精度和行驶稳定性。试验结果表明,提出的控制方法能保证车辆在冰雪路面高速行驶时具备一定的转向精度和行驶稳定性。     

基于强化学习的智能车辆路径跟踪变参数MPC多目标控制

为了解决智能车辆在工况变化时跟踪精度下降和稳定性变差的问题,提出基于强化学习的变参数模型预测控制(MPC)算法多目标控制策略,实现智能车辆路径跟踪控制系统的参数自适应整定。基于车辆动力学模型设计其线性时变MPC控制器,获得最优前轮转向角和附加横摆力矩。基于Actor-Critic强化学习架构,设计进行控制参数整定的深度确定性策略梯度(DDPG)智能体和双延迟深度确定性策略梯度(TD3)智能体,构造以跟踪精度和稳定性为目标的收益函数,并搭建对接工况和变曲率工况2种典型仿真场景进行算法性能验证,当车辆处于对接工况时,根据路面附着系数的变化及时调整控制器的预测时域和权重矩阵;当车辆处于变曲率工况下时,针对道路曲率变化及时调整控制器的预测时域和权重矩阵。通过MATLAB/SimuLink、CarSim和Python联合仿真分析,将强化学习方法参数整定MPC与固定参数MPC和模糊控制方法参数整定MPC进行对比,结果表明：强化学习方法更能够在保证车辆安全性的前提下,尽可能提高智能车辆在不同路面条件下的路径跟踪精度。在对接工况下,强化学习方法参数整定MPC相较于固定参数MPC和模糊控制方法参数整定M...     

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。     

路径跟踪控制算法仿真分析与试验验证

为探究车辆路径跟踪算法性能差异及适用性规律，分别构建基于预瞄的纯跟踪（PP）算法、前轮反馈控制算法和模型预测控制（MPC）算法的车辆模型，在圆环、蛇行和低、中、高速等工况下进行Simulink和CarSim联合仿真并分析横向控制效果。结果表明：PP算法预瞄距离越短，横向控制精度越高，但稳定性越弱，低速鲁棒性较好；前轮反馈控制算法在高速下具有更小的横向控制误差，且增益系数k影响控制精度；相较于前两者，MPC算法在不同速度下均具有良好的横向跟踪性能。最后，开展实车试验对比验证3种算法的跟踪性能，结果表明，在同一工况下，MPC算法具有更优的跟踪性能。     

基于模型预测控制的智能车辆路径跟踪控制器设计

为提高智能车辆路径跟踪的鲁棒性,基于模型预测控制原理提出了一种路径跟踪控制方法。该方法对车辆的3自由度非线性动力学模型进行线性化,得到线性时变模型和预测方程,并将包括控制量、控制增量等约束纳入二次规划的求解过程,同时考虑质心侧偏角、路面附着系数等影响操稳特性的约束条件。在Car Sim和MATLAB/Simulink平台上以不同车速进行了双移线工况下的联合仿真,结果显示,该控制器可较好地实现路径跟踪,并保持较好的稳定性。     

基于鲁棒反馈控制理论的路径跟踪控制器设计

为了提高智能车辆路径跟踪的精确性和鲁棒性，基于李雅普诺夫稳定性（Lyapunov Stability）理论设计了鲁棒反馈路径跟踪控制器，运用舒尔（Schur）补引理并求解线性矩阵不等式（LMI）得到控制系统的反馈矩阵。通过搭建CarSim/Simulink联合仿真平台将鲁棒反馈控制器与线性二次型调节器（LQR）进行对比分析，以不同的车速分别在不同附着系数的路面上进行仿真，验证所设计控制器的性能。仿真结果表明：在不同路面和车速工况下，相较于LQR控制器，基于李雅普诺夫稳定性理论的鲁棒反馈控制器具有更高的控制精度，同时具有更强的鲁棒性。     

基于MPC的独立驱动电动汽车稳定性集成控制

针对独立驱动电动汽车在高附着系数路面高速急转时易发生侧翻事故,在低附着系数路面急转易发生侧滑失稳事故,且单一控制器在不同附着系数路面适应性较差等问题,根据独立驱动电动汽车特点设计了基于分层式结构的稳定性集成控制器。建立了整车动力学模型,并进行了车辆状态参数估计;设计了稳定性集成控制器的控制策略,对车辆的侧倾、横向稳定性状态判定条件和协调策略的制定进行了研究,分别设计了侧倾稳定性控制器和横向稳定性控制器;设置了路面附着系数0.9到0.2的对接路面仿真工况,并在此工况下对所设计的控制器的控制性能进行了仿真测试。结果表明,所设计的稳定性集成控制器相比于单一控制器具有更好的适应性,可有效降低车辆高速行驶过程中的横向载荷转移系数、质心侧偏角等状态量,提高车辆行驶的稳定性和安全性。     

基于纵横向协同控制的路径跟踪策略研究

为了提高智能车的路径跟踪精度和行驶稳定性,针对智能车路径跟踪控制提出了一种考虑车辆纵横向协同的跟踪策略。从车辆整体系统出发,对纵向运动和横向运动进行解耦,采用分层控制的结构,上层控制器利用基于径向基函数（RBF）神经网络的自适应滑模变结构控制对车辆运动学耦合进行解耦,并用RBF神经网络对模型不确定性造成的系统扰动实时追踪;下层控制器以轮胎利用附着系数作为优化目标,将轮胎力约束在附着椭圆内。基于纵横向协同控制对纵横向轮胎力进行优化分配,从而提高极限工况下车辆路径跟踪的精确度和稳定性。     

基于Nash博弈的分布式驱动电动汽车横摆稳定性协调控制策略

为提高轮毂电机驱动电动汽车在高速、低附着等危险工况下的侧向稳定性,提出一种基于Nash博弈的协同控制策略,采用上下双层控制结构进行稳定性控制策略的设计。上层引入Nash博弈协调控制策略决策前轮转角和附加横摆力矩,跟踪期望横摆角速度和质心侧偏角;下层根据轴荷比例分配四个车轮的驱动力矩。并在CarSim/Simulink的联合仿真平台进行危险工况下双移线仿真试验,结果表明,相比于只进行主动前轮转向控制,在潮湿沥青路面以75km/h行驶时,采用基于Nash博弈的协调控制策略横摆角速度最大误差为2.25°,侧向速度最大误差为0.12 m/s,且保持良好的路径跟踪性能;通过适当协调主动前轮转向（AFS）和直接横摆力矩控制（DYC）的动作,文章所提出的控制策略可以有效地提高横向稳定性,保证车辆在危险行驶工况下正常行驶。     

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。     

基于相平面的分布式驱动电动汽车稳定性控制

为提高分布式驱动电动汽车的操纵稳定性,提出一种基于相平面法的行驶稳定性控制策略。首先,建立非线性车辆2自由度模型,获得不同路面附着系数下车辆质心侧偏角相平面稳定域边界模型。其次,基于质心侧偏角相平面设计分区域控制器,当车辆处于稳定域内时,采用模糊神经网络控制器来决策横摆力矩,使车辆跟随目标变量;当车辆处于稳定域外时,设计失稳度和模糊神经网络联合控制器决策总横摆力矩,使车辆恢复稳定。最后,基于Simulink和CarSim仿真平台在蛇行绕桩和双移线工况下对稳定性控制方法进行仿真,并进行实车测试验证,结果证明了本文中所提控制策略的可行性和有效性。     

考虑路面附着系数的行车风险场建模及避障控制研究

针对车辆在不同路面条件下的主动避障问题，提出一种考虑路面附着系数的行车风险场避障路径规划方法。首先，建立了包含道路边界风险场、目标引力场和障碍物风险场的行车风险场；基于容积卡尔曼滤波算法实时估算路面附着系数，并对考虑路面附着系数的行车风险场函数进行负梯度求导，得到风险值下降最快的避障路径；然后，采用5次多项式拟合优化得到满足车辆约束的避障参考路径；最后，采用模型预测控制算法跟踪避障路径。仿真结果表明：在相同车速下，路面附着系数越小，避障时的横向加速度越小，横向加速度的标准差越小，避障效果越平顺。     

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。     

重型半挂车ADAMS建模及极限工况仿真

在ADAMS/car下建立重型半挂车模型,并选取双移线这一典型工况.在不同附着系数路面上对极限工况下重型半挂车在不同车速时的侧翻,折叠和挂车摆振问题进行了稳定机理分析.结果表明,重型半挂车辆在附着系数较高的良好路面上容易发牛侧倾失稳,而在附着系数较低的湿滑路面上则更容易发生横摆和折叠失稳.提出了相应的改进措施.     

基于混杂理论的电磁与摩擦集成制动方法

鉴于传统电子液压制动系统连续制动易产生"热衰退"现象，结构缺陷导致的制动响应慢，制动系统与电控系统衔接差等缺点，提出了一种基于混杂自动机模型的电磁与摩擦集成制动方法。首先分析集成制动器制动时的工作特点以及不同情况下对应的工作模式（纯电磁制动、纯摩擦制动以及集成制动），并确定3种制动模式的切换条件，通过逻辑门限算法将其实现。根据制动时车辆既具有连续运动状态又有离散状态的混杂特性，使用MATLAB/Stateflow建立基于制动模式切换系统的推广自动机模型，并根据制动模式切换控制策略，对3种制动模式切换进行试验，验证制动模式切换控制策略的合理性。最后选取车辆制动初速度为28 m·s^-1的直线制动工况，分别在高附着系数（0.85）以及低附着系数（0.3）的路面条件下，通过试验平台对控制算法和制动系统性能进行试验验证。研究结果表明：所提出的汽车混杂理论模型以及优化方法在在低附着系数（0.3）路面条件下，集成制动方法较传统液压制动系统缩短5.12%的制动距离，缩短制动时间0.3 s；在高附着系数（0.85）路面条件下，集成制动方法较传统液压制动系统缩短5.66%的制动距离，缩短制动时间0.2 s，能有效提高制动效能。