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。     

单轨车辆驾驶员单点预瞄模型的参数优化

使用ADAMS软件建立摩托车的模型,并利用MATLAB软件建立驾驶员模型,构成驾驶员-车辆模型。采用MATLAB和ADAMS协同仿真,得出单移线和双移线工况实际行驶轨迹和手把力矩、侧倾力矩、转向角、侧倾角、横向加速度等。建立了摩托车移线工况的性能综合评价指标,并用此指标对摩托车在不同运动状况下的性能进行评价。以驾驶员模型反馈系数为设计变量,采用正交设计方法优选出一组参数。     

面向混合自动驾驶车流的协同自适应巡航控制EI北大核心CSCD

车联网V2V环境下能实时获取自车和周围车辆的运动状态、驾驶工况和道路环境,为汽车自适应巡航控制系统提供更准确的信息。为消除自动驾驶汽车(AV)和人工驾驶汽车(MV)混合行驶工况下的车头时距干扰对汽车纵向巡航控制的影响,提出了一种基于车联网V2V的协同自适应控制方法。通过车联网V2V实时采集车辆跟驰过程中车辆基本安全信息(basic safety message,BSM),进而获得车辆相对运动状态和驾驶行为序列;应用线性最优二次型方法建立驾驶操纵序贯链优化目标函数,再对扰动作用下的汽车运动状态改变量进行短时预测;在此基础上,以混合车流车头时距的最优均衡状态为目标,构建了车辆跟驰间距的滚动优化模型和协同自适应控制方法。实验结果表明,在头车加/减速行驶工况下,改进后的车辆控制器能更快响应前车运动状态的变化量,并在保证车辆安全跟驰间距的情况下,降低了车头时距,提高了道路通行能力。     

基于模糊神经理论的驾驶员控制模型的研究

把横向预瞄偏差作为模糊神经驾驶员控制模型的输入变量之一，解决了由于输入变量较多，神经网络节点数巨大的问题，从而设计并实现了模糊神经驾驶员控制模型网络拓扑结构，并用BP网络实现了控制规则的模糊映射。仿真的结果表明：所建立的模糊神经驾驶员模型是正确和可行的。这种模型的核心思想是利用神经网络对汽车驾驶员驾驶知识的表达机理，通过学习训练来实现控制规则的记忆，在一定程度体现了驾驶员的智能行为。     

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。     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

基于底盘集成控制的人-车闭环系统对提高车辆操纵稳定性和路径跟踪能力的效果研究

基于线性矩阵不等式方法,设计了一种集成后轮主动转向、纵向驱动力补偿和直接横摆力矩控制的底盘集成控制系统,叫底盘鲁棒模型匹配集成控制器(R-MMC).为全面验证底盘集成控制器对车辆操纵性能的提高,建立了基于参考向量场的驾驶员模型,并用它和R-MMC组成一个包含内、外两个环路的人-车闭环控制系统.通过驾驶员模型不参与控制下的非稳态侧风干扰试验和驾驶员模型参与控制的人-车闭环系统S弯道跟踪试验,验证了R-MMC不但能显著提高车辆的操纵稳定性和主动安全性,而且还可增强车辆的路径跟踪能力,降低驾驶员的劳动强度.     

基于驾驶员行为特性的自适应巡航控制的研究

为了获取驾驶员跟车行为特性并以此为基础设计自适应巡航控制系统,建立驾驶员控制增益随车速变化的动态跟车模型。引入驾驶员追踪误差敏感度,定量分析控制增益与车速的动态变化关系。为了准确描述驾驶员行为特性,定义速度误差敏感系数SVE(Sensitivity to Velocity Error)和距离误差敏感系数SDE(Sensitivity to Distance Error),基于非线性优化算法求解模型参数。最后通过Matlab搭建自适应巡航系统,进行仿真试验,并与驾驶员试验结果对比,验证控制算法。     

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ANFIS的工况跟踪用纵向驾驶员模型开发

针对基于PI控制纵向驾驶员模型的工况跟踪效果不佳等问题,采集了某PHEV试验样车的纵向驾驶行为数据,采用ANFIS建立了二输入参数的纵向驾驶员模型和考虑未来预期车速影响的预瞄纵向驾驶员模型。仿真结果表明,基于ANFIS的预瞄纵向驾驶员模型具有最好的工况跟踪效果,均方根误差为0.993 0 km/h,且其决策出的加速踏板行程、挡位和需求转矩与实车试验结果最为接近。     

基于驾驶员行为模拟的ACC控制算法

基于驾驶员最优预瞄加速度模型建立了一种适用于多种典型行驶工况的ACC控制算法。该算法采用基于多目标模糊决策方法的驾驶安全性、工效性、轻便性与合法性评价指标以及基于预瞄跟随理论的微分校正函数，描述了ACC控制系统对自由工况、跟随工况和切入工况等不同行驶条件及汽车动力学系统强非线性特性的考虑。     

面向全矢量线控车辆极限运动的分层式协同控制

装配四轮分布式驱动-转向（4WID-4WIS）底盘的全矢量线控车辆具备多可控自由度、高速稳定性强的特点,是极限工况稳定裕度和安全性较高的理想车型。为了解决全矢量线控车辆在极限工况下纵横向控制冲突危害行车安全的问题,提出一种基于模型预测控制 （MPC） 的分层式车辆纵向和横向运动协同控制方法。建立基于单轨模型的期望运动状态识别方法,设计模型预测控制器转换动力学目标,采用泰勒展开和前向欧拉方法对预测模型进行线性离散化处理;设计基于负荷率的轮胎力优化分配方法,利用反正切轮胎逆模型求解控制执行量。仿真结果表明,协同控制方法能显著提高车辆在不同路面下的极限运动稳定性,更精准地跟踪期望运动状态,扩大稳定裕度,保障行车安全。     

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。     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题，设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型，以横向位置偏差最小为主要控制目标，考虑车辆状态约束、控制约束和轮胎侧偏角约束，优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型，并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析，结果表明，所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题，且在安全性、转向稳定性和操作可行性方面具有显著的优势。     

基于自适应控制系统的智能车横向轨迹跟踪控制

智能车辆轨迹跟踪控制的研究中,由于不同工况下控制算法的适应性不强,存在着较大的跟踪误差。为提高智能车辆行驶的自适性、跟踪精度与鲁棒性,提出了一种基于模型参考自适应控制系统（MRAC）的自适应PID控制方法。利用车辆模型与参考模型输出误差自适应PID控制器的3个参数,从而得到一种基于MRAC的自适应PID控制方法。MATLAB仿真对比结果表明,2种工况基于MRAC的自适应PID最大侧向跟踪误差分别为0.036 m和0.076 m,相比传统PID控制模型,该控制模型的控制精度分别提升52.10%、11.76%,表现出更好的横向轨迹跟踪性能。     

基于神经工效学的智能车辆横向控制模型研究

现有的驾驶人模型,在揭示驾驶人的驾驶机理上,或单独从驾驶人认知角度出发,或单独从控制角度出发,缺乏一个将驾驶人的认知过程和控制原理有机地结合起来的系统模型。鉴于此,本文中在神经工效学认知体系架构的基础上融合了模型预测控制算法(MPC)以及手臂肌肉模型,建立了一种基于神经工效学的车辆横向控制模型。模型采用了CarSim/Simulink联合仿真和基于dSPACE/驾驶模拟器硬件在环的方法进行验证。结果表明:基于神经工效学的车辆横向控制模型的轨迹跟踪精度优于MPC算法。同时,在控制转向盘转角、横摆角和横向加速度波动幅度等方面也较MPC算法有一定的提升。     

驾驶员方向控制模型及在汽车智能驾驶研究中的应用

分析了驾驶员开车行为特性，利用模糊决策理论介绍了汽车预期行驶轨迹驾驶员模糊决策模型，并结合驾驶员预瞄最优曲率模型建立了一个新的驾驶员方向控制模型，同时也论述了该驾驶员方向控制模型在汽车智能驾驶研究中的应用。仿真结果表明所提出的模型可以描述驾驶员对汽车行驶方向的控制行为，并为汽车智能驾驶的研究提供了一条可行途径。     

基于生理信号的多任务下驾驶员认知负荷的评定

为探索驾驶员精神状态与生理信号之间的关系,建立基于生理信号的认知负荷评价方法,在驾驶模拟器中设置了驾驶任务和语音交互任务这一典型的双任务模拟驾驶工况,记录实验过程中驾驶员的主观评分及心电、皮电和呼吸等生理信号,并运用统计方法分析生理参数在整个实验过程中的动态变化规律。结果表明,相对于单一驾驶任务,双任务工况下驾驶员感受的主观压力随着任务难度的增加而上升;心率变异性功率谱密度、皮电水平和呼吸频率等生理指标与驾驶员的认知状态具有较强的关联性,因而可以有效区分不同认知负荷的两种状态。