基于跟踪误差模型的智能车辆轨迹跟踪方法

为提高智能车辆轨迹跟踪精度,以车辆动力学模型为基础,提出一种基于线性时变模型预测控制的轨迹跟踪方法。该方法将车辆非线性动力学跟踪误差模型进行线性化和离散化处理,作为控制器的预测模型;建立系统控制增量的目标函数,设计状态量、控制量和控制增量约束条件,利用带约束的二次规划问题求解目标函数;将求得的最优序列的第一项控制量作用于系统。实验结果表明,在双移线工况下,当车速小于15 m/s时,横向最大误差小于0.52 m,航向最大误差小于0.067 rad。     

基于状态反馈和预瞄前馈的智能车半主动悬架控制

为提高智能车辆的半主动悬架综合控制性能，提出一种基于状态反馈和预瞄前馈的半主动悬架控制方法。首先，以8轮车为研究对象建立11自由度半主动悬架模型，设计LQR状态反馈控制器。然后，为解决状态反馈控制抗路面干扰能力弱和基于固定时序延迟的预瞄反馈控制适用性差的问题，提出一种基于状态反馈和预瞄前馈的控制器：建立车轮运动规划模型和路面预瞄模型，计算出悬架控制系统所需的车轮规划轨迹点序号和控制延迟响应时间；以路面激励和垂向加速度为输入、以前馈阻尼力为输出，设计基于类模糊的预瞄前馈控制器，并与LQR反馈控制器一并构成所提控制器。最后，基于MATLAB/Simulink和Trucksim联合仿真平台，进行匀速转向工况、变速直线工况、变速转向工况和匀速直线工况下的试验验证。结果表明，在垂向加速度、俯仰角加速度、侧倾角加速度均方根值方面，与被动悬架相比，所提控制方法在4种工况下至少降低了23.52%、13.59%、19.35%；与基于固定时序延迟的预瞄反馈控制相比，所提控制方法在前3种工况下至少降低了14.04%、8.09%、13.79%；与基于状态反馈的控制方法相比，所提控制方法在第4种工况下降低了13...     

基于反馈纯跟踪的智能车路径跟随方法

为提高智能车在不同速度和载荷下的路径跟随精度和稳定性，提出一种基于反馈纯跟踪的智能车路径跟随方法。首先，基于车辆运动学模型和纯跟踪模型分析影响控制效果的因素；然后根据车辆速度和路径曲率动态调整前视距离，将横向偏差作为反馈变量对传统纯跟踪控制方法进行补偿；接着通过仿真试验选定控制参数，分析控制参数对路径跟随精度和车辆稳定性的影响；最后通过实车试验，验证该方法在实车环境中的控制性能。结果表明，该方法具有较高的路径跟随精度，在不同速度和载荷下保持良好的适应性和稳定性。     

基于改进纯跟踪的智能车路径跟随方法

为提高智能车的路径跟随精度和行驶平稳性，提出一种基于改进纯跟踪的路径跟随方法。首先建立纯跟踪路径跟随模型，分析纯跟踪模型在初始偏差条件下的控制效果；然后将航向偏差作为反馈变量对纯跟踪方法进行补偿，并以横向偏差和航向偏差为输入、以补偿权重为输出，采用类模糊方法实现补偿权重的动态调节；最后通过实车试验选定控制参数，并验证所提方法的控制性能。结果表明，该方法在不同初始偏差和不同目标行驶速度下能够实现偏差的快速消除，并保证行驶平稳性，具有较好的路径跟随效果，运算耗时较少。     

基于多传感器信息融合的3维目标实时检测

针对基于多传感器信息融合的3维目标检测，提出了一种实时高精度的双阶段深度神经网络PointRGBNet。第1阶段，在区域提案网络中，首先将3维点云投影到2维图像上生成6维RGB点云，然后对输入的6维RGB点云进行特征提取，得到低维特征图与高维特征图，利用融合后的特征图生成大量置信度较高的提案；第2阶段，在目标检测网络中，利用第1阶段生成的提案进行RoI池化，得到特征图上与每个提案对应的特征集合，通过针对性地学习提案的特征集合，实现了更精准的3维目标检测。在KITTI数据集上的公开测试结果表明，PointRGBNet在检测精度上不仅优于仅使用2维图像或3维点云的目标检测网络，甚至优于某些先进的多传感器信息融合网络，而且整个网络的目标检测速度为12帧/s，满足实时性要求。