重型卡车ADAS系统应用

随着汽车智能化的迅速发展,ADAS系统(高级驾驶辅助系统)逐步开始在重卡车型上应用,目前可实现的功能包括:车道偏离预警(LDW)、碰撞预警(FCW)、自动紧急制动(AEB)、自适应巡航(ACC)等。1ADAS系统组成ADAS系统由传感器(输入信号)、控制器、执行器(输出信号)3部分组成。传感器包括前置单目摄像头、毫米波雷达;执行系统为发动机和EBS电子制动系统。ADAS系统组成如图1所示。     

汽车自适应巡航的间距算法和控制策略

基于汽车行驶模型和制动模型,建立汽车自适应巡航系统的间距算法常微分方程组,且给出通用数值解计算方法。基于此间距算法,设计汽车自适应巡航控制的控制策略,将前后两车间距进行区域划分,并设计各区域内驱动与制动控制策略。汽车自适应巡航系统能够基于间距算法的数值解,输出相应驱动或制动数值指令。     

2014年汽车ADAS技术的最新进展

<正>由于各国汽车安全标准的不断提高,导致主动安全技术先进驾驶辅助系统(ADAS)近年来呈快速发展趋势。据PRWeb公司2013年11月预测,全球ADAS市场在2012~2016年期间将保持22.59%的复合增长率。目前ADAS中应用最广的三大技术是自适应巡航控制、车道偏离预警和侧面物体探测,预计到2015年,由这3种技术组成的ADAS系统的市场价值将达到62.1亿美元。ADAS这种最初只应用于奔     

Modeling and Co-simulation of Adaptive Cruise Control System

采用Carsim与Simulink建立了一种车辆纵向动力学模型;然后基于最优控制和PID控制,设计了具有上、下两层结构的自适应巡航控制系统;最后对典型的自适应巡航工况进行联合仿真.结果表明,所设计的自适应巡航控制系统能使自车在保持一定车距的前提下较好地跟踪前车速度变化,并对前车的紧急制动有较好的响应.     

应用于车辆纵向控制的无模型自适应滑模预测控制方法

鉴于汽车纵向动力学系统为典型的参数时变不定、多扰动的非线性离散系统,基于精确数学模型的控制算法较难取得理想效果,本文中采用无需模型、基于输入/输出数据的控制算法.首先,基于紧格式动态线性化数据模型,将无模型自适应控制(MFAC)算法、滑模控制(SMC)算法和模型预测控制(MPC)算法相结合,设计了无模型自适应控制器.接...     

四轮独立驱动电动车自适应巡航滑模控制

为实现四轮独立驱动电动汽车的自适应巡航功能,采用基于趋近律的滑模控制理论设计了自适应巡航控制系统.上位控制器以实际车距与期望车距的偏差作为输入,采用滑模控制律获得主车期望加速度,然后将期望加速度作为下位控制器的输入,计算出电机期望转矩,用于实现自适应巡航控制.在CarSim中建立电动汽车整车模型,并与Simulink进...     

客车用定速巡航系统

汽车巡航控制系统具有高度非线性、时变不确定性及存在噪声和负载扰动等因素的影响,因此探索采用模糊自适应PID（比例、积分、微分）控制器来解决这些问题。     

工程车辆液压行走驱动系统模糊自适应PID控制策略研究

在现有工程机械PID控制器的基础上,利用模糊推理实现了对PID参数在线自整定模糊自适应控制,并且在MATLAB软件下将该控制器在车辆液压底盘试验台系统中的应用进行了研究,仿真结果表明,参数自适应模糊PID控制能使系统达到满意的控制效果.     

基于单神经元的汽车方向自适应PID控制

针对汽车方向动力学控制存在的非线性和参数时变不确定性问题，提出了一种新的基于单神经元的汽车方向自适应PID控制算法。该算法利用了神经网络的自学习和自适应能力，实现了方向PID控制器的参数在线自整定，从而避免了传统的自适应PID控制必须在线辨识被控系统的参考模型参数而带来的计算工作量大的问题。仿真计算和场地试验验证表明该控制算法可有效地控制汽车按照预期给定的轨迹行驶，且保证了汽车方向闭环控制系统具有较强的适应性和鲁棒性。     

汽车动力学稳定性自适应控制研究

在车辆二自由度分析模型的基础上，设计了基于单神经元控制器的自适应控制系统，对控制性能进行了仿真，并与常规PID控制作了对比分析，结果表明，自适应控制有利于改善系统的控制性能。     

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ADAS实验平台自适应巡航控制系统的研究

自适应巡航控制系统(Adaptive Cruise Control System,ACC)是高级辅助驾驶系统(Advanced Driver Assistance System,ADAS)中的重要组成部分,可在很大一定程度上减少驾驶员在驾驶车辆途中交通事故的发生率,减少人员伤亡和不必要的财产损失。文章进行在ADAS实验平台下ACC系统的应用,实现MATLAB/Simulink和CarSim软件的联合仿真。     

基于多模式切换的智能汽车自适应巡航控制研究

针对前车运动状态和驾驶意图的不可预知性导致传统自适应巡航控制(ACC)系统应用受限的问题,设计了一种多模式切换的自适应巡航控制方法。根据自车与前车的运动学关系划分行驶模式,采用紧急系数表征各行驶模式下的危险程度;设计模糊控制器调节模型预测控制(MPC)中目标函数的权重值,以满足不同工况下跟车性和舒适性的需求差异,实现不同控制模式间的切换。仿真结果表明,多模式切换控制方法有效提高了车辆跟车性和舒适性,在各种工况下取得了优良的控制效果。     

基于实时小波去噪方法的EPS电流跟踪控制

为实现对电动助力转向系统(EPS)助力电机电流的准确跟踪控制,以纯电动大客车EPS为研究对象,结合模糊自适应整定PID和实时小波去噪方法,设计了基于实时小波去噪算法的新型模糊自适应整定PID助力电机电流跟踪控制器.仿真试验表明:这种新型控制器能够实现助力电机输出电流对目标电流的准确跟踪,提高了系统的抗干扰能力和鲁棒性;同时有效地抑制电流信号中的噪声,能减小直流电机的转矩波动和转向盘抖动,改善驾驶员手感.     

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。     

丰田汽车巡航控制过程与故障诊断

丰田系列汽车巡航控制系统由传感器、控制开关、巡航控制电子控制器(CCSECU)和电力驱动式执行机构等组成。本文主要分析该系列汽车巡航控制系统的控制过程与故障诊断方法,并给出故障代码表。     

基于预测恒定车头时距策略的自适应巡航控制研究

为了进一步提高车辆跟车过程中的跟踪性、安全性、舒适性和燃油经济性，针对已有间距策略表现过于保守或反应过于激烈等不足之处，提出了一种预测恒定车头时距策略。该策略考虑了相对加速度，建立了一种预测型期望车间距模型，进而应用于模型预测控制的多目标自适应巡航控制系统中，能进一步提高模型预测控制对多个控制目标的综合协调能力。搭建上层控制器、下层PID控制器、油门制动切换、逆纵向动力学模型。在多工况下仿真，通过建立性能评判指标对多目标进行量化分析。结果表明，所提出的间距策略在保证安全性的前提下，提升了自适应巡航控制系统的综合性能。在不同驾驶风格的车头时距下，跟踪性、舒适性和燃油经济性均有良好表现。     

车辆自适应巡航控制系统的模糊PID实现

建立了适合于车辆自适应巡航控制系统精确的车辆纵向动力学模型,简化了自动变速器模型,采用混合模糊PID控制算法实现了车辆自适应巡航系统"定速"和"跟驰"两个控制目标.仿真结果表明,该控制算法具有响应速度快、超调量小、能够消除系统偏差等优点.     

基于神经网络的柴油机轨压模型补偿容错控制研究

电控柴油机高压共轨燃油喷射系统具有很强的非线性、时变性和扰动性,传统的控制方式难以精确控制系统的轨压。基于BP神经网络辨识得到了非线性柴油机燃油喷射系统模型,提出了一种模型补偿容错控制方法。该方法在PID参数模糊自整定控制的基础上,通过加入一个基于梯度下降算法的误差补偿控制器修正输出偏差,实现了对柴油机燃油喷射系统时变性和扰动性的控制。仿真结果证明了该方法的有效性,与传统PID控制和模糊PID控制相比具有更好的鲁棒性和抗扰动性。     

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。