液压机械无级变速器速比自抗扰控制研究

本文中设计了一种单行星排液压机械无级变速器,并为提高其速比跟踪控制性能,提出一种带前馈的自抗扰控制算法,以实现速比的跟踪控制.首先建立系统数学模型,通过传动系统转速关系的理论分析,得到前馈控制量,进一步采用自抗扰控制器对速比进行闭环控制.接着建立系统仿真平台和原型样车,通过仿真和试验对设计的带前馈自抗扰速比控制器进行验...     

模糊滑模变结构控制在DCT电控离合器上的应用

针对电控离合器系统的强非线性、难以建立精确的数学模型等特点,设计了滑模变结构控制器。利用模糊控制器来调整滑模趋近律参数,从而削弱了滑模控制的抖振现象。建立了无刷直流电机的数学模型,用该控制方法在MATLAB软件里对双离合器自动变速器起步、换挡进行仿真,并与传统PID控制器进行比较。仿真结果表明,该控制器跟踪指令信号性能良好,抗干扰性能强于PID控制器。     

智能车辆系统辨识与控制算法研究

采用逆M序列作为系统的输入信号,通过最小二乘算法得到车辆转向系统、驱动系统的传递函数,结合车辆预瞄运动学模型和车辆二自由度转向动力学模型,建立车辆转向控制与位置误差数学模型.根据现代控制理论设计最优导航控制器稳定跟踪目标路径,基于Backstepping函数控制算法,选取Lyapunov函数设计智能车辆换道及超车轨迹跟踪控制器.仿真分析和试验结果表明:所设计的控制器在智能车辆户外自主导航中具有良好的跟踪性能.     

增强电动转向系统助力跟踪性能的H∞控制

建立了电动转向系统数学模型，将H∞控制理论应用于电动转向系统跟踪性能的研究，采用线性矩阵不等式处理方法设计了最优H∞控制器，应用Matlab软件进行了计算机仿真，仿真和台架试验结果表明，所设计的电动转向控制系统具有良好的助力跟踪性能。     

四轮独立转向电动汽车转向控制方法

本文中对四轮独立转向电动汽车的转向控制方法进行研究。首先,基于前轮转向车辆的理想横摆角速度模型,建立四轮独立转向2自由度动力学模型。接着,以四轮侧偏角之和绝对值最小化作为优化目标函数,以质心侧偏角为零和理想横摆角速度作为约束条件,采用线型优化算法求解系统前馈控制器。再以轮胎侧偏角和横摆转矩为输入建立线性控制模型,运用最优区域极点配置方法设计反馈控制器。最后,建立人-车-路闭环仿真系统,分别进行双移线道路仿真实验和对开路面上的行驶仿真实验。结果表明,控制器能根据路面附着情况分配各轮转角,保证车辆跟踪理想状态。实车双移线实验进一步验证了控制器对车辆理想状态良好的跟踪精度。     

基于滑模理论的半主动悬架控制

建立了4自由度的1/2车辆悬架模型.采用极点配置法进行切换超平面的设计,基于滑模理论并应用自由递阶法进行多变量变结构滑模控制器的设计,并用光滑函数消减系统抖振.研究了系统在随机激励条件下的车身垂向加速度与俯仰角加速度、前后悬架动行程和前后轮胎动位移等性能的控制效果,并对其进行了功率谱密度的仿真分析.仿真结果表明:该滑模控制器性能稳定,控制后悬架各性能参数在时域和频域中均得到明显改善,证明了所设计的多输入滑模控制器的有效性.     

纯电动汽车制动避撞系统的建模与分析EI北大核心CSCD

针对纯电动汽车制动避撞系统,提出了基于反馈线性化的跟车距离、速度跟踪误差的滑模控制方法;考虑了模型非线性、系统参数不确定性和外部干扰的因素,建立车辆纵向动力学模型;采用指数趋近律的控制方法,设计了一种双输入双输出的汽车避撞系统控制器;并进行了跟车场景下制动避撞控制器的仿真。结果表明:该控制器避撞控制效果明显,在保证汽车行驶的舒适性的同时,跟车过程的跟踪误差小。     

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。     

纯电动汽车制动避撞系统的建模与分析

针对纯电动汽车制动避撞系统,提出了基于反馈线性化的跟车距离、速度跟踪误差的滑模控制方法;考虑了模型非线性、系统参数不确定性和外部干扰的因素,建立车辆纵向动力学模型;采用指数趋近律的控制方法,设计了一种双输入双输出的汽车避撞系统控制器;并进行了跟车场景下制动避撞控制器的仿真。结果表明:该控制器避撞控制效果明显,在保证汽车行驶的舒适性的同时,跟车过程的跟踪误差小。     

智能无人车纵向运动控制方法研究

为解决智能无人车对期望车速的跟踪问题,本文针对无人车的纵向运动控制系统进行了研究,分别设计了驱动控制器、制动控制器以及两者间的切换逻辑。其中,驱动控制采用单神经元PSD控制策略,制动控制则采用增量式PID控制策略。最后,通过Carsim/Simulink联合仿真对设计的纵向运动控制系统进行测试。结果表明,设计的纵向运动控制系统能够有效跟踪期望车速,且将误差保持在较小范围内。     

基于高精地图的物流配送车路径规划与跟踪控制

为了解决园区等场景下无人车多途经点配送问题,提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。考虑配送车往返途经点顺序对行驶路径总长度的影响,基于高精地图采用A*算法计算各配送点间的最优路径,在此基础上,利用动态规划算法求解经过多个配送点的全局最优路径。应用贝塞尔曲线对规划的路径进行平滑,并根据道路曲率设定不同路径处的参考行驶速度,进而生成车道级的可用于跟踪的目标轨迹。利用车辆二自由度模型设计模型预测控制器进行轨迹跟踪,实现低速物流配送车的自主控制。在 CarSim/Prescan/Simulink联合仿真平台和实车平台上对提出的规划控制方法进行了试验。结果表明,相比传统的依据最近配送点策略确定的路径,所提出的方法搜索出的路径长度平均缩短了 6.15%。所设计的轨迹跟踪控制器能确保配送试验车与目标轨迹的横向偏差在 0.25 m 以内,航向角偏差在5°以内。     

矿用无人运输车辆轨迹跟踪控制算法研究

矿用无人运输车辆作业环境恶劣,存在大曲率弯道、坡道等非结构化道路明显特征,对无人化运输控制要求高。为改善PID等传统控制算法适应性问题,提高无人驾驶轨迹跟踪的车辆横纵向控制精度,提出一种纯跟踪与PID结合的多点预瞄横向控制、考虑模糊控制表参数拟合的纵向控制方法,减少控制参数的同时提高算法效果。根据传统控制算法设计基础控制器,结合基础算法优势进行横向与纵向控制算法设计,通过硬件在环仿真和实车测试验证算法的性能。试验结果表明,横向控制算法与斯坦利算法相比,车辆路径跟踪精度有明显改善,纵向控制方面,速度跟随误差<1 km/h,保证了车辆驾驶时的平稳性与舒适性。     

面向车道变换的路径规划及模型预测轨迹跟踪

为解决智能车辆在车道变换过程中的路径规划和路径跟踪问题,首先,利用梯形加速度法设计了车道变换虚拟理想轨迹,该路径规划方法的适应性取决于车道变换时间、横向加速度及变化率等关键变量的约束条件,因而对各关键变量之间的数学关系进行了定量计算,并绘制了不同工况下的车道变换虚拟理想轨迹,用于分析各关键变量对路径规划的影响;其次,建立了线性离散的车辆动力学预测模型,综合分析了车辆模型的控制输入、状态变量以及道路结构参数等约束条件,构建了多约束模型预测控制（MMPC）系统用于车道变换路径跟踪,并基于Hildreth二次规划算法对其目标函数进行了求解,获得前轮转向角控制量,从而保证智能车辆在车道变换过程中的路径跟踪性能及操纵稳定性能;最后,利用MATLAB和Carsim软件对提出的多约束模型预测控制系统进行联合仿真,并构建单约束模型预测控制（SMPC）系统与其进行性能比较,分别对车道变换时间为3 s和6 s时的车道变换性能进行比较分析。结果表明：当车道变换时间为6 s时,2种控制系统都能较好地实现车道变换功能;当车道变换时间为3 s时,与SMPC控制系统相比较,MMPC控制系统能够在有效跟踪期望行驶路径的同时改善车辆的操纵稳定性,从而提高车辆在路径跟踪过程中的主动安全性能。     

基于三自由度的智能汽车模糊滑模横向运动控制研究

针对智能汽车运动过程中存在的车身姿态变化问题以及运动控制精度问题，设计了一种基于非线性3自由度动力学模型的模糊滑模横向运动控制器。建立了包括侧倾运动的3自由度动力学模型，进行了模型线性化；对基于线性化处理后的动力学模型进行了滑模控制器设计，通过控制前轮转角实现了路径跟踪横向控制，并引入了模糊控制提高控制效果，本控制系统能够在跟踪过程中对车身姿态变化进行观察。仿真结果表明，搭建的基于3自由度动力学模型的模糊滑模控制器能够在考虑侧倾运动的基础上，实现路径跟踪，且构建的模糊滑模控制系统相较于传统滑模控制其横向偏差与方向偏差分别降低了7.28%和1.50%，同时模糊控制也减弱了滑模控制固有的抖振影响。     

基于模型预测控制的智能车轨迹跟踪控制研究

为了完成智能车的轨迹跟踪,提出一种基于模型预测控制的轨迹跟踪方法,利用将运动学模型这个非线性系统线性化的方案,来获得必须的线性时变系统,采取模型预测控制的三要素来设计控制器。并且基于MPC在控制过程中能增加多种约束的优点,建立基于车辆运动学模型的约束做轨迹跟踪仿真实验,最后,基于山东理工大学智能车平台上GPS提供的定位信息,在校园中采集路线并对前提规划好的的轨迹进行实车验证。实验结果表明:基于MPC算法所设计的控制器能快速且稳定地跟踪期望轨迹。     

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。     

人机协作系统中车辆轨迹规划与轨迹跟踪控制研究

自动驾驶系统需具备响应驾驶人意图且有效执行驾驶人意图的能力，以解决人机协作系统中存在的人机冲突、人机优势融合等问题。提出决策层“以人为主”、执行层“以机为首”的人机协作关系，构建包含驾驶人意图识别模块、基于意图识别的轨迹规划模块与轨迹跟踪控制模块的人机协作一体化控制系统框架，并重点对轨迹规划模块与轨迹跟踪控制模块开展研究。首先，结合双向长短期记忆神经网络（Bi-directional Long Short Term Memory，Bi-LSTM）与注意力机制模型建立换道轨迹规划模型；在改进人工势场算法中引入模型预测控制并建立避险轨迹规划模型。其次，通过开展驾驶模拟器试验建立换道与避险驾驶行为数据集，为拟人化模型训练和模型参数确定提供支撑。然后，综合考虑车辆状态变量、控制输入与输出以及道路结构参数等约束条件，构建基于最优转向前轮输入的线性时变模型预测轨迹跟踪控制器，实现对规划轨迹的精准跟踪。最后，基于驾驶模拟器搭建人机协作系统硬件在环测试平台，对轨迹规划模块与轨迹跟踪控制模块开展硬件在环测试与验证。结果表明：换道与避险规划轨迹光滑且平稳，轨迹跟踪控制过程中，车辆航向角与前轮转角变化平稳；所构建的轨迹规划与轨迹跟踪控制模块在确保安全性前提下可实现不同场景中的车辆运动控制需求。     

基于模型预测的智能客车路径跟踪控制研究

为实现智能客车跟随预瞄路径到达目标位置,本文提出一种基于模型预测的路径跟踪控制方法,并进行实车验证,表明此方法具有较小的跟踪误差和较强的系统鲁棒性。     

基于MPC的局部路径规划与路径跟踪控制研究

文章主要针对无人驾驶车辆在进行路径跟踪遇到障碍物时,需要局部重新规划出一条可行路径的问题,首先基于车辆点质量模型的MPC局部路径规划算法,得到满足车辆动力学约束并实现避障功能的局部路径,然后在二自由度车辆动力学模型的基础上基于MPC进行路径的跟踪,最后使用Simulink/Carsim进行联合仿真验证,结果表明基于该局部路径规划与路径跟踪算法能够可靠地规划出避开障碍物的局部路径,实现高速下的路径跟踪。     

Modeling Human Vehicle Driving by Model Predictive Online Optimization

A driver model is designed which relates the driver's action to his perception, driving experience, and preferences over a wide range of possible traffic situations. The basic idea behind the work is that the human uses his sensory perception and his expert knowledge to predict the vehicle's future behavior for the next few seconds (prediction model). At a certain sampling rate the vehicle's future motion is optimized using this prediction model, in order to meet certain objectives. The human tries to follow this optimal behavior using a compensatory controller. Based on this hypothesis, human vehicle driving is modeled by a hierarchical controller. A repetitive nonlinear optimization is employed to plan the vehicle's future motion (trajectory planning task), using an SQP algorithm. This is combined with a PID tracking control to minimize its deviations. The trajectory planning scheme is experimentally verified for undisturbed driving situations employing various objectives, namely ride comfort, lane keeping, and minimized speed variation. The driver model is then applied to study path planning during curve negotiation under various preferences. A highly dynamic avoidance maneuver (standardized ISO double lane change) is then simulated to investigate the overall stability of the closed loop vehicle/driver system.