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。     

基于蚁群算法的EPS系统仿真研究

针对车辆电动助力转向系统(EPS)的特点,提出了基于蚁群算法的电动助力转向系统控制策略,将蚁群算法与模糊PID控制器相结合,根据车辆不同运行工况,通过实时在线优化模糊PID控制器中的控制参数,进一步提高EPS系统的控制精度与收敛速度,通过Matlab/Simulink进行了各种运行工况下整车EPS系统的仿真实验。实验结果表明,与常规PID控制相比,采用基于蚁群算法的控制策略,EPS系统的控制精度高、超调量小、调整时间短,该控制策略具有蚁群算法收敛响应速度快和PID控制精度高的优点,适合应用于车辆EPS系统。     

基于小波控制的电动汽车稳定性研究（双语出版）

针对前轮独立驱动电动汽车,研究一种基于小波控制器的驱动稳定性控制系统。为提高车辆对开路面的行驶稳定性,根据驱动轮等转矩分配控制策略,提出基于神经网络PID的驱动轮滑移率相近为目标控制策略。针对矢量控制中的电流控制,提出基于离散小波变换的电流控制器。通过CarSim/Simulink建立前轮独立驱动电动汽车联合仿真平台,进行不同工况整车性能仿真与分析,并基于A&D5435快速原型开发平台进行实车试验。仿真与试验结果表明：基于小波控制器的驱动控制系统不仅提高了车辆对开路面行驶的稳定性,而且具有更平滑、更快速的转矩响应;对开路面工况下,提出的控制策略左侧、右侧驱动轮速度仿真结果与试验结果最大偏差分别为3.43%和3.56%;等转矩分配控制策略下,左侧、右侧驱动轮速度仿真结果与试验结果最大偏差分别为3.86%和3.25%,表明了试验与仿真的一致性;对开路面仿真工况下,相比于驱动轮等转矩分配控制策略,基于神经网络PID的驱动轮滑移率相近为目标控制策略的车辆峰值质心侧偏角降低了79.57%,侧向跑偏距离降低了73.39%。     

基于安全距离模型的车辆跟随控制策略研究

针对车辆协同驾驶领域中的跟随过程,建立了安全距离控制模型,采用BP神经网络PID控制策略设计了控制器,并通过MATLAB/Simulink软件进行仿真分析,将BP神经网络PID控制与传统PID控制的控制效果进行了对比,最后运用缩微环境下的智能车辆系统试验平台设计了Update算法,完成了跟随试验验证。仿真和试验结果表明,本文设计的智能控制器减小了车间距误差,提高了控制准确性,能满足车辆安全跟随行驶要求。     

电动助力转向系统控制的台架试验研究

提出了将基于模糊神经网络的PID控制策略用于电动助力转向系统中助力电机的控制。设计了电动助力转向试验台，并进行了电动助力转向系统的台架试验。试验结果证明，采用模糊神经网络控制器确定目标电流，并使用PID反馈控制器跟踪目标电流的控制策略是十分有效的，能显著提高汽车的转向轻便性和灵敏性。     

基于DQN的车辆驾驶行为决策方法

针对传统DQN算法下网联车驾驶行为决策的动作选择过程随机性强、探索空间大的问题,研究了结合专家知识和DQN算法的智能车辆决策框架,设计了奖励值函数来引导算法的训练.通过层次分析法(AHP)选取高速场景下车辆驾驶决策中的重要影响因素,利用ID3决策树构建简单而有效的专家规则库;在传统算法基础上,通过设计奖励值函数来优化DQN网络结构,由奖励值函数引导DQN算法来解决高速场景下的车辆决策问题,并在Python仿真环境中构建高速交通场景对该算法进行分析和验证.实验结果表明,在高速直道和并道场景下,达到95%成功率的平均训练次数分别减少了100次和200次,平均奖励值分别提高了4.02和1.34,有效加快了DQN算法的动作选择,降低了探索过程中的动作随机性.      

商用车EPS助力控制策略的研究

为某商用车转向系统设计了电动助力转向系统(EPS)的总体布置和曲线型助力特性,并基于模糊PID控制方法设计了助力控制策略.以车辆动力学仿真软件TruckSim和Matlab/Simulink为平台,在整车动力学模型和EPS控制模型的基础上,建立了装备EPS商用车的联合仿真模型,以研究助力控制策略对EPS性能和整车操纵稳定性的影响.结果表明:与PID控制方法相比,采用模糊PID控制器的助力控制策略更能充分实现EPS的功能和改善商用车的操纵稳定性.     

基于BP-PID控制器的盾构液压推进控制系统研究

为解决盾构在复杂地层施工时推进速度和压力难以控制的问题,在压力流量控制的基础上提出BP神经网络控制策略。通过AMESim建立推进系统物理模型,并利用Simulink设计出BP神经网络控制器,最后对系统进行联合仿真,分析推进系统液压缸在变流量和变负载工况下推进速度和压力的响应特性。仿真结果表明:该控制策略与常规PID控制相比,波动幅度降低,调节时间快。采用BP神经网络PID控制能够有效地提高盾构在负载突变情况下速度和压力控制精度,稳定性好、适应能力强,为盾构控制系统设计和优化提供理论参考。     

基于参考线优化算法的智能车辆变道研究

参考线、轨迹规划与横向控制是智能车辆的重要组成部分。智能车辆的行驶需要优良的参考线作为行驶基准,参考线需满足平滑性与紧凑性要求,车辆的变道需要轨迹规划与横向控制。文章提出平滑算法与紧凑算法,对参考线的平滑性与紧凑性进行优化。在轨迹规划与横向控制方面,文章采用五次多项式曲线进行轨迹规划,线性二次型调节器（LQR）进行变道的横向控制;最终通过软件CarSim与Simulink的仿真验证。结果表明,车辆变道的跟踪效果优良,验证算法的可行性与优越性。     

基于模糊PID的遥控转向技术

结合车辆行驶过程中转向控制的特点,将模糊PID控制策略用于车辆遥控转向技术研究,并且搭建了实验台, 做了大量的实验,验证了该方法的可行性和有效性。     

网联车辆并线预测与巡航控制的研究

为检测旁车道车辆驾驶员的并线意图,提升网联车辆巡航跟车的主动安全性,提出了一种基于NAR神经网络学习的迭代循环预测算法。NAR神经网络的训练样本由实际交通环境中的车辆并线数据获得,通过训练的网络预测未来一段时间内旁车的横向行驶轨迹,并根据划定的监控区域计算旁车的切入概率。同时,提出了一种考虑并线概率的跟车距离策略,并应用到网联车辆CACC系统中。结果表明,所提出的并线预测算法能精确计算出旁车的横向换道轨迹,所提出的跟车策略可提升车辆的跟车安全性。     

基于车联网的汽车自动换道方法研究

为弥补现有汽车自动换道时未考虑周围车辆运动状态变化以及舒适性差和通行效率低等方面的不足,同时提出了在车联网条件下的汽车自动换道方法,主要包括动态轨迹的规划、前馈与反馈相结合的PQ跟踪控制策略两部分,开展Carsim和simulink联合仿真以及实车验证结果表明,与传统非动态自动换道方法相比,该方法能有效解决在换道过程中周围车辆车速变化及车辆突然闯入等情况的难题,明显提高了换道过程中的安全性,由数据分析可知在保证车辆舒适性、稳定性的同时,换道时间缩短了20%,有效提高了车辆换道效率。     

Vehicle stability control based on driver’s emergency alignment intention recognition

In this work, the reference model modification strategy for vehicle stability control based on driver's intention recognition under emergent obstacle avoidance situation was proposed. First the conflicts between the driver's emergency alignment (EA) intention and vehicle response characteristics were analyzed in critical emergent obstacle avoidance situation. Second combining steering wheel angle and its speed, the driver's EA intention was recognized. The reference model modification strategy based on steering operation index (SOI) was presented. Then a LQR model following controller with tire cornering stiffness adaption was used to generate direct yaw moment for tracking modified reference yaw rate and reference sideslip angle. Finally based on the four-in-wheel-motor-drive (FIWMD) electric vehicles (EV), double lane change and slalom tests were conducted to compare the results using modified reference model with the results using normal reference model. The experimental tests have proved the effectiveness of the reference model modification strategy based on driver's intention recognition.     

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

Effects of Model Complexity on the Performance of Automated Vehicle Steering Controllers: Controller Development and Evaluation

SUMMARY

Due to increased traffic congestion and travel times, research in Advanced Vehicle Control Systems (AVCS) has focused on automated lateral and headway control. Automated vehicles are seen as a way to increase freeway capacity and vehicle speeds while reducing accidents due to human error. Recent research in automated lateral control has focused on vehicle control during low-g maneuvers. To increase safety, automated lateral controllers will need to recognize and react to emergency situations.

This paper investigates the effects of vehicle and tire model order on the response of automated vehicles to an emergency step lane change using a controller based on linear vehicle and tire models. From these studies it is concluded that control strategies based solely on linear vehicle and tire models are inadequate for emergency vehicle maneuvers.

A strategy is then proposed to automatically control vehicles through emergency maneuvers. Here the response of a nonlinear vehicle model is used with a linear state model to optimize controller gains for nonlinear maneuvers. An emergency step lane change is used as a preliminary test of the method.     

基于可拓切换控制方法的智能车辆车道保持系统研究（双语出版）

针对道路曲率变化范围较大时，智能车辆在大曲率道路工况车道保持控制精度低的问题，提出一种基于可拓切换控制理论的智能车辆车道保持控制系统，该车道保持系统由上层可拓控制器和下层控制器两部分组成。在上层可拓控制器中，通过车道线检测得到车辆相对于道路的位置信息和道路曲率信息。根据可拓集合理论，选取预瞄点处横向位置偏差和前方道路曲率值作为可拓集合的特征值并划分可拓集合，求解关联函数，并根据关联函数值将车辆-道路系统状态分为经典域、可拓域和非域。在下层控制器中，在经典域采用基于横向位置偏差和航向偏差的PID反馈控制器，在可拓域中采用基于前方道路曲率的PID前馈-反馈控制器，非域中车辆-道路系统处于完全失控状态，采取紧急制动。2种仿真工况结果表明：相比于单一PID反馈控制，提出的车道保持控制系统，有效抑制了在大曲率道路下的跟踪误差值，提高了智能驾驶汽车在时变曲率的道路工况下车道保持控制精度和工况适应性。     

Asynchronous n-step Q-learning adaptive traffic signal control

Ensuring transportation systems are efficient is a priority for modern society. Intersection traffic signal control can be modeled as a sequential decision-making problem. To learn how to make the best decisions, we apply reinforcement learning techniques with function approximation to train an adaptive traffic signal controller. We use the asynchronous n-step Q-learning algorithm with a two hidden layer artificial neural network as our reinforcement learning agent. A dynamic, stochastic rush hour simulation is developed to test the agent’s performance. Compared against traditional loop detector actuated and linear Q-learning traffic signal control methods, our reinforcement learning model develops a superior control policy, reducing mean total delay by up 40% without compromising throughput. However, we find our proposed model slightly increases delay for left turning vehicles compared to the actuated controller, as a consequence of the reward function, highlighting the need for an appropriate reward function which truly develops the desired policy.