驾驶机器人车辆的多模式切换控制

为实现不同驾驶工况下精确的车速与轨迹跟踪,提出了一种驾驶机器人车辆多模式切换控制方法。通过分析驾驶机器人操纵自动挡车辆踏板与转向盘的运动,建立了驾驶机器人加速与制动机械腿和转向机械手的运动学模型和车辆纵横向动力学模型。在此基础上,设计了加速/制动机械腿切换控制器、模糊PID/模糊PID+Bang-Bang车速切换控制器和模糊PID/模糊PID+Bang-Bang转向切换控制器。加速/制动机械腿切换控制器以目标车辆加速度为切换规则,协调控制加速和制动机械腿,车速切换控制器以车速误差作为Bang-Bang控制器的模式决策准则和模糊PID控制器的输入,转向切换控制器以轨迹跟踪侧向误差作为Bang-Bang控制器的模式决策输入,并以当前与下一个控制时刻横摆角速度之差作为模糊PID控制器的输入。仿真和试验结果验证了所提出方法的有效性。     

驾驶机器人车辆的多模式切换控制EI北大核心CSCD

为实现不同驾驶工况下精确的车速与轨迹跟踪,提出了一种驾驶机器人车辆多模式切换控制方法。通过分析驾驶机器人操纵自动挡车辆踏板与转向盘的运动,建立了驾驶机器人加速与制动机械腿和转向机械手的运动学模型和车辆纵横向动力学模型。在此基础上,设计了加速/制动机械腿切换控制器、模糊PID/模糊PID+Bang-Bang车速切换控制器和模糊PID/模糊PID+Bang-Bang转向切换控制器。加速/制动机械腿切换控制器以目标车辆加速度为切换规则,协调控制加速和制动机械腿,车速切换控制器以车速误差作为Bang-Bang控制器的模式决策准则和模糊PID控制器的输入,转向切换控制器以轨迹跟踪侧向误差作为Bang-Bang控制器的模式决策输入,并以当前与下一个控制时刻横摆角速度之差作为模糊PID控制器的输入。仿真和试验结果验证了所提出方法的有效性。     

Speed Control of Vehicle Robot Driver Based on Adaptive Fuzzy PID Control

针对汽车驾驶机器人采用常规PID控制时车速波动大、调节器参数调整困难等问题,提出了一种基于模糊自适应PID的汽车驾驶机器人车速控制方法.首先建立了汽车驾驶机器人多机械手协调控制模型,然后在此基础上设计了一种驾驶机器人模糊自适应PID车速控制器,实现了驾驶机器人对给定循环行驶工况的车速跟踪.试验结果表明,与常规PID控制方法相比,采用所提出的方法车速跟踪精度明显改善,车速跟踪误差在±2km/h范围内,满足国家汽车试验标准的要求,保证汽车试验数据准确有效.     

基于先进控制技术的车辆主动安全领域研究展望(英文)

基于传感和控制技术,研究了提高车辆主动安全性的技术和方法。介绍了日本交通事故的统计数据,阐述了用于事故、事件调查分析的驾驶记录仪的发展。基于车辆动态数据,提出了驾驶记录仪捕捉未遂事件所用的算法。回顾了提高车辆动力学性能和驾驶辅助功能的微型电动车车辆动力学控制问题。介绍了基于轮毂电机的直接横摆力矩控制和主动前轮转向控制算法。介绍了适应驾驶员特性和交通情况的先进驾驶辅助系统。介绍了根据不同驾驶习惯和周围环境自动调整辅助策略的自适应系统,以及一些利用主动交互车辆和模拟驾驶仪进行的实验研究。提出了有关未来车辆控制技术的一些新观点和新挑战。     

驾驶机器人车辆动态制动力矩补偿

为了减小长期自动驾驶过程中制动性能下降带来的影响,提出了一种驾驶机器人车辆动态制动力矩补偿方法。首先建立了以车速和制动踏板力为输入,制动力矩为输出的驾驶机器人车辆制动性能离线自学习模型。然后考虑到驾驶机器人车辆长期自动驾驶导致离线自学习模型可靠性下降,建立了以车速和制动踏板力为输入,制动力矩为输出的扩展自回归在线辨识模型,并采用模糊变遗忘因子递推最小二乘法进行参数辨识。模糊变遗忘因子递推最小二乘法通过引入遗忘因子的方式,对数据施加时变加权系数,以避免出现数据增长导致的数据饱和现象。模糊变遗忘因子控制器以制动力矩辨识误差为输入,经模糊规则推理实时输出合适的遗忘因子进行参数辨识,能够有效均衡驾驶机器人车辆制动性能参数辨识的稳定性与收敛速度。驾驶机器人车辆自动驾驶过程中,根据当前车速与目标车速的大小计算出所需的制动力矩,加上反馈回来的制动力矩误差,并结合当前时刻的车速,利用制动性能离线自学习模型与机械腿逆向运动学模型实时计算出制动电机输出位移量,实现对驾驶机器人车辆制动力矩的在线补偿。仿真与试验结果表明:利用所提出的方法对车辆动态制动力矩进行辨识时,通过调节遗忘因子,辨识结果能够快速收敛且辨识误差较小。在此基础上,控制驾驶机器人车辆进行纵向车速跟踪时,能够有效减小制动性能下降造成的影响,保证控制车速跟踪误差在±1km·h-1之内。     

基于逆控制策略模型的电动车驾驶机器人车速控制

为满足驾驶机器人利用加速踏板行程信号实现对于电动车速度跟随的需求,提出了一种基于逆控制策略模型的车速控制方法。该方法在传统纵向动力学的车速控制回路基础上,引入了车辆控制策略模型,将原有的通过电机转矩控制车速转换为通过加速踏板行程来控制,从而降低了驾驶机器人对原车辆的改造风险,提高了机器人的适用性。转鼓试验结果表明,与人工驾驶相比,本文中提出的控制方法有效提高了车速跟踪精度,误差不超过±1 km/h,满足国家电动车试验标准。     

基于反演与滑模的车道线横向位置复合控制研究

针对车辆自主驾驶中的车道线保持问题,基于车辆横向动力学简化线性模型,考虑前向轮自动转动系统的惯性延迟特性,首先将模型按照实际情况分为相对确定与不确定两个子系统,提出一类反演控制与滑模控制相融合的横向位置误差复合控制方法。该方法能保留滑模控制对不确定横向动力学模型的强鲁棒性优点;同时,针对确定的惯性延迟系统,又能继承反演控制层层倒推、环环相扣、精确巧妙设计的思想。由于柔化函数的引入,减弱了传统滑模控制的颤振问题。通过构造Lyapunov函数,保证了系统所有闭环信号均有界。最后,针对轮胎刚度系数不确定的情况,进行了100次随机数字仿真,结果验证了所提方法的良好鲁棒性与快速性。值得说明的是,把复杂系统按照物理实际情况分解为相对确定与不确定两部分的思想,对自动驾驶中车道线保持问题非常有物理意义,能够为未来的车辆试验提供理论参考。     

基于模型预测控制的智能车辆主动避撞控制研究

针对自主驾驶车辆的转向避撞问题,提出了一种分层避撞控制方法。上层路径规划控制器基于车辆运动学模型,引入人工势场函数,采用障碍物与车辆的相对状态描述车辆碰撞风险。基于模型预测控制理论,构建优化目标函数,规划最优避撞路线,并采用五次多项式拟合局部避撞路径。对于下层路径跟踪控制器,则建立车辆非线性动力学模型,构建基于最优转向盘转角输入的路径跟踪优化函数,实现局部避撞路径跟踪。最后搭建了Carsim/Matlab联合仿真平台,对被控车辆在不同路面、不同车速情况下的避障路径规划和跟踪效果进行了仿真。结果表明:上层控制器能根据障碍物信息实时规划局部避撞路径,下层控制器能控制车辆平滑、稳定地跟踪参考路径,从而实现车辆的主动避撞功能。     

基于线控转向的智能驾驶车辆路径跟踪研究

针对搭载线控转向系统的智能驾驶车辆路径跟踪问题,基于汽车动力学仿真软件分析车辆转向特性,推导出横摆角速度对转向盘转角的稳态增益曲线,并获得了仿真稳态增益与理论稳态增益之间的修正系数,以此搭建单点预瞄模型和变角传动比线控转向系统模型.通过预瞄式横向运动控制与线控转向变角传动比控制相结合的方式,完成智能驾驶车辆路径跟踪控制...     

基于抗饱和与自适应的3种车道线保持方法研究

针对车辆自主驾驶中的车道线保持问题,基于车辆横向动力学简化线性模型,采用积分滑模、抗饱和与自适应控制思想,提出了3类滑模保持方法,并分别构造Lyapunov函数证明了方法的稳定性。尤其是其中的抗饱和滑模控制方法,通过引入柔化函数与Sigmoid函数,不仅消除了传统滑模的颤振,而且利用上述函数的有界性特点,解决了车前轮的输出抗饱和问题。该方法具有控制律简单,控制参数调节选取物理意义明确的优点。最后,通过随机摄动的详细仿真分析,就文中3种方法以及以往文献中3种方法进行比较,验证了文中方法的有效性。     

应用模糊自适应PID和预瞄策略的自主车辆转向控制

文中结合智能车辆路径跟踪过程中转向控制方面的特点，提出了一种将模糊逻辑、预瞄规律和自适应PID控制相结合的控制策略，建立起了相应的模型，验证了该方法的可行性和有效性，并提出了进一步改进的方向。     

无人驾驶机器人车辆非线性模糊滑模车速控制

为了实现不同行驶工况下车速的精确、稳定控制,提出一种基于非线性干扰观测器的无人驾驶机器人车辆模糊滑模车速控制方法。考虑模型不确定性和外部干扰对车速控制的影响,建立车辆纵向动力学模型。通过分析无人驾驶机器人油门机械腿、制动机械腿的结构、机械腿操纵自动挡车辆踏板的运动,建立油门机械腿和制动机械腿的运动学模型。在此基础上,分别设计油门/制动切换控制器、油门模糊滑模控制器以及制动模糊滑模控制器,并进行控制系统的稳定性分析。油门/制动切换控制器以目标车速的导数为输入来进行油门与制动之间的切换控制。油门模糊滑模控制器和制动模糊滑模控制器以当前车速以及车速误差为输入,分别以油门机械腿直线电机位移和制动机械腿直线电机位移为输出来实现对油门与制动的控制。模糊滑模控制器中,为了减少控制抖振,滑模控制的反馈增益系数由模糊逻辑进行在线调节。模糊滑模控制器中的非线性干扰观测器用于估计和补偿无人驾驶机器人车辆的模型不确定性与外部干扰。仿真及试验结果对比分析表明：本文方法能够精确地估计和补偿无人驾驶机器人车辆的模型不确定性和外部干扰,避免了油门控制与制动控制之间的频繁切换,并实现了精确稳定的车速控制。     

基于动力学模型的车辆转向控制器不足与变结构控制方法的研究

本文从理论上分析了基于车辆二自由度转向动力学模型的转向控制器在低速时产生失稳的原因。为解决失稳问题,本文提出了相应的解决方法,建立了基于预瞄运动学的车辆转向控制模型,采用滑模变结构控制理论设计了车辆的转向控制器,使车辆转向控制具有良好的跟踪性能和鲁棒性。     

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CARSIM的车辆稳定性控制仿真

阐述了车辆在地面附着极限下造成转向失稳的原因,对四个车轮施加差动制动时车辆行驶姿态的变化进行了分析。针对车辆的实际工作特点,应用CARSIM软件的车辆动力学模型(S函数),并定义S函数的输入输出接口,在MATLAB/SIMULINK环境中对车辆动力学模型进行了稳定性控制仿真。仿真分析结果表明,差动制动能够改善在高速度或滑路上转向的操纵性和稳定性。     

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。     

城市工况巡航控制方法及仿真分析

为了提高汽车行驶的安全性和驾驶汽车的舒适性,提出基于城市工况的模糊巡航控制方法,依据巡航控制系统原理建立模糊控制器和汽车纵向系统动力学模型,以理想安全距离与实际距离的差值、两车速度差作为巡航控制系统的控制变量,在Matlab/simulink平台上建立模糊控制器模型、车辆纵向系统动力学模型,最后以一种典型城市道路工况作为仿真工况。仿真结果表明:所建立的模型很好地实现了基于城市工况的安全行驶,具有较好的控制效果,验证了所建模型的有效性和正确性。     

考虑道路因素的智能车辆纵向运动决策与控制研究

针对智能车辆纵向运动时的交通道路适应性问题,考虑路面附着系数和前车运动速度等因素,研究了智能车辆纵向运动决策与控制方法。论文研究了基于车头时距的纵向运动决策方法并建立不同驾驶行为的目标车速模型,运用变论域模糊推理算法设计了目标加速度模型。基于纵向动力学模型,运用自适应反演滑模控制算法建立了驱动控制器和制动控制器。对高附着系数路面和低附着系数路面的行驶工况进行仿真试验验证,结果表明,在不同的附着系数路面和前车变速行驶条件下,智能车辆能实时、合理地决策目标车速、目标加速度,实现安全、高效、稳定的跟驰。     

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.     

面向ADAS应用的智能电动车横纵向耦合控制的车辆动力学系统建模

随着汽车智能化的发展，高级驾驶辅助系统（ADAS）相关产品逐渐进入市场。文章针对智能车自适应巡航（ACC）和车道保持（LKA）系统的联合控制问题，建立车辆动力学模型。车辆动力学是一个多自由度耦合的非线性系统，为了建立准确的车辆模型，首先在一些基本的假设条件下，分别从车辆纵向动力学、横向动力学、驾驶员模型这三个角度，对车辆进行了建模与分析，为后续控制策略设计提供模型基础。