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。     

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。     

无人驾驶机器人机械腿模糊监督控制

为实现对无人驾驶机器人机械腿运动的精确控制,提出了一种模糊监督控制方法。通过对驾驶机器人机械腿操纵自动挡汽车油门/制动踏板的运动分析,描述了机械腿各杆件的运动学关系,并建立了机械腿的拉格朗日动力学模型。在此基础上,设计了一种模糊监督控制器,并通过Lyapunov稳定性分析原理,验证了跟踪误差的收敛性,保证了机械腿对位移跟踪的稳定性。模糊监督控制器以机械腿的位移跟踪误差及误差变化率为输入,位移跟踪过程中,实时监测跟踪误差的变化趋势,当误差不超过给定值时,模糊控制器单独作用,当误差超出给定值,采用模糊监督控制器。最后,设计了一种油门/制动机械腿切换控制器,搭建了油门/制动机械腿车速跟踪仿真模型,仿真结果与实车试验数据比较,验证了提出方法的有效性。     

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。     

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.     

基于遗传算法的智能驾驶车辆纵向PID控制研究

针对智能驾驶车辆纵向速度跟随问题,为提高智能驾驶车辆在速度变化时的跟踪控制精度,设计了一种分层控制策略。上层控制器设计了一种基于遗传算法的PID控制器,在期望车速为恒速或变速的情况下得到最优的加速度,下层控制通过对加速踏板和制动踏板的标定,得到不同速度和加速度下节气门的开度和制动压力。建立CarSim/Simulink联合仿真模型,完成不同速度工况下的仿真验证,验证结果表明所设计的控制器有效地提高了速度跟踪精度。     

机器人驾驶车辆的横向自适应反演切换控制

为实现不同速度工况下的车辆稳定转向和路径跟踪,提出了一种机器人驾驶车辆横向自适应反演切换控制方法。构建了7自由度车辆横纵向动力学模型,并基于等效转动惯量的概念,建立了驾驶机器人转向机械手动力学模型。定义了转向机械手每个子系统的虚拟控制量、模糊隶属度函数和Lyapunov函数,设计了模糊自适应反演控制器和状态切换器。本文提出方法与其他控制方法的仿真和人类驾驶车辆的试验验证了所提出方法的有效性。     

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。     

基于极限车速的车辆稳定性控制研究

采用"魔术公式"轮胎模型,在Matlab/Simulink中搭建了8自由度车辆侧向动力学模型,绘制车辆质心侧偏角-质心侧偏角速度相平面图,并利用双线法划分相平面图稳定区域,结合车辆自身质心侧偏角相轨迹,计算得到车辆极限稳定车速。以极限车速作为控制开关,设计基于质心侧偏角和横摆角速度的模糊控制器,提出了基于补偿横摆力矩的前后轮制动力矩比例分配控制策略,并在多种工况下进行了仿真与模拟驾驶实验。结果表明:利用极限车速作为控制开关设计的控制策略可有效提高车辆稳定性。     

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.     

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。     

基于驾驶员意图及行驶场景判断的智能驾驶模式识别策略

目前市面上的乘用车大多具备一个以上的驾驶模式供选择,有些车型甚至可以提供车主自定义的驾驶模式,从而满足驾驶员不同场景下的驾驶需求。由于主机厂对驾驶模式的定义具有一定使用场景针对性,可能出现当前选定驾驶模式不适合驾驶员的驾驶风格,或者当驾驶场景发生改变时,当前选定的驾驶模式无法及时满足驾驶员期望的情况。文章介绍一种驾驶模式识别策略,通过对CAN总线相关信号实时监控,掌握驾驶员输入,如加速、制动及转向等动作;以及车辆的动态表现,如车速、纵向加速度及侧向加速度等参数,并利用建立的模型,对车辆当前的行驶交通环境,驾驶员的驾驶风格以及驾驶员的意图进行综合判断,从而实时为驾驶员智能切换更合适的驾驶模式。该策略可满足驾驶员意图与驾驶模式相互匹配,从而提升用户的驾驶主观体验。     

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。     

基于分数阶理论的车辆ABS控制研究

针对车辆制动过程中出现制动失稳问题及对控制安全、稳定性的要求,结合车辆动力学模型,提出一种基于分数阶比例积分微分理论的车辆制动防抱死分数阶PID主动控制方法,并利用Oustaloup滤波器和遗传优化算法对分数阶PID控制器进行有理化和参数整定处理,得到优化后的分数阶PID控制器,最后采用MATLAB/Simulink对车辆制动防抱死分数阶PID控制器进行了离线仿真分析。通过仿真分析表明,当车辆以20m/s的速度在路面上制动时,路面参数一定,采用遗传算法优化的分数阶PID控制相对于模糊自适应控制、传统整数阶PID控制,在制动时间上下降了2.1%和3.1%,制动距离缩短了3.86%和5.82%,其具有较低的超调量、较快的响应和较小的稳态误差。     

模糊控制在二次调节静液传动车辆中的应用

介绍一种二次调节静液传动车辆和其车速控制原理，并根据实际情况建立了整个系统的数学模型。提出一种带修正因子规则的模糊PID控制，分别用这种控制器和常规PID控制器对阶跃信号和车辆的15工况进行仿真分析。结果表明：采用模糊PID控制具有响应速度快，调节时间短等优点，更能满足实际车辆的驾驶要求。     

基于模糊自适应PID的智能车辆路径跟踪控制

选取车辆当前位姿和参考位姿来构造车辆的动态位姿误差,建立车辆路径跟踪闭环控制系统的Simulink仿真模型,并设计了模糊自适应PID控制器,利用模糊推理的方法,对PID控制器的参数进行自动调整。利用常规PID和模糊自适应PID控制算法分别进行仿真实验。仿真结果表明,模糊自适应PID改善了控制器的动态性能且具有较好的自适应能力。     

重型车辆自动驾驶气制动自适应控制研究

重型车辆气制动自适应控制是一项重要的自动驾驶纵向速度控制功能,在应用中至关重要,例如上下坡匀速行驶、精准停车、不同载重的车速控制等.由于典型气动制动系统是固有的非线性特性,存在很大的不确定性,且重型汽车的纵向刹车控制受负载、路况、车况的影响较大,传统的PID控制器无法满足不同工况下重型车辆自动驾驶车速稳定控制要求.本文...     

纯电动汽车加速过程的转矩优化控制策略

针对纯电动汽车在加速过程中电机输出转矩不能准确表达驾驶员驾驶意图的问题,提出了基于模糊控制的转矩优化控制策略.为了准确识别驾驶员在加速过程中的驾驶意图,建立了以车速偏差和加速踏板开度变化率为输入变量,驾驶意图系数为输出变量的模糊控制器,对驾驶员的加速意图进行识别,并将汽车的加速模式设计为动力模式、一般模式和经济模式3种...     

基于模型预测控制的自动驾驶车辆横纵向协调控制

针对自动驾驶车辆系统中的车辆控制问题,采用一种基于模型预测控制的横纵向协调控制方法,实现车辆的轨迹跟踪控制。所设计的控制器将车辆横向控制问题、纵向控制问题综合考虑,使用模型预测控制方法将轨迹跟踪控制问题转化为优化问题,以位置和速度误差为优化目标,同时考虑控制的平滑性,最终求解出最优的控制输入。仿真结果表明:所设计的控制器能达到较好的控制效果。