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。     

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。     

基于模糊LQR的智能汽车路径跟踪控制

为保证智能汽车在不同车速下路径跟踪的精确性与稳定性,本文中设计了一种带有预瞄PID转角补偿的模糊线性二次型调节器(LQR)以进行路径跟踪控制.首先,基于路径跟踪误差模型设计了LQR控制器,并采用预瞄PID方法进行转角补偿,消除稳态误差,提高跟踪精度.接着,针对固定权重系数的控制器对于不同车速适应性较差的问题,提出了一种...     

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。     

基于动力学模型预测控制的铰接车辆多点预瞄路径跟踪方法

现有的铰接车辆路径跟踪控制方法在模型线性化和预瞄误差过程均产生较大误差,导致跟踪精度降低。针对铰接车辆路径跟踪控制,构建了铰接车辆动力学模型,采用基于状态轨迹的线性化方法补偿动力学误差,提出了考虑路径多点预瞄误差的控制目标,设计了基于动力学模型的模型预测控制器,用以优化铰接点处转向力矩。为验证该方法的有效性,采用Matlab/Simulink和Adams软件构建了联合仿真平台,对控制算法进行了仿真验证。仿真结果表明,本文中设计的控制器可有效提升铰接车辆路径跟踪精度。     

基于变权重系数的分布式驱动无人车轨迹跟踪

为了提高分布式无人车轨迹跟踪的精度，提出了基于自主与差动协调转向控制的轨迹跟踪方法。首先，在车辆三自由度模型基础上，基于模型预测控制（MPC）实时计算前轮转角以控制车辆进行自主转向轨迹跟踪。在此过程中，为了提高自主转向下车辆的轨迹跟踪精度与行驶的稳定性，考虑多种因素，利用经验公式及神经网络控制对MPC的预瞄步数和预瞄步长进行多参数调整，实现预瞄时间的自适应控制。其次，在恒转矩需求的情况下，以轨迹偏差为PID控制器的输入及左右轮毂电机转矩为输出进行差动转向控制，实现了差动转向下的轨迹跟踪控制。然后，通过设置权重系数的方法将自主与差动转向相结合。考虑到车辆横纵向动力学因素，采用模糊控制及经验公式对权重系数进行了调整，从而在提高车辆转向灵活性与轨迹跟踪效果的同时保证车辆行驶的稳定性。CarSim与Simulink联合仿真以及实车试验结果表明：与自主转向轨迹跟踪相比，采用变权重系数的协调控制可以在不同的工况下提高车辆的转向灵活性与轨迹跟踪的精度，轨迹跟踪偏差的均方根值改善率达到了11%。所提出的协调转向控制方法可为分布式驱动车辆转向灵活性的提高及轨迹跟踪精度的改善提供一种新的思路。     

遗传算法优化的双线圈磁流变制动器模糊PID控制

针对磁流变制动器制动力矩输出不稳定的问题,采用遗传算法优化后的模糊PID控制器对双线圈磁流变制动器进行力矩控制。基于Bingham模型建立了双线圈磁流变制动器的制动力矩数学模型,同时推导了磁流变制动器的动态模型。完成了双线圈磁流变制动器的制动力矩实验,当励磁电流为1.0 A时,磁流变制动器制动力矩最大值为4.8 N·m;采用最小二乘结构模型,开展了双线圈磁流变制动器传递函数的参数辨识;基于遗传算法和模糊PID控制,设计了双线圈磁流变制动器的遗传算法优化的模糊PID控制器;搭建了磁流变制动器控制实验平台,开展了磁流变制动器力矩控制实验研究。研究结果表明,相比于传统模糊PID控制,在基于遗传算法优化的模糊PID控制下,双线圈磁流变制动器能实现较好的力矩控制效果,制动力矩阶跃响应上升时间为0.63 s,超调量为4.17%,制动力矩跟踪误差在0.2 N·m以内,具有较快的响应速度、较小的超调量以及较小的力矩跟踪误差。     

人机共驾车辆路径跟踪集成控制策略

针对人机共驾车辆路径跟踪控制精度和车辆稳定性难以有效保障的问题,提出一种集成控制策略,包括主动前轮转向系统（AFS）可变传动比曲线和基于模型预测控制（MPC）的路径跟踪控制器。针对稳定性控制,构建考虑路面附着条件和车速的AFS可变传动比函数,用于保证车辆路径跟踪过程中的安全性和横向稳定性;针对路径跟踪控制,设计基于MPC的路径跟踪控制器,用于跟踪目标路径;搭建了基于Carsim/Matlab的联合仿真平台并进行仿真验证。结果表明：集成控制策略可以有效改善人机共驾车辆的操作稳定性,显著提高了车辆的跟踪性能,削弱了驾驶员驾驶状态波动对车辆行驶安全的影响。     

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MPC的无人驾驶汽车轨迹控制研究

为更好地实现对无人驾驶汽车行驶路径的跟踪修正,基于模型预测算法控制车辆的车速和横摆角。通过建立车辆运动学模型、制定目标函数、确定约束条件,设计出了轨迹跟踪控制器。并通过Matlab/Simulink、CarSim软件搭建模型预测控制算法。结果显示,在预定工况下,车辆参考路径和实际行驶误差较小,并有较好的横向稳定性。结果表明该算法能在一定程度能保证无人驾驶汽车的安全性,为智能车辆控制提供了基础。