基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

基于自适应控制系统的智能车横向轨迹跟踪控制

智能车辆轨迹跟踪控制的研究中,由于不同工况下控制算法的适应性不强,存在着较大的跟踪误差。为提高智能车辆行驶的自适性、跟踪精度与鲁棒性,提出了一种基于模型参考自适应控制系统（MRAC）的自适应PID控制方法。利用车辆模型与参考模型输出误差自适应PID控制器的3个参数,从而得到一种基于MRAC的自适应PID控制方法。MATLAB仿真对比结果表明,2种工况基于MRAC的自适应PID最大侧向跟踪误差分别为0.036 m和0.076 m,相比传统PID控制模型,该控制模型的控制精度分别提升52.10%、11.76%,表现出更好的横向轨迹跟踪性能。     

基于跟踪误差模型的智能车辆轨迹跟踪方法

为提高智能车辆轨迹跟踪精度,以车辆动力学模型为基础,提出一种基于线性时变模型预测控制的轨迹跟踪方法。该方法将车辆非线性动力学跟踪误差模型进行线性化和离散化处理,作为控制器的预测模型;建立系统控制增量的目标函数,设计状态量、控制量和控制增量约束条件,利用带约束的二次规划问题求解目标函数;将求得的最优序列的第一项控制量作用于系统。实验结果表明,在双移线工况下,当车速小于15 m/s时,横向最大误差小于0.52 m,航向最大误差小于0.067 rad。     

路径跟踪控制算法仿真分析与试验验证

为探究车辆路径跟踪算法性能差异及适用性规律，分别构建基于预瞄的纯跟踪（PP）算法、前轮反馈控制算法和模型预测控制（MPC）算法的车辆模型，在圆环、蛇行和低、中、高速等工况下进行Simulink和CarSim联合仿真并分析横向控制效果。结果表明：PP算法预瞄距离越短，横向控制精度越高，但稳定性越弱，低速鲁棒性较好；前轮反馈控制算法在高速下具有更小的横向控制误差，且增益系数k影响控制精度；相较于前两者，MPC算法在不同速度下均具有良好的横向跟踪性能。最后，开展实车试验对比验证3种算法的跟踪性能，结果表明，在同一工况下，MPC算法具有更优的跟踪性能。     

增程型电动汽车的增程器系统控制优化与实验研究

为了改善增程式电动汽车的燃油经济性与排放,其搭载的增程器应工作在有限个固定点上。本文中采用Kriging无偏估计方法建立了增程器系统的发电功率与燃油消耗预测模型,并对模型进行了实验验证。经过仿真分析,确定了满足5个发电功率需求的最佳油耗工况点。增程器系统的台架实验和整车实验的结果表明,优化后单个发电功率运行点油耗最大降幅达到了15.96%,而在两种不同的车辆控制模式下整车能耗分别降低了4.62%和3.50%。     

无人驾驶车辆轨迹跟踪控制研究

为了提升智能车辆在轨迹跟踪控制中的性能,文章基于车辆运动学模型建立了一种带有前馈补偿和反馈最优控制策略的线性二次型调节器(LQR)轨迹跟踪控制算法。并通过搭建Carsim/Simulink联合仿真模型,验证该算法在不同工况下的轨迹跟踪效果。结果表明,该算法在不同车速和不同路面附着条件下都能保证无人驾驶车辆准确地跟踪参考轨迹,且具有较强的鲁棒性。     

异常情况下电动汽车锂电池SOC估计

为提高锂电池在状态突变、模型不准确、SOC初始误差大等异常情况下的SOC估计精度和收敛速度,提出了基于强跟踪卡尔曼滤波算法的SOC估计方法。建立了锂电池的双RC等效电路模型,使用HPPC方法辨识了模型参数;分析了扩展卡尔曼滤波原理和缺陷,在误差协方差矩阵中引入时变渐消因子,用于改进修正系数矩阵,强行使残差序列保持正交特性,基于此原理提出了强跟踪卡尔曼滤波算法。经仿真验证,在模型不准确和状态突变情况下,强跟踪卡尔曼滤波的最大估计误差为2%,而扩展卡尔曼滤波最大误差为4.5%;在SOC初始误差较大情况下,强跟踪卡尔曼滤波在15 s内收敛至真值,而扩展卡尔曼滤波在40 s时收敛至真值。     

考虑转向的汽车主动避撞控制系统研究

为挖掘智能车避撞潜力,基于五次多项式构建含侧向加速度约束的避撞参考路径,基于预瞄转向几何理论实现车辆转向控制,利用线性二次型调节器(LQR)得到期望纵向加速度,在避撞结构基础上,基于碰撞时间(TTC)和跟车时距(THW)预判行车风险,以最大加速度和平均加速度评价主动避撞的乘坐舒适性,以最大横向位置误差和航向角误差评价转向控制路径跟踪精度。不同工况下仿真结果表明,该方法转向稳定性和路径跟踪精度较高,且兼顾了避撞安全性和乘坐舒适性。     

基于集成式线控液压制动系统的车辆稳定性控制CSCD

为提高汽车在极限工况下的行驶稳定性,提出了一种基于集成式线控液压制动(IEHB)系统的车辆动力学稳定性控制策略。在多学科领域复杂系统建模仿真平台(AMESim)中建立了IEHB执行机构、15自由度非线性车辆动力学物理仿真模型;采用分层控制构架,运用线性比例控制与非线性补偿控制设计了横摆力矩控制层,设计了制动力矩分配层和执行层以保证被控车辆对参考模型层输出的跟踪品质。结果表明:相比于基于传统车身电子稳定性控制系统(ESC)的动力稳定性控制系统,横摆角速度峰值跟踪误差减少13.6%,收敛时间缩短1.3 s,侧倾角、侧偏角、侧向加速度等也均有明显改善,车辆行驶稳定性显著提高。因而,本控制方法能确保车辆在极限工况下快速、准确地跟踪参考模型输出。     

基于PSO-BP优化MPC的无人驾驶汽车路径跟踪控制研究

针对模型预测控制（MPC）路径跟踪控制器在不同路面附着系数及车速下跟踪误差大的问题，提出了基于粒子群寻优（PSO）-反向传播（BP）神经网络优化MPC的无人驾驶汽车路径跟踪控制策略。首先，设计了MPC路径跟踪控制器；其次，利用PSO-BP对MPC进行优化，以控制器精度和车辆稳定性作为评价函数，获得PSO离线最优时域参数；最后，选择4种工况进行双移线跟踪对比仿真验证。结果表明：所提出的控制策略在保证行驶稳定性的条件下，低路面附着系数低速、高路面附着系数低速、高路面附着系数高速及中路面附着系数中速工况下双移线跟踪横向控制精度分别提高了50%、55%、9%和20%。     

基于模型预测的智能汽车轨迹跟踪控制

针对智能驾驶汽车轨迹跟踪问题,本文验证在五次多项式工况下,模型预测控制的轨迹跟踪效果。本文建立车辆运动学模型,为了便于建立基于模型预测的轨迹跟踪控制器,将所建立的非线性车辆运动学模型线性化,再通过向前欧拉法将系统离散化,得到基于线性时变的预测模型。为了使汽车可以快速且平稳地跟踪目标轨迹,建立包含系统状态量和控制增量的目标函数。最后在Matlab/Simulink中对设计的轨迹跟踪器在五次多项式工况下进行测试,与前轮反馈控制（Stanley）对比,验证此工况下所建立的基于模型预测控制的轨迹跟踪器与Stanley控制相比,可以更准确地跟踪期望轨迹。     

基于增益功率燃油系数的HEV能量管理策略

为了优化等效燃油最小能量管理策略的节油效果，以适用于工程批量应用为导向，制定基于增益功率燃油系数的混合动力汽车(HEV)能量管理策略。基于瞬时优化原理，提出基于增益功率燃油系数的工作模式决策机制，根据电机发电或电动引起的发动机功率与燃油消耗率的变化关系，分别给出电机充电和放电模式下增益功率燃油系数的计算方法。考虑发动机扭矩瞬态快速变化对油耗的影响和电机及电池包充放电效率特性，提出发动机高效区域扭矩滞回控制方法，建立基于增益功率燃油系数的能量管理策略算法架构。基于MATLAB/Simulink搭建控制策略软件模型，通过转鼓试验台进行实车试验验证。研究结果表明：相对于等效燃油最小能量管理策略，基于增益功率燃油系数的能量管理策略提升了节油率和舒适性，在全球轻型汽车测试循环(WLTC)工况下的百公里油耗降低了约4.8%，发动机的启停次数降低了约53%；相对于有效燃油消耗率(BSFC)最优工作点控制方法，发动机高效区域滞回控制方法降低百公里油耗约1.8%；与采用基于动态规划的全局优化能量管理策略的仿真结果对比，在不能提前预知工况的条件下，制定的能量管理策略在WLTC工况与新标欧洲测试循环(NEDC)工况下的油耗与理论最优值差距均较小。     

基于强化学习的智能车辆路径跟踪变参数MPC多目标控制

为了解决智能车辆在工况变化时跟踪精度下降和稳定性变差的问题,提出基于强化学习的变参数模型预测控制(MPC)算法多目标控制策略,实现智能车辆路径跟踪控制系统的参数自适应整定。基于车辆动力学模型设计其线性时变MPC控制器,获得最优前轮转向角和附加横摆力矩。基于Actor-Critic强化学习架构,设计进行控制参数整定的深度确定性策略梯度(DDPG)智能体和双延迟深度确定性策略梯度(TD3)智能体,构造以跟踪精度和稳定性为目标的收益函数,并搭建对接工况和变曲率工况2种典型仿真场景进行算法性能验证,当车辆处于对接工况时,根据路面附着系数的变化及时调整控制器的预测时域和权重矩阵;当车辆处于变曲率工况下时,针对道路曲率变化及时调整控制器的预测时域和权重矩阵。通过MATLAB/SimuLink、CarSim和Python联合仿真分析,将强化学习方法参数整定MPC与固定参数MPC和模糊控制方法参数整定MPC进行对比,结果表明：强化学习方法更能够在保证车辆安全性的前提下,尽可能提高智能车辆在不同路面条件下的路径跟踪精度。在对接工况下,强化学习方法参数整定MPC相较于固定参数MPC和模糊控制方法参数整定M...     

基于内阻功率消耗的锂电池SOC估计

针对锂电池不同使用场合下的剩余电量估算精度的问题,提出了基于内阻功率的放电策略与功率积分的电池剩余电量计算方法。选取电池的1阶Thevenin等效电路模型,通过放电实验确定电池内部参数,建立了电池的可变参数模型。依据电池不同使用需求,通过功率控制电池放电电流,稳定电池的容量,提升了安时积分算法在稳定放电工况下的鲁棒性;将电池的温度、高频率波动电流和健康状况引入积分项,以衡量电池容量消耗速率,并采用功率积分算法估算电池剩余容量。将积分算法与EKF结合,减弱了积分误差对估算精度的影响。搭建实验台架,设计锂电池的放电工况,采用与之对应的放电策略和计算方法。结果表明:本文的方法有效地提升了电池剩余电量的估算精度。     

基于加权自适应递推最小二乘法与EKF的锂离子电池SOC估计

为了实现锂离子电池荷电状态(SOC)的精确估计,建立锂离子电池的二阶等效模型,提出基于加权自适应递推最小二乘法与扩展卡尔曼滤波(ARWEKF)的锂离子电池SOC估计方法。通过静态和动态工况下的仿真和试验进行验证,结果表明:ARWEKF算法的估计精度高于扩展卡尔曼滤波(EKF)算法和基于遗忘因子的递推最小二乘法(FFRLS),其模拟仿真的最大绝对误差为1.36%,均方根误差为0.42%,静态工况试验下的AE为0.67%,RMSE为0.21%,动态工况试验下的AE为1.86%,RMSE为0.56%。     

基于激光雷达的3D实时车辆跟踪

3D多目标跟踪算法是智能车辆感知算法的重要组成部分,现有跟踪算法多与检测算法耦合以提高精度,导致算法实时性不足。针对此问题,本文中提出一种基于激光雷达的3D实时车辆跟踪算法。首先,对于激光雷达检测结果杂波较少的工况,提出结构精简的双波门GNN关联算法,有效提升其关联速度及精度;其次,优化关联向量与关联距离,既保证了算法的普适性,又提升其跟踪精度;最后,针对3D目标运动情况使用3D IMM-KF算法解决了3D机动目标的跟踪问题。基于公开数据集KITTI,本文算法在获得266.1 FPS跟踪速度的前提下可实现81.55%的MOTA精度;基于自研无人车平台进行面对遮挡工况的验证,结果表明本算法具有良好的目标跟踪及关联性能。     

纯电动汽车复合储能系统参数匹配及控制策略

为了解决纯电动汽车用动力电池功率密度低、大电流充放电能力差和循环使用寿命短等问题,以超级电容与动力电池组成的复合储能系统为研究对象,提出了基于典型循环工况的复合储能系统参数匹配优化方法;在满足各循环工况对复合储能系统能量需求与功率需求的前提下,以动力电池容量和超级电容容量为优化变量,对复合储能系统总成本与总质量进行了多目标优化。在此基础上,根据电机需求功率及超级电容荷电状态,以减小动力电池输出电流为目标,制订了基于滤波思想的基本规则控制策略;为更好地适应不同的循环工况,提出了复合模糊控制策略,其中主模糊控制器基于电机功率需求、动力电池荷电状态和超级电容荷电状态得到动力电池输出功率初次分配系数,子模糊控制器根据电机功率需求和超级电容当前荷电状态与其目标值的差值得到动力电池输出功率修正系数,二者协同作用得到动力电池最佳输出功率,并对整车动力性、经济性、动力电池电流和温度特性进行了仿真分析。结果表明:采用所提出的复合储能系统及2种控制方法与单一动力电池的纯电动汽车相比,百公里加速时间分别缩短了6.89%和9.85%,NYCC工况下总能耗分别降低了14.15%和19.08%,动力电池最大电流分别降低了63.4%和65.17%,动力电池温升分别降低了22.87%和61.53%。     

基于反步法的差动转向无人车辆轨迹跟踪

为满足车辆高速大侧向加速度工况下的跟踪要求,本文中对差动转向无人车辆的系统动力学特性和相关稳定性问题进行研究,分析了车辆航向角跟踪误差和路径跟踪的动力学稳定性。基于反步法和饱和控制设计的动力学控制器在稳定车辆内动态的同时跟踪给定的航向角信号。仿真结果证明了所提出控制方案的可靠性,在航向角1阶导数为零或常数的条件下,系统具有良好的跟踪性能。同时,控制器之间的互联稳定性使系统对于一般工况下的目标轨迹都具有良好的跟踪性能。     

考虑参数估计的MPC算法的商用车车道保持控制

设计了一种考虑参数估计的模型预测控制（MPC）算法的、智能辅助驾驶的商用车的车道保持算法,对于难以直接测量的质量和横向速度进行估计。建立车辆动力学模型和状态误差方程,通过扩展Kalman滤波（EKF）和递推最小二乘法（RLS）分别对车辆的横向速度、质量进行估计。基于估计得到的车辆参数,设计MPC车道保持控制器。构建硬件在环（HIL）仿真平台,设置不同的测试工况对车道保持算法进行了验证。结果表明：与普通MPC相比,在偏移回正工况中,车辆纠偏消耗的时间减少28.6%,并且超调量更小;高速路工况的横向位置偏差的均方根误差减小了4.2 cm。该方法提升了纠偏能力和跟踪精度,降低了传感器成本。     

基于道路工况预测的混合动力汽车自适应等效燃油消耗最小策略

为解决传统自适应等效燃油消耗最小策略(A-ECMS)SOC波动频繁和存在坡度时控制效果不佳的问题,提出基于改进型灰色预测的车速预测算法和基于卡尔曼滤波估计坡度的线性拟合函数的坡度预测算法,实现未来短期道路工况(即车速和道路坡度)的预测,从而提出基于道路工况预测的A-ECMS。仿真结果表明,该算法能很好地预测未来短期道路工况,所提出的能量管理策略相比基于SOC反馈的A-ECMS燃油经济性提高了6.54%,电池SOC更稳定且更好地维持在初始值附近。