单拖挂汽车列车路径跟踪控制策略

为提高汽车列车路径跟踪性能，结合模型预测控制和最优曲率预瞄控制设计了路径跟踪控制器。在曲线部分采用模型预测控制以减小横向跟踪误差，在直线部分采用最优曲率预瞄控制来提高行驶稳定性，基于TruckSim/Simulink建立联合仿真模型并进行了仿真分析。结果表明，与对标车型自带路径跟踪控制器相比，在单移线工况下，采用综合控制器的汽车列车轨迹跟踪误差减少了60%以上，稳定性指标改善了7%。     

三轴半挂汽车列车预瞄驾驶员模型设计

以三轴半挂汽车列车为研究对象,以混合型模糊PID为控制器,建立适应于三轴半挂车辆的两点预瞄驾驶员模型。基于序关系分析法建立目标函数,确定不同车速下的最优牵引车及挂车预瞄距离。结果表明:在车速为30 km·h-1时,牵引车和挂车的预瞄距离分别为4 m和2 m,牵引车权重为0.9;在车速为70 km·h-1时,牵引车和挂车的预瞄距离分别为10 m和8 m,牵引车权重为0.75,目标函数最小,控制效果最佳。基于最优预瞄距离、权重的两点预瞄驾驶员模型较自建的单点预瞄驾驶员模型和Trucksim自带的单点预瞄驾驶员模型相比,在超调量、稳定性、转向轻便性方面综合控制效果明显,可在中高速车速下应用,提高安全性。     

基于模型预测控制的智能车横纵向控制器设计

针对智能车横纵向控制中路径跟踪精度、行驶稳定性以及乘坐舒适性等问题,提出了基于模型预测控制(MPC)的横纵向综合控制方法.速度规则系统根据参考路径曲率与车辆跟踪位移误差计算出期望速度曲线,速度跟踪控制采用分层式控制器,上层控制器利用MPC算法计算期望加速度,下层控制器利用车辆逆纵向动力学模型对车辆的驱动和制动进行协调控...     

智能车辆横纵向运动综合控制方法研究

针对智能车辆运动控制中的多种复杂动力学约束及性能需求,提出基于模型预测控制算法的横纵向综合控制方法,分别设计横向和纵向控制器.横向控制器基于单轨动力学模型,纵向采用分层控制结构,以纵向速度为耦合点结合横向和纵向控制器,并根据路径信息规划车辆行驶速度,实现转向和速度同时控制,最后通过Carsim和MATLAB联合仿真.研究结果表明:控制器具有良好的跟踪性能,实时性强,且能够满足车辆横向稳定性、舒适性和平顺性等要求.     

现代无轨列车横摆稳定控制策略

为改善现代无轨列车车体横摆稳定性和路径跟踪性能较差的问题，基于拉格朗日方程建立车辆动力学模型，分析了液压杆刚度对车辆转向性能的影响；为解决方程中含有未知约束力，导致其定量关系无法求解的问题，以横摆角速度误差和轨迹跟踪误差为优化目标，采用遗传算法离线优化了刚度参数，并利用函数插值方法在线预测，得到了不同车速、不同前轮转角下的最优液压杆刚度；为提高车辆轨迹跟踪性能，将横摆角速度跟踪误差与轨迹跟踪误差作为评价车辆横摆稳定性的标准，定义了车辆行驶过程中各个轴的侧向误差与航向角误差，基于滑模控制(SMC)算法设计了车辆横摆运动控制器，计算了期望横摆角速度，并进行了稳定性证明和稳态误差分析；由比例积分(PI)控制器计算分配到各个驱动轴的车体横摆力矩，并在U型弯路径上进行了仿真与试验。研究结果表明：车辆稳态转向时，液压杆刚度与车速、前轮转角直接相关，且在任何情况下，连接模块前部液压杆刚度一定大于后部液压杆刚度，车速在22 km·h^-1左右时最优液压杆刚度最小；车速大于22 km·h^-1时，速度越大，最优液压杆刚度越大，且前部液压杆刚度变化率明显大于后部；车...     

基于横纵向综合控制的智能汽车路径跟踪

针对智能汽车路径跟踪精度不高、稳定性不足的问题,提出一种基于横纵向综合控制的解决方法。该方法在横向控制时,根据模型预测控制器求得最优前轮转向角;纵向控制时,根据加减速控制策略使汽车跟踪期望车速;此外,将横纵向控制耦合起来形成横纵向综合控制。联合使用CarSim和MATLAB/Simulink对综合控制方法进行了仿真试验。计算结果表明：该控制器能够稳定跟踪期望速度,又能够提高路径跟踪精度、行驶稳定性。     

基于模型预测控制无人驾驶车辆避障轨迹跟踪器设计

针对无人驾驶车辆的轨迹跟踪和避障问题,基于模型预测控制算法设计了避障轨迹跟踪控制器,实现避障和轨迹跟踪功能。在不同车速下采用Matlab和CarSim进行联合仿真试验,结果表明:设计的控制器控制性能和稳定性良好,能满足无人驾驶车辆的避障和轨迹跟踪需求。     

预瞄信息空气悬架汽车在加速/制动工况下的LQG控制

建立了基于空气悬架的1/2车辆加速/制动系统模型,通过轴距预瞄在后轮处提前预测路面不平度;设计了基于轴距预瞄控制算法的加速/制动最优控制器;进行了白噪声仿真分析。仿真结果表明:与被动空气悬架加速/制动系统相比,基于轴距预瞄控制的主动空气悬架加速/制动系统能有效降低车辆振动。与最优控制空气悬架加速/制动系统相比,质心加速度和后轮对应处的车身加速度、悬架动行程、轮胎动载均有显著减小,较好的改善了车辆在加速/制动时的平顺性和操纵稳定性。     

半挂汽车列车单点预瞄驾驶员模型参数研究

以半挂汽车列车与单体车为研究对象,应用最优控制建立方向控制驾驶员模型,建立目标函数研究驾驶员模型参数预瞄时间的特点与操稳表现。结果表明:驾驶员模型操纵半挂汽车列车行驶时可找到最佳车速和最佳预瞄时间来提高跟踪能力与侧向稳定性,最佳预瞄时间低车速时与单体车差异小、高车速时较单体车更长。     

山区圆曲线路段半挂汽车列车行驶安全性分析

根据山区圆曲线路段的特点,分析了轮胎的受力和变形情况,建立了半挂汽车列车与山区圆曲线路段的耦合动力学模型。以牵引车和半挂车的轮胎侧偏角和折叠角为指标,运用提出的动力学仿真法分析了不同车速下圆曲线路段半径、超高、滑动附着系数对半挂汽车列车行驶安全性的影响,并与运行速度法和理论极限速度法的计算结果进行对比。仿真结果表明:当圆曲线半径为125m,路面超高为2%,滑动附着系数分别为0.20、0.35、0.50、0.80时,运用动力学仿真法求得的临界安全车速分别为20、35、55、72km·h-1,运用运行速度法求得的临界安全车速均为50km·h-1,运用理论极限速度法求得的临界安全车速分别为18、20、25、30km·h-1;当圆曲线半径为250m,滑动附着系数为0.35,超高分别为0、2%、4%、6%时,运用动力学仿真法求得的临界安全车速分别为35、38、25、20km·h-1,运用运行速度法求得的临界安全车速均为60km·h-1,运用理论极限速度法求得的临界安全车速分别为30、31、32、33km·h-1;当路面超高为6%,滑动附着系数为0.50,圆曲线半径分别为125、250、400、650m时,运用动力学仿真法求得的临界安全车速分别为58、62、70、72km·h-1,运用运行速度法求得的临界安全车速分别为50、60、68、71km·h-1,运用理论极限速度法求得的临界安全车速分别为28、37、48、60km·h-1。可见,提出的动力学仿真法考虑了车辆悬架动力学特性、天气与路面条件,可以准确描述半挂汽车列车的运行状态。     

基于差动制动的单拖挂汽车列车道路跟踪控制

对汽车列车的运动特点进行了研究,建立了考虑铰接角的单拖挂汽车列车驾驶员模型;对挂车制动时车辆运动状态的变化进行了分析,设计了基于差动控制的道路跟踪控制器,建立了基于Simulink和Trucksim的联合仿真模型,验证了双移线工况下模型的路径跟随性和行驶稳定性.结果表明:基于差动制动的单拖挂汽车列车道路跟踪控制器,与单...     

基于自适应模型预测控制的智能车轨迹跟踪

针对传统模型预测算法在智能车辆轨迹跟踪的局限性,引入随道路曲率变化的速度自适应调节算法,设计轨迹跟踪控制器.设计目标函数及添加约束条件,通过Matlab/Simulink软件,在不同车速下与传统算法进行比较,仿真结果表明:不同的纵向车速对传统算法的轨迹跟踪有一定的影响,而对改进后的算法影响较小.尤其当车速较高时,改进后...     

车辆多目标自适应巡航显式模型预测控制

为了兼顾车辆自适应巡航控制(ACC)系统的跟踪控制效果和实时性, 提出了基于显式模型预测控制(EMPC)理论的车辆多目标自适应巡航控制方法; 基于车辆间运动学关系建立自适应巡航控制运动学模型, 根据预测控制理论推导预测时域内的跟踪误差预测模型, 并确定车辆安全性、跟踪性、经济性和舒适性等多性能目标函数和约束条件; 运用显式模型预测控制中的多参数规划理论, 将基于反复在线优化计算的闭环模型预测控制系统转化为与之等价的显式多面体分段仿射(PPWA)系统, 通过离线计算获得期望加速度与距离误差、速度误差、自车加速度和前车加速度等状态变量之间的最优控制律, 并设计在线查表的搜索流程, 通过定位当前状态所处分区, 并应用该分区的显式控制律实现自适应巡航控制; 进行了纵向跟踪工况仿真验证, 并与传统MPC-ACC控制方法进行对比。对比结果表明: 在前车正弦加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了53.51%, EMPC-ACC控制下的平均距离跟踪误差为0.220 3 m, 平均速度误差为0.340 1 m·s-1; 在前车阶跃加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了72.96%, EMPC-ACC控制下的平均距离跟踪误差为0.331 9 m, 平均速度误差为0.399 1 m·s-1。可见, 提出的EMPC-ACC控制算法在保证纵向跟踪性能的前提下, 有效地提高了自适应巡航控制的实时性。      

高速条件下隧道出入口行驶速度特性

为明确山区隧道出入口区段的车辆运行特性和驾驶行为，揭示隧道洞口交通事故的发生机制，在高速公路和城市快速路各选择3座隧道，采集了小客车和货车在隧道出入口区段的断面速度，高速公路单个断面观测样本大于500 veh，快速路隧道单个断面样本大于1 100 veh，基于断面数据分析了车辆行驶速度的变化规律和影响因素，并建立了运行速度预测模型。分析结果表明:驾驶人临近隧道洞口时会减速，小客车速度降幅为12~21 km·h-1，货车速度降幅为2~10 km·h-1，货车速度降幅低于小客车；洞口位置小客车运行速度大于80 km·h-1，货车运行速度大于70 km·h-1；高速公路隧道出入口段的车速范围为75~110 km·h-1，快速路隧道出入口段的车速范围为60~88 km·h-1，高速公路隧道出入口段的车速普遍高于城市快速路隧道; 驾驶人进入隧道洞内适应环境之后会加速行驶，驶出隧道时有加速行为，但当隧道出口前方有小半径弯道和互通立交时，驾驶人会减速以适应前方的道路条件；隧道入口前100 m至洞口范围内的车辆减速度最大，货车减速度范围为0.23~0.58 m·s-2，小客车减速度范围为0.47~ 0.70 m·s-2；同一断面的速度观测值存在较强的离散性，表明车辆之间存在明显的纵向干涉，容易发生追尾事故。      

基于单片机TC275的无人物流车控制器设计

基于英飞凌单片机TC275设计了无人物流车的控制器.TC275通过解析惯性导航仪得到自车信息,并且接收来自计算平台NVIDIA JetsonTX2的路径规划决策信息.在应用层建立了基于模型预测控制算法的路径跟踪模型并生成代码,在底层设计了串口驱动、GTM驱动、ADC驱动以及CAN通信,控制无人物流车的驱动电机和转向舵机...     

桥隧组合复杂场景速度行为特性及线形评价

为研究山地城市快速路桥隧组合场景的“车-路”耦合环境和线形协调程度,在重庆市主城区快速路3隧2桥组合场景开展自然驾驶实验,采集18名驾驶员的实时运行速度和13个断面的小型车地点车速,根据道路条件和运行速度数据构建线形综合评价模型。实验结果表明：在隧道-桥梁-隧道多场景切换连接方式中,主线路段的运行速度均值分布在50.00～64.25 km·h^-1;驾驶员在桥梁路段行驶最为警惕,从桥梁驶进衔接匝道或隧道入口时,车辆速度明显减小,有15%以下的车辆会低速通行或经历严重的交通拥堵,其速度分布在8.00～39.50 km·h^-1;验算实验路段的“车-路”耦合强度发现,实验路段整体运行安全状况水平良好,线形条件较好。对山地城市快速路桥隧组合场景的速度行为管控不能只依靠对单体隧道或桥梁的交通管理手段和治理措施,需考虑与上游道路衔接路段的距离和受信号控制的时长等。     

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

城市快速路速度引导预测控制模型

在城市快速路控制系统中,将速度引导作为控制变量,建立了宏观动态交通流模型。以车辆总行程时间与速度引导为目标函数,计算了城市快速路入口区域流量和匝道入口区域流量,建立了快速路速度引导预测控制模型,对速度引导进行优化设计,利用MATLAB软件对下游交通流突变进行仿真分析。分析结果表明:通过速度引导控制,交通流平均速度由72.704 6km.h-1上升到74.167 6km.h-1,交通流平均密度由23.011 2veh.km-1下降到21.156 7veh.km-1,波动均小于8%;速度方差下降,且最大值仅为420(km.h-1)2;速度引导控制前后的速度方差与密度方差之比分别为3.57、1.91;在交通流突变时段内,速度引导控制前后的速度方差与密度方差之比分别为4.56、2.34。可见,速度引导控制模型有效。     

基于轨迹-速度耦合策略的复杂道路汽车行驶速度决策

为了提供复杂道路上汽车自动驾驶的目标速度,提出了基于前视轨迹曲率的速度决策算法:首先决策出前视断面的轨迹点,算出每个点位的轨迹曲率并将其作为输入数据;然后从时间最省、驾驶最舒适、定速巡航以及混合模式中选择其一作为决策目标;在速度界限以及纵向/侧向舒适性约束下进行滚动时域优化,决策出前视断面上的期望速度值,随着车辆的行驶前视断面依次向前滚动,最终得到沿行驶距离变化的速度曲线.用复杂山区道路的实测数据验证了模型的精度,以2条公路和1条赛道作为仿真算例,结果表明:(1) 通过组合不同的轨迹决策目标和速度决策目标,能够得到多种驾驶模式的速度曲线,进而模拟出多种实际驾驶行为;(2) 由于前视轨迹是在通道边界内生成,弯道半径、转角、回旋线、路宽、偏转方向等用于确定通道边界的道路变量,都会改变轨迹特性进而影响行驶速度,因此,本文算法能够适应复杂的道路几何条件.