非理想车载网络状况下四轮独立电驱动车辆的动力学控制

以直接横摆转矩控制为例,通过仿真初步分析了四轮独立电驱动车辆分布式控制系统中车载通信网络的非理想状况(延时、丢包等)对车辆动力学控制的影响。仿真结果表明,通信延时等非理想网络状态会对车辆动力学的控制效果和稳定性产生显著影响,而基于网络预测的直接横摆转矩控制算法,可有效补偿通信延时和丢包等的不利影响,获得较好的控制效果。     

基于DRL的四轮独立驱动电动车辆的侧向车速估计

为精确估计车辆行驶状态,提出了一种四轮独立驱动电动车辆侧向车速估计方法。基于深度强化学习(DRL)范式,设计了侧向车速估计方法的架构;基于深度确定性策略梯度(DDPG)算法,设计了DRL智能体;采用循环神经网络,搭建了DDPG算法中的Actor网络和Critic网络。基于设计的奖励函数和训练场景,借助Matlab/Simulink软件,完成了算法的实现和训练;并通过在车辆双车道变换等实际行驶工况的仿真,进行了验证。结果表明：在经过了630次的学习训练之后,与扩展Kalman滤波方法相比,本文方法的估计精度提升40%。因而,本文方法能够在常用行驶工况中对车辆侧向车速进行估计。