基于RBF神经网络的智能网联车辆队列控制

为了消除大多数现有智能网联车辆队列控制成果中车辆纵向动力学模型已知的假设,研究具有未知动态的智能网联车辆的队列控制问题,提出了基于径向基函数神经网络的分布式车辆队列控制方案。该方案先利用欧拉法将车辆的纵向动力学模型进行了离散化,后结合反步法和径向基函数神经网络设计了离散分布式车辆队列控制器。相较于现有成果,该方案通过利用径向基函数神经网络逼近车辆的未知非线性动态,取消了车辆动力学特性完全已知的假设。此外,相较连续的队列控制算法,离散的控制算法更适合数字控制器的实现。最后,通过理论分析和仿真模拟的方式验证了所提出算法的有效性。     

基于组合间距策略的自适应车辆队列纵向控制

针对车辆队列被外部车辆换道超车的场景,外部车辆与队列中的车辆存在异质性,不同车辆适用的间距策略也存在差异性。此外,不同的车辆队列间距策略在道路适应性、车辆队列系统稳定性和串稳定性等方面均存在优势和缺陷。基于此提出一种基于组合间距策略的智能网联车辆队列控制方法,以优化队列车辆的间距。现有的协同/分布式队列控制方法大多基于精确的车辆动力学模型,这要求获得完整的车辆动力学先验知识,并进行非线性-线性模型的转换。然而,在实践中获取精确的先验知识信息往往具有挑战性,且在车辆间进行信息交互的过程中,不可避免地会产生通信时延。因此,在考虑网络环境通信时延的基础上,提出了一种基于自适应积分滑模车辆队列控制器的分布式后向控制方案,该方案可以在线识别和估计未知参数,从而解决三阶车辆节点动力学模型中参数不确定性影响系统稳定性的问题。在设计的积分滑模面中,采用饱和函数替代传统滑模面的符号函数,进一步解决了控制结果中容易出现抖振的问题。然后,利用Lyapunov-Krasovskii定理和无穷范数进行了组合间距策略和间距策略切换下车辆队列系统的内部稳定性和串稳定性分析。最后,通过与现有控制算法进行仿真比较分析,...