排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
深入分析了质心侧偏角、横摆角速度和路面附着系数与汽车稳定性之间的关系,根据汽车线性2自由度模型获得了汽车期望质心侧偏角和期望横摆角速度的稳定值,并提出了基于递归最小二乘法的路面附着系数识别算法。在此基础上,基于滑模控制理论采用指数趋近律分别设计了横摆角速度、质心侧偏角和两者联合为控制变量的汽车稳定滑模控制器,获得附加横摆力矩。Car Sim/Simulink仿真验证了所提出的路面附着系数估算算法的正确性和对应路面附着系数下汽车稳定控制策略的有效性。同时,基于Car Sim/Lab VIEW RT的硬件在环仿真试验,验证了所提出控制策略的可行性。 相似文献
3.
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... 相似文献
4.
5.
6.
1