基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

车路协同环境下交叉路口多车速度优化研究

为减少智能网联电动车辆在城市交叉路口工况下行驶的能耗,并制止车辆在车队中的碰撞,提出一种车路协同环境下的智能网联电动车辆速度优化与避撞分层耦合控制系统.上层模型基于交通信号灯相位时序与车辆动力学模型进行车辆速度优化;下层结合优化后速度和模型预测控制进一步优化车队内车辆车速,防止与前车发生碰撞.利用Matlab平台搭建控制系统仿真模型,并基于车辆队列通过交叉路口的工况对所提出的分层耦合控制系统进行有效性验证.仿真结果表明,分层耦合控制系统可根据交通工况不同,计算出能耗最低且避免碰撞的最优速度曲线,所提出的系统能够确保智能网联电动车辆更加节能、安全地稳定行驶.     

考虑能源消耗的城市路网信号优化研究

通过对信号交叉口和路段车辆能源消耗的研究,提出了城市路网能耗计算公式。将路网能源消耗以及最优交通信号设置问题结合起来研究,以路网能源消耗最小为目标,用双层规划方法综合优化信号配时方案,进而得到能源消耗最优平衡网络信号优化模型,以达到最大程度地降低路网交通能耗的目的。在此基础上,给出了描述上述问题的基于免疫选择的自适应繁殖的混沌粒子群求解算法。最后,结合路网各项指标对信号控制优化方法进行分析,通过算例应用证明了方法的有效性。     

车辆对行人速度障碍自主避碰的驾驶方法

针对过街行人与智能车辆之间运动协调中的安全避碰问题,设计一种CVIS环境下的基于行人避碰的车辆驾驶控制器.结合速度障碍法的基本原理提出车辆对过街行人的避碰规则,在此基础上搭建模型预测控制框架,提出车辆对行人的自主避碰算法.综合考虑车辆驾驶的操作约束,以最小化车速变化及满足驾驶员操作舒服性要求为控制目标,在车辆对行人避碰的前提下优化车辆的驾驶策略.分别设置车辆直行避碰与允许换道避碰两种控制场景,在MATLAB环境下对车辆驾驶控制效果进行仿真实验.结果表明:车辆对不同情况的过街行人,能够通过加速或减速进行避碰;通过与七次多项式换道轨迹进行对比,自主避碰驾驶的安全性更高.     

智能电动车辆横纵向协同运动控制

针对车速变化下的车辆轨迹跟随稳定性问题,提出一种基于模型预测控制（MPC）与滑模控制结合的横纵向协同控制策略。建立描述车辆纵向、横向及横摆运动状态的三自由度动力学模型;然后,设计模型预测控制器对车辆期望轨迹进行跟踪,考虑车辆行驶运动过程中横纵向耦合问题,将纵向车速作为横向控制系统的状态量,并利用反馈矫正机制不断更新预测模型;在此基础上,采用滑模控制算法对期望车速及加速度进行跟踪,并采用饱和函数作为指数趋近率以减小抖振;采用基于规则的制动转矩分配方式得到行驶过程中各个车轮的需求转矩。该控制策略考虑了车辆动力学中的横纵向耦合问题,可在线处理车辆动力学约束,将车辆稳定跟踪期望轨迹的问题转化为求解带约束的最优控制问题。仿真结果表明所提出控制策略的有效性。     

基于决策优化模型的驾驶行为建模方法

为了能在微观交通仿真模型中对复杂交通环境下的驾驶行为进行统一的数学描述，提出一个基于决策优化模型的驾驶行为建模方法.通过扩展Helly跟车模型并将其等式约束变换为不等式约束，建立驾驶员的可行加速度决策空间，再依次求解轨迹最优目标和速度最优目标，得到一个满意的横纵加速度.该建模方法将跟车、换道、超车、穿插、制动等驾驶行为统一地在驾驶行为决策优化模型进行描述中，模型结构灵活，模型参数校正方法简单明了，适用于交通环境复杂的混合交通流微观仿真建模.     

基于虚拟边界的二维智能驾驶模型及应用

为了对车辆在复杂异质交通流环境下(如出口匝道处)的侧向和纵向二维运动进行建模和预测,首先提出虚拟边界场概念,从微观层面上分析虚拟边界场对驾驶行为的作用,并据此建立虚拟边界场模型。同时考虑周围车辆的影响,将虚拟边界场理论与二维智能驾驶模型(intelligent driver model, IDM)结合,提出了基于虚拟边界场的二维IDM模型,刻画和预测车辆的二维轨迹。采用动态时间规整(dynamic time marping, DTW)的边界场优化方法对模型参数进行标定,并对模型的有效性进行验证。采用粒子群算法(particle swarm optimization, PSO)求解出最优虚拟边界场位置,并进行误差分析。结果表明：针对Mirror-Traffic数据,车辆轨迹的预测误差可控制在3.1%～8.2%,针对NGSIM数据的轨迹预测误差可控制在3.8%～28.2%,所提出的模型能够描述并预测传统车辆在匝道处混合交通流环境下的横向和侧向的二维运动。所提出的方法可以为自动驾驶车辆在混合交通流中的轨迹规划提供基础信息。     

系统效率最优的功率分流式混合动力汽车非线性预测控制

针对一种基于双行星排构型的功率分流式混合动力汽车,建立系统动态模型,准确描述其转速转矩耦合关系,通过建立各部件的效率模型,分析不同模式下系统的工作效率. 设计控制器结构框架,以系统工作效率和电池充放电平衡为目标,构建基于模型预测控制的优化问题,采用一步马尔科夫链模型预测驾驶员需求转矩及车速,将有限时域内的优化问题转化为非线性规划问题,基于序列二次规划算法实现优化求解. 仿真研究表明,基于系统效率最优的预测控制器能够维持电池的充放电平衡,在美国城市驾驶循环（UDDS）下,当电池初始电池荷电状态（SOC）分别为0.50、0.55和0.60时,相较于以发动机燃油消耗最优为目标,车辆等效燃油经济性分别提高了7.17%、5.73%和10.11%,验证了控制器的有效性和优越性.     

基于改进MOEA/D算法的含可再生能源系统协同优化调度

针对含可再生能源系统协同优化调度方法存在SOC值控制约束能力差、调度能耗高的缺点,提出基于改进MOEA/D算法的含可再生能源系统协同优化调度方法。首先构建含可再生能源系统中关键发电模型,分别为光伏阵列模型、风力发电模型以及储能蓄电池模型,然后以能耗最低为目标,构建出系统的协同优化调度函数,得出电功率及热功率平衡的函数约束条件,最后利用改进MOEA/D算法求解出函数最优解,实现含可再生能源系统协同优化调度。实验结果表明,本文方法的SOC值控制约束能力好,SOC值控制结果最接近理想状态,在环保性最优准则下系统调度能耗低,24 h能耗功率为0.6 kW。     

视觉导引AGV分段预测控制模型设计

针对视觉导引自动导引车的路径跟踪问题,提出了一种采用预测控制理论的分段控制模型. 利用不等式约束对控制问题进行分段,首次提出以转弯半径为约束条件,解决了优化过程目标函数权重选择困难的问题. 在每个控制阶段,采用单步预测方法找到最优的目标点,在输入约束和状态约束下用解析方法直接解出最优控制量,提高了解最优问题的速度. 整个控制模型及方法目标明确,计算快速且计算量小,完全可以满足实时控制的需要,仿真结果证明了预测模型的有效性.     

基于制动强度的能量回收控制方法

针对高效利用电动车能量的问题,提出了一种基于制动强度的电动汽车能量回收控制方法.基于车辆制动的理想曲线和ECE曲线,结合制动强度将制动情况分成四种类型并给出了每种类型所需制动力.基于模糊控制理论提出了机械制动力和电机制动力分配比例的模糊控制模型,建立了再生制动比例与车辆行驶速度、制动力和电池电荷量三个指标之间的模糊模型.在NEDC工况上进行了实验,结果表明,本文方法在回收能量数量、能量回收率和能量效率等方面都具有更好的性能,能够使电动汽车制动策略更加科学节能.     

Cloud Computing Based Optimal Driving for a Parallel Hybrid Electric Vehicle

A cloud computing based optimal driving method is proposed and its feasibility is validated through a real-world scenario simulation. Based on principles of vehicle dynamics, the driving optimization problem has been formulated into an optimal control problem constrained by traffic rules, directed at achieving lower equivalent fuel consumption and shorter travel time. In order to conveniently specify the constraints and facilitate the application of the dynamic programming (DP) algorithm, the driving optimization problem is transformed into spatial domain and discretized properly. Considering the heavy computational costs of the DP algorithm, a cloud computing based platform structure is proposed to solve the optimal driving problem in real-time. A case study is simulated based on a real-world traffic scenario in Matlab. Simulation results demonstrate that the cloud computing framework is promising toward realizing the real-time energy management for hybrid electric vehicles.     

基于最小流量的液压机械臂冗余分解

针对冗余液压机械臂预设轨迹下的能量优化问题,提出基于最小流量的液压机械臂冗余分解方法. 采用D-H参数法推导液压机械臂的运动学方程,构建末端速度与液压缸缸速的映射,建立系统能耗模型. 基于最小缸速范数法求解能量次优的冗余分解以部分降低能耗. 以液压系统流量最小为目标,通过优化加权雅可比矩阵求解能量最优的冗余分解. 为了提高计算效率,提出加权雅可比矩阵权值的动态优化方法,实现在线最优运动规划. 在研制的液压机械臂试验平台对冗余分解方法进行试验验证. 三关节平面运动试验结果表明,相比于现有梯度投影法和最小缸速范数法,所提最小流量优化方法相同末端轨迹的运动能耗降低超过5%.     

爆胎车辆轨迹控制的仿真

为了解决高速公路爆胎车辆出现偏航的问题,进行了爆胎车辆轨迹控制的仿真研究。首先确定了爆胎车辆轨迹控制的评价指标,然后讨论了静态比例、积分、微分( proportion integration differentiation, PID)控制器对高速公路爆胎车辆轨迹的控制效果。由于在某一行驶车速下建立的静态 PID 控制器不能很好地控制行驶在其他车速下的爆胎车辆,因此,采用了增益可变 PID 控制器处理爆胎车辆的轨迹控制问题,其中变增益 PID 控制器的参数是事先针对不同的爆胎车速标定获得的。仿真实验结果表明：变增益 PID 控制方案应用于爆胎车辆轨迹控制,可在保证车辆稳定行驶的同时控制车辆的行驶轨迹,使其在出现较小的偏移后回到原路径。     

考虑电池寿命的插电式混合动力汽车能量管理优化

考虑电池寿命对插电式混合动力汽车全寿命周期成本的影响,以综合燃油消耗和电池寿命衰减最小为目标开展电池充放电功率的多目标优化研究. 引入权重系数将多目标优化问题转化为单目标优化问题,采用动态规划（DP）算法求解实现全局最优,并根据优化结果选择最优权重系数. 为了解决动态规划算法运算速度慢、须预知工况的缺陷,以最优权重系数的优化结果训练神经网络控制器并将其应用于控制策略中. 仿真结果表明,与以油耗为单一目标的优化相比,多目标优化可使电池寿命衰减减少13.5%,而燃油消耗仅增加0.5%,在保证燃油经济性的同时有效减少电池寿命的衰减程度;基于神经网络的控制策略有效克服了动态规划算法的缺点并能达到与其相近的运算效果,具有较好的应用前景.     

纯电动轿车制动能量回收节能潜力仿真分析

从整车能量消耗入手,分析纯电动轿车能量流机理,建立整车耗电量与工况、整车参数、部件效率以及制动能量回收比例之间的函数关系,通过求解基于工况的特征权值,研究不同车型在各工况中的节能潜力,为纯电动轿车整车参数匹配提供理论依据。通过分析制动力分配策略,量化制动能量回收比例,进一步计算整车节能度,研究制动能量回收效果。通过在Matlab/Simulink中构建仿真模型,完成整车节能度的计算,并与AVL/Cruise仿真结果进行对比分析,结果表明本文方法能够很好地反映整车节能效果,完全满足整车节能潜力分析的要求。     

State Estimation of the Electric Drive Articulated Dump Truck Based on UKF

The requirements of vehicle dynamic stability control are higher than ever as the significant increase of electric drive articulated vehicle speed. According to the construction features of articulated dumping truck and nonlinear characteristics of moving vehicles, nonlinear observer of vehicle status is designed to strength robustness of dynamic control system in this paper. A 4-degree-of-freedom nonlinear dynamic model of articulated electric drive vehicle is built as reference model to estimate the state of the articulated vehicle. And by adopting Unscented Kalman Filter (UKF) algorithm, a series of state parameters such as longitudinal velocities of front and rear frames, yaw rate and side-slip angle are estimated. During the test of 60 t articulated electric drive vehicle, 2 inertial navigation modules are installed in the front frame and rear frame respectively and the speed of each electric drive wheel is obtained simultaneously. As the test results suggest, in various working conditions, the algorithm based on UKF is able to accurately estimate the state parameters of articulated vehicle with the estimated error less than 5%. The proposed method is justified to be the theoretical basis and application guidance for articulated vehicle stability control.     

前后轴独立驱动的增程式电动汽车整车控制策略

纯电动汽车因续驶里程短和充电速度慢等原因制约了其进一步发展,增程式电动汽车在保证较低燃油消耗率的前提下弥补了纯电动汽车的缺陷。本文以前后轴独立驱动的增程式电动汽车为例,以保证整车的动力性能和降低燃油消耗率为出发点,提出了前后轴独立驱动增程式电动汽车的整车逻辑门限控制策略,该策略控制发动机的工作点随整车需求功率的变化而工作在不同的最优燃油消耗点上。仿真分析可知发动机在不同工况下均可以工作在低燃油消耗点附近,这表明该控制策略可实现对整车燃油经济性的良好控制。     

强化学习无人机通信系统中的信息年龄优化

针对6G移动通信系统中信息新鲜度表征和优化问题,提出基于信息年龄的信息新鲜度表征方法,并形成无人机能耗约束下的最小化信息年龄优化问题.而离散的信息年龄优化目标和复杂能耗约束使得非凸优化问题难以求解,因此提出基于强化学习(RL)的无人机轨迹方法.该方法构建与信息年龄相关的奖励函数以快速实现智能化的无人机轨迹决策,从而降低...     

基于驾驶员需求转矩预测的模型预测控制能量管理

以并联式混合动力车辆为研究对象,基于驾驶员需求转矩预测,采用线性时变模型预测控制算法对对象车辆进行能量管理控制. 根据驾驶员前一段时间内的需求转矩,可以预测下一时段内驾驶员的需求转矩. 与指数函数预测方法相比,自回归模型在预测步长200步之内的预测准确度比指数函数高. 根据纵向动力学公式,可以由预测获得的需求转矩序列计算获得预测的车速序列;采用线性化处理的方法,将具有非线性特性的车辆模型转化成线性时变模型,采用线性时变模型预测控制算法进行求解;将基于驾驶员需求转矩预测的模型预测控制算法和基于规则的控制算法、工况已知的模型预测控制算法进行对比. 对比结果表明：基于驾驶员需求转矩预测的模型预测控制算法与基于规则的控制算法相比,在NEDC、UDDS和WLTC这3个标准工况下的燃油经济性均有所提高,但是与工况已知时的计算结果相比有提升的空间.