无人驾驶车辆稳态漂移的无模型自适应控制

本文引入一种基于无模型自适应控制算法的无人驾驶车辆稳态漂移控制方案.首先,对车辆漂移动态过程进行动力学分析,其次,确定控制系统的控制输入量和控制目标,然后基于无人驾驶车辆稳态漂移控制系统的动态线性化数据模型,设计无模型自适应稳态漂移控制算法、伪雅可比矩阵估计整定算法和伪雅可比矩阵重置算法,从而实现无人驾驶车辆的稳态漂移过程.该无模型自适应控制方法仅使用车辆运行时的输入输出数据,无须进行复杂建模,实现了良好的动态控制结果,具有的良好自适应性.最后,通过数值仿真验证了控制算法的有效性.     

基于MFAPC的无人驾驶汽车路径跟踪方法

为提高无人驾驶汽车转向系统对目标路径的跟踪精度,提出一种新的无人驾驶汽车路径跟踪方法。介绍基于跟踪预瞄点的无人驾驶汽车横向控制方案,给出系统的动态线性化数据模型及其多步预测方程,并采用最小二乘法推导出伪梯度向量的估计和预测方程。结合无模型自适应控制与预测控制的优点,能够通过滚动优化策略进行反复的在线计算,从而得到较好的动态性能。基于CarSim/Simulink联合仿真平台,在车速分别为5 m/s、20 m/s时进行验证,结果表明,与基于车辆动力学的MPC方案相比,该方法具有更好的跟踪效果。     

基于坐标补偿的自动泊车系统无模型自适应控制

针对自动泊车系统,提出了无模型自适应控制(Model-free adaptive control, MFAC)方案.控制方案的设计仅利用泊车系统的前轮转角输入数据和车身角输出数据,不包含车辆模型信息.因此,针对不同车型的自动泊车系统,该方案均能实现无模型自适应控制.为了改善期望轨迹的坐标跟踪误差,进一步提出基于坐标补偿的无模型自适应控制方案,该方案由控制算法、参数估计算法、参数重置算法和坐标补偿算法构成.针对不同车型不同泊车速度的仿真结果表明,基于坐标补偿的MFAC方案和原型MFAC方案均能较好地完成自动泊车过程,且基于坐标补偿的MFAC方案相比原型MFAC方案和PID控制方案,在轨迹坐标和车身角等方面均具有更小的跟踪误差和更快的响应速度.     

基于紧格式线性化的无模型动态矩阵控制

针对常规无模型自适应控制(MFAC)算法只利用了受控系统I/O数据的零阶信息,许多系统内部信息没有充分利用的缺陷,提出了一种基于紧格式线性化的无模型动态矩阵控制方法.该方法利用紧格式线性化方法把非线性系统转化为一组由伪梯度向量描述的线性系统,将动态矩阵控制算法的预测模型和该伪梯度向量相结合,推导出无模型动态矩阵控制的动态模型.在此基础上,利用滚动优化和反馈校正等策略,推导出了无模型动态矩阵控制律的解析式.由于该方法中引入了受控系统I/O数据所带的系统内部信息,极大地提高了预测模型的精确性,增强了系统的鲁棒性,从而有效改善了控制器的控制性能.仿真结果表明该算法具有一定的结构自适应性、良好的伺服性和较强的鲁棒性.     

带有迭代学习外环的快速路入口匝道无模型自适应预测控制

针对快速路交通系统复杂时变以及难以建模的特点,首先,本文设计了基于无模型自适应预测控制的快速路入口匝道控制方案.其次,根据快速路交通系统具有重复性特点,本文在无模型自适应预测控制方法的基础上引入开环迭代学习控制,提出一种带有迭代学习前馈外环的无模型自适应入口匝道预测控制方案.相比无模型自适应预测控制方案,该方案可以利用迭代学习前馈控制器补偿系统可重复扰动,实现系统的完全跟踪.值得说明的是,预测控制器和学习控制器可以独立工作也可以联合工作.最后,文章给出了控制方案的收敛性分析,并通过交通流仿真验证了所提控制方案的有效性.     

基于BP算法的无模型自适应迭代学习控制

为了改善针对一般非线性离散时间系统的控制性能,引入"拟伪偏导数"概念,给出了般非线性离散时间系统沿迭代轴的非参数动态线性化形式,并综合BP神经网络以及模糊控制各自的优点,提出了基于BP算法无模型自适应迭代学习控制方案.仿真结果表明,该控制器对模型有较强的鲁棒性和跟踪性.     

高速列车数据驱动无模型自适应容错控制

针对高速列车运行控制中的牵引/制动力约束和执行器故障问题,提出一种基于偏格式动态线性化的无模型自适应容错控制(PFDL-MFAFTC)算法.首先,利用无模型自适应控制框架下的伪梯度概念,将难以精确获取参数(列车质量、阻力以及执行器故障等)的高速列车动力学模型转化为偏格式动态线性化数据模型;其次,利用径向基函数神经网络(...     

基于神经网络机械臂自适应控制的研究与实现

提出了一种基于神经网络的机械臂自适应控制方法,该方法主要利用DIRECT模型,采用八叉树算法构建基于空间的神经网络,避免建立复杂的机械臂运动学模型,通过随机映射的方法建立机械臂与运动空间的关系,实现了自适应轨迹规划.仿真实验结果表明,所提出的机械臂自适应控制方法更容易实现.     

智能汽车自动驾驶的控制方法研究

为了解决智能汽车在无人驾驶的情况下自动跟随前方车辆行驶的问题,在预瞄跟随理论基础上提出一种自动驾驶的控制方法;该方法适用于控制一列智能车队,智能汽车通过接收前车发送的行驶状态来计算出前方路况,通过模糊自适应PID控制器来控制车辆驾驶;首先基于预瞄跟随理论设计一个汽车自动跟随模型,并指明需要跟随的物理量;然后,设计了一个模糊PID控制器来实现对给定物理量的跟踪;最后在dSPACE和飞思卡尔模型小车所搭建的实验环境下去验证控制方法的可行性;仿真实验结果表明该方法能够保证智能汽车具有良好的路况计算和车辆跟踪的精度,且具有较好的鲁棒性。     

人机共驾智能车辆车道偏离横向辅助控制仿真

车道偏离辅助控制对于提高人机共驾智能车辆行驶安全性具有重要的现实意义,为此进行人机共驾智能车辆车道偏离横向辅助控制仿真研究.对车道线进行识别与跟踪,并采用基于车辆当前位置和基于车辆跨越车道线时间的联合算法进行智能车辆车道偏离判断;建立车辆系统模型和驾驶员模型,并通过基于转向和制动的可拓联合方法实现车辆偏离的横向辅助控制.实验结果表明,所研究方法在转向反应时间、车道偏离持续时间、最大转向角速度与最大横向偏离量四个指标的表现上更好,人机共驾智能车辆车道偏离横向辅助控制效果更佳.     

基于数据驱动的非线性网络系统自适应迭代学习控制

针对非线性网络控制系统中测量数据的量化及随机丢包问题,给出一种基于数据驱动的自适应迭代学习控制算法.该算法能够保证系统在数据量化、随机丢包以及不确定迭代学习长度等因素的影响下,经过有限次迭代后输出轨迹跟踪误差收敛到零;借助伪偏导线性化方法,将非线性系统转换为线形时变系统形式;在线性系统框架下利用前一批次的系统输出信息更新自适应学习增益.与传统迭代学习控制算法不同的是,该算法无需预知迭代长度的先验信息和控制系统模型信息.最后通过Matlab仿真实验验证所提出算法的有效性.     

智能车辆自动超车系统的数据驱动路径跟踪约束控制

针对智能车辆自动超车系统,提出了一种新的数据驱动超车路径跟踪约束控制方案,系统控制方案的设计仅利用自动超车系统的输入/输出数据,并不包括车辆的模型信息,所以针对不同的车型均能够实现自动超车的数据驱动路径跟踪约束控制.在控制器的设计过程中,针对控制输入受变化范围和变化速率的限制,提出了一种新的动态抗饱和补偿器来解决饱和问题.最后给出了数据驱动约束控制与原型无模型自适应控制(model free adaptive control,MFAC)以及PID控制的仿真结果对比,结果表明,本文所提控制方案能够很好的完成自动超车过程的路径跟踪,且相比原型MFAC以及PID控制方案,本文方案具有更小的跟踪误差和更快的响应速度.     

基于快速算法的模糊神经网络自适应控制

针对过程控制中被控对象常具有非线性、不确定性及参数时变等复杂因素，而难以建立精确的数学模型的情况，提出了一种基于快速学习算法的模糊神经网络自适应预测控制方案。该方案用神经网络作辨识器，模糊神经网络作控制器来实现非线性系统的自适应预测控制。为了克服传统的梯度下降法收敛速度慢、容易陷入局部极小值的缺点，该方案采用递推最小二乘法训练模糊神经网络。仿真结果表明，该方案可以实现模糊控制和神经网络的优势互补，对不确定非线性系统具有很好的控制效果。     

随机时延下多输入多输出多智能体系统事件触发双向编队

针对动力学模型未知的多输入多输出非线性离散时间多智能体系统的随机时延问题,提出一种输入增益补偿策略,并针对其通讯受限问题,提出一种带有死区操作器的事件触发控制机制.首先,采用伪偏导技术沿时间轴方向,在智能体的每个工作点上建立一种紧格式动态线性化数据模型,并给出该数据模型的参数估计算法.在此数据模型的基础上结合符号图论,研究智能体之间的合作与竞争关系,设计一种事件触发的数据驱动双向编队控制算法.最后,通过李雅普诺夫稳定性理论、矩阵理论以及压缩映射原理论证所提出算法的收敛性,并通过仿真实验和实物实验进一步验证该算法的正确性与有效性.     

轮式移动机器人的数据驱动轨迹跟踪滑模约束控制

针对有输入饱和约束的轮式移动机器人(WMR)的轨迹跟踪问题,提出一种抗饱和无模型自适应积分终端滑模控制方案.该方案基于紧格式动态线性化技术,构建WMR系统的在线数据驱动模型.在积分终端滑模控制器设计过程中,引入动态抗饱和补偿器,以解决WMR系统轨迹跟踪过程中执行器饱和问题.控制器设计仅利用控制系统的输入输出数据,与WMR系统模型信息无关.因此,针对不同类型的WMR系统,该方案均可实现.最后,通过仿真实验将所提出的方法与PID方法的控制效果进行对比,仿真结果表明,所提出的控制算法的跟踪误差更小且响应速度更快.     

Adaptive Pseudo Inverse Control for a Class of Nonlinear Asymmetric and Saturated Nonlinear Hysteretic Systems

This paper aims at eliminating the asymmetric and saturated hysteresis nonlinearities by designing hysteresis pseudo inverse compensator and robust adaptive dynamic surface control (DSC) scheme. The “pseudo inverse” means that an on-line calculation mechanism of approximate control signal is developed by applying a searching method to the designed temporary control signal where the true control signal is included. The main contributions are summarized as: 1) to our best knowledge, it is the first time to compensate the asymmetric and saturated hysteresis by using hysteresis pseudo inverse compensator because the construction of the true saturated-type hysteresis inverse model is very difficult; 2) by designing the saturated-type hysteresis pseudo inverse compensator, the construction of true explicit hysteresis inverse and the identifications of its corresponding unknown parameters are not required when dealing with the saturated-type hysteresis; 3) by combining DSC technique with the tracking error transformed function, the “explosion of complexity” problem in backstepping method is overcome and the prespecified tracking performance is achieved. Analysis of stability and experimental results on the hardware-in-loop platform illustrate the effectiveness of the proposed adaptive pseudo inverse control scheme.      

基于分支定价算法的双层轿运车运输问题

整车物流中双层轿运车运输问题属于一类需要考虑乘用车装载(vehicle filling problem, VFP)及轿运车路径规划(vehicle routing problem, VRP)的组合优化问题,称此类问题为VFRP(vehicle filling and routing problem).由于VFP和VRP的问题复杂性均为NP完全问题(non-deterministic polynomial complete problem, NPC),且VFRP等组合优化问题模型的目标函数及约束往往具有非凸结构,使得该类问题的线性化处理、精确算法的设计及求解效率的提升一直是该领域的研究难点.对此,以轿运车使用成本最低为目标,构建双层轿运车的VFRP模型,在此基础上提出两种线性化方法并设计改进分支定价算法(branch-and-price algorithm)以求解:在分支定价算法的基础上,提出结合最为分数策略(most-infeasible-branching strategy)和强分支策略(strong-branching strategy)的分支策略,以及在分支过程中降低可行域维度的...     

一种混合神经网络飞行控制方法研究

讨论了一种基于神经网络控制的飞行控制方法。针对复杂非线性系统难以建立精确模型的特点,利用神经网络的任意非线性逼近能力进行控制器设计,首先应用神经网络在线辨识对象逆模型,进行控制系统反馈线性化;接着利用circle theorem（圆定理）设计线性PID鲁棒控制器,控制系统输出跟随系统输入,然后应用神经网路自适应逆方法设计混合控制器,最后以F-8飞机纵向飞行控制模态为研究对象进行仿真。仿真结果表明,该控制方法具有较强的自适应和抗干扰能力。