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.     

基于多集群系统的车辆协同换道控制

针对智能联网环境下的多车协同换道问题,?设计一个基于多集群系统的车辆协同控制框架.给出了虚拟领导者的选取条件,?智能联网车辆通过分布式集群划分算法选取邻居车辆、领导者、虚拟领导者作为控制协议的状态演化.在此基础上,?提出适用于集群空间分配的间距控制算法和基于领导者跟随者的集群控制协议,?使换道车辆扩大前后车辆纵向距离以...     

基于人工鱼群算法的主动控制起落架缓冲器性能优化设计

首先建立了主动控制起落架系统的非线性动力学模型。然后根据最优控制理论,在Matlab的环境下,应用人工鱼群算法设计了多目标最优的PID控制器。最后应用Simulink控制系统仿真软件对主、被动起落架在地面信号为弹伤跑道信号的条件下进行了性能仿真。对仿真结果进行了分析比较,得出的结论是利用最优控制理论设计的多目标最优的PID控制器的主动控制起落架能显著降低飞机的振动冲击载荷,提高飞机机体和起落架的疲劳寿命,降低跑道不平度对飞机机体和起落架的冲击载荷和振动响应;同时提高飞机的滑行品质和乘客的舒适性。     

基于强化学习的多路口可变车道协同控制方法

为了解决传统的可变导向车道控制方法无法适应多路口场景下的复杂交通流的问题,提出基于多智能体强化学习的多路口可变导向车道协同控制方法来缓解多路口的交通拥堵状况. 该方法对多智能体强化学习 (QMIX)算法进行改进,针对可变导向车道场景下的全局奖励分配问题,将全局奖励分解为基本奖励与绩效奖励,提高了拥堵场景下对车道转向变化的决策准确性. 引入优先级经验回放算法,以提升经验回放池中转移序列的利用效率,加速算法收敛. 实验结果表明,本研究所提出的多路口可变导向车道协同控制方法在排队长度、延误时间和等待时间等指标上的表现优于其他控制方法,能够有效协调可变导向车道的策略切换,提高多路口下路网的通行能力.     

基于车路协同的单点信号控制优化方法和模型

车路协同技术能全方位获取道路网络上车辆个体的运行状态信息,为交通信号控制提供了新的数据源。针对现有交通信号控制系统存在的不足,引入预测时间窗概念,提出了车路协同环境下单点信号控制优化的基本思路和流程;分析了交叉口区域单个车辆的运行状态,提出了单个车辆的延误和停车次数计算方法,在此基础上,以整个交叉口延误和停车次数最小为优化目标,建立了单点信号控制参数优化模型及求解算法。运用VISSIM软件进行了仿真实验,结果表明,文中方法优于常用的单点感应控制方法,在交通流量较低时平均停车次数减少约16.9%,在交通流量较大时平均延误和平均排队长度分别减少约29.4%和28.9%。     

基于DMPC的多车协同自适应巡航控制研究

针对多车协同自适应巡航控制系统(CACC)中车辆跟驰距离波动大的问题,提出了一种分布式模型预测控制(DMPC)策略。采用分层控制的思想对CACC系统进行控制。控制器分为上位控制器和下位控制器。上位控制器根据车队状态计算车辆的期望加速度,下位控制器根据期望加速度控制车辆的节气门开度和制动系统压力。首先,建立了车队的纵向动力学模型。其次,根据控制目标设计目标函数,使车队能够获得当前时刻的最优控制量。然后基于逆发动机模型和逆制动模型设计了下位控制器。最后,通过Carsim和MATLAB/Simulink的联合仿真,验证了所设计控制策略的有效性。结果表明,DMPC可以减小车辆跟驰距离误差的峰值、标准差和均方根值,提高跟驰稳定性。     

融合多种特征的路面车辆检测方法

提出一种融合多种目标特征的单目视觉车辆检测方法。首先,利用车辆尾部的结构对称性提取出感兴趣区域(ROI),减少搜索范围;然后,利用车辆底部的阴影特征,在ROI中搜寻车辆可能出现的位置,找出假设目标;最后,利用亮度和轮廓信息对假设目标进行对称性验证,排除虚假目标,同时对车辆在图像中的位置实现精确定位。通过实验,验证了提出方法的有效性和鲁棒性。     

一种基于模型预测复合控制的车辆避碰控制方法

为减少日益增长的交通安全问题,车辆碰撞预警及避碰控制系统必不可少.本文提出了一种结合车辆横纵向动力学的复合控制避碰方法,以达到减少交通事故发生的目的.首先,分别建立了车辆逆纵向和横向动力学模型,纵向控制器通过安全距离模型来判断车辆是否处于危险状态并进行碰撞预警,采用分层控制方法设计了上层模型预测控制器和底层单神经元PI...     

基于改变控制时域时间步长的智能车轨迹跟踪控制

为了解决模型预测控制设计智能车轨迹跟踪控制器存在求解计算时间长、在线实时性低的问题,借助于矩阵分块化策略,提出了一种基于控制时域变步长的模型预测轨迹跟踪控制方法。通过矩阵分块化改变控制时域步长,并融入到二次规划的求解过程中,重构目标函数形式和系统约束条件,以减少求解过程中最优控制序列中待求解变量的数量,降低求解计算时间。在Simulink与Carsim联合仿真平台中,将本文方法与传统模型预测控制方法进行仿真对比分析。结果表明,相比于传统模型预测控制方法,本文方法在保证轨迹跟踪精度的前提下,平均求解计算时间降低了24.39%,最大单次计算时间降低了45.05%,采用“前密后疏”的分块矩阵,其控制器性能优于“平均化”的分块矩阵。     

基于模型预测的车辆稳定控制

利用三自由度车辆模型设计了模型预测控制器,发动机力矩PI控制器和制动力矩模糊控制器。并针对制动单移线转向行驶典型工况进行了仿真验证,结果表明,所设计的车辆稳定性控制器具有良好的控制效果,能够明显的改善车辆操纵稳定性;开发的制动力矩算法能够充分利用各个车轮的制动力,使得在发动机力矩改变和主动制动压力等输入都较小的情况下,获得较好车辆操纵稳定性。     

基于行为的太阳帆群编队方法

文章提出了一种基于行为的太阳帆群编队路径规划方法。通过行为控制技术,在有限的感知信息条件下,便可获得自动的分布式控制律,将同质的各太阳帆导引至目标构型。导引过程中,各帆期望速度均为所设置三个行为速度(聚集、排斥、驻留)的矢量和,而各行为参数则利用目标构型的对称性进行设置。特别地,为了降低控制成本,聚集行为在仿真中利用了太阳引力、光压实际环境下形成的太阳帆轨道性质进行改造。通过日心悬浮轨道上的太阳帆群编队数值仿真,验证了文中方法的有效性和优越性。仿真结果表明,仅通过设置三个简单的行为,便可在日心悬浮轨道上得到许多有价值的太阳帆群构型。此外,通过修改其中的聚集行为,该方法可以很容易地移植到太阳帆行星悬浮轨道以及椭圆型三体问题中的太阳帆轨道编队应用上来。