无人车辆横向跟踪控制研究

使用传统模型预测控制对车辆轨迹进行跟踪时,模型中的路面附着系数往往为特定工况下的经验数值。当车辆在未知路面行驶时,现有控制算法难以对路面附着系数进行及时修正,并调整预测控制模型内的约束,进而导致车辆横向失稳。针对此种情况,提出一种考虑实时路面附着系数估计的横向跟踪控制策略,用于实现车辆横向轨迹跟踪。该算法针对路面附着系数未知的工况,利用车辆当前横纵向加速度、横摆角速度、前轮转角等状态量,通过扩展卡尔曼滤波预测路面附着系数后,再对控制模型中的侧偏角约束量进行实时调整,以保证车辆在未知路面工况下的行驶安全,使车辆跟随预期轨迹行驶。实验表明,将扩展卡尔曼滤波法与模型预测控制结合的控制算法具有可行性,且有效提高了车辆在不同附着系数路面行驶时横向轨迹跟踪的稳定性及鲁棒性。     

四轮转向智能车辆轨迹跟踪及稳定控制研究

为了改善智能车辆轨迹跟踪过程中的行驶稳定性,针对四轮转向车辆提出了一种轨迹跟踪及稳定控制方法。首先建立了车辆三自由度动力学模型,然后应用模型预测控制算法设计轨迹跟踪控制器。考虑了四轮转向车辆的动力学特性和不同路面附着对轮胎侧偏角控制的影响,在跟踪算法中引入零质心侧偏角控制和动态轮胎侧偏角边界控制方法,实现车辆的稳定控制。最后,通过对接路面工况下的仿真,验证了所提出的控制方法能够保证车辆在轨迹跟踪过程中具有良好的稳定性。     

智能汽车路径跟踪混合控制策略研究

针对传统单一控制算法无法有效协调智能汽车不同转向工况下横向控制性能要求的问题,根据智能汽车在高速和低速转向工况下呈现出的系统特性差异,设计了一种基于PID控制和模型预测控制的智能汽车路径跟踪混合控制策略。该控制策略在低速模式下采用PID控制,在高速模式下则采用模型预测控制,通过车辆速度确定路径跟踪控制模式,进而设计带稳定监督的控制模式切换机制,实现了横向控制系统的平滑切换。基于Carsim和MATLAB/Simulink仿真平台对所设计的智能汽车路径跟踪混合控制策略进行了仿真验证,在此基础上,进一步完成了实车试验。仿真和实车试验结果表明,所设计的混合控制策略能够保证智能汽车不同速度下的路径跟踪性能,具有较好的跟踪精度、实时性和车辆行驶稳定性。     

汽车高速状态下紧急避障系统研究

为了保证汽车在高速状态下紧急避障的安全性,研究了汽车紧急避障系统。建立了汽车动力学模型和质点模型;使用S函数规划了初步避障路径,考虑避障过程中路径内出现新障碍物的情况,提出了模型预测控制的路径再规划方法;在路径跟踪方面,考虑汽车高速行驶在低附着路面等极限工况,以路径跟踪误差最小和输入量最小为优化目标,设计了考虑车辆非线性特征的线性时变模型预测控制器。经仿真验证,在避障过程中路径内出现新障碍物时,路径再规划方法可以规划出一条安全、且偏离初步路径最小的路径;在极限工况下,线性模型预测跟踪控制器会发生甩尾危险,无法实现路径跟踪;而线性时变模型能够实现路径跟踪,且跟踪过程安全稳定。     

分布式驱动智能汽车轨迹跟踪的协同控制

针对车辆在轨迹跟踪过程中，尤其是高速转向等极限工况下，易出现车辆跟踪精度差和失稳的问题，以分布式驱动智能汽车为研究对象，提出一种考虑横向稳定性的轨迹跟踪协同控制策略。首先，建立车辆纵向、横向以及横摆运动的三自由度动力学模型，设计了基于模型预测控制的主动转向控制器，通过优化求解得到跟踪期望轨迹的最佳前轮转角。然后，采用滑模控制设计横摆力矩控制器，将横摆角速度和质心侧偏角作为联合变量，利用积分二自由度控制模型，计算车辆稳定的等效附加横摆力矩。最后，采用二次规划算法设计最优力矩分配控制器，以满足总的驱动力矩和附加横摆力矩的控制需求。仿真试验结果表明，控制系统在极限高速工况下，能够使车辆精确、稳定的跟踪期望轨迹。     

基于模型预测控制的智能网联汽车路径跟踪控制器设计

为解决智能车辆的自主转向问题,提高车辆在高速运动过程中的转向精度和稳定性,在智能网联汽车的背景下,从路径跟踪控制出发,提出一种变参数的智能网联汽车路径跟踪控制方法。该方法基于模型预测控制原理,设计了一种智能网联汽车的路径跟踪控制器。该方法先以3自由度模型的车辆模型为控制系统;对系统进行线性化后,确定系统的二次型目标函数,并依据函数形式确定矩阵形式;然后,在Carsim和Matlab/Simulink平台上进行离线仿真,确定各个典型工况下适用于该路径跟踪控制器的仿真参数;最后实现系统可根据由车联网获得车辆实际所处道路形状和实际车速选择合适的路径跟踪控制器的控制参数,完成智能网联汽车的自动转向。仿真结果表明该控制器相对于固定控制参数的控制器具有更好的控制效果,可控制车辆以较高车速行驶时达到较高跟踪精度和行驶稳定性。     

考虑横摆稳定性的无人车轨迹跟踪控制优化研究

横摆稳定性和轨迹跟踪性能对无人车至关重要。为此,提出一种基于模型预测控制的轨迹跟踪控制器,将考虑瞬时极限性能的稳定性判据添加到控制器约束中,并且利用性能驱动的方式对控制器的参数进行优化。首先根据车辆3自由度动力学模型建立横摆角速度-质心侧偏角相平面,分析前轮转角对相平面平衡点的影响,通过建立相平面的等倾几何曲线,分析车辆的稳定性特征,设计出基于包络线的横摆稳定性判据。然后将模型预测控制器的代价函数参数化,根据性能目标设计特定场景的全局代价作为评价函数,利用贝叶斯优化进行预测时域和代价函数权重两类参数的优化,实现目标任务全局性能最优。仿真和实车试验表明,所提算法在保证车辆稳定的前提下,发挥了车辆的动力学极限,采用的贝叶斯优化方法对轨迹跟踪模型预测控制器的参数进行了优化,实现了轨迹跟踪性能的提高。     

基于路面识别的电动汽车驱动防滑控制策略研究

针对电动汽车在低附着路面行驶时驱动轮滑转问题,对后轮独立驱动电动汽车进行了驱动防滑控制研究,提出了基于模糊路面识别的自适应模糊PID控制方法,提高汽车在极限工况下车辆的稳定性。首先根据轮毂电机转矩、转速易于测得的优势,设计了基于Burckhardtμ-S模型的模糊路面识别算法。根据车辆运动状态,路面识别算法对当前路面和最优滑转率进行辨识。然后采用自适应模糊PID控制器将驱动轮滑转率实时控制在最优滑转率附近。最后选择典型工况,基于Car Sim与Matlab/Simulink联合仿真实验对控制方法进行了验证。仿真结果表明,该模糊路面识别算法能够较好识别路面附着系数和其最优滑转率;基于路面识别的驱动防滑控制具有良好的控制效果,提高了极限工况下车辆的稳定性与动力性。     

基于MPC的智能车轨迹跟踪算法

针对前轮转向的智能汽车,设计了一种轨迹跟踪控制算法。基于车辆运动学模型,建立了车辆轨迹跟踪状态空间方程,采用模型预测控制算法,以考虑乘坐舒适性下动态跟踪偏差最小为控制目标,同时考虑车辆实际情况对模型添加了控制约束和状态约束,通过滚动优化和反馈校正实现了带约束的智能车轨迹跟踪的最优控制。为了验证该算法的性能,将该算法在常用于自动驾驶仿真的PreScan上进行了硬件在环仿真试验,并与LQR算法作比较。结果表明,该算法能有效适用于约束条件下的智能车轨迹跟踪控制。     

基于可拓博弈的智能汽车轨迹跟踪协调控制方法研究

针对智能汽车在高速过弯工况下,轨迹跟踪误差大、横向稳定性无法保障的问题,提出一种可拓博弈轨迹跟踪协调控制方法,通过可拓划区域切换控制和博弈协调相结合,突破单一控制策略的工况适应性和多策略切换的抖动问题。所提方法基于分层控制体系,将轨迹跟踪控制分解为上层测度模式识别层和下层博弈协调层。上层基于可拓理论,提出并联可拓测度模式识别策略,将车-路系统实时状态映射至对应的可拓控制架构中经典域、可拓域和非域三种测度模式。下层针对不同测度模式对应设计三种控制策略,根据上层测度模式识别结果进行实时策略切换,引入博弈协调方法对并联可拓权重进行协调控制,有效避免了模式切换带来的抖动问题。通过Simulink/Carsim建立联合仿真模型,在双移线和“8字”形时变曲率高速工况开展算法对比验证,所提方法相较于比例-积分-微分(Proportion-integral-derivative,PID)控制方法,平均跟踪误差精度提升45.08%,尤其在大曲率突变的恶劣工况下,车辆稳定性提升44%。最后利用智能汽车试验平台进行了对比验证,对设计智能汽车高速轨迹跟踪控制策略具有极强的指导意义和参考价值。     

Mecanum轮全向AGV增量线性时变模型预测控制器设计

针对工业用途中Mecanum轮驱动的全向AGV轨迹跟踪控制精度问题,设计了一种基于增量线性时变模型预测控制的轨迹跟踪控制器。先对AGV进行运动学分析并建立运动学模型,基于此,使用近似线性化和离散化处理,构建AGV的线性时变控制模型;采用仅含控制增量的优化目标函数求解,且在控制周期内考虑系统的控制量极限约束与控制增量约束,并引进松弛因子,防止控制量跳变和无最优解发生;施加求得控制增量序列的首个元素作用于控制系统;重复循环,实现控制器对Mecanum轮全向AGV的精准控制。不同工况下的仿真和实验结果表明,该控制器能够有效提高全向AGV的轨迹跟踪控制精度,同时保证了轨迹跟踪的实时性与稳定性。     

基于变预测时域MPC的自动驾驶汽车轨迹跟踪控制研究

为了保证自动驾驶汽车轨迹跟踪的精度及行驶过程中的稳定性,提出一种基于车辆横向稳定状态在线识别和模糊算法的变预测时域模型预测控制（MPC）方法。针对车辆稳定状态的在线识别,采用k-means聚类算法对车辆行驶状态参数进行聚类分析,得到聚类质心,通过在线对比当前车辆状态量与不同聚类质心之间的欧氏距离获取车辆的实时安全等级。同时计算出当前车辆的轨迹跟踪横向偏移量,以这二者为输入,通过模糊控制算法在线计算出预测时域的变化量并输出给MPC控制器实现预测时域的自适应调整,最后求解出自动驾驶车辆跟踪轨迹的最优的控制序列,以达到在保持车辆稳定的前提下实现高精度轨迹跟踪控制的目的。CarSim/Simulink联合仿真结果表明,改进后的变预测时域MPC算法在提高自动驾驶汽车轨迹跟踪精度及横向稳定性方面的表现优于传统MPC控制器。     

电动车驱动防滑控制策略研究

针对驱动轮在附着条件恶劣的路面行驶时滑转问题,对后轮独立驱动电动汽车进行驱动防滑控制研究。提出了基于自适应模糊神经网络控制的驱动防滑控制策略,提高汽车在极限工况下车辆的稳定性。根据车辆运动状态,路面识别算法对当前路面和最优滑转率进行辨识。采用自适应模糊神经控制器将驱动轮滑转率实时控制在最优滑转率附近。仿真结果表明:模糊路面识别算法能够较好识别路面附着系数和其最优滑转率;基于自适应模糊神经控制的驱动防滑具有良好的控制效果,提高了恶劣路面行驶时车辆的稳定性与动力性。     

依据智能交通的PHEV自适应指数模型预测控制

为了降低插电式混合动力汽车使用成本,提出了基于智能交通系统的自适应指数模型预测控制策略.介绍了PHEV混合动力系统及工作模式,建立了动力系统关键部件模型;提出了带SOC参考轨迹的自适应指数模型预测控制方法,在模型预测方面,使用支持向量机识别车辆行驶工况,根据行驶工况自适应调整指数模型,实现了车辆状态高精度预测;在SOC轨迹规划方面,使用智能交通系统实时获取交通信息,基于DP算法规划预测时域内SOC轨迹.经实验验证,相比于理论最优控制,基于实时交通信息的自适应指数模型预测控制方法实现了96.22％的使用经济性,无交通信息参考的模型预测控制只能实现84.34％的使用经济性,说明这里提出的控制方法可以实现很高的使用经济性.     

汽车实验用转向机器人轨迹规划

针对汽车操纵稳定性实验中的蛇行试验,为解决多约束条件下汽车实验用转向机器人生成满足实验条件轨迹的问题,研究车辆运动学模型特性,采用序列二次规划方法,以最优化轨迹的综合性能为目标,规划出满足运动学约束、速度约束、目标状态约束以及曲率连续约束的最优实验轨迹.设计模糊PID控制器,在人为控制的车速发生波动时前轮转角可进行相应调整.利用Simulink-CarSim搭建车辆模型以及轨迹规划模型,进行路径跟踪实验仿真.仿真实验结果表明,所提出的轨迹规划方法与控制方法能够生成满足车辆运动连续性要求和各项约束条件的平滑轨迹,且轨形跟踪效果较好.     

汽车附加转向角实时观测分析与建模试验

目前对汽车附加转向角的研究主要基于观测的侧向加速度信息对其进行估计,观测精度在极限工况下不能满足汽车稳定性实时控制需要。因此,采用试验分析和建模的方法展开研究,首先基于ADAMS/Car软件建立某乘用车多体动力学整车模型,通过实车稳态回转试验数据验证了模型的精确性。基于该平台量化分析不同工况下附加转向角的影响因素。采用ε-SVR算法建立附加转向角预测模型,输入矢量主要为稳定性控制系统(Stability control system,ESC)配置传感器信息,采用典型蛇形试验和FMVSS 126试验数据分别对模型进行学习和泛化性能测试。测试结果表明,汽车侧向加速度是影响汽车附加转向角最主要因素(数量级达1°),其次是汽车纵向加减速度和路面幅值(数量级达0.3°);建立模型的预测精度和计算实时性均能满足ESC实时控制要求。拓展了极限工况下汽车附加转向角精确观测方法。     

融合稳定性的分布式驱动电动汽车路径跟踪控制策略研究

提出了一种融合车辆稳定性的路径跟踪控制策略,以提高分布式驱动电动汽车在高速、低附着等危险行驶工况下的路径跟踪精度和车辆稳定性,该控制策略包括路径跟踪控制层、稳定性控制器决策层、驱动轮转矩分配层。针对LQR路径跟踪控制器在高速大曲率工况下跟踪精度不足的问题,采用闭环PID矫正驾驶员模型补偿车辆前轮转角,并设计稳定性控制器用以跟踪车辆理想参考模型,基于模型预测控制算法决策出附加横摆力矩,同时以轮胎负荷率最小为目标优化车轮驱动转矩分配。利用自主开发的分布式驱动电动试验车分别在高速高附着和高速低附着双移线工况进行试验。结果表明：相对于只运用闭环PID矫正的LQR路径跟踪控制器进行路径跟踪,车辆在干燥的混凝土路面以90 km/h速度行驶时,融合车辆稳定性的路径跟踪精度的横向均方根误差降低了29.7%;车辆在潮湿沥青路面以70 km/h速度行驶时,均方根误差降低了10.3%。所提控制策略能够提高车辆的路径跟踪精度,满足车辆在危险行驶工况下的横摆稳定性。     

基于自适应模型预测的无人车跟踪控制方法研究

针对避障工况下现有控制方法难以同时满足跟踪精度和稳定性的问题，设计了一种考虑滑移约束的自适应模型预测控制方法，能够在不同避障工况自适应匹配最优时域参数和稳态转角约束，提高控制器的适应能力和动态响应性能。首先由实验测试获取优化的时域参数表，并综合考虑滑移边界内的稳态转角约束，设计参数自适应机制，然后在联合仿真平台进行了双移线工况的仿真实验来模拟避障场景，验证了所设计的自适应模型预测控制器的有效性，最后基于实车平台进行了实际避障场景的路径跟踪实验。实验结果表明，与传统模型预测控制相比，所设计的自适应模型预测控制器在跟踪精度和稳定性方面都有较大改善。     

基于自适应预瞄路径的自动驾驶车辆寻迹和避障控制

寻迹控制作为自动驾驶车辆横向控制中最基本环节,其稳定性和跟踪精度通常与车速、转弯曲率等相关,直接影响车辆在复杂行驶工况中的安全性。为提高自动驾驶车辆在复杂工况下的稳定性和跟踪精度,结合路径规划、寻迹控制并考虑车辆稳定性提出基于自适应预瞄路径的自动驾驶车辆寻迹和避障控制方法。首先,基于车辆二自由度模型设计出预瞄距离自适应算法,其根据车辆动力学状态和路面附着调节预瞄距离;其次,通过三次多项式拟合方法给出给定预瞄距离下的预瞄路径;最后,基于避障能力、跟踪精度、车辆稳定性指标设计出粒子群优化算法(PSO),实现了算法参数的寻优。通过硬件在环试验和实车试验验证了算法在寻迹、换道和避障工况下效果,结果表明算法以小运算量实现了跟踪时的预瞄路径自适应调节,兼顾跟踪精度和车辆稳定性。     

电动轮驱动汽车差速性能试验研究

对电动轮驱动汽车的差速问题进行了深入分析,提出对驱动电机采用转矩指令控制、转速随动的方法实现电动轮系统的自适应差速。开发了电动轮驱动试验车。进行了转向行驶、路面不平及车轮半径不等等工况的道路试验。试验结果表明,电动轮汽车在各种行驶路面及行驶工况下都能保持良好的差速性能,具有自适应差速特性。