智能汽車自主循跡控制策略研究.pdf

1、智能汽車一直是現代汽車研究領域的熱點和難點,伴隨著控制理論的發(fā)展,越來越多新的控制理論和控制方法被應用于智能汽車的自主循跡控制,這使得如何根據不同的道路環(huán)境和行駛工況選擇最適合的控制方法成為一門新的課題。本文在研究了智能汽車幾種自主循跡橫向控制方法和縱向控制方法的基礎上,提出了智能汽車自適應徑向基函數(Radial Basis Function, RBF)神經網絡補償橫向控制方法和兩類改進的縱向控制方法,并針對不同的行駛工況提出一種多控

2、制方法變換策略,通過實驗驗證了控制策略的有效性。
　　研究了目前國內外智能汽車自主循跡橫向控制中常用的汽車轉向幾何學模型、汽車運動學模型和汽車動力學模型。針對各模型的特點,研究了非預瞄汽車轉向幾何學模型橫向控制方法、基于預瞄的汽車轉向幾何學模型橫向控制方法、汽車運動學模型光滑時變反饋橫向控制方法、汽車動力學模型最優(yōu)線性二次型調節(jié)(Linear Quadratic Regulator, LQR)橫向控制方法、汽車動力學模型前饋最優(yōu)L

3、QR橫向控制方法和基于預瞄的汽車動力學模型最優(yōu)LQR橫向控制方法,通過雙移線仿真試驗和圓形彎道仿真試驗,從控制器的魯棒性、對道路的特殊要求、轉向超調量、穩(wěn)態(tài)循跡誤差以及各自的適宜場合總結了6種方法的優(yōu)點與不足,為多控制方法的變換奠定了理論基礎。
　　針對名義汽車動力學模型在非線性區(qū)失效的問題,提出了智能汽車自主循跡自適應RBF神經網絡補償橫向控制方法。分別研究基于模型不確定部分、基于模型整體以及基于模型分塊的自適應RBF神經網絡補

4、償方法。使用Lyapunov函數方法保證系統(tǒng)的穩(wěn)定性,通過雙移線仿真試驗、圓形彎道仿真試驗和連續(xù)彎道仿真試驗比較3種補償方法的優(yōu)劣,最終選擇基于模型不確定部分的自適應RBF神經網絡補償控制方法作為智能汽車在非線性區(qū)的自主循跡橫向控制方法。
　　在分析了智能汽車4種自主循跡縱向控制模型的基礎上,提出2類改進的智能汽車自主循跡縱向控制方法,分別是數據擬合縱向控制方法和模糊神經網絡(Fuzzy Neuron Network Contro

5、l, FNNC)縱向控制方法。仿真試驗結果表明, FNNC縱向控制方法在控制精度上要優(yōu)于數據擬合縱向控制方法,但其輸出的期望車速信號變化過于靈敏且存在一定程度的噪聲污染。對此,使用 db4小波強制閾值降噪方法對FNNC輸出的期望車速信號進行處理,取得了良好的效果。
　　提出了學習向量量化(Learning Vector Quantization, LVQ)神經網絡行駛工況分類方法,多組試驗結果表明,LVQ神經網絡可以對復雜的行駛工

6、況進行有效地分類?？刂品椒ㄗ儞Q策略的理念是針對不同的LVQ行駛工況分類結果,選擇與之最適合的控制方法,在保證循跡控制精度的前提下盡可能選擇運算量小的控制方法。引入人—車閉環(huán)操縱性評價指標對所設計的智能汽車自主循跡控制器的控制效果進行評價,評價結果表明控制器的控制效果良好,但操縱負擔略重。
　　從駕駛模擬實驗平臺的工作原理、硬件組成和軟件設計搭建了駕駛模擬實驗平臺。借助于CCD圖像采集設備和車身狀態(tài)數據采集設備,將控制器的仿真結果與