连续工况下基于PID+LQR算法的自动驾驶车辆横纵向耦合控制

为提高自动驾驶车辆的路径跟踪精度,针对自动驾驶车辆横纵向耦合控制问题,提出了带有前馈控制的PID+LQR联合控制策略。首先,利用二自由度车辆动力学构建路径跟踪误差数学模型,制定横纵向控制流程。随后,设计了用于横向控制的LQR控制器和用于纵向控制的PID控制器,将横纵向控制器进行整合,使得车辆在接收到决策规划系统给出的期望指令后可以进行跟踪行驶。借助CarSim和MATLAB/Simulink联合仿真平台,在连续工况下对该控制策略进行测试。结果表明,提出的横纵向耦合运动控制策略可以控制车辆沿着规划的轨迹行驶,且可将跟踪误差控制在较小的范围内。     

PMSM广义预测前馈控制器

为解决PMSM驱动器的硬性约束问题,特别是驱动器必须保证强大的电机电流的限制及终极驱动力的动态性能,提出一种广义预测(GPC)极点配置前馈控制算法.该方法以前馈控制器的结果作为GPC的一个极点,选择适当的惩罚矩阵,只有在极点附近GPC控制才能提高对前馈控制器的作用.使用10.7 k W的样机验证该理论.实验结果表明:与传统的PI矢量控制相比,基于GPC的前馈链路数字化控制器效果更优.     

基于根移动方法的LQR控制器设计

阐述一种LQR控制器设计的新方法.根据哈密尔顿系统理论,深入研究了系统特征方程的闭环极点和加权矩阵的关系,给出了希望加权矩阵的确定方法.通过Matlab仿真实验,证明了根据极点的移动范围来确定LQR控制器的方法是可行的.     

正弦干扰下时滞系统的状态预测观测器与前馈—反馈预测控制器设计

研究控制变量含有时滞的线性系统在外部正弦干扰下的最优减振预测控制问题。利用系统的控制向量和被控对象的预测输出向量，设计了1种全维状态预测观测器。并将该状态观测器用于时滞控制系统的最优前馈—反馈预测控制中。频域分析表明，应用该状态预测观测器可将闭环系统的时滞项移至系统闭环结构之外，从而其优化控制规律完全可以按无时滞系统进行设计。时域分析表明，设计的预测控制器对外部正弦干扰有较强的鲁棒性，得到的结果关于二次型平均性能指标是次优的。     

基于根移动方法的LQR控制器设计

阐述一种LQR控制器设计的新方法。根据哈密尔顿系统理论,深入研究了系统特征方程的闭环极点和加权矩阵的关系,给出了希望加权矩阵的确定方法。通过Matlab仿真实验,证明了根据极点的移动范围来确定LQR控制器的方法是可行的。     

汽车防抱死制动系统的滑模变结构控制器设计

针对汽车防抱死系统中存在的高度非线性问题, 以汽车当前的滑移率和当前路况下的最优滑移率之间的偏差作为控制变量, 设计了滑模变结构控制器。在对汽车的驱动轮进行建模的基础上, 设计了滑模变结构控制器, 并对滑模控制器中存在的抖动问题进行了处理, 有效减小了因滑模变结构控制算法中抖动问题所带来的影响。同时将该滑模变结构控制器应用于实车仿真软件veDYNA中进行了硬件环仿真实验。仿真结果表明, 该控制器可有效防止汽车轮胎抱死。     

有刷直流电机约束预测控制器设计及实现

为防止因过载而导致电机的损害问题, 考虑有刷直流电机的电压和电流物理约束, 采用线性约束预测控制设计了直流电机转速跟踪控制器。 建立有刷直流电机的数学模型, 二次规划(QP: Quadratic Programming)问题采用路径跟踪内点算法进行求解, 并搭建了基于 dSPACE 控制系统的硬件在环实验平台。 同时对设计的转速跟踪控制器的有效性进行了实物验证。 实验结果表明, 该 MPC(Model Predictive Control)控制器能很好地满足有刷直流电机的转速跟踪控制要求。     

基于在环仿真的自动紧急制动系统测试方法

为了有效验证自动紧急制动系统(AEB)功能准确性、功能完备性、鲁棒性,实现加速测试验证自动紧急制动系统的目的,通过硬件在环(简称"HIL")仿真测试方法研究了自动紧急制动系统工作原理,硬件在环仿真系统组成、台架搭建、测试验证方法,结果表明采用硬件在环仿真测试方法可以缩短自动紧急制动系统产品开发迭代周期,提高测试效率,在...     

基于神经网络的非线性前馈补偿广义预测自校正控制器

采用多层前馈网络结构进行动态建模,并用Ｄａｖｉｄｏｎ最小二乘法作为在线学习算法,将辨识后得到的模型进行线性化．基于线性化模型设计广义预测控制器。将其与非线性前馈相结合,建立了一种适合于非线性系统的前馈补偿广义预测自校正控制器．仿真结果验证了本控制器对非线性系统控制的有效性     

基于反步设计与LQR结合的一级倒立摆控制器设计

本文在阐述倒立摆的研究背景后,利用动力学分析方法推导出直线一级倒立摆系统的数学模型,首先采用Backstepping设计方法对摆杆子系统设计镇定控制器,这样保留了控制器中的非线性部分,使得所设计的控制器具有较强的鲁棒性。然后在局部线性化的基础上采用LQR最优控制方法设计控制器来稳定小车。最终两者结合起来,形成整个倒立摆系统的控制器。并通过仿真验证了该设计方法的有效性。     

执行器故障下的LQR完整性容错控制器设计

讨论利用线性二次型（LQR）调节器理论针对执行器故障情形下的容错控制器的设计方法,解决了在给定稳定裕度下,具有执行器容错功能的状态反馈控制器的设计问题,推导并得出设计该类控制器的基本定理、基本原则和计算方法,并采用Matlab语言进行了算法的仿真和验证.     

基于状态反馈的四轮转向汽车LQR优化控制

为了提高汽车的操纵稳定性,以4轮转向(4WS)汽车为研究对象,建立了2自由度系统的数学模型和状态方程。并以横摆角速度和侧偏角为优化目标,设计了线性二次型调节器(LQR)。通过质心侧偏角和横摆角速度的共同反馈,控制汽车后轮转角,实现4WS控制。在MATLAB/Simulink环境下完成了传统前轮转向汽车、零侧偏角比例控制及LQR控制的4WS汽车仿真。结果表明,相对于其他控制策略,基于状态反馈的LQR优化控制能够改善汽车的操纵稳定性,但不能够既将汽车的质心侧偏角降到基本为零,同时又保证横摆角速度处于理想状态。因此,汽车动力学集成控制将是未来汽车发展的重要方向。     

基于LQR理论的车辆液压能量再生系统特性仿真研究

以车辆液压能量再生系统为研究对象,以二次元件(液压马达工况)跟随车辆传动主轴转速为控制目标,建立了电液控制系统状态数学模型.针对引入线性二次型最优控制(LQR)理论前后的电液控制系统进行了数字仿真与分析.仿真结果表明:能量再生控制系统引入LQR理论后,响应过程的过渡阶段振荡与超调量获得较大幅度抑制与衰减,具有更优的响应特性;此外控制系统响应性能的优劣与加权矩阵Q、R参数取值有密切关系.     

基于微分几何法的半主动油气悬架LQR控制

为了对某工程车辆半主动悬架的油气弹簧进行有效控制,分析了油气弹簧弹性力和阻尼力的非线性特性,建立了车辆半主动油气悬架非线性动力学模型.提出了应用微分几何理论并经过非线性状态反馈变换的方法,对半主动悬架非线性系统进行精确线性化,利用线性二次型调节器实现了非线性状态反馈最优控制,并用Matlab/Simulink编程进行仿真实验.仿真得出半主动油气悬架与被动油气悬架相比,显著地提高了车辆的平顺性.研究结果表明此方法可为车辆悬架控制的研究提供参考.     

基于CCD的智能车寻迹方法

介绍自主式寻迹智能车的设计,探讨采用电荷耦合器件(CCD)作为路径采集模块实现自主寻迹的软硬件设计方法.系统以Texas Instrument公司的TMS320LF2407A为主控制器,实现了对CCD输出的黑白视频信号的实时采集处理,通过边沿提取算法获得路径信息,对舵机和驱动电机采用P控制算法,使得智能车行驶快速流畅.研究表明此设计方案可在黑白(或色差较大)赛道上获得良好的自主寻迹效果.     

基于Leader-follower的自主车辆跟随控制器设计

为解决自主车辆的跟随控制中误差系统的稳定性问题, 基于Leader鄄follower 法设计了车辆跟随控制器。对自主车辆进行运动学建模, 采用Leader鄄follower 模型描述车辆跟随结构, 用L鄄渍控制方法建立车辆跟随误差系统, 设计跟随车辆的速度控制器, 以实现跟随车辆对领航车辆的稳定跟随。通过Matlab 仿真实验结果证明,该控制器使误差最终收敛到0, 能达到跟随控制的目的。     

基于深度强化学习的智能车辆行为决策研究

自动驾驶车辆决策系统直接影响车辆综合行驶性能,是实现自动驾驶技术需要解决的关键难题之一。基于深度强化学习算法DDPG（deep deterministic policy gradient）,针对此问题提出了一种端到端驾驶行为决策模型。首先,结合驾驶员模型选取自车、道路、干扰车辆等共64维度状态空间信息作为输入数据集对决策模型进行训练,决策模型输出合理的驾驶行为以及控制量,为解决训练测试中的奖励和控制量突变问题,本文改进了DDPG决策模型对决策控制效果进行优化,并在TORCS（the open racing car simulator）平台进行仿真实验验证。结果表明本文提出的决策模型可以根据车辆和环境实时状态信息输出合理的驾驶行为以及控制量,与DDPG模型相比,改进的模型具有更好的控制精度,且车辆横向速度显著减小,车辆舒适性以及车辆稳定性明显改善。     

基于超螺旋滑模及前馈补偿的智能车侧向运动控制

智能车路径跟踪控制受到车辆参数摄动、场景多变等干扰,影响路径跟踪精确性,甚至引起控制系统不稳定.本文设计了考虑不确定性的二阶超螺旋滑模鲁棒控制算法,证明了控制系统的收敛性,并针对干扰问题设计了前馈补偿控制器以进一步提升控制系统的精确性.通过Carsim-Simulink联合仿真环境下的双移线、正弦路径跟踪控制,以及参数摄动情况下的路径跟踪控制,与传统一阶滑模控制对比,验证了所设计的超螺旋滑模控制器路径跟踪的精确性及鲁棒性.结果表明,面对智能车辆参数不确定、驾驶场景多变等情况,采用超螺旋滑模算法比传统滑模算法具有更好的鲁棒性和跟踪精度,超螺旋算法能有效地减弱传统滑模算法产生的方向盘抖振问题.最后,利用实车平台对进行了低速大曲率场景测试,验证所设计的超螺旋滑模算法控制器具有良好的路径跟踪精度.