基于参数描述的换道场景自动驾驶精确决策学习

为提高车辆驾驶安全性并充分考虑人类驾驶员对于自动驾驶控制系统的接受度,研究并实现了自动驾驶车辆在换道场景下的精确决策学习。汽车自动驾驶不仅需要决策是否换道,还需要决定汽车的具体微观行为,如换道时间和期望加速度的确定等,因此,车道变换的精确决策需使用3个参数来描述,并需要通过强化学习求解。这种基于参数精确决策的合理性体现在两个方面：首先是不同的决策参数值会影响规划的轨迹,如果决策不精确,将产生运动的不确定性;其次是基于真实交通数据（NGSIM）的分析,因为人类换道行为在换道时间和期望加速度上存在显著的差异性,在当前的决策研究中很少被明确考虑。此外,发现NGSIM数据中存在一些潜在的紧急情况,可以通过优化部分决策参数来提升其安全性;在强化学习算法的设计中,动作过程中加入换道时间和期望加速度;奖励函数考虑了安全性、当前驾驶员的意愿和平均人类驾驶风格;问题求解中,自定义了基函数,并通过基于核函数的最小二乘策略迭代强化学习方法学习精确的安全决策行为。仿真结果表明,使用强化学习参数决策可以实现更精确的决策,从而提高安全性能,并可在变道场景中模仿人类驾驶员的行为。     

DCT离合器电液控制阀的非线性压力控制

为解决DCT(Dual Clutch Transmission)离合器电液控制阀的液压跟踪控制问题, 建立了面向控制器设计的非线性模型, 并应用backstepping控制方法设计了DCT离合器电液控制阀的非线性控制器。为验证控制器的有效性, 在AMESim中搭建了DCT离合器电液控制阀及离合器的仿真模型, 给定不同的参考液压, 进行AMESim-Simulink联合仿真, 并考虑液压油的弹性模量以及温度变化对DCT离合器电液控制阀输出液压的影响, 给出相同实验条件下在PI控制器作用下的仿真结果对比。仿真实验表明, 该非线性控制器能很好地实现DCT离合器电液控制阀输出液压的跟踪控制, 并对液压油的弹性模量以及温度变化具有鲁棒性,控制效果优于PI控制器。     

多次喷射模式下共轨系统喷油量波动预测与补偿

为了解决多次喷射模式下喷油量的精确控制问题,进行了基于波动量的预测,实现了有效的喷油补偿。首先,分析了喷油器的动态特性,并基于AMESim仿真软件建立了共轨系统喷油器仿真模型;然后,通过仿真数据分析多次喷射模式下喷油量波动的影响因素,确定了喷油压力、预喷脉宽、主喷和预喷之间的时间间隔等为主要特征参数,提出基于LM-BP模型的喷油波动量预测方法;同时,基于喷油波动量的预测结果设计喷油量补偿控制器。结果表明,基于波动量的预测可以提高喷射精度,验证了所提策略的有效性。     

车辆起步过程神经网络PID控制研究

针对车辆起步工况的多样性, 笔者设计了神经网络PID(Proportion Integration Differentiation)控制器, 通过对离合器的转速跟踪控制, 在保证发动机不熄火的前提下, 实现了AMT(Automatic Manual Transmission)车辆快速平稳起步的控制目标。为了验证控制器的有效性,建立了中型卡车的传动系模型, 其中包括发动机、 离合器、 变速箱、 主减速器和车轮等, 并且根据实际起步情况, 设置了正常起步、 急起步、 载重起步和坡路起步4种工况, 进行了AMESim-Simulink联合仿真实验。通过与传统PID控制器的控制效果相比较, 分析得出,神经网络PID控制器能在变工况下很好地完成AMT车辆起步控制, 具有良好的自适应性。     

电控液压直驱多片离合器非线性压力控制

为解决自动变速器多片离合器液压执行机构质量与体积较大，介质通过电磁阀时会产生较大能量损失以及传统压力控制过程中振荡明显、误差大、鲁棒性差等问题，采用直接控制“电机&泵”的方式实现压力调节. “电机&泵”的显著优势在于结构简单，质量与体积小，效率更高. 文中以该种泵控执行机构为研究对象，提出了一种基于模型的非线性3步法控制器控制执行机构内部压力. 结果表明:该执行机构压力控制过程中振荡明显减弱，压力控制更加精确，并且具有更短的响应时间.