基于跟随领航者的车辆自适应编队控制

针对反馈线性控制器在实际情况中可能受路面湿度等因素的影响,使其参数具有不确定性的缺陷,设计了基于变量估计的自适应反馈线性控制器,提高控制器参数中的相对距离的精确度。在Matlab /Simulink 环境下进行仿真对比实验,实验结果验证了自适应编队控制方法的有效性,并且其在误差调整时间方面和抗扰性方面优于传统反馈线性控制方法。自适应编队控制方法在未来的智能交通方面具有一定应用价值。     

基于自适应简化容积卡尔曼滤波的编队卫星相对导航

针对在星间相对导航中噪声的统计特性未知可能引起滤波估计精度下降甚至发散的问题,提出了一种自适应简化容积卡尔曼滤波(ASCKF)算法。将Sage-Husa自适应滤波与容积卡尔曼滤波(CKF)相结合,通过容积规则摆脱线性滤波的局限性。改进Sage-Husa噪声估计器以避免噪声方差在线估计可能出现的非正定现象,从而保证了滤波器对噪声统计变化的自适应能力。结合编队卫星运动模型的特点,用常规卡尔曼滤波(KF)的时间更新代替相应的容积变换过程,在不影响滤波器性能的前提下减少了运算量。仿真结果表明：在测量噪声统计特性未知的情况下,与CKF相比,该文算法对相对状态的估计精度提高了近25%,同时滤波器的稳定性也得到了提高。     

新的基于反馈线性化的车辆编队控制

以编队中各车辆的运动学模型为基础,在跟随领航者体系下建立新的车辆编队系统动态模型.设计带有不定离轴点的输入输出反馈线性化跟踪控制器,将跟随车辆与领航车辆的跟踪问题转化为特定误差系统的控制问题.利用图论将所设计的跟踪控制器扩展到车辆编队控制中,并对车辆编队控制效果进行仿真验证.     

车辆编队系统的分布式控制

基于关联系统模型研究智能车辆编队的分布式控制. 通过引入空间变量和空间移动算子,将车辆编队系统建模成多维的空间关联系统. 基于线性矩阵不等式的方法设计了与被控对象有着相同关联结构的分布式输出反馈H∞控制器,确保整个编队系统的适定性、稳定性及对外界干扰的鲁棒性. 在Matlab环境下编程验证控制器的性能,并通过3台移动机器人的模拟车辆编队仿真实验,说明模型的正确性和方法的有效性.     

基于自适应无迹卡尔曼滤波的分布式驱动电动汽车车辆状态参数估计

以精确估计车辆状态参数为目标,提出了一种基于自适应无迹卡尔曼滤波的车辆状态参数估计算法,采用非线性三自由度车辆模型,将模糊控制与无迹卡尔曼滤波算法相结合,实现对系统测量噪声的自适应调整,通过对方向盘转角,纵向加速度和横向加速度等低成本传感器信息融合实现对质心侧偏角和横摆角速度的状态估计.应用CarSim与Matlab/Simulink建立分布式驱动电动汽车整车模型并且联合仿真对估计算法的有效性进行验证.结果表明自适应无迹卡尔曼滤波比无迹卡尔曼滤波更能有效准确地进行车辆状态参数估计,在双移线工况中,质心侧偏角估计精度提高了6.7%,横摆角速度估计精度提高了4.8%.      

基于卡尔曼滤波的车辆跟踪技术

为了满足高速行驶下系统对目标的快速定位,介绍了如何运用卡尔曼滤波技术建立一个通用的物体运动模型,从而达到快速跟踪一个或多个运动目标的目的.着重介绍了动态噪声为有色噪声的卡尔曼滤波算法,针对具体对象构造了状态方程和测量方程,并给出了具体计算方法和实验结果.该跟踪技术在四川省高速公路上进行了反复实验,本车时速达到120 km/h时,仍然可以实时跟踪定位前方车辆.     

基于滑模控制的车辆自适应巡航系统设计

针对自适应巡航系统控制鲁棒性及存在路面扰动、实时扰动等不确定性的问题,提出一种考虑安全车距的车辆自适应滑模控制方法.首先通过建立车辆纵向动力学模型,并将道路坡度作为系统扰动;基于安全车距设计自适应巡航滑模控制器,通过稳定性分析证明该控制器的稳定性;最后,通过与PID控制算法进行对比研究.结果表明:采用滑模控制器的自适应巡航控制系统具有更好的跟踪性能和抗干扰能力.     

基于智能网联车辆编队的高速公路协同合流控制方法

为解决高速公路合流区在交通需求较高条件下的交通流不稳定和拥堵问题,以提高合流区通行能力和车辆合流过程协调性以及消除合流冲突为切入点,提出了在全智能网联车辆(CAV)环境下基于编队的协同合流(PBCM)策略.在合流区上游匝道路段设置一定长度的编队区,当编队区内的CAV数量满足一定规模后,即触发PBCM策略的执行.策略共包...     

车辆编队系统的多目标分布式控制

针对车辆编队系统,通过引入空间变量和空间移动算子,建立多维的空间关联系统模型.采用多目标分布式控制方式,同时考虑系统的动态过程和能量消耗,设计了与被控对象有着相同关联结构的分布式反馈H2/H∞控制器,在系统具有较好动态性能的同时使能量消耗尽可能地少.以弹簧质点模型来模拟车辆的编队模型,进行仿真实验,仿真结果说明方法的有效性和可行性.     

基于模糊神经网络的车辆间距智能自适应控制

为了实现汽车行驶过程中与前车车距的自动控制,提出了一种基于模糊神经网络的车辆纵向间距智能自适应控制方法.利用神经网络对车辆纵向运动进行辨识,将神经网络和模糊控制结合起来,设计模糊神经网络加速度控制器,利用神经网络的学习功能修正控制器的隶属度函数的参数和控制规则.仿真表明系统响应快,控制精度高,和传统方法相比具有较强的抗干扰能力和自适应性.     

基于分数阶参考模型的车辆悬架自适应控制

基于分数阶微积分理论,提出一种以分数阶控制对象为参考模型的自适应控制方法,并基于李雅普诺夫稳定性理论,得到自适应控制律。以车辆主动悬架为研究模型,以分数阶“天棚”阻尼控制悬架为参考模型,利用Oustaulop分数阶仿真算法,在SIMULINK中对悬架模型自适应控制进行仿真。结果表明: 自适应控制器不仅可明显降低车身加速度,提高平顺性,对模型参数的不确定性也具有良好的鲁棒性。     

基于自适应MPC的无人驾驶车辆轨迹跟踪控制

根据自适应模型预测控制相关原理,设计一种无人驾驶车辆的轨迹跟踪控制策略.基于车辆动力学模型,建立轨迹跟踪控制器,并设计目标函数与相关约束,利用自适应MPC(model predictive control)控制算法对其进行求解.在每一个控制时刻工作点,不断更新卡尔曼状态估计器相关增益系数矩阵以及控制器的状态来适应无人驾驶车辆当前的工作环境,以此补偿车辆的非线性以及状态测量噪声带来的影响.在MATLAB中搭建仿真模型并进行仿真验证,得出自适应MPC对于无人驾驶车辆的轨迹跟踪拥有较好的控制精度与鲁棒性,验证了该算法应用在轨迹跟踪控制层的有效性,为轨迹跟踪控制的研究提供了参考.     

基于模糊自适应卡尔曼滤波的SLAM算法

针对同步定位与地图创建（SLAM）问题中难以建立准确的先验噪声模型的问题,提出一种改进的模糊自适应卡尔曼滤波算法.该算法通过在线监测新息的变化,利用模糊逻辑对系统噪声和观测噪声的权重进行实时调整,进而改变系统对观测信息的信赖和利用程度,使滤波器最终趋于稳定.为了保证系统的实时性,提出一种直接将输入和输出进行模糊隶属函数匹配的方法代替模糊推理.将新的滤波算法用于SLAM仿真实验,结果表明该算法能根据噪声变化进行快速调整,滤波精度较高,相比标准EKF对定位和构图精度提升了50%以上.     

基于自适应卡尔曼滤波的时变结构参数估计

在许多情况下,对于非平稳或性能随时间发生变化的结构,要求对结构的参数进行实时的跟踪与识别,此时传统的递推算法．如卡尔曼滤波等方法就不再适用,而需要采用具有一定跟踪能力的自适应递推算法．本文对自适应卡尔曼滤波方法在时变结构参数估计中的应用进行了分析,并对其跟踪性能进行了探讨．     

基于人工势场和虚拟领航者的智能车辆编队控制

为提高交通效率和道路安全,对公路环境中的智能车辆编队控制问题进行了研究.采用人工势场和虚拟领航者相结合的方法进行车辆控制,考虑公路环境约束和编队纵横向安全距离,以理想公路编队为目标,提出虚拟领航者椭圆势场作用域,建立编队单元模型,并通过Lyapunov函数证明了模型的稳定性.为提高编队单元模型的应用灵活性,消除多车编队车辆位置误差问题,将分解-迭代思想引入到多车辆编队控制中,依据道路条件设立编队单元的纵横向迭代.以六车辆编队为例进行仿真验证,结果表明:所建立的车辆编队模型可以稳定有效地控制车辆,实现理想公路编队行为.     

基于平方根Unscented卡尔曼滤波的车辆融合跟踪

针对车辆运动的机动性和跟踪系统的非线性，提出了一种基于平方根Unsoented卡尔曼滤波(SR-UKF)的多传感器融合跟踪方法．该方法采用动力学模型建立系统的状态方程和量测方程，充分利用了多传感器的量测信息，更好地满足了目标的机动特性．采用基于UKF的数据融合方法处理系统的非线性问题，避免了扩展卡尔曼滤波(EKF)产生的线性化误差．同时，在滤波过程中，以协方差平方根阵代替协方差阵参加速代运算，有效地避免了滤波器的发散，提高了滤波算法的收敛速度和稳定性，实验证明，与基于EKF的融合算法相比，基于SR-UKF的融合算法使系统的位置和方向角的跟踪精度分别提高了18．22％和34．81％。     

基于模糊自适应PID的无人驾驶车辆路径跟踪控制

在无人驾驶车辆路径跟踪控制过程中,针对控制对象发生变化时传统PID控制器难以对其控制参数进行实时调整的问题,提出一种以预瞄理论为基础的模糊自适应PID控制方法.以前轮转角作为控制系统的输入,设计基于横向偏差和航向偏差的模糊自适应PID路径跟踪控制器.分析量化因子和比例因子的选取原则,利用模糊理论对PID参数进行自适应调整;基于Carsim与Simulink对所提算法进行联合仿真实验.仿真结果表明:模糊自适应PID较传统PID改善了控制器的动态性能且具有较好的自适应能力.     

基于扩展卡尔曼滤波的车辆状态可靠估计

为实现高机动工况下车辆状态的可靠估计,提出了一种基于改进的扩展卡尔曼滤波的车辆运行状态估计方法.首先建立基于非线性车辆动力学的系统状态模型,该模型分别以低成本的车载轮速和方向盘转角传感器信息作为系统的观测量和外部输入量;然后通过改进的卡尔曼滤波递推算法高精度地推算出汽车的关键运行状态.仿真试验表明,所提出的方法既可适应一般机动环境也可适应较高机动环境.此外,该方法可显著提高直测量的精度,并可实现对质心侧偏角、侧向速度等难以直测量的准确估计,质心侧偏角估计误差小于3×10-3rad,速度估计精度小于0.1 m/s.     

车辆主动悬架的自适应控制研究

为了提高车辆主动悬架系统的性能,改善车辆的乘坐舒适性和操纵稳定性。采用具有在线辨识的最小方差瞬息万变校正调节器,通过对主动悬架实体装置的台架实验研究,使自适应控制器在不同激励信号作用下,都具有很好抑制车体振动的特点,在车辆主动悬架系统中,自适应控制具有设计新颖,实用性强,特别对减振效果要求高的车辆,更能发挥其优点。