排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
为减小智能电动汽车在城市工况下巡航中的能耗并避免追尾风险,提出一种考虑信号灯状态信息的电动汽车节能与避撞分层控制系统.上层基于信号灯状态信息和车辆动态模型进行车速规划,在线滚动优化获得能耗最小的车辆参考速度序列;下层结合参考车速序列和多目标函数实时计算车辆的最优加速度并进行避撞控制.利用Matlab/Simulink平台搭建控制系统仿真模型,并基于前方存在和不存在人类驾驶车辆的工况对所提出的控制系统进行有效性验证.分析结果表明,上层车速规划能根据道路交通信息变化,得到最优参考速度,改善电动汽车的能耗特性;下层避撞控制能结合最优参考速度以及多目标函数评估结果,计算车辆最优加速度控制输入.可见,所设计的系统可以保障电动汽车节能、安全地稳定行驶. 相似文献
2.
路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator, LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪... 相似文献
3.
针对汽车纵横向运动中的耦合现象,以四轮驱动、前轮转向的智能汽车为研究对象,建立汽车纵横向动力学模型并通过Interactor算法对模型的可逆性进行分析.在已有的传统伪线性系统结构的基础上,根据智能汽车的特点,建立了可对接智能汽车上层规划模块的伪线性系统.为了实现汽车纵横向运动之间的解耦,采用基于神经网络逆系统的解耦控制策略,构造神经网络并对其进行训练,并将神经网络逆系统与内模控制器组成闭环控制回路,对纵向速度和横摆角速度进行内模反馈调节,进一步提升控制系统的性能.仿真结果表明,所设计的基于神经网络逆系统的控制方法能实现良好的解耦特性,且相比于其他的控制方法,在各种输入条件下,都能实现对于期望速度和期望横摆角速度良好的跟踪性能,同时,质心侧偏角始终被控制在一个较小的范围内,这有利于智能汽车路径跟踪的精确性和行驶稳定性. 相似文献
1