智能车辆自适应巡航控制策略研究

为满足车辆自适应巡航安全性要求,提出了一种分层式自适应巡航控制策略。首先将车辆行驶模式分为定速巡航与跟车巡航两种,并设计控制模式切换策略,针对不同模式,分别建立基于PID控制和基于可变车头时距的安全车间距策略与最优控制的控制器模型,获得期望加速度;然后建立下层制动/节气门开度切换模型及其逆模型,得到车辆期望的节气门开度和制动压力,实现对车辆的控制;最后基于CarSim与Matlab/Simulink联合仿真平台进行测试。结果显示,所设计的安全车间距策略和控制策略能够保证巡航稳定性及安全性。     

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。     

基于前馈+预测LQR智能车循迹控制器设计

为提升智能车辆循迹性能,本文提出了一种基于LQR理论和滑模理论的车辆横纵向控制器。首先,基于二自由度横向动力学模型,构建前馈LQR控制器。针对循迹过程中横纵向跟踪精度与转向稳定性两者难以兼顾的问题,本文基于 CTRV模型设计预测控制器,建立了基于实时车速-曲率的模糊自适应预测时间,对前馈LQR进行改进。此外为提升纵向车速跟踪稳定性和跟踪精度,本文提出一种基于滑模控制理论的纵向跟踪算法。通过CarSim与Simulink的联合仿真和硬件在环平台进行验证,结果证明：本文提出的横纵向控制器具备一定的驾驶员行为特征,可兼顾跟踪精度与稳定性,提升了智能车辆循迹性能。