智能车横向轨迹跟踪控制算法及其稳定性研究
发布时间：2020-05-10 20:22
【摘要】：智能车的横向轨迹跟踪与稳定性分析是运动控制技术的基本问题,其研究不仅可以提高车辆驾驶过程中的舒适性和安全稳定性,也为未来的无人驾驶技术提供了理论基础。由于车辆系统的高非线性和强耦合性,导致高精度的横向轨迹跟踪控制器难以设计,另外在跟踪过程中车辆的稳定性在高速时也会下降,此时直接影响了车辆的舒适性和安全性。为此,针对横向轨迹跟踪过程中存在的跟踪精度不高以及车辆稳定性降低的问题,基于车辆动力学仿真软件CarSim和Matlab/Simulink联合仿真平台,本文主要围绕智能车横向轨迹跟踪与稳定性控制算法进行研究,论文的主要工作如下:(1)车辆动力学模型研究通过对车辆在运动过程中工作原理的分析,基于牛顿第二定律,建立了车辆二自由度动力学模型,根据模型得出所需的动力学状态方程,用于横向滑模控制器的设计。(2)基于模糊滑模的横向轨迹跟踪控制研究针对传统的滑模控制存在的横向跟踪误差较大的问题,本章提出了基于模糊滑模的横向轨迹跟踪控制方法。首先,根据横摆角速度误差来设计滑模面函数,以滑模面函数及其变化率作为模糊控制器的输入,然后根据输入的变化来设计相应的模糊规则,通过模糊化、模糊推理和解模糊化来得出前轮转角控制律,最后联合仿真实验表明,与传统的滑模控制方法相比,设计的模糊滑模横向跟踪控制器能减小跟踪误差,提高跟踪精度。(3)基于径向基神经网络的横向轨迹跟踪滑模控制研究针对滑模控制本身存在的抖振现象以及动力学建模不确定性导致的横向跟踪误差的问题,本文提出了基于RBF神经网络的横向轨迹跟踪滑模控制方法。滑模控制器以车辆参考横摆角和实际的横摆角间的误差及其变化率设计滑模面函数,输出为前轮转角控制律,并通过Lyapunov理论对系统的稳定收敛性进行了分析,然后利用RBF神经网络补偿一个前轮转角控制律,来减小模型不确定性产生的跟踪误差。仿真实验结果表明,与传统的滑模控制方法相比,基于RBF神经网络的横向轨迹跟踪滑模控制方法的非线性逼近能力提高了横向轨迹跟踪的精度,有效地抑制了控制器系统的抖振现象。(4)基于滑模控制的智能车稳定性研究针对横向轨迹跟踪控制过程中存在的稳定性问题,本文选取了质心侧偏角、横摆角速度和侧向加速度作为衡量车辆稳定性的三个重要性能指标,论文基于横摆力矩控制策略,设计了滑模控制器,通过对轮胎施加制动力矩或驱动力矩来提高车辆的稳定性。仿真结果表明,相比于无横摆力矩的控制,加入横摆力矩后的三个性能指标的波动范围减小,变化平缓,无明显突变现象,说明了车辆在横向轨迹跟踪控制过程中具有良好的稳定性。
【图文】：
该智能车辆的在测试路段的行驶速度高达 130km/h。2000 年至今，在智能车技术实用化的快速发展阶段，在此阶段，智能车辆的研究在军事和民用领域都飞速的发展。2002 年，美国国防先进研究项目局(DefenseAdvanced Research Projects Agency, DARPA)主导的 DEMO 计划完成以后，在 2004年和 2005 年，DARPA 分别举办了两届智能车辆越野挑战赛，该项比赛在是在极限的环境条件下进行的，更能真实的反映参赛车辆的各项性能，极大地促进了无人驾驶技术的发展。如下图 1.4 所示，在 2005 届越野挑战赛中，最后斯坦福大学(StanfordUniversity)的 Stanley 智能车[32]以最短的时间自动驾驶完全程获得比赛冠军。2007 年的城市复杂环境挑战赛[33](Urban Challenge)，参赛车辆自动驾驶完全程 96 公里，期间需要自动判断交通情况，根据环境的不断变化及时调整决策控制，遵守交通规则并主动避障，比赛结果表明大部分车辆能完成这些任务。如下图 1.5 所示，最后获得比赛冠军的是 CMU 的智能车。
该智能车辆的在测试路段的行驶速度高达 130km/h。2000 年至今，在智能车技术实用化的快速发展阶段，在此阶段，智能车辆的研究在军事和民用领域都飞速的发展。2002 年，美国国防先进研究项目局(DefenseAdvanced Research Projects Agency, DARPA)主导的 DEMO 计划完成以后，在 2004年和 2005 年，DARPA 分别举办了两届智能车辆越野挑战赛，，该项比赛在是在极限的环境条件下进行的，更能真实的反映参赛车辆的各项性能，极大地促进了无人驾驶技术的发展。如下图 1.4 所示，在 2005 届越野挑战赛中，最后斯坦福大学(StanfordUniversity)的 Stanley 智能车[32]以最短的时间自动驾驶完全程获得比赛冠军。2007 年的城市复杂环境挑战赛[33](Urban Challenge)，参赛车辆自动驾驶完全程 96 公里，期间需要自动判断交通情况，根据环境的不断变化及时调整决策控制，遵守交通规则并主动避障，比赛结果表明大部分车辆能完成这些任务。如下图 1.5 所示，最后获得比赛冠军的是 CMU 的智能车。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP273;U463.6
【图文】：
该智能车辆的在测试路段的行驶速度高达 130km/h。2000 年至今，在智能车技术实用化的快速发展阶段，在此阶段，智能车辆的研究在军事和民用领域都飞速的发展。2002 年，美国国防先进研究项目局(DefenseAdvanced Research Projects Agency, DARPA)主导的 DEMO 计划完成以后，在 2004年和 2005 年，DARPA 分别举办了两届智能车辆越野挑战赛，该项比赛在是在极限的环境条件下进行的，更能真实的反映参赛车辆的各项性能，极大地促进了无人驾驶技术的发展。如下图 1.4 所示，在 2005 届越野挑战赛中，最后斯坦福大学(StanfordUniversity)的 Stanley 智能车[32]以最短的时间自动驾驶完全程获得比赛冠军。2007 年的城市复杂环境挑战赛[33](Urban Challenge)，参赛车辆自动驾驶完全程 96 公里，期间需要自动判断交通情况，根据环境的不断变化及时调整决策控制，遵守交通规则并主动避障，比赛结果表明大部分车辆能完成这些任务。如下图 1.5 所示，最后获得比赛冠军的是 CMU 的智能车。
该智能车辆的在测试路段的行驶速度高达 130km/h。2000 年至今，在智能车技术实用化的快速发展阶段，在此阶段，智能车辆的研究在军事和民用领域都飞速的发展。2002 年，美国国防先进研究项目局(DefenseAdvanced Research Projects Agency, DARPA)主导的 DEMO 计划完成以后，在 2004年和 2005 年，DARPA 分别举办了两届智能车辆越野挑战赛，，该项比赛在是在极限的环境条件下进行的，更能真实的反映参赛车辆的各项性能，极大地促进了无人驾驶技术的发展。如下图 1.4 所示，在 2005 届越野挑战赛中，最后斯坦福大学(StanfordUniversity)的 Stanley 智能车[32]以最短的时间自动驾驶完全程获得比赛冠军。2007 年的城市复杂环境挑战赛[33](Urban Challenge)，参赛车辆自动驾驶完全程 96 公里，期间需要自动判断交通情况，根据环境的不断变化及时调整决策控制，遵守交通规则并主动避障，比赛结果表明大部分车辆能完成这些任务。如下图 1.5 所示，最后获得比赛冠军的是 CMU 的智能车。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP273;U463.6
【参考文献】
相关期刊论文 前10条
1 陈慧岩;张玉;;军用地面无人机动平台技术发展综述[J];兵工学报;2014年10期
2 杨建华;刘卫东;;遥控潜水器轨迹跟踪自适应模糊滑模控制方法研究[J];计算机测量与控制;2014年08期
3 姜岩;龚建伟;熊光明;陈慧岩;;基于运动微分约束的无人车辆纵横向协同规划算法的研究[J];自动化学报;2013年12期
4 沈\
本文编号：2657849
本文链接：https://www.wllwen.com/kejilunwen/qiche/2657849.html
