CN108388247A - 一种基于有向通信网络的无人车编队驾驶方法 - Google Patents
一种基于有向通信网络的无人车编队驾驶方法 Download PDFInfo
- Publication number
- CN108388247A CN108388247A CN201810090570.2A CN201810090570A CN108388247A CN 108388247 A CN108388247 A CN 108388247A CN 201810090570 A CN201810090570 A CN 201810090570A CN 108388247 A CN108388247 A CN 108388247A
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- communication network
- formation
- control device
- performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 70
- 238000004891 communication Methods 0.000 title claims abstract description 35
- 238000012546 transfer Methods 0.000 claims abstract description 23
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 3
- 230000035484 reaction time Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000011002 quantification Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 241000736199 Paeonia Species 0.000 description 2
- 235000006484 Paeonia officinalis Nutrition 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0295—Fleet control by at least one leading vehicle of the fleet
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于有向通信网络的无人车编队驾驶方法,包括以下步骤:1)对无人车编队中的个体无人车的传递函数模型进行辨识;2)设置无人车编队的通信网络拓扑并获取每辆车的输入度;3)根据性能指标构建个体无人车的H2最优编队控制器;4)在H2最优编队控制器后串联滤波器fi(s),并且获取性能度的稳定域,在稳定域内定量调节,实现标称性能和鲁棒性能的折中;5)将个体无人车H2最优编队控制器转化为最优PID控制器;6)对最优PID编队控制器进行离散化,获得控制信号序列,并输出编队控制命令。与现有技术相比,本发明具有分布式单独设计、便于实际应用、平衡标称性能和鲁棒性能等优点。
Description
技术领域
本发明涉及汽车工程技术领域,尤其是涉及一种基于有向通信网络的无人车编队驾驶方法。
背景技术
得益于大量的政府资金和主导新能源技术的愿景,我国日益成为全球最大的电动车市场,同时,新能源汽车的自动驾驶技术和主动安全***也成为现今汽车研发工程师们关注的热点问题。据统计,近几年的交通事故中,由于驾驶员疲劳驾驶或操作失误引发的交通事故占所有交通事故的60%以上,严重影响了人们的生命财产安全。实现数据表明,当车以恒定速度靠近行驶时,燃油消耗量和尾气排放量都会降低,行车安全系数也会提升。当前自动驾驶技术的一个远景目标,就是使多辆汽车能在电子通信技术的应用下,实现车编队自动驾驶。
多无人车的编队驾驶***中,每辆无人车都具有信息采集,计算和通信的功能,并利用自己和邻居车辆的信息来调整自身的行为,个体间通过相互协作完成单一车辆无法完成的复杂任务,比如安全巡逻、物流运输,多车护卫等。自动驾驶车辆的编队技术可以增强车辆的主动安全性、提高道路利用率和车辆的经济效益。从表面上看,多无人车的编队驾驶思想很直观,但实际上要真正实现自动驾驶车辆的编队控制是非常困难的,涉及到无人车的环境感知、目标智能识别、动态自组织网络、任务实时规划、分布式协同控制等一系列问题。多无人车编队驾驶的主要目标是设计单个车辆的编队控制器,使得多无人车***仅在局部信息交互的情况下实现一个共同的全局行为。目前国内在无人车编队驾驶控制器设计方面的研究存在以下两个局限:
其一,体现在工程环境实用性方面。目前无人车编队驾驶控制的研究成果大多停留在学术圈,具体的研究思路是将多无人车编队控制问题转化为稳定性分析问题,通过构造一个Lyapunov函数,判定***是否渐进收敛,进而判断编队能否形成。这类数值设计方法仅仅给出了控制器参数的稳定域,但是参数调节的方式需要依赖经验和反复试凑,不同的工程师将会得到不同的控制结果。相比较而言,解析设计方法理论更加严谨、结果更加准确,是一种相对高级的控制器设计方法。
其二,体现在控制性能优化方面。和控制理论的研究过于关注稳定性一样,多无人车编队驾驶控制也偏重于分析***的收敛性。就编队控制设计而言,收敛性只是保证***稳定的前提,但是设计往往在收敛性便止步了,鲜少有人研究编队驾驶性能指标的优化问题,尤其是瞬态性能的改善。在实际多车编队应用中,仅仅一点点***性能上的改善都会得到能量消耗减少或控制效率提高上的巨大进步,因此对多无人车编队***的最优控制器设计存在实际研究意义。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于有向通信网络的无人车编队驾驶方法。
本发明的目的可以通过以下技术方案来实现:
一种基于有向通信网络的无人车编队驾驶方法,包括以下步骤:
1)对无人车编队中的个体无人车的传递函数模型进行辨识;
2)设置无人车编队的通信网络拓扑并获取每辆车的输入度;
3)根据性能指标构建个体无人车的H2最优编队控制器;
4)在H2最优编队控制器后串联滤波器fi(s),并且获取性能度的稳定域,在稳定域内定量调节,实现标称性能和鲁棒性能的折中;
5)将个体无人车H2最优编队控制器转化为最优PID控制器;
6)对最优PID编队控制器进行离散化,获得控制信号序列,并输出编队控制命令。
所述的无人车编队的驾驶***由N(N>2)辆异质无人车组成,所有无人车分为两部分:前M(M≠0)辆领导者车辆获得相同的外界参考信号,作为在领导-跟随拓扑图中参考目标的状态,领导者车辆将***偏差作为自身控制器的输入,剩余N-M辆跟随者车辆将与邻居无人车的相对输出偏差作为自身控制器的输入。
所述的步骤1)中,无人车的传递函数模型Gi(s)为:
其中,N+(s)和M+(s)为根在右半平面的多项式,N-(s)和M-(s)为根在左半平面的多项式,且N+(0)=N-(0)=M+(0)=M_(0)=1,正实数K为静态增益,正实数θ为纯输入时滞,即无人车对控制效果的反应时间。
所述的步骤1)中,通过阶跃辨识法或继电反馈辨识法对传递函数模型进行辨识。
所述的步骤3)中,性能指标包括:
J1(s)为单独个体参考信号至***偏差的传递矩阵2范数最小,或单独个体输出负载扰动至***输出的传递矩阵2范数最小;
J2(s)为单独个体***输入负载扰动至***输出的传递矩阵2范数最小。
所述的步骤3)中,第i辆无人车的H2最优编队控制器Ci(s)的表达式为:
当考虑性能指标J1(s)时,则有:
当考虑性能指标J2(s)时,则有:
其中,deg(i)为第i辆无人车的输入度,表示能与之通信的无人车的个数,A(s)为一有理多项式,N+(-s)为根在左半平面的多项式,且N+(-s)的根和N+(s)的根互为相反数。
所述的步骤4)中,滤波器fi(s)的表达式为:
其中,σi为性能度,取正实数,βm、…、β1、β0为滤波器传递函数的分子多项式的系数,需满足***内稳定性的要求,ni为滤波器传递函数的分母多项式的阶次,需取值足够大使得Qi(s)半正则。
所述的性能度σi的稳定域为:
其中,为传递函数矩阵,为第i行的对角元素,为第j行第i列的元素,为所有被控无人车的传递函数矩阵,L为多无人车通信结构的拓扑矩阵,表示直和,IM为维数是M的单位矩阵,0N-M是维数为N-M的零矩阵。
所述的步骤5)中,采用麦克劳林展开式将H2最优编队控制器转化为最优PID控制器C(s),其表达式为:
其中,Kc,TI,TD和TF均为最优PID编队控制器的控制参数。
所述的步骤6)中,控制信号序列为:
其中,e为***偏差,T为控制周期,n为采样序号,n=0,1,2,…,e(n-1)和e(n)为第n-1次和第n次采样所得的偏差信号,u(n-1)是第n-1时刻的滤波前控制信号,u(n-1)和u(n)为第n-1和第n时刻的控制量。
与现有技术相比,本发明具有以下优点:
一、分布式单独设计:每辆无人车对应的编队控制器可单独设计,不需要获知全局信息,是完全分布式的,即仅仅利用每辆无人车和其邻居无人车的相对输出信息。相比较于集中式控制方法,用多个小型分布式***的相互合作也可以达到同样的要求,而且完全分布式的协同控制具有操作成本低,***需求少,鲁棒性、自适应性和可扩展性强等优点,当单个体出现故障或者被移出群体时,仅与之相关的个体会受到一定的影响,而不会影响整个分布式控制***的稳定性。
二、便于实际应用:H2最优编队控制器可转化为普通的PID控制器,PID控制器是工程上使用最广泛的控制器形式,其等价转换为实际应用提供了便捷。
三、平衡标称性能和鲁棒性能:控制器的可调参数不仅能保证整个编队***的稳定性,而且能通过简单的调节方式定量权衡单***的标称性能和鲁棒性能。
附图说明
图1为本发明中基于有向通信网络的无人车编队驾驶方法的流程图。
图2为本发明实施例中无人车编队驾驶***的通信网络拓扑图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
为了解决自动驾驶技术中多车编队控制的问题,以降低因驾驶员疲劳驾驶或操作失误而引发交通事故的概率,本发明给出了一种基于有向通信网络的无人车编队驾驶方法,通过严格的理论推导得出了最优编队控制器的解析形式,并提供了该方法工程化的具体实施方式。
本发明所研究的多无人车编队驾驶***由N(N>2)辆异质无人车组成,所有无人车分为两部分:前M(M≠0)辆领导者车辆可获得相同的外界参考信号,这种输入信号在领导-跟随拓扑图中被视为参考目标的状态,领导者将***偏差作为自身控制器的输入;剩余N-M辆跟随者车辆将与邻居无人车的相对输出偏差作为自身控制器的输入。
每辆无人车上均安装有定位***,通信设备和自动驾驶控制***。其中,定位***用于对车辆进行定位,得到自身位置信息;通信设备与其定位***和CAN总线连接,并和与之相邻的车辆通信连接,用于和相邻车辆共享位置和行驶状态参数;自动驾驶控制***分别与其定位***和通信设备相连接,用于输出编队控制命令。具体地,检测装置为激光雷达,安装在自车前挡风玻璃的上方和左右两侧,并与自动驾驶控制***连接,用以检测自车与相邻车辆的车距和相邻车辆的车速;自车的车速和加速度等信息可从CAN总线上获得。
本发明提出的编队控制方法具体步骤如下:
1)首先辨识出第i辆车的被控***传递函数模型。被控***的输入信号为ui(t),可以是车辆制动***中的主缸压力,或车辆驱动***中的油门开度;输出信号是车辆的速度vi(t)。取拉普拉斯变换可得:
其中,N+(s)和M+(s)指根在右半平面的多项式,N-(s)和M-(s)指根在左半平面的多项式,N+(0)=N-(0)=M+(0)=M-(0)=1。即被控对象有rp个不稳定极点pj,lj是pj的次数。正实数K称为静态增益,正实数θ表示纯输入时滞,即无人车对控制效果的反应时间。对模型辨识的具体方法可采用最常用的阶跃辨识方法或者继电反馈辨识方法。
2)第i辆无人车的动态特性可描述为:
vi(s)=Gi(s)[ui(s)+di-in(s)]+di-out(s)
ui(s)=Ci(s)ei(s)
其中,Ci(s),di-in(s),di-out(s)和ei(s)分别是第i辆无人车的控制器、输入扰动、输出扰动和***偏差。这N辆无人车通过如下通信拓扑相互耦合:
其中,v*(s)是所需的编队参考车速。通信网络拓扑结构表示成拉普拉斯矩阵L=(lij)N×N,特征值为λi,i=1,2,…,N。
deg(i)表示第i辆无人车的输入度。另外,令
3)实际工程所需的综合性能指标为J(s),其选择有两项,分别是“J1(s)—最优参考信号追踪/最优输出扰动抑制”和“J2(s)—最优输入扰动抑制”。其中J1(s)指单独个体参考信号至***偏差的传递矩阵2范数最小,或指单独个体输出负载扰动至***输出的传递矩阵2范数最小;J2(s)指单独个体***输入负载扰动至***输出的传递矩阵2范数最小。
4)根据所选择的性能指标,对每辆无人车单独设计H2最优编队控制器Ci(s),
根据最优参考信号追踪/输出扰动抑制性能指标J1(s):
根据最优输入扰动抑制性能指标J2(s):
其中,A(s)是一个需要离线计算得出的有理多项式,满足:
5)步骤4)中在最优编队控制器后串联的滤波器为:
可调节参数σi称为性能度。假设和有相同数量的右半平面极点,且
1+[1+deg(i)]Ci(s)Gi(s),i=1,2,…,M
1+deg(i)Ci(s)Gi(s),i=M+1,M+2,…,N
都是稳定的,每个滤波器的性能度σi必须在如下稳定域内:
此不等式称为列对角主导准则。控制器参数可在稳定域内单调递增调节,从而权衡个体无人车控制***的标称性能和鲁棒性能,σi总是取正实数,σi越小,单***的标称性能越好;σi增大,单***性能是次最优的,鲁棒性能可渐进得到改善。
6)用麦克劳林展开式将所设计的最优编队控制器转化为实际PID控制器,即:
令g(s)=sC(s),三个参数可如下计算得出:
对得到的最优PID编队控制器进行离散化,可得控制信号序列为:
其中e为***偏差,T为控制周期,n为采样序号,n=0,1,2,…,e(n-1)和e(n)为第n-1次和第n次采样所得的偏差信号,u(n-1)是第n-1时刻的滤波前控制信号,u(n-1)和u(n)为第n-1和第n时刻的控制量。
实施例
如图1所示,一种基于有向通信网络的无人车编队驾驶方法,该方法中的计算在无人车的自动驾驶控制***中通过软件实现;检测装置为激光雷达,安装在自车前挡风玻璃的上方和左右两侧,用以检测相邻车辆的车速;自车的车速从CAN总线上获得。采样所得数据经模拟量输入通道传输信号后滤波,经A/D转换后得到数字量输入信号,据此计算***偏差信号e,作为自动驾驶控制***的输入信号。以四辆异质电驱自动驾驶车辆为例,每辆无人车线性化被控***的传递函数为:
设定初始值为[v1(0),v2(0),v3(0),v4(0)]=(15,10,8,5)。每辆车上安装有通信装置,用于输出自车车速、接收邻居车辆的车速,有向通信网络拓扑结构如图2所示,该图中的每个节点表示编队驾驶***中的各辆无人车,节点之间的连线表示多无人车的通信方式。该图对应的拉普拉斯矩阵为:
只有1号无人车可以获得参考速度v*(s)=5/s,显然,每辆无人车的输入度为deg(1,2,3,4)=(1,1,2,1)。
根据图1所示的编队驾驶方法,每辆无人车的编队驾驶控制器在投入到***应用前可单独解析计算得出,每个最优的串联了滤波器的输出扰动抑制控制器为:
其中车辆3有一个参数β需要确定。车辆3有一个不稳定极点s=1,计算得出β=(σ3+1)2e0.5-1。在每辆无人车的控制器结构被单独设计后,可以根据单***鲁棒性能调节控制器参数σi。单独地调试每一辆无人车被控***,我们取σ1=0.3,σ2=0.5,σ3=0.4,σ4=1,β=2.2315。
用麦克劳林展开式将3号车所得的最优编队控制器转化为实际PID控制器,各控制参数通过计算可得:
对得到的最优PID编队控制器离散化处理,可得控制信号序列为:
其中,e为***误差,T为控制周期,n为采样序号,n=0,1,2,…,e(n-1)和e(n)为第n-1次和第n次采样所得的偏差信号,u1(n-1)是第n-1时刻的滤波前控制信号,u(n-1)和u(n)为第n-1和第n时刻的控制量。根据以上控制信号序列计算公式编制好控制算法程序。
输出编队控制命令,由自动驾驶控制***执行编制好的控制算法程序,通过不同占空比的PWM波驱动电机,给出对应的驱动力或制动力,调节无人车的行驶速度。整个***能够实现多无人车速度一致的编队行驶,并有效地抑制输出扰动的影响。
Claims (10)
1.一种基于有向通信网络的无人车编队驾驶方法,其特征在于,包括以下步骤:
1)对无人车编队中的个体无人车的传递函数模型进行辨识;
2)设置无人车编队的通信网络拓扑并获取每辆车的输入度;
3)根据性能指标构建个体无人车的H2最优编队控制器;
4)在H2最优编队控制器后串联滤波器fi(s),并且获取性能度的稳定域,在稳定域内定量调节,实现标称性能和鲁棒性能的折中;
5)将个体无人车H2最优编队控制器转化为最优PID控制器;
6)对最优PID编队控制器进行离散化,获得控制信号序列,并输出编队控制命令。
2.根据权利要求1所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的无人车编队的驾驶***由N(N>2)辆异质无人车组成,所有无人车分为两部分:前M(M≠0)辆领导者车辆获得相同的外界参考信号,作为在领导-跟随拓扑图中参考目标的状态,领导者车辆将***偏差作为自身控制器的输入,剩余N-M辆跟随者车辆将与邻居无人车的相对输出偏差作为自身控制器的输入。
3.根据权利要求2所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤1)中,无人车的传递函数模型Gi(s)为:
其中,N+(s)和M+(s)为根在右半平面的多项式,N-(s)和M-(s)为根在左半平面的多项式,且N+(0)=N-(0)=M+(0)=M-(0)=1,正实数K为静态增益,正实数θ为纯输入时滞,即无人车对控制效果的反应时间。
4.根据权利要求2所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤1)中,通过阶跃辨识法或继电反馈辨识法对传递函数模型进行辨识。
5.根据权利要求3所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤3)中,性能指标包括:
J1(s)为单独个体参考信号至***偏差的传递矩阵2范数最小,或单独个体输出负载扰动至***输出的传递矩阵2范数最小;
J2(s)为单独个体***输入负载扰动至***输出的传递矩阵2范数最小。
6.根据权利要求5所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤3)中,第i辆无人车的H2最优编队控制器Ci(s)的表达式为:
当考虑性能指标J1(s)时,则有:
当考虑性能指标J2(s)时,则有:
其中,deg(i)为第i辆无人车的输入度,表示能与之通信的无人车的个数,A(s)为一有理多项式,N+(-s)为根在左半平面的多项式,且N+(-s)的根和N+(s)的根互为相反数。
7.根据权利要求1所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤4)中,滤波器fi(s)的表达式为:
其中,σi为性能度,βm、…、β1、β0为滤波器传递函数的分子多项式的系数,ni为滤波器传递函数的分母多项式的阶次。
8.根据权利要求7所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的性能度σi的稳定域为:
其中,为传递函数矩阵,为第i行的对角元素,为第j行第i列的元素,为所有被控无人车的传递函数矩阵,L为多无人车通信结构的拓扑矩阵,表示直和,IM为维数是M的单位矩阵,0N-M是维数为N-M的零矩阵。
9.根据权利要求1所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤5)中,采用麦克劳林展开式将H2最优编队控制器转化为最优PID控制器C(s),其表达式为:
其中,Kc,TI,TD和TF均为最优PID编队控制器的控制参数。
10.根据权利要求9所述的一种基于有向通信网络的无人车编队驾驶方法,其特征在于,所述的步骤6)中,控制信号序列为:
其中,e为***偏差,T为控制周期,n为采样序号,n=0,1,2,…,e(n-1)和e(n)为第n-1次和第n次采样所得的偏差信号,u(n-1)是第n-1时刻的滤波前控制信号,u(n-1)和u(n)为第n-1和第n时刻的控制量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810090570.2A CN108388247B (zh) | 2018-01-30 | 2018-01-30 | 一种基于有向通信网络的无人车编队驾驶方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810090570.2A CN108388247B (zh) | 2018-01-30 | 2018-01-30 | 一种基于有向通信网络的无人车编队驾驶方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108388247A true CN108388247A (zh) | 2018-08-10 |
CN108388247B CN108388247B (zh) | 2020-11-10 |
Family
ID=63074114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810090570.2A Active CN108388247B (zh) | 2018-01-30 | 2018-01-30 | 一种基于有向通信网络的无人车编队驾驶方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388247B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415422A (zh) * | 2018-01-30 | 2018-08-17 | 上海交通大学 | 一种基于扰动观测器的多无人车编队驾驶控制方法 |
CN109062221A (zh) * | 2018-09-03 | 2018-12-21 | 成都市新筑路桥机械股份有限公司 | 一种智能编组车辆***及其控制方法 |
CN109410561A (zh) * | 2018-10-24 | 2019-03-01 | 清华大学 | 一种高速路车辆匀异质编队行驶控制方法 |
CN109859456A (zh) * | 2018-12-06 | 2019-06-07 | 浙江大学 | 车联网环境下的车辆编队初始方案确定方法 |
CN110442134A (zh) * | 2019-08-01 | 2019-11-12 | 北京理工大学 | 一种基于双层网络的多智能体群集控制方法 |
CN114323040A (zh) * | 2021-11-18 | 2022-04-12 | 鄂尔多斯市普渡科技有限公司 | 一种无人驾驶车辆的定位方法 |
CN116224769A (zh) * | 2023-02-28 | 2023-06-06 | 海南大学 | 一种无人驾驶汽车编队的pid一致性控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1881121A (zh) * | 2005-06-17 | 2006-12-20 | 费舍-柔斯芒特***股份有限公司 | 用于过程控制***的无线架构和载体 |
CN101867997A (zh) * | 2010-05-12 | 2010-10-20 | 北京航空航天大学 | 一种车载自组织网络环境下基于越区切换的分群路由方法 |
CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
CN105116899A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
CN105824236A (zh) * | 2016-03-08 | 2016-08-03 | 哈尔滨工程大学 | 一种水下机器人的自适应组网通信方法 |
WO2017019595A1 (en) * | 2015-07-27 | 2017-02-02 | Genghiscomm Holdings, LLC | Airborne relays in cooperative-mimo systems |
CN107104612A (zh) * | 2017-04-28 | 2017-08-29 | 上海交通大学 | 主从式多电机同步的h2最优控制方法 |
US20170250905A1 (en) * | 2016-02-26 | 2017-08-31 | Hyundai Motor Company | Communication method in divided vehicle network |
-
2018
- 2018-01-30 CN CN201810090570.2A patent/CN108388247B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1881121A (zh) * | 2005-06-17 | 2006-12-20 | 费舍-柔斯芒特***股份有限公司 | 用于过程控制***的无线架构和载体 |
CN101867997A (zh) * | 2010-05-12 | 2010-10-20 | 北京航空航天大学 | 一种车载自组织网络环境下基于越区切换的分群路由方法 |
CN102288192A (zh) * | 2011-07-01 | 2011-12-21 | 重庆邮电大学 | 基于Ad Hoc网络的多机器人路径规划方法 |
WO2017019595A1 (en) * | 2015-07-27 | 2017-02-02 | Genghiscomm Holdings, LLC | Airborne relays in cooperative-mimo systems |
CN105116899A (zh) * | 2015-08-28 | 2015-12-02 | 浙江工业大学 | 基于eso的分布式多移动机器人编队控制方法 |
US20170250905A1 (en) * | 2016-02-26 | 2017-08-31 | Hyundai Motor Company | Communication method in divided vehicle network |
CN105824236A (zh) * | 2016-03-08 | 2016-08-03 | 哈尔滨工程大学 | 一种水下机器人的自适应组网通信方法 |
CN107104612A (zh) * | 2017-04-28 | 2017-08-29 | 上海交通大学 | 主从式多电机同步的h2最优控制方法 |
Non-Patent Citations (2)
Title |
---|
邱亮: "基于阶跃辨识的PID自整定算法研究及其应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
雷志球: "基于Zigbee多智能车***通信的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415422A (zh) * | 2018-01-30 | 2018-08-17 | 上海交通大学 | 一种基于扰动观测器的多无人车编队驾驶控制方法 |
CN108415422B (zh) * | 2018-01-30 | 2020-11-06 | 上海交通大学 | 一种基于扰动观测器的多无人车编队驾驶控制方法 |
CN109062221A (zh) * | 2018-09-03 | 2018-12-21 | 成都市新筑路桥机械股份有限公司 | 一种智能编组车辆***及其控制方法 |
CN109410561A (zh) * | 2018-10-24 | 2019-03-01 | 清华大学 | 一种高速路车辆匀异质编队行驶控制方法 |
CN109410561B (zh) * | 2018-10-24 | 2020-05-19 | 清华大学 | 一种高速路车辆匀异质编队行驶控制方法 |
CN109859456A (zh) * | 2018-12-06 | 2019-06-07 | 浙江大学 | 车联网环境下的车辆编队初始方案确定方法 |
CN110442134A (zh) * | 2019-08-01 | 2019-11-12 | 北京理工大学 | 一种基于双层网络的多智能体群集控制方法 |
CN114323040A (zh) * | 2021-11-18 | 2022-04-12 | 鄂尔多斯市普渡科技有限公司 | 一种无人驾驶车辆的定位方法 |
CN116224769A (zh) * | 2023-02-28 | 2023-06-06 | 海南大学 | 一种无人驾驶汽车编队的pid一致性控制方法 |
CN116224769B (zh) * | 2023-02-28 | 2023-09-19 | 海南大学 | 一种无人驾驶汽车编队的pid一致性控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108388247B (zh) | 2020-11-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388247A (zh) | 一种基于有向通信网络的无人车编队驾驶方法 | |
Zhai et al. | Ecological cooperative adaptive cruise control for a heterogeneous platoon of heavy-duty vehicles with time delays | |
CN108415422A (zh) | 一种基于扰动观测器的多无人车编队驾驶控制方法 | |
WO2021077727A1 (zh) | 一种电动卡车线控转向***及其网络不确定控制方法 | |
Wen et al. | Event-triggered cooperative control of vehicle platoons in vehicular ad hoc networks | |
Ploeg et al. | Design and experimental evaluation of cooperative adaptive cruise control | |
CN109941211B (zh) | 一种汽车智能驾驶***结构共用型架构及构建方法 | |
CN112660130A (zh) | 基于智能网联信息的新能源汽车滑行控制***、方法及新能源汽车 | |
CN105759753A (zh) | 基于v2x的混合动力汽车的能量管理优化控制方法 | |
CN109254592B (zh) | 一种无人机队形变化控制方法及*** | |
Solyom et al. | Performance limitations in vehicle platoon control | |
CN106019938B (zh) | 基于数据驱动的acc***离散二阶滑模控制***的控制方法 | |
Ali et al. | Model predictive control with constraints for a nonlinear adaptive cruise control vehicle model in transition manoeuvres | |
Li et al. | Velocity tracking control based on throttle-pedal-moving data mapping for the autonomous vehicle | |
CN109656242A (zh) | 一种自动驾驶行车路径规划*** | |
CN114510032A (zh) | 一种保障车辆快速编队稳定的多车协同控制方法及装置 | |
Qin et al. | Distributed vehicular platoon control with heterogeneous communication delays | |
Qian et al. | Optimal control of connected and automated vehicles at unsignalized intersections: Discrete and regroup | |
Liangyi et al. | Study of autonomous platoon vehicle longitudinal modeling | |
Zhang et al. | An Eco‐Cruise Control for Electric Vehicles Moving on Slope Road with Constant Speed | |
CN112558483B (zh) | 一种基于模型预测控制的编队控制方法及*** | |
CN109491385A (zh) | 基于elm的自动驾驶列车车速跟随的控制方法 | |
CN113561976A (zh) | 基于反馈优化的车辆节能预测自适应巡航控制方法和装置 | |
Peng et al. | V2V‐enabled cooperative adaptive cruise control strategy for improving driving safety and travel efficiency of semi‐automated vehicle fleet | |
He et al. | Robust stabilization of longitudinal tracking for cooperative adaptive cruise control considering input saturation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |