CN109910873B - 一种基于滑模的无人车辆自动泊车力矩控制方法 - Google Patents

一种基于滑模的无人车辆自动泊车力矩控制方法 Download PDF

Info

Publication number
CN109910873B
CN109910873B CN201910272464.0A CN201910272464A CN109910873B CN 109910873 B CN109910873 B CN 109910873B CN 201910272464 A CN201910272464 A CN 201910272464A CN 109910873 B CN109910873 B CN 109910873B
Authority
CN
China
Prior art keywords
unmanned vehicle
target parking
parking area
obstacle
automatic parking
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.)
Expired - Fee Related
Application number
CN201910272464.0A
Other languages
English (en)
Other versions
CN109910873A (zh
Inventor
于晋伟
杨卫华
梁东岳
高立青
张淑蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Taiyuan University of Technology
Original Assignee
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Taiyuan University of Technology filed Critical Taiyuan University of Technology
Priority to CN201910272464.0A priority Critical patent/CN109910873B/zh
Publication of CN109910873A publication Critical patent/CN109910873A/zh
Application granted granted Critical
Publication of CN109910873B publication Critical patent/CN109910873B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明属于无人车辆自动泊车技术领域，具体为一种基于滑模的无人车辆自动泊车力矩控制方法，解决了过分依赖于视觉传感器的传统无人车辆泊车技术手段存在视觉盲区等的控制问题。本发明所述方法是通过***建模、利用全局反馈信息进行的力矩控制器设计，首先***建模，实现了对目标泊车区域以及周围障碍物的描述，进而，依据模型信息进行力矩控制器的设计，由此大幅度减少了对自动泊车视觉传感器的严重依赖。从而避免了视觉盲区带来的泊车失误，通过本方法提高了泊车精确度，而且这将推动了自动化泊车技术的深度变革，进而推动新一代信息技术、高端设备制造发展产业，具有良好的应用价值。

Description

一种基于滑模的无人车辆自动泊车力矩控制方法
技术领域
本发明属于无人车辆自动泊车技术领域，涉及一种基于无人车辆的动力学与运动学特征的力矩控制方法，具体为一种基于滑模的无人车辆自动泊车力矩控制方法。
背景技术
当前，随着科学技术的突飞猛进，视觉传感器、激光测距仪、平衡陀螺、超声雷达以及光电编码等传感器和GPS等定位控制技术日渐成熟与完善。尤其是这些控制技术与当下的无人驾驶等控制理论深度融合，无人驾驶控制技术(包括自动泊车技术)已成为当前自动化控制理论与科学实践应用的热点问题之一。然而，目前有关无人驾驶控制技术主要是依赖于传统的轨迹跟踪控制策略，而自动化泊车控制技术往往又都过分地依赖于视觉传感器，一旦车辆在行驶过程中出现视觉盲区或者是视觉传感器出现故障，势必造成无法挽回的损失，从而严重影响其应用价值。基于此，有必要发明一种全新的泊车控制技术手段，以解决传统泊车控制技术手段的弊端。
发明内容
本发明的目的在于解决过分依赖于视觉传感器的传统无人车辆泊车技术手段存在视觉盲区等的控制问题，提供了一种基于滑模的无人车辆自动泊车力矩控制方法，本方法只依赖于外界环境的反馈信息，不需要实时的视觉处理技术，泊车精确度更高。
本发明解决其技术问题的技术方案是：一种基于滑模的无人车辆自动泊车力矩控制方法，包括以下步骤：
①通过GPS对无人车辆、目标泊车区域和目标泊车区域内的障碍物进行识别、定位并测距，得到无人车辆的位置信息x，障碍物的位置信息u0，第i个约束条件下的目标泊车区域的参考点x0i；
②通过数学软件根据步骤①得到的无人车辆、障碍物和目标泊车区域的位置信息以及目标泊车区域的形状进行建模，对目标泊车区域构造区域势函数P，对已识别的障碍物构造避障势函数U，具体为：
Figure GDA0002897242530000021
Figure GDA0002897242530000022
其中，ki是可调节的第i个约束条件下的目标泊车区域的增益；n是目标泊车区域约束条件数目；fΔi(Δxi0是一个具有连续光滑标量函数，fΔi(Δxi)表示第i个约束条件下的目标泊车区域，Δxi＝x-x0i，第i个约束条件下的目标泊车区域的参考点x0i为第i个约束条件下的目标泊车区域的中心点；||x-u0||表示无人车辆与障碍物的距离，R是以无人车辆的中心为圆心的最大感知区域的半径，r是无人车辆的中心与障碍物的最小安全距离的半径，R和r均是人为根据实际需求设定的值；
③根据步骤②建立的区域势函数P和避障势函数U设计用于控制无人车辆进入目标泊车区域的力矩控制器，具体如下：
Figure GDA0002897242530000023
其中，q是线速度和角速度形成的二维平面中的向量；θ为无人车辆的航向角；K是可调的增益矩阵，K根据实际需求设置，
Figure GDA0002897242530000024
为***参数估计，
Figure GDA0002897242530000025
由***参数的自适应率
Figure GDA0002897242530000026
推得，其中***参数的自适应率
Figure GDA0002897242530000027
s是滑模变量，s＝q-qr，
Figure GDA0002897242530000028
Y是已知的与无人车辆动力学相关的回归矩阵，不同类型的动力学结构对应的Y的具体表达式是不同的，
Figure GDA0002897242530000029
是已知的输入转换矩阵，不同类型的动力学结构对应的
Figure GDA00028972425300000210
的具体表达式是不同的，
Figure GDA00028972425300000211
是目标泊车区域梯度，
Figure GDA00028972425300000212
是障碍物梯度；其中无人车辆的动力学与动力模型为：
Figure GDA00028972425300000213
Figure GDA00028972425300000214
其中
Figure GDA00028972425300000215
④接着调整第i个约束条件下的目标泊车区域的增益ki和增益矩阵K，对无人车辆的自动化泊车力矩控制器进行稳定性分析。
本方法步骤①中通过GPS对无人车辆、目标泊车区域和目标泊车区域内的障碍物进行定位，得到无人车辆的位置信息x，障碍物的位置信息u0，第i个约束条件下的目标泊车区域的参考点x0i，通过GPS对目标泊车区域进行识别、分析并且测量无人车辆和障碍物之间的距离；然后步骤②利用数学软件对已识别的障碍物和目标泊车区域进行建模，所述区域势函数P的作用原理是目标泊车区域中的势能最低，目标泊车区域外都处于较高势能，通过人为构造目标泊车区域附近的引力场，无人车辆能够沿着梯度方向从高势能移动到低势能最终进入到目标泊车区域。步骤②中所述避障势函数U的作用原理是障碍物附近的势能最高，障碍物外都处于较低势能，通过人为构造障碍物附近的斥力场，一旦无人车辆进入到斥力场，无人车辆能够沿着梯度方向从高势能移动到低势能最终脱离障碍物环境。避障势函数U中R是以无人车辆的中心为圆心的最大感知区域的半径，r是无人车辆的中心与障碍物的最小安全距离的半径，如果障碍物与无人车辆的距离大于R那么无人车辆不会感知到障碍物，如果无人车辆与障碍物的距离在R与r之间，那么无人车辆就会感知到障碍物，从而进入步骤③无人车辆调整力矩值改变航向避障，R和r均是人为根据实际需求设定的值，这使得本发明所述方法使用起来更加便捷并且人性化，能依据不同的目标泊车区域的情况做不不同的改变，具有较高的实用性。步骤③中所述力矩控制器作用原理为：实际上，无人车辆的动态性能不仅与无人车辆运动学相对位置有关，还与无人车辆的结构形式、质量分布、执行机构的位置、传动装置等因素有关。无人车辆动态性能由动力学方程描述，动力学就是考虑上述因素，研究无人车辆的运动与力矩间的动态关系。由现代控制理论方法，应用稳定性分析理论，由该控制器组成的闭环控制***是渐进稳定的，也就是无人车辆最终可以进入到目标泊车区域不变集中，目标泊车区域梯度
Figure GDA0002897242530000031
即可实现无人车辆的自动化泊车。步骤③为直接的力矩控制器，即本发明依据力矩控制器调整车辆两轮速的转速比，通过转速比来控制车轮的转向进而控制无人车辆的方向实现自动化避障和泊车。通过步骤③的控制可保证无人车辆与目标泊车区域内的障碍物之间距离大于r。步骤③中的无人车辆的动力学与动力模型为现有技术，是本领域技术人员所公知的，本发明中将不对此做详细介绍。步骤④中，需要不断的调整区域势函数P的第i个约束条件下的目标泊车区域的增益ki和力矩控制器τ的增益矩阵K，保证了区域势函数P和力矩控制器τ的稳定即可保证整个***的稳定性。本发明所述方法是通过***建模、利用全局反馈信息进行的力矩控制器设计，首先***建模，实现了对目标泊车区域以及周围障碍物的描述，进而，依据模型信息进行力矩控制器的设计，由此大幅度减少了对自动泊车视觉传感器的严重依赖。
优选的，经过步骤③中的力矩控制器调节无人车辆进入到目标泊车区域之后，再通过姿态调整器来调整无人车辆在目标泊车区域中的姿态，所述姿态控制器为：ω＝-αtanh(θ-θd)，α是姿态调整率可调参数，θd是无人车辆在目标泊车区域中的一个期望的姿态，θd是人为根据实际需求设定的值。所述姿态控制器的作用原理为由现代控制理论方法，应用稳定性分析理论，由该控制器组成的闭环控制***也是渐进稳定的，θ-θd＝0，实现任意姿态的调节。
优选的，步骤④中的稳定性分析采用了Lyapunov理论和Barbalat定理。在稳定性分析过程中同时用到了Lyapunov理论和Barbalat定理，这两个理论满足了本发明对整个***稳定性分析的要求。
优选的，步骤①还能通过视觉传感器对目标泊车区域的形状进行识别，步骤①还能通过测距装置测量无人车辆与目标泊车区域的障碍物之间的距离，直接使用视觉传感器和测距装置能更方便且直接得到需要的信息。
与现有技术相比，本发明的有益效果是：本发明所述方法不需要实时的视觉处理技术，大幅度减少了对自动泊车视觉传感器的严重依赖，从而避免了视觉盲区带来的泊车失误，进一步可适用于视觉盲区以及视觉传感器失效情况下的自动泊车，通过本方法提高了泊车精确度，使得自动泊车技术取得更好的适应性与完整性，而且这将推动了自动化泊车技术的深度变革，进而推动了新一代信息技术、高端设备制造发展产业，具有良好的应用价值。
附图说明
图1为本发明自动化泊车的示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对本发明的技术方案进行详细的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其他实施方式，都属于本发明所保护的范围。
参见附图1，现对本发明提供的一种基于滑模的无人车辆自动泊车力矩控制方法进行说明。
一种基于滑模的无人车辆自动泊车力矩控制方法，包括以下步骤：
①通过GPS对无人车辆、目标泊车区域和目标泊车区域内的障碍物进行识别、定位并测距，得到无人车辆的位置信息x，障碍物的位置信息u0，第i个约束条件下的目标泊车区域的参考点x0i；
②通过数学软件根据步骤①得到的无人车辆、障碍物和目标泊车区域的位置信息以及目标泊车区域的形状进行建模，对目标泊车区域构造区域势函数P，对已识别的障碍物构造避障势函数U，具体为：
Figure GDA0002897242530000051
Figure GDA0002897242530000052
其中，ki是可调节的第i个约束条件下的目标泊车区域的增益；n是目标泊车区域约束条件数目，通常目标泊车区域不是规则的形状，而是由多个区域的交集组成的，由区域势函数P可看出，所述目标泊车区域为n个区域的交集，所以n是目标泊车区域约束条件数目；fΔi(Δxi)是一个具有连续光滑标量函数，fΔi(Δxi)表示第i个约束条件下的目标泊车区域，Δxi＝x-x0i，第i个约束条件下的目标泊车区域的参考点x0i为第i个约束条件下的目标泊车区域的中心点；||x-u0||表示无人车辆与障碍物的距离，R是以无人车辆的中心为圆心的最大感知区域的半径，r是无人车辆的中心与障碍物的最小安全距离的半径，R和r均是人为根据实际需求设定的值；例如目标泊车区域仅仅是简单的圆形区域，那么n＝1，即目标泊车区域的约束条件数目为1，此时
Figure GDA0002897242530000053
Δx＝x-x0，这里的x0表示单一约束条件下的目标泊车区域的参考点，即为圆形区域的圆心，若该圆形区域的半径为1，则fΔ(Δx)＝Δx2-1＜0，fΔ(Δx)表示的就是以x0为圆心，半径为1的圆形区域；
③根据步骤②建立的区域势函数P和避障势函数U设计用于控制无人车辆进入目标泊车区域的力矩控制器，具体如下：
Figure GDA0002897242530000061
其中，q是线速度和角速度形成的二维平面中的向量；θ为无人车辆的航向角；K是可调的增益矩阵，K根据实际需求设置，
Figure GDA0002897242530000062
为***参数估计，
Figure GDA0002897242530000063
由***参数的自适应率
Figure GDA0002897242530000064
推得，其中***参数的自适应率
Figure GDA0002897242530000065
s是滑模变量，s＝q-qr，
Figure GDA0002897242530000066
Y是已知的与无人车辆动力学相关的回归矩阵，不同类型的动力学结构对应的Y的具体表达式是不同的，
Figure GDA0002897242530000067
是已知的输入转换矩阵，不同类型的动力学结构对应的
Figure GDA0002897242530000068
的具体表达式是不同的，
Figure GDA00028972425300000612
是目标泊车区域梯度，
Figure GDA00028972425300000613
是障碍物梯度；其中无人车辆的动力学与动力模型为：
Figure GDA0002897242530000069
Figure GDA00028972425300000610
其中
Figure GDA00028972425300000611
④接着调整第i个约束条件下的目标泊车区域的增益ki和增益矩阵K，对无人车辆的自动化泊车力矩控制器进行稳定性分析。
本方法步骤①中通过GPS对无人车辆、目标泊车区域和目标泊车区域内的障碍物进行定位，得到无人车辆的位置信息x，障碍物的位置信息u0，第i个约束条件下的目标泊车区域的参考点x0i，通过GPS对目标泊车区域进行识别、分析并且测量无人车辆和障碍物之间的距离；然后步骤②利用数学软件对已识别的障碍物和目标泊车区域进行建模，所述区域势函数P的作用原理是目标泊车区域中的势能最低，目标泊车区域外都处于较高势能，通过人为构造目标泊车区域附近的引力场，无人车辆能够沿着梯度方向从高势能移动到低势能最终进入到目标泊车区域。步骤②中所述避障势函数U的作用原理是障碍物附近的势能最高，障碍物外都处于较低势能，通过人为构造障碍物附近的斥力场，一旦无人车辆进入到斥力场，无人车辆能够沿着梯度方向从高势能移动到低势能最终脱离障碍物环境。避障势函数U中R是以无人车辆的中心为圆心的最大感知区域的半径，r是无人车辆的中心与障碍物的最小安全距离的半径，如果障碍物与无人车辆的距离大于R那么无人车辆不会感知到障碍物，如果无人车辆与障碍物的距离在R与r之间，那么无人车辆就会感知到障碍物，从而进入步骤③无人车辆调整力矩值改变航向避障，R和r均是人为根据实际需求设定的值，这使得本发明所述方法使用起来更加便捷并且人性化，能依据不同的目标泊车区域的情况做不不同的改变，具有较高的实用性。步骤③中所述力矩控制器作用原理为：实际上，无人车辆的动态性能不仅与无人车辆运动学相对位置有关，还与无人车辆的结构形式、质量分布、执行机构的位置、传动装置等因素有关。无人车辆动态性能由动力学方程描述，动力学就是考虑上述因素，研究无人车辆的运动与力矩间的动态关系。由现代控制理论方法，应用稳定性分析理论，由该控制器组成的闭环控制***是渐进稳定的，也就是无人车辆最终可以进入到目标泊车区域不变集中，目标泊车区域梯度
Figure GDA0002897242530000071
即可实现无人车辆的自动化泊车。步骤③为直接的力矩控制器，即本发明依据力矩控制器调整车辆两轮速的转速比，通过转速比来控制车轮的转向进而控制无人车辆的方向实现自动化避障和泊车。通过步骤③的控制可保证无人车辆与目标泊车区域内的障碍物之间距离大于r。步骤③中的无人车辆的动力学与动力模型为现有技术，是本领域技术人员所公知的，本发明中将不对此做详细介绍。步骤④中，需要不断的调整区域势函数P的第i个约束条件下的目标泊车区域的增益ki和力矩控制器τ的增益矩阵K，保证了区域势函数P和力矩控制器τ的稳定即可保证整个***的稳定性。本发明所述方法是通过***建模、利用全局反馈信息进行的力矩控制器设计，首先***建模，实现了对目标泊车区域以及周围障碍物的描述，进而，依据模型信息进行力矩控制器的设计，由此大幅度减少了对自动泊车视觉传感器的严重依赖。
进一步的，作为本发明所述的一种基于滑模的无人车辆自动泊车力矩控制方法的一种具体实施方式，经过步骤③中的力矩控制器调节无人车辆进入到目标泊车区域之后，再通过姿态调整器来调整无人车辆在目标泊车区域中的姿态，所述姿态控制器为：ω＝-αtanh(θ-θd)，α是姿态调整率可调参数，θd是无人车辆在目标泊车区域中的一个期望的姿态，θd是人为根据实际需求设定的值。所述姿态控制器的作用原理为由现代控制理论方法，应用稳定性分析理论，由该控制器组成的闭环控制***也是渐进稳定的，θ-θd＝0，实现任意姿态的调节。
进一步的，作为本发明所述的一种基于滑模的无人车辆自动泊车力矩控制方法的一种具体实施方式，步骤④中的稳定性分析采用了Lyapunov理论和Barbalat定理。在稳定性分析过程中同时用到了Lyapunov理论和Barbalat定理，这两个理论满足了本发明对整个***稳定性分析的要求。
进一步的，作为本发明所述的一种基于滑模的无人车辆自动泊车力矩控制方法的一种具体实施方式，步骤①还能通过视觉传感器对目标泊车区域的形状进行识别，步骤①还能通过测距装置测量无人车辆与目标泊车区域的障碍物之间的距离，直接使用视觉传感器和测距装置能更方便且直接得到需要的信息。
进一步的，作为本发明所述的一种基于滑模的无人车辆自动泊车力矩控制方法的一种具体实施方式，所述视觉传感器和红外距离传感器安装在无人车辆上。将视觉传感器和红外距离传感器安装在无人车辆上能更加便捷地得到目标泊车区域的形状以及无人车辆与障碍物之间的距离。
进一步的，作为本发明所述的一种基于滑模的无人车辆自动泊车力矩控制方法的一种具体实施方式，步骤②中的数学软件为Matlab、Mathematics或Python。本方法主要是依靠数学软件进行仿真的方法，上述数学软件均可满足要求。
进一步的，在具体实施方式中，利用Matlab对本发明所述方法进行数值仿真，能够实现无人车辆的自动化泊车，具体的，采用Matlab中的ode45算法，随机选取初值，对整个***的模型与力矩控制器进行数值验证。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (8)

1.一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于，包括以下步骤：
①通过GPS对无人车辆、目标泊车区域和目标泊车区域内的障碍物进行识别、定位并测距，得到无人车辆的位置信息x，障碍物的位置信息u0，第i个约束条件下的目标泊车区域的参考点x0i；
②通过数学软件根据步骤①得到的无人车辆、障碍物和目标泊车区域的位置信息以及目标泊车区域的形状进行建模，对目标泊车区域构造区域势函数P，对已识别的障碍物构造避障势函数U，具体为：
Figure FDA0002897242520000011
Figure FDA0002897242520000012
其中，ki是可调节的第i个约束条件下的目标泊车区域的增益；n是目标泊车区域约束条件数目；fΔi(Δxi)是一个具有连续光滑标量函数，fΔi(Δxi)表示第i个约束条件下的目标泊车区域，Δxi＝x-x0i，第i个约束条件下的目标泊车区域的参考点x0i为第i个约束条件下的目标泊车区域的中心点；||x-u0||表示无人车辆与障碍物的距离，R是以无人车辆的中心为圆心的最大感知区域的半径，r是无人车辆的中心与障碍物的最小安全距离的半径，R和r均是人为根据实际需求设定的值；
③根据步骤②建立的区域势函数P和避障势函数U设计用于控制无人车辆进入目标泊车区域的力矩控制器，具体如下：
Figure FDA0002897242520000013
其中，q是线速度和角速度形成的二维平面中的向量；θ为无人车辆的航向角；K是可调的增益矩阵，K根据实际需求设置，
Figure FDA0002897242520000014
为***参数估计，
Figure FDA0002897242520000015
由***参数的自适应率
Figure FDA0002897242520000016
推得，其中***参数的自适应率
Figure FDA0002897242520000017
s是滑模变量，s＝q-qr，
Figure FDA0002897242520000018
Y是已知的与无人车辆动力学相关的回归矩阵，不同类型的动力学结构对应的Y的具体表达式是不同的，
Figure FDA0002897242520000019
是已知的输入转换矩阵，不同类型的动力学结构对应的
Figure FDA00028972425200000110
的具体表达式是不同的，
Figure FDA0002897242520000021
是目标泊车区域梯度，
Figure FDA0002897242520000022
是障碍物梯度；其中无人车辆的动力学与动力模型为：
Figure FDA0002897242520000023
Figure FDA0002897242520000024
其中
Figure FDA0002897242520000025
④接着调整第i个约束条件下的目标泊车区域的增益ki和增益矩阵K，对无人车辆的自动化泊车力矩控制器进行稳定性分析。
2.根据权利要求1所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：经过步骤③中的力矩控制器调节无人车辆进入到目标泊车区域之后，再通过姿态调整器来调整无人车辆在目标泊车区域中的姿态，所述姿态控制器为：ω＝-αtanh(θ-θd)，α是姿态调整率可调参数，θd是无人车辆在目标泊车区域中的一个期望的姿态，θd是人为根据实际需求设定的值。
3.根据权利要求1或2所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：步骤④中的稳定性分析采用了Lyapunov理论和Barbalat定理。
4.根据权利要求3所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：步骤①还能通过视觉传感器对目标泊车区域的形状进行识别。
5.根据权利要求4所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：步骤①还能通过测距装置测量无人车辆与目标泊车区域的障碍物之间的距离。
6.根据权利要求5所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：所述测距装置为红外距离传感器。
7.根据权利要求6所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：所述视觉传感器和红外距离传感器安装在无人车辆上。
8.根据权利要求7所述的一种基于滑模的无人车辆自动泊车力矩控制方法，其特征在于：步骤②中的数学软件为Matlab、Mathematics或Python。
CN201910272464.0A 2019-04-04 2019-04-04 一种基于滑模的无人车辆自动泊车力矩控制方法 Expired - Fee Related CN109910873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910272464.0A CN109910873B (zh) 2019-04-04 2019-04-04 一种基于滑模的无人车辆自动泊车力矩控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910272464.0A CN109910873B (zh) 2019-04-04 2019-04-04 一种基于滑模的无人车辆自动泊车力矩控制方法

Publications (2)

Publication Number Publication Date
CN109910873A CN109910873A (zh) 2019-06-21
CN109910873B true CN109910873B (zh) 2021-04-23

Family

ID=66968749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910272464.0A Expired - Fee Related CN109910873B (zh) 2019-04-04 2019-04-04 一种基于滑模的无人车辆自动泊车力矩控制方法

Country Status (1)

Country Link
CN (1) CN109910873B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1506862A (zh) * 2002-12-11 2004-06-23 中国科学院自动化研究所 基于多dsp并行处理的自主移动机器人平台
CN105955268A (zh) * 2016-05-12 2016-09-21 哈尔滨工程大学 一种考虑局部避碰的uuv动目标滑模跟踪控制方法
CN107544500A (zh) * 2017-09-18 2018-01-05 哈尔滨工程大学 一种考虑约束的无人艇靠泊行为轨迹规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1506862A (zh) * 2002-12-11 2004-06-23 中国科学院自动化研究所 基于多dsp并行处理的自主移动机器人平台
CN105955268A (zh) * 2016-05-12 2016-09-21 哈尔滨工程大学 一种考虑局部避碰的uuv动目标滑模跟踪控制方法
CN107544500A (zh) * 2017-09-18 2018-01-05 哈尔滨工程大学 一种考虑约束的无人艇靠泊行为轨迹规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
智能车辆局部避障路径规划及横向运动控制研究;陈东;《中国优秀硕士学位论文全文数据库（电子期刊）工程科技II辑》;20170215;C035-291 *

Also Published As

Publication number Publication date
CN109910873A (zh) 2019-06-21

Similar Documents

Publication Publication Date Title
US10401856B2 (en) Vehicle travel control apparatus
EP2703254B1 (en) Lane keeping control method
CN108227491B (zh) 一种基于滑模神经网络的智能车轨迹跟踪控制方法
CN109131325B (zh) 智能驾驶汽车的三维可拓预瞄切换的车道保持控制方法
RU2721860C2 (ru) Система и способ управления крутящим моментом рулевой колонки
CN109606363B (zh) 一种多状态反馈的智能汽车可拓车道保持控制方法
CN111103798B (zh) 一种基于反演滑模控制的agv路径跟踪方法
US11024178B2 (en) System and method for autonomously steering a vehicle
CN108710294B (zh) 一种无人车路径跟踪前馈控制方法
CN105629734B (zh) 一种近空间飞行器的轨迹跟踪控制方法
CN111665855B (zh) 一种机器人预设性编队控制方法
CN110815211B (zh) 一种四足机器人动态跨越凸障碍方法
CN108108885B (zh) 一种无人驾驶汽车轨迹跟踪能力评价方法
JP2009018623A (ja) 走行制御装置
CN113515125A (zh) 一种无人驾驶汽车全工况避障控制方法及性能评价方法
CN110989597A (zh) 一种集成模糊神经网络的自适应路径跟踪方法
CN111880405B (zh) 柔性制造车间***中的agv自适应路径规划实时控制方法
CN106527462A (zh) 无人机控制装置
EP4005882B1 (en) Vehicle motion control device, vehicle motion control method, and vehicle motion control system
CN110109363B (zh) 一种轮式移动机器人编队的神经网络自适应控制方法
CN112305911A (zh) 一种复杂环境下的反馈预测控制方法及其装置、车辆
CN117472066B (zh) 一种航向角速度局部最优的避障控制方法
CN109910873B (zh) 一种基于滑模的无人车辆自动泊车力矩控制方法
Yu et al. Nonlinear model predictive planning and control for high-speed autonomous vehicles on 3D terrains
CN117389276A (zh) 一种基于行驶风险预测的无人车行驶路径跟踪控制方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210423

CF01 Termination of patent right due to non-payment of annual fee