CN110654386A - 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 - Google Patents
弯道下多智能电动汽车协作式巡航纵横向综合控制方法 Download PDFInfo
- Publication number
- CN110654386A CN110654386A CN201910958150.6A CN201910958150A CN110654386A CN 110654386 A CN110654386 A CN 110654386A CN 201910958150 A CN201910958150 A CN 201910958150A CN 110654386 A CN110654386 A CN 110654386A
- Authority
- CN
- China
- Prior art keywords
- intelligent electric
- longitudinal
- transverse
- vehicle
- expected
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000001537 neural effect Effects 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims abstract description 12
- 238000010168 coupling process Methods 0.000 claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 claims abstract description 12
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
弯道下多智能电动汽车协作式巡航纵横向综合控制方法,属于汽车智能安全与自动驾驶领域。首先采集多智能电动汽车行驶环境信息及自车状态信息,建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型;再设计多智能电动汽车协作式巡航自适应神经反演滑模控制器,动态求解多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩;然后设计智能电动汽车协作式巡航控制分配器,实时求解各执行机构所需的纵横向力,基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角,实现对期望滑移率和期望侧偏角的精确控制。解决弯道工况下的多智能电动汽车协作式巡航纵横向综合控制问题,提高多智能电动汽车协作式巡航控制***性能。
Description
技术领域
本发明属于汽车智能安全与自动驾驶领域,特别是涉及一种弯道工况下多智能电动汽车协作式巡航行驶的纵横向综合控制方法。
背景技术
伴随着智能交通***(Intelligent Transportation Systems,ITS)的快速发展,配置车-车通信(Vehicle to Vehicle,V2V),车-路通信(Vehicle to Infrastructure,V2I),地理信息***(Geographic Information System,GIS),全球定位***(GlobalPosition System,GPS)等先进传感设备的智能电动汽车通过多源融合信息对其进行决策与控制,可有效增强道路及车辆的安全性,节约能源消耗,是当前汽车工业界的研究热点。
多智能电动汽车协作式巡航控制指将汽车行驶环境和自身运动状态等信息等进行融合,以汽车安全性、舒适性及经济性为控制目标,通过一定的控制策略来合理分配各智能电动汽车车轮之间的转矩和调节前轮转向力矩,从而实现多车的协同行驶。由于智能电动汽车具有非线性以及参数不确定性等特点,行驶程中的纵横向动力学之间存在较强的耦合关系,如何设计多智能电动汽车协作式巡航控制具有重要的研究意义。
近年来,多智能电动汽车协作式巡航控制得到了广泛关注,目前多智能电动汽车协作式巡航控制聚焦在纵向控制。文献1(刘田,智能电动汽车异质队列分布式控制及试验研究[D],东南大学,2018)提出了一种智能电动汽车纵向队列预测控制方法,可保证多车纵向队列的稳定性。文献2(高锋,刘葆,***.通信拓扑不确定条件下车队列分布式H∞控制[J],汽车安全与节能学报,2017,8(4):351-358)为提高队列行驶道路利用率,缓解交通压力,针对通信拓扑不确定问题,提出了一种多车协作行驶的分布式纵向H∞控制方法。
然而,智能电动汽车是具有强耦合、参数时变的非线性多变量***,由于弯道工况下智能电动汽车行驶程中的纵横向运动之间存在较强的耦合关系,纵向控制不能保证弯道工况下多智联电动汽车协作式巡航控制***的稳定性。
发明内容
本发明的目的是针对现有技术中存在的上述难点问题,提供可有效解决弯道工况下的多智能电动汽车协作式巡航纵横向耦合动力学***综合控制问题的弯道下多智能电动汽车协作式巡航纵横向综合控制方法。
本发明包括以下步骤:
1)采集多智能电动汽车行驶环境信息及自车状态信息,建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型;
2)设计多智能电动汽车协作式巡航自适应神经反演滑模控制器,动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩;
3)设计智能电动汽车协作式巡航控制分配器,实时求解出各执行机构所需的纵横向力,基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角,实现对期望滑移率和期望侧偏角的精确控制。
在步骤1)中,所述采集多智能电动汽车行驶环境信息及自车状态信息,建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型的具体步骤可为:
(1)采用CCD检测智能电动汽车获取其前方预瞄点处车辆相对于期望行驶轨迹的横向距离偏差信息和方位偏差信息,采用雷达测量智能电动汽车车间纵向距离偏差;
(2)采用GPS/INS测量智能电动汽车行驶的横向速度、纵向速度和横摆角速度等运动状态信息;
(3)以智能电动汽车横向位置偏差和方位偏差为状态量,建立智能电动汽车与期望行驶轨迹的横向运动学模型;
(4)兼顾行车安全性和道路交通效率两方面的要求,设计智能电动汽车纵向车间运动学模型;
(5)选取汽车的横向速度、纵向速度和横摆角速度为状态变量,建立描述智能电动汽车行为特性的动力学模型。
在步骤2)中,所述设计多智能电动汽车协作式巡航自适应神经反演滑模控制器,动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩的具体步骤可为:
(1)设计反演变结构控制中每步的虚拟控制量,通过非线性反演变结构控制方法求出智能电动汽车协作式巡航所需的期望总纵向力、期望总横向力、期望总横摆力矩;
(2)采用神经网络对智能电动汽车不确定项和变结构控制项进行在线估计,设计神经网络权重的自适应律;
(3)采用Lyapunov稳定性理论对智能电动汽车自适应神经反演变结构控制***进行稳定性分析,确保智能电动汽车协作式巡航控制***的稳定性。
在步骤3)中,所述设计智能电动汽车协作式巡航控制分配器,实时求解出各执行机构所需的纵横向力,基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角,实现对期望滑移率和期望侧偏角的精确控制的具体步骤可为:
(1)以分配偏差最小和能量消耗最少为目标,建立智能电动汽车协作式巡航控制分配非线性规划模型;
(2)采用基于序列二次规划法实时求解出智能电动汽车各执行机构的纵横向力;
(3)基于逆轮胎模型推导出智能电动汽车车轮的期望滑移率和期望侧偏角,采用滑模控制实现对车轮的期望滑移率和期望侧偏角的精确跟踪控制。
本发明首先建立了一种描述具有非线性、参数不确定性及时变特性的智能电动汽车协作式巡航纵横向耦合动力学模型;其次设计了一种多智能电动汽车自适应神经反演滑模控制方法,构建了神经网络估计器和自适应律,实时动态求解出智能电动汽车协作式巡航所需的期望总纵向力、期望总横向力和期望力矩;然后提出一种基于序列二次规划法的控制分配方法,将智能电动汽车所需的期望总纵向力、期望总横向力和期望力矩分配到各个执行机构,从而实现智能电动汽车协作式巡航纵横向综合控制。
与现有技术相比,本发明的突出技术效果和益处是:
本发明提出了一种弯道下多智能电动汽车协作式巡航纵横向综合控制方法,有效解决了弯道工况下的多智能电动汽车协作式巡航纵横向综合控制问题,明显提高了多智能电动汽车协作式巡航控制***性能。
附图说明
图1为本发明的弯道下多智能电动汽车协作式巡航示意图。
图2为本发明的弯道下多智能电动汽车协作式巡航纵横向综合控制方法结构图。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
如图1所示,弯道工况下由n辆智能电动汽车协作式巡航行驶。
本发明首先建立描述弯道工况下多智能电动汽车作式巡航纵横向耦合动力学模型。其次,设计多智能电动汽车协作式巡航自适应神经反演滑模控制器,然后,通过序列二次规划法实时规划出多智能电动汽车各执行机构的纵横向力,从而实现多智能电动汽车协作式巡航的纵横向综合控制。
如图2,所述综合控制方法实施例的具体步骤如下所示:
步骤1:采集多智能电动汽车协作式巡航行驶环境信息及自车状态信息,建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型;其过程包括如下子步骤:
步骤1.1,采用CCD检测智能电动汽车相对于期望行驶轨迹(车道线)的横向偏差、方位偏差,采用雷达测量智能电动汽车的车间纵向距离偏差。
步骤1.2,采用GPS/INS测量智能电动汽车行驶的横向速度、纵向速度和横摆角速度等运动状态信息。
步骤1.3,定义eix为第i辆车和第i-1辆车之间的偏差,如下所示:
eix=xi-1-xi-Lides (1)
其中,xi,xi-1分别为第i辆车和第i-1辆车的纵向位置坐标,Lides为第i辆车和第i-1辆车的期望纵向车距,i=2,....,n+1。
步骤1.4,求式(1)的一阶时间导数,其表达式如下:
式中,vi,vi-1分别为第i辆车和第i-1辆车的纵向速度。
步骤1.5,建立第i辆智能电动汽车与期望行驶轨迹的横向运动学模型,可表示为:
式中,eiy表示第i辆车的横向位置偏差,为第i辆车预瞄点处的车辆中心线与期望路径的横向距离。viy表示第i辆车的纵向速度,ri表示第i辆车的横摆角速度,eia表示第i辆车与期望行驶轨迹的方位偏差,为第i辆车预瞄点处车辆中心线与路径切线的夹角;DiL代表第i辆车的预瞄距离;KiL第i辆车的期望行驶轨迹的路径曲率。
步骤1.6,综合式(2)和式(3),得如下表达式:
步骤1.7,以第i辆智能电动汽车的纵向速度vix、横向速度viy和横摆角速度ri为状态量,建立第i辆智能电动汽车动力学模型,如下所示。
其中,
式中,qi=[vix viy ri]T表示第i辆车的状态向量,Fi=[FiX FiY MiZ]T表示第i辆车的控制输入向量,ξi=[ξix ξiy ξir]T表示第i辆车的外部干扰向量。mi表示第i辆车的质量,Iiz表示第i辆车的转动惯量,Fir表示第i辆车的滚动阻力,Fiax和Fiay表示第i辆车的空气阻力。FiX,FiY和MiZ表示第i辆车总纵向力,总横向力和总横摆力矩,可表示为:
其中
和
Fix=[Fix1 Fix2 Fix3 Fix4]T (10)
Fiy=[Fiy1 Fiy2 Fiy3 Fiy4]T (11)
式中,Fixk和Fiyk表示第i辆车的轮胎纵向力和轮胎横向力,lif 和lir表示第i辆车质心到前后轮之间的距离,dif和dir表示第i辆车的前后轮半径,δi表示第i辆车的前轮转角,k=1,2,3,4。
步骤2,针对智能电动汽车的非线性和参数不确定性,设计用于调节第i辆智能电动汽车协作式巡航纵横向运动状态的自适应神经反演滑模控制器,动态求解出智能电动汽车协同行驶所需的期望总纵向力、期望总横向力和期望总力矩。其过程包括如下子步骤:
步骤2.1,设计用于调节第i辆智能电动汽车横向偏差的自适应神经反演滑模控制律。
步骤2.1.2,定义vixeia–riDiL为虚拟控制量,设计虚拟控制量的期望值ζid1为
ζid1=viy-ci11si11 (15)
其中,ci11为大于零的实数。
步骤2.1.3,定义虚拟控制量vixeia–riDiL和期望值ζid1之间的偏差为
si2=vixeia-riDiL-ζid1 (16)
步骤2.1.4,定义Lyapunov函数
对Vi12求时间导数,可得
式中,fi1(ei,qi)表示第i辆车的不确定项,di1为第i辆车的外部干扰,可表示为
fi1(ei,qi)=(-Fiaxeia-Fireia+Fiay) (19)
di1=(-ξirDiL+ξixeia-ξiy) (20)
步骤2.1.5,为有效处理非线性和参数不确定性,设计用于调节第i辆智能电动汽车横向偏差的反演变结构控制律,如下所示。
其中,sgn表示切换函数,χi1(si12)表示控制增益。
步骤2.1.6,构建第i辆车不确定项fi1(ei,qi)和变结构控制项χi1(si12)sgn(si12)的神经网络估计器,如下所示:
式中,γi1和μi1表示大于零的实数。
步骤2.2,设计用于调节第i辆智能电动汽车方位偏差的自适应神经反演滑模控制律。
步骤2.2.2,视vixDiL为虚拟控制量,设计虚拟控制量vixDiL的期望控制输入值ζid2为
ξid2=ri-ci21si21 (25)
其中,ci21为大于零的实数。
步骤2.2.3,定义虚拟控制量vixDiL和期望值ζid2之间的偏差为:
si22=vixDiL-ξid2 (26)
步骤2.2.4,定义Lyapunov函数:
对Vi22求时间导数,得:
其中,fi2(ei,qi)表示第i辆车得不确定项,fi2(ei,qi)=(-Fiax-Fir)DiL,di2表示第i辆车的外部干扰,di2=(ξixDiL-ξir)。
步骤2.2.5,设计用于调节第i辆智能电动汽车方位偏差的反演变结构控制律,如下所示:
步骤2.2.6,构建第i辆车不确定项fi2(ei,qi)和变结构控制项χi2(si22)sgn(si22)的神经网络估计器,如下所示:
式中,γi2和μi2表示大于零的实数。
步骤2.3,设计用于调节第i辆智能电动汽车车间纵向偏差的自适应神经反演滑模控制律。
步骤2.3.2,定义–vix为虚拟控制量,设计虚拟控制量–vix的期望控制输入值ζid3为:
其中,ci31为大于零的实数。
步骤2.3.3,定义虚拟控制量–vix和期望值ζid3之间的偏差为:
si32=-vix-ξid3 (34)
步骤2.3.4,定义Lyapunov函数:
对Vi32求时间导数,得:
其中,fi3(ei,qi)表示第i辆车得不确定项,fi3(ei,qi)=Fiax+Fir,di3表示第i辆车的外部干扰,di3=-ξix。
步骤2.3.5,设计用于调节第i辆智能电动汽车纵向偏差的反演变结构控制律,如下所示。
步骤2.3.6,构建第i辆车不确定项fi3(ei,qi)和控制增益χi3(si32)sgn(si32)的神经网络估计器,如下所示。
式中,γi3和μi3表示大于零的实数。
步骤2.4,综合式(21)、(22)、(29)、(30)和(37)、(38),得设计用于调节第i辆智能电动汽车纵横向运动状态的协作式巡航自适应神经反演滑模控制器,如下所示。
其中,
步骤2.5,采用Lyapunov稳定性理论,分析第i辆车自适应神经变结构控制***的稳定性,确保***稳定运行。
步骤3,设计基于序列二次规划法的智能电动汽车协作式巡航控制分配器,实时求解出各智能电动汽车执行结构(车轮)所需的纵横向力。
步骤3.1,建立描述第i辆智能电动汽车期望总纵向力、期望总横向力和期望力矩与执行机构纵横向力之间关系的模型,如下所示。
Fi=Mifui (42)
其中,
Fi=[FiX FiY MiZ]T (43)
ui=[Fix1 Fiy1 Fix2 Fiy2 Fix3 Fiy3 Fix4 Fiy4]T (45)
步骤3.2,以分配偏差最小和能量消耗最少为目标,建立控制分配非线性规划模型。
其中,Pi和Qi表示正定权重矩阵,Fid表示期望力/力矩,νi表示松弛向量.
步骤3.3,采用基于序列二次规划法对式(46)所示的优化问题求解,实时给出智能电动汽车各执行机构的纵向力Fixk和横向力Fiyk,k=1,2,3,4。
步骤3.4,基于逆轮胎模型推导出第i辆智能网络电动汽车车轮的滑移率λik和侧偏角ɑik。
步骤3.5,采用滑模控制求出第i辆智能电动汽车的期望前轮转角δi和车轮驱动转矩Tik,实现对第i辆车车轮的期望前轮转角和侧偏角的精确跟踪控制。
以上内容是结合优选技术方案对本发明所做的进一步详细说明。对本发明所属技术领域的普通技术人员来说,在不脱离本发明的构思的前提下,还可以做出简单的推演及替换,都应当视为本发明的保护范围。
Claims (4)
1.弯道下多智能电动汽车协作式巡航纵横向综合控制方法,其特征在于包括以下步骤:
1)采集多智能电动汽车行驶环境信息及自车状态信息,建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型;
2)设计多智能电动汽车协作式巡航自适应神经反演滑模控制器,动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩;
3)设计智能电动汽车协作式巡航控制分配器,实时求解出各执行机构所需的纵横向力,基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角,实现对期望滑移率和期望侧偏角的精确控制。
2.如权利要求1所述弯道下多智能电动汽车协作式巡航纵横向综合控制方法,其特征在于在步骤1)中,所述采集多智能电动汽车行驶环境信息及自车状态信息,建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型的具体步骤为:
(1)采用CCD检测智能电动汽车获取其前方预瞄点处车辆相对于期望行驶轨迹的横向距离偏差信息和方位偏差信息,采用雷达测量智能电动汽车车间纵向距离偏差;
(2)采用GPS/INS测量智能电动汽车行驶的横向速度、纵向速度和横摆角速度等运动状态信息;
(3)以智能电动汽车横向位置偏差和方位偏差为状态量,建立智能电动汽车与期望行驶轨迹的横向运动学模型;
(4)兼顾行车安全性和道路交通效率两方面的要求,设计智能电动汽车纵向车间运动学模型;
(5)选取汽车的横向速度、纵向速度和横摆角速度为状态变量,建立描述智能电动汽车行为特性的动力学模型。
3.如权利要求1所述弯道下多智能电动汽车协作式巡航纵横向综合控制方法,其特征在于在步骤2)中,所述设计多智能电动汽车协作式巡航自适应神经反演滑模控制器,动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩的具体步骤为:
(1)设计反演变结构控制中每步的虚拟控制量,通过非线性反演变结构控制方法求出智能电动汽车协作式巡航所需的期望总纵向力、期望总横向力、期望总横摆力矩;
(2)采用神经网络对智能电动汽车不确定项和变结构控制项进行在线估计,设计神经网络权重的自适应律;
(3)采用Lyapunov稳定性理论对智能电动汽车自适应神经反演变结构控制***进行稳定性分析,确保智能电动汽车协作式巡航控制***的稳定性。
4.如权利要求1所述弯道下多智能电动汽车协作式巡航纵横向综合控制方法,其特征在于在步骤3)中,所述设计智能电动汽车协作式巡航控制分配器,实时求解出各执行机构所需的纵横向力,基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角,实现对期望滑移率和期望侧偏角的精确控制的具体步骤为:
(1)以分配偏差最小和能量消耗最少为目标,建立智能电动汽车协作式巡航控制分配非线性规划模型;
(2)采用基于序列二次规划法实时求解出智能电动汽车各执行机构的纵横向力;
(3)基于逆轮胎模型推导出智能电动汽车车轮的期望滑移率和期望侧偏角,采用滑模控制实现对车轮的期望滑移率和期望侧偏角的精确跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910958150.6A CN110654386B (zh) | 2019-10-10 | 2019-10-10 | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910958150.6A CN110654386B (zh) | 2019-10-10 | 2019-10-10 | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110654386A true CN110654386A (zh) | 2020-01-07 |
CN110654386B CN110654386B (zh) | 2021-01-22 |
Family
ID=69040355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910958150.6A Active CN110654386B (zh) | 2019-10-10 | 2019-10-10 | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110654386B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112477847A (zh) * | 2020-12-11 | 2021-03-12 | 清华大学苏州汽车研究院(吴江) | 一种交通拥堵辅助控制方法及*** |
CN115273501A (zh) * | 2022-07-27 | 2022-11-01 | 同济大学 | 一种基于maddpg的自动驾驶车辆匝道合流协同控制方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101559764A (zh) * | 2009-05-31 | 2009-10-21 | 吉林大学 | 提高车辆转弯制动侧向稳定性的汽车制动控制方法 |
CN101606112A (zh) * | 2006-11-10 | 2009-12-16 | 丰田自动车株式会社 | 自动操作控制装置、自动操作控制方法、车辆巡航***和控制该车辆巡航***的方法 |
WO2017003052A1 (ko) * | 2015-06-29 | 2017-01-05 | 엘지전자 주식회사 | 차량 운전 보조 방법 및 차량 |
CN106671982A (zh) * | 2017-01-09 | 2017-05-17 | 厦门大学 | 基于多智能体的无人驾驶电动汽车自动超车***及方法 |
CN109334672A (zh) * | 2018-11-07 | 2019-02-15 | 厦门大学 | 一种智能电动汽车路径跟踪和直接横摆力矩协同控制方法 |
CN109733398A (zh) * | 2018-12-05 | 2019-05-10 | 南京航空航天大学 | 具有稳定性主动控制的自适应巡航***及控制方法 |
-
2019
- 2019-10-10 CN CN201910958150.6A patent/CN110654386B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101606112A (zh) * | 2006-11-10 | 2009-12-16 | 丰田自动车株式会社 | 自动操作控制装置、自动操作控制方法、车辆巡航***和控制该车辆巡航***的方法 |
CN101559764A (zh) * | 2009-05-31 | 2009-10-21 | 吉林大学 | 提高车辆转弯制动侧向稳定性的汽车制动控制方法 |
WO2017003052A1 (ko) * | 2015-06-29 | 2017-01-05 | 엘지전자 주식회사 | 차량 운전 보조 방법 및 차량 |
CN106671982A (zh) * | 2017-01-09 | 2017-05-17 | 厦门大学 | 基于多智能体的无人驾驶电动汽车自动超车***及方法 |
CN109334672A (zh) * | 2018-11-07 | 2019-02-15 | 厦门大学 | 一种智能电动汽车路径跟踪和直接横摆力矩协同控制方法 |
CN109733398A (zh) * | 2018-12-05 | 2019-05-10 | 南京航空航天大学 | 具有稳定性主动控制的自适应巡航***及控制方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112477847A (zh) * | 2020-12-11 | 2021-03-12 | 清华大学苏州汽车研究院(吴江) | 一种交通拥堵辅助控制方法及*** |
CN115273501A (zh) * | 2022-07-27 | 2022-11-01 | 同济大学 | 一种基于maddpg的自动驾驶车辆匝道合流协同控制方法及*** |
CN115273501B (zh) * | 2022-07-27 | 2023-08-29 | 同济大学 | 一种基于maddpg的自动驾驶车辆匝道合流协同控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110654386B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | An improved kinematic model predictive control for high-speed path tracking of autonomous vehicles | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
CN107943071B (zh) | 无人车的编队保持控制方法及*** | |
CN110568758B (zh) | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 | |
Chen et al. | Path tracking and handling stability control strategy with collision avoidance for the autonomous vehicle under extreme conditions | |
CN109358621B (zh) | 自动驾驶汽车轨迹跟踪控制方法 | |
Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
CN111845774A (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
Xu et al. | Model predictive control for lane keeping system in autonomous vehicle | |
WO2008072515A1 (ja) | 車両用制御装置 | |
CN110827535A (zh) | 非线性车辆队列协同自适应抗扰纵向控制方法 | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
CN112937551B (zh) | 一种考虑驾驶员输入特征的车辆控制方法及*** | |
CN110654386B (zh) | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪***及方法 | |
CN115042816B (zh) | 路径跟踪方法、装置、设备、介质及程序 | |
CN110703775B (zh) | 一种基于改进人工势场的商用车车道保持路径规划方法 | |
CN113911103B (zh) | 一种混合动力履带车辆速度与能量协同优化方法及*** | |
Kebbati et al. | Coordinated PSO-PID based longitudinal control with LPV-MPC based lateral control for autonomous vehicles | |
Vörös et al. | Lane keeping control using finite spectrum assignment with modeling errors | |
Shi et al. | Curvature adaptive control based path following for automatic driving vehicles in private area | |
CN111845738A (zh) | 基于双模型复合的车辆路径跟踪控制方法 | |
Floren et al. | An integrated control approach for the combined longitudinal and lateral vehicle following problem | |
CN112596516B (zh) | 基于Dubins曲线的多车队形切换方法 | |
CN114179818A (zh) | 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法 |
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 |