CN112026763A - 一种汽车轨迹跟踪控制方法 - Google Patents
一种汽车轨迹跟踪控制方法 Download PDFInfo
- Publication number
- CN112026763A CN112026763A CN202010715165.2A CN202010715165A CN112026763A CN 112026763 A CN112026763 A CN 112026763A CN 202010715165 A CN202010715165 A CN 202010715165A CN 112026763 A CN112026763 A CN 112026763A
- Authority
- CN
- China
- Prior art keywords
- driver
- automobile
- model
- moment
- phi
- 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 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 27
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011160 research 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
- B60W30/10—Path keeping
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种汽车轨迹跟踪控制方法,步骤如下:1)基于神经网络对驾驶员模型进行辨识:2)建立三自由度汽车模型;3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪。本发明通过驾驶员模型辨识,根据参考路径及汽车当前状态预测驾驶员转向行为,使得人‑车闭环***在符合驾驶员驾驶习惯的前提下以定制的方式对参考路径进行跟踪,避免驾驶辅助***的统一化控制驾驶员带来操纵干扰,利用针对性的驾驶辅助减轻驾驶员驾驶负担,提高驾驶员对理想轨迹的跟踪效果。
Description
技术领域
本发明属于汽车辅助驾驶***技术领域,具体指代一种汽车轨迹跟踪控制方法。
背景技术
驾驶员是汽车驾驶环节的决定性因素,随着各类驾驶辅助***的开发,使***能够与真实驾驶员合理兼容并被驾驶员广泛接受是驾驶辅助***的关键性问题。不同驾驶员由于驾驶经验、驾驶习惯等因素的差别,会表现出不同的行为特性。只有根据驾驶员的行为特性,设计符合驾驶员驾驶习惯的驾驶辅助***,才能在不干涉驾驶员正常操作的前提下,对驾驶员提供合理有效的帮助。在设计驾驶辅助***时,应该针对不同的驾驶员提供其所需要的帮助。传统的驾驶辅助模式采用统一化的模式进行辅助,有时并不符合当前驾驶员的驾驶习惯,因此,针对不同的驾驶员,识别其操作特性,进而针对性的进行驾驶辅助,减轻驾驶员的工作负担,保持人-车***的稳定性,提高闭环***的整体性能,是一个值得研究的问题。
在汽车的行驶过程中,驾驶员会根据车辆的状态作出相应的判断,反映到具体行为上,即为驾驶员对车辆的操纵。不同的驾驶员的驾驶行为具有差异性,针对同一驾驶状况反应各不相同,本发明在采集驾驶员日常数据的基础上,采用神经网络算法对驾驶员模型进行辨识,根据摄像头采集道路标记信号确定参考路径,预测驾驶员参考转向盘转角。根据预测的驾驶员参考转向盘转角、参考路径、以及当前车辆相关状态,以定制的方式对驾驶员进行个性化驾驶辅助,保证人-车***的稳定性的同时完成对参考路径的跟踪。在车辆高速化、驾驶人员非职业化、车流密集化的今天,针对更多不同水平的驾驶人群,汽车的易操纵性设计变得极为重要。个性化智能辅助驾驶***的发展正是迎合了这种客观需求,具有良好的实际应用价值。
发明内容
针对于上述现有技术的不足,本发明的目的在于提供一种汽车轨迹跟踪控制方法,以解决现有技术中驾驶辅助***模式单一化、无法根据特定驾驶员进行个性化辅助、增加驾驶员负担的问题。
为达到上述目的,本发明采用的技术方案如下:
本发明的一种汽车轨迹跟踪控制方法,步骤如下:
1)基于神经网络对驾驶员模型进行辨识:
2)建立三自由度汽车模型;
3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪。
进一步地,所述步骤1)具体包括:
建立驾驶员模型为:
其中,θsw为驾驶员转向盘转角;是θsw的一阶导数;τp是驾驶员预瞄时间;Gh为转向比例增益;τd2为驾驶员反应延迟的时间常数;Yd为参考期望路径的侧向位移;是Yd的一阶导数;Y为当前时刻车辆质心处的侧向位移;vx为当前车速;φ为汽车航向角;
在转向过程中,假设车速为定值,对上式(1)作积分处理,则:
当t1=0且侧向位移及方向盘转角的初始值为零时,上式(2)化简为:
θsw=N1X1+N2X2+N3X3+N4X4+N5X5 (3)
式中,Ni,Xi(i=1,2,3,4,5)分别为线性神经网络的权值因子和单个神经元输入,具体为:
根据式(3)设计线性神经网络对驾驶员参数进行辨识;在线性神经网络模型中,其传递函数为线性函数,神经元的输出fos为:
设网络的期望输出为神经网络的实际输出为θsw=XTN,X为神经元对应的输入向量,N为神经元对应的权值向量,X=(X1,X2,X3,X4,X5),N=(N1,N2,N3,N4,N5),Bos为网络的输出偏置;网络的输出均方差E定义为:
采用LMS学习算法基于负梯度下降的原则来减少网络的训练误差;选择负梯度下降作为神经网络的准则,求取误差函数对权值的偏导:
误差函数对权值的偏导表示此次迭代当前位置的梯度,权值向量的变化量ΔN即为梯度函数的负数:
式中,η为学习速率,其大小由输入向量决定;
权值向量的N的迭代表示为:
n为迭代次数;权值矩阵的初始值由电机参数标准值按照式(3)中各权值因子的定义确定;
同理,对于神经网络误差对网络偏置的偏导,表示为:
设定偏置的初始值为零,则偏置的迭代表示为:
通过在驾驶过程中采集的已知侧向位移,车速,航向角及转向盘转角数据的条件下,通过反复迭代,即可求得符合精度的最优权值向量N;根据向量的定义,得到需要辨识的驾驶员参数;通过辨识得到的驾驶员参数及对应的驾驶员模型,以及当前的参考路径、车速,航向角及转向盘转角即可预测下一时刻驾驶员的转向盘转角
进一步地,所述步骤2)具体包括:建立三自由度汽车模型,以设计人-车闭环***个性化轨迹跟踪控制器,所述三自由度汽车模型如下:
式中,vx、vy和γ分别为纵向车速、侧向车速以及横摆角速度;m为整车总质量;Iz为绕Z轴的转动惯量;a为前轮轴距;b为后轮轴距;c为半轴距;Fxi是轮胎纵向力;Fyi是轮胎侧向力;Fw为空气阻力;Ff为轮胎滚动阻力;k1,k2分别为前、后轮侧偏刚度;Ti为四个车轮的驱动力矩;ΔT为四轮差动力矩;具体为:
ΔT=-Tfl+Tfr-Trl+Trr。
进一步地,所述的步骤3)具体为:
设计双闭环滑模控制器完成对理想轨迹的跟踪控制,控制器有两部分,分为外环控制器和内环控制器。选择虚拟的中间控制变量理想航向角φc,外环滑模面的采用积分滑模面,定义如下:
其中,θswe=θswd-θsw,且θswd为参考方向盘转角;K3为积分增益,且K3>0,通过选择合适的K3,使得跟踪误差保持在滑模面附近直至收敛于0;
滑模函数的导数推导为:
代入驾驶员模型及上式(7),则上式(7)推导为:
外环控制***的李雅普诺夫方程定义为:
其导数为:
设计中间控制变量理想航向角φc为:
其中,ρ2>0,由此得,
由上式得到,当有界的内环跟踪误差φe,收敛到0,于是:
设计内环控制器跟踪理想航向角φc,跟踪误差为φe=φc-φ,内环滑模面定义如下:
其中,K1>0为增益;
考虑如下李雅普诺夫函数:
设计基于指数趋近律的内环控制器为:
其中,ρ2>0;K1>0;
则滑模面的导数中为:
则,
选择ρ1,使得ρ1>max|d2|,则保证:
则,
即:
对于K2>0,V1指数趋近于0,于是φe逐渐收敛到0;采用双曲正切函数tanh(S/σ)代替切换函数sgn(S1),避免在实际应用中***的抖振现象;σ为双曲正切函数的边界层厚度;
则所设计的横摆力矩控制器即四轮的差动力矩表示为:
将差动力矩平均分配到四个车轮,即左前方和左后方车轮力矩减少ΔT/4,后前方和右后方车轮增加ΔT/4,即完成所述汽车轨迹跟踪控制方法。
本发明的有益效果:
本发明通过驾驶员模型辨识,根据参考路径及汽车当前状态预测驾驶员转向行为,使得人-车闭环***在符合驾驶员驾驶习惯的前提下以定制的方式对参考路径进行跟踪,避免驾驶辅助***的统一化控制驾驶员带来操纵干扰,利用针对性的驾驶辅助减轻驾驶员驾驶负担,提高驾驶员对理想轨迹的跟踪效果。
附图说明
图1绘示本发明控制方法的原理图。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例与附图对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
参照图1所示,本发明的一种汽车轨迹跟踪控制方法,步骤如下:
1)基于神经网络对驾驶员模型进行辨识:
建立驾驶员模型为:
其中,θsw为驾驶员转向盘转角;是θsw的一阶导数;τp是驾驶员预瞄时间;Gh为转向比例增益;τd2为驾驶员反应延迟的时间常数;Yd为参考期望路径的侧向位移;是Yd的一阶导数;Y为当前时刻车辆质心处的侧向位移;vx为当前车速;φ为汽车航向角;
在转向过程中,假设车速为定值,对上式(1)作积分处理,则:
当t1=0且侧向位移及方向盘转角的初始值为零时,上式(2)化简为:
θsw=N1X1+N2X2+N3X3+N4X4+N5X5 (3)
式中,Ni,Xi(i=1,2,3,4,5)分别为线性神经网络的权值因子和单个神经元输入,具体为:
根据式(3)设计线性神经网络对驾驶员参数进行辨识;在线性神经网络模型中,其传递函数为线性函数,神经元的输出fos为:
设网络的期望输出为神经网络的实际输出为θsw=XTN,X为神经元对应的输入向量,N为神经元对应的权值向量,X=(X1,X2,X3,X4,X5),N=(N1,N2,N3,N4,N5),Bos为网络的输出偏置;网络的输出均方差E定义为:
采用LMS学习算法基于负梯度下降的原则来减少网络的训练误差;选择负梯度下降作为神经网络的准则,求取误差函数对权值的偏导:
误差函数对权值的偏导表示此次迭代当前位置的梯度,权值向量的变化量ΔN即为梯度函数的负数:
式中,η为学习速率,其大小由输入向量决定;
权值向量的N的迭代表示为:
n为迭代次数;权值矩阵的初始值由电机参数标准值按照式(3)中各权值因子的定义确定;
同理,对于神经网络误差对网络偏置的偏导,表示为:
设定偏置的初始值为零,则偏置的迭代表示为:
通过在驾驶过程中采集的已知侧向位移,车速,航向角及转向盘转角数据的条件下,通过反复迭代,即可求得符合精度的最优权值向量N;根据向量的定义,得到需要辨识的驾驶员参数;通过辨识得到的驾驶员参数及对应的驾驶员模型,以及当前的参考路径、车速,航向角及转向盘转角即可预测下一时刻驾驶员的转向盘转角
2)建立三自由度汽车模型;
建立三自由度汽车模型,以设计人-车闭环***个性化轨迹跟踪控制器,所述三自由度汽车模型如下:
式中,vx、vy和γ分别为纵向车速、侧向车速以及横摆角速度;m为整车总质量;Iz为绕Z轴的转动惯量;a为前轮轴距;b为后轮轴距;c为半轴距;Fxi是轮胎纵向力;Fyi是轮胎侧向力;Fw为空气阻力;Ff为轮胎滚动阻力;k1,k2分别为前、后轮侧偏刚度;Ti为四个车轮的驱动力矩;ΔT为四轮差动力矩;具体为:
ΔT=-Tfl+Tfr-Trl+Trr。
3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪;
设计双闭环滑模控制器完成对理想轨迹的跟踪控制,控制器有两部分,分为外环控制器和内环控制器。选择虚拟的中间控制变量理想航向角φc,外环滑模面的采用积分滑模面,定义如下:
其中,θswe=θswd-θsw,且θswd为参考方向盘转角;K3为积分增益,且K3>0,通过选择合适的K3,使得跟踪误差保持在滑模面附近直至收敛于0;
滑模函数的导数推导为:
代入驾驶员模型及上式(7),则上式(7)推导为:
外环控制***的李雅普诺夫方程定义为:
其导数为:
设计中间控制变量理想航向角φc为:
其中,ρ2>0,由此得,
由上式得到,当有界的内环跟踪误差φe,收敛到0,于是:
设计内环控制器跟踪理想航向角φc,跟踪误差为φe=φc-φ,内环滑模面定义如下:
其中,K1>0为增益;
考虑如下李雅普诺夫函数:
设计基于指数趋近律的内环控制器为:
其中,ρ2>0;K1>0;
则滑模面的导数中为:
则,
选择ρ1,使得ρ1>max|d2|,则保证:
则,
即:
对于K2>0,V1指数趋近于0,于是φe逐渐收敛到0;采用双曲正切函数tanh(S/σ)代替切换函数sgn(S1),避免在实际应用中***的抖振现象;σ为双曲正切函数的边界层厚度;
则所设计的横摆力矩控制器即四轮的差动力矩表示为:
将差动力矩平均分配到四个车轮,即左前方和左后方车轮力矩减少ΔT/4,后前方和右后方车轮增加ΔT/4,即完成所述汽车轨迹跟踪控制方法。
本发明具体应用途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进,这些改进也应视为本发明的保护范围。
Claims (4)
1.一种汽车轨迹跟踪控制方法,其特征在于,步骤如下:
1)基于神经网络对驾驶员模型进行辨识:
2)建立三自由度汽车模型;
3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪。
2.根据权利要求1所述的汽车轨迹跟踪控制方法,其特征在于,所述步骤1)具体包括:
建立驾驶员模型为:
其中,θsw为驾驶员转向盘转角;是θsw的一阶导数;τp是驾驶员预瞄时间;Gh为转向比例增益;τd2为驾驶员反应延迟的时间常数;Yd为参考期望路径的侧向位移;是Yd的一阶导数;Y为当前时刻车辆质心处的侧向位移;vx为当前车速;φ为汽车航向角;
在转向过程中,假设车速为定值,对上式(1)作积分处理,则:
当t1=0且侧向位移及方向盘转角的初始值为零时,上式(2)化简为:
θsw=N1X1+N2X2+N3X3+N4X4+N5X5 (3)
式中,Ni,Xi分别为线性神经网络的权值因子和单个神经元输入,i=1,2,3,4,5,具体为:
根据式(3)设计线性神经网络对驾驶员参数进行辨识;在线性神经网络模型中,其传递函数为线性函数,神经元的输出fos为:
设网络的期望输出为神经网络的实际输出为θsw=XTN,X为神经元对应的输入向量,N为神经元对应的权值向量,X=(X1,X2,X3,X4,X5),N=(N1,N2,N3,N4,N5),Bos为网络的输出偏置;网络的输出均方差E定义为:
采用LMS学习算法基于负梯度下降的原则来减少网络的训练误差;选择负梯度下降作为神经网络的准则,求取误差函数对权值的偏导:
误差函数对权值的偏导表示此次迭代当前位置的梯度,权值向量的变化量ΔN即为梯度函数的负数:
式中,η为学习速率,其大小由输入向量决定;
权值向量的N的迭代表示为:
n为迭代次数;权值矩阵的初始值由电机参数标准值按照式(3)中各权值因子的定义确定;
同理,对于神经网络误差对网络偏置的偏导,表示为:
设定偏置的初始值为零,则偏置的迭代表示为:
4.根据权利要求1所述的汽车轨迹跟踪控制方法,其特征在于,所述的步骤3)具体为:
设计双闭环滑模控制器完成对理想轨迹的跟踪控制,控制器有两部分,分为外环控制器和内环控制器;选择虚拟的中间控制变量理想航向角φc,外环滑模面的采用积分滑模面,定义如下:
其中,θswe=θswd-θsw,且θswd为参考方向盘转角;K3为积分增益,且K3>0,通过选择合适的K3,使得跟踪误差保持在滑模面附近直至收敛于0;
滑模函数的导数推导为:
代入驾驶员模型及上式(7),则上式(7)推导为:
外环控制***的李雅普诺夫方程定义为:
其导数为:
设计中间控制变量理想航向角φc为:
其中,ρ2>0,由此得,
由上式得到,当有界的内环跟踪误差φe,收敛到0,于是:
设计内环控制器跟踪理想航向角φc,跟踪误差为φe=φc-φ,内环滑模面定义如下:
其中,K1>0为增益;
考虑如下李雅普诺夫函数:
设计基于指数趋近律的内环控制器为:
其中,ρ2>0;K1>0;
则滑模面的导数中为:
则,
选择ρ1,使得ρ1>max|d2|,则保证:
则,
即:
对于K2>0,V1指数趋近于0,于是φe逐渐收敛到0;采用双曲正切函数tanh(S/σ)代替切换函数sgn(S1);σ为双曲正切函数的边界层厚度;
则所设计的横摆力矩控制器即四轮的差动力矩表示为:
将差动力矩平均分配到四个车轮,即左前方和左后方车轮力矩减少ΔT/4,后前方和右后方车轮增加ΔT/4,即完成所述汽车轨迹跟踪控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715165.2A CN112026763B (zh) | 2020-07-23 | 2020-07-23 | 一种汽车轨迹跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010715165.2A CN112026763B (zh) | 2020-07-23 | 2020-07-23 | 一种汽车轨迹跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112026763A true CN112026763A (zh) | 2020-12-04 |
CN112026763B CN112026763B (zh) | 2021-08-06 |
Family
ID=73582984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010715165.2A Active CN112026763B (zh) | 2020-07-23 | 2020-07-23 | 一种汽车轨迹跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112026763B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359764A (zh) * | 2021-07-02 | 2021-09-07 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN114179626A (zh) * | 2021-11-29 | 2022-03-15 | 江铃汽车股份有限公司 | 一种电动汽车的smc蠕行控制 |
CN117911414A (zh) * | 2024-03-20 | 2024-04-19 | 安徽大学 | 一种基于强化学习的自动驾驶汽车运动控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108725453A (zh) * | 2018-06-11 | 2018-11-02 | 南京航空航天大学 | 基于驾驶员模型和操纵逆动力学的人机共驾控制***及其切换模式 |
CN110008600A (zh) * | 2019-04-09 | 2019-07-12 | 上海理工大学 | 车辆稳定性控制器性能保守性的设计方法 |
CN110077418A (zh) * | 2019-04-08 | 2019-08-02 | 东南大学 | 考虑驾驶员特性的差动辅助转向与共享控制***建模方法 |
CN110826192A (zh) * | 2019-10-15 | 2020-02-21 | 南京航空航天大学 | 一种基于纳什谈判准则的人-车合作型博弈控制方法 |
CN111391916A (zh) * | 2020-03-27 | 2020-07-10 | 南京航空航天大学 | 考虑驾驶员转向特性的线控转向***辅助控制策略 |
-
2020
- 2020-07-23 CN CN202010715165.2A patent/CN112026763B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108725453A (zh) * | 2018-06-11 | 2018-11-02 | 南京航空航天大学 | 基于驾驶员模型和操纵逆动力学的人机共驾控制***及其切换模式 |
CN110077418A (zh) * | 2019-04-08 | 2019-08-02 | 东南大学 | 考虑驾驶员特性的差动辅助转向与共享控制***建模方法 |
CN110008600A (zh) * | 2019-04-09 | 2019-07-12 | 上海理工大学 | 车辆稳定性控制器性能保守性的设计方法 |
CN110826192A (zh) * | 2019-10-15 | 2020-02-21 | 南京航空航天大学 | 一种基于纳什谈判准则的人-车合作型博弈控制方法 |
CN111391916A (zh) * | 2020-03-27 | 2020-07-10 | 南京航空航天大学 | 考虑驾驶员转向特性的线控转向***辅助控制策略 |
Non-Patent Citations (1)
Title |
---|
王凯正: ""基于车车信息交互的智能车辆轨迹规划与运动控制"", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113359764A (zh) * | 2021-07-02 | 2021-09-07 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN114179626A (zh) * | 2021-11-29 | 2022-03-15 | 江铃汽车股份有限公司 | 一种电动汽车的smc蠕行控制 |
CN117911414A (zh) * | 2024-03-20 | 2024-04-19 | 安徽大学 | 一种基于强化学习的自动驾驶汽车运动控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112026763B (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112026763B (zh) | 一种汽车轨迹跟踪控制方法 | |
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
CN109144076B (zh) | 一种多车辆横纵向耦合协同控制***及控制方法 | |
CN109849899B (zh) | 一种电动轮汽车电液复合车身稳定控制***及方法 | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
CN104773170B (zh) | 一种车辆稳定性集成控制方法 | |
CN111806427A (zh) | 一种四轮毂电机驱动车辆的综合控制方法 | |
CN107561942A (zh) | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN114379583B (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 | |
Altché et al. | A simple dynamic model for aggressive, near-limits trajectory planning | |
CN107215329A (zh) | 一种基于atsm的分布式驱动电动汽车横向稳定性控制方法 | |
CN108819796B (zh) | 双轮毂电机电动汽车的智能转向控制方法 | |
CN111665726B (zh) | 基于多智能体的asr自适应非奇异终端滑模控制方法 | |
Deng et al. | Torque vectoring algorithm based on mechanical elastic electric wheels with consideration of the stability and economy | |
CN113682282A (zh) | 一种车辆稳定性控制方法、***、车辆和存储介质 | |
CN111559389A (zh) | 一种智能汽车在变附着系数重复性轨迹下的控制方法 | |
CN113221257A (zh) | 考虑控制区域的极限工况下车辆横纵向稳定控制方法 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制***与方法 | |
Shen et al. | Stability and Maneuverability Guaranteed Torque Distribution Strategy of ddev in handling limit: a novel lstm-lmi approach | |
Li et al. | Adaptive sliding mode control of lateral stability of four wheel hub electric vehicles | |
CN107561943A (zh) | 一种汽车最速操纵逆动力学数学模型的建立方法 | |
CN110162045B (zh) | 一种基于自适应三步法的卡车编队行驶跟随车控制方法 | |
CN111814258B (zh) | 用于四轮独立电驱动车辆线控转向***传动比的设计方法 |
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 |