CN112666833B - 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 - Google Patents
一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 Download PDFInfo
- Publication number
- CN112666833B CN112666833B CN202011556853.5A CN202011556853A CN112666833B CN 112666833 B CN112666833 B CN 112666833B CN 202011556853 A CN202011556853 A CN 202011556853A CN 112666833 B CN112666833 B CN 112666833B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- function
- vehicle speed
- sliding mode
- formula
- 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.)
- Active
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法,包括的步骤有:步骤一、建立包含参数不确定以及外界干扰项的车辆二阶纵向动力学模型;步骤二、对阶跃规划车速进行平滑处理;步骤三、利用动态滑模控制理论设计车辆广义纵向力控制率;步骤四、使用RBF神经网络对该不确定项进行在线估计;步骤五、设计合理的底层执行器切换逻辑。有益效果:保证跟踪目标及其导数能以指数速度收敛于0。很大程度上缓解了常规滑模控制的实际应用难题。既保证了控制器的稳定性又能够在一定程度上进一步缓解了滑模控制的抖振问题。
Description
技术领域
本发明涉及一种车速跟随自适应鲁棒控制方法,特别涉及一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法。
背景技术
目前,自动驾驶车辆由于其无需驾驶员操作的优势被认为能够很大程度上缓解由驾驶员操作不当引起的社会问题,并且在军事,农业或行星勘探等非结构化场景中自动驾驶车辆同样具有巨大的潜在应用价值。其中,位于自动驾驶车辆架构底端的控制层,且主要负责准确跟踪期望车速的车速跟踪模块,在实现复杂自动驾驶任务中具有十分重要的地位。
常见的车速跟踪算法通常以期望速度和加速度为控制器输入,计算出合适的驱动力矩或制动压力控制车辆以保证车速跟随效果,常见的车速跟踪控制算法包括如中国专利公布号CN112026753A,中国专利公布号CN109991856A,中国专利公布号CN110780674A所示,主要包括PID控制,滑模控制,模型预测控制等。
由于车辆本身属于复杂的时变非线性***,并且在车辆与环境的实际交互过程中,存在若干未知干扰,这些因素都将影响车辆的跟踪性能。上述算法中国专利公布号CN112026753A所述的PID控制鲁棒性较差,确定合适的PID参数需要大量的整定工作,同时还需配合众多前馈标定量才能达到较好的控制效果,调试工作量较大;常规的滑模控制抵抗干扰能力强但是存在输出抖振问题,中国专利公布号CN109991856A所述的方法利用模糊控制原理降低抖振问题,但是模糊规则和隶属度函数的设计仍需要大量的调试工作;中国专利公布号CN110780674A所述的模型预测控制对模型精度和处理器实时计算能力要求高,在实际应用中有较多限制,因此设计出一种能够处理参数不确定性,不可避免的外部干扰等因素的实用型车速跟踪控制算法至关重要。
发明内容
本发明的目的是为了解决电动自动驾驶车辆本身所存在的参数不确定以及在与环境的实际交互过程中,所存在的若干未知干扰,影响车辆跟踪性能的问题而提供的一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法。
本发明提供的用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法,包括如下步骤:
步骤一、建立包含参数不确定以及外界干扰项的车辆二阶纵向动力学模型:
式中,x1为车辆纵向速度vx;x2为车辆纵向速度的导数其中CD为车辆空气阻力系数、ρ为空气密度、A为车辆迎风面积;u为车辆所受广义纵向力Ft的导数是由参数不确定以及外界未知干扰共同组成的干扰项,其中为道路坡度、f为轮胎滚动阻力系数、Fd为车辆所受外界未知干扰、M为车辆的总质量其中包括已知的车辆整备质量m和可能会随着车辆实际使用过程而变化的未知额外承载质量Δm;
步骤二、对阶跃规划车速进行平滑处理,具体如下:
采用由二次函数、一次函数、二次函数首尾相接且处处可导的“2-1-2”样条曲线对阶跃规划车速进行平滑处理;
实际期望车速和纵向加速度的时间函数根据“2-1-2”样条曲线特点写成如下形式:
式中vxd为处理后的期望车速;vxd1、vxd2、vxd3、分别为二次函数、一次函数、二次函数形式的分段期望车速和纵向加速度;a0、a1、a2、b0、b1、c0、c1、c2分别为每段函数对应的系数;t0、t1、t2、t3分别为每段函数的起止时间节点,其中t0为规划车速更新的时间点,其他时间点需要自行设定,根据2-1-2样条曲线处处连续可导的特点,得出如下约束条件:
根据上述三式,即可解得每段函数对应的具体系数,从而得到连续可导的期望车速曲线;
步骤三、利用动态滑模控制理论设计车辆广义纵向力控制率,具体如下:
根据上式定义x2的期望值其中φ1为正常数,则上式写为据此e1可在有限时间内收敛到0,然后定义第二个跟踪误差根据定义的两个跟踪误差,构建滑模函数σ1=φ2e1+e2,其中φ2为正常数,将跟踪误差e2的具体形式带入滑模函数,得到因此当***进入理想滑动模态σ1=0时,跟踪误差e1和将会指数收敛到0,达成车速跟踪控制目标;
稳定性证明:
定义Lyapunov函数V2,对其求导并将滑模函数σ1带入得:
其中:
步骤四、使用RBF神经网络对该不确定项进行在线估计,具体如下:
根据RBF神经网络结构特点,设计不确定项的估计值为其中ω为RBF神经网络的权值矩阵,h(σ1)为中间隐含层神经元输出矩阵,神经元输出矩阵h(σ1)具体形式表示如下,其中ci为第i个神经元的中心位置,bi为第i个神经元的宽度:
在明确RBF神经网络ω,bi,ci等三类参数的更新规则前,首先给出广义纵向力微分项自适应控制率:
ω的更新规则通过稳定性分析获取,具体步骤如下:
然后定义Lyapunov函数V3,对其求导并将滑模函数σ1、两个跟踪误差e1、e2的具体形式以及步骤一的状态空间方程带入得:
最后带入步骤四所设计的控制率得到下式:
令RBF神经网络权重的更新率为:
bi和ci的更新规则可通过常见的梯度下降法实现,具体推导步骤如下:
首先根据滑模控制的控制目标,定义RBF网络的性能指标函数:
计算bi在性能指标函数E下的梯度:
同理可得cj在性能指标函数E下的梯度:
则基于梯度下降法的参数更新规律最终如下所示:
式中γc,γb为学习速率,μc,μb为动量因子;
步骤五、设计合理的底层执行器切换逻辑,具体如下:
根据驱动力矩,制动力矩与广义纵向力的关系,设计切换规则如下:
式中Ft0>0,表示驱动转矩Td或制动主缸压力Pb的激活阈值;fd(Ft)和fb(Ft)分别表示将广义驱动力换算成驱动转矩和制动主缸压力的公式,具体表示如下:
式中rw为轮胎的滚动半径,ig为变速器传动比,if为前轴扭矩分配比例,if0为前轴主减速器传动比,ir0为后轴主减速器传动比,kbf为前轮制动力矩系数,kbr为后轮制动力矩系数。
本发明的有益效果:
1、本发明基于反步法的思想,重新设计了车速跟踪滑模函数,保证跟踪目标及其导数能以指数速度收敛于0。
2、本发明利用动态滑模控制原理,将实际控制输入纳入到滑模函数中,通过设计实际控制输入微分项的控制率,将常规滑模控制的抖振缺陷转移到微分项中,最终通过积分器进行抖振抑制,很大程度上缓解了常规滑模控制的实际应用难题。
3、本发明利用自适应原理,通过RBF神经网络自适应算法解决了纵向车速跟踪不确定干扰上界不宜获取的问题,既保证了控制器的稳定性又能够在一定程度上进一步缓解了滑模控制的抖振问题。
附图说明
图1为本发明所述的电动自动驾驶车辆轨迹跟踪控制总体架构示意图。
图2为本发明所述的电动自动驾驶车辆车速自适应鲁棒控制架构示意图。
具体实施方式
请参阅图1至图2所示:
本发明提出的一种电动四驱自动驾驶车辆的强鲁棒性车速跟随控制方法,具体包括以下步骤:
步骤一、建立包含参数不确定以及外界干扰项的车辆二阶纵向动力学模型。
一般情况下,车辆的纵向动力学模型都会忽略空气阻力以及坡道阻力等的影响,但是本发明所述的方法重点研究车辆在参数不确定以及受到一定外界干扰情况下的车速跟踪控制,上述两项不能忽略。因此采用完整的纵向动力学模型,如下式所示:
式中M为车辆的总质量其中包括已知的车辆整备质量m和可能会随着车辆实际使用过程而变化的未知额外承载质量Δm;vx为车辆纵向速度;不考虑车辆转弯时的横摆角速度和侧向速度的影响,车辆的纵向加速度可以表示为车辆纵向速度的导数Ft为车辆轮胎与地面相互作用产生的纵向力;Fslope为车辆所受坡道阻力;g为重力加速度;为道路坡度;Ff为车辆所受滚动阻力;f为轮胎滚动阻力系数;Fwind为车辆所受空气阻力;CD为车辆空气阻力系数;ρ为空气密度;A为车辆迎风面积;Fd为车辆所受外界未知干扰。
步骤二、为了提高控制器的控制效果,对阶跃规划车速进行平滑处理。
为了提高控制器的控制效果,同时保证车辆的乘坐舒适性,采用由二次函数、一次函数、二次函数首尾相接且处处可导的“2-1-2”样条曲线对阶跃规划车速进行平滑处理。
实际期望车速和纵向加速度的时间函数根据“2-1-2”样条曲线特点可以写成如下形式:
式中vxd为处理后的期望车速;vxd1、vxd2、vxd3、分别为二次函数、一次函数、二次函数形式的分段期望车速和纵向加速度;a0、a1、a2、b0、b1、c0、c1、c2分别为每段函数对应的系数;t0、t1、t2、t3分别为每段函数的起止时间节点,其中t0为规划车速更新的时间点,其他时间点需要自行设定。根据2-1-2样条曲线处处连续可导的特点,可以写出如下约束条件:
将该约束条件写成矩阵的形式:
Vxp=TC
式中Vxp为t0时刻的车速信息向量,T为样条曲线各段时间信息构成的矩阵,C为样条曲线各段的系数向量,具体形式如下:
C=[a0 a1 a2 b0 b1 c0 c1 c2]T
在上述矩阵中,Vxp中各项均已知,T中的时间点信息可人为定义,因此可直接求解出系数向量C,最终得到平滑的期望速度曲线。
步骤三、基于反步法的思想,利用动态滑模控制理论设计车辆广义纵向力控制率。
根据上式定义x2的期望值其中φ1为正常数,则上式可写为据此e1可在有限时间内收敛到0。然后定义第二个跟踪误差根据定义的两个跟踪误差,构建滑模函数σ1=φ2e1+e2,其中φ2为正常数,将跟踪误差e2的具体形式带入滑模函数,得到因此当***进入理想滑动模态σ1=0时,跟踪误差e1和将会指数收敛到0,达成车速跟踪控制目标。
稳定性证明:
定义Lyapunov函数V2,对其求导并将滑模函数σ1=φ2e1+e2带入得:
最后带入步骤三所设计的控制率得到下式,
其中:
要使Q为正定矩阵只需保证下式:
步骤四、使用RBF神经网络对该不确定项进行在线估计;
根据RBF神经网络结构特点,设计不确定项的估计值为其中ω为RBF神经网络的权值矩阵,h(σ1)为中间隐含层神经元输出矩阵。神经元输出矩阵h(σ1)具体形式可表示如下,其中ci为第i个神经元的中心位置,bi为第i个神经元的宽度:
在明确RBF神经网络ω,bi,ci等三类参数的更新规则前,首先给出广义纵向力微分项自适应控制率:
ω的更新规则通过稳定性分析获取,具体步骤如下:
然后定义Lyapunov函数V3,对其求导并将滑模函数σ1、两个跟踪误差e1、e2的具体形式以及步骤一的状态空间方程带入得:
最后带入步骤四所设计的控制率得到下式:
令RBF神经网络权重的更新率为:
bi和ci的更新规则可通过常见的梯度下降法实现,具体推导步骤如下:
首先根据滑模控制的控制目标,定义RBF网络的性能指标函数:
计算bi在性能指标函数E下的梯度:
同理可得cj在性能指标函数E下的梯度:
则基于梯度下降法的参数更新规律最终如下所示:
式中γc,γb为学习速率,μc,μb为动量因子。
步骤五、设计合理的底层执行器切换逻辑;
一般情况下,驱动和制动执行器不能同时作用在车辆上,因此需要设计合理的底层执行器切换逻辑,保证同一时刻只有一种执行器起作用。
根据驱动力矩,制动力矩与广义纵向力的关系,设计切换规则如下:
式中Ft0>0,表示驱动转矩Td或制动主缸压力Pb的激活阈值;fd(Ft)和fb(Ft)分别表示将广义驱动力换算成驱动转矩和制动主缸压力的公式,具体表示如下:
式中rw为轮胎的滚动半径,ig为变速器传动比,if为前轴扭矩分配比例,if0为前轴主减速器传动比,ir0为后轴主减速器传动比,kbf为前轮制动力矩系数,kbr为后轮制动力矩系数。
Claims (1)
1.一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法,其特征在于:包括如下步骤:
步骤一、建立包含参数不确定以及外界干扰项的车辆二阶纵向动力学模型:
式中,x1为车辆纵向速度vx;x2为车辆纵向速度的导数 其中CD为车辆空气阻力系数、ρ为空气密度、A为车辆迎风面积;u为车辆所受广义纵向力Ft的导数 是由参数不确定以及外界未知干扰共同组成的不确定项,其中为道路坡度、f为轮胎滚动阻力系数、Fd为车辆所受外界未知干扰、M为车辆的总质量其中包括已知的车辆整备质量m和可能会随着车辆实际使用过程而变化的未知额外承载质量Δm、g为重力加速度;
步骤二、对阶跃规划车速进行平滑处理,具体如下:
采用由二次函数、一次函数、二次函数首尾相接且处处可导的“2-1-2”样条曲线对阶跃规划车速进行平滑处理;
实际期望车速和纵向加速度的时间函数根据“2-1-2”样条曲线特点写成如下形式:
式中vxd为处理后的期望车速;vxd1、vxd3、分别为二次函数、一次函数、二次函数形式的分段期望车速和纵向加速度;a0、a1、a2、b0、b1、c0、c1、c2分别为每段函数对应的系数;t0、t1、t2、t3分别为每段函数的起止时间节点,其中t0为规划车速更新的时间点,其他时间点需要自行设定,根据2-1-2样条曲线处处连续可导的特点,得出如下约束条件:
根据上述三式,即可解得每段函数对应的具体系数,从而得到连续可导的期望车速曲线;
步骤三、利用动态滑模控制理论设计车辆广义纵向力控制率,具体如下:
根据上式定义x2的期望值其中φ1为正常数,则上式写为据此e1可在有限时间内收敛到0,然后定义第二个跟踪误差根据定义的两个跟踪误差,构建滑模函数σ1=φ2e1+e2,其中φ2为正常数,将跟踪误差e2的具体形式带入滑模函数,得到因此当***进入理想滑动模态σ1=0时,跟踪误差e1和将会指数收敛到0,达成车速跟踪控制目标;
稳定性证明:
定义Lyapunov函数V2,对其求导并将滑模函数σ1带入得:
其中:
步骤四、使用RBF神经网络对该不确定项进行在线估计,具体如下:
根据RBF神经网络结构特点,设计不确定项的估计值为其中ω为RBF神经网络的权值矩阵,h(σ1)为中间隐含层神经元输出矩阵,神经元输出矩阵h(σ1)具体形式表示如下,其中ci为第i个神经元的中心位置,bi为第i个神经元的宽度:
在明确RBF神经网络ω,bi,ci这三类参数的更新规则前,首先给出广义纵向力微分项自适应控制率:
ω的更新规则通过稳定性分析获取,具体步骤如下:
然后定义Lyapunov函数V3,对其求导并将滑模函数σ1、两个跟踪误差e1、e2的具体形式以及步骤一的状态空间方程带入得:
最后带入步骤四所设计的控制率得到下式:
令RBF神经网络权重的更新率为:
bi和ci的更新规则可通过常见的梯度下降法实现,具体推导步骤如下:
首先根据滑模控制的控制目标,定义RBF网络的性能指标函数:
计算bi在性能指标函数J下的梯度:
式中,ωi为RBF神经网络的权值矩阵中的具体元素,同理可得ci在性能指标函数J下的梯度:
则基于梯度下降法的参数更新规律最终如下所示:
式中γc,γb为学习速率,μc,μb为动量因子;
步骤五、设计合理的底层执行器切换逻辑,具体如下:
根据驱动力矩,制动力矩与广义纵向力的关系,设计切换规则如下:
式中Ft0>0,表示驱动转矩Td或制动主缸压力Pb的激活阈值;fd(Ft)和fb(Ft)分别表示将广义驱动力换算成驱动转矩和制动主缸压力的公式,具体表示如下:
式中rw为轮胎的滚动半径,ig为变速器传动比,if为前轴扭矩分配比例,if0为前轴主减速器传动比,ir0为后轴主减速器传动比,kbf为前轮制动力矩系数,kbr为后轮制动力矩系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556853.5A CN112666833B (zh) | 2020-12-25 | 2020-12-25 | 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011556853.5A CN112666833B (zh) | 2020-12-25 | 2020-12-25 | 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112666833A CN112666833A (zh) | 2021-04-16 |
CN112666833B true CN112666833B (zh) | 2022-03-15 |
Family
ID=75408679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011556853.5A Active CN112666833B (zh) | 2020-12-25 | 2020-12-25 | 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112666833B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113221349B (zh) * | 2021-05-10 | 2024-05-03 | 的卢技术有限公司 | 一种适用于智能驾驶车辆的车间距滑模控制算法及*** |
CN113359466B (zh) * | 2021-06-30 | 2023-01-24 | 南通大学 | 一种基于自适应滑模控制的车队协同控制方法 |
CN113359477B (zh) * | 2021-07-13 | 2021-12-21 | 吉林大学 | 一种车辆纵侧向耦合轨迹跟踪控制器设计方法 |
CN113655718A (zh) * | 2021-08-25 | 2021-11-16 | 的卢技术有限公司 | 基于滑模控制的自动驾驶车辆间距自适应控制方法 |
CN113685398B (zh) * | 2021-08-30 | 2022-05-31 | 吉林大学 | 一种集成式液压制动***伺服位移控制方法 |
CN114056123B (zh) * | 2021-09-08 | 2023-11-07 | 吉林大学 | 一种用于集中式电机驱动车辆的陡坡车速控制方法 |
CN114200841B (zh) * | 2021-12-13 | 2023-05-23 | 电子科技大学 | 一种基于模糊反步的网联汽车***安全控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
CN108454623A (zh) * | 2018-01-22 | 2018-08-28 | 大连理工大学 | 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN110824912A (zh) * | 2018-08-08 | 2020-02-21 | 华为技术有限公司 | 训练用于生成自动驾驶策略的控制策略模型的方法和装置 |
CN110816530A (zh) * | 2019-11-14 | 2020-02-21 | 东风商用车有限公司 | 一种自适应巡航***的速度跟随控制方法及*** |
CN111497842A (zh) * | 2020-04-30 | 2020-08-07 | 重庆大学 | 一种人机双闭环分层协同纵向跟车控制方法 |
JP2020149178A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社日立製作所 | 制御装置 |
CN111703423A (zh) * | 2019-03-18 | 2020-09-25 | 长城汽车股份有限公司 | 自动驾驶车辆的纵向控制安全监测方法及*** |
-
2020
- 2020-12-25 CN CN202011556853.5A patent/CN112666833B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108454623A (zh) * | 2018-01-22 | 2018-08-28 | 大连理工大学 | 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法 |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
CN108519773A (zh) * | 2018-03-07 | 2018-09-11 | 西安交通大学 | 一种结构化环境下无人驾驶车辆的路径规划方法 |
CN110824912A (zh) * | 2018-08-08 | 2020-02-21 | 华为技术有限公司 | 训练用于生成自动驾驶策略的控制策略模型的方法和装置 |
JP2020149178A (ja) * | 2019-03-12 | 2020-09-17 | 株式会社日立製作所 | 制御装置 |
CN111703423A (zh) * | 2019-03-18 | 2020-09-25 | 长城汽车股份有限公司 | 自动驾驶车辆的纵向控制安全监测方法及*** |
CN110816530A (zh) * | 2019-11-14 | 2020-02-21 | 东风商用车有限公司 | 一种自适应巡航***的速度跟随控制方法及*** |
CN111497842A (zh) * | 2020-04-30 | 2020-08-07 | 重庆大学 | 一种人机双闭环分层协同纵向跟车控制方法 |
Non-Patent Citations (1)
Title |
---|
基于非线性干扰观测器的车轮滑移率跟踪控制;张家旭等;《华中科技大学学报(自然科学版)》;20201031;第48卷(第10期);第44-49页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112666833A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112666833B (zh) | 一种用于电动自动驾驶车辆的车速跟随自适应鲁棒控制方法 | |
CN107561942B (zh) | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 | |
Layne et al. | Fuzzy learning control for antiskid braking systems | |
CN107791773B (zh) | 一种基于规定性能函数的整车主动悬架***振动控制方法 | |
Wang et al. | Robust lateral motion control of four-wheel independently actuated electric vehicles with tire force saturation consideration | |
Poursamad | Adaptive feedback linearization control of antilock braking systems using neural networks | |
CN109017760B (zh) | 车辆期望轨迹跟踪方法、装置及滚动时域优化算法 | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
CN112051851B (zh) | 极限工况下电动四驱车辆的自主漂移控制方法及*** | |
Taghavifar et al. | Optimal robust control of vehicle lateral stability using damped least-square backpropagation training of neural networks | |
CN108733955A (zh) | 一种智能电动汽车纵向运动控制***及方法 | |
CN113126623B (zh) | 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法 | |
CN113733929B (zh) | 轮毂电机驱动车辆的车轮转矩协调控制方法及装置 | |
Chen et al. | Rhonn modelling-enabled nonlinear predictive control for lateral dynamics stabilization of an in-wheel motor driven vehicle | |
CN112026763B (zh) | 一种汽车轨迹跟踪控制方法 | |
Liu et al. | Multi-level coordinated yaw stability control based on sliding mode predictive control for distributed drive electric vehicles under extreme conditions | |
Guo et al. | Adaptive non‐linear coordinated optimal dynamic platoon control of connected autonomous distributed electric vehicles on curved roads | |
Sousa et al. | Nonlinear tire model approximation using machine learning for efficient model predictive control | |
CN114701463A (zh) | 区间二型模糊神经网络复合制动防抱死控制***及方法 | |
Vu et al. | Multi objective H∞ active anti-roll bar control for heavy vehicles | |
El-Bakkouri et al. | Adaptive backstepping control of antilock braking system based on LuGre model | |
CN116560375A (zh) | 基于神经网络观测器的轮式移动机器人轨迹跟踪控制方法 | |
CN116373846A (zh) | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 | |
CN115062539A (zh) | 基于强化学习转角权重分配的人车协同转向控制方法 | |
Mohajerpoor et al. | Teleoperation of an unmanned car via robust adaptive backstepping control approach |
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 |