CN107272419A - 一种基于改进pso的驾驶员自适应方向控制方法 - Google Patents

一种基于改进pso的驾驶员自适应方向控制方法 Download PDF

Info

Publication number
CN107272419A
CN107272419A CN201710644951.6A CN201710644951A CN107272419A CN 107272419 A CN107272419 A CN 107272419A CN 201710644951 A CN201710644951 A CN 201710644951A CN 107272419 A CN107272419 A CN 107272419A
Authority
CN
China
Prior art keywords
mrow
driver
pso
msub
optimal
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.)
Pending
Application number
CN201710644951.6A
Other languages
English (en)
Inventor
刘小飞
盛旺
王冬
陈俊兵
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.)
Chengdu Yajun New Energy Automobile Technology Co Ltd
Original Assignee
Chengdu Yajun New Energy Automobile Technology Co Ltd
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 Chengdu Yajun New Energy Automobile Technology Co Ltd filed Critical Chengdu Yajun New Energy Automobile Technology Co Ltd
Priority to CN201710644951.6A priority Critical patent/CN107272419A/zh
Publication of CN107272419A publication Critical patent/CN107272419A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及汽车操纵稳定性驾驶行为建模控制技术领域。目的是提供一种基于改进PSO的驾驶员自适应方向控制方法，该方法为：基于单点预瞄理论，决策出最优侧向加速度；然后将该最优侧向加速度与实际侧向加速度的差值，以及二者差值的变化率作为模糊PID控制的输入量；同时模糊PID控制器根据改进PSO优化算法得到最优参数；模糊PID控制器据此决策输出驾驶员方向盘转角增量；最后通过时间滞后环节将驾驶员方向盘转角输入给车辆行驶动力学模型。采用本方法使得驾驶员方向控制具有更精确、更省力的优点。

Description

一种基于改进PSO的驾驶员自适应方向控制方法
技术领域
本发明涉及汽车操纵稳定性驾驶行为建模控制技术领域，具体涉及一种基于改进PSO的驾驶员自适应方向控制方法。
背景技术
随着汽车的普及和汽车技术的发展，频繁的交通事故和巨大的人员、财产伤亡已成为社会热点问题，促使着人们对汽车主动安全性能的要求越来越高。因而，如何设计汽车的操纵稳定性以获得良好的主动安全性，已成为汽车技术的主要研究方向之一。驾驶员模型是真实驾驶员操纵能力的数学表达，它的出现主要是用于对汽车操纵稳定性的评价，其最终目的是提高汽车的安全性能，为驾驶员的安全驾驶提供技术保障。
驾驶员方向控制作为驾驶员模型研究的核心，不仅受驾驶员操纵行为的主观因素影响也受汽车行驶环境客观因素影响。对于此复杂控制系统，模糊PID控制理论凭借良好的鲁棒性和不需要知道被控对象精确的数学模型等优点，已解决控制过程中的非线性、强耦合、时变、滞后等问题，但模糊PID控制方法不能在线进行参数的整定。
粒子群优化算法(PSO)作为一种群体智能算法，常常被用于控制系统中控制参数的优化，本质上为一种迭代随机搜索算法,具有易实现、通用性强、收敛速度快、鲁棒性好，且在原理上可以较大概率找到优化问题的全局最优解,其应用领域非常广泛。但是PSO算法具有容易陷入局部最优、出现早熟现象等缺陷。
发明内容
有鉴于此，本发明提供的一种基于改进PSO的驾驶员自适应方向控制方法，该方法使得驾驶员方向控制具有更精确、更省力的优点。
为实现上述发明目的，本发明所采用的技术方案是：一种基于改进PSO的驾驶员自适应方向控制方法，包括以下步骤：
(1)基于单点预瞄理论决策出最优侧向加速度；
(2)根据整车动力学模型得到实际侧向加速度；
(3)将步骤1得到的最优侧向加速度与步骤2得到的实际侧向加速度的差值，以及两者差值的变化率作为模糊PID控制器的输入量；
(4)模糊PID控制器根据改进PSO优化算法得到最优参数，所述改进PSO优化算法引入变异因子λ和惯性权重ω；
(5)模糊PID控制器决策输出驾驶员方向盘转角增量；
(6)通过时间滞后环节后将驾驶员方向盘转角输入给整车动力学模型。
优选地，所述模糊PID控制器和延时模型Z-1的输出端与时间滞后环节输入端连接，所述时间滞后环节输出端分别与整车动力学模型输入端、评价指标函数、延时模型Z-1输入端连接。
优选地，所述时间滞后环节处理公式为：
e-τs/(1+Ts)；
其中，τ与T为时间常数，e-τs为驾驶员的反应和处理时间滞后，1/(1+Ts)为车辆的惯性时间滞后。
优选地，所述步骤(4)的具体流程为：
第一步，初始化粒子群；
第二步，调用Simulink控制模块运行整车动力学模型，计算PSO优化算法评价指标函数J；
第三步，返回改进PSO优化算法中，确定个体的最优值Pi(k)和群体的最优值Gi(k)；
第四步，判断第k次迭代与k+1次迭代粒子群体最优位置差值的绝对值是否<0.001；粒子群体最优位置差值的绝对值≥0.001，则基本粒子群算法引入惯性权重ω更新粒子的位置和速度；粒子群体最优位置差值的绝对值<0.001，则基本粒子群算法引入变异因子λ和惯性权重ω对粒子的位置和速度进行更新；
第五步，进行迭代终止条件判断,满足迭代终止条件则终止寻优，输出最优模糊PID参数；不满足迭代终止条件，则返回第一步。
优选地，所述评价指标函数J公式为：
其中，为第i时刻最优侧向加速度，为第i时刻实际侧向加速度，为驾驶员所能承受的最大侧向加速度，为驾驶员所能承受的最小侧向加速度，θ(i)为第i时刻方向盘转角，Δθmax为前后两个时刻方向盘转角的最大变化量，α为跟随误差，β为方向盘忙碌程度的加权系数。
优选地，所述所述惯性权重ω公式为：
其中，i为粒子个数，所述i＝1,2,3…m,Pi(k)为粒子i个体在第K次迭代中的个体最优位置，Gi(k)为所有粒子的群体最优位置，γ为(0,1)范围的常数，N为种群中粒子个数。
优选地，所述变异因子λ取值范围为0.01-0.1。
优选地，所述改进PSO优化算法公式为：
Vi(k+1)＝ωVi(k)+c1·r1·(Pi(k)-xi(k))+c2·r2·(Gi(k)-xi(k))；
其中，Vi(k)为粒子i个体在第K次迭代中的速度，xi(k)为粒子i个体在第K次迭代中的位置，c1与c2为加速因子，r1和r2为介于0-1的随机数。
本发明具有以下有益效果：在本发明的技术方案中，本发明遵循驾驶操纵行为误差最小和驾驶员体力负担最小原则，利用改进PSO优化算法得到模糊PID控制器最优参数，进而决策出驾驶员方向盘最优转角增量，使得驾驶员在进行方向控制时具有更精确、更省力的优点。
同时，针对PSO算法容易陷入局部最优、出现早熟现象等缺陷，引入变异因子λ和惯性权重ω，使改进PSO优化算法在早期具有更强的全局搜索能力，可以快速探知整个解的区域发现更好的最优解，在后期具有更好的局部搜索能力去发现局部区域的最优解，以达到驾驶员自适应方向控制。
附图说明
图1为本发明总体框图；
图2为PSO算法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
结合图1所示，一种基于改进PSO的驾驶员自适应方向控制方法具体步骤为：
(1)基于单点预瞄理论决策出最优侧向加速度；
(2)根据整车动力学模型得到实际侧向加速度；
(3)将步骤1得到的最优侧向加速度与步骤2得到的实际侧向加速度的差值，以及两者差值的变化率作为模糊PID控制器的输入量；
(4)模糊PID控制器根据改进PSO优化算法得到最优参数，所述改进PSO优化算法引入变异因子λ和惯性权重ω；
(5)模糊PID控制器决策输出驾驶员方向盘转角增量；
(6)通过时间滞后环节后将驾驶员方向盘转角输入给整车动力学模型。
其中，所述单点预瞄理论为，驾驶员根据未来输入信息进行跟随控制的系统的特性，一般来说驾驶员在驾驶汽车时总是表现出使汽车跟随运动能够基本复现出预期行驶轨迹主要趋势这一特性。故基于单点预瞄理论驾驶员根据道路信息、预瞄时间以及车辆反馈运行状态能够决策出最优侧向加速度。所述最优侧向加速度与实际侧向加速度差值进行求导得到其变化率du/dt。
所述模糊PID控制器和延时模型Z-1的输出端与时间滞后环节输入端连接，所述时间滞后环节输出端分别与整车动力学模型输入端、评价指标函数、延时模型Z-1输入端连接。
所述模糊PID控制器以最优侧向加速度与实际侧向加速度的差值，以及两者差值的变化率作为输入量。再利用改进PSO优化算法得到模糊PID控制器最优参数Kp、Ki、Kd。模糊PID控制器将输入量转换为模糊量，根据最优参数确定输出驾驶员方向盘转角增量。所述模糊PID控制器输出量与Simulink控制模块的延迟模型Z-1延迟一秒输出的方向盘转角值进行相加运算，即得到下一时刻驾驶员方向盘转角。然后将下一时刻驾驶员方向盘转角输入给时间滞后环节进行时间滞后处理，最终将进行时间滞后处理的驾驶员方向盘转角输入给整车动力学模型、评价指标函数、延时模型Z-1，以此保证车辆稳定地行驶在道路上。所述下一时刻的具体时间根据驾驶员的反应和处理时间进行标定，本发明延时模型Z-1延迟的时间设置为一秒，即下一时刻具体时间为一秒。所述时间滞后环节的作用是模拟驾驶员反应动作状态，让输入到整车动力学模型的方向盘转角符合真实情况，所述时间滞后环节处理公式为：
e-τs/(1+Ts)；
上式中，τ与T为时间常数，e-τs为驾驶员的反应和处理时间滞后，1/(1+Ts)为车辆的惯性时间滞后，在控制系统中是一个惯性环节。
如图2所示，所述改进PSO优化算法具体步骤为：
第一步，初始化粒子群；
第二步，调用Simulink控制模块运行整车动力学模型，计算PSO优化算法评价指标函数J；
第三步，返回改进PSO优化算法中，确定个体的最优值Pi(k)和群体的最优值Gi(k)；
第四步，判断第k次迭代与k+1次迭代粒子群体最优位置差值的绝对值是否小于0.001；粒子群体最优位置差值的绝对值大于等于0.001，则基本粒子群算法引入惯性权重更新粒子的位置和速度；粒子群体最优位置差值的绝对值小于0.001，则基本粒子群算法引入变异因子和惯性权重对粒子的位置和速度进行更新；
第五步，进行迭代终止条件判断；满足迭代终止条件则终止寻优，输出最优模糊PID参数；不满足迭代终止条件，则返回第一步。
其中，第一步中所述初始化粒子群，即在给定的一个速度范围和位置范围内，随机产生粒子的位置和速度。同时在模糊PID控制器中对PID参数Kp、Ki、Kd进行初始化。
第二步中所述Simulink控制模块由MATLAB中的一种可视化仿真工具制作而成。Simulink控制模块包括整车动力学模型，运行整车动力学模型得到i时刻方向盘转角θ(i)、前后两个时刻方向盘转角的最大变化量Δθmax、i时刻实际侧向加速度所述方向盘转角θ(i)为时间滞后环节输出的方向盘转角值。根据运行整车动力学模型所得参数计算出PSO优化算法评价指标函数值，所述评价指标函数为：
上式中，为第i时刻最优侧向加速度，为第i时刻实际侧向加速度，为驾驶员所能承受的最大侧向加速度，为驾驶员所能承受的最小侧向加速度，θ(i)为第i时刻方向盘转角，Δθmax为前后两个时刻方向盘转角的最大变化量，α为跟随误差，β为方向盘忙碌程度的加权系数。
第三步中所述个体最优值Pi(k)是单个粒子i在给定的位置范围中搜寻的最优位置，所述群体最优值Gi(k)是群体中所有粒子经历过的最好位置，即为全局最优值，则找到全局最优的那个单个粒子位置作为整个粒子群的当前范围内的最优位置。
其中，第四步中所述惯性权重为ω，
上式中，i为粒子个数，所述i＝1,2,3…m,Pi(k)为粒子i个体在第K次迭代中的个体最优位置，Gi(k)为所有粒子的群体最优位置，γ为(0,1)范围的常数，N为种群中粒子个数。
所述变异因子λ的取值范围为0.01-0.1，引入惯性权重和变异因子的改进PSO优化算法为：
Vi(k+1)＝ωVi(k)+c1·r1·(Pi(k)-xi(k))+c2·r2·(Gi(k)-xi(k))；
上式中，Vi(k)为粒子i个体在第K次迭代中的速度，xi(k)为粒子i个体在第K次迭代中的位置，c1与c2为加速因子，r1和r2为介于0-1的随机数。
所述改进粒子群算法通过引入变异因子λ和惯性权重ω，能够克服传统的粒子群算法容易陷入局部最优、出现早熟现象等缺陷。在粒子群算法迭代过程中，随着迭代次数增加，粒子的更新状态变慢，求解容易陷入局部最优，为了提高粒子群中粒子的认知能力，引入变异因子λ。当粒子的最优位置变化很小时，即前后两次的最优位置差值的绝对值小于0.001，则判断粒子群陷入局部最优。同时，记录当前最优位置，并将所述最优位置按照变异因子λ的倍数进行位置更新，防止下次计算再次陷入局部最优。而引入惯性权重ω，在粒子群算法迭代早期具有更强的全局搜索能力去发现更好的最优解，在后期具有更好的局部搜索能力去发现局部区域的最优解。
其中，因为PSO算法具有高速收敛性，可以快速寻找出熟练驾驶员的操纵行为，并遵循操纵行为与驾驶员体力负担最小原则，以目标侧向加速度与实际侧向加速度的误差最小和方向盘转角变化增量最小作为PSO的评价指标函数。第五步中所述迭代终止条件即指目标侧向加速度与实际侧向加速度的误差最小和方向盘转角变化增量最小。
本发明遵循驾驶操纵行为误差最小和驾驶员体力负担最小原则，利用改进PSO优化算法得到模糊PID控制器最优参数，进而决策出驾驶员方向盘最优转角增量。并针对PSO算法容易陷入局部最优、出现早熟现象等缺陷，引入变异因子和惯性权重，使改进PSO优化算法在早期具有更强的全局搜索能力，可以快速探知整个解的区域发现更好的最优解，在后期具有更好的局部搜索能力去发现局部区域的最优解，以达到驾驶员自适应方向控制。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：包括以下步骤：
(1)基于单点预瞄理论决策出最优侧向加速度；
(2)根据整车动力学模型得到实际侧向加速度；
(3)将步骤1得到的最优侧向加速度与步骤2得到的实际侧向加速度的差值，以及两者差值的变化率作为模糊PID控制器的输入量；
(4)模糊PID控制器根据改进PSO优化算法得到最优参数，所述改进PSO优化算法引入变异因子λ和惯性权重ω；
(5)模糊PID控制器决策输出驾驶员方向盘转角增量；
(6)通过时间滞后环节后将驾驶员方向盘转角输入给整车动力学模型。
2.根据权利要求1所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述模糊PID控制器和延时模型Z-1的输出端与时间滞后环节输入端连接，所述时间滞后环节输出端分别与整车动力学模型输入端、评价指标函数、延迟模型Z-1输入端连接。
3.根据权利要求1所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述时间滞后环节处理公式为：
e-τs/(1+Ts)；
其中，τ与T为时间常数，e-τs为驾驶员的反应和处理时间滞后，1/(1+Ts)为车辆的惯性时间滞后。
4.根据权利要求1所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述步骤(4)的具体流程为：
第一步，初始化粒子群；
第二步，调用Simulink控制模块运行整车动力学模型，计算PSO优化算法评价指标函数J；
第三步，返回改进PSO优化算法中，确定个体的最优值Pi(k)和群体的最优值Gi(k)；
第四步，判断第k次迭代与k+1次迭代粒子群体最优位置差值的绝对值是否<0.001；粒子群体最优位置差值的绝对值≥0.001，则基本粒子群算法引入惯性权重ω更新粒子的位置和速度；粒子群体最优位置差值的绝对值<0.001，则基本粒子群算法引入变异因子λ和惯性权重ω对粒子的位置和速度进行更新；
第五步，进行迭代终止条件判断,满足迭代终止条件则终止寻优，输出最优模糊PID参数；不满足迭代终止条件，则返回第一步。
5.根据权利要求4所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述评价指标函数J公式为：
<mrow> <mi>J</mi> <mo>=</mo> <mi>&amp;alpha;</mi> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <msup> <mover> <mi>x</mi> <mo>&amp;CenterDot;&amp;CenterDot;</mo> </mover> <mo>*</mo> </msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mover> <mi>x</mi> <mo>&amp;CenterDot;&amp;CenterDot;</mo> </mover> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mover> <mi>x</mi> <mo>&amp;CenterDot;&amp;CenterDot;</mo> </mover> <mi>max</mi> </msub> <mo>-</mo> <msub> <mover> <mi>x</mi> <mo>&amp;CenterDot;&amp;CenterDot;</mo> </mover> <mi>min</mi> </msub> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;beta;</mi> <msup> <mrow> <mo>&amp;lsqb;</mo> <mfrac> <mrow> <mi>&amp;theta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>&amp;theta;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow> <mrow> <msub> <mi>&amp;Delta;&amp;theta;</mi> <mi>max</mi> </msub> </mrow> </mfrac> <mo>&amp;rsqb;</mo> </mrow> <mn>2</mn> </msup> <mo>;</mo> </mrow>
其中，为第i时刻最优侧向加速度，为第i时刻实际侧向加速度，为驾驶员所能承受的最大侧向加速度，为驾驶员所能承受的最小侧向加速度，θ(i)为第i时刻方向盘转角，Δθmax为前后两个时刻方向盘转角的最大变化量，α为跟随误差，β为方向盘忙碌程度的加权系数。
6.根据权利要求4所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述所述惯性权重ω公式为：
<mrow> <mi>&amp;omega;</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>&amp;gamma;</mi> <mo>&amp;CenterDot;</mo> <mo>&amp;lsqb;</mo> <msub> <mi>P</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>G</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> <mrow> <mfrac> <mn>1</mn> <mi>N</mi> </mfrac> <msubsup> <mo>&amp;Sigma;</mo> <mi>i</mi> <mi>N</mi> </msubsup> <mo>&amp;lsqb;</mo> <msub> <mi>P</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>G</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> </mrow> </mfrac> <mo>;</mo> </mrow>
其中，i为粒子个数，所述i＝1,2,3…m,Pi(k)为粒子i个体在第K次迭代中的个体最优位置，Gi(k)为所有粒子的群体最优位置，γ为(0,1)范围的常数，N为种群中粒子个数。
7.根据权利要求4所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述变异因子λ取值范围为0.01-0.1。
8.根据权利要求4所述的一种基于改进PSO的驾驶员自适应方向控制方法，其特征在于：所述改进PSO优化算法公式为：
Vi(k+1)＝ωVi(k)+c1·r1·(Pi(k)-xi(k))+c2·r2·(Gi(k)-xi(k))；
其中，Vi(k)为粒子i个体在第K次迭代中的速度，xi(k)为粒子i个体在第K次迭代中的位置，c1与c2为加速因子，r1和r2为介于0-1的随机数。
CN201710644951.6A 2017-08-01 2017-08-01 一种基于改进pso的驾驶员自适应方向控制方法 Pending CN107272419A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710644951.6A CN107272419A (zh) 2017-08-01 2017-08-01 一种基于改进pso的驾驶员自适应方向控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710644951.6A CN107272419A (zh) 2017-08-01 2017-08-01 一种基于改进pso的驾驶员自适应方向控制方法

Publications (1)

Publication Number Publication Date
CN107272419A true CN107272419A (zh) 2017-10-20

Family

ID=60075308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710644951.6A Pending CN107272419A (zh) 2017-08-01 2017-08-01 一种基于改进pso的驾驶员自适应方向控制方法

Country Status (1)

Country Link
CN (1) CN107272419A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108791301A (zh) * 2018-05-31 2018-11-13 重庆大学 基于驾驶员特性的智能汽车驾驶过程横向动态控制方法
CN111891111A (zh) * 2020-04-30 2020-11-06 南京航空航天大学 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法
CN112784442A (zh) * 2021-03-01 2021-05-11 南京道发科技有限公司 一种基于大数据的仿真分析方法及系统
CN113031443A (zh) * 2021-03-04 2021-06-25 北京理工大学 一种带有主动安全和自适应预瞄的车辆横向运动控制方法
CN113918556A (zh) * 2021-11-04 2022-01-11 山西省信息产业技术研究院有限公司 一种驾驶技能考试场地复核方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049805A (zh) * 2013-01-18 2013-04-17 中国测绘科学研究院 基于改进粒子群优化的带时间窗约束的车辆路径优化方法
CN103853050A (zh) * 2014-03-19 2014-06-11 湖北蔚蓝国际航空学校有限公司 一种四旋翼飞行器的pid优化控制方法
CN104925054A (zh) * 2015-07-23 2015-09-23 吉林大学 一种基于微分平坦的车辆稳定转向集成控制方法
CN105896565A (zh) * 2016-06-06 2016-08-24 南京工程学院 基于比重变异粒子群算法的配电网无功优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103049805A (zh) * 2013-01-18 2013-04-17 中国测绘科学研究院 基于改进粒子群优化的带时间窗约束的车辆路径优化方法
CN103853050A (zh) * 2014-03-19 2014-06-11 湖北蔚蓝国际航空学校有限公司 一种四旋翼飞行器的pid优化控制方法
CN104925054A (zh) * 2015-07-23 2015-09-23 吉林大学 一种基于微分平坦的车辆稳定转向集成控制方法
CN105896565A (zh) * 2016-06-06 2016-08-24 南京工程学院 基于比重变异粒子群算法的配电网无功优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯冬青，等: "基于改进PSO算法的多变量PID型神经网络控制", 《系统仿真学报》 *
邓涛，等: "运用改进PSO算法的驾驶员自适应方向与速度综合控制优化研究", 《重庆理工大学学报（自然科学）》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108791301A (zh) * 2018-05-31 2018-11-13 重庆大学 基于驾驶员特性的智能汽车驾驶过程横向动态控制方法
CN111891111A (zh) * 2020-04-30 2020-11-06 南京航空航天大学 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法
CN111891111B (zh) * 2020-04-30 2021-11-23 南京航空航天大学 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法
CN111891111B8 (zh) * 2020-04-30 2021-12-24 南京航空航天大学 基于mcpso的混合动力汽车区间ii型模糊逻辑自适应控制方法
CN112784442A (zh) * 2021-03-01 2021-05-11 南京道发科技有限公司 一种基于大数据的仿真分析方法及系统
CN113031443A (zh) * 2021-03-04 2021-06-25 北京理工大学 一种带有主动安全和自适应预瞄的车辆横向运动控制方法
CN113918556A (zh) * 2021-11-04 2022-01-11 山西省信息产业技术研究院有限公司 一种驾驶技能考试场地复核方法

Similar Documents

Publication Publication Date Title
CN107272419A (zh) 一种基于改进pso的驾驶员自适应方向控制方法
Wang et al. Lateral control of autonomous vehicles based on fuzzy logic
CN105741637B (zh) 四轮轮毂电机电动汽车智能转向控制方法
CN106372758B (zh) 一种辅助泊车系统的路径跟随方法及装置
Zha et al. A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics
Solea et al. Trajectory planning and sliding-mode control based trajectory-tracking for cybercars
Awad et al. Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles
Peng et al. A platoon control strategy for autonomous vehicles based on sliding-mode control theory
CN112389436B (zh) 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
Ge et al. Numerically stable dynamic bicycle model for discrete-time control
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系统及方法
Wang et al. Longitudinal and lateral control of autonomous vehicles in multi‐vehicle driving environments
Kang et al. Observer-based backstepping control method using reduced lateral dynamics for autonomous lane-keeping system
CN112068445A (zh) 自动驾驶车辆路径规划与路径跟踪集成控制方法及系统
CN112578672A (zh) 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法
Guo et al. Attack-resilient lateral stability control for four-wheel-driven EVs considering changed driver behavior under cyber threats
Ye et al. The stability and accuracy analysis of automatic steering system with time delay
Zhang et al. Driving force coordinated control of an 8× 8 in-wheel motor drive vehicle with tire-road friction coefficient identification
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
CN116184835A (zh) 考虑输入时延与速度时变的无人驾驶车辆跟踪控制方法
Sousa et al. Nonlinear tire model approximation using machine learning for efficient model predictive control
Dai et al. A bargaining game-based human–machine shared driving control authority allocation strategy
Chang et al. An adaptive MPC trajectory tracking algorithm for autonomous vehicles
Xia et al. Motion control of autonomous vehicles with guaranteed prescribed performance
Li et al. Path tracking control based on the prediction of tire state stiffness using the optimized steering sequence

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20171020