CN108646756A - 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 - Google Patents
基于分段仿射模糊滑模的智能汽车横向控制方法及系统 Download PDFInfo
- Publication number
- CN108646756A CN108646756A CN201810730035.9A CN201810730035A CN108646756A CN 108646756 A CN108646756 A CN 108646756A CN 201810730035 A CN201810730035 A CN 201810730035A CN 108646756 A CN108646756 A CN 108646756A
- Authority
- CN
- China
- Prior art keywords
- formula
- fuzzy
- angle
- control
- tire
- 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
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000009415 formwork Methods 0.000 claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 230000008447 perception Effects 0.000 claims abstract description 6
- 230000033001 locomotion Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000036961 partial effect Effects 0.000 claims description 11
- 238000009795 derivation Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 5
- 230000000449 premovement Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010189 synthetic method Methods 0.000 claims description 2
- 244000145845 chattering Species 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000005194 fractionation Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000853 adhesive Substances 0.000 description 2
- 230000001070 adhesive effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 235000021170 buffet Nutrition 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供一种基于分段仿射模糊滑模的智能汽车横向控制系统及其方法，系统包括环境感知模块、分段仿射二自由度模型模块、最优驾驶员模型模块、模糊滑模控制算法模块和下位机执行模块，环境感知模块用于获得车辆自身状态参数，拟合出期望路径；分段仿射二自由度模型模块用于将车辆非线性状态线性化并输出车辆横摆角加速度；最优驾驶员模型模块用于计算理想横摆角速度；模糊滑模控制算法模块用于计算最优方向盘转角并提供给下位机执行模块用于执行。本发明既能有效地克服汽车的非线性特性，提高控制地精度、稳定性和有效性，又能通过模糊控制控制滑模切换频率，有效降低滑模控制容易产生地抖振现象。
Description
技术领域
本发明属于智能汽车技术领域，具体涉及一种基于分段仿射模糊滑模的智能汽车横向控制方法及系统。
背景技术
近年来，AI技术的发展为智能汽车的发展提供了动力；雷达、工业相机的发展及性能的提升也推动了智能汽车的进步，使其能够探测到前方路面的信息；而在汽车行驶过程中，横向控制至关重要，横向控制通过控制智能汽车的前轮转角，使其跟踪制定路径行驶，并保证行驶的安全性、舒适性和平稳性。
现有的汽车动力学模型忽略的轮胎侧偏力的非线性特性，当路面附着系数很低时，车辆容易出现失稳现象。因此现有的动力学模型并不能准确反应车辆的状态。
而现有的滑模控制算法，对模型参数不确定性和外界干扰具有完全的鲁棒性且响应耗时短，但在滑动面附近由于高频转换会产生抖振现象。因此会影响行驶过程中的乘坐舒适性和平稳性。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提供一种基于分段仿射模糊滑模的智能汽车横向控制方法及系统。本发明引入基于分段仿射的二自由度汽车模型，提出最优驾驶员模型，并将滑模变结构控制与模糊控制相结合，在保证智能汽车横向控制精度的同时也能满足行车的平稳性、要求。
本发明是通过以下技术方案实现的：
一种基于分段仿射模糊滑模的智能汽车横向控制方法，用于控制目标车辆的方向盘转角，以实现在行驶过程中对所述目标车辆的横向控制；包括以下步骤：
步骤S101，实时采集所述目标车辆的期望路径，横摆角速度ωr，车速vx以及质心侧偏角β。
步骤S102，获取所述目标车辆的轮胎侧偏力F和轮胎侧偏角α，建立二自由度状态空间方程；利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述；将所述轮胎侧偏力F和轮胎侧偏角α的分段仿射描述代入所述二自由度状态空间方程，根据公式(1)计算获得所述目标车辆的实际横摆角加速度
式中ωr为横摆角速度；β为质心侧偏角；a和b分别为质心到前轴、后轴的距离；Iz为绕z轴的转动惯量；vx为车速v沿x轴方向的分量；δ为前轮转角；i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数；Fyf为利用分段仿射描述的轮胎侧偏力；Fyr为利用分段仿射描述的轮胎侧偏角。
步骤S103，基于稳态圆周运动假设，根据预设的预瞄点P确定所述目标车辆从当前位置到所述预瞄点P的运动轨迹对应的圆心角θ和运动时间tp；根据公式(2)计算所述目标车辆的理想横摆角速度ωd。
其中点G是当前车辆质心位置，M为汽车轨迹的圆心，P是目标轨迹上的目标点，β为质心侧偏角，xGP是预瞄距离，Δf为汽车与目标轨迹的横向偏差。
步骤S104，选取控制误差为实际横摆角速度和理想横摆角速度之差：e＝ωr-ωd；选择控制器的切换函数对所述切换函数进行求导，求导结果如公式(3)所示：
根据公式(4)设计滑模控制律。
其中，
将公式(1)带入公式(3)可得由分段仿射二自由度模型的参数组成的表达式，如公式(5)所示：
令由稳态圆周运动假设因此前轮转角可表示为公式(6)所示：
将公式(4)的滑模控制律带入公式(6)得到滑模控制的前轮转角公式(7)：
δh＝δ+K sgn(s) (7)
其中，K表示系统运动点趋近切换面的速率。
建立模糊控制器模型，将跟踪误差s和跟踪误差变化率的乘积作为模糊控制的输入变量，将切换速率K(t)作为模糊控制的输出变量；根据预设的模糊控制规则进行模糊控制，确定输出变量K(t)，如公式(8)所示：
根据所述输出变量K(t)获得模糊增益后的前轮转角，如公式(9)所示：
δh＝δ+K(t)sgn(s) (9)
根据模糊增益后的前轮转角计算方向盘转角，如公式(10)所示：
δsw＝δh*isw (10)
其中isw表示方向盘与前轮之间的传动比。
步骤S105，根据所述方向盘转角控制所述目标车辆行驶。
本发明相对于现有技术的有益效果在于：
(1)本发明提出的基于分段仿射的二自由度汽车模型，用分段仿射思想将轮胎侧偏力与侧偏角关系中非线性化的部分线性化，解决了当路面附着率较低时，智能汽车横向控制偏差较大的问题，使原本模型更加完善，更保证行车安全性。
(2)本发明提出的最优驾驶员模型，真实反应了驾驶员的预测轨迹能力，形成了人-车–路的闭环，具有很强的鲁棒性。
(3)本发明提出的模糊滑模控制方法，将滑模变结构控制与模糊控制相结合，在保留滑模控制本身对模型参数不确定性和外界干扰具有完全的鲁棒性且响应耗时短的特点的同时，利用模糊控制调节滑模切换速率K(t)，使其能随着时间变化。有效的降低了滑模控制的抖振，提高了控制器输出的稳定性。
附图说明
图1是本发明基于分段仿射模糊滑模的智能汽车横向控制系统结构示意图。
图2是汽车二自由度模型示意图。
图3是不同路面附着系数下轮胎侧偏力与侧偏角关系图。
图4是以4段为例的分段放射效果图
图5是最优驾驶员模型示意图。
图6是模糊控制输入隶属度函数示意图。
图7是模糊控制输出隶属度函数示意图。
图8(a)是路面附着系数为0.3，标准双移线工况情况下，普通二自由度模型方向盘转角。
图8(b)是路面附着系数为0.3，标准双移线工况情况下，分段放射二自由度模型方向盘转角。
图9(a)是标准双移线工况，车速为10m/s情况下，无模糊增益侧向偏差图。
图9(b)是标准双移线工况，车速为10m/s情况下，有模糊增益侧向偏差图。
图10(a)是标准双移线工况，车速为20m/s情况下，无模糊增益侧向偏差图。
图10(b)是标准双移线工况，车速为20m/s情况下，有模糊增益侧向偏差图。
在所有附图中，相同的附图标记用来表示相同的元件或结构，包括：
环境感知模块1，分段仿射二自由度模型模块2，最优驾驶员模型模块3，模糊滑模控制模块4，下位机执行模块5。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
实施例1：
一种基于分段仿射模糊滑模的智能汽车横向控制方法，用于控制目标车辆的方向盘转角，以实现在行驶过程中对所述目标车辆的横向控制；包括以下步骤：
步骤S101，实时采集所述目标车辆的期望路径，横摆角速度ωr，车速vx以及质心侧偏角β。
上述数据的采集可通过多种方式实现，本实施例给出一种具体实例作为参考：在所述步骤S101中，实时采集所述期望路径的方法具体为：利用工业相机实时识别所述目标车辆的前方车道线，并拟合出所述期望路径(具体的，可采用大恒图像的MER1920-41GM型号相机，镜头型号VS 0816-5M。通过vistual studio开发平台，利用OpenCV函数库完成车道线的识别，拟合出所述期望路径，通过相机标定的结果，完成从图像坐标系到车辆坐标系的转换，进行得到车道线相对于车辆的位置)。横摆角速度ωr和质心侧偏角β由惯性导航实时采集获得，车速vx由轮速传感器实时采集获得。
本发明提出基于分段仿射的二自由度汽车模型，用分段仿射思想将轮胎侧偏力与侧偏角关系中非线性化的部分线性化，解决了当路面附着率较低时，智能汽车横向控制偏差较大的问题，使原本模型更加完善，更保证行车安全性。具体实现过程如步骤S102所示，汽车二自由度模型示意图参见图2。
步骤S102，获取所述目标车辆的轮胎侧偏力F和轮胎侧偏角α，建立二自由度状态空间方程；利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述；将所述轮胎侧偏力F和轮胎侧偏角α的分段仿射描述代入所述二自由度状态空间方程，根据公式(1)计算获得所述目标车辆的实际横摆角加速度
式中ωr为横摆角速度；β为质心侧偏角；a和b分别为质心到前轴、后轴的距离；M为整车质量(式中没有M)；Iz为绕z轴的转动惯量；vx为车速v沿x轴方向的分量；δ为前轮转角；i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数；Fyf为利用分段仿射描述的轮胎侧偏力；Fyr为利用分段仿射描述的轮胎侧偏角。
进一步的，在所述步骤S102中：建立二自由度状态空间方程的过程具体包括：
针对预设的二自由度汽车模型，假定轮胎侧偏力Fy和轮胎侧偏角α处于线性关系中，则轮胎侧偏力表示为，如公式(11)所示：
目标车辆受到的沿y轴方向合力与绕质心得力矩表示为，如公式(12)所示：
前后轮侧偏角表示为，如公式(13)所示：
联立上述公式(11)、公式(12)和公式(13)，形变后得到二自由度状态空间方程如公式(14)所示：
其中，αf为前轮侧偏角，αr为后轮侧偏角，Kf为前轮侧偏刚度，Kr为后轮侧偏刚度，Fyf为前轮侧偏力，Fyr为后轮侧偏力，ωr为横摆角速度，为横摆角加速度，β为质心侧偏角，为质心侧偏角加速度，a和b分别为质心到前轴、后轴的距离，M为整车质量，Iz为绕z轴的转动惯量，vx为车速v沿x轴方向的分量，δ为前轮转角。
显然，在汽车行驶过程中轮胎侧偏力和侧偏角得关系存在非线性部分。故利用分段仿射的方法将其非线性部分线性化。
进一步的，在所述步骤S102中：利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化的过程具体包括：
步骤S401，输入参数和ε1,ε2,...εn；
步骤S402，根据轮胎侧偏角α的值进行判断：
当α＜α1时，
当αj-1＜α＜αj时，
其他情况，
步骤S403，计算的标准差σ，输出满足
其中为最初分割点；ε1,ε2,...εn是给定的参数；优化后的分割点；j＝1,2,...n-1分割后区间的优化斜率。
利用分段仿射描述轮胎侧偏力和侧偏角，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述，如公式(15)所示；
其中i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数。αf表示前轮侧偏角；αr表示后轮侧偏角。
图3是不同路面附着系数下轮胎侧偏力与侧偏角关系图。我们可以看出，当轮胎侧偏角不断增大时，轮胎侧偏力的增长速率在不断减缓，即两者之间不再呈线性关系，如果此时依然使用原有二自由度模型，其控制精度会大打折扣。
图4是以4段为例的分段放射效果图，四个分段点及其斜率分别为(0.0569，48084)；(0.0893，31588)；(0.1524，11886)；(0.2000，0)。显然，分段放射后，无论轮胎侧偏角落在哪个区间，都与轮胎侧偏力呈对应线性关系。避免了非线性情况的发生，提高了控制精度。
本发明提出的最优驾驶员模型，用于真实反应驾驶员的预测轨迹能力，形成了人-车–路的闭环，具有很强的鲁棒性。由于驾驶员有一定的汽车轨迹预测能力，能够预测汽车一段时间后的大致位置，故选取合适的预瞄点P。基于稳态圆周运动假设，汽车在未来一段时间内将做横摆角速度不变的稳态圆周运动，运动至预瞄点P位置。在此假设的最优驾驶员模型的基础上进行优化，其具体实现过程如步骤S103所示，最优驾驶员模型示意图参见图3。
步骤S103，基于稳态圆周运动假设，根据预设的预瞄点P确定所述目标车辆从当前位置到所述预瞄点P的运动轨迹对应的圆心角θ和运动时间tp；根据公式(2)计算所述目标车辆的理想横摆角速度ωd；
其中点G是当前车辆质心位置，M为汽车轨迹的圆心，P是目标轨迹上的目标点，β为质心侧偏角，xGP是预瞄距离，Δf为汽车与目标轨迹的横向偏差。
步骤S103具体的推算过程和技术原理如下：
由于驾驶员有一定的汽车轨迹预测能力，能够预测汽车一段时间后的大致位置，故选取合适的预瞄点P。基于稳态圆周运动假设，汽车在未来一段时间内将做横摆角速度不变的稳态圆周运动，运动至预瞄点P位置。故该运动轨迹对应的圆心角θ除以预瞄时间tp，即为理想横摆角速度的值。
汽车的速度v可以分解为纵向速度vy和侧偏速度vx，tp为预瞄时间，那么汽车行驶的纵向距离xGP可表示为：xGP＝vxtp；
根据稳态圆周运动假设，汽车的横摆角速度ωd可表示为：
由于汽车行驶时车速v的方向与圆弧GP相切，根据几何关系可以得到∠PGB和∠GMD的值：
直角三角形PGA中∠PGA可表示为：
根据直角三角形性质可得∠PGA与直角边PA以及直角边GA之间的关系式：
联立上述公式，可以求的θ的值为：
带入求得公式(2)的所述目标车辆的理想横摆角速度ωd计算公式。
本发明提出的模糊滑模控制方法，将滑模变结构控制与模糊控制相结合，在保留滑模控制本身对模型参数不确定性和外界干扰具有完全的鲁棒性且响应耗时短的特点的同时，利用模糊控制调节滑模切换速率K(t)，使其能随着时间变化。有效的降低了滑模控制的抖振，提高了控制器输出的稳定性。
步骤S104，选取控制误差为实际横摆角速度和理想横摆角速度之差：e＝ωr-ωd；选择控制器的切换函数对所述切换函数进行求导，求导结果如公式(3)所示：
根据公式(4)设计滑模控制律；
其中，
将公式(1)带入公式(3)可得由分段仿射二自由度模型的参数组成的表达式，如公式(5)所示：
令由稳态圆周运动假设因此前轮转角可表示为公式(6)所示：
将公式(4)的滑模控制律带入公式(6)得到滑模控制的前轮转角公式(7)：
δh＝δ+K sgn(s) (7)
其中，K表示系统运动点趋近切换面的速率；K越大，运动点趋近的速度就会越快，同时控制的响应速度也会越快，但也会引起更大的抖振。为了降低滑模控制得抖振，提高控制器输出得稳定性，切换速率K应该是随时间变化的参数。因此本发明引入模糊控制与滑模控制相结合，通过模糊控制来改变切换速率K值得大小，从而达到削弱滑模控制抖振得效果。
建立模糊控制器模型，将跟踪误差s和跟踪误差变化率的乘积作为模糊控制的输入变量，将切换速率K(t)作为模糊控制的输出变量；根据预设的模糊控制规则进行模糊控制，确定输出变量K(t)，如公式(8)所示：
根据所述输出变量K(t)获得模糊增益后的前轮转角，如公式(9)所示：
δh＝δ+K(t)sgn(s) (9)
其中，
根据模糊增益后的前轮转角计算方向盘转角，如公式(10)所示：
δsw＝δh*isw (10)
其中isw表示方向盘与前轮之间的传动比。
模糊控制规则采取专家经验法确定，本实施例给出一种具体的模糊控制规则实例，具体包括：
设置输入变量和输出变量对应的模糊子集语言变量为{NB、NM、ZO、PM、PB}；其中NB为负大，NM为负中，ZO为0，PM为正中，PB为正大。
设置模糊规则为：
1)当时系统状态点正在趋近滑模面，此时K(t)的值应当增大。
2)当时系统状态点正在远离滑模面，此时K(t)的值应当减小。
设置模糊控制的控制规则具体为：
每一条模糊控制规则由IF-THEN模糊语句构成，如公式(16)所示：
其中，Ai为输入变量模糊子集的语言变量，Bi为输出变量模糊子集的语言变量；i＝1，2，3，4，5代表模糊控制规则的数目。
模糊推理采用曼达尼的max-min合成法，采用中心法进行解模糊运算，确定出输出变量。输入输出隶属度函数如图5、6所示。
步骤S105，根据所述方向盘转角控制所述目标车辆行驶。
实施例2：
一种基于分段仿射模糊滑模的智能汽车横向控制系统，与实施例1的控制方法相对应，用于控制目标车辆的方向盘转角，以实现在行驶过程中对所述目标车辆的横向控制；该系统包括：
环境感知模块1，用于：
实时采集所述目标车辆的期望路径，横摆角速度ωr，车速vx以及质心侧偏角β。
环境感知模块1具体可包括工业相机、惯性导航和轮速传感器等部件。其中，利用工业相机实时识别所述目标车辆的前方车道线，并拟合出所述期望路径(具体的，可采用大恒图像的MER1920-41GM型号相机，镜头型号VS 0816-5M。通过vistual studio开发平台，利用OpenCV函数库完成车道线的识别，拟合出所述期望路径，通过相机标定的结果，完成从图像坐标系到车辆坐标系的转换，进行得到车道线相对于车辆的位置)。横摆角速度ωr和质心侧偏角β由惯性导航实时采集获得，车速vx由轮速传感器实时采集获得。
分段仿射二自由度模型模块2，用于：
获取所述目标车辆的轮胎侧偏力F和轮胎侧偏角α，建立二自由度状态空间方程；利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述；将所述轮胎侧偏力F和轮胎侧偏角α的分段仿射描述代入所述二自由度状态空间方程，根据公式(1)计算获得所述目标车辆的实际横摆角加速度
式中ωr为横摆角速度；β为质心侧偏角；a和b分别为质心到前轴、后轴的距离；M为整车质量(式中没有M)；Iz为绕z轴的转动惯量；vx为车速v沿x轴方向的分量；δ为前轮转角；i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数；Fyf为利用分段仿射描述的轮胎侧偏力；Fyr为利用分段仿射描述的轮胎侧偏角。
最优驾驶员模型模块3，用于：
基于稳态圆周运动假设，根据预设的预瞄点P确定所述目标车辆从当前位置到所述预瞄点P的运动轨迹对应的圆心角θ和运动时间tp；根据公式(2)计算所述目标车辆的理想横摆角速度ωd。
其中点G是当前车辆质心位置，M为汽车轨迹的圆心，P是目标轨迹上的目标点，β为质心侧偏角，xGP是预瞄距离，Δf为汽车与目标轨迹的横向偏差。
模糊滑模控制模块4，用于：
选取控制误差为实际横摆角速度和理想横摆角速度之差：e＝ωr-ωd；选择控制器的切换函数对所述切换函数进行求导，求导结果如公式(3)所示：
根据公式(4)设计滑模控制律；
其中，
将公式(1)带入公式(3)可得由分段仿射二自由度模型的参数组成的表达式，如公式(5)所示：
令由稳态圆周运动假设因此前轮转角可表示为公式(6)所示：
将公式(4)的滑模控制律带入公式(6)得到滑模控制的前轮转角公式(7)：
δh＝δ+K sgn(s) (7)
其中，K表示系统运动点趋近切换面的速率；
建立模糊控制器模型，将跟踪误差s和跟踪误差变化率的乘积作为模糊控制的输入变量，将切换速率K(t)作为模糊控制的输出变量；根据预设的模糊控制规则进行模糊控制，确定输出变量K(t)，如公式(8)所示：
根据所述输出变量K(t)获得模糊增益后的前轮转角，如公式(9)所示：
δh＝δ+K(t)sgn(s) (9)
根据模糊增益后的前轮转角计算方向盘转角，如公式(10)所示：
δsw＝δh*isw (10)
其中isw表示方向盘与前轮之间的传动比。
下位机执行模块5，用于：根据所述方向盘转角控制所述目标车辆行驶。
下位机执行模块5具体是电动助力转向系统(ElectricPower Steering，缩写EPS)，利用EPS进行主动转向控制。电子控制单元计算车辆当前状态转向时所需的EPS助力电机的目标电流，再对电机目标电流与实际电流的差值进行闭环控制得到电机目标电压并转换成PWM信号控制电机输出力矩，完成转向操作。
本实施例是与实施例1的横向控制方法相对应的横向控制系统，其他技术特征与实施例1基本相同，在此不再赘述。
由图8(a)、(b)可知，分段放射使得当汽车动力学模型进入非线性状态时(即路面附着系数较低时)，控制系统任然有较好的控制效果。
由图9(a)、(b)，图10(a)、(b)可知，使用模糊控制来改变切换速率K值得大小，可以减小滑模的抖振，提高控制精度。验证了本发明理论的有效性。
本领域的技术人员容易理解，以上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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于分段仿射模糊滑模的智能汽车横向控制方法，用于控制目标车辆的方向盘转角，以实现在行驶过程中对所述目标车辆的横向控制；其特征在于，包括以下步骤：步骤S101，实时采集所述目标车辆的期望路径，横摆角速度ωr，车速vx以及质心侧偏角β；
步骤S102，获取所述目标车辆的轮胎侧偏力F和轮胎侧偏角α，建立二自由度状态空间方程；利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述；将所述轮胎侧偏力F和轮胎侧偏角α的分段仿射描述代入所述二自由度状态空间方程，根据公式(1)计算获得所述目标车辆的实际横摆角加速度
式中ωr为横摆角速度；β为质心侧偏角；a和b分别为质心到前轴、后轴的距离；Iz为绕z轴的转动惯量；vx为车速v沿x轴方向的分量；δ为前轮转角；i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数；Fyf为利用分段仿射描述的轮胎侧偏力；Fyr为利用分段仿射描述的轮胎侧偏角；
步骤S103，基于稳态圆周运动假设，根据预设的预瞄点P确定所述目标车辆从当前位置到所述预瞄点P的运动轨迹对应的圆心角θ和运动时间tp；根据公式(2)计算所述目标车辆的理想横摆角速度ωd；
其中点G是当前车辆质心位置，M为汽车轨迹的圆心，P是目标轨迹上的目标点，β为质心侧偏角，xGP是预瞄距离，Δf为汽车与目标轨迹的横向偏差；
步骤S104，选取控制误差为实际横摆角速度和理想横摆角速度之差：e＝ωr-ωd；选择控制器的切换函数对所述切换函数进行求导，求导结果如公式(3)所示：
根据公式(4)设计滑模控制律；
其中，
将公式(1)带入公式(3)可得由分段仿射二自由度模型的参数组成的表达式，如公式(5)所示：
令由稳态圆周运动假设因此前轮转角可表示为公式(6)所示：
将公式(4)的滑模控制律带入公式(6)得到滑模控制的前轮转角公式(7)：
δh＝δ+K sgn(s) (7)
其中，K表示系统运动点趋近切换面的速率；
建立模糊控制器模型，将跟踪误差s和跟踪误差变化率的乘积作为模糊控制的输入变量，将切换速率K(t)作为模糊控制的输出变量；根据预设的模糊控制规则进行模糊控制，确定输出变量K(t)，如公式(8)所示：
根据所述输出变量K(t)获得模糊增益后的前轮转角，如公式(9)所示：
δh＝δ+K(t)sgn(s) (9)
根据模糊增益后的前轮转角计算方向盘转角，如公式(10)所示：
δsw＝δh*isw (10)
其中isw表示方向盘与前轮之间的传动比；
步骤S105，根据所述方向盘转角控制所述目标车辆行驶。
2.根据权利要求1所述的控制方法，其特征在于，在所述步骤S101中：
实时采集所述期望路径的方法具体为：利用工业相机实时识别所述目标车辆的前方车道线，并拟合出所述期望路径；横摆角速度ωr和质心侧偏角β由惯性导航实时采集获得，车速vx由轮速传感器实时采集获得。
3.根据权利要求1所述的控制方法，其特征在于，在所述步骤S102中：建立二自由度状态空间方程的过程具体包括：
针对预设的二自由度汽车模型，假定轮胎侧偏力Fy和轮胎侧偏角α处于线性关系中，则轮胎侧偏力表示为，如公式(11)所示：
目标车辆受到的沿y轴方向合力与绕质心得力矩表示为，如公式(12)所示：
前后轮侧偏角表示为，如公式(13)所示：
联立上述公式(11)、公式(12)和公式(13)，形变后得到二自由度状态空间方程如公式(14)所示：
其中，αf为前轮侧偏角，αr为后轮侧偏角，Kf为前轮侧偏刚度，Kr为后轮侧偏刚度，Fyf为前轮侧偏力，Fyr为后轮侧偏力，ωr为横摆角速度，为横摆角加速度，β为质心侧偏角，为质心侧偏角加速度，a和b分别为质心到前轴、后轴的距离，M为整车质量，Iz为绕z轴的转动惯量，vx为车速v沿x轴方向的分量，δ为前轮转角。
4.根据权利要求3所述的控制方法，其特征在于，在所述步骤S102中：利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化的过程具体包括：步骤S401，输入参数和ε1,ε2,...εn；
步骤S402，根据轮胎侧偏角α的值进行判断：
当α＜α1时，
当αj-1＜α＜αj时，
其他情况，
步骤S403，计算的标准差σ，输出满足
其中为最初分割点；ε1,ε2,...εn是给定的参数；优化后的分割点；分割后区间的优化斜率；
利用分段仿射描述轮胎侧偏力和侧偏角，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述，如公式(15)所示；
其中i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数。αf表示前轮侧偏角；αr表示后轮侧偏角。
5.根据权利要求1所述的控制方法，其特征在于，在所述步骤S104中，模糊控制规则具体包括：
设置输入变量和输出变量对应的模糊子集语言变量为{NB、NM、ZO、PM、PB}；其中NB为负大，NM为负中，ZO为0，PM为正中，PB为正大；
设置模糊规则为：
1)当时系统状态点正在趋近滑模面，此时K(t)的值应当增大；
2)当时系统状态点正在远离滑模面，此时K(t)的值应当减小；
设置模糊控制的控制规则具体为：
每一条模糊控制规则由IF-THEN模糊语句构成，如公式(16)所示：
其中，Ai为输入变量模糊子集的语言变量，Bi为输出变量模糊子集的语言变量；i＝1，2，3，4，5代表模糊控制规则的数目；
模糊推理采用曼达尼的max-min合成法，采用中心法进行解模糊运算，确定出输出变量。
6.一种基于分段仿射模糊滑模的智能汽车横向控制系统，用于控制目标车辆的方向盘转角，以实现在行驶过程中对所述目标车辆的横向控制；其特征在于，该系统包括：
环境感知模块，用于：
实时采集所述目标车辆的期望路径，横摆角速度ωr，车速vx以及质心侧偏角β；
分段仿射二自由度模型模块，用于：
获取所述目标车辆的轮胎侧偏力F和轮胎侧偏角α，建立二自由度状态空间方程；利用分段仿射的方法将轮胎侧偏力F和轮胎侧偏角α关系中非线性的部分线性化，得到轮胎侧偏力F和轮胎侧偏角α的分段仿射描述；将所述轮胎侧偏力F和轮胎侧偏角α的分段仿射描述代入所述二自由度状态空间方程，根据公式(1)计算获得所述目标车辆的实际横摆角加速度
式中ωr为横摆角速度；β为质心侧偏角；a和b分别为质心到前轴、后轴的距离；Iz为绕z轴的转动惯量；vx为车速v沿x轴方向的分量；δ为前轮转角；i表示分割段的数量；Kfi和λfi表示Fyf第i个被仿射线段的参数；Kri和λri表示Fyr第i个被仿射线段的参数；Fyf为利用分段仿射描述的轮胎侧偏力；Fyr为利用分段仿射描述的轮胎侧偏角；
最优驾驶员模型模块，用于：
基于稳态圆周运动假设，根据预设的预瞄点P确定所述目标车辆从当前位置到所述预瞄点P的运动轨迹对应的圆心角θ和运动时间tp；根据公式(2)计算所述目标车辆的理想横摆角速度ωd；
其中点G是当前车辆质心位置，M为汽车轨迹的圆心，P是目标轨迹上的目标点，β为质心侧偏角，xGP是预瞄距离，Δf为汽车与目标轨迹的横向偏差；
模糊滑模控制模块，用于：
选取控制误差为实际横摆角速度和理想横摆角速度之差：e＝ωr-ωd；选择控制器的切换函数对所述切换函数进行求导，求导结果如公式(3)所示：
根据公式(4)设计滑模控制律；
其中，
将公式(1)带入公式(3)可得由分段仿射二自由度模型的参数组成的表达式，如公式(5)所示：
令由稳态圆周运动假设因此前轮转角可表示为公式(6)所示：
将公式(4)的滑模控制律带入公式(6)得到滑模控制的前轮转角公式(7)：
δh＝δ+K sgn(s) (7)
其中，K表示系统运动点趋近切换面的速率；
建立模糊控制器模型，将跟踪误差s和跟踪误差变化率的乘积作为模糊控制的输入变量，将切换速率K(t)作为模糊控制的输出变量；根据预设的模糊控制规则进行模糊控制，确定输出变量K(t)，如公式(8)所示：
根据所述输出变量K(t)获得模糊增益后的前轮转角，如公式(9)所示：
δh＝δ+K(t)sgn(s) (9)
根据模糊增益后的前轮转角计算方向盘转角，如公式(10)所示：
δsw＝δh*isw (10)
其中isw表示方向盘与前轮之间的传动比；
下位机执行模块，用于：
根据所述方向盘转角控制所述目标车辆行驶。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810730035.9A CN108646756B (zh) | 2018-07-05 | 2018-07-05 | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810730035.9A CN108646756B (zh) | 2018-07-05 | 2018-07-05 | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108646756A true CN108646756A (zh) | 2018-10-12 |
| CN108646756B CN108646756B (zh) | 2021-01-19 |
Family
ID=63751061
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810730035.9A Active CN108646756B (zh) | 2018-07-05 | 2018-07-05 | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108646756B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885883A (zh) * | 2019-01-21 | 2019-06-14 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
| 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 |
| CN110825095A (zh) * | 2019-12-06 | 2020-02-21 | 苏州智加科技有限公司 | 一种自动驾驶车辆横向控制方法 |
| CN111703417A (zh) * | 2020-06-24 | 2020-09-25 | 湖北汽车工业学院 | 一种高低速统一预瞄滑膜驾驶控制方法及控制系统 |
| CN111796568A (zh) * | 2020-07-02 | 2020-10-20 | 北京航空航天大学 | 面向控制系统的积分滑模控制方法、装置及设备 |
| CN112373459A (zh) * | 2020-10-21 | 2021-02-19 | 北京理工大学 | 一种四轮毂电机驱动车辆上层运动状态控制方法 |
| CN112506047A (zh) * | 2020-10-27 | 2021-03-16 | 湖南大学 | 融合后轮反馈与滑模控制的智能汽车横向控制方法 |
| CN112668095A (zh) * | 2020-12-22 | 2021-04-16 | 安徽卡思普智能科技有限公司 | 一种主动前轮转向控制器的设计方法 |
| CN113341994A (zh) * | 2021-06-23 | 2021-09-03 | 江苏大学 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
| CN114312749A (zh) * | 2021-11-24 | 2022-04-12 | 中国煤炭科工集团太原研究院有限公司 | 多点独立轮边驱动矿用车辆防滑横摆转矩控制方法及设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439884A (zh) * | 2013-07-19 | 2013-12-11 | 大连理工大学 | 一种基于模糊滑模的智能汽车横向控制方法 |
| CN103970138A (zh) * | 2014-05-08 | 2014-08-06 | 北京理工大学 | 基于自抗扰与微分平滑的alv横向控制方法 |
| CN105467996A (zh) * | 2015-12-21 | 2016-04-06 | 北京理工大学 | 基于微分平坦和自抗扰的四轮转向汽车轨迹跟踪控制方法 |
| CN105676643A (zh) * | 2016-03-02 | 2016-06-15 | 厦门大学 | 一种智能汽车转向和制动自适应协调控制方法 |
| CN106527139A (zh) * | 2016-11-29 | 2017-03-22 | 桂林航天工业学院 | 通信受限情况下的车辆横摆运动鲁棒控制器设计方法 |
| CN106828464A (zh) * | 2017-01-06 | 2017-06-13 | 合肥工业大学 | 一种基于路面附着系数估算的车身稳定控制方法及系统 |
| CN107024866A (zh) * | 2017-05-26 | 2017-08-08 | 江苏大学 | 一种基于车速分区的多模型横向模糊控制方法 |
| CN107097785A (zh) * | 2017-05-25 | 2017-08-29 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
| CN107253453A (zh) * | 2017-07-05 | 2017-10-17 | 厦门大学 | 一种分布式电动汽车横向稳定性自适应控制系统及方法 |
| CN108227491A (zh) * | 2017-12-28 | 2018-06-29 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
-
2018
- 2018-07-05 CN CN201810730035.9A patent/CN108646756B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103439884A (zh) * | 2013-07-19 | 2013-12-11 | 大连理工大学 | 一种基于模糊滑模的智能汽车横向控制方法 |
| CN103970138A (zh) * | 2014-05-08 | 2014-08-06 | 北京理工大学 | 基于自抗扰与微分平滑的alv横向控制方法 |
| CN105467996A (zh) * | 2015-12-21 | 2016-04-06 | 北京理工大学 | 基于微分平坦和自抗扰的四轮转向汽车轨迹跟踪控制方法 |
| CN105676643A (zh) * | 2016-03-02 | 2016-06-15 | 厦门大学 | 一种智能汽车转向和制动自适应协调控制方法 |
| CN106527139A (zh) * | 2016-11-29 | 2017-03-22 | 桂林航天工业学院 | 通信受限情况下的车辆横摆运动鲁棒控制器设计方法 |
| CN106828464A (zh) * | 2017-01-06 | 2017-06-13 | 合肥工业大学 | 一种基于路面附着系数估算的车身稳定控制方法及系统 |
| CN107097785A (zh) * | 2017-05-25 | 2017-08-29 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
| CN107024866A (zh) * | 2017-05-26 | 2017-08-08 | 江苏大学 | 一种基于车速分区的多模型横向模糊控制方法 |
| CN107253453A (zh) * | 2017-07-05 | 2017-10-17 | 厦门大学 | 一种分布式电动汽车横向稳定性自适应控制系统及方法 |
| CN108227491A (zh) * | 2017-12-28 | 2018-06-29 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| ZHANG,N等: "Direct yaw-moment control of vehicle stability based on robust sliding mode observer", 《PROCEEDINGS OF THE 28TH CHINESE CONTROL AND DECISION CONFERENCE》 * |
| 李琳辉等: "基于视觉的智能车辆模糊滑模横向控制", 《大连理工大学学报》 * |
| 赵熙俊等: "智能车辆路径跟踪横向控制方法的研究", 《汽车工程》 * |
| 陈无畏: "视觉导航智能车辆横向运动的自适应预瞄控制", 《中国机械工程》 * |
| 陈无畏等: "一类基于轨迹预测的驾驶员方向控制模型", 《机械工程学报》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109885883B (zh) * | 2019-01-21 | 2023-04-18 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
| CN109885883A (zh) * | 2019-01-21 | 2019-06-14 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
| 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 |
| CN110825095A (zh) * | 2019-12-06 | 2020-02-21 | 苏州智加科技有限公司 | 一种自动驾驶车辆横向控制方法 |
| CN111703417A (zh) * | 2020-06-24 | 2020-09-25 | 湖北汽车工业学院 | 一种高低速统一预瞄滑膜驾驶控制方法及控制系统 |
| CN111703417B (zh) * | 2020-06-24 | 2023-09-05 | 湖北汽车工业学院 | 一种高低速统一预瞄滑膜驾驶控制方法及控制系统 |
| CN111796568A (zh) * | 2020-07-02 | 2020-10-20 | 北京航空航天大学 | 面向控制系统的积分滑模控制方法、装置及设备 |
| CN112373459B (zh) * | 2020-10-21 | 2021-12-28 | 北京理工大学 | 一种四轮毂电机驱动车辆上层运动状态控制方法 |
| CN112373459A (zh) * | 2020-10-21 | 2021-02-19 | 北京理工大学 | 一种四轮毂电机驱动车辆上层运动状态控制方法 |
| CN112506047B (zh) * | 2020-10-27 | 2022-03-29 | 湖南大学 | 融合后轮反馈与滑模控制的智能汽车横向控制方法 |
| CN112506047A (zh) * | 2020-10-27 | 2021-03-16 | 湖南大学 | 融合后轮反馈与滑模控制的智能汽车横向控制方法 |
| CN112668095A (zh) * | 2020-12-22 | 2021-04-16 | 安徽卡思普智能科技有限公司 | 一种主动前轮转向控制器的设计方法 |
| CN112668095B (zh) * | 2020-12-22 | 2023-10-27 | 安徽卡思普智能科技有限公司 | 一种主动前轮转向控制器的设计方法 |
| CN113341994A (zh) * | 2021-06-23 | 2021-09-03 | 江苏大学 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
| CN114312749A (zh) * | 2021-11-24 | 2022-04-12 | 中国煤炭科工集团太原研究院有限公司 | 多点独立轮边驱动矿用车辆防滑横摆转矩控制方法及设备 |
| CN114312749B (zh) * | 2021-11-24 | 2024-05-07 | 中国煤炭科工集团太原研究院有限公司 | 多点独立轮边驱动矿用车辆防滑横摆转矩控制方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108646756B (zh) | 2021-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108646756A (zh) | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 | |
| Pérez et al. | Cascade architecture for lateral control in autonomous vehicles | |
| CN111717204B (zh) | 自动驾驶车辆的横向控制方法及系统 | |
| Li et al. | Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles | |
| Hu et al. | Robust H∞ output-feedback control for path following of autonomous ground vehicles | |
| Guo et al. | Design of automatic steering controller for trajectory tracking of unmanned vehicles using genetic algorithms | |
| CN110361013B (zh) | 一种用于车辆模型的路径规划系统及方法 | |
| CN108646763A (zh) | 一种自主行驶轨迹跟踪控制方法 | |
| Hima et al. | Trajectory tracking for highly automated passenger vehicles | |
| Cai et al. | Implementation and development of a trajectory tracking control system for intelligent vehicle | |
| CN104977933A (zh) | 一种自主驾驶车辆的区域型路径跟踪控制方法 | |
| Schmeitz et al. | Towards a generic lateral control concept for cooperative automated driving theoretical and experimental evaluation | |
| Li et al. | State-of-the-art trajectory tracking of autonomous vehicles | |
| Hima et al. | Controller design for trajectory tracking of autonomous passenger vehicles | |
| Kang et al. | Cascade backstepping control with augmented observer for lateral control of vehicle | |
| Bonci et al. | Yaw rate-based PID control for lateral dynamics of autonomous vehicles, design and implementation | |
| Brandt et al. | On automatic collision avoidance systems | |
| Kone | Lateral and longitudinal control of an autonomous racing vehicle. | |
| Yin et al. | Framework of integrating trajectory replanning with tracking for self-driving cars | |
| CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
| Osman et al. | Combined road following control and automatic lane keeping for automated guided vehicles | |
| CN104843060A (zh) | 基于直角坐标和极坐标的后轮循迹转向控制方法和汽车 | |
| Zheng et al. | Model predictive control for intelligent vehicle lane change | |
| Iyer et al. | Sliding mode control using power rate exponential reaching law for urban platooning | |
| Abegaz | ASDVC-A self-driving vehicle controller using unsupervised machine learning |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220402 Address after: 230000 5th floor, kedachuang automobile intelligent industrial park, No. 584, Mingzhu Avenue, high tech Zone, Hefei, Anhui Province Patentee after: Kedahuochuang Hefei Intelligent Automobile Technology Co.,Ltd. Address before: Tunxi road in Baohe District of Hefei city of Anhui Province, No. 193 230009 Patentee before: Hefei University of Technology |
|
| TR01 | Transfer of patent right |