CN108733955B - 一种智能电动汽车纵向运动控制系统及方法 - Google Patents

一种智能电动汽车纵向运动控制系统及方法 Download PDF

Info

Publication number
CN108733955B
CN108733955B CN201810542072.7A CN201810542072A CN108733955B CN 108733955 B CN108733955 B CN 108733955B CN 201810542072 A CN201810542072 A CN 201810542072A CN 108733955 B CN108733955 B CN 108733955B
Authority
CN
China
Prior art keywords
intelligent electric
acceleration
electric automobile
expected
longitudinal motion
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
Application number
CN201810542072.7A
Other languages
English (en)
Other versions
CN108733955A (zh
Inventor
郭景华
吴锴
李文昌
王进
朱钊平
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN201810542072.7A priority Critical patent/CN108733955B/zh
Publication of CN108733955A publication Critical patent/CN108733955A/zh
Application granted granted Critical
Publication of CN108733955B publication Critical patent/CN108733955B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • 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
    • B60W40/10—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 vehicle motion
    • 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
    • B60W40/10—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 vehicle motion
    • B60W40/105—Speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Transportation (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Neurology (AREA)
  • Feedback Control In General (AREA)

Abstract

一种智能电动汽车纵向运动控制系统及方法，涉及汽车自动驾驶。控制系统设有速度传感器、第1滤波器、期望加速度规划模块、模糊神经模型参考自适应加速度跟踪控制模块、智能电动汽车、加速度传感器和第2滤波器。控制方法：设计表征智能电动汽车纵向行为特征的参考模型，使参考模型与对象具有相同阶；设计基于粒子群优化的智能电动汽车纵向运动模糊最优反馈控制器，其任务是根据期望加速度按照模糊最优反馈控制策略确定出电机的期望控制转矩；设计智能电动汽车纵向运动的BP神经网络辨识器，从而可以动态输出预测的加速度。充分考虑了智能电动汽车纵向动力学系统的非线性、时变及不确定性等特性，有效增强了纵向运动控制系统的鲁棒性。

Description

一种智能电动汽车纵向运动控制系统及方法
技术领域
本发明涉及汽车自动驾驶，尤其是涉及一种智能电动汽车纵向运动控制系统及方法。
背景技术
智能电动汽车被认为是解决城市交通安全、能源消耗、环境污染等社会问题的有效途径之一。纵向运动控制是智能电动汽车实现自动驾驶的基本保障，其作用是按照一定的控制策略调节汽车的纵向运动状态，实现汽车对期望速度实时跟踪的功能。
智能电动汽车纵向动力学系统具有非线性特性、模型不确定性和时滞等特点，因此如何设计具有自适应能力的纵向运动控制系统是一项挑战性的研究任务。文献[1](管欣，崔文锋，贾鑫，张立增.智能汽车纵向控制校正与切换方法研究[J].汽车工程，2017，39(9):1048-1051)建立了等效一阶惯性纵向模型，提出了一种拟人化分相逻辑控制方法。文献[2](Jullierme etal.Longitudinal model identification and velocity controlof an autonomous car[J].IEEE Trans Intelligent Transportation Systems,2015,16(2):777-786.)针对逆动力学模型可补偿车辆非线性特性，设计了综合PI和逆动力学模型的车辆纵向自动控制系统。但是上述控制方法不能有效克服系统的不确定性和时变特性。
发明内容
本发明的目的是为了解决现有技术存在的上述难点问题，提供不仅具有自学习和自适应能力，而且可克服智能电动汽车纵向动力学系统的模型不确定性和时变等特性，保证智能电动汽车纵向运动控制系统的高精度和鲁棒性的一种智能电动汽车纵向运动控制系统及方法。
所述智能电动汽车纵向运动控制系统设有速度传感器、第1滤波器、期望加速度规划模块、模糊神经模型参考自适应加速度跟踪控制模块、智能电动汽车、加速度传感器和第2滤波器；期望加速度规划模块的输入端外接采集的速度信息和设定的期望速度的期望速度输出端，速度传感器的输入端外接智能电动汽车的速度信号输出端，第1滤波器的输入端接速度传感器的输出端，第1滤波器的实际速度输出端接期望加速度规划模块的输入端，期望加速度规划模块的期望加速度输出端接模糊神经模型参考自适应加速度跟踪控制模块的输入端，模糊神经模型参考自适应加速度跟踪控制模块的输出端接智能电动汽车，加速度传感器的输入端接智能电动汽车，加速度传感器的输出端接第2滤波器的输入端，第2滤波器的实际加速度输出端接模糊神经模型参考自适应加速度跟踪控制模块的输入端。
所述智能电动汽车纵向运动控制方法包括以下步骤：
1)设计表征智能电动汽车纵向行为特征的参考模型，使参考模型与对象具有相同阶；
在步骤1)中，所述设计表征智能电动汽车纵向行为特征的参考模型的具体方法可为：
(1)通过车载传感器采集智能电动汽车纵向运动的加速度、速度等信息，并对采集的信息进行滤波处理；
(2)基于采集的速度信息和设定的期望速度，通过PID控制求出期望的加速度，并对期望加速度进行饱和处理；
(3)以汽车期望加速度为输入、实际加速度为输出，通过离线辨识，得到智能电动汽车纵向运动的参考模型。
2)设计基于粒子群优化的智能电动汽车纵向运动模糊最优反馈控制器，其任务是根据期望加速度按照模糊最优反馈控制策略确定出电机的期望控制转矩；
在步骤2)中，所述设计基于粒子群优化的智能电动汽车纵向运动模糊最优反馈控制器的具体方法可为：
(1)确定智能电动汽车模糊反馈控制器的输入变量和输出变量，并给出模糊反馈控制的输入变量和输出变量的论域；
(2)建立智能电动汽车模糊反馈控制器的隶属度函数和控制规则；
(3)采用群体启发式的粒子群算法动态调节量化因子ka、kb，和比例因子ku，从而获得最优的纵向模糊反馈控制参数；
(4)解模糊化采用加权平均法，确定出智能电动汽车纵向运动期望的电机转矩T。
3)设计智能电动汽车纵向运动的BP神经网络辨识器，从而可以动态输出预测的加速度；在步骤3)中，所述设计智能电动汽车纵向运动的BP神经网络辨识器的具体方法可为：
(1)建立智能电动汽车纵向运动模型的BP神经网络辨识器的数学模型；
(2)设计BP神经网络辨识器的性能指标函数，为使性能指标最小，设计神经元连接权值修正因子。
本发明的技术效果如下：
提出基于神经模糊的智能电动汽车纵向运动模型参考自适应控制方法，充分考虑了智能电动汽车纵向动力学系统的非线性、时变及不确定性等特性，有效增强了纵向运动控制系统的鲁棒性。
附图说明
图1是本发明所述智能电动汽车纵向运动控制系统的结构组成示意图。
图2是本发明的神经模糊参考自适应加速度跟踪控制示意图。
图3是本发明的粒子群优化模糊反馈加速度控制示意图。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
如图1所示，所述智能电动汽车纵向运动控制系统实施例设有速度传感器1、第1滤波器2、期望加速度规划模块3、模糊神经模型参考自适应加速度跟踪控制模块4、智能电动汽车A、加速度传感器5和第2滤波器6；期望加速度规划模块3的输入端外接采集的速度信息和设定的期望速度的期望速度输出端，速度传感器1的输入端外接智能电动汽车A的速度信号输出端，第1滤波器2的输入端接速度传感器1的输出端，第1滤波器2的实际速度输出端接期望加速度规划模块3的输入端，期望加速度规划模块3的期望加速度输出端接模糊神经模型参考自适应加速度跟踪控制模块4的输入端，模糊神经模型参考自适应加速度跟踪控制模块4的输出端接智能电动汽车A，加速度传感器5的输入端接智能电动汽车A，加速度传感器5的输出端接第2滤波器6的输入端，第2滤波器6的实际加速度输出端接模糊神经模型参考自适应加速度跟踪控制模块4的输入端。
所述智能电动汽车纵向运动控制方法包括以下步骤：
步骤1：设计表征智能电动汽车纵向行为特征的参考模型，使其与对象具有相同阶，并具有理想的动态性能。
步骤1.1：通过车载传感器采集智能电动汽车纵向速度的加速度、速度、电机转矩等信息，并对采集的信息进行滤波处理。
步骤1.2：基于采集的速度信息和设定的期望速度，通过PID控制求出期望的加速度，并对期望加速度进行饱和处理。
步骤1.2.1：设期望速度以vexp表示，车辆实际速度以v表示，则速度偏差为：
ev(t)＝vexp(t)-v(t)
基于PID控制的速度跟踪上位控制器可表示为：
u(t)＝kpev(t)+kI∫ev(t)dt
式中，u表示上位控制器的控制输出量(期望加速度)，kp表示PID控制器的比例项系数，kI表示PID控制器的积分项系数，PID控制器的微分项系数为零。
步骤1.2.2：汽车纵向加速度在–1.5～1m/s2之间时车辆具有较好的舒适性，因此对期望加速度进行饱和处理，将期望加速度ades限定在–1.5～1m/s2之间，饱和处理函数如式所示：
Figure BDA0001679104660000041
步骤1.3：以汽车期望加速度ades为输入、实际加速度a为输出，通过离线辨识，得到智能电动汽车纵向运动的参考模型，可以用二阶系统表示如下：
Figure BDA0001679104660000042
式中，ξ，ωn表示二阶振荡系数。
步骤2：设计基于模糊神经的模型参考自适应加速度跟踪控制模块，如图2所示，首先建立基于粒子群优化智能电动汽车纵向运动模糊反馈控制器，如图3所示，其任务是根据期望加速度按照一定控制策略确定出期望的控制力矩。
步骤2.1：确定智能电动汽车模糊反馈控制器的输入和输出，以期望加速度ades与实际加速度a的偏差e以及偏差变化率
Figure BDA0001679104660000044
为输入量，电机输出转矩T作为控制器的输出量。分别设定输入变量和输出变量的模糊语言变量。
步骤2.2：建立模糊控制输入、输出变量的模糊集。设定加速度偏差e、偏差变化率
Figure BDA0001679104660000047
和输出变量T的论域均为[-3,3]，并选定七个模糊子集“负大”、“负中”、“负小”、“零”、“正小”、“正中”、“正大”，分别用“NB”、“NM”、“NS”、“ZO”、“PS”、“PM”、“PB”表示。
步骤2.3：当偏差e和偏差变化率
Figure BDA0001679104660000045
均负大时，应控制车辆实现最大制动，当偏差e和偏差变化率
Figure BDA0001679104660000046
均正大时，应控制车辆实现最大加速，因此，建立模糊反馈加速度控制表如表1所示。
表1
Figure BDA0001679104660000043
步骤2.4：采用群体启发式的粒子群算法动态调节量化因子ka、kb，和比例因子ku，从而获得最佳的反馈控制效果。
步骤2.4.1：将整个解空间分成6个区域，对每一区域的速度和位置
Figure BDA0001679104660000051
赋初值，初始值在给定范围内随机产生，此时个体极值就是初始位置的值，而全局极值g为6个区域中使得偏差e最小的个体极值。
步骤2.4.2：将初始值代入速度和位置公式：
V＝wV+c1(pbest-P)rand()+c2(gbest-P)rand()
P＝P+V
式中，V为粒子的速度，P为粒子的当前位置，rand()为(0,1)之间的随机数，c1和c2为学习因子，w为加权系数。
步骤2.4.3：检验适应度函数
Figure BDA0001679104660000052
找到新的个体极值，并于全局极值比较，若新的个体极值比上一次的全局极值更优，则替换为新的全局极值。
步骤2.4.4：粒子在空间不断变异寻找最优解，直到该粒子满足目标函数e≤0.005，此时粒子所在的位置便是模糊控制器量化因子和比例因子的最优值。
步骤3：设计智能电动汽车纵向运动模型的BP神经网络辨识器，从而可以动态输出预测的加速度。
步骤3.1：建立智能电动汽车纵向运动模型的BP神经网络辨识器的输入层模型，输入向量为：
Figure BDA0001679104660000053
其中：
Figure BDA0001679104660000054
其中，n为输出a(k)的阶次，nI为输入层神经元个数。
步骤3.2：建立智能电动汽车纵向运动模型的BP神经网络辨识器的隐含层模型。隐含层神经元的输入为：
Figure BDA0001679104660000055
其中wih(k)为输入层神经元i到隐含层神经元h的连接权值。相应的隐含层输出为：
Figure BDA0001679104660000056
其中，fh为双曲正切特性函数。
步骤3.3：建立智能电动汽车纵向运动模型的BP神经网络辨识器的输出层模型，输出层神经元的输入为：
Figure BDA0001679104660000061
其中，who(k)为隐含层神经元h到输出层神经元o的连接权值，输出为：
Figure BDA0001679104660000062
步骤3.4：设计BP神经网络辨识器的性能指标为：
Figure BDA0001679104660000063
为使性能指标最小，神经元连接权值修正因子设计为：
Δwho(k)＝who(k+1)-who(k)＝ηe(k)zh(k)+αΔwho(k-1)
Δwih(k)＝wih(k+1)-wih(k)＝ηe(k)who(k)fh′[Sh(k)]xi(k)+aΔwih(k-1)
式中，η为网络的学习速率，α为惯性系数。
通过步骤3可以动态辨识出智能电动汽车纵向控制模型，从而实时预测智能电动汽车行驶的加速度。
综上所述，本发明首先采用模糊神经模型参考自适应加速度控制实现对期望加速度的跟踪，其次采用神经网络辨识器实现对智能电动汽车模型的在线辨识，提出控制方法可实现对智能电动汽车纵向运动的实时精确控制。
本发明包括期望加速度规划模块和加速度跟踪控制模块。首先，基于PID控制规划出期望的加速度，并对期望加速度进行饱和处理。其次，提出一种基于模糊神经的智能电动汽车纵向运动模型参考自适应加速度控制新方法，采用模糊神经模型参考自适应加速度控制实现对期望加速度的跟踪，通过粒子群算法实现对模糊加速度反馈控制的优化，建立神经网络辨识器实现对智能电动汽车模型的在线辨识，提出的方法不仅具有自学习和自适应能力，而且可克服智能电动汽车纵向动力学系统的模型不确定性和时变等特性,保证智能电动汽车纵向运动控制系统的高精度和鲁棒性。

Claims (4)

1.一种智能电动汽车纵向运动控制系统，其特征在于设有速度传感器、第1滤波器、期望加速度规划模块、模糊神经模型参考自适应加速度跟踪控制模块、智能电动汽车、加速度传感器和第2滤波器；期望加速度规划模块的输入端外接采集的速度信息和设定的期望速度的期望速度输出端，速度传感器的输入端外接智能电动汽车的速度信号输出端，第1滤波器的输入端接速度传感器的输出端，第1滤波器的实际速度输出端接期望加速度规划模块的输入端，期望加速度规划模块的期望加速度输出端接模糊神经模型参考自适应加速度跟踪控制模块的输入端，模糊神经模型参考自适应加速度跟踪控制模块的输出端接智能电动汽车，加速度传感器的输入端接智能电动汽车，加速度传感器的输出端接第2滤波器的输入端，第2滤波器的实际加速度输出端接模糊神经模型参考自适应加速度跟踪控制模块的输入端。
2.智能电动汽车纵向运动控制方法，其特征在于包括以下步骤：
1)设计表征智能电动汽车纵向行为特征的参考模型，使参考模型与对象具有相同阶，具体方法为：
(1)通过车载传感器采集智能电动汽车纵向运动的加速度、速度信息，并对采集的信息进行滤波处理；
(2)基于采集的速度信息和设定的期望速度，通过PID控制求出期望的加速度，并对期望加速度进行饱和处理；
(3)以汽车期望加速度为输入、实际加速度为输出，通过离线辨识，得到智能电动汽车纵向运动的参考模型；
所述参考模型为以汽车期望加速度ades为输入、实际加速度a为输出，通过离线辨识，得到智能电动汽车纵向运动的参考模型，用二阶系统表示如下：
Figure FDA0002457832220000011
式中，ξ，ωn表示二阶振荡系数；
2)设计基于粒子群优化的智能电动汽车纵向运动模糊反馈控制器，其任务是根据期望加速度按照模糊反馈控制策略确定出电机的期望控制转矩；
3)设计智能电动汽车纵向运动的BP神经网络辨识器，从而可以动态输出预测的加速度。
3.如权利要求2所述智能电动汽车纵向运动控制方法，其特征在于在步骤2)中，所述设计基于粒子群优化的智能电动汽车纵向运动模糊反馈控制器的具体方法为：
(1)确定智能电动汽车模糊反馈控制器的输入变量和输出变量，并给出模糊反馈控制的输入变量和输出变量的论域；
(2)建立智能电动汽车模糊反馈控制器的隶属度函数和控制规则；
(3)采用群体启发式的粒子群算法动态调节量化因子ka、kb，和比例因子ku，从而获得的纵向模糊反馈控制参数；
(4)解模糊化采用加权平均法，确定出智能电动汽车纵向运动期望的电机转矩T。
4.如权利要求2所述智能电动汽车纵向运动控制方法，其特征在于在步骤3)中，所述设计智能电动汽车纵向运动的BP神经网络辨识器的具体方法为：
(1)建立智能电动汽车纵向运动模型的BP神经网络辨识器的数学模型；
(2)设计BP神经网络辨识器的性能指标函数
Figure FDA0002457832220000021
为使性能指标J最小，设计神经元连接权值修正因子。
CN201810542072.7A 2018-05-30 2018-05-30 一种智能电动汽车纵向运动控制系统及方法 Active CN108733955B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810542072.7A CN108733955B (zh) 2018-05-30 2018-05-30 一种智能电动汽车纵向运动控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810542072.7A CN108733955B (zh) 2018-05-30 2018-05-30 一种智能电动汽车纵向运动控制系统及方法

Publications (2)

Publication Number Publication Date
CN108733955A CN108733955A (zh) 2018-11-02
CN108733955B true CN108733955B (zh) 2020-07-17

Family

ID=63936829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810542072.7A Active CN108733955B (zh) 2018-05-30 2018-05-30 一种智能电动汽车纵向运动控制系统及方法

Country Status (1)

Country Link
CN (1) CN108733955B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109747651B (zh) * 2018-12-27 2021-08-06 东软睿驰汽车技术（沈阳）有限公司 一种车辆控制方法、装置及系统
CN109606366B (zh) * 2018-12-29 2020-11-27 百度在线网络技术（北京）有限公司 用于控制车辆的方法和装置
CN110161864A (zh) * 2019-06-12 2019-08-23 南宁学院 一种大时滞模糊控制系统
US11492008B2 (en) * 2020-02-21 2022-11-08 Baidu Usa Llc Model reference adaptive control algorithm to address the vehicle actuation dynamics
CN111666636A (zh) * 2020-04-01 2020-09-15 北京理工大学 一种无人车动力学极限特性包络线在线观测方法
CN112606825B (zh) * 2020-12-29 2021-12-28 合肥工业大学 考虑通信时延的智能网联汽车的鲁棒模型预测控制器
CN112947047B (zh) * 2021-01-26 2022-08-09 重庆长安汽车股份有限公司 一种基于自适应pid算法的自动驾驶加速度控制方法
CN113085858A (zh) * 2021-04-27 2021-07-09 湖北文理学院 车辆速度跟踪控制方法、装置、设备及存储介质
CN113177267B (zh) * 2021-05-26 2022-08-23 浙江大学 一种基于改进模糊pid的全流程多学科建模方法
CN114670856B (zh) * 2022-03-30 2022-11-25 湖南大学无锡智能控制研究院 一种基于bp神经网络的参数自整定纵向控制方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013005903A1 (ko) * 2011-07-07 2013-01-10 주식회사 유디엠텍 인휠 모터 구동 전기자동차의 피치운동 제어장치
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
JP2016015834A (ja) * 2014-07-02 2016-01-28 Ntn株式会社 電気自動車のヒルアシスト制御装置
CN106154831A (zh) * 2016-07-25 2016-11-23 厦门大学 一种基于学习法的智能汽车纵向神经滑模控制方法
CN107878457A (zh) * 2017-10-31 2018-04-06 北京新能源汽车股份有限公司 一种自适应巡航扭矩控制方法、装置及电动汽车

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013005903A1 (ko) * 2011-07-07 2013-01-10 주식회사 유디엠텍 인휠 모터 구동 전기자동차의 피치운동 제어장치
JP2016015834A (ja) * 2014-07-02 2016-01-28 Ntn株式会社 電気自動車のヒルアシスト制御装置
CN105136469A (zh) * 2015-07-23 2015-12-09 江苏大学 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法
CN106154831A (zh) * 2016-07-25 2016-11-23 厦门大学 一种基于学习法的智能汽车纵向神经滑模控制方法
CN107878457A (zh) * 2017-10-31 2018-04-06 北京新能源汽车股份有限公司 一种自适应巡航扭矩控制方法、装置及电动汽车

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《A novel fuzzy-sliding automatic speed control of intelligent vehicles with adaptive boundary layer》;Jinghua Guo等;《Vehicle Design》;20170412;第300-318页 *
《Longitudinal Model Identification and Velocity Control of an Autonomous Car》;Jullierme Emiliano Alves Dias等;《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》;20150430;第776-786页 *
《基于模糊逻辑的无人驾驶车纵向多滑模控制》;郭景华等;《中国公路学报》;20130131;第170-176页 *
《智能汽车纵向控制校正与切换方法研究》;管欣等;《汽车工程》;20170911;第1047-1051页 *

Also Published As

Publication number Publication date
CN108733955A (zh) 2018-11-02

Similar Documents

Publication Publication Date Title
CN108733955B (zh) 一种智能电动汽车纵向运动控制系统及方法
CN110969848B (zh) 一种对向双车道下基于强化学习的自动驾驶超车决策方法
Choy et al. Cooperative, hybrid agent architecture for real-time traffic signal control
Li et al. Power management for a plug-in hybrid electric vehicle based on reinforcement learning with continuous state and action spaces
Cai et al. An intelligent longitudinal controller for application in semiautonomous vehicles
CN109910863B (zh) 一种基于插电式混合动力轿车专用变速器的控制方法
CN112666833A (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
CN106527124B (zh) 基于非线性神经模糊控制器的电磁阀式减振器控制方法
Saruchi et al. Lateral control strategy based on head movement responses for motion sickness mitigation in autonomous vehicle
Ahmed et al. Using of neural network controller and fuzzy pid control to improve electric vehicle stability based on a14-dof model
Kartikasari et al. Optimization of traffic light control using fuzzy logic sugeno method
Shen et al. Two-level energy control strategy based on ADP and A-ECMS for series hybrid electric vehicles
CN110879595A (zh) 一种基于深度强化学习的无人矿卡循迹控制系统及方法
Chang et al. Speed control of electric vehicle by using type-2 fuzzy neural network
Wang et al. Ecological cruising control of connected electric vehicle: a deep reinforcement learning approach
CN114384916A (zh) 一种越野车路径规划的自适应决策方法及系统
Lian et al. Plug-in HEV energy management strategy based on SOC trajectory
Souilem et al. Intelligent control for a half-car active suspension by self-tunable fuzzy inference system
Guo et al. A novel fuzzy-sliding automatic speed control of intelligent vehicles with adaptive boundary layer
CN110682919B (zh) 基于Stacked LSTM神经网络的电动汽车短程车速预测方法
Olwan et al. Behavior Evaluation of Vehicle Platoon via Different Fuzzy-X Tuned Controllers
Aalizadeh et al. Fuzzy versus neuro-fuzzy identification of active front steering of a vehicle on slippery roads
CN113110031A (zh) 基于遗传算法优化的模糊pid主动悬架控制系统及方法
Utomo et al. Intelligent traffic light control system at two intersections using adaptive neuro-fuzzy inference system (ANFIS) method
Bala et al. A fuzzy super twisting sliding mode control scheme for velocity regulation in autonomous vehicles

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