CN108873694A - 一种时域变权重的自动驾驶系统-驾驶员柔性接管方法 - Google Patents
一种时域变权重的自动驾驶系统-驾驶员柔性接管方法 Download PDFInfo
- Publication number
- CN108873694A CN108873694A CN201810537646.1A CN201810537646A CN108873694A CN 108873694 A CN108873694 A CN 108873694A CN 201810537646 A CN201810537646 A CN 201810537646A CN 108873694 A CN108873694 A CN 108873694A
- Authority
- CN
- China
- Prior art keywords
- driver
- unit
- vehicle
- rad
- moment
- 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
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)
- Regulating Braking Force (AREA)
Abstract
本发明公开了一种时域变权重的自动驾驶系统‑驾驶员的柔性接管方法,其通过监测驾驶员力矩与控制干预率(CIR)的判断,然后通过时域中权重的改变,使自动驾驶控制器意图逐渐转移到驾驶员意图,实现自动驾驶控制器到驾驶员的驾驶权转移。包括以下步骤:步骤一、设计MPC自动驾驶控制器;步骤二、建立基于驾驶员力矩和控制干预率的接管判断条件:实时监测驾驶员力矩Td并且与阈值Tth进行比较;同时实时计算控制干预率CIR并且与阈值CIRth进行比较,得接管判断条件;步骤三、自动驾驶系统‑驾驶员的驾驶权柔性移交。
Description
技术领域
本发明涉及一种时域变权重的自动驾驶系统-驾驶员柔性接管方法,是考虑了自动驾驶系统-驾驶员平滑接管的一种方法,属于无人驾驶汽车领域。
背景技术
自动驾驶控制器在紧急情况下需要驾驶员对其进行接管,以确保车辆安全行驶,或者当驾驶员主动想要接管车辆,这时车辆在一个较为安全的行驶状态下,此时可以将驾驶权移交给驾驶员。传统的移交方式就是直接从自动驾驶系统转移到驾驶员,由于两者意图相差较大,这可能会使驾驶员感到不适应,甚至导致驾驶员误操作,从而引发交通事故,所以需要将自动驾驶系统的意图逐渐转移到驾驶员,就会避免上述事故的发生。可见驾驶权的平滑移交在无人驾驶中显得特别重要。
发明内容
为了解决现有技术存在的上述问题,本发明提供一种时域变权重的自动驾驶系统-驾驶员的柔性接管方法,其通过监测驾驶员力矩与控制干预率(CIR)的判断,然后通过时域中权重的改变,使自动驾驶控制器意图逐渐转移到驾驶员意图,实现自动驾驶控制器到驾驶员的驾驶权平滑转移。
本发明得目的是通过以下技术方案实现的:
一种时域变权重的自动驾驶系统-驾驶员柔性接管方法,其特征在于,包括以下步骤:
步骤一、设计MPC自动驾驶控制器:通过车辆动力学和运动学关系模型,经过约束和优化,得到自动驾驶控制器为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵;
步骤二、建立基于驾驶员力矩和控制干预率的接管判断条件:
实时监测驾驶员力矩Td并且与阈值Tth进行比较;同时实时计算控制干预率CIR并且与阈值CIRth进行比较;可得如下接管判断条件:
其中,Td为驾驶员实际力矩;Tth为驾驶员力矩阈值;CIR表示控制干预率;CIRth表示控制干预率阈值;and表示与逻辑;or表示或逻辑;flag表示接管标志位,当flag为1时,表示出发从自动驾驶系统到驾驶员接管;flag为0时,表示保持自动驾驶系统不变;
步骤三、自动驾驶系统-驾驶员的驾驶权柔性移交:
(3.1)参数初始化:设置驾驶员力矩阈值Tth;控制干预率阈值CIRth;移交持续时间Ttransmit;驾驶员权重函数WF和自动驾驶控制器权重函数WR;
(3.2)接管条件判断:根据flag=1还是flag=0,判断是否接管;
(3.3)接管触发:当flag=1时,开始触发接管,记录下此时的时刻为Tt0;
(3.4)接管过程:设定接管持续时间为Ttransmit,在接管时间段内完成从自动驾驶系统意图到驾驶员意图的平滑过渡;
(3.5)接管完成:当接管时间结束时,驾驶权已经完全转移到驾驶员,进入手动驾驶模式。
通过以上方案的实施,本发明的有益效果为:
1、对驾驶员的行为作出评估,体现了对驾驶员意图的判断。
2、通过驾驶员对自动驾驶控制器的接管,保证了车辆的安全行驶。
3、通过时域中驾驶权重的改变,实现了平滑接管。
附图说明
图1为本发明所述的一种时域变权重的驾驶员-自动驾驶系统柔性接管方法流程图
图2为车辆模型示意图
图3为本发明简化车辆与道路关系模型示意图
图4为驾驶员权重与自动驾驶控制器权重函数变化示意图
具体实施方式
以下结合附图对本发明进行详细说明:
本发明是一种时域变权重的驾驶员-自动驾驶系统柔性接管方法,方法流程图如图1所示,具体实施步骤如下:
步骤一、设计MPC自动驾驶控制器
(1)自动驾驶控制器设计模型建立
车辆动模型如图2所示,根据动力学和运动学关系,可以得到如下表达式:
其中,β为质心侧偏角,单位,rad;v为车辆质心处的纵向速度,单位,m/s;ψ为车辆的横摆角,单位:rad;r为车辆的横摆角速度,单位,rad/s;Cf为车辆前轮轮胎的侧偏刚度,单位,N/rad;Cr为车辆后轮轮胎的侧偏刚度,单位,N/rad;m为车辆的质量,单位,kg;Iz为车辆绕z轴的转动惯量,单位,kg·m2;a为车辆质心o到车辆前轴的距离,单位,m;b为车辆质心o到车辆后轴的距离,单位,m;δf为车辆前轮转向角,单位,rad;
我们选取[yψβr]作为系统状态变量,选取前轮转角δf作为系统控制输入。于是我们可以得到系统状态方程如式(4)所示:
其中:
x=[y ψ β r]T,u=δf.
其中,x为系统的状态向量;u为系统控制量;A为系统矩阵;B为输入矩阵;
为用于MPC自动驾驶控制器设计,需将式(3)离散化,得到离散时间的车辆系统模型,如式(5)所示:
x(k+1)=Acx(k)+Bcu(k) (5)
式中,其中Ts为采样时间。
假定预测时域为P,控制时域为N,且满足N≤P。同时假定控制时域之外的控制量保持不变,即u(k+N)=u(k+N+1)=…=u(k+P-1),可推导出P步的状态预测方程,如式(6):
定义:
为自动驾驶控制器预测的输出量。
(2)自动驾驶控制器约束:
如图3所示为简化的车辆与道路的模型示意图,通过位置坐标关系,可以得到自动驾驶控制器约束如下:
式中,ψ(k+i)=[0 1 0 0]x(k+i),yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位,m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位,m。LF为车辆前端到质心的距离,单位,m;LR为车辆后端到质心的距离,单位,m。ω为车身的宽度;单位:m。
(3)优化目标函数确定:
目标函数中包含驾驶员意图项J1和自动驾驶控制器意图项J2。
最终自动驾驶控制器整理为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵。
步骤二、建立基于驾驶员力矩和控制干预率的接管条件
(1)驾驶员力矩Td由传感器实时测得。
(2)控制干预率CIR表示系统对驾驶员输入的平均干预程度,其表达式如式(10)所示:
其中,δd表示驾驶员期望的前轮转角,δf表示实际作用于系统的前轮转角,δfmax表示系统所能提供的最大前轮转角。Ttotal表示工况运行总时间。
(3)接管条件的确定
选取驾驶员力矩阈值与控制干预率阈值,可以得到切换规则表达式如下:
其中,Td为驾驶员实际力矩;Tth为驾驶员力矩阈值;CIR表示控制干预率;CIRth表示控制干预率阈值;and表示与逻辑;or表示或逻辑;flag表示接管标志位,当flag为1时,表示出发从自动驾驶系统到驾驶员接管;flag为0时,表示保持自动驾驶系统不变。
步骤三、自动驾驶系统-驾驶员柔性接管
(1)参数初始化:设置驾驶员力矩阈值Tth,控制干预率阈值CIRth,接管持续时间Ttransmit。驾驶员权重函数和自动驾驶权重函数如图4所示:具体表达式如下:
自动驾驶系统权重表达式:
驾驶员权重表达式:
(2)、接管条件判断:根据flag=1还是flag=0,判断是否接管。
(3)接管触发:
当flag=1时,开始触发接管,记录下此时的时刻为Tt0。
(4)接管过程:
在接管触发之后的Tt0-Ttransmit时间段内,预测窗随时间进行移动,利用预测窗内截取权重函数作为驾驶员和自动系统在MPC自动驾驶控制器中的优化目标的权重,这样就实现从自动驾驶控制器意图平滑转移到驾驶员意图上。
(5)接管完成:
当预测窗移动到Ttransmit时停止移动,此时已经完全从自动驾驶控制器意图转移到驾驶员意图,接管完成,进入手动驾驶模式。
Claims (4)
1.一种时域变权重的自动驾驶系统-驾驶员柔性接管方法,其特征在于,包括以下步骤:
步骤一、设计MPC自动驾驶控制器:通过车辆动力学和运动学关系模型,经过约束和优化,得到自动驾驶控制器为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵;
步骤二、建立基于驾驶员力矩和控制干预率的接管判断条件:
实时监测驾驶员力矩Td并且与阈值Tth进行比较;同时实时计算控制干预率CIR并且与阈值CIRth进行比较;可得如下接管判断条件:
其中,Td为驾驶员实际力矩;Tth为驾驶员力矩阈值;CIR表示控制干预率;CIRth表示控制干预率阈值;and表示与逻辑;or表示或逻辑;flag表示接管标志位,当flag为1时,表示出发从自动驾驶系统到驾驶员接管;flag为0时,表示保持自动驾驶系统不变;
步骤三、自动驾驶系统-驾驶员的驾驶权柔性移交:
(3.1)参数初始化:设置驾驶员力矩阈值Tth;控制干预率阈值CIRth;移交持续时间Ttransmit;驾驶员权重函数WF和自动驾驶控制器权重函数WR;
(3.2)接管条件判断:根据flag=1还是flag=0,判断是否接管;
(3.3)接管触发:当flag=1时,开始触发接管,记录下此时的时刻为Tt0;
(3.4)接管过程:设定接管持续时间为Ttransmit,在接管时间段内完成从自动驾驶系统意图到驾驶员意图的平滑过渡;
(3.5)接管完成:当接管时间结束时,驾驶权已经完全转移到驾驶员,进入手动驾驶模式。
2.如权利要求1所述的一种时域变权重的自动驾驶系统-驾驶员柔性接管方法,其特征在于,所述步骤一设计MPC自动驾驶控制器包括以下具体步骤:
(1.1)自动驾驶控制器设计模型建立
根据动力学和运动学关系,可以得到如下表达式:
其中,β为质心侧偏角,单位,rad;v为车辆质心处的纵向速度,单位,m/s;ψ为车辆的横摆角,单位:rad;r为车辆的横摆角速度,单位,rad/s;Cf为车辆前轮轮胎的侧偏刚度,单位,N/rad;Cr为车辆后轮轮胎的侧偏刚度,单位,N/rad;m为车辆的质量,单位,kg;Iz为车辆绕z轴的转动惯量,单位,kg·m2;a为车辆质心o到车辆前轴的距离,单位,m;b为车辆质心o到车辆后轴的距离,单位,m;δf为车辆前轮转向角,单位,rad;
我们选取[y ψ β r]作为系统状态变量,选取前轮转角δf作为系统控制输入,得到系统状态方程如式(3)所示:
其中:
x=[y ψ β r]T,u=δf.
其中,x为系统的状态向量;u为系统控制量;A为系统矩阵;B为输入矩阵;
将式(3)离散化,得到离散时间的车辆系统模型:
x(k+1)=Acx(k)+Bcu(k) (4)
式中,其中Ts为采样时间;
假定预测时域为P,控制时域为N,且满足N≤P;同时假定控制时域之外的控制量保持不变,即u(k+N)=u(k+N+1)=…=u(k+P-1),可推导出P步的状态预测方程:
定义:
为自动驾驶控制器预测的输出量;
(1.2)自动驾驶控制器约束:
自动驾驶控制器约束如下:
式中,ψ(k+i)=[0 1 0 0]x(k+i),yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位,m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位,m;LF为车辆前端到质心的距离,单位,m;LR为车辆后端到质心的距离,单位,m;ω为车身的宽度;单位:m;
(1.3)优化目标函数确定:
目标函数中包含驾驶员意图项J1和自动驾驶控制器意图项J2:
最终,自动驾驶控制器整理为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵。
3.如权利要求1所述的一种时域变权重的自动驾驶系统-驾驶员柔性接管方法,其特征在于,所述步骤二建立基于驾驶员力矩和控制干预率的接管条件包括以下具体步骤:
(2.1)驾驶员力矩Td由传感器实时测得;
(2.2)控制干预率CIR表示系统对驾驶员输入的平均干预程度,其表达式如式(10)所示:
其中,δd表示驾驶员期望的前轮转角,δf表示实际作用于系统的前轮转角,δfmax表示系统所能提供的最大前轮转角,Ttotal表示工况运行总时间;
(2.3)接管条件的确定
选取驾驶员力矩阈值与控制干预率阈值,可以得到切换规则表达式如下:
其中,Td为驾驶员实际力矩;Tth为驾驶员力矩阈值;CIR表示控制干预率;CIRth表示控制干预率阈值;and表示与逻辑;or表示或逻辑;flag表示接管标志位,当flag为1时,表示出发从自动驾驶系统到驾驶员接管;flag为0时,表示保持自动驾驶系统不变。
4.如权利要求1所述的一种时域变权重的自动驾驶系统-驾驶员柔性接管方法,其特征在于,所述步骤三自动驾驶系统-驾驶员柔性接管中,
自动驾驶系统权重表达式为:
驾驶员权重表达式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810537646.1A CN108873694A (zh) | 2018-05-30 | 2018-05-30 | 一种时域变权重的自动驾驶系统-驾驶员柔性接管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810537646.1A CN108873694A (zh) | 2018-05-30 | 2018-05-30 | 一种时域变权重的自动驾驶系统-驾驶员柔性接管方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108873694A true CN108873694A (zh) | 2018-11-23 |
Family
ID=64335561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810537646.1A Pending CN108873694A (zh) | 2018-05-30 | 2018-05-30 | 一种时域变权重的自动驾驶系统-驾驶员柔性接管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108873694A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113548109A (zh) * | 2020-04-23 | 2021-10-26 | 现代摩比斯株式会社 | 用于控制电机驱动动力转向系统的装置和方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1400944A (zh) * | 2000-12-12 | 2003-03-05 | 日产自动车株式会社 | 以转向力矩作为车辆转向系统的控制输入的车道保持控制 |
CN102717825A (zh) * | 2012-06-20 | 2012-10-10 | 清华大学 | 一种协同式车道保持控制方法 |
CN107380257A (zh) * | 2017-07-28 | 2017-11-24 | 安徽江淮汽车集团股份有限公司 | 一种半自动泊车控制方法及系统 |
CN107856737A (zh) * | 2017-11-06 | 2018-03-30 | 吉林大学 | 一种基于危险程度变权重的人机协同转向控制方法 |
CN108058706A (zh) * | 2017-12-06 | 2018-05-22 | 东风商用车有限公司 | 一种车道保持系统及方法 |
-
2018
- 2018-05-30 CN CN201810537646.1A patent/CN108873694A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1400944A (zh) * | 2000-12-12 | 2003-03-05 | 日产自动车株式会社 | 以转向力矩作为车辆转向系统的控制输入的车道保持控制 |
CN102717825A (zh) * | 2012-06-20 | 2012-10-10 | 清华大学 | 一种协同式车道保持控制方法 |
CN107380257A (zh) * | 2017-07-28 | 2017-11-24 | 安徽江淮汽车集团股份有限公司 | 一种半自动泊车控制方法及系统 |
CN107856737A (zh) * | 2017-11-06 | 2018-03-30 | 吉林大学 | 一种基于危险程度变权重的人机协同转向控制方法 |
CN108058706A (zh) * | 2017-12-06 | 2018-05-22 | 东风商用车有限公司 | 一种车道保持系统及方法 |
Non-Patent Citations (2)
Title |
---|
汪选要: "横向辅助驾驶及人机共驾控制策略的研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
鲁光泉 等: "自动驾驶中视觉次任务对年轻驾驶人接管时间的影响", 《中国公路学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113548109A (zh) * | 2020-04-23 | 2021-10-26 | 现代摩比斯株式会社 | 用于控制电机驱动动力转向系统的装置和方法 |
CN113548109B (zh) * | 2020-04-23 | 2023-10-03 | 现代摩比斯株式会社 | 用于控制电机驱动动力转向系统的装置和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
CN108058615B (zh) | 车辆制动能量的回收方法和装置 | |
CN106347138B (zh) | 一种纯电动汽车的能量回收控制方法、装置及纯电动汽车 | |
CN104176054B (zh) | 一种汽车主动防碰撞自动换道控制系统及其工作方法 | |
JP6179820B2 (ja) | 車両の運転支援制御装置 | |
CN107856737B (zh) | 一种基于危险程度变权重的人机协同转向控制方法 | |
CN103754221B (zh) | 一种车辆自适应巡航控制系统 | |
WO2022228096A1 (zh) | 双电机电动汽车的扭矩控制方法、电动汽车及存储介质 | |
CN111897344B (zh) | 一种兼顾稳定性的自动驾驶汽车路径跟踪控制方法 | |
CN109849899A (zh) | 一种电动轮汽车电液复合车身稳定控制系统及方法 | |
CN109159817B (zh) | 四驱电动汽车的转向控制器、系统、转向与运行控制方法 | |
CN109094640B (zh) | 一种轮驱电动汽车线控转向系统及控制方法 | |
CN104843057B (zh) | 一种四轮独立转向汽车的转向控制方法 | |
CN112677963A (zh) | 智能网联四轮独立转向和独立驱动电动汽车紧急避障系统 | |
CN108819951A (zh) | 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法 | |
CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
CN110254405A (zh) | 一种面向自动驾驶与智能辅助驾驶的汽车线控制动控制系统及其控制方法 | |
CN108717268A (zh) | 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法 | |
CN110329347B (zh) | 一种基于驾驶员特性的转向控制系统及其控制方法 | |
CN109726516A (zh) | 一种多模式线控助力转向系统的变传动比优化设计方法及其专用系统 | |
CN109291932A (zh) | 基于反馈的电动汽车横摆稳定性实时控制装置及方法 | |
CN110091868A (zh) | 一种人机协同控制的纵向避撞方法及其系统、智能汽车 | |
CN110920616A (zh) | 一种智能车换道轨迹及换道轨迹跟随控制方法 | |
CN109334564A (zh) | 一种防碰撞的汽车主动安全预警系统 | |
CN112477865B (zh) | 一种基于驾驶员制动行为预测的再生制动控制方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181123 |
|
WD01 | Invention patent application deemed withdrawn after publication |