CN109521674B - 一种电动车驾驶机器人控制器参数自学习方法 - Google Patents
一种电动车驾驶机器人控制器参数自学习方法 Download PDFInfo
- Publication number
- CN109521674B CN109521674B CN201811414745.7A CN201811414745A CN109521674B CN 109521674 B CN109521674 B CN 109521674B CN 201811414745 A CN201811414745 A CN 201811414745A CN 109521674 B CN109521674 B CN 109521674B
- Authority
- CN
- China
- Prior art keywords
- parameter
- model
- electric vehicle
- parameters
- vehicle
- 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
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
本发明公开了一种电动车驾驶机器人控制器参数自学习方法,包括以下步骤:首先,根据电动车纵向动力学方程建立通用车辆模型;然后,对通用车辆模型中的差异化参数进行在线辨识,得到具体化车辆模型;最后,针对具体化车辆模型构建反馈控制系统,并实现对驾驶机器人控制器中控制参数的在线自学习。本发明所提出的电动车驾驶机器人控制器参数自学习方法,能够适用于各种电动车的速度控制,实现了电动车对设定速度曲线的准确跟随。
Description
技术领域
本发明属于测控技术领域,特别涉及一种电动车驾驶机器人控制器参数自学习方法。
背景技术
随着新能源汽车产业的迅猛发展,电动汽车已成为汽车行业未来的主要发展方向之一。在国内外电动汽车市场大力发展的过程中,用户对电动车的性能要求日渐提升,因此合理有效的电动车测试方法也越来越受到各大电动汽车厂家的重视。其中,转毂试验是电动车整车试验的重要组成部分,新款电动车在投放市场前,需在转毂上进行经济性、动力性、续驶里程等多项测试。传统的电动车转毂试验需要由经验丰富的驾驶员来完成,这为电动车转毂试验增加了大量的培训和人工成本,同时,试验重复性也难以得到保证。鉴于以上情况,使用转毂驾驶机器人代替人类驾驶员完成车辆操作成为了电动车转毂试验的发展趋势。然而现有的驾驶机器人为了保证其在电动车和传统燃油汽车上的通用性,均具有较为复杂的机械结构,这使得机器人在每次试验前均需进行长时间的安装、示教与车辆驾驶性能自学习。
发明内容
发明目的:针对上述缺陷,本发明提供一种电动车驾驶机器人控制器参数自学习方法,利用电动车在结构和控制方法上的独特性,依托自行设计的电动车转毂驾驶机器人,采用电信号代替机械结构,避免了繁琐的安装与示教过程,并基于电动车纵向动力学模型,利用参数在线辨识方法,大幅缩短了机器人的在线学习时间。最后,通过控制器参数自整定和在线优化,实现对于任意工况曲线的速度跟随。
技术方案:本发明提出一种电动车驾驶机器人控制器参数自学习方法,包括如下步骤:
(1)根据电动车纵向动力学方程建立通用车辆模型;
(2)对通用车辆模型中的差异化参数进行在线辨识,得到具体化车辆模型;
(3)针对具体化车辆模型构建反馈控制系统,并实现对于驾驶机器人控制器中控制参数在线自学习。
进一步的,所述步骤(1)中建立通用车辆模型的具体步骤如下:
(1.1)建立电动车动力学模型
其中J是转动惯量(kg·m2),Te是作用在驱动轴上的力矩(N·m),w是车轮角速度(rad/s);a是车轮半径(m);Fx为地面提供的摩擦力(N);
(1.2)建立电动车电机模型
设定电机期望力矩最终得到电机输出力矩并作用于驱动轴,分析电机系统力矩的输入、输出特性,建立如下式所示的电机模型;
其中,τ是一阶系统的时间常数,Treq是期望扭矩,Tl是输出扭矩;
(1.3)建立电动车传动系统模型
电机的输出力矩为Tl,经减速器,作用于驱动轴的上驱动力矩为Te,电机的输出力矩和驱动力矩满足下式;
Te=R×Tl
其中R为减速比;
(1.4)建立电动车整车模型
由试验采集数据可知电动车加速踏板开度S和期望扭矩Treq之间的关系如下式所示;
S=q×Treq
其中q为比例系数;
将上式代入到步骤(1.2)中的电机模型公式中,并假设电动车的输出力矩对期望力矩的跟随迅速,即式(2)中时间常数τ近似为零即期望力矩近似等于输出力矩,此时结合步骤(1.3)中的公式可知加速踏板开度S和驱动力矩Te之间的关系为如下式所示;
由以上模型整合可以得到电动车通用车辆模型如下所示;
式中,v是车辆速度(m/s);m是电动车质量(kg);Cx是车辆形状特征的空气阻力系数; A是迎风面积(m2);ρ是空气密度(Ns2m-4);k是车轮半径的倒数(m-1);S是加速踏板开度;θ是转毂试验道路坡度(°);为滚动阻力系数,均为常数,q是比例系数,R是减速比,J是转动惯量(kg·m2),a是车轮半径(m)。
进一步的,所述步骤(2)中得到具体化车辆模型的具体步骤如下:
(2.1)区分通用模型中参数类型:
在步骤(1.4)中得到的通用车辆模型中,共有12个参数,除去加速踏板开度即模型输入参数和车辆速度即模型输出参数以外,剩下10个参数分为两类;第一类为试验设定参数,包括电动车在转毂上的滚动阻力系数和转毂试验道路坡度,这类参数在试验中人为设定,参数值已知;第二类为车辆差异化参数,这类参数和具体车辆类型有关,其中车辆质量和车轮半径都可以通过简单的测量得到,其余则需要进行在线辨识;
(2.2)选择参数辨识方法:
选用非线性最小二乘法作为通用车辆模型的参数辨识方法;非线性最小二乘法描述为,
其中,r(x)=(r1(x),r2(x),…rm(x)),ri:Rn→R,i=1,2,…m(m≥n);
采用高斯—牛顿法即用泰勒级数展开的线性项来近似构建的非线性模型,然后用非线性最小二乘法估计参数,再通过迭代法得到满足非线性最小二乘法方程即上式的一个解;
设非线性模型为F(Zi,x),x=(x1,x2,x3)T表示非线性模型中的估计参数,使得 x1=b,x2=J,x3=r,z=(z1,z2,L zP)T表示自变量S,v表示因变量,Zi,Vi为观测值,i=1,2,…,m,如下式所示。
ri=vi-F(zi,x),i=1,2,…,m(m≥n)
(2.3)进行数据采集实验:
采集并记录多组不同加速踏板开度下车辆速度的变化曲线,作为非线性最小二乘法的试验样本;
(2.4)完成通用车辆模型的参数辨识,并得到具体化的车辆模型:
将试验样本代入通用车辆模型,并通过非线性最小二乘法对模型参数进行在线辨识,求解待辨识参数向量。
进一步的,所述步骤(3)中实现控制器参数在线自学习的具体步骤如下:
(3.1)选择控制器参数在线学习方法;
(3.2)设定控制器参数初值:
采用齐格勒·尼克尔斯第一方法确定控制器参数的初值;在受控对象的单位阶跃响应曲线上的斜率的最大的拐点处作切线,得到的参数T、L、K为开环被控对象单位阶跃响应的终值;
(3.3)进行控制器参数在线整定,得到优化后的控制器参数。
进一步的,所述步骤(3.1)中选择控制器参数在线学习方法的具体步骤为:
选用PID控制器实现对于车辆速度的控制,并选用粒子群算法进行PID参数的在线学习;
粒子群算法中PID参数的搜索空间的确定方式是以ZN法获得的结果Kp,Ti,Td 为中心向左右拓展而形成的搜索空间;粒子在飞行过程中每个粒子将分别依据单子粒子的飞行经验和群体的飞行经验对飞行速度进行动态调,然后以一定的速度向目标逼近直至找到最优目标,即PID控制器的最优参数;
PID参数优化的本质是基于目标函数的参数寻优问题,采用能反映系统调节品质的 ITAE作为目标函数;由于PID参数寻优是求目标函数的极小值问题,因而要对目标函数进行改造,将极小值问题转换为极大值问题,则适应度函数取为,
其中,e(t)是绝对误差;
进一步的,所述步骤(3.3)中进行控制器参数在线整定,得到优化后的控制器参数的具体步骤如下:
设定粒子群算法所需要的初始条件;其次随机产生粒子的初始位置和初始速度;然后将选取的PID控制器的参数和电动车模型的传递函数做串联运算,并且输入一个阶跃响应的信号,直到设定时间结束后,分别计算每一个粒子所代表的性能指标ITAE函数值;最后判断系统是否稳定,为了避免得到一个不稳定的系统,令所求粒子性能指标 ITAE的极小值转化为极大值问题,这样可以使得所搜索出来的PID参数空间是一个稳定的系统,进而得到粒子本身的最佳解和全部粒子的最佳解,更新粒子的位置和速度;直到所设定的回路结束,便可得到一组最佳的PID参数。
本发明采用上述技术方案,具有以下有益效果:
充分利用通用车辆模型和对模型中差异化参数的辨识方法,能够适应不同电动车转毂试验的要求;控制器参数在线自学习方法简单,并能满足诸如续驶里程等试验的速度控制精度要求;提高了转毂试验效率,消除了人为因素对于试验结果的不利影响,对于电动车辆的研发和测试都有重要的实际意义。
附图说明
图1为本发明的流程图;
图2为具体实施例中基于粒子群参数优化的PID控制器结构示意图;
图3为具体实施例中PID控制算法阶跃响应曲线图;
图4为具体实施例中人工驾驶和转毂驾驶机器人试验效果对比图;
图5为具体实施例中驾驶机器人驾驶与人工驾驶加速踏板方差示意图。
图6为具体实施例中人工驾驶和驾驶机器人驾驶对设定工况的跟随效果对比图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明根据电动车纵向动力学方程建立通用车辆模型,对通用车辆模型中的差异化参数进行在线辨识,得到具体化车辆模型,针对具体化车辆模型构建反馈控制系统,实现对驾驶机器人控制器中控制参数的在线自学习。本发明所提出的电动车驾驶机器人控制器参数自学习方法,能够适用于各种电动车的速度控制,实现了电动车对设定速度曲线的准确跟随。
下面结合附图对本发明实施方法做更详细地描述:
图1为本发明使用的电动车驾驶机器人控制方法图,描述系统的控制方案。
首先建立电动车控制模型,具体包括电动车动力学模型、电机模型、传动系统模型以及电动车加速踏板和期望扭矩模型,最终得到电动车整车模型,如下所示。
整车模型中的已知参数如表1所示:
表1电动车模型参数
通过最小二乘法对模型中的位置参数进行辨识,辨识后的参数如表2所示。
表2非线性最小二乘法辨识参数
因此进行参数辨识后的电动车整车模型为
根据如上所示的电动车整车模型,采用PSO粒子群算法进行PID参数自整定,如图2所示是基于粒子群参数优化的PID控制器。
通过PSO粒子群算法进行PID参数自整定得到的Kp、Ki和Kd参数值以及最优个体适应值如图4所示。在该组优化参数下对电动车车速进行PID控制,实现车速对NEDC 工况进行速度跟随。如图5所示是电动车车速在进行PID控制后对NEDC工况的跟踪情况。在各种工况下该方法都能够精确跟踪试验循环工况要求的目标车速,车速跟踪误差在±2km/h范围内,保证了汽车驾驶机器人系统的车速跟踪控制精度满足国家汽车试验标准的要求。
如图6所示为人工驾驶和驾驶机器人驾驶对设定工况的跟随效果对比图,统计数据对比如表3所示,其中误差计算方法为(实际车速-工况车速)/允许误差*100%。
表3驾驶机器人与人工驾驶速度跟随效果统计数据
人工驾驶的加速踏板开度毛刺较多,平滑性差,而驾驶机器人驾驶的加速踏板开度控制平稳,平滑性明显优于人工。
选择NEDC工况中的第一次城市循环作为对象对比驾驶机器人驾驶和人工驾驶加速踏板控制重复性,以循环1的加速踏板开度作为对比数据,分别以循环2、循环3、循环4的加速踏板开度和循环1的加速踏板开度做方差,统计数据如表4所示。
表4驾驶机器人驾驶与人工驾驶加速踏板控制重复性统计数据
由数据可知人工驾驶的加速踏板开度方差的平均值远远大于驾驶机器人驾驶加速踏板开度方差的平均值,并且,随着循环次数的增加,人工驾驶的加速踏板开度方差增加明显,而驾驶机器人驾驶加速踏板开度方差基本保持一个较小值稳定。所以,驾驶机器人驾驶的重复性大大优于人工驾驶。
Claims (4)
1.一种电动车驾驶机器人控制器参数自学习方法,其特征在于,包括如下步骤:
(1)根据电动车纵向动力学方程建立通用车辆模型;具体步骤如下:
(1.1)建立电动车动力学模型:
其中J是转动惯量,单位为kg·m2;Te是作用在驱动轴上的力矩,单位为N·m;w是车轮角速度,单位为rad/s;a是车轮半径,单位为m;Fx为地面提供的摩擦力,单位为N;
(1.2)建立电动车电机模型:
设定电机期望力矩最终得到电机输出力矩并作用于驱动轴,分析电机系统力矩的输入、输出特性,建立如下式所示的电机模型;
其中,τ是一阶系统的时间常数,Treq是期望力矩,Tl是输出力矩;
(1.3)建立电动车传动系统模型
电机的输出力矩为Tl,经减速器,作用于驱动轴上的驱动力矩为Te,电机的输出力矩和驱动力矩满足下式;
Te=R×Tl
其中R为减速比;
(1.4)建立电动车整车模型
由试验采集数据可知电动车加速踏板开度S和期望力矩Treq之间的关系如下式所示;
S=q×Treq
其中q为比例系数;
将上式代入到步骤(1.2)中的电机模型公式中,并假设电动车的输出力矩对期望力矩的跟随迅速,即时间常数τ近似为零即期望力矩近似等于输出力矩,此时结合步骤(1.3)中的公式可知加速踏板开度S和驱动力矩Te之间的关系为如下式所示;
由以上模型整合可以得到电动车通用车辆模型如下所示;
式中,v是车辆速度,单位为m/s;m是电动车质量,单位为kg;Cx是车辆形状特征的空气阻力系数;A是迎风面积,单位为m2;ρ是空气密度,单位为Ns2m-4;k是车轮半径的倒数,单位为m-1;S是加速踏板开度;θ是转毂试验道路坡度,单位为°; 为滚动阻力系数,均为常数;q是比例系数;R是减速比;J是转动惯量,单位为kg·m2;a是车轮半径,单位为m;
(2)对通用车辆模型中的差异化参数进行在线辨识,得到具体化车辆模型;具体步骤如下:
(2.1)区分通用模型中参数类型:
在步骤(1.4)中得到的通用车辆模型中,共有12个参数,除去加速踏板开度即模型输入参数和车辆速度即模型输出参数以外,剩下10个参数分为两类;第一类为试验设定参数,包括电动车在转毂上的滚动阻力系数和转毂试验道路坡度,这类参数在试验中人为设定,参数值已知;第二类为车辆差异化参数,这类参数和具体车辆类型有关,其中车辆质量和车轮半径都可以通过简单的测量得到,其余则需要进行在线辨识;
(2.2)选择参数辨识方法:
选用非线性最小二乘法作为通用车辆模型的参数辨识方法;非线性最小二乘法描述为,
其中,r(x)=(r1(x),r2(x),…rm(x)),ri:Rn→R,i=1,2,…,m;m≥n;
采用高斯—牛顿法即用泰勒级数展开的线性项来近似构建的非线性模型,然后用非线性最小二乘法估计参数,再通过迭代法得到满足非线性最小二乘法方程即上式的一个解;
设非线性模型为F(Zi,x),x=(x1,x2,x3)T表示非线性模型中的估计参数,使得x1=b,x2=J,x3=r,z=(z1,z2,…zP)T表示自变量S,v表示因变量,Zi,Vi为观测值,i=1,2,…,m,如下式所示:
ri=vi-F(zi,x),i=1,2,…,m;m≥n
参数x1 (0)、x2 (0)、x3 (0)表示被估计参数的初始值,参数中的上标表示重复的次数,初始值是根据实际操作中的经验值得到,对第i个观察值得到非线性模型的近似式;
(2.3)进行数据采集实验:
采集并记录多组不同加速踏板开度下车辆速度的变化曲线,作为非线性最小二乘法的试验样本;
(2.4)完成通用车辆模型的参数辨识,并得到具体化的车辆模型:
将试验样本代入通用车辆模型,并通过非线性最小二乘法对模型参数进行在线辨识,求解待辨识参数向量;
(3)针对具体化车辆模型构建反馈控制系统,并实现对于驾驶机器人控制器中控制参数在线自学习。
2.根据权利要求1所述的一种电动车驾驶机器人控制器参数自学习方法,其特征在于,所述步骤(3)中实现控制器参数在线自学习的具体步骤如下:
(3.1)选择控制器参数在线学习方法;
(3.2)设定控制器参数初值:
采用齐格勒·尼克尔斯第一方法确定控制器参数的初值;在受控对象的单位阶跃响应曲线上的斜率的最大的拐点处作切线,得到的参数T、L、K为开环被控对象单位阶跃响应的终值;
(3.3)进行控制器参数在线整定,得到优化后的控制器参数。
3.根据权利要求2所述的一种电动车驾驶机器人控制器参数自学习方法,其特征在于,所述步骤(3.1)中选择控制器参数在线学习方法的具体步骤为:
选用PID控制器实现对于车辆速度的控制,并选用粒子群算法进行PID参数的在线学习;
粒子群算法中PID参数的搜索空间的确定方式是以ZN法获得的结果Kp,Ti,Td为中心向左右拓展而形成的搜索空间;粒子在飞行过程中每个粒子将分别依据单子粒子的飞行经验和群体的飞行经验对飞行速度进行动态调整,然后以一定的速度向目标逼近直至找到最优目标,即PID控制器的最优参数;
PID参数优化的本质是基于目标函数的参数寻优问题,采用能反映系统调节品质的ITAE作为目标函数;由于PID参数寻优是求目标函数的极小值问题,因而要对目标函数进行改造,将极小值问题转换为极大值问题,则适应度函数取为:
其中,e(t)是绝对误差;
4.根据权利要求2所述的一种电动车驾驶机器人控制器参数自学习方法,其特征在于,所述步骤(3.3)中进行控制器参数在线整定,得到优化后的控制器参数的具体步骤如下:
设定粒子群算法所需要的初始条件;其次随机产生粒子的初始位置和初始速度;然后将选取的PID控制器的参数和电动车模型的传递函数做串联运算,并且输入一个阶跃响应的信号,直到设定时间结束后,分别计算每一个粒子所代表的性能指标ITAE函数值;最后判断系统是否稳定,为了避免得到一个不稳定的系统,令所求粒子性能指标ITAE的极小值转化为极大值问题,这样可以使得所搜索出来的PID参数空间是一个稳定的系统,进而得到粒子本身的最佳解和全部粒子的最佳解,更新粒子的位置和速度;直到所设定的回路结束,便可得到一组最佳的PID参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414745.7A CN109521674B (zh) | 2018-11-26 | 2018-11-26 | 一种电动车驾驶机器人控制器参数自学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811414745.7A CN109521674B (zh) | 2018-11-26 | 2018-11-26 | 一种电动车驾驶机器人控制器参数自学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521674A CN109521674A (zh) | 2019-03-26 |
CN109521674B true CN109521674B (zh) | 2021-10-29 |
Family
ID=65793335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811414745.7A Active CN109521674B (zh) | 2018-11-26 | 2018-11-26 | 一种电动车驾驶机器人控制器参数自学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521674B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110501941B (zh) * | 2019-08-16 | 2021-08-24 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
CN110588654B (zh) * | 2019-10-10 | 2020-04-10 | 奥特酷智能科技(南京)有限公司 | 一种自动整定车辆速度相应pid控制参数的方法 |
CN111338396A (zh) * | 2020-03-11 | 2020-06-26 | 威马智慧出行科技(上海)有限公司 | 车辆速度控制方法、存储介质及电子设备 |
CN113581285B (zh) * | 2021-08-25 | 2023-01-20 | 深圳亿嘉和科技研发有限公司 | 一种液压转向阿克曼型机器人的自动回充控制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1621990A (zh) * | 2004-12-22 | 2005-06-01 | 东南大学 | 汽车试验用气电混合式驾驶机器人 |
CN101667015A (zh) * | 2009-08-26 | 2010-03-10 | 东南大学 | 汽车驾驶机器人的车速跟踪模糊控制方法 |
CN103631144B (zh) * | 2013-08-19 | 2016-04-20 | 南京理工大学 | 电磁驱动汽车驾驶机器人 |
CN107168104B (zh) * | 2017-06-23 | 2020-06-16 | 吉林大学 | 基于观测器的纯电动智能汽车纵向车速控制方法 |
CN110501941B (zh) * | 2019-08-16 | 2021-08-24 | 东南大学 | 一种电动汽车整车控制模型获取方法 |
-
2018
- 2018-11-26 CN CN201811414745.7A patent/CN109521674B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109521674A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521674B (zh) | 一种电动车驾驶机器人控制器参数自学习方法 | |
Yang et al. | Efficient mode transition control for parallel hybrid electric vehicle with adaptive dual-loop control framework | |
US12054155B2 (en) | Method of adaptive estimation of adhesion coefficient of vehicle road surface considering complex excitation conditions | |
CN103381826B (zh) | 基于近似策略迭代的自适应巡航控制方法 | |
Gao et al. | Optimal trajectory planning of motor torque and clutch slip speed for gear shift of a two-speed electric vehicle | |
CN104401232B (zh) | 基于数据驱动预测控制的电动汽车扭矩优化方法 | |
CN107894790B (zh) | 一种mt车型发动机油门扭矩特性匹配方法 | |
CN110501941B (zh) | 一种电动汽车整车控制模型获取方法 | |
CN104809292B (zh) | 一种高速列车非线性动力学模型参数的在线辨识方法 | |
CN107168104A (zh) | 基于观测器的纯电动智能汽车纵向车速控制方法 | |
CN105136469A (zh) | 一种基于pso和rbf神经网络的无人驾驶车辆车速控制方法 | |
CN110456634B (zh) | 一种基于人工神经网络的无人车控制参数选取方法 | |
CN110758413B (zh) | 一种基于系统参数辨识的列车速度自适应控制方法 | |
Torabi et al. | Road grade and vehicle mass estimation for heavy-duty vehicles using feedforward neural networks | |
CN109685935A (zh) | 一种整车系统状态量的估计方法和装置 | |
Martin et al. | Design and simulation of control strategies for trajectory tracking in an autonomous ground vehicle | |
CN109799702A (zh) | 一种轨道交通车辆的粘着控制方法及系统 | |
CN113190055A (zh) | 一种电动汽车速度跟踪控制方法 | |
Ravichandran et al. | Design and evaluation of EV drivetrain clunk and shuffle management control system | |
Guo et al. | Shift schedule optimization of 2-speed electric vehicle using model predictive control | |
CN113010983A (zh) | 一种基于参数化模型的等速万向节传递效率预测方法 | |
CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 | |
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 | |
CN111965973B (zh) | 基于数据驱动建模的dct车辆起步sd-arx-mpc控制方法 | |
CN105956236A (zh) | 一种双重更新的四因素随机退化模型齿轮寿命预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |