CN110687907A - 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 - Google Patents
基于模型动态重构的智能汽车解耦预测控制器及其控制方法 Download PDFInfo
- Publication number
- CN110687907A CN110687907A CN201910897708.4A CN201910897708A CN110687907A CN 110687907 A CN110687907 A CN 110687907A CN 201910897708 A CN201910897708 A CN 201910897708A CN 110687907 A CN110687907 A CN 110687907A
- Authority
- CN
- China
- Prior art keywords
- model
- intelligent automobile
- control
- longitudinal
- speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000006870 function Effects 0.000 claims abstract description 66
- 238000013461 design Methods 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims abstract description 11
- 238000010168 coupling process Methods 0.000 claims abstract description 11
- 238000005859 coupling reaction Methods 0.000 claims abstract description 11
- WBXQXRXMGCOVHA-UHFFFAOYSA-N [methyl(nitroso)amino]methyl acetate Chemical compound O=NN(C)COC(C)=O WBXQXRXMGCOVHA-UHFFFAOYSA-N 0.000 claims description 26
- 238000012937 correction Methods 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 14
- 230000005477 standard model Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于模型动态重构的智能汽车解耦预测控制器及其控制方法，在智能感知车辆外部环境和自身参数的基础上，首先建立智能汽车三自由度耦合非线性原模型，再构造智能汽车的两个右逆模型，两个右逆模型交替学习进化，将其中一个不执行学习进化功能的右逆模型放置于原模型的左侧，对智能汽车模型进行动态重构，实现模型动态解耦和简化控制，然后根据重新构造得到的新模型中各个子模型及控制要求特征，分别设计模型预测控制器，实现基于模型动态重构的智能汽车解耦预测控制，提高智能汽车的控制性能和智能化水平。本发明结合使用动态逆模型和模型预测控制方法，使用重构的规范化新模型合理设计模型预测控制器，提高智能汽车的控制性能。
Description
技术领域
本发明涉及一种智能汽车控制领域，尤其涉及一种基于模型动态重构的智能汽车解耦预测控制器及其控制方法。
背景技术
智能汽车是基于环境感知技术、智能驾驶技术、无线通信技术和计算机技术的高新科技产品，汽车产业转型升级的过程，将是汽车逐步实现智能化的过程。智能运行状态下的汽车将以安全、环保、节能、舒适等作为综合控制目标，协同构建高效有序的交通运输网络。
现代社会对生活质量的要求越来越高，希望智能汽车能够具有优异的综合控制性能。汽车的动态模型是一个强耦合的非线性时变系统，智能汽车控制是一个存在多变量、强耦合、多干扰的时滞型非线性控制问题。传统的控制算法暂时还没有很好地协调解决控制过程中的参数变化、变量耦合、控制时滞和非线性问题，仿真或试验时多采用简化的线性模型，规避或忽略实际过程中的参数变化、控制时滞和变量耦合特性，导致中低车速时效果很好的控制参数往往在较高车速时控制效果不够理想，适合蛇形路径的控制参数可能并不适合双移线路，控制过程中很难兼顾快速响应特性和乘员的安全性和舒适性等指标。在对车辆内外部环境参数进行有效感知的基础之上，如何对智能汽车模型进行合理的动态重构，解决状态变量之间的强耦合和非线性问题，选用何种控制方法以达到有效抑制多干扰因素，克服参数变化和控制时滞，提高智能汽车的控制性能，是一个急待解决的问题。
发明内容
为解决上述技术问题，本发明提供一种基于模型动态重构的智能汽车解耦预测控制器及其控制方法，在智能感知车辆外部环境和自身参数的基础上，首先建立智能汽车三自由度耦合非线性原模型，再构造智能汽车的两个右逆模型，两个右逆模型交替学习进化，将其中一个不执行学习进化功能的右逆模型以串联方式放置于原模型的左侧，对智能汽车模型进行动态重构，实现模型动态解耦和简化控制，然后根据重新构造得到的新模型中各个子模型及控制要求特征，分别设计模型预测控制器，实现基于模型动态重构的智能汽车解耦预测控制，提高智能汽车的控制性能和智能化水平。
本发明基于模型动态重构的智能汽车解耦预测控制器的技术方案是：包括外部环境感知模块，内部参数测量模块，智能汽车原模型，智能汽车右逆模型一，智能汽车右逆模型二，右逆模型进化监督切换模块，模型预测控制模块。
所述外部环境感知模块用于获取汽车行驶的车道信息、交通标志、附近车辆、行人信息，并将信息传送给模型预测转向控制模块；
所述内部参数测量模块用于获取汽车行驶的横向速度v、纵向速度u、前轮转角δ、轮胎纵向滑移率λ信息，并将信息传送给模型预测控制模块；
所述智能汽车原模型
是一个三自由度耦合非线性模型：
所述智能汽车原模型
包括的参数有：汽车前轮到质心距离a、后轮到质心距离b、前轮侧偏刚度k1、后轮侧偏刚度k2、前轮纵向刚度c1、后轮纵向刚度c2、汽车质量m、转动惯量Iz、纵向速度u、横向速度v、横摆角速度ωr、前轮转角δ、轮胎纵向滑移率λ；
所述智能汽车原模型
的输入变量为前轮转角δ、轮胎纵向滑移率λ，控制变量为横向速度v、纵向速度u、横摆角速度ωr，输出变量为横向速度v、纵向速度u；
所述智能汽车右逆模型一是由人工神经网络ANN(1)加积分器s-1构造而成，所述人工神经网络ANN(1)包括四个输入和二个输出，所述人工神经网络ANN(1)是根据智能汽车原模型运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数纵向速度u、纵向速度一阶导数
的数据训练构造而成，所述智能汽车右逆模型一的输入变量为横向速度v、横向速度的一阶导数据
纵向速度u、纵向速度一阶导数
输出变量为前轮转角δ、轮胎纵向滑移率λ；
所述智能汽车右逆模型二与右逆模型一构造方法相同，是由人工神经网络ANN(2)加积分器s-1构造而成，所述人工神经网络ANN(2)包括四个输入和二个输出，所述人工神经网络ANN(2)是根据智能汽车原模型运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数
纵向速度u、纵向速度一阶导数
的数据训练构造而成，所述智能汽车右逆模型二的输入变量为横向速度v、横向速度的一阶导数据
纵向速度u、纵向速度一阶导数
输出变量为前轮转角δ、轮胎纵向滑移率λ；
所述智能汽车右逆模型一和右逆模型二在右逆模型进化监督切换模块的作用下，交替执行学习进化和模型重构控制功能，也就是说，当其中一个用于控制过程中的模型重构，另外一个进行学习进化；
所述右逆模型进化监督切换模块，用于接收纵向速度控制子模块和向速度控制子模块发过来的控制数据和内部参数测量模块发过来的纵向速度和横向速度数据，组成神经网络学习进化样本集，控制智能汽车右逆模型一和右逆模型二交替执行学习进化和模型重构控制功能，也就是说，决定其中一个右逆模型用于控制过程中的模型重构，而另外一个右逆模型则进行学习进化；
所述右逆模型进化监督切换模块将其中一个不执行学习进化功能的智能汽车右逆模型以串联方式放置于智能汽车原模型
的左侧，智能汽车模型即重构为两个解耦的规范一阶传递函数子模型G(s)=s-1，分别为横向速度子模型、纵向速度子模型，横向速度子模型的输入变量为智能汽车横向速度的一阶导数
输出变量为智能汽车的横向速度v，纵向速度子模型的输入变量为纵向速度一阶导数
输出变量为智能汽车的纵向速度u；
所述模型预测控制模块包括速度控制决策子模块、横向速度控制子模块、纵向速度控制子模块；
所述速度控制决策子模块以外部环境感知模块发送过来的车道信息、交通标志为决策背景，以外部环境感知模块发送过来的附近车辆、行人信息为障碍物信息，根据汽车参数测量模块发送过来的纵向速度、横向速度、前轮转角、轮胎纵向滑移率信息计算运动轨迹，以智能汽车与障碍物的安全距离为必要条件给出参考轨迹输入的结果，向横向速度控制子模块发出控制参数的横向速度给定值v*(k)，向纵向速度控制子模块发出控制参数的纵向速度给定值u*(k)；
所述横向速度控制子模块是根据重构后的新模型进行设计，包括设计预测方程、约束条件、目标函数，所述预测方程是将重构后的横向速度子模型进行离散化，经过设计预测时域Np1、控制时域Nc1和采样时间T1后得到，所述约束条件包括前轮转角δ约束、横摆角速度ωr约束，所述目标函数包括横向速度偏差ev(k)信息、控制输入
信息和偏差修正系数hv；
所述纵向速度控制子模块是根据重构后的新模型进行设计，包括设计预测方程、约束条件、目标函数，所述预测方程是将重构后的纵向速度子模型进行离散化，经过设计预测时域Np2、控制时域Nc2和采样时间T2后得到，所述约束条件包括轮胎纵向滑移率λ约束和纵向速度u约束，所述目标函数包括纵向速度偏差eu(k)信息、控制输入
信息和偏差修正系数hu；
所述横向速度控制子模块中，
预测方程设计如下：
预测方程中，vp(k+1|k)为预测输出，
为k时刻的控制输入，hv为偏差修正系数，v(k)为智能汽车重构新模型在k时刻的输出，vm(k)为标准模型G(s)=s-1在k时刻的输出，ev(k)＝v(k)-vm(k)是k时刻的误差，预测时域Np1＝15，控制时域Nc1＝2，采样时间T1＝0.05s；
约束条件设计如下：
前轮转角约束：-8°≤δ≤8°，-0.6°≤Δδ≤0.6°；
横摆角速度约束：-5.0°/s≤ωr≤5.0°/s；
目标函数设计如下：
目标函数中，vp(k+1|k)为预测输出，vr(k+1)参考轨迹输入，
为k时刻的控制输入，hv为误差修正系数，ev(k)＝v(k)-vm(k)是k时刻的误差，v(k)为智能汽车重构新模型在k时刻的输出，vm(k)为标准模型G(s)＝s-1在k时刻的输出。
所述纵向速度控制子模块中，
预测方程设计如下：
预测方程中，up(k+1|k)为预测输出，
为k时刻的控制输入，hu为偏差修正系数，u(k)为智能汽车重构新模型在k时刻的输出，um(k)为标准模型G(s)＝s-1在k时刻的输出，eu(k)＝u(k)-um(k)是k时刻的误差，预测时域Np2＝10，控制时域Nc2＝2，采样时间T2＝0.05s；
约束条件设计如下：
纵向速度约束：0＜u≤120km/h；
轮胎纵向滑移率约束：0≤λ≤15％；
目标函数设计如下：
目标函数中，up(k+1|k)为预测输出，ur(k+1)参考轨迹输入，
为k时刻的控制输入，hu为误差修正系数，eu(k)＝u(k)-um(k)是k时刻的误差，u(k)为智能汽车重构新模型在k时刻的输出，um(k)为标准模型G(s)＝s-1在k时刻的输出。
本发明基于模型动态重构的智能汽车解耦预测控制方法采用的技术方案是依次包括如下步骤：
步骤1)对智能汽车进行简化等效，得到智能汽车原模型，输入变量为前轮转角δ、轮胎纵向滑移率λ，控制变量为横向速度v、纵向速度u、横摆角速度ωr，输出变量为横向速度v、纵向速度u；
步骤2)对智能汽车原模型进行分析和推导，确定智能汽车右逆模型一和右逆模型二的输入变量都为横向速度v、横向速度的一阶导数据
纵向速度u、纵向速度一阶导数
输出变量都为前轮转角δ、轮胎纵向滑移率λ；
步骤3)分别用人工神经网络ANN(1)和ANN(2)加积分器s-1构造智能汽车右逆模型一和右逆模型二，所述ANN(1)和ANN(2)的参数确定方法为将前轮转角的激励信号δ*和轮胎纵向滑移率的激励信号λ*加到智能汽车原模型的输入端；采集激励信号δ*、λ*和横向速度v、纵向速度u；对得到的横向速度v和纵向速度u分别求一阶导数
和用构成的训练样本集
对ANN(1)和ANN(2)进行训练，从而确定ANN(1)和ANN(2)的参数；
步骤4)将处于不进行学习进化期间的其中一个智能汽车右逆模型以串联方式放置于智能汽车原模型的左边，将智能汽车模型重构为两个解耦的纵向速度和横向速度一阶传递函数新模型G(s)＝s-1；另外一个智能汽车右逆模型进行学习进化，两个智能汽车右逆模型通过右逆模型进化监督切换模块进行模型重构控制和学习进化功能角色的切换；
步骤5)根据模型重构而成的两个解耦的纵向速度和横向速度一阶传递函数新模型G(s)＝s-1，分别设计预测方程、约束条件和目标函数，构成横向速度控制子模块和纵向速度控制子模块，与速度控制决策子模块一起构成模型预测控制模块。
本发明通过构造智能汽车原模型的右逆模型一和右逆模型二，两个右逆模型交替学习进化，当其中一个右逆模型执行学习进化功能时，另外一个右逆模型执行模型重构和控制功能，使右逆模型兼有学习进化和控制功能，将智能汽车模型动态重构为两个解耦的纵向速度和横向速度一阶传递函数新模型G(s)＝s-1，再分别设计横向速度v和纵向速度u模型预测控制器，实现了对智能汽车的高效控制。
本发明的有益效果在于：
1、本发明通过构建智能汽车原模型的两个右逆模型，两个右逆模型交替执行模型重构控制和进化学习功能，解决了对智能汽车原模型中参数实变的右逆模型动态构建问题；
2、本发明将智能汽车右逆模型和智能汽车原模型进行复合，将智能汽车三自由度耦合非线性模型重构解耦为规范化的横向速度子模型和纵向速度子模型，解决了智能汽车复杂模型的简化控制问题；
3、本发明结合使用动态逆模型和模型预测控制方法，使用重构的规范化新模型合理设计模型预测控制器，目的明确，方法简单，抑制多干扰因素，改进未建模动态，提高智能汽车的控制性能。
附图说明
图1是智能汽车简化等效图。
图2是智能汽车右逆模型图。
图3是模型重构后得到两个解耦一阶传递函数新模型图。
图4是基于模型动态重构的智能汽车解耦预测控制器结构图。
具体实施方式
以下结合本发明附图进行详细叙述。
如图1所示，智能汽车原模型，经过简化等效，智能汽车原模型为三自由度耦合非线模型
智能汽车原模型包括的参数有：汽车前轮到质心距离a、后轮到质心距离b、前轮侧偏刚度k1、后轮侧偏刚度k2、前轮纵向刚度c1、后轮纵向刚度c2、汽车质量m、转动惯量Iz、纵向速度u、横向速度v、横摆角速度ωr、前轮转角δ、轮胎纵向滑移率λ；输入变量为轮胎纵向滑移率λ、前轮转角δ，控制变量为纵向速度u、横向速度v、横摆角速度ωr，输出变量为横向速度v、纵向速度u；
如图2所示，智能汽车右逆模型，智能汽车右逆模型由人工神经网络ANN和积分器s-1构成，所述人工神经网络ANN是在右逆模型进化监督切换模块的作用下，由人工神经网络ANN(1)或人工神经网络ANN(2)担任，所述人工神经网络ANN(1)或人工神经网络ANN(2)都是由智能汽车原模型
运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数
纵向速度u、纵向速度一阶导数
的数据训练构造而成，智能汽车右逆模型的输入变量为横向速度v、横向速度的一阶导数据
纵向速度u、纵向速度一阶导数
输出变量为前轮转角δ、轮胎纵向滑移率λ；
如图3所示，模型重构后得到两个解耦的一阶传递函数新模型，将智能汽车右逆模型以串联方式放置于智能汽车原模型
的左侧，将智能汽车原模型重构为解耦的纵向速度子模型和横向速度子模型，两个新模型均为规范的一阶传递函数新模型G(s)＝s-1，纵向速度子模型的输入变量为纵向速度一阶导数
输出变量为智能汽车的纵向速度u，横向速度子模型的输入变量为智能汽车横向速度的一阶导数输出变量为智能汽车的横向速度v；
如图4所示，一种基于模型动态重构的智能汽车解耦预测控制器包括外部环境感知模块，内部参数测量模块，智能汽车原模型，智能汽车右逆模型一，智能汽车右逆模型二，右逆模型进化监督切换模块，模型预测控制模块；
外部环境感知模块包括摄像头和雷达，摄像头安装在智能汽车的前端、后端和中部两侧，雷达安装在智能汽车的四周，摄像头和雷达共同协调实现车道信息、交通标志、附近车辆、行人信息的感知，并将信息传送给模型预测控制模块；
内部参数测量模块包括位置导航系统、方向盘转角测量传感器、轮胎纵向滑移率测量装置，分别获取汽车行驶的纵向速度u、横向速度v、前轮转角δ、轮胎纵向滑移率λ的信息，并将信息传送给模型预测控制模块；
模型预测控制模块包括速度控制决策子模块、横向速度控制子模块、纵向速度控制子模块；
速度控制决策子模块用于根据外部环境感知模块和内部参数测量模块发送过来的汽车运行参数，给出控制决策结果，向横向速度控制子模块发出控制参数的横向速度给定值v*(k)，向纵向速度控制子模块发出控制参数的纵向速度给定值u*(k)；
横向速度控制子模块包括预测方程、约束条件、目标函数，预测方程是将重构后的横向速度子模型进行离散化，经过设计预测时域Np1、控制时域Nc1和采样时间T1后得到，约束条件包括前轮转角δ约束、横摆角速度ωr约束，目标函数包括横向速度偏差ev(k)信息、控制输入
信息和偏差修正系数hv；
纵向速度控制子模块包括预测方程、约束条件、目标函数，预测方程是将重构后的纵向速度子模型进行离散化，经过设计预测时域Np2、控制时域Nc2和采样时间T2后得到，约束条件包括轮胎纵向滑移率λ约束和纵向速度u约束，目标函数包括纵向速度偏差eu(k)信息、控制输入信息和偏差修正系数hu；
右逆模型进化监督切换模块，用于接收控制数据和学习进化数据，让智能汽车右逆模型一和右逆模型二交替执行学习进化和模型重构控制功能，也就是说，当其中一个用于控制过程中的模型重构，另外一个进行学习进化；
智能汽车右逆模型一和右逆模型二，接收来自右逆模型进化监督切换模块的要求和数据，其中一个不执行学习进化功能的智能汽车右逆模型以串联方式放置于智能汽车原模型
的左侧，将智能汽车模型即重构为两个解耦的横向速度子模型、纵向速度子模型，并向智能汽车输出前轮转角δ和轮胎纵向滑移率λ控制信息；另一个智能汽车右逆模型执行学习进化功能；
最终形成的基于模型动态重构的智能汽车解耦预测控制器，包括：包括外部环境感知模块，内部参数测量模块，智能汽车原模型，智能汽车右逆模型一，智能汽车右逆模型二，右逆模型进化监督切换模块，模型预测控制模块，本发明可采用不同的硬件和软件来实现。
一种基于模型动态重构的智能汽车解耦预测控制方法，包括以下步骤：
步骤1)对智能汽车进行简化等效，得到三自由度耦合非线性智能汽车原模型
输入变量为前轮转角δ、轮胎纵向滑移率λ，控制变量为纵向速度u、横向速度v、横摆角速度ωr，输出变量为横向速度v、纵向速度u；
步骤2)对智能汽车原模型
进行分析和推导，确定其符合右可逆条件，右逆模型的输入变量为横向速度v、横向速度的一阶导数据
纵向速度u、纵向速度一阶导数输出变量都为前轮转角δ、轮胎纵向滑移率λ；
步骤3)用ANN和积分器s-1构造智能汽车右逆模型，ANN为3层网络，输入节点数为4个，输出节点为2个，隐含层节点数为12个，隐含层神经元函数使用S型函数f(x)＝(ex-e-x)/(ex+e-x)，输出层的神经元采用线性变换函数。
ANN的参数确定步骤为：
(A)将前轮转角的激励信号δ*和轮胎纵向滑移率的激励信号λ*加到智能汽车原模型的输入端；
(B)采集激励信号δ*、λ*和横向速度v、纵向速度u；
(C)对得到的横向速度v和纵向速度u分别求一阶导数
和
(D)用构成的训练样本集
对ANN进行训练，当训练样本的误差限值和校验样本的误差限值都达到控制的精度要求后，就可以确定ANN的参数；
步骤4)设计右逆模型进化监督切换模块，用于接收控制数据和学习进化数据，根据接收到的数据评估智能汽车原模型的参数变化和控制效果，从智能汽车右逆模型一和右逆模型二中选取其中之一用于模型重构控制，另外一个右逆模型执行学习进化功能；
步骤5)根据智能汽车右逆模型和智能汽车原模型重构而成的横向速度子模型和纵向速度子模型，设计模型预测控制模块，具体包括速度控制决策子模块、横向速度控制子模块、纵向速度控制子模块，具体步骤为：
(A)设计速度控制决策子模块，包括根据外部环境感知模块和内部参数测量模块发送过来的汽车运行参数，给出控制决策结果，向横向速度控制子模块发出控制参数的给定值v*，向纵向速度控制子模块发出控制参数的给定值u*；
(B)设计横向速度控制子模块，根据重构后解耦的横向速度子模型设计横向速度控制子模块，包括预测方程、约束条件、目标函数，预测方程是将重构后的横向速度子模型进行离散化，经过设计预测时域Np1、控制时域Nc1和采样时间T1后得到，约束条件包括前轮转角δ约束、横摆角速度ωr约束，所述目标函数包括横向速度偏差ev(k)信息、控制输入
信息和偏差修正系数hv；
(C)设计纵向速度控制子模块，根据重构后解耦的纵向速度子模型设计纵向速度控制子模块，包括预测方程、约束条件、目标函数，预测方程是将重构后的纵向速度子模型进行离散化，经过设计预测时域Np2、控制时域Nc2和采样时间T2后得到，所述约束条件包括轮胎纵向滑移率λ约束和纵向速度u约束，所述目标函数包括纵向速度偏差eu(k)信息、控制输入
信息和偏差修正系数hu；
本发明的具体实施例：使用摄像头和激光雷达构成外部环境感知模块，使用GPS导航系统、方向盘转角测量传感器和轮胎纵向滑移率测量装置构成汽车参数测量模块，使用MATLAB/Simulink编写模型预测控制模块、右逆模型进化监督切换模块、智能汽车右逆模型一和智能汽车右逆模型二，实施各模块之间的逻辑连接后编译下载到dSPACE，使用dSPACE附带接口与智能汽车相连，在dSPACE上搭建连接虚拟仪表，实现基于模型动态重构的智能汽车解耦预测转向控制器。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (9)
1.基于模型动态重构的智能汽车解耦预测控制器，其特征在于，包括外部环境感知模块，内部参数测量模块，智能汽车原模型，智能汽车右逆模型一，智能汽车右逆模型二，右逆模型进化监督切换模块，模型预测控制模块；
所述外部环境感知模块用于获取汽车行驶的车道信息、交通标志、附近车辆、行人信息，并将信息传送给模型预测转向控制模块；
所述内部参数测量模块用于获取汽车行驶的横向速度v、纵向速度u、前轮转角δ、轮胎纵向滑移率λ信息，并将信息传送给模型预测控制模块；
所述智能汽车原模型
是一个三自由度耦合非线性模型：所述智能汽车原模型
的输入变量为前轮转角δ、轮胎纵向滑移率λ，控制变量为横向速度v、纵向速度u、横摆角速度ωr，输出变量为横向速度v、纵向速度u；
所述智能汽车右逆模型一和右逆模型二在右逆模型进化监督切换模块的作用下，交替执行学习进化和模型重构控制功能，当其中一个用于控制过程中的模型重构，另外一个进行学习进化；
所述右逆模型进化监督切换模块，用于接收控制数据和学习进化数据，控制智能汽车右逆模型一和右逆模型二交替执行学习进化和模型重构控制功能，决定其中一个右逆模型用于控制过程中的模型重构，而另外一个右逆模型则进行学习进化；
所述右逆模型进化监督切换模块将其中一个不执行学习进化功能的智能汽车右逆模型以串联方式放置于智能汽车原模型
的左侧，智能汽车模型即重构为两个解耦的规范一阶传递函数子模型G(s)＝s-1，分别为横向速度子模型和纵向速度子模型，横向速度子模型的输入变量为智能汽车横向速度的一阶导数
输出变量为智能汽车的横向速度v，纵向速度子模型的输入变量为纵向速度一阶导数
输出变量为智能汽车的纵向速度u；
所述模型预测控制模块包括速度控制决策子模块、横向速度控制子模块、纵向速度控制子模块；所述速度控制决策子模块用于根据外部环境感知模块和内部参数测量模块发送过来的汽车运行参数，给出控制决策结果，向横向速度控制子模块发出控制参数的横向速度给定值v*(k)，向纵向速度控制子模块发出控制参数的纵向速度给定值u*(k)。
2.根据权利要求1所述基于模型动态重构的智能汽车解耦预测控制器，其特征在于，所述智能汽车原模型
的建模表达式为：
其中的参数含义：汽车前轮到质心距离a、后轮到质心距离b、前轮侧偏刚度k1、后轮侧偏刚度k2、前轮纵向刚度c1、后轮纵向刚度c2、汽车质量m、转动惯量Iz、纵向速度u、横向速度v、横摆角速度ωr、前轮转角δ、轮胎纵向滑移率λ。
3.根据权利要求1所述基于模型动态重构的智能汽车解耦预测控制器，其特征在于，所述智能汽车右逆模型一是由人工神经网络ANN(1)加积分器s-1构造而成，所述人工神经网络ANN(1)包括四个输入和二个输出，所述人工神经网络ANN(1)是根据智能汽车原模型运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数
纵向速度u、纵向速度一阶导数
的数据训练构造而成，所述智能汽车右逆模型一的输入变量为横向速度v、横向速度的一阶导数据纵向速度u、纵向速度一阶导数
输出变量为前轮转角δ、轮胎纵向滑移率λ；
所述智能汽车右逆模型二是由人工神经网络ANN(2)加积分器s-1构造而成，所述人工神经网络ANN(2)包括四个输入和二个输出，所述人工神经网络ANN(2)是根据智能汽车原模型运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数
纵向速度u、纵向速度一阶导数
的数据训练构造而成，所述智能汽车右逆模型二的输入变量为横向速度v、横向速度的一阶导数据纵向速度u、纵向速度一阶导数
输出变量为前轮转角δ、轮胎纵向滑移率λ。
4.根据权利要求1所述基于模型动态重构的智能汽车解耦预测控制器，其特征在于，所述横向速度控制子模块是根据重构后的新模型进行设计，包括设计预测方程、约束条件、目标函数，所述预测方程是将重构后的横向速度子模型进行离散化，经过设计预测时域Np1、控制时域Nc1和采样时间T1后得到，所述约束条件包括前轮转角δ约束和横摆角速度ωr约束，所述目标函数包括横向速度偏差ev(k)信息、控制输入
信息和偏差修正系数hv；
所述纵向速度控制子模块是根据重构后的新模型进行设计，包括设计预测方程、约束条件、目标函数，所述预测方程是将重构后的纵向速度子模型进行离散化，经过设计预测时域Np2、控制时域Nc2和采样时间T2后得到，所述约束条件包括轮胎纵向滑移率λ约束和纵向速度u约束，所述目标函数包括纵向速度偏差eu(k)信息、控制输入
信息和偏差修正系数hu。
5.根据权利要求4所述基于模型动态重构的智能汽车解耦预测控制器，其特征在于，所述横向速度控制子模块中，
预测方程设计如下：
预测方程中，vp(k+1|k)为预测输出，
为k时刻的控制输入，hv为偏差修正系数，v(k)为智能汽车重构新模型在k时刻的输出，vm(k)为标准模型G(s)＝s-1在k时刻的输出，ev(k)＝v(k)-vm(k)是k时刻的误差，预测时域Np1＝15，控制时域Nc1＝2，采样时间T1＝0.05s；
约束条件设计如下：
前轮转角约束：-8°≤δ≤8°，-0.6°≤Δδ≤0.6°；
横摆角速度约束：-5.0°/s≤ωr≤5.0°/s；
目标函数设计如下：
目标函数中，vp(k+1k)为预测输出，vr(k+1)参考轨迹输入，
为k时刻的控制输入，hv为误差修正系数，ev(k)-v(k)-vm(k)是k时刻的误差，v(k)为智能汽车重构新模型在k时刻的输出，vm(k)为标准模型G(s)＝s-1在k时刻的输出。
所述纵向速度控制子模块中，
预测方程设计如下：
预测方程中，up(k+1|k)为预测输出，
为k时刻的控制输入，hu为偏差修正系数，u(k)为智能汽车重构新模型在k时刻的输出，um(k)为标准模型G(s)＝s-1在k时刻的输出，eu(k)＝u(k)-um(k)是k时刻的误差，预测时域Np2＝10，控制时域Nc2＝2，采样时间T2＝0.05s；
约束条件设计如下：
纵向速度约束：0＜u≤120km/h；
轮胎纵向滑移率约束：0≤λ≤15％；
目标函数设计如下：
目标函数中，up(k+1|k)为预测输出，ur(k+1)参考轨迹输入，
为k时刻的控制输入，hu为误差修正系数，eu(k)＝u(k)-um(k)是k时刻的误差，u(k)为智能汽车重构新模型在k时刻的输出，um(k)为标准模型G(s)＝s-1在k时刻的输出。
6.基于模型动态重构的智能汽车解耦预测控制方法，其特征在于，包括如下步骤：
步骤1)对智能汽车进行简化等效，得到智能汽车原模型为三自由度耦合非线性模型，输入变量为前轮转角δ、轮胎纵向滑移率λ，控制变量为横向速度v、纵向速度u、横摆角速度ωr，输出变量为横向速度v、纵向速度u；
步骤2)确定智能汽车右逆模型一和右逆模型二的输入变量都为横向速度v、横向速度的一阶导数据
纵向速度u、纵向速度一阶导数
输出变量都为前轮转角δ、轮胎纵向滑移率λ；
步骤3)分别用人工神经网络ANN(1)和ANN(2)加积分器s-1构造智能汽车右逆模型一和右逆模型二；
步骤4)将处于不进行学习进化期间的其中一个智能汽车右逆模型以串联方式放置于智能汽车原模型的左边，将智能汽车模型重构为两个解耦的纵向速度和横向速度一阶传递函数新模型G(s)＝s-1；另外一个智能汽车右逆模型进行学习进化，两个智能汽车右逆模型通过右逆模型进化监督切换模块进行模型重构控制和学习进化功能角色的切换；
步骤5)根据模型重构而成的两个解耦的纵向速度和横向速度一阶传递函数新模型G(s)＝s-1，分别设计预测方程、约束条件和目标函数，构成横向速度控制子模块和纵向速度控制子模块，与速度控制决策子模块一起构成模型预测控制模块。
7.根据权利要求6所述基于模型动态重构的智能汽车解耦预测控制方法，其特征在于，所述步骤3)中的ANN(1)和ANN(2)的参数确定方法为：将前轮转角的激励信号δ*和轮胎纵向滑移率的激励信号λ*加到智能汽车原模型的输入端；采集激励信号δ*、λ*和横向速度v、纵向速度u；对得到的横向速度v和纵向速度u分别求一阶导数
和
用构成的训练样本集
对ANN(1)和ANN(2)进行训练，当训练样本的误差限值和校验样本的误差限值都达到控制的精度要求后，即可确定ANN的参数。
8.根据权利要求6所述基于模型动态重构的智能汽车解耦预测控制方法，其特征在于，所述步骤5)中，
(A)设计速度控制决策子模块的方法：包括根据外部环境感知模块和内部参数测量模块发送过来的汽车运行参数，给出控制决策结果，向横向速度控制子模块发出控制参数的给定值v*，向纵向速度控制子模块发出控制参数的给定值u*；
(B)设计横向速度控制子模块的方法：根据重构后解耦的横向速度子模型设计横向速度控制子模块，包括设计预测方程、约束条件、目标函数，预测方程是将重构后的横向速度子模型进行离散化，经过设计预测时域Np1、控制时域Nc1和采样时间T1后得到，约束条件包括前轮转角δ约束、轮胎横向滑移率sy约束和横摆角速度ωr约束，所述目标函数包括横向速度偏差ev(k)信息、控制输入
信息和偏差修正系数hv；
(C)设计纵向速度控制子模块的方法：根据重构后解耦的纵向速度子模型设计纵向速度控制子模块，包括预测方程、约束条件、目标函数，预测方程是将重构后的纵向速度子模型进行离散化，经过设计预测时域Np2、控制时域Nc2和采样时间T2后得到，所述约束条件包括轮胎纵向滑移率λ约束和纵向速度u约束，所述目标函数包括纵向速度偏差eu(k)信息、控制输入
信息和偏差修正系数hu。
9.根据权利要求8所述基于模型动态重构的智能汽车解耦预测控制方法，其特征在于，所述横向速度控制子模块中的预测方程如下：
预测方程中，vp(k+1|k)为预测输出，
为k时刻的控制输入，hv为偏差修正系数，v(k)为智能汽车重构新模型在k时刻的输出，vm(k)为标准模型G(s)＝s-1在k时刻的输出，ev(k)＝v(k)-vm(k)是k时刻的误差，预测时域Np1＝15，控制时域Nc1＝2，采样时间T1＝0.05s；
约束条件设计如下：
前轮转角约束：-8°≤δ≤8°，-0.6°≤Δδ≤0.6°；
横摆角速度约束：-5.0°/s≤ωr≤5.0°/s；
目标函数设计如下：
目标函数中，vp(k+1|k)为预测输出，vr(k+1)参考轨迹输入，
为k时刻的控制输入，hv为误差修正系数，ev(k)＝v(k)-vm(k)是k时刻的误差，v(k)为智能汽车重构新模型在k时刻的输出，vm(k)为标准模型G(s)＝s-1在k时刻的输出。
所述纵向速度控制子模块中的预测方程如下：
预测方程中，up(k+1|k)为预测输出，
为k时刻的控制输入，hu为偏差修正系数，u(k)为智能汽车重构新模型在k时刻的输出，um(k)为标准模型G(s)＝s-1在k时刻的输出，eu(k)＝u(k)-um(k)是k时刻的误差，预测时域Np2＝10，控制时域Nc2＝2，采样时间T2＝0.05s；
约束条件设计如下：
纵向速度约束：0＜u≤120km/h；
轮胎纵向滑移率约束：0≤λ≤15％；
目标函数设计如下：
目标函数中，up(k+1|k)为预测输出，ur(k+1)参考轨迹输入，
为k时刻的控制输入，hu为误差修正系数，eu(k)＝u(k)-um(k)是k时刻的误差，u(k)为智能汽车重构新模型在k时刻的输出，um(k)为标准模型G(s)＝s-1在k时刻的输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910897708.4A CN110687907B (zh) | 2019-09-23 | 2019-09-23 | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910897708.4A CN110687907B (zh) | 2019-09-23 | 2019-09-23 | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110687907A true CN110687907A (zh) | 2020-01-14 |
| CN110687907B CN110687907B (zh) | 2022-09-13 |
Family
ID=69109880
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910897708.4A Active CN110687907B (zh) | 2019-09-23 | 2019-09-23 | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110687907B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111231984A (zh) * | 2020-02-15 | 2020-06-05 | 江苏大学 | 一种四轮转向智能汽车伪解耦控制器及其控制方法 |
| CN111679575A (zh) * | 2020-05-14 | 2020-09-18 | 江苏大学 | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 |
| CN112051846A (zh) * | 2020-08-17 | 2020-12-08 | 华中科技大学 | 一种全转向移动机器人的多模式切换控制方法及系统 |
| CN112180921A (zh) * | 2020-09-22 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法训练系统及方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345159A (zh) * | 2013-07-03 | 2013-10-09 | 江苏大学 | 基于神经网络自适应逆的混合动力车bsg系统控制方法 |
| CN104076687A (zh) * | 2014-06-04 | 2014-10-01 | 江苏大学 | 一种主动悬架和电动助力转向集成系统的解耦控制方法 |
| CN107450311A (zh) * | 2017-04-19 | 2017-12-08 | 吉林大学 | 逆模型建模方法及装置、以及自适应逆控制方法及装置 |
| CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
| CN109976159A (zh) * | 2019-04-09 | 2019-07-05 | 台州学院 | 基于安全可控域的智能车辆横向控制方法 |
-
2019
- 2019-09-23 CN CN201910897708.4A patent/CN110687907B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345159A (zh) * | 2013-07-03 | 2013-10-09 | 江苏大学 | 基于神经网络自适应逆的混合动力车bsg系统控制方法 |
| CN104076687A (zh) * | 2014-06-04 | 2014-10-01 | 江苏大学 | 一种主动悬架和电动助力转向集成系统的解耦控制方法 |
| CN107450311A (zh) * | 2017-04-19 | 2017-12-08 | 吉林大学 | 逆模型建模方法及装置、以及自适应逆控制方法及装置 |
| CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
| CN109976159A (zh) * | 2019-04-09 | 2019-07-05 | 台州学院 | 基于安全可控域的智能车辆横向控制方法 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111231984A (zh) * | 2020-02-15 | 2020-06-05 | 江苏大学 | 一种四轮转向智能汽车伪解耦控制器及其控制方法 |
| CN111231984B (zh) * | 2020-02-15 | 2021-07-20 | 江苏大学 | 一种四轮转向智能汽车伪解耦控制器及其控制方法 |
| CN111679575A (zh) * | 2020-05-14 | 2020-09-18 | 江苏大学 | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 |
| CN112051846A (zh) * | 2020-08-17 | 2020-12-08 | 华中科技大学 | 一种全转向移动机器人的多模式切换控制方法及系统 |
| CN112051846B (zh) * | 2020-08-17 | 2021-11-19 | 华中科技大学 | 一种全转向移动机器人的多模式切换控制方法及系统 |
| CN112180921A (zh) * | 2020-09-22 | 2021-01-05 | 安徽江淮汽车集团股份有限公司 | 自动驾驶算法训练系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110687907B (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110687907B (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
| CN113010967B (zh) | 一种基于混合交通流模型的智能汽车在环仿真测试方法 | |
| Pan et al. | Data-driven vehicle modeling of longitudinal dynamics based on a multibody model and deep neural networks | |
| CN113408047B (zh) | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 | |
| CN116011125B (zh) | 一种不确定车桥耦合系统响应预测的方法 | |
| Yang et al. | Longitudinal tracking control of vehicle platooning using DDPG-based PID | |
| CN112373483B (zh) | 一种基于前向神经网络的车辆速度和转向预测方法 | |
| CN111597750A (zh) | 一种基于bp神经网络的混合动力汽车能量管理方法 | |
| CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
| CN110723207B (zh) | 基于模型重构的智能汽车模型预测转向控制器及其控制方法 | |
| CN107450311A (zh) | 逆模型建模方法及装置、以及自适应逆控制方法及装置 | |
| Zheng et al. | Varying Zonotopic tube RMPC with switching logic for lateral path tracking of autonomous vehicle | |
| CN111231984B (zh) | 一种四轮转向智能汽车伪解耦控制器及其控制方法 | |
| Banerjee et al. | A survey on physics informed reinforcement learning: Review and open problems | |
| JP2001349808A (ja) | 車両モデル構築方法、並びに同方法により構築したモデルを備えた装置及びモデルを記録した記録媒体 | |
| CN113705865B (zh) | 一种基于深度神经网络的汽车稳定性因数预测方法 | |
| Junqueira et al. | A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept | |
| Li et al. | Dual Extended Kalman Filter Based State and Parameter Estimator for Model-Based Control in Autonomous Vehicles | |
| Bian et al. | Control parameter optimization for automobile cruise control system via improved differential evolution algorithm | |
| Albeaik et al. | Longitudinal Deep Truck: Deep learning and deep reinforcement learning for modeling and control of longitudinal dynamics of heavy duty trucks | |
| Yang et al. | A Longitudinal/Lateral Coupled Neural Network Model Predictive Controller for Path Tracking of Self-Driving Vehicle | |
| Cheng et al. | An Indoor Rapid Testing Platform for Autonomous Vehicles Using Vehicle-in-the-Loop Simulation | |
| Xiao et al. | DDK: A deep koopman approach for longitudinal and lateral control of autonomous ground vehicles | |
| Zhang et al. | Inverse Reinforcement Learning in Automatic Driving Decision | |
| Zhang et al. | Dynamic mass estimation framework for autonomous vehicle system via bidirectional gated recurrent unit |
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 |