CN112255915A - 一种汽车底盘解耦滑模控制器的构建及参数整定方法 - Google Patents

Abstract

本发明公开了一种汽车底盘解耦滑模控制器的构建及参数整定方法，首先建立底盘系统状态方程，构建滑移面，然后分析滑移面稳定性，最后设计Actor‑Critic结构参数整定器修正滑模控制器参数，选择TD‑Error方法进行求解计算并用梯度下降法计算出RBF神经网络权值的更新权值。本发明能够有效提高系统的动态性能和鲁棒性，提高车辆底盘控制的稳定性，提高车辆行驶安全性。

Description

一种汽车底盘解耦滑模控制器的构建及参数整定方法

技术领域

本发明涉及汽车安全技术领域，尤其涉及一种汽车底盘解耦滑模控制器的构建及参数整定方法。

背景技术

随着车辆的逐渐发展，为了实现对车辆更好的控制以及为无人驾驶车辆的发展打基础，对于线控车辆的研究越来越受到重视，而由于线控车辆的排盘存在耦合性，因此对于汽车底盘的解耦控制的发展越来越重要，目前对于汽车底盘解耦控制的方法中，滑模变结构控制方法因为其在非线性系统中如离散系统、时滞系统和自适应系统中具有较好的控制效果而受到青睐。针对不同的系统和不同控制要求还形成了许多改进滑模变结构控制方法如：模糊滑模控制，鲁棒滑模控制等

然而在滑模控制设计中,滑模面参数是影响控制效果的一个重要因素，在控制律设计过程中要经过多次尝试来调整参数。常规滑模变结构控制在控制过程中，参数一旦确定，就无法调整，而且Lyapunov函数仅能确定各个参数的下限，不能得到参数的合适值，控制效果不佳。但在车辆行驶过程中，对于控制器的控制效果有非常高的要求，否则会降低车辆的行驶安全性。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种汽车底盘解耦滑模控制器的构建及参数整定方法。

本发明为解决上述技术问题采用以下技术方案：

一种汽车底盘解耦滑模控制器的构建及参数整定方法，包括步骤如下：

步骤1)，建立车辆底盘集成系统的动力学模型；

步骤2)，建立车辆底盘集成系统的逆模型；

步骤3)，对汽车底盘集成系统进行解耦，得到解耦后的制动模型、转向模型、悬架模型；

步骤4)，针对解耦后的制动模型、转向模型、悬架模型分别构建滑模控制器；

步骤5)，针对助力转向模型、电子稳定模型、主动悬架模型的滑模控制器，建立基于RBF神经网络的Actor-critic的参数整定器，对滑模控制器进行修正。

作为本发明一种汽车底盘解耦滑模控制器的构建及参数整定方法进一步的优化方案，所述步骤1)中底盘集成系统的动力学方程为：

式中，m,m_s,m_f,m_r分别为汽车的整车质量、簧载质量、前非簧载质量、后非簧载质量；a,b分别为汽车质心到其前、后轴的距离；I_z,I_r,I_xz分别为横摆转动惯量、侧倾转动惯量、侧倾与横摆运动的惯性积；h,k_f,k_r,E_f,E_r分别为侧倾中心高度、前轮侧偏刚度、后轮侧偏刚度、前侧倾转向系数、后侧倾转向系数；v_x,β,ω_r,φ_r分别为汽车的纵向速度、质心侧偏角、横摆角速度、侧倾角；

分别为质心侧偏角速度、横摆角加速度、侧倾角速度、侧倾角加速度；δ,δ_d,T_z,T_φ分别为前轮差速转向补偿角、驾驶员施加的前轮转角、横摆控制力矩、悬架侧倾力矩；K_φ,D_φ分别为悬架侧倾刚度系数、悬架侧倾阻尼系数；

令底盘集成系统的状态变量为

控制输入变量为u＝[δ,T_z,T_φ]^T，系统输出变量为y＝[β,ω_r,φ_r]^T，则底盘集成系统的状态方程表示为：

式中，

作为本发明一种汽车底盘解耦滑模控制器的构建及参数整定方法进一步的优化方案，所述步骤2)的详细步骤如下：

令底盘集成系统逆模型的输出变量为y、输入变量为u、自变量为v，y＝[y₁，y₂，y₃]，u＝[u₁，u₂，u₃]，v＝[v₁，v₂，v₃]，则：

则逆模型的状态空间为：

式中，

作为本发明一种汽车底盘解耦滑模控制器的构建及参数整定方法进一步的优化方案，所述步骤3)中解耦后的助力转向模型、电子稳定模型、主动悬架模型如下：

作为本发明一种汽车底盘解耦滑模控制器的构建及参数整定方法进一步的优化方案，所述步骤4)中助力转向模型、电子稳定模型、主动悬架模型滑模控制器的滑模控制律分别如下：

助力转向模型的滑模控制律为：v₁＝f₁(x_a,t,s₁)＝∫(ε₁sgn(s₁)+k₁s₁+c₁x_a2)dt；

电子稳定模型的滑模控制律为：v₂＝f₂(x_b,t,s₂)＝∫(ε₂sgn(s₂)+k₂s₂+c₂x_b2)dt

主动悬架模型的滑模控制律为：v₃＝f₃(x_c,t,s₃)＝ε₃sgn(s₃)+k₃s₃+c₃x_c2

式中，c₁、c₂、c₃为常数且均大于零，ε₁、ε₂、ε₃、k₁、k₂、k₃均为预设的系数。

作为本发明一种汽车底盘解耦滑模控制器的构建及参数整定方法进一步的优化方案，所述步骤5)的具体步骤如下：

步骤5.1)，设计三层的RBF神经网络：

步骤5.1.1)，构建输入层，输入节点为3个[s₁,s₂,s₃]；

步骤5.1.2)，构建隐含层，共有h个节点选用高斯核函数作为激活函数，第q个隐节点的输出Φ(t)＝exp{-||x(t)-μ_q(t)||²/(2·σ² _q(t))},q＝1,…h，式中，μ_q(t)为第q个隐节点的中心向量，σ为宽度参数；

步骤5.1.3)，构建输出层，采用一个RBF网络同时实现策略函数和值函数的学习，输出层包含Actor和Critic，共有4个输出节点，其中前3个输出为Actor网络输出K′(t)的分量，最后一个节点的输出为Critic网络的值函数W_t；

式中，q为隐含层节点，p为输入层节点个数，q为输出层节点个数，w_q,p(t)为隐含层第q个节点到输出层Actor第p个节点的权值，w_q,p′(t)为隐含层第q个节点到输出层Critic第p个节点的权值；

步骤5.2)，利用Actor函数输出待整定参数的变化率：

参数修正方法为在K′(t)上叠加一个高斯干扰K_η，最终得到K(t)＝K′(t)+K_η；高斯干扰K_η的期望为0，方差为

将RBF网络输出的K′(t)在修正之后应用在各个滑模控制器上；

步骤5.3)，利用Critic网络通过评估值函数来指导Actor的学习过程：

学习过程中的学习算法采用TD算法，学习过程中的误差TD与状态转移中相邻的值函数和奖励函数r(t)有关，r(t)用来反映选择动作的好坏，

α_i表示r_i(t)的学习率；r_i(t)为误差的奖励信号，

ο为允许的误差带；

步骤5.4)，更新网络权值：

TD误差δ_TD＝r(t)+γW(t+1)-W(t)，γ为折扣因子，0<γ<1；

系统的学习性能指标

利用梯度下降法进行权值更新，公式如下：

η_p为预设的Actor的学习率，影响学习的速率与效果；

采用如下式近似梯度估计算法：

由偏导数公式导出：

把上式带入公式

得到：

w_q,p′(t+1)＝w_q,p′(t)+η_p′δ_TDΦ_q(t)

式中，η_p′为Critic网络的学习率；

由于Actor和Critic同一个RB网络中，在更新时，隐含层节点的中心组和宽度值能够同时更新：

步骤5.5)，设置滑模控制器初始参数c_i，i为大于等于1小于等于3的自然数，经过Actor-Critic参数在线整定器调整得到参数c′_i带入到滑模控制器中。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明提供了一种汽车底盘解耦滑模控制器的构建及参数整定方法，针对汽车底盘的耦合系统，通过建立逆系统的方法实现底盘解耦，并针对解耦后的底盘设计了滑模控制器，设计Actor-Critic结构参数整定器修正滑模控制器参数，选择TD-Error方法进行求解计算并用梯度下降法计算出RBF神经网络权值的更新权值，有效提高系统的动态性能和鲁棒性，提高车辆底盘控制的稳定性，提高车辆行驶安全性。

附图说明

图1为本发明的解耦控制示意图；

图2为本发明的滑模控制基本结构图；

图3为本发明的参数整定器结构示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在附图中，为了清楚起见放大了组件。

如图1所示，本发明公开了一种汽车底盘解耦滑模控制器的构建及参数整定方法，包括步骤如下：

步骤1)，建立车辆底盘集成系统的动力学模型；

步骤2)，建立车辆底盘集成系统的逆模型；

步骤3)，对汽车底盘集成系统进行解耦，得到解耦后的制动模型、转向模型、悬架模型；

步骤4)，针对解耦后的制动模型、转向模型、悬架模型分别构建滑模控制器；

步骤5)，针对助力转向模型、电子稳定模型、主动悬架模型的滑模控制器，建立基于RBF神经网络的Actor-critic的参数整定器，对滑模控制器进行修正。

所述步骤1)中底盘集成系统的动力学方程为：

式中，m,m_s,m_f,m_r分别为汽车的整车质量、簧载质量、前非簧载质量、后非簧载质量；a,b分别为汽车质心到其前、后轴的距离；I_z,I_r,I_xz分别为横摆转动惯量、侧倾转动惯量、侧倾与横摆运动的惯性积；h,k_f,k_r,E_f,E_r分别为侧倾中心高度、前轮侧偏刚度、后轮侧偏刚度、前侧倾转向系数、后侧倾转向系数；v_x,β,ω_r,φ_r分别为汽车的纵向速度、质心侧偏角、横摆角速度、侧倾角；

分别为质心侧偏角速度、横摆角加速度、侧倾角速度、侧倾角加速度；δ,δ_d,T_z,T_φ分别为前轮差速转向补偿角、驾驶员施加的前轮转角、横摆控制力矩、悬架侧倾力矩；K_φ,D_φ分别为悬架侧倾刚度系数、悬架侧倾阻尼系数；

令底盘集成系统的状态变量为

控制输入变量为u＝[δ,T_z,T_φ]^T，系统输出变量为y＝[β,ω_r,φ_r]^T，则底盘集成系统的状态方程表示为：

式中，

所述步骤2)的详细步骤如下：

令底盘集成系统逆模型的输出变量为y、输入变量为u、自变量为v，y＝[y₁，y₂，y₃]，u＝[u₁，u₂，u₃]，v＝[v₁，v₂，v₃]，则：

则逆模型的状态空间为：

式中，

所述步骤3)中解耦后的助力转向模型、电子稳定模型、主动悬架模型如下：

所述步骤4)中构建滑模控制器的步骤如下，如图2所示：

针对助力转向模型被控对象的数学模型为：

令系统的状态变量为：

则系统的状态方程为：

根据系统的状态方程，构造线性滑模面s₁＝c₁x_a1+x_a2，式中，c₁＞0且为常数，c₁值越大，控制系统的质心侧偏角响应越大，但若c₁值太大，容易使系统产生过大的超调；

对线性滑模面求导，得：

根据滑模面采用如下指数趋近律：

式中，ε₁,k₁均为预设的系数，选取较大的k₁值可以使远离滑模面处的趋近速度较快，在靠近滑模面的地方，趋近速度主要由ε₁决定，因此，为了有效加快趋近过程同时削弱抖振，应使k₁值适当增大，ε₁值适当减小；

联立上面两个公式得到：

则对于助力转向模型的滑模控制律为：v₁＝f₁(x_a,t,s₁)＝∫(ε₁sgn(s₁)+k₁s₁+c₁x_a2)dt；

同理，针对电子稳定模型与主动悬架模型，设计了如下滑模控制律：

v₂＝f₂(x_b,t,s₂)＝∫(ε₂sgn(s₂)+k₂s₂+c₂x_b2)dt

v₃＝f₃(x_c,t,s₃)＝ε₃sgn(s₃)+k₃s₃+c₃x_c2

式中，c₂、c₃为常数且均大于零，ε₂、ε₃、k₂、k₃均为预设的系数。

在Lyapunov函数意义下，整个控制系统渐进稳定，即在本法明所设计的控制律作用下，可以保证系统状态在有限时间内达到系统超平面，并且沿着超平面运动趋近平衡点，最终达到稳定，但是c_i的值会影响到控制器的控制效果。

因此步骤5)针对步骤4)设计的滑模控制器参数c_i进行参数整定，i为大于等于1小于等于3的自然数，如图3所示，具体步骤如下：

步骤5.1)，设计三层的RBF神经网络：

步骤5.1.1)，构建输入层，输入节点为3个[s₁,s₂,s₃]；

步骤5.1.2)，构建隐含层，共有h个节点选用高斯核函数作为激活函数，第q个隐节点的输出Φ(t)＝exp{-||x(t)-μ_q(t)||²/(2·σ² _q(t))},q＝1,…h，式中，μ_q(t)为第q个隐节点的中心向量，σ为宽度参数；

步骤5.1.3)，构建输出层，采用一个RBF网络同时实现策略函数和值函数的学习，输出层包含Actor和Critic，共有4个输出节点，其中前3个输出为Actor网络输出K′(t)的分量，最后一个节点的输出为Critic网络的值函数W_t；

式中，q为隐含层节点，p为输入层节点个数，q为输出层节点个数，w_q,p(t)为隐含层第q个节点到输出层Actor第p个节点的权值，w_q,p′(t)为隐含层第q个节点到输出层Critic第p个节点的权值；

步骤5.2)，利用Actor函数输出待整定参数的变化率：

参数修正方法为在K′(t)上叠加一个高斯干扰K_η，最终得到K(t)＝K′(t)+K_η；高斯干扰K_η的期望为0，方差为

将RBF网络输出的K′(t)在修正之后应用在各个滑模控制器上；

步骤5.3)，利用Critic网络通过评估值函数来指导Actor的学习过程：

学习过程中的学习算法采用TD算法，学习过程中的误差TD与状态转移中相邻的值函数和奖励函数r(t)有关，r(t)用来反映选择动作的好坏，

α_i表示r_i(t)的学习率；r_i(t)为误差的奖励信号，

ο为允许的误差带；

步骤5.4)，更新网络权值：

TD误差δ_TD＝r(t)+γW(t+1)-W(t)，γ为折扣因子，0<γ<1；

系统的学习性能指标

利用梯度下降法进行权值更新，公式如下：

η_p为预设的Actor的学习率，影响学习的速率与效果；

采用如下式近似梯度估计算法：

由偏导数公式导出：

把上式带入公式

得到：

w_q,p′(t+1)＝w_q,p′(t)+η_p′δ_TDΦ_q(t)

式中，η_p′为Critic网络的学习率；

由于Actor和Critic同一个RB网络中，在更新时，隐含层节点的中心组和宽度值能够同时更新：

步骤5.5)，设置滑模控制器初始参数c_i，经过Actor-Critic参数在线整定器调整得到参数c′_i带入到滑模控制器中，实现效果更好的控制器。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种汽车底盘解耦滑模控制器的构建及参数整定方法，其特征在于，包括步骤如下：

步骤1)，建立车辆底盘集成系统的动力学模型；

步骤2)，建立车辆底盘集成系统的逆模型；

步骤3)，对汽车底盘集成系统进行解耦，得到解耦后的制动模型、转向模型、悬架模型；

步骤4)，针对解耦后的制动模型、转向模型、悬架模型分别构建滑模控制器；

步骤5)，针对助力转向模型、电子稳定模型、主动悬架模型的滑模控制器，建立基于RBF神经网络的Actor-critic的参数整定器，对滑模控制器进行修正。

2.根据权利要求1所述的种汽车底盘解耦滑模控制器的构建及参数整定方法，其特征在于，所述步骤1)中底盘集成系统的动力学方程为：

式中，m,m_s,m_f,m_r分别为汽车的整车质量、簧载质量、前非簧载质量、后非簧载质量；a,b分别为汽车质心到其前、后轴的距离；I_z,I_r,I_xz分别为横摆转动惯量、侧倾转动惯量、侧倾与横摆运动的惯性积；h,k_f,k_r,E_f,E_r分别为侧倾中心高度、前轮侧偏刚度、后轮侧偏刚度、前侧倾转向系数、后侧倾转向系数；v_x,β,ω_r,φ_r分别为汽车的纵向速度、质心侧偏角、横摆角速度、侧倾角；

分别为质心侧偏角速度、横摆角加速度、侧倾角速度、侧倾角加速度；δ,δ_d,T_z,T_φ分别为前轮差速转向补偿角、驾驶员施加的前轮转角、横摆控制力矩、悬架侧倾力矩；K_φ,D_φ分别为悬架侧倾刚度系数、悬架侧倾阻尼系数；

令底盘集成系统的状态变量为

控制输入变量为u＝[δ,T_z,T_φ]^T，系统输出变量为y＝[β,ω_r,φ_r]^T，则底盘集成系统的状态方程表示为：

式中，

3.根据权利要求2所述的种汽车底盘解耦滑模控制器的构建及参数整定方法，其特征在于，所述步骤2)的详细步骤如下：

令底盘集成系统逆模型的输出变量为y、输入变量为u、自变量为v，y＝[y₁，y₂，y₃]，u＝[u₁，u₂，u₃]，v＝[v₁，v₂，v₃]，则：

则逆模型的状态空间为：

式中，

4.根据权利要求3所述的种汽车底盘解耦滑模控制器的构建及参数整定方法，其特征在于，所述步骤3)中解耦后的助力转向模型、电子稳定模型、主动悬架模型如下：

5.根据权利要求4所述的种汽车底盘解耦滑模控制器的构建及参数整定方法，其特征在于，所述步骤4)中助力转向模型、电子稳定模型、主动悬架模型滑模控制器的滑模控制律分别如下：

助力转向模型的滑模控制律为：v₁＝f₁(x_a,t,s₁)＝∫(ε₁sgn(s₁)+k₁s₁+c₁x_a2)dt；

电子稳定模型的滑模控制律为：v₂＝f₂(x_b,t,s₂)＝∫(ε₂sgn(s₂)+k₂s₂+c₂x_b2)dt

主动悬架模型的滑模控制律为：v₃＝f₃(x_c,t,s₃)＝ε₃sgn(s₃)+k₃s₃+c₃x_c2

式中，c₁、c₂、c₃为常数且均大于零，ε₁、ε₂、ε₃、k₁、k₂、k₃均为预设的系数。

6.根据权利要求5所述的种汽车底盘解耦滑模控制器的构建及参数整定方法，其特征在于，所述步骤5)的具体步骤如下：

步骤5.1)，设计三层的RBF神经网络：

步骤5.1.1)，构建输入层，输入节点为3个[s₁,s₂,s₃]；

步骤5.1.2)，构建隐含层，共有h个节点选用高斯核函数作为激活函数，第q个隐节点的输出Φ(t)＝exp{-||x(t)-μ_q(t)||²/(2·σ² _q(t))},q＝1,…h，式中，μ_q(t)为第q个隐节点的中心向量，σ为宽度参数；

步骤5.1.3)，构建输出层，采用一个RBF网络同时实现策略函数和值函数的学习，输出层包含Actor和Critic，共有4个输出节点，其中前3个输出为Actor网络输出K′(t)的分量，最后一个节点的输出为Critic网络的值函数W_t；

式中，q为隐含层节点，p为输入层节点个数，q为输出层节点个数，w_q,p(t)为隐含层第q个节点到输出层Actor第p个节点的权值，w_q,p′(t)为隐含层第q个节点到输出层Critic第p个节点的权值；

步骤5.2)，利用Actor函数输出待整定参数的变化率：

参数修正方法为在K′(t)上叠加一个高斯干扰K_η，最终得到K(t)＝K′(t)+K_η；高斯干扰K_η的期望为0，方差为

将RBF网络输出的K′(t)在修正之后应用在各个滑模控制器上；

步骤5.3)，利用Critic网络通过评估值函数来指导Actor的学习过程：

学习过程中的学习算法采用TD算法，学习过程中的误差TD与状态转移中相邻的值函数和奖励函数r(t)有关，r(t)用来反映选择动作的好坏，

α_i表示r_i(t)的学习率；r_i(t)为误差的奖励信号，

ο为允许的误差带；

步骤5.4)，更新网络权值：

TD误差δ_TD＝r(t)+γW(t+1)-W(t)，γ为折扣因子，0<γ<1；

系统的学习性能指标

利用梯度下降法进行权值更新，公式如下：

η_p为预设的Actor的学习率，影响学习的速率与效果；

采用如下式近似梯度估计算法：

由偏导数公式导出：

把上式带入公式

得到：

w_q,p′(t+1)＝w_q,p′(t)+η_p′δ_TDΦ_q(t)

式中，η_p′为Critic网络的学习率；

由于Actor和Critic同一个RB网络中，在更新时，隐含层节点的中心组和宽度值能够同时更新：

步骤5.5)，设置滑模控制器初始参数c_i，i为大于等于1小于等于3的自然数，经过Actor-Critic参数在线整定器调整得到参数c′_i带入到滑模控制器中。

Images