CN113835343B - 一种无人车的有限时间跟踪复合控制方法 - Google Patents

一种无人车的有限时间跟踪复合控制方法 Download PDF

Info

Publication number
CN113835343B
CN113835343B CN202111410878.9A CN202111410878A CN113835343B CN 113835343 B CN113835343 B CN 113835343B CN 202111410878 A CN202111410878 A CN 202111410878A CN 113835343 B CN113835343 B CN 113835343B
Authority
CN
China
Prior art keywords
unmanned vehicle
unmanned
finite time
controller
composite
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
CN202111410878.9A
Other languages
English (en)
Other versions
CN113835343A (zh
Inventor
李盛辉
施滢
胡琳娜
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202111410878.9A priority Critical patent/CN113835343B/zh
Publication of CN113835343A publication Critical patent/CN113835343A/zh
Application granted granted Critical
Publication of CN113835343B publication Critical patent/CN113835343B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人车的有限时间跟踪复合控制方法，属于无人车轨迹跟踪领域。它包括建立无人车位姿坐标误差模型；之后根据无人车位姿坐标误差模型构建有限时间控制器和非线性扰动观测器；然后将有限时间控制器与非线性扰动观测器相耦合得到复合控制器，并根据复合控制器对无人车进行控制。针对现有无人车轨迹跟踪控制精度较低的问题，本发明提供一种无人车的有限时间跟踪复合控制方法，通过构建有限时间控制器和非线性干扰观测器，有效地避免了外界因素对无人车产生的干扰，进而提高了无人车的跟踪控制精度。

Description

一种无人车的有限时间跟踪复合控制方法
技术领域
本发明属于无人车轨迹跟踪技术领域，更具体地说，涉及一种无人车的有限时间跟踪复合控制方法。
背景技术
随着汽车工业的发展，人们对车辆智能化的要求也不断提高。汽车智能化发展不仅能够解放人们的双手，对交通安全也有一定的帮助。汽车是典型的非完整约束系统，轨迹跟踪控制是无人驾驶汽车研究中最基本、最重要的一部分，车辆不仅要按照预设路径行驶，还要保证行驶的精度和稳定性。
无人车轨迹跟踪控制系统中，由于外界未知干扰的存在及系统自身的不稳定性，无人车实际的轨迹与期望轨迹总是存在误差。为了消除这种误差，各种轨迹跟踪控制技术应运而生。目前，无人车轨迹跟踪控制方法大致有自适应控制，鲁棒控制和滑模控制等，其优点在于鲁棒性强且参数易调节，但较少考虑驾驶环境约束的影响。
针对上述问题，现有技术也提出了一些解决方案，例如发明专利名称为：一种无人车控制方法及装置（申请日：2020年09月16日；申请号：CN202010975140.6），该方案公开了一种无人车控制方法及装置，基于历史时刻的控制量，确定上一时刻的状态估计值，以根据状态估计值以及上一时刻控制量，确定动力学模型输出的当前时刻预测状态，再根据历史时刻的控制量和真实状态，预测上一时刻预测状态，根据该历史时刻无人车的真实状态与上一时刻预测状态，确定动力学模型的预测误差，最后根据误差校正后的当前时刻预测状态和参考轨迹，确定沿参考轨迹像是所需各时刻的控制量，并从其中确定当前时刻的控制量，控制无人车行驶。充分考虑到了系统时滞带来的影响，以及运动模型在时滞情况下预测误差导致的精度问题，确定出更准确的控制量，控制无人车行驶，提高了无人车控制的准确度，提高无人车行驶的安全性。
此外还有发明专利名称为：一种车辆运动状态预测方法及装置（申请日：2020年04月07日：申请号：CN202010262382.0），该方案公开了一种车辆运动状态预测方法及装置，获取包括当前时刻在内的若干指定时刻该无人车的运动状态以及控制量，以确定特征向量，通过将特征向量输入预测模型的第一时间序列层，确定注意力加权向量，该注意力加权向量用于表征各指定时刻的控制量对下一时刻的运动状态的影响程度，然后根据注意力加权向量，对获取的各指定时刻的控制量进行加权处理，最后将注意力加权结果以及当前时刻的运动状态输入第二时间序列层，预测下一时刻该无人车的运动状态。利用若干指定时刻的控制量进行加权后的加权结果，使得预测运动状态考虑到了历史时刻的控制量对当前时刻运动状态的影响，增加了运动状态预测的准确性，提高了无人车控制准确程度。但上述方案并不能有效避免无人车跟踪过程中的干扰影响，导致无人车的跟踪控制精度不高。
发明内容
要解决的问题
针对现有无人车轨迹跟踪控制精度较低的问题，本发明提供一种无人车的有限时间跟踪复合控制方法，通过构建有限时间控制器和非线性干扰观测器，有效地避免了外界因素对无人车产生的干扰，进而提高了无人车的跟踪控制精度。
技术方案
为了解决上述问题，本发明所采用的技术方案如下：
本发明的一种无人车的有限时间跟踪复合控制方法，包括建立无人车位姿坐标误差模型；然后根据无人车位姿坐标误差模型构建有限时间控制器和非线性扰动观测器；之后将有限时间控制器与非线性扰动观测器相耦合得到复合控制器，并根据复合控制器对无人车进行控制。
更进一步地，通过以下公式建立无人车位姿坐标误差模型：
Figure 155560DEST_PATH_IMAGE001
其中，
Figure 603859DEST_PATH_IMAGE002
为无人车前方预瞄距离，
Figure 649175DEST_PATH_IMAGE003
为无人车质心处与预瞄点之间的横向偏差，
Figure 575543DEST_PATH_IMAGE004
为无人车质心处与预瞄点之间的航向偏差，
Figure 655494DEST_PATH_IMAGE005
为无人车质心处纵向车速，
Figure 9115DEST_PATH_IMAGE006
为无人车质心处 横摆角速度，
Figure 541728DEST_PATH_IMAGE007
为预瞄点无人车质心处横摆角速度，
Figure 6207DEST_PATH_IMAGE008
为预瞄点无人车质心处纵向车速，
Figure 704779DEST_PATH_IMAGE009
为干扰值。
更进一步地，构建有限时间控制器具体过程为：根据无人车位姿坐标误差模型设计控制律，再根据控制律得到有限时间控制器。
更进一步地，设计控制律的具体公式如下：
Figure 963722DEST_PATH_IMAGE010
其中，
Figure 249210DEST_PATH_IMAGE011
，
Figure 251801DEST_PATH_IMAGE012
，
Figure 306345DEST_PATH_IMAGE013
，
Figure 1768DEST_PATH_IMAGE014
，
Figure 508973DEST_PATH_IMAGE015
，
Figure 315255DEST_PATH_IMAGE016
，
Figure 224305DEST_PATH_IMAGE017
；
Figure 90630DEST_PATH_IMAGE018
，
Figure 85131DEST_PATH_IMAGE019
分别为
Figure 196569DEST_PATH_IMAGE020
，
Figure 960125DEST_PATH_IMAGE021
的符号函数。
更进一步地，构建非线性扰动观测器的具体过程为：
将无人车位姿坐标误差模型转变为矩阵形式：
Figure 262931DEST_PATH_IMAGE022
其中，
Figure 479148DEST_PATH_IMAGE023
，
Figure 892812DEST_PATH_IMAGE024
，
Figure 510875DEST_PATH_IMAGE025
，
Figure 984582DEST_PATH_IMAGE026
，无 人车质心坐标为
Figure 688096DEST_PATH_IMAGE027
，
Figure 374292DEST_PATH_IMAGE028
为无人坐标系横坐标与地面坐标系横坐标的夹角，
Figure 378020DEST_PATH_IMAGE005
为无人车线 速度，
Figure 22628DEST_PATH_IMAGE006
为无人车运行角速度，
Figure 977552DEST_PATH_IMAGE009
为干扰值；
根据无人车位姿坐标误差模型设计的非线性扰动观测器为：
Figure 733019DEST_PATH_IMAGE029
其中，
Figure 60095DEST_PATH_IMAGE030
为
Figure 610025DEST_PATH_IMAGE009
的估计值，
Figure 553710DEST_PATH_IMAGE031
为扰动观测器的中间变量，
Figure 847288DEST_PATH_IMAGE032
，
Figure 560029DEST_PATH_IMAGE033
是z的一阶微分，
Figure 15282DEST_PATH_IMAGE034
，
Figure 446263DEST_PATH_IMAGE035
。
更进一步地，通过以下公式对有限时间控制器与非线性扰动观测器耦合得到复合控制器：
Figure 543532DEST_PATH_IMAGE036
。
其中，
Figure 612244DEST_PATH_IMAGE037
为无人车线速度干扰值的估计值。
更进一步地，根据复合控制器对无人车进行控制的具体过程为：通过复合控制器控制计算无人车质心处横摆角速度和无人车质心处纵向车速，然后将无人车质心处横摆角速度和无人车质心处纵向车速作为控制量对无人车进行控制。
有益效果
相比于现有技术，本发明的有益效果为：
本发明一种无人车的有限时间跟踪复合控制方法，通过复合控制器对无人车质心 处横摆角速度
Figure 503977DEST_PATH_IMAGE038
和无人车质心处纵向车速
Figure 156675DEST_PATH_IMAGE039
进行控制，从而实现无人车轨迹跟踪控制。进一 步地，通过非线性扰动观测器对集总扰动进行观测得到扰动估计值，并将扰动估计值输入 到有限时间控制器中，消除无人车跟踪控制时干扰造成的影响，进而提高了无人车跟踪控 制精度。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例；而且，各个实施例之间不是相对独立的，根据需要可以相互组合，从而达到更优的效果。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
结合图1所示，本发明的一种无人车的有限时间跟踪复合控制方法，通过设计有限时间控制器和非线性扰动观测器，通过有限时间控制器将实时的位姿坐标信息输入非线性扰动观测器，得到扰动观测值，再将干扰作为前馈补偿到有限时间控制器中，消除无人车跟踪控制时干扰造成的影响，从而得到随时间变化的无人车线速度，最后将获取的质心处横摆角速度和质心处纵向速度作为控制量输入到无人车，控制其行驶方向和速度，从而提高了无人车的跟踪控制精度。本发明方法的具体步骤如下：
S100、建立无人车位姿坐标误差模型，具体地，设定无人车质心坐标为
Figure 792056DEST_PATH_IMAGE040
，
Figure 213810DEST_PATH_IMAGE028
为 无人车坐标系横坐标与地面坐标系横坐标的夹角，则无人车动力学方程为：
Figure 276444DEST_PATH_IMAGE041
其中，
Figure 416438DEST_PATH_IMAGE042
为x的一阶微分，
Figure 855510DEST_PATH_IMAGE043
为y的一阶微分，
Figure 397350DEST_PATH_IMAGE044
为
Figure 630885DEST_PATH_IMAGE028
的一阶微分，
Figure 992596DEST_PATH_IMAGE006
为无人车质心处 横摆角速度，
Figure 733894DEST_PATH_IMAGE005
为无人车质心处纵向车速，
Figure 864661DEST_PATH_IMAGE009
为干扰值，具体包括如风向、路面平整度对无人 车速度和角速度的影响。
进一步地，设定预瞄点坐标为
Figure 534676DEST_PATH_IMAGE045
，该点的切线方向与地面坐标系横坐标的夹 角为
Figure 383684DEST_PATH_IMAGE046
，从而得到无人车坐标误差模型为：
Figure 898979DEST_PATH_IMAGE047
其中，
Figure 415411DEST_PATH_IMAGE048
为无人车前方的预瞄距离，
Figure 990749DEST_PATH_IMAGE049
为无人车质心处与预瞄点间的横向偏差，
Figure 327052DEST_PATH_IMAGE050
为无人车质心处与预瞄点间的航向偏差。
对无人车坐标误差模型进行求导，并结合无人车的动力学方程导出无人车位姿坐标误差模型：
Figure 911617DEST_PATH_IMAGE001
其中，
Figure 16976DEST_PATH_IMAGE051
为无人车前方的预瞄距离
Figure 28795DEST_PATH_IMAGE048
的一阶微分，
Figure 586815DEST_PATH_IMAGE052
为无人车质心处与预瞄点间 的横向偏差
Figure 210957DEST_PATH_IMAGE049
的一阶微分，
Figure 436402DEST_PATH_IMAGE053
为无人车质心处与预瞄点间的航向偏差
Figure 353542DEST_PATH_IMAGE050
的一阶微分；
Figure 930017DEST_PATH_IMAGE054
为 预瞄点无人车质心处横摆角速度，
Figure 590805DEST_PATH_IMAGE008
为预瞄点无人车质心处纵向车速。
S200、根据无人车位姿坐标误差模型构建有限时间控制器和非线性扰动观测器；其中，构建有限时间控制器的具体过程为：先根据无人车位姿坐标误差模型设计控制律，再根据控制律得到有限时间控制器。具体通过以下步骤设计控制律；
对位姿坐标误差模型中的
Figure 670757DEST_PATH_IMAGE006
进行一阶系统有限时间控制设计，控制律如下：
Figure 24378DEST_PATH_IMAGE055
其中，
Figure 556990DEST_PATH_IMAGE056
为系数，
Figure 287049DEST_PATH_IMAGE057
，
Figure 955928DEST_PATH_IMAGE058
为常变量，
Figure 746029DEST_PATH_IMAGE059
，
Figure 264473DEST_PATH_IMAGE060
，
Figure 532643DEST_PATH_IMAGE061
为
Figure 321608DEST_PATH_IMAGE050
的符号函数。当
Figure 17031DEST_PATH_IMAGE062
时，
Figure 524236DEST_PATH_IMAGE063
。
当
Figure 330518DEST_PATH_IMAGE064
时，模型简化为
Figure 505147DEST_PATH_IMAGE065
为方便有限时间控制器的设计，令
Figure 105893DEST_PATH_IMAGE066
，
Figure 365973DEST_PATH_IMAGE067
则有
Figure 710366DEST_PATH_IMAGE068
对简化模型取
Figure 473923DEST_PATH_IMAGE005
的控制律为：
Figure 12614DEST_PATH_IMAGE069
其中，
Figure 494411DEST_PATH_IMAGE070
和
Figure 908075DEST_PATH_IMAGE071
为系数，
Figure 526138DEST_PATH_IMAGE072
，
Figure 999845DEST_PATH_IMAGE073
，
Figure 703358DEST_PATH_IMAGE074
为常变量，
Figure 389555DEST_PATH_IMAGE075
，
Figure 393283DEST_PATH_IMAGE076
，
Figure 506732DEST_PATH_IMAGE077
，
Figure 697542DEST_PATH_IMAGE078
，
Figure 453009DEST_PATH_IMAGE079
；
Figure 45664DEST_PATH_IMAGE080
，
Figure 359708DEST_PATH_IMAGE081
为
Figure 37814DEST_PATH_IMAGE082
的符号函数。
进一步地，构建非线性扰动观测器的具体过程为：
将无人车位姿坐标误差模型转变为矩阵形式如下：
Figure 65813DEST_PATH_IMAGE022
其中，
Figure 778554DEST_PATH_IMAGE083
，
Figure 499386DEST_PATH_IMAGE084
，
Figure 930367DEST_PATH_IMAGE085
，
Figure 762057DEST_PATH_IMAGE086
，无 人车质心坐标为
Figure 63725DEST_PATH_IMAGE040
，
Figure 221037DEST_PATH_IMAGE028
为无人坐标系横坐标与地面坐标系横坐标的夹角，
Figure 873735DEST_PATH_IMAGE005
为无人车线 速度，
Figure 509116DEST_PATH_IMAGE006
为无人车运行角速度，
Figure 432335DEST_PATH_IMAGE009
为干扰值；
根据无人车位姿坐标误差模型设计的非线性扰动观测器为：
Figure 494969DEST_PATH_IMAGE087
其中，
Figure 634963DEST_PATH_IMAGE088
为干扰
Figure 74035DEST_PATH_IMAGE009
的估计值，
Figure 615874DEST_PATH_IMAGE089
为无人车线速度干扰值的估计值,
Figure 849410DEST_PATH_IMAGE090
为无人车运行角速度干扰值的估计值,
Figure 211121DEST_PATH_IMAGE031
为扰动观测器的中间变量，
Figure 188304DEST_PATH_IMAGE091
，
Figure 584650DEST_PATH_IMAGE033
是z的 一阶微分，
Figure 989087DEST_PATH_IMAGE092
，
Figure 103674DEST_PATH_IMAGE093
。
S300、将有限时间控制器与非线性扰动观测器相耦合得到复合控制器；根据复合控制器对无人车进行控制。具体地，通过以下公式对有限时间控制器与非线性扰动观测器耦合得到复合控制器：
Figure 618968DEST_PATH_IMAGE094
。
值得说明的是，本发明通过复合控制器对无人车质心处横摆角速度和无人车质心处纵向车速进行控制，从而实现无人车轨迹跟踪控制。进一步地，通过非线性扰动观测器对集总扰动进行观测得到扰动估计值，并将扰动估计值输入到有限时间控制器中，消除无人车跟踪控制时干扰造成的影响，进而提高了无人车跟踪控制精度。
本发明一种无人车的有限时间跟踪复合控制方法，设计的有限时间控制器所需控制时间较短，与滑模控制相比在收敛速度方面有显著提高，具有在平衡点附近快速收敛的特性，有较好的鲁棒性，有良好的位置跟踪性能，利用非线性扰动观测器可以对无人车的集总扰动进行观测，并把观测到的干扰值补偿到控制器中，提高了无人车的跟踪控制精度。
在上文中结合具体的示例性实施例详细描述了本发明。但是，应当理解，可在不脱离由所附权利要求限定的本发明的范围的情况下进行各种修改和变型。详细的描述和附图应仅被认为是说明性的，而不是限制性的，如果存在任何这样的修改和变型，那么它们都将落入在此描述的本发明的范围内。此外，背景技术旨在为了说明本技术的研发现状和意义，并不旨在限制本发明或本申请和本发明的应用领域。

Claims (3)

1.一种无人车的有限时间跟踪复合控制方法，其特征在于，包括
建立无人车位姿坐标误差模型；
根据无人车位姿坐标误差模型构建有限时间控制器和非线性扰动观测器；
将有限时间控制器与非线性扰动观测器相耦合得到复合控制器；根据复合控制器对无人车进行控制；其中，通过以下公式建立无人车位姿坐标误差模型：
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为无人车前方预瞄距离，
Figure DEST_PATH_IMAGE003
为无人车质心处与预瞄点之间的横向偏差，
Figure DEST_PATH_IMAGE004
为无 人车质心处与预瞄点之间的航向偏差，
Figure DEST_PATH_IMAGE005
为无人车质心处纵向车速，
Figure DEST_PATH_IMAGE006
为无人车质心处横摆 角速度，
Figure DEST_PATH_IMAGE007
为预瞄点无人车质心处横摆角速度，
Figure DEST_PATH_IMAGE008
为预瞄点无人车质心处纵向车速，
Figure DEST_PATH_IMAGE009
为 干扰值；构建有限时间控制器具体过程为：根据无人车位姿坐标误差模型设计控制律，再根 据控制律得到有限时间控制器；设计控制律的具体公式如下：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为系数，
Figure DEST_PATH_IMAGE012
，
Figure DEST_PATH_IMAGE013
为常变量，
Figure DEST_PATH_IMAGE014
，
Figure DEST_PATH_IMAGE015
，
Figure DEST_PATH_IMAGE016
为
Figure DEST_PATH_IMAGE017
的符号函数；当
Figure DEST_PATH_IMAGE018
时，
Figure DEST_PATH_IMAGE019
；当
Figure DEST_PATH_IMAGE020
时，模型简化为
Figure DEST_PATH_IMAGE021
为方便有限时间控制器的设计，令
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
则有
Figure DEST_PATH_IMAGE024
对简化模型取
Figure 237835DEST_PATH_IMAGE005
的控制律为：
Figure DEST_PATH_IMAGE025
其中，
Figure DEST_PATH_IMAGE026
，
Figure DEST_PATH_IMAGE027
，
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE032
；
Figure DEST_PATH_IMAGE033
，
Figure DEST_PATH_IMAGE034
分别为
Figure DEST_PATH_IMAGE035
，
Figure DEST_PATH_IMAGE036
的符号函数；构建非线性扰动观 测器的具体过程为：
将无人车位姿坐标误差模型转变为矩阵形式：
Figure DEST_PATH_IMAGE037
其中，
Figure DEST_PATH_IMAGE038
，
Figure DEST_PATH_IMAGE039
，
Figure DEST_PATH_IMAGE040
，
Figure DEST_PATH_IMAGE041
，无人车 质心坐标为
Figure DEST_PATH_IMAGE042
，
Figure DEST_PATH_IMAGE043
为无人坐标系横坐标与地面坐标系横坐标的夹角，
Figure 574882DEST_PATH_IMAGE005
为无人车线速度，
Figure 292302DEST_PATH_IMAGE006
为无人车运行角速度，
Figure 890774DEST_PATH_IMAGE009
为干扰值；
根据无人车位姿坐标误差模型设计的非线性扰动观测器为：
Figure DEST_PATH_IMAGE044
其中，
Figure DEST_PATH_IMAGE045
为
Figure 378517DEST_PATH_IMAGE009
的估计值，
Figure DEST_PATH_IMAGE046
为扰动观测器的中间变量，
Figure DEST_PATH_IMAGE047
是z的一阶微分，
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE049
。
2.根据权利要求1所述的一种无人车的有限时间跟踪复合控制方法，其特征在于，通过以下公式对有限时间控制器与非线性扰动观测器耦合得到复合控制器：
Figure DEST_PATH_IMAGE050
其中，
Figure DEST_PATH_IMAGE051
为无人车线速度干扰值的估计值。
3.根据权利要求1~2任一项所述的一种无人车的有限时间跟踪复合控制方法，其特征在于，根据复合控制器对无人车进行控制的具体过程为：通过复合控制器控制计算无人车质心处横摆角速度和无人车质心处纵向车速，然后将无人车质心处横摆角速度和无人车质心处纵向车速作为控制量对无人车进行控制。
CN202111410878.9A 2021-11-25 2021-11-25 一种无人车的有限时间跟踪复合控制方法 Active CN113835343B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111410878.9A CN113835343B (zh) 2021-11-25 2021-11-25 一种无人车的有限时间跟踪复合控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111410878.9A CN113835343B (zh) 2021-11-25 2021-11-25 一种无人车的有限时间跟踪复合控制方法

Publications (2)

Publication Number Publication Date
CN113835343A CN113835343A (zh) 2021-12-24
CN113835343B true CN113835343B (zh) 2022-03-29

Family

ID=78971714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111410878.9A Active CN113835343B (zh) 2021-11-25 2021-11-25 一种无人车的有限时间跟踪复合控制方法

Country Status (1)

Country Link
CN (1) CN113835343B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109358499A (zh) * 2018-09-25 2019-02-19 大连海事大学 基于速度与航向双重制导的无人船精确路径跟踪控制方法
CN109946970B (zh) * 2019-04-01 2022-04-22 河海大学常州校区 一种基于观测器的非完整机器人速度信息的获取方法
CN110568872B (zh) * 2019-08-23 2022-10-04 江苏工程职业技术学院 基于扰动观测器的车载光电跟踪平台有限时间控制方法
CN112223275B (zh) * 2020-09-01 2023-02-10 上海大学 基于有限时间跟踪控制的协作机器人控制方法

Also Published As

Publication number Publication date
CN113835343A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
CN108614426B (zh) 一种基于干扰观测器的多移动机器人编队鲁棒控制方法
CN110928310B (zh) 一种无人船领航跟随固定时间编队控制方法
CN112733270B (zh) 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法
CN108227491B (zh) 一种基于滑模神经网络的智能车轨迹跟踪控制方法
CN109465825A (zh) 机械臂柔性关节的rbf神经网络自适应动态面控制方法
CN106292287A (zh) 一种基于自适应滑模控制的uuv路径跟踪方法
CN110162046B (zh) 基于事件触发型模型预测控制的无人车路径跟随方法
CN110780594A (zh) 一种智能车的路径跟踪方法及系统
CN107831761A (zh) 一种智能车的路径跟踪控制方法
CN114967475B (zh) 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统
CN103728988B (zh) 基于内模的scara机器人轨迹跟踪控制方法
CN108919837A (zh) 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法
CN111538241A (zh) 一种平流层飞艇水平轨迹智能控制方法
CN111506099B (zh) 一种无人机高度智能控制系统及方法
CN108958246A (zh) 无人车在U-Turn场景的轨迹跟踪控制方法
CN110262513B (zh) 一种海洋机器人轨迹跟踪控制结构的设计方法
CN106707759A (zh) 一种飞机Herbst机动控制方法
CN111273544B (zh) 基于预测rbf前馈补偿型模糊pid的雷达俯仰运动控制方法
CN116560223A (zh) 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器
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
CN113835343B (zh) 一种无人车的有限时间跟踪复合控制方法
CN110654386B (zh) 弯道下多智能电动汽车协作式巡航纵横向综合控制方法
CN110614636A (zh) 一种视觉伺服机器人测量时滞补偿方法
CN114896694B (zh) 一种基于两点预瞄的路径跟踪控制方法
CN116279676A (zh) 一种基于分数阶滑模以及卡尔曼滤波的列车速度控制方法

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
GR01 Patent grant
GR01 Patent grant