CN114454893A - 一种路面自适应矿卡轨迹跟踪预测控制方法 - Google Patents
一种路面自适应矿卡轨迹跟踪预测控制方法 Download PDFInfo
- Publication number
- CN114454893A CN114454893A CN202210099586.6A CN202210099586A CN114454893A CN 114454893 A CN114454893 A CN 114454893A CN 202210099586 A CN202210099586 A CN 202210099586A CN 114454893 A CN114454893 A CN 114454893A
- Authority
- CN
- China
- Prior art keywords
- mine
- road
- tire
- card
- road surface
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000008859 change Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000011384 asphalt concrete Substances 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000004568 cement Substances 0.000 claims description 3
- 239000004567 concrete Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract 1
- 238000007796 conventional method Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0097—Predicting future conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
- B60W40/064—Degree of grip
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种路面自适应矿卡轨迹跟踪预测控制方法,步骤为首先建立矿卡动力学模型;其次识别道路工况并根据突变工况切换策略选择估计初值,然后基于递推最小二乘估计,利用估计初值得出估计参数,根据估计得到的参数更新预测模型;最后基于预测模型设计预测控制器,计算出矿卡需要施加的前轮偏角,实现矿卡对给定轨迹的精确跟踪。本发明采用信息融合的路面自适应预测控制方法,易于实现,自适应强,适用于矿卡实际运行工况,对于改善突变工况下矿卡轨迹跟踪效果具有一定的借鉴意义,相对于传统AMPC在参数估计准确性和轨迹跟踪精度上有所提高。
Description
技术领域
本发明涉及路面自适应矿卡轨迹跟踪预测控制方法领域,具体涉及一种路面自适应矿卡轨迹跟踪预测控制方法。
背景技术
矿用卡车,简称矿卡,其无人化、智能化研究和应用符合国家发展和行业需求,无人矿卡的研究具有重要的社会意义和广阔的前景。作为无人矿卡控制系统的重要环节,无人矿卡轨迹跟踪控制也成为热门研究方向,可为其他复杂环境下无人驾驶提供理论和方法支撑,无人矿卡轨迹跟踪控制的研究具有学术意义。
目前,部分露天矿区部署的无人矿卡可以实现限定道路条件的自主运输工作,如针对极寒道路的慧拓智能方案,针对单车中间路段的常州科研试制中心方案等。但矿卡实际运行需要其具备矿区道路长距离运输的能力,而矿区道路环境受到天气和道路表面材料等因素影响,道路附着系数变化较大,具有高度不确定性,针对单一限定条件设计控制器不利于矿卡的稳定、安全运行,容易引发巨大的安全隐患。
针对这个问题,许多学者采用自适应预测控制(Adaptive Model PredictiveControl,AMPC)的方案进行解决。自适应预测控制结合了自适应和预测控制的思想,能有效弥补模型失配、时变、干扰等引起的不确定性。Liang Y针对四轮双转向移动机器人,提出了一种基于AMPC的轨迹跟踪方法(Liang Y,Li Y,Khajepour A,et al.Multi-modeladaptive predictive control for path following of autonomous vehicles.2021.)。Zhou S将道路条件的不确定性用轮胎侧偏刚度衡量,基于传统最小二乘估计设计了一种AMPC算法,应用于无人重型拖车系统(Zhou S,Zhao H,Chen W,et al.Dynamic StateEstimation and Control of a Heavy Tractor-Trailers Vehicle[J].IEEE/ASMETransactions on Mechatronics,2020,PP(99).)。
然而上述针对道路不确定性的控制方法没有考虑实际工程中矿卡运行存在道路附着系数突变的工况,难以满足真实矿卡的运行需求。因此,有必要提出针对附着系数突变工况的控制器设计。
发明内容
针对上述存在的技术不足,本发明的目的是提供一种路面自适应矿卡轨迹跟踪预测控制方法,其能够解决由道路附着系数突变导致无人矿卡轨迹跟踪控制精度下降的问题。
为解决上述技术问题,本发明采用如下技术方案:
本发明提供一种路面自适应矿卡轨迹跟踪预测控制方法,包括以下步骤:
步骤1、建立矿卡动力学模型;
步骤2、对矿区路面进行初步辨识,根据突变工况切换策略选择估计初值;
步骤3、依据步骤2获得的估计初值采用递推最小二乘法进行参数估计值的计算;
步骤4、依据步骤3获得的路面参数估计结果更新预测模型,根据预测控制方案计算出控制量。
优选地,步骤1中建立矿卡动力学模型的方法具体包括:
根据牛顿第二定律,建立三轴矿卡二自由度横向动力学方程为:
其中,vx为矿卡纵向速度,vy、分别为矿卡横向速度和横向加速度,分别为矿卡横摆角速度和横摆角加速度,lf、lm、lr分别为矿卡前、中和后车轮距离车辆质心的距离,m为矿卡整车质量;Iz为矿卡绕z轴的转动惯量,Fyf、Fym、Fyr分别为矿卡前、中和后轴侧向力;
根据矿卡轮胎受力分析,矿卡前、中和后轴侧向力分别为:
其中,nf、nm、nr分别为矿卡前、中和后轴轮胎个数,δf为前轮偏角,Fyft、Fymt、Fyrt分别为前、中和后单个轮胎侧向力;
根据轮胎刷子模型,轮胎侧向摩擦力为:
其中,C为轮胎刚度,α为轮胎侧偏角,μ为矿区道路与轮胎的附着系数,Fz为轮胎法向力;
轮侧偏角计算公式为:
其中,αf、αm、αr分别为前轮、中轮和后轮的轮胎侧偏角;
矿卡刚体运动学关系为:
优选地,步骤2中利用传感器对矿区路面进行初步辨识,根据突变工况切换策略选择估计初值的具体方法包括:
根据步骤1中建立的动力学模型设计合适的待估计参数θ为:
其中,下标i为轮胎位置,可为f、m、r,分别代表前轮、中轮和后轮,Ci为各位置轮胎的轮胎刚度;
根据不同道路工况的附着系数大小划分高、中、低三种的路面工况类型,范围建立预设道路附着系数库μ0,如:当矿卡运行在干燥沥青混凝土路、干燥水泥混凝土路时,为高附着路面工况,预设附着系数为μh0;当矿卡运行在冰雪沥青混凝土路、湿润砂石路时,为低附着路面工况,预设附着系数为μl0;其余为中附着路面工况,预设附着系数为μm0;
矿卡环境感知模块的传感器可以预先感知道路类型,判断出矿卡处于或即将处于高、中或者低附着道路工况,当感知模块感知到工况突变时,采用突变工况切换策略,根据预设附着系数库μ0设置当前时刻,即k时刻的参数估计初值为:
其中,为上一时刻估计的各位置轮胎侧偏刚度,下标j代表路面类型,可为h、m、l,分别代表高、中和低附着路面,μj0为各道路类型的预设附着系数;当不处于突变工况时,则采用上一时刻,即k-1时刻的估计结果作为k时刻估计初值,公式为:
优选地,步骤3中采用递推最小二乘法进行参数估计值的计算,具体方法为:
基于步骤1建立的模型写出用于估计θ的观测输入x和观测输出y分别为:
其中,αi为各位置轮胎的侧偏角,Fzi为各位置轮胎的法向力,li为各位置轮胎距离车辆质心的距离;
建立最小二乘法基本公式为:
y=xTθ (27)
根据步骤2得到的k时刻的递推初值,采用带遗忘因子的记忆最小二乘法的递推算法进行参数估计,计算公式为:
优选地,步骤4中计算出控制量的方法包括:
依据步骤3获得的道路附着系数更新预测模型,在参数估计器估计出不确定参数后,采用参数自适应的预测模型为:
假设系统采样时间为T,对预测模型进行离散,得离散状态空间表达式为:
跟踪误差e为:
基于MPC算法建立优化问题为:
本发明的有益效果在于:本文方法针对矿卡实际运行工况对传统轨迹跟踪控制进行改善,结合传感器设计具有路面自适应的矿卡轨迹跟踪预测控制器,使矿卡在矿区道路附着系数突变的工况下也具有较高的跟踪性能跟踪结果,使道路附着系数估计结果较快达到稳定值,且具有较好的平滑性,整体计算过程方便、快捷,针对矿区实际环境具有较强自适应性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种路面自适应矿卡轨迹跟踪预测控制方法的原理示意图;
图2为本发明实施例提供的一种路面自适应矿卡轨迹跟踪预测控制方法的流程图;
图3为本发明实施例在前轮侧偏刚度实际值上本文方法和传统方法的估计结果比较图;
图4为本发明实施例在中轮侧偏刚度实际值上本文方法和传统方法的估计结果比较图;
图5为本发明实施例在后轮侧偏刚度实际值上本文方法和传统方法的估计结果比较图;
图6为本发明实施例的道路附着系数估计结果图;
图7为本发明实施例的突变工况触发信号图;
图8为本发明实施例提供的本文方法与传统方法的轨迹跟踪结果比较图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
如图1至图8所示,一种路面自适应矿卡轨迹跟踪预测控制方法,包括以下步骤:
步骤1、建立矿卡动力学模型;具体方法为:
根据牛顿第二定律,建立三轴矿卡二自由度横向动力学方程为:
其中,vx为矿卡纵向速度,vy、分别为矿卡横向速度和横向加速度,分别为矿卡横摆角速度和横摆角加速度,lf、lm、lr分别为矿卡前、中和后车轮距离车辆质心的距离,m为矿卡整车质量;Iz为矿卡绕z轴的转动惯量,Fyf、Fym、Fyr分别为矿卡前、中和后轴侧向力;
根据矿卡轮胎受力分析,矿卡前、中和后轴侧向力分别为:
其中,nf、nm、nr分别为矿卡前、中和后轴轮胎个数,δf为前轮偏角,Fyft、Fymt、Fyrt分别为前、中和后单个轮胎侧向力;
根据轮胎刷子模型,轮胎侧向摩擦力为:
其中,C为轮胎刚度,α为轮胎侧偏角,μ为矿区道路与轮胎的附着系数,Fz为轮胎法向力;
轮侧偏角计算公式为:
其中,αf、αm、αr分别为前轮、中轮和后轮的轮胎侧偏角;
矿卡刚体运动学关系为:
步骤2、对矿区路面进行初步辨识,根据突变工况切换策略选择估计初值;
具体方法包括:
根据步骤1中建立的动力学模型设计合适的待估计参数θ为:
其中,下标i为轮胎位置,可为f、m、r,分别代表前轮、中轮和后轮,Ci为各位置轮胎的轮胎刚度;
根据不同道路工况的附着系数大小划分高、中、低三种的路面工况类型,范围建立预设道路附着系数库μ0,如:当矿卡运行在干燥沥青混凝土路、干燥水泥混凝土路时,为高附着路面工况,预设附着系数为μh0;当矿卡运行在冰雪沥青混凝土路、湿润砂石路时,为低附着路面工况,预设附着系数为μl0;其余为中附着路面工况,预设附着系数为μm0;
矿卡环境感知模块的传感器可以预先感知道路类型,判断出矿卡处于或即将处于高、中或者低附着道路工况,当感知模块感知到工况突变时,采用突变工况切换策略,根据预设附着系数库μ0设置当前时刻,即k时刻的参数估计初值为:
其中,为上一时刻估计的各位置轮胎侧偏刚度,下标j代表路面类型,可为h、m、l,分别代表高、中和低附着路面,μj0为各道路类型的预设附着系数;当不处于突变工况时,则采用上一时刻,即k-1时刻的估计结果作为k时刻估计初值,公式为:
步骤3、依据步骤2获得的估计初值采用递推最小二乘法进行参数估计值的计算;
具体方法为:
基于步骤1建立的模型写出用于估计θ的观测输入x和观测输出y分别为:
其中,αi为各位置轮胎的侧偏角,Fzi为各位置轮胎的法向力,li为各位置轮胎距离车辆质心的距离;
建立最小二乘法基本公式为:
y=xTθ (43)
根据步骤2得到的k时刻的递推初值,采用带遗忘因子的记忆最小二乘法的递推算法进行参数估计,计算公式为:
步骤4、依据步骤3获得的路面参数估计结果更新预测模型,根据预测控制方案计算出控制量;具体方法包括:
依据步骤3获得的道路附着系数更新预测模型,在参数估计器估计出不确定参数后,采用参数自适应的预测模型为:
假设系统采样时间为T,对预测模型进行离散,得离散状态空间表达式为:
跟踪误差e为:
基于MPC算法建立优化问题为:
其中,J为优化目标函数,△u(k+j)=u(k+j)-u(k+j-1),j=1,2,..,Nc,为控制增量,ρ为松弛因子,Q>0为跟踪误差的权重,R>0为控制增量的权重,Np为预测时域,Nc为控制时域,umin≤u≤umax为矿卡前轮转角的极限角度;
为了验证本发明构建的方法的有效性,利用MATLAB进行仿真验证。模拟矿卡参数随着运行道路环境的变化而变化的特点,在仿真环境下设计了矿卡的变附着系数路面运行工况,通过改变道路附着系数大小来模拟矿区道路的变化。
为验证突变工况参数估计的有效性,设置0~8s的变附着系数路面。其中0~4s为低附着路面,路面附着系数为0.25,4~8s为中附着路面,路面附着系数为0.55,8~12s为高附着路面,路面附着系数为0.85。前轮侧偏刚度Cf=10000,中轮侧偏刚度Cm=4000,后轮侧偏刚度Cf=4000。前轮偏角为δf=0.1sin(10t)rad,0≤t≤12。
本文方法与传统方法的估计结果比较如图3-图5所示,其中图3为在前轮侧偏刚度实际值上本文方法和传统方法的估计结果比较,图4为在中轮侧偏刚度实际值上本文方法和传统方法的估计结果比较,图5为在后轮侧偏刚度实际值上本文方法和传统方法的估计结果比较。图中横坐标表示时间t,纵坐标表示侧偏刚度C。两种方法在每次参数突变的2s内可达稳定值,但在每次突变工况发生后,传统方法估计值变化剧烈,不可用于实时的控制器设计,而本文方法虽然也会产生振荡,但在允许范围内,可用于实时的MPC控制器设计。图6为道路附着系数估计结果,可见本文方法估计的附着系数具有较高的准确性。图7为突变工况触发信号,在4s和8s时,环境感知模块检测到了系数突变的信号,0为工况没有发生突变,1为工况发生了突变。
为验证突变工况轨迹跟踪的有效性,设置突变工况在道路X=100m和X=150m处发生,其中X<100M为低附着路面,路面附着系数为0.25,100m<X<150m为中附着路面,路面附着系数为0.55,150m<X为高附着路面,路面附着系数为0.85。本文方法与传统方法的轨迹跟踪结果比较如图8所示,图中横坐标表示X轴坐标,纵坐标表示Y轴坐标。采用本文方法进行参数估计能得到更加平缓、准确的估计结果,因此在道路附着系数发生突变时,采用本文方法的控制器能够基于准确的参数进行计算,故能较好地跟踪参考轨迹,而传统方法估计震动和误差较大,在X=100m突变工况发生后,跟踪精度远小于本文方法,而在X=150m的突变工况发生后,传统方法的矿卡偏离参考轨迹,而本文方法能实现准确的轨迹跟踪效果。
通过对突变工况的设置和与传统方法的对比,仿真证明了由本文方法设计的矿卡轨迹跟踪控制器面对突变工况的有效性。此方法对于改善突变工况下矿卡轨迹跟踪效果具有一定的借鉴意义。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (5)
1.一种路面自适应矿卡轨迹跟踪预测控制方法,其特征在于,包括以下步骤:
步骤1、建立矿卡动力学模型;
步骤2、对矿区路面进行初步辨识,根据突变工况切换策略选择估计初值;
步骤3、依据步骤2获得的估计初值采用递推最小二乘法进行参数估计值的计算;
步骤4、依据步骤3获得的路面参数估计结果更新预测模型,根据预测控制方案计算出控制量。
2.如权利要求1所述的一种路面自适应矿卡轨迹跟踪预测控制方法,其特征在于,步骤1中建立矿卡动力学模型的方法具体包括:
根据牛顿第二定律,建立三轴矿卡二自由度横向动力学方程为:
其中,vx为矿卡纵向速度,vy、分别为矿卡横向速度和横向加速度,分别为矿卡横摆角速度和横摆角加速度,lf、lm、lr分别为矿卡前、中和后车轮距离车辆质心的距离,m为矿卡整车质量;Iz为矿卡绕z轴的转动惯量,Fyf、Fym、Fyr分别为矿卡前、中和后轴侧向力;
根据矿卡轮胎受力分析,矿卡前、中和后轴侧向力分别为:
其中,nf、nm、nr分别为矿卡前、中和后轴轮胎个数,δf为前轮偏角,Fyft、Fymt、Fyrt分别为前、中和后单个轮胎侧向力;
根据轮胎刷子模型,轮胎侧向摩擦力为:
其中,C为轮胎刚度,α为轮胎侧偏角,μ为矿区道路与轮胎的附着系数,Fz为轮胎法向力;
轮侧偏角计算公式为:
其中,αf、αm、αr分别为前轮、中轮和后轮的轮胎侧偏角;
矿卡刚体运动学关系为:
3.如权利要求2所述的一种路面自适应矿卡轨迹跟踪预测控制方法,其特征在于,步骤2中利用传感器对矿区路面进行初步辨识,根据突变工况切换策略选择估计初值的具体方法包括:
根据步骤1中建立的动力学模型设计合适的待估计参数θ为:
其中,下标i为轮胎位置,可为f、m、r,分别代表前轮、中轮和后轮,Ci为各位置轮胎的轮胎刚度;
根据不同道路工况的附着系数大小划分高、中、低三种的路面工况类型,范围建立预设道路附着系数库μ0,如:当矿卡运行在干燥沥青混凝土路、干燥水泥混凝土路时,为高附着路面工况,预设附着系数为μh0;当矿卡运行在冰雪沥青混凝土路、湿润砂石路时,为低附着路面工况,预设附着系数为μl0;其余为中附着路面工况,预设附着系数为μm0;
矿卡环境感知模块的传感器可以预先感知道路类型,判断出矿卡处于或即将处于高、中或者低附着道路工况,当感知模块感知到工况突变时,采用突变工况切换策略,根据预设附着系数库μ0设置当前时刻,即k时刻的参数估计初值为:
其中,为上一时刻估计的各位置轮胎侧偏刚度,下标j代表路面类型,可为h、m、l,分别代表高、中和低附着路面,μj0为各道路类型的预设附着系数;当不处于突变工况时,则采用上一时刻,即k-1时刻的估计结果作为k时刻估计初值,公式为:
5.如权利要求4所述的一种路面自适应矿卡轨迹跟踪预测控制方法,其特征在于,步骤4中计算出控制量的方法包括:
依据步骤3获得的道路附着系数更新预测模型,在参数估计器估计出不确定参数后,采用参数自适应的预测模型为:
假设系统采样时间为T,对预测模型进行离散,得离散状态空间表达式为:
假设待跟踪的轨迹ηr为:
跟踪误差e为:
基于MPC算法建立优化问题为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210099586.6A CN114454893A (zh) | 2022-01-27 | 2022-01-27 | 一种路面自适应矿卡轨迹跟踪预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210099586.6A CN114454893A (zh) | 2022-01-27 | 2022-01-27 | 一种路面自适应矿卡轨迹跟踪预测控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114454893A true CN114454893A (zh) | 2022-05-10 |
Family
ID=81411633
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210099586.6A Pending CN114454893A (zh) | 2022-01-27 | 2022-01-27 | 一种路面自适应矿卡轨迹跟踪预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114454893A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967475A (zh) * | 2022-08-01 | 2022-08-30 | 北京理工大学 | 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 |
CN116198522A (zh) * | 2023-05-05 | 2023-06-02 | 江苏大学 | 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法 |
CN116803814A (zh) * | 2023-08-22 | 2023-09-26 | 湖南斯福迈智能科技有限责任公司 | 一种运矿卡车无人驾驶控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101949158A (zh) * | 2010-08-31 | 2011-01-19 | 中国矿业大学 | 液压水仓清理车 |
KR20110136339A (ko) * | 2010-06-15 | 2011-12-21 | 주식회사 만도 | 적응적 운행 제어시스템 |
CN102358288A (zh) * | 2011-09-07 | 2012-02-22 | 北京理工大学 | 一种车辆acc驱动工况路面峰值附着系数识别方法 |
CN107491736A (zh) * | 2017-07-20 | 2017-12-19 | 重庆邮电大学 | 一种基于卷积神经网络的路面附着系数辨识方法 |
CN110901647A (zh) * | 2019-11-25 | 2020-03-24 | 同济大学 | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 |
CN112486018A (zh) * | 2020-12-23 | 2021-03-12 | 中国矿业大学(北京) | 一种基于速度自适应预瞄的无模型无人车路径跟踪方法 |
CN113306545A (zh) * | 2021-07-15 | 2021-08-27 | 吉林大学 | 一种车辆轨迹跟踪控制方法及系统 |
WO2021248641A1 (zh) * | 2020-06-10 | 2021-12-16 | 北京理工大学 | 基于多传感器信息融合的模型自适应侧向速度估计方法 |
-
2022
- 2022-01-27 CN CN202210099586.6A patent/CN114454893A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110136339A (ko) * | 2010-06-15 | 2011-12-21 | 주식회사 만도 | 적응적 운행 제어시스템 |
CN101949158A (zh) * | 2010-08-31 | 2011-01-19 | 中国矿业大学 | 液压水仓清理车 |
CN102358288A (zh) * | 2011-09-07 | 2012-02-22 | 北京理工大学 | 一种车辆acc驱动工况路面峰值附着系数识别方法 |
CN107491736A (zh) * | 2017-07-20 | 2017-12-19 | 重庆邮电大学 | 一种基于卷积神经网络的路面附着系数辨识方法 |
CN110901647A (zh) * | 2019-11-25 | 2020-03-24 | 同济大学 | 考虑复杂激励条件的车辆路面附着系数自适应估计方法 |
WO2021248641A1 (zh) * | 2020-06-10 | 2021-12-16 | 北京理工大学 | 基于多传感器信息融合的模型自适应侧向速度估计方法 |
CN112486018A (zh) * | 2020-12-23 | 2021-03-12 | 中国矿业大学(北京) | 一种基于速度自适应预瞄的无模型无人车路径跟踪方法 |
CN113306545A (zh) * | 2021-07-15 | 2021-08-27 | 吉林大学 | 一种车辆轨迹跟踪控制方法及系统 |
Non-Patent Citations (2)
Title |
---|
辛喆;陈海亮;林子钰;孙恩鑫;孙琪;李升波;: "智能汽车的路面附着极限横向轨迹跟踪控制", 机械工程学报, no. 14, 20 July 2020 (2020-07-20), pages 152 - 159 * |
陈路明: "《基于路面自适应的多轮轮毂电机驱动车辆驱动防滑控制》", 《兵工学报》, 31 October 2021 (2021-10-31), pages 2278 - 2290 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114967475A (zh) * | 2022-08-01 | 2022-08-30 | 北京理工大学 | 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 |
CN114967475B (zh) * | 2022-08-01 | 2022-11-15 | 北京理工大学 | 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 |
CN116198522A (zh) * | 2023-05-05 | 2023-06-02 | 江苏大学 | 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法 |
CN116198522B (zh) * | 2023-05-05 | 2023-08-08 | 江苏大学 | 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法 |
CN116803814A (zh) * | 2023-08-22 | 2023-09-26 | 湖南斯福迈智能科技有限责任公司 | 一种运矿卡车无人驾驶控制方法及系统 |
CN116803814B (zh) * | 2023-08-22 | 2023-11-21 | 湖南斯福迈智能科技有限责任公司 | 一种运矿卡车无人驾驶控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114454893A (zh) | 一种路面自适应矿卡轨迹跟踪预测控制方法 | |
CN104977933B (zh) | 一种自主驾驶车辆的区域型路径跟踪控制方法 | |
CN113386781A (zh) | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 | |
CN111845774A (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
Park et al. | Integrated observer approach using in-vehicle sensors and GPS for vehicle state estimation | |
Zhang et al. | Estimation of electric mining haul trucks' mass and road slope using dual level reinforcement estimator | |
CN111547059A (zh) | 一种分布式驱动电动汽车惯性参数估计方法 | |
CN109823393A (zh) | 一种智能驾驶车辆轨迹跟踪控制方法 | |
CN104881025A (zh) | 一种地下矿用车辆的反应式导航控制方法 | |
CN101655504A (zh) | 一种机动车辆自适应巡航系统的车速估计方法 | |
CN111750866A (zh) | 基于区域虚拟力场的智能汽车横纵向耦合路径规划方法 | |
CN110161865A (zh) | 一种基于非线性模型预测控制的智能车换道轨迹规划方法 | |
Fnadi et al. | Nonlinear tire cornering stiffness observer for a double steering off-road mobile robot | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
Liu et al. | Application of optimal control method to path tracking problem of vehicle | |
Wang et al. | Nonlinear safety analysis of a running road vehicle under a sudden crosswind | |
Liu et al. | Vehicle state and parameter estimation based on double cubature Kalman filter algorithm | |
CN117193302A (zh) | 一种四轮独立转向车辆轨迹规划与跟踪的控制方法 | |
Joo et al. | Real time traversability analysis to enhance rough terrain navigation for an 6× 6 autonomous vehicle | |
CN111994085A (zh) | 复杂路况下车辆行驶稳定区域的估计方法 | |
Xu et al. | Linear time-varying MPC vehicle trajectory tracking controller considering driving road surface factors | |
Khaknejad et al. | Identification of vehicle parameters using modified least square method in ADAMS/Car | |
Wang et al. | A double-layered nonlinear model predictive control based control algorithm for local trajectory planning for automated trucks under uncertain road adhesion coefficient conditions | |
CN117146838A (zh) | 一种路径规划方法及装置、相关产品 | |
CN114179818A (zh) | 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法 |
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 |