CN114506388B - 一种车辆转向控制方法、装置、计算机设备和存储介质 - Google Patents

一种车辆转向控制方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114506388B
CN114506388B CN202210235764.3A CN202210235764A CN114506388B CN 114506388 B CN114506388 B CN 114506388B CN 202210235764 A CN202210235764 A CN 202210235764A CN 114506388 B CN114506388 B CN 114506388B
Authority
CN
China
Prior art keywords
vehicle
des
stability controller
wheel
human
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
CN202210235764.3A
Other languages
English (en)
Other versions
CN114506388A (zh
Inventor
赵汝准
李锦和
夏晶晶
王飞仁
黄扬帜
黄英健
邓忠承
曾婉霞
梁左蒙
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.)
Guangdong Mechanical and Electrical College
Original Assignee
Guangdong Mechanical and Electrical College
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 Guangdong Mechanical and Electrical College filed Critical Guangdong Mechanical and Electrical College
Publication of CN114506388A publication Critical patent/CN114506388A/zh
Application granted granted Critical
Publication of CN114506388B publication Critical patent/CN114506388B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62D—MOTOR VEHICLES; TRAILERS
    • B62D15/00—Steering not otherwise provided for
    • B62D15/02—Steering position indicators ; Steering position determination; Steering aids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本申请涉及一种车辆转向控制方法、装置、计算机设备和存储介质。所述方法包括：根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型；根据多个线性轮胎模型建立人车耦合模型的状态空间方程；根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解；根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据期望状态矩阵计算人车耦合模型的误差向量；根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并计算人车耦合模型的概率；根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。采用本方法能够提供车辆的转向控制量计算效率。

Description

一种车辆转向控制方法、装置、计算机设备和存储介质
技术领域
本申请涉及车辆控制技术领域，特别是涉及一种车辆转向控制方法、装置、计算机设备和存储介质。
背景技术
随着汽车控制技术的发展，出现了通过线控底盘控制的汽车，线控底盘汽车由于其响应迅速、布置简洁、可控自由度高等优点被认为是智能驾驶技术实现的优良载体，其中，四轮独立驱动电动汽车便应用了线控底盘技术。在人机共驾情境下，驾驶员的驾驶风格受到年龄、情绪等因素的影响个体差异较大，从而影响到车辆行驶的稳定性。
现有采用非线性方法解决人车系统的控制稳定性问题，但是非线性方法求解时间长、实时性差，如果将非线性系统进行近似线性化转换将会导致系统控制精度的损失。
因此，亟需一种高效率高精度控制方法解决人车系统的控制稳定性问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高控制精度的车辆转向控制方法、装置、计算机设备和存储介质。
一种车辆转向控制方法，所述方法包括：
根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型；
根据多个线性轮胎模型建立人车耦合模型的状态空间方程；
根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解；
根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量；
根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率；
根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。
在其中一个实施例中，所述多个对非线性轮胎动力学进行近似的线性轮胎模型，公式为：
Figure BDA0003539951730000021
其中，
Figure BDA0003539951730000022
与
Figure BDA0003539951730000023
分别为前轮胎侧向力和后轮胎侧向力，上标i、j表示潜在线性轮胎模型的编号，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量，
Figure BDA0003539951730000024
与
Figure BDA0003539951730000025
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，αf与αr分别为前轮的轮胎侧偏角和后轮的轮胎侧偏角。
在其中一个实施例中，根据多个线性轮胎模型建立人车耦合模型的状态空间方程，公式为：
Figure BDA0003539951730000026
其中，状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角，n为人车耦合模型的编号；
状态矩阵
Figure BDA0003539951730000027
vx为纵向车速，上标n为人车耦合模型的编号，由于人车耦合模型的数量取决于线性轮胎模型的数量，因此n＝i×j，i、j表示向量的行列号，Ca为空气阻力系数，
Figure BDA0003539951730000028
与
Figure BDA0003539951730000029
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，上标i、j表示潜在线性轮胎模型的编号，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量，m为整车质量，a和b分别为车辆前轴、后轴到质心的距离，IZ为汽车转动惯量，Gh为驾驶员转向比例增益，Td为驾驶员行为延迟，Tp为驾驶员预瞄时间，ψ为航向角；
输入矩阵
Figure BDA0003539951730000031
tf和tr的值分别为前轴宽度的一半和后轴宽度的一半；
控制输入u＝[δAFS Tfl Tfr Trl Trr]T，其中，δAFS为主动前轮转向系统的转角，Tfl、Tfr、Trl和Trr分别为前左轮的转矩、前右轮的转矩、后左轮的转矩和后右轮的转矩；
扰动矩阵
Figure BDA0003539951730000032
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
在其中一个实施例中，所述根据所述状态空间方程建立操纵稳定性控制器，公式为：
Figure BDA0003539951730000033
其中，J(n)为二次型性能指标，期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，Q＝diag[qvx qvy qω qδsw]为误差权重矩阵，qvx、qvy、qω和qδsw分别为纵向车速、侧向车速、横摆角速度和驾驶员转角的误差权重；R＝diag[rAFS rfl rfr rrl rrr]为输出权重矩阵，rAFS为主动前轮转角的权重，rfl、rfr、rrl和rrr分别为前左轮的转矩权重、前右轮的转矩权重、后左轮的转矩权重和后右轮的转矩权重。
在其中一个实施例中，对每个操纵稳定性控制器进行求解，求解公式为：
u(n)*＝-k(x-xdes-w)  (4)
其中，u(n)*为操纵稳定性控制器的最优解，上标*表示最优解，k为控制增益矩阵；状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角；期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，扰动矩阵
Figure BDA0003539951730000041
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
在其中一个实施例中，所述根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，包括：
将式(4)表示的最优解u(n)*代入状态空间方程(2)中，公式为：
Figure BDA0003539951730000042
其中，x(n)表示最优控制下的系统状态；
根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，公式为：
e(n)＝x(n)-xdes  (6)
其中，e(n)表示n个人车耦合模型的误差向量。
在其中一个实施例中，所述根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，包括：
根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，公式为：
Figure BDA0003539951730000043
其中，Λ(n)为每个操纵稳定性控制器的似然函数，σ为误差分布方差；
根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，公式为：
Figure BDA0003539951730000051
其中，n＝i×j，i、j表示向量的行列号，c(n)为第n个人车耦合模型的概率，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型；
根据多个线性轮胎模型建立人车耦合模型的状态空间方程；
根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解；
根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量；
根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率；
根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型；
根据多个线性轮胎模型建立人车耦合模型的状态空间方程；
根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解；
根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量；
根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率；
根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。
上述车辆转向控制方法、装置、计算机设备和存储介质，通过对非线性轮胎动力学建立线性轮胎模型来进行近似，然后建立人车耦合模型的状态空间方程，对操纵稳定性控制器求解，根据操纵稳定性控制器的解计算最优控制下的系统状态，然后计算人车耦合模型的误差向量，根据人车耦合模型的误差向量确定人车耦合模型的概率，根据人车耦合模型的概率对操纵稳定性控制器的解加权求和得到最终的控制器输出，能够将轮胎动力学非线性问题转换为线性问题并进行求解，能够提高计算效率，人车耦合模型的状态空间方程在人机共驾情境下结合驾驶员的特征和车辆的行驶特征，使得输出的控制量更加符合驾驶员的期望；以似然函数的形式考虑了每个控制器在最终控制中所占的权重，通过对多个人车模型控制器输出的AFS转角和四个车轮转矩进行加权耦合，可以保证车辆的稳定性，使系统状态与车辆控制期望值误差越小；简而言之，本发明在考虑驾驶员个体差异的前提下，使用交互多模型方法提高了控制方法的适应性，能够处理系统的非线性，进而提升车辆的操纵稳定性。
附图说明
图1为一个实施例中车辆转向控制方法的流程示意图；
图2为一个实施例中控制结构的信号处理流程示意图；
图3为一个实施例中线性轮胎力对非线性轮胎力近似曲线图；
图4为一个实施例中车辆转向控制装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种车辆转向控制方法，包括以下步骤：
S110，根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型。
其中，车辆包括前轮和后轮，按照前轮和后轮分别计算轮胎侧偏刚度和轮胎侧偏角。如图3所示，虚线为非线性轮胎动力学中非线性侧向轮胎力，直线为线性侧向轮胎力，通过线性侧向轮胎力对非线性侧向轮胎力进行近似；当然，用于近似非线性侧向轮胎力的线性侧向轮胎力越多，则线性轮胎模型越准确，但是，线性侧向轮胎力增加将导致计算速度降低，权衡速度和准确度对线性轮胎模型的数量进行取值。
S120，根据多个线性轮胎模型建立人车耦合模型的状态空间方程。
其中，每个线性轮胎模型分别建立人车耦合模型的状态空间方程。
S130，根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解。
其中，可以通过MATLAB的“lqr”命令获得操纵稳定性控制器的解。
S140，根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量。
其中，人车耦合模型的误差向量等于最优控制下的系统状态与期望状态矩阵之差。
S150，根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率。
S160，根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。
其中，人车耦合模型的概率作为权值，每个操纵稳定性控制器的解对应一个人车耦合模型的概率。车辆的转向控制量包括车轮转矩和AFS(Active Front Steering，主动前轮转向)转角。
上述车辆转向控制方法中，通过对非线性轮胎动力学建立线性轮胎模型来进行近似，然后建立人车耦合模型的状态空间方程，对操纵稳定性控制器求解，根据操纵稳定性控制器的解计算最优控制下的系统状态，然后计算人车耦合模型的误差向量，根据人车耦合模型的误差向量确定人车耦合模型的概率，根据人车耦合模型的概率对操纵稳定性控制器的解加权求和得到最终的控制器输出，能够将轮胎动力学非线性问题转换为线性问题并进行求解，能够提高计算效率，人车耦合模型的状态空间方程在人机共驾情境下结合驾驶员的特征和车辆的行驶特征，使得输出的控制量更加符合驾驶员的期望；以似然函数的形式考虑了每个控制器在最终控制中所占的权重，通过对多个人车模型控制器输出的AFS转角和四个车轮转矩进行加权耦合，可以保证车辆的稳定性，使系统状态与车辆控制期望值误差越小；简而言之，本发明在考虑驾驶员个体差异的前提下，使用交互多模型方法提高了控制方法的适应性，能够处理系统的非线性，进而提升车辆的操纵稳定性。
在其中一个实施例中，所述多个对非线性轮胎动力学进行近似的线性轮胎模型，公式为：
Figure BDA0003539951730000081
其中，
Figure BDA0003539951730000082
与
Figure BDA0003539951730000083
分别为前轮胎侧向力和后轮胎侧向力，上标i、j表示潜在线性轮胎模型的编号，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量，
Figure BDA0003539951730000084
与
Figure BDA0003539951730000085
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，αf与αr分别为前轮的轮胎侧偏角和后轮的轮胎侧偏角。
在其中一个实施例中，根据多个线性轮胎模型建立人车耦合模型的状态空间方程，公式为：
Figure BDA0003539951730000086
其中，状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角，n为人车耦合模型的编号；
状态矩阵
Figure BDA0003539951730000091
vx为纵向车速，上标n为人车耦合模型的编号，由于人车耦合模型的数量取决于线性轮胎模型的数量，因此n＝i×j，i、j表示向量的行列号，Ca为空气阻力系数，
Figure BDA0003539951730000092
与
Figure BDA0003539951730000093
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，上标i、j表示潜在线性轮胎模型的编号，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量，m为整车质量，a和b分别为车辆前轴、后轴到质心的距离，IZ为汽车转动惯量，Gh为驾驶员转向比例增益，Td为驾驶员行为延迟，Tp为驾驶员预瞄时间，ψ为航向角；Gh、Td与Tp的值与驾驶员驾驶风格有关，可通过图2中驾驶员状态估计器2获得。
输入矩阵
Figure BDA0003539951730000094
tf和tr的值分别为前轴宽度的一半和后轴宽度的一半；
控制输入u＝[δAFS Tfl Tfr Trl Trr]T，其中，δAFS为主动前轮转向系统的转角，Tfl、Tfr、Trl和Trr分别为前左轮的转矩、前右轮的转矩、后左轮的转矩和后右轮的转矩；
扰动矩阵
Figure BDA0003539951730000095
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
在其中一个实施例中，所述根据所述状态空间方程建立操纵稳定性控制器，公式为：
Figure BDA0003539951730000101
其中，J(n)为二次型性能指标，期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，Q＝diag[qvx qvy qω qδsw]为误差权重矩阵，qvx、qvy、qω和qδsw分别为纵向车速、侧向车速、横摆角速度和驾驶员转角的误差权重；R＝diag[rAFS rfl rfr rrl rrr]为输出权重矩阵，rAFS为主动前轮转角的权重，rfl、rfr、rrl和rrr分别为前左轮的转矩权重、前右轮的转矩权重、后左轮的转矩权重和后右轮的转矩权重。其中，如图2所示，纵向车速期望值可通过图2中驾驶员状态估计器2获得，期望横摆角速度可通过参考模型3获得，驾驶员期望转角可通过图2中驾驶员状态估计器2获得。
在其中一个实施例中，对每个操纵稳定性控制器进行求解，求解公式为：
u(n)*＝-k(x-xdes-w)  (4)
其中，u(n)*为操纵稳定性控制器的最优解，上标*表示最优解，k为控制增益矩阵；状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角；期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，扰动矩阵
Figure BDA0003539951730000102
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。其中，k为“lqr”命令求得的控制增益矩阵。
在其中一个实施例中，所述根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，包括：将式(4)表示的最优解u(n)*代入状态空间方程(2)中，公式为：
Figure BDA0003539951730000111
其中，x(n)表示最优控制下的系统状态；根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，公式为：
e(n)＝x(n)-xdes  (6)
其中，e(n)表示n个人车耦合模型的误差向量。
在其中一个实施例中，所述根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，包括：根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，公式为：
Figure BDA0003539951730000112
其中，Λ(n)为每个操纵稳定性控制器的似然函数，σ为误差分布方差；根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，公式为：
Figure BDA0003539951730000113
其中，n＝i×j，i、j表示向量的行列号，c(n)为第n个人车耦合模型的概率，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量。
在其中一个实施例中，根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量，公式为：
Figure BDA0003539951730000114
其中，u*为车辆的转向控制量。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图3所示，提供了一种车辆转向控制装置，包括：线性轮胎模型建立模块210、状态空间方程建立模块220、求解模块230、误差向量计算模块240、概率计算模块250和转向控制量计算模块260，其中：
线性轮胎模型建立模块210，用于根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型。
状态空间方程建立模块220，用于根据多个线性轮胎模型建立人车耦合模型的状态空间方程。
求解模块230，用于根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解。
误差向量计算模块240，用于根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量。
概率计算模块250，用于根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率。
转向控制量计算模块260，用于根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。
在其中一个实施例中，所述多个对非线性轮胎动力学进行近似的线性轮胎模型，公式为：
Figure BDA0003539951730000121
其中，
Figure BDA0003539951730000122
与
Figure BDA0003539951730000123
分别为前轮胎侧向力和后轮胎侧向力，上标i、j表示潜在线性轮胎模型的编号，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量，
Figure BDA0003539951730000124
与
Figure BDA0003539951730000125
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，αf与αr分别为前轮的轮胎侧偏角和后轮的轮胎侧偏角。
在其中一个实施例中，根据多个线性轮胎模型建立人车耦合模型的状态空间方程，公式为：
Figure BDA0003539951730000131
其中，状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角，n为人车耦合模型的编号；
状态矩阵
Figure BDA0003539951730000132
vx为纵向车速，上标n为人车耦合模型的编号，由于人车耦合模型的数量取决于线性轮胎模型的数量，因此n＝i×j，i、j表示向量的行列号，Ca为空气阻力系数，
Figure BDA0003539951730000133
与
Figure BDA0003539951730000134
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，上标i、j表示潜在线性轮胎模型的编号，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量，m为整车质量，a和b分别为车辆前轴、后轴到质心的距离，IZ为汽车转动惯量，Gh为驾驶员转向比例增益，Td为驾驶员行为延迟，Tp为驾驶员预瞄时间，ψ为航向角；
输入矩阵
Figure BDA0003539951730000135
tf和tr的值分别为前轴宽度的一半和后轴宽度的一半；
控制输入u＝[δAFS Tfl Tfr Trl Trr]T，其中，δAFS为主动前轮转向系统的转角，Tfl、Tfr、Trl和Trr分别为前左轮的转矩、前右轮的转矩、后左轮的转矩和后右轮的转矩；
扰动矩阵
Figure BDA0003539951730000141
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
在其中一个实施例中，所述根据所述状态空间方程建立操纵稳定性控制器，公式为：
Figure BDA0003539951730000142
其中，J(n)为二次型性能指标，期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，Q＝diag[qvx qvy qω qδsw]为误差权重矩阵，qvx、qvy、qω和qδsw分别为纵向车速、侧向车速、横摆角速度和驾驶员转角的误差权重；R＝diag[rAFS rfl rfr rrl rrr]为输出权重矩阵，rAFS为主动前轮转角的权重，rfl、rfr、rrl和rrr分别为前左轮的转矩权重、前右轮的转矩权重、后左轮的转矩权重和后右轮的转矩权重。
在其中一个实施例中，对每个操纵稳定性控制器进行求解，求解公式为：
u(n)*＝-k(x-xdes-w)  (4)
其中，u(n)*为操纵稳定性控制器的最优解，上标*表示最优解，k为控制增益矩阵；状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角；期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，扰动矩阵
Figure BDA0003539951730000143
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
在其中一个实施例中，所述误差向量计算模块240，包括：
最优控制系统状态计算单元，用于将式(4)表示的最优解u(n)*代入状态空间方程(2)中，公式为：
Figure BDA0003539951730000151
其中，x(n)表示最优控制下的系统状态；
误差向量计算单元，用于根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，公式为：
e(n)＝x(n)-xdes  (6)
其中，e(n)表示n个人车耦合模型的误差向量。
在其中一个实施例中，所述概率计算模块250，包括：
似然函数计算单元，用于根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，公式为：
Figure BDA0003539951730000152
其中，Λ(n)为每个操纵稳定性控制器的似然函数，σ为误差分布方差；
人车耦合模型概率计算单元，用于根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，公式为：
Figure BDA0003539951730000153
其中，n＝i×j，i、j表示向量的行列号，c(n)为第n个人车耦合模型的概率，i∈{1，2，…，N}，j∈{1，2，…，N}，N为前轮或者后轮的线性轮胎模型的数量。
关于车辆转向控制装置的具体限定可以参见上文中对于车辆转向控制方法的限定，在此不再赘述。上述车辆转向控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种车辆转向控制方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种车辆转向控制方法，其特征在于，所述方法包括：
根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型；
根据多个线性轮胎模型建立人车耦合模型的状态空间方程；
根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解；
根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量；
根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率；
根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量；
其中，所述根据所述状态空间方程建立操纵稳定性控制器，公式为：
Figure FDA0003995515660000011
其中，J(n)为二次型性能指标，期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角，n为人车耦合模型的编号，Q＝diag[qvx qvy qω qδsw]为误差权重矩阵，qvx、qvy、qω和qδsw分别为纵向车速、侧向车速、横摆角速度和驾驶员转角的误差权重；R＝diag[rAFS rfl rfr rrl rrr]为输出权重矩阵，rAFS为主动前轮转角的权重，rfl、rfr、rrl和rrr分别为前左轮的转矩权重、前右轮的转矩权重、后左轮的转矩权重和后右轮的转矩权重，控制输入u＝[δAFS Tfl Tfr Trl Trr]T，其中，δAFS为主动前轮转向系统的转角，Tfl、Tfr、Trl和Trr分别为前左轮的转矩、前右轮的转矩、后左轮的转矩和后右轮的转矩，状态矩阵
Figure FDA0003995515660000021
vx为纵向车速，上标n为人车耦合模型的编号，由于人车耦合模型的数量取决于线性轮胎模型的数量，因此n＝i×j，i、j表示向量的行列号，Ca为空气阻力系数，
Figure FDA0003995515660000022
与
Figure FDA0003995515660000023
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，上标i、j表示潜在线性轮胎模型的编号，i∈{1,2,…,N}，j∈{1,2,…,N}，N为前轮或者后轮的线性轮胎模型的数量，m为整车质量，a和b分别为车辆前轴、后轴到质心的距离，IZ为汽车转动惯量，Gh为驾驶员转向比例增益，Td为驾驶员行为延迟，Tp为驾驶员预瞄时间，ψ为航向角，输入矩阵
Figure FDA0003995515660000024
tf和tr的值分别为前轴宽度的一半和后轴宽度的一半，扰动矩阵
Figure FDA0003995515660000025
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
2.根据权利要求1所述的方法，其特征在于，所述多个对非线性轮胎动力学进行近似的线性轮胎模型，公式为：
Figure FDA0003995515660000026
其中，
Figure FDA0003995515660000027
与
Figure FDA0003995515660000028
分别为前轮胎侧向力和后轮胎侧向力，上标i、j表示潜在线性轮胎模型的编号，i∈{1,2,…,N}，j∈{1,2,…,N}，N为前轮或者后轮的线性轮胎模型的数量，
Figure FDA0003995515660000031
与
Figure FDA0003995515660000032
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，αf与αr分别为前轮的轮胎侧偏角和后轮的轮胎侧偏角。
3.根据权利要求1所述的方法，其特征在于，根据多个线性轮胎模型建立人车耦合模型的状态空间方程，公式为：
Figure FDA0003995515660000033
其中，状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角，n为人车耦合模型的编号；
状态矩阵
Figure FDA0003995515660000034
vx为纵向车速，上标n为人车耦合模型的编号，由于人车耦合模型的数量取决于线性轮胎模型的数量，因此n＝i×j，i、j表示向量的行列号，Ca为空气阻力系数，
Figure FDA0003995515660000035
与
Figure FDA0003995515660000036
分别为前轮的轮胎侧偏刚度和后轮的胎侧偏刚度，上标i、j表示潜在线性轮胎模型的编号，i∈{1,2,…,N}，j∈{1,2,…,N}，N为前轮或者后轮的线性轮胎模型的数量，m为整车质量，a和b分别为车辆前轴、后轴到质心的距离，IZ为汽车转动惯量，Gh为驾驶员转向比例增益，Td为驾驶员行为延迟，Tp为驾驶员预瞄时间，ψ为航向角；
输入矩阵
Figure FDA0003995515660000037
tf和tr的值分别为前轴宽度的一半和后轴宽度的一半；
控制输入u＝[δAFS Tfl Tfr Trl Trr]T，其中，δAFS为主动前轮转向系统的转角，Tfl、Tfr、Trl和Trr分别为前左轮的转矩、前右轮的转矩、后左轮的转矩和后右轮的转矩；
扰动矩阵
Figure FDA0003995515660000041
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
4.根据权利要求3所述的方法，其特征在于，对每个操纵稳定性控制器进行求解，求解公式为：
u(n)*＝-k(x-xdex-w)  (4)
其中，u(n)*为操纵稳定性控制器的最优解，上标*表示最优解，k为控制增益矩阵；状态向量x＝[vx vy ω δsw]T，vx为纵向车速，vy为侧向车速，ω为横摆角速度，δsw为驾驶员的方向盘转角；期望状态矩阵为xdes＝[vx_des vy_des ωdes δsw_des]T，vx_des为纵向车速期望值，vy_des为期望侧向速度，其值为0，ωdes为期望横摆角速度，δsw_des为驾驶员期望转角，扰动矩阵
Figure FDA0003995515660000042
Yp为驾驶员预瞄点的侧向坐标，Y为车辆当前位置的侧向坐标。
5.根据权利要求4所述的方法，其特征在于，所述根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，包括：
将式(4)表示的最优解u(n)*代入状态空间方程(2)中，公式为：
Figure FDA0003995515660000043
其中，x(n)表示最优控制下的系统状态；
根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量，公式为：
e(n)＝x(n)-xdes                    (6)
其中，e(n)表示n个人车耦合模型的误差向量。
6.根据权利要求5所述的方法，其特征在于，所述根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，包括：
根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，公式为：
Figure FDA0003995515660000051
其中，Λ(n)为每个操纵稳定性控制器的似然函数，σ为误差分布方差；
根据操纵稳定性控制器的似然函数计算人车耦合模型的概率，公式为：
Figure FDA0003995515660000052
其中，n＝i×j，i、j表示向量的行列号，c(n)为第n个人车耦合模型的概率，i∈{1,2,…,N}，j∈{1,2,…,N}，N为前轮或者后轮的线性轮胎模型的数量。
7.一种车辆转向控制装置，其特征在于，所述装置包括：
线性轮胎模型建立模块，用于根据车辆前后轮的轮胎侧偏刚度和轮胎侧偏角，建立多个对非线性轮胎动力学进行近似的线性轮胎模型；
状态空间方程建立模块，用于根据多个线性轮胎模型建立人车耦合模型的状态空间方程；
求解模块，用于根据所述状态空间方程建立操纵稳定性控制器，并对每个操纵稳定性控制器进行求解，得到每个操纵稳定性控制器的解；
误差向量计算模块，用于根据操纵稳定性控制器的解计算最优控制下的系统状态，并根据最优控制下的系统状态和期望状态矩阵计算人车耦合模型的误差向量；
概率计算模块，用于根据人车耦合模型的误差向量计算操纵稳定性控制器的似然函数，并根据操纵稳定性控制器的似然函数计算人车耦合模型的概率；
转向控制量计算模块，用于根据人车耦合模型的概率和操纵稳定性控制器的解进行加权求和，得到车辆的转向控制量。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202210235764.3A 2021-12-27 2022-03-10 一种车辆转向控制方法、装置、计算机设备和存储介质 Active CN114506388B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021116096803 2021-12-27
CN202111609680 2021-12-27

Publications (2)

Publication Number Publication Date
CN114506388A CN114506388A (zh) 2022-05-17
CN114506388B true CN114506388B (zh) 2023-04-07

Family

ID=81554254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210235764.3A Active CN114506388B (zh) 2021-12-27 2022-03-10 一种车辆转向控制方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114506388B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3411280B1 (en) * 2016-02-05 2019-11-13 Sentient IP AB Method for the control of vehicle steering and vehicle behaviour
JP6477551B2 (ja) * 2016-03-11 2019-03-06 トヨタ自動車株式会社 情報提供装置及び情報提供プログラム
CN109885883B (zh) * 2019-01-21 2023-04-18 江苏大学 一种基于gk聚类算法模型预测的无人车横向运动的控制方法
CN110116732B (zh) * 2019-04-09 2020-08-18 吉林大学 一种考虑轮胎侧偏刚度变化的车辆侧向稳定控制方法
CN111267835B (zh) * 2020-03-26 2021-04-27 桂林电子科技大学 基于模型预测算法的四轮独立驱动汽车稳定性控制方法
CN111806427B (zh) * 2020-06-08 2021-10-08 北京理工大学 一种四轮毂电机驱动车辆的综合控制方法
CN111645699B (zh) * 2020-06-10 2021-08-31 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
CN113147736B (zh) * 2021-05-13 2023-04-21 福州大学 基于独立轮系的电动车辆稳定性控制方法

Also Published As

Publication number Publication date
CN114506388A (zh) 2022-05-17

Similar Documents

Publication Publication Date Title
CN111158264B (zh) 面向车载应用的模型预测控制快速求解方法
CN107585207B (zh) 一种车辆线控四轮转向系统及其控制方法
US8041491B2 (en) Reconfigurable structure method of estimating vehicle lateral velocity
CN113650612B (zh) 一种纯电动客车自适应巡航纵向控制方法、装置及电子设备
EP4116163A1 (en) Controlling motion of a vehicle
CN114291109B (zh) 一种共享驾驶冲突解决方法、系统和计算机设备
CN113009829A (zh) 一种智能网联车队纵横向耦合控制方法
CN113682282A (zh) 一种车辆稳定性控制方法、系统、车辆和存储介质
CN114261252B (zh) 主动稳定杆控制方法、装置、设备及介质
CN114506388B (zh) 一种车辆转向控制方法、装置、计算机设备和存储介质
Zhang et al. A fuzzy control strategy and optimization for four wheel steering system
CN115973191A (zh) 智能汽车人机共驾控制方法
CN114162110B (zh) 一种无人驾驶车辆的横向稳定性控制方法
CN116215530A (zh) 车辆转弯控制方法、装置、重卡及存储介质
US11724739B2 (en) Vehicle actuation commands to affect transient handling
Khan et al. Active slip control of a vehicle using fuzzy control and active suspension
CN113386767B (zh) 一种基于Koopman算子的四轮转向滚动时域控制方法
Massera Filho et al. Driver assistance controller for tire saturation avoidance up to the limits of handling
CN105867168A (zh) 电动汽车控制分配模型建立方法及装置
CN117400951B (zh) 分布式驱动电动汽车操纵稳定性集成控制方法及相关设备
CN114475590B (zh) 一种电动汽车力矩控制方法和系统以及可读存储介质
CN113900438B (zh) 无人车路径跟踪控制方法、装置、计算机设备和存储介质
CN117311346B (zh) 机器人横向稳定协同转向控制方法、装置、终端及介质
CN115123194A (zh) 车辆控制方法、装置、设备及存储介质
CN116373865A (zh) 一种赛车行驶轨迹优化方法、系统、设备及存储介质

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