CN114638051B - 一种基于系统不变量的智能汽车时滞稳定性分析方法 - Google Patents
一种基于系统不变量的智能汽车时滞稳定性分析方法 Download PDFInfo
- Publication number
- CN114638051B CN114638051B CN202210220627.2A CN202210220627A CN114638051B CN 114638051 B CN114638051 B CN 114638051B CN 202210220627 A CN202210220627 A CN 202210220627A CN 114638051 B CN114638051 B CN 114638051B
- Authority
- CN
- China
- Prior art keywords
- intelligent automobile
- time
- control
- model
- time lag
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000011217 control strategy Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000003111 delayed effect Effects 0.000 claims description 2
- 230000003993 interaction Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于系统不变量的智能汽车时滞稳定性分析方法，属于物联网安全领域。该方法通过对智能汽车正常运行时的传感器测量数据和控制信号数据进行采集，基于智能汽车动力学模型和控制系统的控制模型，构建智能汽车的系统不变量模型。考虑不同时滞情况下的系统不变量模型的参数变化，通过分析智能汽车系统控制的稳定性，从而获得最大能容忍的信号时滞，实现了对智能汽车系统的时滞稳定性分析，可以作为一种智能汽车系统控制的安全性能的表征。
Description
技术领域
本发明属于物联网安全领域，涉及一种基于系统不变量的智能汽车时滞稳定性分析方法。
背景技术
随着信息技术的不断发展和先进传感器的不断应用，搭载了先进传感器、控制器和执行器的智能汽车己经成为世界车辆工程领域研究的热点。融合多传感器的感知数据，并通过智能算法进行规划决策、通过电子和机械结构相结合实现控制的智能汽车已经成为汽车工业增长的新动力，未来将逐步取代现有的汽车市场，有巨大的发展前景。而与传统汽车不同的是，由于智能汽车具有多传感器和多信息交互的特点，也使得系统对通信和交互的及时性要求大大提高，由此可能引发的安全性问题不容忽视。
智能汽车的一种典型的攻击方式是利用信息的时滞造成系统的失稳。典型的失稳后果可能会使得智能汽车偏离原有的运行轨道与其他物体发生碰撞从而造成重大的安全事故等。因此对智能汽车的时滞稳定性分析非常重要，并且时滞稳定性的分析方法能够为智能汽车在设计时采用的交互方式提供帮助。
发明内容
本发明公开了一种基于系统不变量的智能汽车时滞稳定性分析方法，通过对智能汽车正常运行时的传感器测量数据和控制信号数据进行采集，基于智能汽车动力学模型和控制系统的控制模型，构建智能汽车的系统不变量模型。考虑不同时滞情况下的系统不变量模型的参数变化，通过分析智能汽车系统控制的稳定性，从而获得最大能容忍的信号时滞，根据最大能容忍的信号时滞设计合适的信号交互方式。
为了实现上述目的，本发明采用的技术方案如下：
一种基于系统不变量的智能汽车时滞稳定性分析方法，其特征在于，包括以下步骤：
步骤1：对智能汽车多路况运行一段时间内的传感器测量数据和控制信号数据进行采集，选取工作状态下的数据进行对齐，得到智能汽车的运动数据；
步骤2：根据智能汽车的运动特性，对采集到的运动数据进行预处理，得到预处理后的信号数据集；
步骤3：根据物理动力学特性，对智能汽车物理系统进行建模，获得基于物理动力学的系统模型M1；
步骤4：根据控制策略特性，对智能汽车控制系统进行建模，获得基于控制策略的系统控制模型M2；
步骤5：利用步骤2中得到的信号数据集，对步骤3和步骤4中得到的系统模型M1和系统控制模型M2进行级联，得到整个系统的状态空间模型，然后进行系统不变量辨识，获得最小误差情况下状态空间模型的各个参数矩阵，得到智能汽车系统模型M；
步骤6：设置时滞范围[L，H]，L为时滞下限，H为时滞上限，初始化时滞为(L+H)/2；将控制信号按照时滞时间延迟后输入智能汽车系统模型M中，更新系统模型M中的各个参数矩阵，得到更新后的系统模型M(τ)，τ为时滞时间；
步骤7：计算系统模型M(τ)的特征方程和特征根，若特征根不位于预设的稳定区间内，则判断系统不稳定，将时滞范围[L，H]中的时滞上限H更新为(L+H)/2，重复步骤6；若特征根位于预设的稳定区间内，则判断系统稳定，将时滞范围[L，H]中的时滞下限L更新为(L+H)/2，重复步骤6，直至L＝H，得到最大时滞时间τmax＝H。
进一步的，所述的步骤1具体为：
步骤1.1：分析智能汽车的状态，包括静止状态和启动状态；
步骤1.2：针对智能汽车的启动状态，使用内置的API接口采集传感器测量数据Mseq和控制信号数据Cseq；
步骤1.3：采用时间戳对齐方法，将Mseq与Cseq进行匹配，得到具有对应时间关系的信号数据对Sseq＝(Mseq，Cseq)作为智能汽车的运动数据。
进一步的，所述的步骤2具体为：
步骤2.1：采用低通滤波器对采集到的智能汽车的运动数据进行滤波处理；
步骤2.2：对滤波后的数据进行异常值检测，去除数据中的异常值，并用临近两个值的平均值代替异常值进行线性插值；
步骤2.3：对步骤2.2处理后的数据做标准化处理，得到智能汽车的信号数据集S。
进一步的，所述的步骤3具体为：
步骤3.1：定义智能汽车系统的物理系统状态变量x，包括智能汽车与道路边的垂直距离d、距离d对时间的变化率道路直线段的切线与车辆纵轴的投影之间的夹角θ、夹角θ对时间的变化率/>汽车运行的速度v与加速度a；
步骤3.2：定义智能汽车系统的控制输入u，包括前轮的转向角度、引擎出力；
步骤3.3：定义扰动量w，包括智能汽车的道路曲率；
步骤3.4：构建智能汽车基于物理动力学的系统模型M1，表示为：
y＝Cx+Du
其中，A、B、R、C、D分别表示各变量的参数矩阵，y为各个传感器测量值，表示物理系统状态变量x对时间的变化率。
进一步的，所述的步骤4具体为：
步骤4.1：定义智能汽车系统的控制系统状态变量v，包括智能汽车控制系统中的隐变量；
步骤4.2：构建智能汽车控制系统的系统控制模型M2，表示为：
u＝Ccv+DCy
其中，AC、BC、CC、DC分别表示各变量的参数矩阵，表示控制系统状态变量v对时间的变化率。
本发明具备的有益效果是：
本发明提出了一种基于系统不变量的智能汽车时滞稳定性分析方法，结合物理动力学特性和控制策略分别建立含有系统不变量的系统状态空间模型，该状态空间模型由智能汽车运行中的传感器测量信号和控制系统控制信号构建的，符合系统实际；并通过系统级联和系统辨识得到智能汽车系统的系统模型，实现了对智能汽车系统的时滞稳定性分析，可以作为一种智能汽车系统控制的安全性能的表征。
附图说明
图1是本发明实施例示出的一种基于系统不变量的智能汽车时滞稳定性分析方法的流程图。
具体实施方式
下面结合附图，对本发明做进一步的说明。
本发明提供一种基于系统不变量的智能汽车时滞稳定性分析方法，该方法是一种利用智能汽车物理系统的物理动力学特性和控制系统的控制策略进行系统稳定性分析的方法。其中系统不变量指的是现实系统中由物理和环境等因素所确定的不随系统状态变化而变化的参数量。方法流程图如图1所示，主要是分为智能汽车信号采集、信号预处理、物理系统动力学建模、控制系统建模、系统不变量识别、时滞系统模型融合和稳定性分析。
该方法具体如下：
步骤1：对智能汽车多路况运行一段时间内的传感器测量数据和控制信号数据进行采集，并选择其中包含智能汽车运动数据进行选取和对齐。具体步骤如下：
步骤1.1：分析智能汽车数据所属于的状态，本实施例中，分为静止和启动两种状态；
步骤1.2：针对智能汽车启动时候的工作状态，使用内置的API接口采集传感器测量数据和控制信号数据；
步骤1.3：将采集到的传感器测量数据记为Mseq，采集到的控制信号数据记为Cseq，这两个部分的数据都体现为一个基于时间序列的多维数据；
步骤1.4：采用时间戳对齐方法，将Mseq与Cseq进行匹配，得到具有对应时间关系的信号数据对，记为Sseq＝(Mseq，Cseq)，并将其作为智能汽车的运动数据。
步骤2：根据智能汽车的运动特性，对采集到的信号数据对Sseq进行数据预处理，得到预处理后的信号数据集S。具体步骤如下：
步骤2.1：对采集到的信号数据对Sseq进行滤波处理，由于智能汽车的运动状态变化通常是低频的，对应的传感器测量数据和控制信号数据也是低频的，因此采用低通滤波器过滤其中的高频谐波和噪声信号；
步骤2.2：对步骤2.1中滤波后的数据进行异常值检测，去除数据中偏离过大的异常值，并用临近两个值的平均值代替进行线性插值，避免异常值的干扰；
步骤2.3：对步骤2.2处理后的数据做标准化处理，避免不同幅值对后续分析和建模的影响，得到智能汽车的信号数据集S。
步骤3：根据智能汽车物理系统物理动力学特性对物理系统进行建模，获得基于物理动力学的系统模型M1，具体步骤如下：
步骤3.1：定义智能汽车系统的物理系统状态变量x，本实施例中，x包括但不限于智能汽车与道路边的垂直距离d、该距离d对时间的变化率道路直线段的切线与车辆纵轴的投影之间的夹角θ、该夹角θ对时间的变化率/>汽车运行的速度v与加速度a等状态变量；
步骤3.2：定义智能汽车系统的控制输入u，本实施例中，u包括但不限于前轮的转向角度、引擎出力等控制量；
步骤3.3：定义扰动量w，本实施例中，w包括但不限于智能汽车的道路曲率、系统的干扰等；
步骤3.4：构建智能汽车系统的物理状态空间方程模型M1，其可以表示如下：
y＝Cx+Du
其中，A，B，R，C，D分别表示各变量的参数矩阵，R一般由先验知识给出，y为各个传感器测量值，表示物理系统状态变量x对时间的变化率。
步骤4：根据智能汽车的控制系统的控制策略进行建模，获得基于控制策略的系统控制模型M2，具体步骤如下：
步骤4.1：定义智能汽车系统的控制系统状态变量v，本实施例中，v包括智能汽车控制系统中的隐变量；各个传感器的测量值y等变量作为控制系统的输入变量；控制系统的输出变量即为步骤3.2中的控制输入u；
步骤4.2：构建智能汽车的控制系统状态空间方程模型M2，其可以表示如下：
u＝CCv+DCy
其中，AC，BC，CC，DC分别表示各变量的参数矩阵，表示控制系统状态变量v对时间的变化率。
步骤5：利用步骤2中得到的信号数据集S，对步骤3和步骤4中得到的系统模型M1和系统控制模型M2进行级联，得到整个系统的状态空间模型，然后进行系统不变量辨识，获得智能汽车系统模型M，具体步骤如下：
步骤5.1：级联步骤3和步骤4中得到的模型M1和M2，得到整个系统的状态空间模型；
步骤5.2：将步骤2中得到的信号数据集S中的控制信号数据和传感器测量数据利用MATLAB系统辨识工具箱等工具进行系统辨识，识别系统的不变量参数，获得最小误差情况下的模型的各个参数矩阵；
步骤5.3：结合模型结构和识别的不变量参数，获得智能汽车系统模型M。
步骤6：引入在控制环节的一定时间的大时滞τ，设时滞的下界L为0，上界H为τ，初始时滞为(L+H)/2。将控制信号延迟一定时间输入至物理系统中，利用步骤5中所获得的忽略时滞情况下的系统模型参数，更新系统模型的各个参数矩阵，更新后的系统模型记为M(τ)。
步骤7：进一步的，求解步骤6中的系统模型M(τ)的特征方程和特征根，并判断系统的特征根是否位于稳定的范围内；
若判断系统不稳定，则令H＝(L+H)/2，重复步骤6；若判断系统稳定，则令L＝(L+H)/2，重复步骤6，直至L＝H。由此可以得到各个时滞情况下系统的特征根以及最大时滞时间τmax，该时滞时间越大，说明系统的鲁棒性越好，同时能作为设计系统内部信号交互方式的参考(例如信息交互时采用的通信协议和信道质量的约束)。
以上列举的仅是本发明的具体实施例。显然，本发明不限于以上实施例，还可以有许多变形。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。
Claims (5)
1.一种基于系统不变量的智能汽车时滞稳定性分析方法，其特征在于，包括以下步骤：
步骤1：对智能汽车多路况运行一段时间内的传感器测量数据和控制信号数据进行采集，选取工作状态下的数据进行对齐，得到智能汽车的运动数据；
步骤2：根据智能汽车的运动特性，对采集到的运动数据进行预处理，得到预处理后的信号数据集；
步骤3：根据物理动力学特性，对智能汽车物理系统进行建模，获得基于物理动力学的系统模型M1；
步骤4：根据控制策略特性，对智能汽车控制系统进行建模，获得基于控制策略的系统控制模型M2；
步骤5：利用步骤2中得到的信号数据集，对步骤3和步骤4中得到的系统模型M1和系统控制模型M2进行级联，得到整个系统的状态空间模型，然后进行系统不变量辨识，获得最小误差情况下状态空间模型的各个参数矩阵，得到智能汽车系统模型M；
步骤6：设置时滞范围[L,H]，L为时滞下限，H为时滞上限，初始化时滞为(L+H)/2；将控制信号按照时滞时间延迟后输入智能汽车系统模型M中，更新系统模型M中的各个参数矩阵，得到更新后的系统模型M(τ)，τ为时滞时间；
步骤7：计算系统模型M(τ)的特征方程和特征根，若特征根不位于预设的稳定区间内，则判断系统不稳定，将时滞范围[L,H]中的时滞上限H更新为(L+H)/2，重复步骤6；若特征根位于预设的稳定区间内，则判断系统稳定，将时滞范围[L,H]中的时滞下限L更新为(L+H)/2，重复步骤6，直至L＝H，得到最大时滞时间τmax＝H。
2.根据权利要求1所述的一种基于系统不变量的智能汽车时滞稳定性分析方法，其特征在于，所述的步骤1具体为：
步骤1.1：分析智能汽车的状态，包括静止状态和启动状态；
步骤1.2：针对智能汽车的启动状态，使用内置的API接口采集传感器测量数据Mseq和控制信号数据Cseq；
步骤1.3：采用时间戳对齐方法，将Mseq与Cseq进行匹配，得到具有对应时间关系的信号数据对Sseq＝(Mseq，Cseq)作为智能汽车的运动数据。
3.根据权利要求1所述的一种基于系统不变量的智能汽车时滞稳定性分析方法，其特征在于，所述的步骤2具体为：
步骤2.1：采用低通滤波器对采集到的智能汽车的运动数据进行滤波处理；
步骤2.2：对滤波后的数据进行异常值检测，去除数据中的异常值，并用临近两个值的平均值代替异常值进行线性插值；
步骤2.3：对步骤2.2处理后的数据做标准化处理，得到智能汽车的信号数据集S。
4.根据权利要求1所述的一种基于系统不变量的智能汽车时滞稳定性分析方法，其特征在于，所述的步骤3具体为：
步骤3.1：定义智能汽车系统的物理系统状态变量x，包括智能汽车与道路边的垂直距离d、距离d对时间的变化率道路直线段的切线与车辆纵轴的投影之间的夹角θ、夹角θ对时间的变化率/>汽车运行的速度b与加速度a；
步骤3.2：定义智能汽车系统的控制输入u，包括前轮的转向角度、引擎出力；
步骤3.3：定义扰动量w，包括智能汽车的道路曲率；
步骤3.4：构建智能汽车基于物理动力学的系统模型M1，表示为：
y＝Cx+Du
其中，A、B、R、C、D分别表示各变量的参数矩阵，y为各个传感器测量值，表示物理系统状态变量x对时间的变化率。
5.根据权利要求4所述的一种基于系统不变量的智能汽车时滞稳定性分析方法，其特征在于，所述的步骤4具体为：
步骤4.1：定义智能汽车系统的控制系统状态变量v，包括智能汽车控制系统中的隐变量；
步骤4.2：构建智能汽车控制系统的系统控制模型M2，表示为：
u＝Ccv+DCy
其中，AC、BC、CC、DC分别表示各变量的参数矩阵，表示控制系统状态变量v对时间的变化率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210220627.2A CN114638051B (zh) | 2022-03-08 | 2022-03-08 | 一种基于系统不变量的智能汽车时滞稳定性分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210220627.2A CN114638051B (zh) | 2022-03-08 | 2022-03-08 | 一种基于系统不变量的智能汽车时滞稳定性分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638051A CN114638051A (zh) | 2022-06-17 |
| CN114638051B true CN114638051B (zh) | 2024-02-27 |
Family
ID=81947235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210220627.2A Active CN114638051B (zh) | 2022-03-08 | 2022-03-08 | 一种基于系统不变量的智能汽车时滞稳定性分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638051B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106527139A (zh) * | 2016-11-29 | 2017-03-22 | 桂林航天工业学院 | 通信受限情况下的车辆横摆运动鲁棒控制器设计方法 |
| CN107394798A (zh) * | 2017-06-19 | 2017-11-24 | 天津大学 | 包含时变时滞的电动汽车与发电机组协调频率控制方法 |
| CN108162955A (zh) * | 2017-12-28 | 2018-06-15 | 长沙理工大学 | 一种具有时滞补偿功能的车辆主动防侧翻控制系统及方法 |
| CN108829065A (zh) * | 2018-07-16 | 2018-11-16 | 东北大学 | 基于事件触发的分布式发电系统时滞输出协同控制方法 |
| CN110308735A (zh) * | 2019-03-08 | 2019-10-08 | 哈尔滨工程大学 | 一种针对输入时滞的欠驱动uuv轨迹跟踪滑模控制方法 |
| CN110850740A (zh) * | 2019-11-21 | 2020-02-28 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
| CN111341104A (zh) * | 2020-03-04 | 2020-06-26 | 北京理工大学 | 一种交通流跟驰模型的速度时滞反馈控制方法 |
| CN111381498A (zh) * | 2020-03-09 | 2020-07-07 | 常熟理工学院 | 多传感器基于多率变时滞状态空间模型的期望最大化辨识方法 |
| CN112099378A (zh) * | 2020-09-24 | 2020-12-18 | 吉林大学 | 考虑随机测量时滞的前车侧向运动状态实时估计方法 |
| CN112298281A (zh) * | 2020-10-23 | 2021-02-02 | 北京交通大学 | 一种时滞通信网络环境的列车运行控制方法 |
| CN112909929A (zh) * | 2021-01-29 | 2021-06-04 | 清华大学 | 一种分布式控制电力信息物理系统的时滞稳定判别方法 |
| CN113050651A (zh) * | 2021-03-24 | 2021-06-29 | 无锡航者智能科技有限公司 | 智能车自主行驶路径跟踪的时滞控制方法及系统 |
| CN113341994A (zh) * | 2021-06-23 | 2021-09-03 | 江苏大学 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
| CN113386781A (zh) * | 2021-05-24 | 2021-09-14 | 江苏大学 | 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 |
| CN113485125A (zh) * | 2021-08-11 | 2021-10-08 | 长安大学 | 一种适用于任意通信拓扑的含时滞车辆队列稳定性控制方法及系统 |
| CN113485124A (zh) * | 2021-08-11 | 2021-10-08 | 长安大学 | 一种考虑通信时滞的异构车辆队列稳定性控制方法及系统 |
| CN113619563A (zh) * | 2021-09-06 | 2021-11-09 | 厦门大学 | 基于人机共享的智能电动汽车横向控制系统及方法 |
| CN113771827A (zh) * | 2021-08-30 | 2021-12-10 | 江苏大学 | 基于有限时间状态扩张观测器与时滞补偿控制器的混合动力汽车模式切换协调控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050182500A1 (en) * | 2004-02-17 | 2005-08-18 | Continuous Control Solutions, Inc. | Time delay definition |
| US10304263B2 (en) * | 2016-12-13 | 2019-05-28 | The Boeing Company | Vehicle system prognosis device and method |
-
2022
- 2022-03-08 CN CN202210220627.2A patent/CN114638051B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106527139A (zh) * | 2016-11-29 | 2017-03-22 | 桂林航天工业学院 | 通信受限情况下的车辆横摆运动鲁棒控制器设计方法 |
| CN107394798A (zh) * | 2017-06-19 | 2017-11-24 | 天津大学 | 包含时变时滞的电动汽车与发电机组协调频率控制方法 |
| CN108162955A (zh) * | 2017-12-28 | 2018-06-15 | 长沙理工大学 | 一种具有时滞补偿功能的车辆主动防侧翻控制系统及方法 |
| CN108829065A (zh) * | 2018-07-16 | 2018-11-16 | 东北大学 | 基于事件触发的分布式发电系统时滞输出协同控制方法 |
| CN110308735A (zh) * | 2019-03-08 | 2019-10-08 | 哈尔滨工程大学 | 一种针对输入时滞的欠驱动uuv轨迹跟踪滑模控制方法 |
| CN110850740A (zh) * | 2019-11-21 | 2020-02-28 | 大连理工大学 | 基于改进型Smith预估器的航空发动机H∞控制方法 |
| CN111341104A (zh) * | 2020-03-04 | 2020-06-26 | 北京理工大学 | 一种交通流跟驰模型的速度时滞反馈控制方法 |
| CN111381498A (zh) * | 2020-03-09 | 2020-07-07 | 常熟理工学院 | 多传感器基于多率变时滞状态空间模型的期望最大化辨识方法 |
| CN112099378A (zh) * | 2020-09-24 | 2020-12-18 | 吉林大学 | 考虑随机测量时滞的前车侧向运动状态实时估计方法 |
| CN112298281A (zh) * | 2020-10-23 | 2021-02-02 | 北京交通大学 | 一种时滞通信网络环境的列车运行控制方法 |
| CN112909929A (zh) * | 2021-01-29 | 2021-06-04 | 清华大学 | 一种分布式控制电力信息物理系统的时滞稳定判别方法 |
| CN113050651A (zh) * | 2021-03-24 | 2021-06-29 | 无锡航者智能科技有限公司 | 智能车自主行驶路径跟踪的时滞控制方法及系统 |
| CN113386781A (zh) * | 2021-05-24 | 2021-09-14 | 江苏大学 | 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 |
| CN113341994A (zh) * | 2021-06-23 | 2021-09-03 | 江苏大学 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
| CN113485125A (zh) * | 2021-08-11 | 2021-10-08 | 长安大学 | 一种适用于任意通信拓扑的含时滞车辆队列稳定性控制方法及系统 |
| CN113485124A (zh) * | 2021-08-11 | 2021-10-08 | 长安大学 | 一种考虑通信时滞的异构车辆队列稳定性控制方法及系统 |
| CN113771827A (zh) * | 2021-08-30 | 2021-12-10 | 江苏大学 | 基于有限时间状态扩张观测器与时滞补偿控制器的混合动力汽车模式切换协调控制方法 |
| CN113619563A (zh) * | 2021-09-06 | 2021-11-09 | 厦门大学 | 基于人机共享的智能电动汽车横向控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 不确定线性时滞系统模型参考自适应控制研究;李美超等;《应用力学学报》;第35卷(第6期);第1207-1213页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638051A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与系统 | |
| CN103578227B (zh) | 基于gps定位信息的疲劳驾驶检测方法 | |
| CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
| CN103809439B (zh) | 一种适用于遥操作系统控制参数的递阶辨识方法 | |
| CN112947294B (zh) | 一种基于数字孪生的汽车装配车间监控仿真系统 | |
| CN114638051B (zh) | 一种基于系统不变量的智能汽车时滞稳定性分析方法 | |
| CN103192292A (zh) | 基于加工工件曲面形貌信息的数控机床误差辨识分离方法 | |
| CN112677982A (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
| CN113074959A (zh) | 一种自动驾驶系统测试分析方法 | |
| CN114445636A (zh) | 一种列车底部项点映射方法 | |
| CN110149104B (zh) | 一种机器人零相移实时滤波方法 | |
| CN113916565B (zh) | 一种方向盘零偏角估计方法、装置、车辆及存储介质 | |
| CN113987927A (zh) | 一种商用车车载质量检测方法 | |
| CN109910527A (zh) | 一种汽车轮胎胎压确定方法与装置 | |
| CN102750445B (zh) | 基于复化Simpson公式改进多变量灰色模型的故障预测方法 | |
| CN204405692U (zh) | 判断车辆移动状态的装置 | |
| CN110110469A (zh) | 基于奇异值分解的并联机器人动力学参数辨识方法 | |
| CN113836476B (zh) | 一种基于智能手机的路面平整度测量方法 | |
| CN114997748A (zh) | 基于模型融合的新能源汽车运行安全风险预测方法及系统 | |
| CN109987040B (zh) | 一种汽车换档信号识别方法与装置 | |
| CN114547993A (zh) | 一种汽车空气动力学性能智能预测方法 | |
| CN112507620A (zh) | 一种人机共驾过程中驾驶员肌肉状态估计方法 | |
| CN115062639B (zh) | 一种基于加速度功率计的踏频解算方法 | |
| CN112982544B (zh) | 一种基于kpca的地下铲运机故障诊断方法 | |
| CN118277732B (zh) | 一种大规模数据学习的机务模型训练方法及系统 |
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 |