CN117094074A - 一种处理智能汽车固有输入时延的控制方法 - Google Patents
一种处理智能汽车固有输入时延的控制方法 Download PDFInfo
- Publication number
- CN117094074A CN117094074A CN202310817825.1A CN202310817825A CN117094074A CN 117094074 A CN117094074 A CN 117094074A CN 202310817825 A CN202310817825 A CN 202310817825A CN 117094074 A CN117094074 A CN 117094074A
- Authority
- CN
- China
- Prior art keywords
- control
- automobile
- time delay
- inherent input
- delay
- 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 43
- 238000012545 processing Methods 0.000 title claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000013461 design Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000012423 maintenance Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 239000013589 supplement Substances 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 230000010485 coping Effects 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000001934 delay Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008054 signal transmission Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005070 sampling 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
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Feedback Control In General (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供了一种处理智能汽车固有输入时延的控制方法，具体控制步骤如下：S1：汽车固有输入时延的系统模型确定；S2：汽车固有输入时延的控制全面性扩充；S3：汽车固有输入时延的评估时延；S4：汽车固有输入时延的控制算法设计；S5：汽车固有输入时延的实施控制算法；S6：汽车固有输入时延的调试及验证；S7：汽车固有输入时延的维护及更新，本发明设计的汽车固有输入时延依次进行系统模型确定、控制全面性扩充、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，控制算法设计采用模型预测控制和反馈前馈控制结合的方式，从而实现更为精确、稳定的汽车控制。
Description
技术领域
本发明涉及汽车控制方法技术领域，具体为一种处理智能汽车固有输入时延的控制方法。
背景技术
智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体，对智能车辆的研究主要致力于提高汽车的安全性、舒适性，以及提供优良的人车交互界面。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中，汽车行驶过程中，由于信号传输、处理等原因所引起的信号时延问题。这些时延可能会对车辆的稳定性和安全性产生不利影响，在现代汽车中，许多系统都依赖于各种传感器和控制器来收集和处理数据，例如制动系统、转向系统、发动机管理系统等。这些系统通常需要通过物理或电气信号进行通信和交互。然而，这些信号的传输和处理需要一定的时间，即“时延”，这些时延通常由以下因素引起：传感器采样频率和响应时间、信号传输的延迟(例如，由于电缆长度所引起的延迟)、控制器处理信号的时间，这些时延可能导致车辆的反应滞后，甚至出现不稳定的情况。为了解决这些问题，可以采用各种控制算法和技术来减小这些时延，提高车辆的稳定性和安全性。
然而，现有的汽车固有输入时延控制方法存在以下的问题：控制精度有限，现有的控制方法通常使用传统的PID控制算法，其响应速度和精度都会受到时延的影响，导致控制精度有限，此外考虑不够全面，现有的控制方法主要集中在某些基础系统上，如制动系统、转向系统等，而对于其他系统(如底盘控制)的时延问题，考虑不够全面。为此，需要设计相应的技术方案解决存在的技术问题。
发明内容
本发明的目的在于提供一种处理智能汽车固有输入时延的控制方法，解决了控制精度有限，现有的控制方法通常使用传统的PID控制算法，其响应速度和精度都会受到时延的影响，导致控制精度有限，此外考虑不够全面。现有的控制方法主要集中在某些基础系统上，如制动系统、转向系统等，而对于其他系统(如底盘控制)的时延问题，考虑不够全面，这一技术问题。
为实现上述目的，本发明提供如下技术方案：一种处理智能汽车固有输入时延的控制方法，具体控制步骤如下：
S1：汽车固有输入时延的系统模型确定；
S2：汽车固有输入时延的控制全面性扩充；
S3：汽车固有输入时延的评估时延；
S4：汽车固有输入时延的控制算法设计；
S5：汽车固有输入时延的实施控制算法；
S6：汽车固有输入时延的调试及验证；
S7：汽车固有输入时延的维护及更新；
通过上述的七个步骤可以对汽车固有输入时延依次进行系统模型确定、控制全面性扩充、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，此外设计的控制全面性扩充可以提高对汽车输入延时的控制全面性，控制算法设计采用模型预测控制和反馈前馈控制结合的方式，将两种算法的优点相互补充，从而实现更为精确、稳定的汽车控制。
作为本发明的一种优选方式，S1：汽车固有输入时延的系统模型确定，对汽车系统进行建模，包括各种传感器、执行器和信号处理器组件之间的关系和互动方式，具体地确定控制对象：确定汽车固有输入时延控制的对象，例如转向、加速、制动等，收集数据：收集与控制对象相关的数据，包括汽车的物理参数、运动学参数、控制器性能参数以及实际行驶过程中的数据，这些数据可以通过实验室测试和道路测试来获取。
作为本发明的一种优选方式，S2：汽车固有输入时延的控制全面性扩充，汽车固有输入时延控制方法主要集中于转向系统、制动系统、加速系统和悬挂系统基础系统上，通过优化控制算法和传感器执行器等方面，减小固有输入时延的影响，提高汽车的性能和稳定性。
作为本发明的一种优选方式，S3：汽车固有输入时延的评估时延，通过实验或仿真等手段，评估系统中各种时延因素的大小和影响程度。
作为本发明的一种优选方式，S4：汽车固有输入时延的控制算法设计，采用模型预测控制和反馈前馈控制结合的方式，系统建模：首先，需要对汽车进行数学建模，这个模型可以是基于物理的方程模型，也可以是基于数据的黑盒子模型，通过建立准确的数学模型，可以将系统的动态行为与控制器相结合，设计控制器：基于上述模型，可以使用MPC算法设计一个控制器。该控制器将预测未来状态，并计算出最优的控制信号，以最大限度地降低误差并使得系统的性能指标最优化，设计前馈控制器：在MPC控制器的基础上，添加前馈控制器来进一步降低固有输入时延的影响，前馈控制器将预测的未来控制信号提前发送到执行机构，从而减少了系统的响应时间，实时控制：将设计好的控制器实现到实际系统中，并且不断地采集反馈信息来更新控制器的参数，这样，控制器可以随着环境的变化和汽车的实际运行情况进行自适应调整，以达到更好的控制效果。
作为本发明的一种优选方式，S5：汽车固有输入时延的实施控制算法，PID控制：PID控制是一种经典的控制算法，通过对系统的反馈信号进行比例、积分和微分处理来实现控制，在汽车控制中，可以采用PID控制来对转向、加速、制动等系统进行控制，并且可以通过调节P、I、D参数来减小固有输入时延的影响，模型预测控制：模型预测控制是一种基于系统动态特性建立的数学模型进行控制的方法，可以预测未来状态并根据预测结果进行控制，在汽车控制中，可以使用模型预测控制来提高系统的响应速度和稳定性，减小固有输入时延的影响，神经网络控制：神经网络控制是一种基于人工神经网络进行控制的方法，可以通过训练神经网络来实现控制，在汽车控制中，可以使用神经网络控制来提高控制器的适应性和鲁棒性，并减小固有输入时延的影响，鲁棒控制：鲁棒控制是一种基于系统不确定性进行控制的方法，可以通过设计鲁棒控制器来保证系统的稳定性和鲁棒性，在汽车控制中，可以使用鲁棒控制来应对不确定性因素带来的影响，并减小固有输入时延的影响。
作为本发明的一种优选方式，S6：汽车固有输入时延的调试及验证，在实际汽车场景下，对控制系统进行调试和验证，并根据实际测试结果对控制算法进行优化和改进。
作为本发明的一种优选方式，S7：汽车固有输入时延的维护及更新，定期对汽车控制系统进行维护和更新，以保证其稳定性和可靠性。
与现有技术相比，本发明的有益效果如下：
本发明设计的汽车固有输入时延依次进行系统模型确定、控制全面性扩充、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，此外设计的控制全面性扩充可以提高对汽车输入延时的控制全面性，控制算法设计采用模型预测控制和反馈前馈控制结合的方式，将两种算法的优点相互补充，从而实现更为精确、稳定的汽车控制。
具体实施方式
实施例1：
一种处理智能汽车固有输入时延的控制方法，具体控制步骤如下：
S1：汽车固有输入时延的系统模型确定；
S2：汽车固有输入时延的控制全面性扩充；
S3：汽车固有输入时延的评估时延；
S4：汽车固有输入时延的控制算法设计；
S5：汽车固有输入时延的实施控制算法；
S6：汽车固有输入时延的调试及验证；
S7：汽车固有输入时延的维护及更新；
通过上述的七个步骤可以对汽车固有输入时延依次进行系统模型确定、控制全面性扩充、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，此外设计的控制全面性扩充可以提高对汽车输入延时的控制全面性，控制算法设计采用模型预测控制和反馈前馈控制结合的方式，将两种算法的优点相互补充，从而实现更为精确、稳定的汽车控制。
S1：汽车固有输入时延的系统模型确定，对汽车系统进行建模，包括各种传感器、执行器和信号处理器组件之间的关系和互动方式，具体地确定控制对象：确定汽车固有输入时延控制的对象，例如转向、加速、制动等，收集数据：收集与控制对象相关的数据，包括汽车的物理参数、运动学参数、控制器性能参数以及实际行驶过程中的数据，这些数据可以通过实验室测试和道路测试来获取。
S2：汽车固有输入时延的控制全面性扩充，汽车固有输入时延控制方法主要集中于转向系统、制动系统、加速系统和悬挂系统基础系统上，通过优化控制算法和传感器执行器等方面，减小固有输入时延的影响，提高汽车的性能和稳定性。
S3：汽车固有输入时延的评估时延，通过实验或仿真等手段，评估系统中各种时延因素的大小和影响程度。
S4：汽车固有输入时延的控制算法设计，采用模型预测控制和反馈前馈控制结合的方式，系统建模：首先，需要对汽车进行数学建模，这个模型可以是基于物理的方程模型，也可以是基于数据的黑盒子模型，通过建立准确的数学模型，可以将系统的动态行为与控制器相结合，设计控制器：基于上述模型，可以使用MPC算法设计一个控制器，该控制器将预测未来状态，并计算出最优的控制信号，以最大限度地降低误差并使得系统的性能指标最优化，设计前馈控制器：在MPC控制器的基础上，添加前馈控制器来进一步降低固有输入时延的影响，前馈控制器将预测的未来控制信号提前发送到执行机构，从而减少了系统的响应时间，实时控制：将设计好的控制器实现到实际系统中，并且不断地采集反馈信息来更新控制器的参数，这样，控制器可以随着环境的变化和汽车的实际运行情况进行自适应调整，以达到更好的控制效果。
S5：汽车固有输入时延的实施控制算法，PID控制：PID控制是一种经典的控制算法，通过对系统的反馈信号进行比例、积分和微分处理来实现控制，在汽车控制中，可以采用PID控制来对转向、加速、制动等系统进行控制，并且可以通过调节P、I、D参数来减小固有输入时延的影响，模型预测控制：模型预测控制是一种基于系统动态特性建立的数学模型进行控制的方法，可以预测未来状态并根据预测结果进行控制，在汽车控制中，可以使用模型预测控制来提高系统的响应速度和稳定性，减小固有输入时延的影响，神经网络控制：神经网络控制是一种基于人工神经网络进行控制的方法，可以通过训练神经网络来实现控制，在汽车控制中，可以使用神经网络控制来提高控制器的适应性和鲁棒性，并减小固有输入时延的影响，鲁棒控制：鲁棒控制是一种基于系统不确定性进行控制的方法，可以通过设计鲁棒控制器来保证系统的稳定性和鲁棒性，在汽车控制中，可以使用鲁棒控制来应对不确定性因素带来的影响，并减小固有输入时延的影响。
S6：汽车固有输入时延的调试及验证，在实际汽车场景下，对控制系统进行调试和验证，并根据实际测试结果对控制算法进行优化和改进。
S7：汽车固有输入时延的维护及更新，定期对汽车控制系统进行维护和更新，以保证其稳定性和可靠性。
本发明设计的汽车固有输入时延依次进行系统模型确定、控制全面性扩充、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，此外设计的控制全面性扩充可以提高对汽车输入延时的控制全面性，控制算法设计采用模型预测控制和反馈前馈控制结合的方式，将两种算法的优点相互补充，从而实现更为精确、稳定的汽车控制。
实施例2：
一种处理智能汽车固有输入时延的控制方法，具体控制步骤如下：
S1：汽车固有输入时延的系统模型确定；
S2：汽车固有输入时延的评估时延；
S3：汽车固有输入时延的控制算法设计；
S4：汽车固有输入时延的实施控制算法；
S5：汽车固有输入时延的调试及验证；
S6：汽车固有输入时延的维护及更新；
通过上述的六个步骤可以对汽车固有输入时延依次进行系统模型确定、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，此外设计的控制全面性扩充可以提高对汽车输入延时的控制全面性，控制算法设计采用PID控制算法。
S1：汽车固有输入时延的系统模型确定，对汽车系统进行建模，包括各种传感器、执行器和信号处理器组件之间的关系和互动方式，具体地确定控制对象：确定汽车固有输入时延控制的对象，例如转向、加速、制动等，收集数据：收集与控制对象相关的数据，包括汽车的物理参数、运动学参数、控制器性能参数以及实际行驶过程中的数据。这些数据可以通过实验室测试和道路测试来获取。
S2：汽车固有输入时延的评估时延，通过实验或仿真等手段，评估系统中各种时延因素的大小和影响程度。
S3：汽车固有输入时延的控制算法设计，采用PID控制算法进行计算。
S4：汽车固有输入时延的实施控制算法，PID控制：PID控制是一种经典的控制算法，通过对系统的反馈信号进行比例、积分和微分处理来实现控制，在汽车控制中，可以采用PID控制来对转向、加速、制动等系统进行控制，并且可以通过调节P、I、D参数来减小固有输入时延的影响，模型预测控制：模型预测控制是一种基于系统动态特性建立的数学模型进行控制的方法，可以预测未来状态并根据预测结果进行控制，在汽车控制中，可以使用模型预测控制来提高系统的响应速度和稳定性，减小固有输入时延的影响，神经网络控制：神经网络控制是一种基于人工神经网络进行控制的方法，可以通过训练神经网络来实现控制，在汽车控制中，可以使用神经网络控制来提高控制器的适应性和鲁棒性，并减小固有输入时延的影响，鲁棒控制：鲁棒控制是一种基于系统不确定性进行控制的方法，可以通过设计鲁棒控制器来保证系统的稳定性和鲁棒性。在汽车控制中，可以使用鲁棒控制来应对不确定性因素带来的影响，并减小固有输入时延的影响。
S5：汽车固有输入时延的调试及验证，在实际汽车场景下，对控制系统进行调试和验证，并根据实际测试结果对控制算法进行优化和改进。
S6：汽车固有输入时延的维护及更新，定期对汽车控制系统进行维护和更新，以保证其稳定性和可靠性。
本发明设计的汽车固有输入时延依次进行系统模型确定、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理。
综上所述，根据上述的两组实施例分别对汽车固有输入时延进行控制测算，实施例1中控制全面性扩充，汽车固有输入时延控制方法主要集中于转向系统、制动系统、加速系统和悬挂系统基础系统上，通过优化控制算法和传感器执行器等方面，减小固有输入时延的影响，提高汽车的性能和稳定性，并且采用模型预测控制和反馈前馈控制结合的方式，将两种算法的优点相互补充，从而实现更为精确、稳定的汽车控制，而实施例2采用常规的控制测算方法，采用PID控制算法，可以用于对汽车的速度、转向和刹车等方面进行控制，但是它无法完全解决由于固有输入时延导致的控制误差。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.一种处理智能汽车固有输入时延的控制方法，其特征在于：具体控制步骤如下：
S1：汽车固有输入时延的系统模型确定；
S2：汽车固有输入时延的控制全面性扩充；
S3：汽车固有输入时延的评估时延；
S4：汽车固有输入时延的控制算法设计；
S5：汽车固有输入时延的实施控制算法；
S6：汽车固有输入时延的调试及验证；
S7：汽车固有输入时延的维护及更新；
通过上述的七个步骤可以对汽车固有输入时延依次进行系统模型确定、控制全面性扩充、评估时延、控制算法设计、实施控制算法、调试及验证和维护及更新，可以对汽车固有输入时延进行高精度控制处理，此外设计的控制全面性扩充可以提高对汽车输入延时的控制全面性，控制算法设计采用模型预测控制和反馈前馈控制结合的方式，将两种算法的优点相互补充，从而实现更为精确、稳定的汽车控制。
2.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S1：汽车固有输入时延的系统模型确定，对汽车系统进行建模，包括各种传感器、执行器和信号处理器组件之间的关系和互动方式，具体地确定控制对象：确定汽车固有输入时延控制的对象，例如转向、加速、制动等，收集数据：收集与控制对象相关的数据，包括汽车的物理参数、运动学参数、控制器性能参数以及实际行驶过程中的数据，这些数据可以通过实验室测试和道路测试来获取。
3.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S2：汽车固有输入时延的控制全面性扩充，汽车固有输入时延控制方法主要集中于转向系统、制动系统、加速系统和悬挂系统基础系统上，通过优化控制算法和传感器执行器等方面，减小固有输入时延的影响，提高汽车的性能和稳定性。
4.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S3：汽车固有输入时延的评估时延，通过实验或仿真等手段，评估系统中各种时延因素的大小和影响程度。
5.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S4：汽车固有输入时延的控制算法设计，采用模型预测控制和反馈前馈控制结合的方式，系统建模：首先，需要对汽车进行数学建模，这个模型可以是基于物理的方程模型，也可以是基于数据的黑盒子模型，通过建立准确的数学模型，可以将系统的动态行为与控制器相结合，设计控制器：基于上述模型，可以使用MPC算法设计一个控制器。该控制器将预测未来状态，并计算出最优的控制信号，以最大限度地降低误差并使得系统的性能指标最优化，设计前馈控制器：在MPC控制器的基础上，添加前馈控制器来进一步降低固有输入时延的影响，前馈控制器将预测的未来控制信号提前发送到执行机构，从而减少了系统的响应时间，实时控制：将设计好的控制器实现到实际系统中，并且不断地采集反馈信息来更新控制器的参数，这样，控制器可以随着环境的变化和汽车的实际运行情况进行自适应调整，以达到更好的控制效果。
6.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S5：汽车固有输入时延的实施控制算法，PID控制：PID控制是一种经典的控制算法，通过对系统的反馈信号进行比例、积分和微分处理来实现控制，在汽车控制中，可以采用PID控制来对转向、加速、制动等系统进行控制，并且可以通过调节P、I、D参数来减小固有输入时延的影响，模型预测控制：模型预测控制是一种基于系统动态特性建立的数学模型进行控制的方法，可以预测未来状态并根据预测结果进行控制，在汽车控制中，可以使用模型预测控制来提高系统的响应速度和稳定性，减小固有输入时延的影响，神经网络控制：神经网络控制是一种基于人工神经网络进行控制的方法，可以通过训练神经网络来实现控制，在汽车控制中，可以使用神经网络控制来提高控制器的适应性和鲁棒性，并减小固有输入时延的影响，鲁棒控制：鲁棒控制是一种基于系统不确定性进行控制的方法，可以通过设计鲁棒控制器来保证系统的稳定性和鲁棒性，在汽车控制中，可以使用鲁棒控制来应对不确定性因素带来的影响，并减小固有输入时延的影响。
7.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S6：汽车固有输入时延的调试及验证，在实际汽车场景下，对控制系统进行调试和验证，并根据实际测试结果对控制算法进行优化和改进。
8.根据权利要求1所述的一种处理智能汽车固有输入时延的控制方法，其特征在于：S7：汽车固有输入时延的维护及更新，定期对汽车控制系统进行维护和更新，以保证其稳定性和可靠性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310817825.1A CN117094074A (zh) | 2023-07-05 | 2023-07-05 | 一种处理智能汽车固有输入时延的控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310817825.1A CN117094074A (zh) | 2023-07-05 | 2023-07-05 | 一种处理智能汽车固有输入时延的控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117094074A true CN117094074A (zh) | 2023-11-21 |
Family
ID=88782445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310817825.1A Pending CN117094074A (zh) | 2023-07-05 | 2023-07-05 | 一种处理智能汽车固有输入时延的控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094074A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1795473A (zh) * | 2003-06-12 | 2006-06-28 | 摩托罗拉公司 | 用于将车辆操作者活动状态分类的方法和装置 |
| CN115021300A (zh) * | 2022-08-04 | 2022-09-06 | 东南大学溧阳研究院 | 基于mpc算法的电动汽车调频延时补偿控制策略 |
| CN116184835A (zh) * | 2023-03-16 | 2023-05-30 | 燕山大学 | 考虑输入时延与速度时变的无人驾驶车辆跟踪控制方法 |
| CN116300410A (zh) * | 2023-05-25 | 2023-06-23 | 武汉理工大学 | 数据驱动前馈加反馈补偿的转角优化方法及系统 |
| CN116346636A (zh) * | 2023-01-04 | 2023-06-27 | 沈阳工业大学 | 基于神经网络滑模控制的网络控制系统时延补偿方法 |
| CN116373846A (zh) * | 2023-04-12 | 2023-07-04 | 吉林大学 | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 |
-
2023
- 2023-07-05 CN CN202310817825.1A patent/CN117094074A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1795473A (zh) * | 2003-06-12 | 2006-06-28 | 摩托罗拉公司 | 用于将车辆操作者活动状态分类的方法和装置 |
| CN115021300A (zh) * | 2022-08-04 | 2022-09-06 | 东南大学溧阳研究院 | 基于mpc算法的电动汽车调频延时补偿控制策略 |
| CN116346636A (zh) * | 2023-01-04 | 2023-06-27 | 沈阳工业大学 | 基于神经网络滑模控制的网络控制系统时延补偿方法 |
| CN116184835A (zh) * | 2023-03-16 | 2023-05-30 | 燕山大学 | 考虑输入时延与速度时变的无人驾驶车辆跟踪控制方法 |
| CN116373846A (zh) * | 2023-04-12 | 2023-07-04 | 吉林大学 | 一种基于bp神经网络优化的后轮转向车辆稳定性控制方法 |
| CN116300410A (zh) * | 2023-05-25 | 2023-06-23 | 武汉理工大学 | 数据驱动前馈加反馈补偿的转角优化方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| MILAD JALALIYAZDI 等: "Handling Delays in Stability Control of Electric Vehicles Using MPC", 《SAE INTERNATIONAL》, pages 1 - 10 * |
| 张培昌;余达太;: "质子交换膜燃料电池温度的MPC控制", 系统仿真学报, no. 05 * |
| 覃涛: "客车气压制动系统时延分析及其控制技术研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, pages 14 - 26 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Robust $ H_ {\infty} $ path following control for autonomous ground vehicles with delay and data dropout | |
| CN113386781B (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 | |
| Zhang et al. | Fault-tolerant control for intelligent electrified vehicles against front wheel steering angle sensor faults during trajectory tracking | |
| Zhang et al. | Advanced vehicle state monitoring: Evaluating moving horizon estimators and unscented Kalman filter | |
| CN115598983B (zh) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 | |
| CN114987539B (zh) | 一种基于风险场模型的自动驾驶汽车个性化碰撞分级预警方法及系统 | |
| CN112298354B (zh) | 一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法 | |
| CN111123701A (zh) | 基于管道预测模型的自动驾驶路径跟踪抗干扰控制方法 | |
| CN108958246A (zh) | 无人车在U-Turn场景的轨迹跟踪控制方法 | |
| CN117389276B (zh) | 一种基于行驶风险预测的无人车行驶路径跟踪控制方法 | |
| CN115577860B (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
| CN117826590A (zh) | 基于前置跟随拓扑结构的无人车编队控制方法及系统 | |
| Li et al. | Velocity tracking control based on throttle-pedal-moving data mapping for the autonomous vehicle | |
| CN113085963B (zh) | 列车控制级位的动态调控方法及其动态调控装置 | |
| 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 | |
| CN117434836A (zh) | 一种基于扩张状态观测器的无模型自适应的车辆控制方法 | |
| CN117094074A (zh) | 一种处理智能汽车固有输入时延的控制方法 | |
| CN115476881B (zh) | 车辆轨迹跟踪控制方法、装置、设备及介质 | |
| CN114670856B (zh) | 一种基于bp神经网络的参数自整定纵向控制方法及系统 | |
| Zhenhai et al. | A headway control algorithm for ACC vehicles with the compensation of the preceding vehicle acceleration | |
| Han et al. | MPC-based lateral control algorithm for bus path following control | |
| CN115837899B (zh) | 动车组制动系统的多模型自适应故障补偿控制方法及系统 | |
| CN114942590B (zh) | 一种基于模糊控制的方程式赛车的横向控制方法及装置 | |
| CN114516342B (zh) | 一种车辆控制方法、装置及车辆 | |
| Dai et al. | Drift Control of Autonomous Vehicle Under Extreme Condition Based on Neural Network Tire Model |
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 |