CN117818641B - 一种智能汽车轨迹跟踪控制方法及系统 - Google Patents

一种智能汽车轨迹跟踪控制方法及系统 Download PDF

Info

Publication number
CN117818641B
CN117818641B CN202311711404.7A CN202311711404A CN117818641B CN 117818641 B CN117818641 B CN 117818641B CN 202311711404 A CN202311711404 A CN 202311711404A CN 117818641 B CN117818641 B CN 117818641B
Authority
CN
China
Prior art keywords
track
automobile
centroid
sliding mode
optimal
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
CN202311711404.7A
Other languages
English (en)
Other versions
CN117818641A (zh
Inventor
胡文娟
吴书龙
徐律
龚文资
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.)
Wuxi Institute of Commerce
Original Assignee
Wuxi Institute of Commerce
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 Wuxi Institute of Commerce filed Critical Wuxi Institute of Commerce
Priority to CN202311711404.7A priority Critical patent/CN117818641B/zh
Publication of CN117818641A publication Critical patent/CN117818641A/zh
Application granted granted Critical
Publication of CN117818641B publication Critical patent/CN117818641B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0008—Feedback, closed loop systems or details of feedback error signal
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • B60W2050/0014—Adaptive controllers
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种智能汽车轨迹跟踪控制方法及系统，属于控制系统技术领域，方法包括：获取汽车动力学模型；通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，预测出汽车的横摆角速度和质心侧偏角；通过基于自适应螺旋滑模算法的上层控制器，根据预测出的横摆角速度和质心侧偏角，确定保持汽车轨迹的最佳附加横摆力矩；通过基于最佳纵向力分配算法的下层控制器，根据最佳附加横摆力矩，确定各个车轮的扭矩分配，并基于扭矩分配结果控制汽车。本发明中，神经网络的端到端学习能力允许系统从数据中提取复杂的非线性关系，无需依赖于手动调整控制器的参数，省时省力，提升非线性特性处理能力，提高轨迹跟踪的准确性和鲁棒性。

Description

一种智能汽车轨迹跟踪控制方法及系统
技术领域
本发明属于控制系统技术领域，具体涉及一种智能汽车轨迹跟踪控制方法及系统。
背景技术
随着控制技术的日益成熟以及驾驶员对于安全性、操纵性、舒适性要求的不断提高，车辆智能化研究受到了广泛关注。车辆轨迹跟踪是智能驾驶过程中的重要一环，对于自主完成变道超车、自动驶入、驶出匝道等操作至关重要。
当前反馈控制技术是一种广泛应用于轨迹跟踪的有效方法，通过测量系统的输出并将其与期望输出进行比较，然后调整系统的输入以减小输出误差，使系统能够更好地跟踪期望轨迹。
然而，反馈控制技术的性能高度依赖于控制器的参数调整。在不同工况和车辆动力学变化时，需要进行精细调整，这可能需要经验丰富的工程师和耗费时间。再者，反馈控制通常基于线性控制理论设计，对于具有强烈非线性特性的系统，可能需要采用线性化方法，而这在某些情况下可能不够准确。
发明内容
为了解决当前采用反馈控制技术，性能高度依赖于控制器的参数调整。在不同工况和车辆动力学变化时，需要进行精细调整，这可能需要经验丰富的工程师和耗费时间。再者，反馈控制通常基于线性控制理论设计，对于具有强烈非线性特性的系统，可能需要采用线性化方法，而这在某些情况下可能不够准确的技术问题，本发明提供一种智能汽车轨迹跟踪控制方法及系统。
第一方面
本发明提供了一种智能汽车轨迹跟踪控制方法，包括：
S1：获取汽车动力学模型；
S2：通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，预测出汽车的横摆角速度和质心侧偏角；
S3：通过基于自适应螺旋滑模算法的上层控制器，根据预测出的横摆角速度和质心侧偏角，确定保持汽车轨迹的最佳附加横摆力矩；
S4：通过基于最佳纵向力分配算法的下层控制器，根据保持汽车轨迹的最佳附加横摆力矩，确定各个车轮的扭矩分配，并基于扭矩分配结果控制汽车。
第二方面
本发明提供了一种智能汽车轨迹跟踪控制系统，包括处理器和用于存储处理器可执行指令的存储器；所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中的智能汽车轨迹跟踪控制方法。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，神经网络的端到端学习能力允许系统从数据中提取复杂的非线性关系，从而减少了对精细参数调整的需求，无需依赖于手动调整控制器的参数，省时省力，长短时记忆神经网络可以直接学习输入与输出之间的映射，提升非线性特性处理能力，提高轨迹跟踪的准确性和鲁棒性。
(2)在本发明中，使用自适应螺旋滑模算法可以有效地处理系统的不确定性和外部扰动，有助于实现对横摆角速度和质心侧偏角的自适应控制，提高系统的鲁棒性和性能。
(3)在本发明中，采用最佳纵向力分配算法有助于实现对车轮扭矩的智能分配，以达到最佳的横摆力矩，有助于提高轨迹跟踪的精确性和稳定性。
(4)在本发明中，通过上下两层控制器的协同工作，实现了全面的轨迹跟踪控制，上层控制器负责生成横摆力矩，而下层控制器则通过最佳纵向力分配实现对车轮扭矩的智能控制，使得整个系统更具鲁棒性和适应性。
附图说明
下面将以明确易懂的方式，结合附图说明优选实施方式，对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种智能汽车轨迹跟踪控制方法的流程示意图。
图2是本发明提供的一种智能汽车轨迹跟踪控制方法的结构示意图。
图3是本发明提供的一种汽车动力学模型的示意图。
图4是本发明提供的一种智能汽车轨迹跟踪控制系统的结构示意图。
具体实施方式
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，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。
为使图面简洁，各图中只示意性地表示出了与发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
在本文中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接。可以是机械连接，也可以是电连接。可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
另外，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
在一个实施例中，参考说明书附图1，示出了本发明提供的一种智能汽车轨迹跟踪控制方法的流程示意图。参考说明书附图2，示出了本发明提供的一种智能汽车轨迹跟踪控制方法的结构示意图。
本发明提供的一种智能汽车轨迹跟踪控制方法，所述智能木屋的智能门锁作为物联网设备通过验证服务器与资源服务器建立通信连接。
本发明提供的一种智能汽车轨迹跟踪控制方法，包括：
S1：获取汽车动力学模型。
其中，动力学模型是描述物体运动规律的数学模型，用于预测和分析系统在外部作用下的运动行为。在汽车工程中，汽车动力学模型用于描述车辆在不同条件下的运动特性，包括纵向、横向和横摆运动。这些模型通常基于牛顿力学和转动力学的基本原理，考虑了车辆的质量分布、惯性、轮胎特性等因素。
参考说明书附图3，示出了本发明提供的一种汽车动力学模型的示意图。
在一种可能的实施方式中，汽车动力学模型具体包括：
纵向运动方程：
横向运动方程：
横摆方向运行方程：
其中，m表示整车质量，vx表示纵向速度，vy表示横向速度，γ表示横摆角速度，Fxfl表示左前轮纵向轮胎力，Fxfr表示右前轮纵向轮胎力，Fyfl表示左前轮横向轮胎力，Fyfr表示右前轮横向轮胎力，Fxrl表示左后轮纵向轮胎力，Fxrr表示右后轮纵向轮胎力，Fyrl表示左后轮横向轮胎力，Fyrr表示右后轮横向轮胎力，δ表示前轮转角，Iz表示横摆方向转动惯量，B是左右车轮距离，a表示质心到前轴距离，b表示质心到后轴距离，Mz表示附加横摆力矩。
在本发明中，通过获取汽车动力学模型，可以更深入地理解车辆的运动特性，提高控制算法的性能，增强系统的可靠性和安全性。
S2：通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，预测出汽车的横摆角速度和质心侧偏角。
其中，长短时记忆神经网络(Long Short-Term Memory,LSTM)是一种循环神经网络(Recurrent Neural Network,RNN)的变体，专门设计用来解决传统RNN中的梯度消失和梯度爆炸等问题。通过输入历史轨迹序列，模型能够有效地学习和捕捉轨迹数据中的时序依赖关系，使得模型能够更好地理解车辆运动的演变过程。
其中，横摆角速度是指车辆围绕垂直轴旋转的速度。当车辆发生横向运动时，车辆整体会绕垂直轴发生旋转，这种旋转的速度就是横摆角速度。
其中，质心侧偏角是指车辆质心相对于车辆行进方向的偏离角度。当车辆在直线运动时，质心侧偏角为零；当车辆发生横向运动时，质心侧偏角会发生变化。
进一步地，横摆角速度和质心侧偏角是衡量车辆横向运动特性的重要指标，对于车辆动力学研究、控制系统设计和驾驶辅助系统的开发都具有重要意义。
需要说明的是，基于长短时记忆神经网络的轨迹跟踪模型不单单可以预测出横摆角速度和质心侧偏角，还有一些其他的参数例如轨迹点坐标、质心位置坐标、横摆角、纵向速度、横向速度等等。
在本发明中，通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，神经网络的端到端学习能力允许系统从数据中提取复杂的非线性关系，从而减少了对精细参数调整的需求，无需依赖于手动调整控制器的参数，省时省力，长短时记忆神经网络可以直接学习输入与输出之间的映射，提升非线性特性处理能力，提高轨迹跟踪的准确性和鲁棒性。
在一种可能的实施方式中，S2具体包括子步骤S201至S207：
S201：向基于长短时记忆神经网络的轨迹跟踪模型输入历史轨迹序列X，历史轨迹序列中包括多个轨迹数据点x，每个轨迹数据点x包括：横摆角速度γ和质心侧偏角β。
S202：在遗忘门中，确定需要遗忘的信息，通过以下公式，得到遗忘门的输出向量：
Ft＝σ(WF·[Ht-1,Xt]+bF)
其中，Ft表示t时刻的遗忘门的输出向量，σ()表示激活函数，WF表示遗忘门的权重矩阵，Ht-1表示前一时刻的隐状态，Xt表示t时刻输入的轨迹特征矩阵，bF表示遗忘门的偏置参数。
需要说明的是，遗忘门的设计允许模型选择性地忘记一些历史信息，从而更好地适应不同时间步之间的长期依赖关系。这对于轨迹跟踪任务非常重要，因为车辆运动往往受到较长时间范围内的影响。
S203：在输入门中，确定存储到细胞存储单元的信息，通过以下公式，得到输入门的输出向量：
It＝σ(WI·[Ht-1,Xt]+bI)
其中，It表示t时刻的输入门的输出向量，WI表示输入门的权重矩阵，bI表示输入门的偏置参数。
需要说明的是，输入门的设计允许LSTM网络动态地选择性地存储当前时刻的输入信息，这有助于提高模型对时序数据的建模能力，尤其是在需要考虑输入序列中不同特征的变化和重要性时。
S204：在细胞存储单元中，通过以下公式，计算当前时刻的临时细胞状态：
其中，表示t时刻的临时细胞状态，tanh()表示tanh激活函数，WC表示细胞存储单元的权重矩阵，bC表示细胞存储单元的偏置参数。
S205：在细胞存储单元中，通过以下公式，计算当前时刻的细胞状态：
其中，Ct表示t时刻的细胞状态，Ct-1表示前一时刻的细胞状态。
在本发明中，通过有效地管理和更新细胞状态，增强了模型对时序数据的建模能力，使轨迹跟踪模型更适用于处理具有长期依赖关系的序列数据。这对于轨迹跟踪等需要考虑车辆运动长期依赖性的任务具有重要意义。
S206：在输出门中，通过以下公式，得到输出门的输出向量，并将输出门的输出向量存储为隐状态：
Ot＝σ(WO·[Ht-1,Xt]+bO)
Ht＝Ot·tanh(Ct)
其中，Ot表示t时刻的输出门的输出向量，Wo表示输出门的权重矩阵，bo表示输出门的偏置参数，Ht表示t时刻的隐状态。
在本发明中，输出门的设计允许网络动态地调整当前时刻的隐状态中哪些信息将被传递到网络的输出。输出门的存在有助于减缓细胞状态在长时间序列中的信息流失。通过选择性地输出一部分隐状态，尤其是那些经过门控机制筛选后认为对当前任务重要的部分，模型能够更好地保持和利用长期记忆。
S207：在输出层中，通过以下公式，预测出汽车的横摆角速度和质心侧偏角：
其中，yt表示t时刻的轨迹预测值，轨迹预测值包括横摆角速度γt和质心侧偏角βt，by表示输出层的偏置参数，表示第n个细胞存储单元与输出层之间的权重矩阵，表示t时刻第n个细胞存储单元中存储的隐状态，n＝1,2,…,N，N表示细胞存储单元总数。
在本发明中，使用了细胞存储单元的隐状态，通过权重矩阵的线性组合，综合考虑了LSTM网络中多个细胞存储单元的信息，有助于网络更全面地利用学到的长期依赖关系，综合考虑车辆过去的状态和行为。提升汽车的横摆角速度和质心侧偏角预测的准确性。
在一种可能的实施方式中，基于长短时记忆神经网络的轨迹跟踪模型的训练方法包括：
构建基于长短时记忆神经网络的轨迹跟踪模型的目标函数。
以轨迹跟踪模型的目标函数的函数值最小为目标，对轨迹跟踪模型进行训练。
具体而言，以轨迹跟踪模型的目标函数的函数值最小为目标，通过遗传算法、粒子群寻优算法等进行寻优，确定出轨迹跟踪模型最佳的模型参数，以对轨迹跟踪模型进行训练。
在本发明中，通过优化目标函数，训练过程旨在使模型学到有效的轨迹跟踪策略。在训练完成后，模型应该能够在实际场景中更准确地预测横摆角速度和质心侧偏角，从而提高轨迹跟踪的性能。
在一种可能的实施方式中，基于长短时记忆神经网络的轨迹跟踪模型的目标函数具体为：
其中，F()表示轨迹跟踪模型的目标函数，Θ表示模型参数集合，Y*表示质心位置纵坐标预测值，Yref表示参考轨迹上的纵坐标参考值，λ1表示质心偏移的权重系数，表示横摆角预测值，表示参考轨迹上的横摆角参考值，λ2表示横摆偏移的权重系数，δ*表示前轮转角预测值，λ3表示前轮转角的权重系数，表示附加横摆力矩预测值，λ4表示横摆力矩的权重系数。
需要说明的是，模型参数集合Θ可以包括WI、bI、WC、bC、Wo、bo、by等模型参数。
其中，本领域技术人员可以根据实际情况设置质心偏移的权重系数λ1、横摆偏移的权重系数λ2、前轮转角的权重系数λ3、横摆力矩的权重系数λ4的大小，本发明不做限定。
需要说明的是，目标函数中的第一项(Y*-Yref)2可以减小质心位置偏差，提高整体的轨迹跟踪性能。目标函数中的第二项可以减小横摆角偏差，控制车辆的行驶方向也应尽可能与参考轨迹的切线方向一致。目标函数中的第三项δ*可以减小前轮转角，可以降低转向的急剧程度，使得汽车舒适稳定地行驶。目标函数中的第四项可以减小附加横摆力矩，降低横摆的不受控制的情况，提高车辆的横向稳定性。
在本发明中，目标函数综合考虑了质心位置、横摆角、前轮转角以及附加横摆力矩等多个方面的跟踪目标。通过对这些目标的权衡和优化，可以使得模型在多个方面都能够取得较好的性能，提高整体轨迹跟踪的准确性和稳定性。
S3：通过基于自适应螺旋滑模算法的上层控制器，根据预测出的横摆角速度和质心侧偏角，确定保持汽车轨迹的最佳附加横摆力矩。
其中，滑模控制(Sliding Mode Control，SMC)是一种强大的非线性控制技术，用于设计稳定的控制系统。它的基本思想是通过引入一个滑动模态(滑模面)，使得系统状态沿着这个滑动模态快速而稳定地滑动到期望状态。滑模控制常用于处理具有不确定性和外部扰动的系统。而自适应螺旋滑模算法是滑模控制中的一种改进方法，它结合了滑模控制的滑动模态思想和自适应控制的能力来应对系统的不确定性和外部扰动。这种算法的目标是使系统在滑动模态上实现快速而稳定的滑动，同时能够自适应地调整滑动模态的参数以适应不确定的动态特性。
在本发明中，使用自适应螺旋滑模算法可以有效地处理系统的不确定性和外部扰动，有助于实现对横摆角速度和质心侧偏角的自适应控制，提高系统的鲁棒性和性能。
在一种可能的实施方式中，S3具体包括子步骤S301至S304：
S301：构建上层控制器的滑模面：
其中，s表示滑模面，γ表示横摆角速度预测值，γd表示横摆角速度理想值，β表示质心侧偏角预测值，βd表示质心侧偏角理想值，Δs表示滑模面调节项。
在一种可能的实施方式中，滑模面调节项具体为：
其中，Δs表示滑模面调节项，kβ表示滑模调节系数，Δsmax表示滑模面允许调节的最大值，β表示质心侧偏角预测值，βmax表示系统允许的最大质心侧偏角。模面调节项采用了非线性的调节方式，根据质心侧偏角的不同情况，采用不同的调节策略。在质心侧偏角较小的情况下，采用kβ·β的线性调节，而在质心侧偏角较大时，采用固定的最大调节值Δsmax。这种非线性适应性有助于更好地应对系统非线性特性。
需要说明的是，滑模面调节项通过引入滑模调节系数kβ，根据质心侧偏角的预测值β来调整滑模面，使得系统对质心侧偏角的变化更为鲁棒，能够适应不同的驾驶情境和车辆运动状态。
进一步地，引入滑模面调节项可以限制质心侧偏角的变化范围，通过设置系统允许的最大质心侧偏角βmax，有助于避免车辆在操控过程中发生过大的侧偏，提高行驶的稳定性和可控性。
进一步地，通过设置滑模面允许调节的最大值Δsmax，可以在需要时允许系统对滑模面进行更大范围的调整。这在一些特殊情况下，如紧急避险或特殊驾驶条件下，可能对系统的响应和调整提供更大的自由度。
在本发明中，引入滑模面调节项可以增加系统对质心侧偏角的灵活性和适应性。
S302：对上层控制器的滑模面进行一阶求导，并代入横摆方向运行方程，得到：
其中，表示滑模面的一阶导数，d表示总扰动。
S303：对上层控制器的滑模面进行二阶求导，并代入横摆方向运行方程，得到：
S304：根据上层控制器的滑模面，确定保持汽车轨迹的最佳附加横摆力矩：
Mz＝M1+M2
其中，Mz表示最佳附加横摆力矩，M1表示上位控制输出，α表示自适应螺旋滑模控制增益，sgn()表示符号函数，M2表示轨迹跟踪输出。
在本发明中，通过整合上位控制输出以及轨迹跟踪输出，确定出最佳的附加横摆力矩，整合不同的控制策略，系统可以更全面、多层次地进行控制。使得汽车能够在各种复杂条件下实现稳定、鲁棒、准确的轨迹跟踪。这有助于提高汽车运动过程中的安全性和性能表现。
在一种可能的实施方式中，自适应螺旋滑模控制增益具体为：
其中，表示螺旋滑模控制增益的一阶导数，ω表示幅度参数，θ表示缩放参数，表示预测状态与理想状态之间的偏差，k表示偏差敏感度参数，ρ表示偏差阈值，αt表示增益阈值，α0表示增益常数。
其中，本领域技术人员可以根据实际情况设置增益阈值αt的大小，本发明不做限定。
其中，幅度参数ω影响自适应增益的调整速率，即控制增益调整的快慢。缩放参数θ影响自适应增益的缩放尺度。偏差敏感度参数k用于使得在系统偏离理想状态较小时，控制补偿量和补偿速率较小。偏差阈值ρ用于控制自适应控制增益的调整。其作用可以在控制增益变化过程中限制控制增益的变化速率。
需要说明的是，自适应螺旋滑模控制增益的设计旨在使滑模面及其导数在有限时间内收敛到零，有助于系统在有限时间内达到期望的轨迹跟踪状态，提高了系统的响应速度和性能。
当系统状态偏离理想状态较小时，控制增益的调整幅度较小，有效减小系统在接近或达到稳态时的抖动；而在系统状态偏离较大时，控制增益的调整幅度较大，有助于系统快速达到稳态或接近稳态。
进一步地，自适应螺旋滑模控制增益的引入通过合理设计了一个指数函数用于衡量系统状态与理想状态的偏差。可以使得在系统状态偏离较小时，控制的补偿量和补偿速率较小，有效抑制了系统在接近稳态时的抖动。
S4：通过基于最佳纵向力分配算法的下层控制器，根据保持汽车轨迹的最佳附加横摆力矩，确定各个车轮的扭矩分配，并基于扭矩分配结果控制汽车。
其中，最佳纵向力分配算法是一种用于确定车辆各个车轮上的扭矩分配，以实现最佳性能的控制算法。
在本发明中，采用最佳纵向力分配算法有助于实现对车轮扭矩的智能分配，以达到最佳的横摆力矩，有助于提高轨迹跟踪的精确性和稳定性。
进一步地，通过上下两层控制器的协同工作，实现了全面的轨迹跟踪控制，上层控制器负责生成横摆力矩，而下层控制器则通过最佳纵向力分配实现对车轮扭矩的智能控制，使得整个系统更具鲁棒性和适应性。
在一种可能的实施方式中，S4具体包括子步骤S401至S405：
S401：构建基于最佳纵向力分配算法的下层控制器的目标函数：
其中，J()表示下层控制器的目标函数，M表示扭矩，Fx表示纵向力，Fz表示垂直负荷，Mij表示第ij号轮胎的扭矩，Fxij表示第ij号轮胎的纵向力，Fzij表示第ij号轮胎的垂直负荷，ij＝{fl,fr,rl,rr}，fl表示左前轮，fr表示右前轮，rl表示左后轮，rr表示右后轮，μ表示摩擦系数，β表示质心侧偏角预测值，β*表示质心侧偏角阈值，max()表示最大值函数，min()表示最小值函数。
其中，摩擦系数μ用于规范纵向力的大小，考虑到摩擦的影响。
需要说明的是，在β＜β*时，轮胎工作在线性区域，目标是最大化轮胎提供的侧向力，以确保足够的侧向力来保持车辆稳定。而在β≥β*时，轮胎工作在非线性区域，目标是最小化轮胎的纵向力分布，以确保轮胎能够提供足够的侧向力来防止车轴滑动，降低侧向失稳的风险。通过设置两种不同情况下的目标函数，使得控制器更具灵活性和适应性，能够在不同的行驶状况下做出合理的调整，从而实现更好的整体性能。
在本发明中，通过设置目标函数来优化车辆控制，在不同的质心侧偏角预测值情况下，依据目标函数调整车轮的纵向力分布，以实现更好的操控性和稳定性。
S402：根据保持汽车轨迹的最佳附加横摆力矩，为基于最佳纵向力分配算法的下层控制器设置约束条件：
Fxij≤μFzij
其中，Mz表示最佳附加横摆力矩。
需要说明的是，约束条件Fxij≤μFzij确保了轮胎的纵向力不会超过摩擦系数与垂直负荷之积。这是因为轮胎的纵向力主要由摩擦系数和垂直负荷决定，超过这个范围可能导致轮胎打滑或无法提供足够的纵向力，影响车辆的牵引力和制动性能。
进一步地，另一个约束条件描述了附加横摆力矩的计算方式，其中涉及前后轮的纵向力分布。通过这个约束条件，确保了横摆力矩的计算符合车辆动力学和控制要求，有助于保持车辆在转弯时的稳定性。
在本发明中，约束条件的设计有助于确保基于最佳纵向力分配算法的下层控制器在实际应用中满足车辆控制的物理和性能要求，提高了车辆的操控性、稳定性和安全性。
S403：在约束条件的约束下，依据目标函数，对纵向力进行分配，确定各个车轮的最佳纵向力。
具体而言，可以通过遗传算法、粒子群寻优算法等对各个车轮的纵向力分配方案进行寻优，以确定最佳纵向力分配方案。
在本发明中，通过在约束条件下对纵向力进行分配，确定各个车轮的最佳纵向力，有助于最大程度地利用轮胎附着力，提高牵引力和制动力的利用效率。
S404：根据各个车轮的最佳纵向力，通过汽车动力学模型，计算各个车轮的扭矩。
在本发明中，通过汽车动力学模型计算各个车轮的扭矩，有助于优化车辆的动力学响应。通过考虑车辆的动力学特性，可以更准确地实现期望的纵向运动。
S405：根据计算出来的各个车轮的扭矩，控制汽车。
在本发明中，综合考虑了横向和纵向动态特性，通过优化横向和纵向控制的协同作用，提升整体车辆的操控性能，使其更适应不同的驾驶场景和驾驶任务。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，神经网络的端到端学习能力允许系统从数据中提取复杂的非线性关系，从而减少了对精细参数调整的需求，无需依赖于手动调整控制器的参数，省时省力，长短时记忆神经网络可以直接学习输入与输出之间的映射，提升非线性特性处理能力，提高轨迹跟踪的准确性和鲁棒性。
(2)在本发明中，使用自适应螺旋滑模算法可以有效地处理系统的不确定性和外部扰动，有助于实现对横摆角速度和质心侧偏角的自适应控制，提高系统的鲁棒性和性能。
(3)在本发明中，采用最佳纵向力分配算法有助于实现对车轮扭矩的智能分配，以达到最佳的横摆力矩，有助于提高轨迹跟踪的精确性和稳定性。
(4)在本发明中，通过上下两层控制器的协同工作，实现了全面的轨迹跟踪控制，上层控制器负责生成横摆力矩，而下层控制器则通过最佳纵向力分配实现对车轮扭矩的智能控制，使得整个系统更具鲁棒性和适应性。
实施例2
在一个实施例中，参考说明书附图4，示出了本发明提供的一种智能汽车轨迹跟踪控制系统的结构示意图。
本发明提供的一种智能汽车轨迹跟踪控制系统20，包括处理器201和用于存储处理器201可执行指令的存储器202。处理器201被配置为调用存储器202存储的指令，以执行实施例1中的智能汽车轨迹跟踪控制方法。
本发明提供的一种智能汽车轨迹跟踪控制系统可以实现上述实施例1中的智能汽车轨迹跟踪控制方法的步骤和效果，为避免重复，本发明不再赘述。
与现有技术相比，本发明至少具有以下有益技术效果：
(1)在本发明中，通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，神经网络的端到端学习能力允许系统从数据中提取复杂的非线性关系，从而减少了对精细参数调整的需求，无需依赖于手动调整控制器的参数，省时省力，长短时记忆神经网络可以直接学习输入与输出之间的映射，提升非线性特性处理能力，提高轨迹跟踪的准确性和鲁棒性。
(2)在本发明中，使用自适应螺旋滑模算法可以有效地处理系统的不确定性和外部扰动，有助于实现对横摆角速度和质心侧偏角的自适应控制，提高系统的鲁棒性和性能。
(3)在本发明中，采用最佳纵向力分配算法有助于实现对车轮扭矩的智能分配，以达到最佳的横摆力矩，有助于提高轨迹跟踪的精确性和稳定性。
(4)在本发明中，通过上下两层控制器的协同工作，实现了全面的轨迹跟踪控制，上层控制器负责生成横摆力矩，而下层控制器则通过最佳纵向力分配实现对车轮扭矩的智能控制，使得整个系统更具鲁棒性和适应性。
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。
以上实施例仅表达了本发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (5)

1.一种智能汽车轨迹跟踪控制方法，其特征在于，包括：
S1：获取汽车动力学模型；
S2：通过基于长短时记忆神经网络的轨迹跟踪模型，对汽车轨迹进行跟踪，预测出汽车的横摆角速度和质心侧偏角；
S3：通过基于自适应螺旋滑模算法的上层控制器，根据预测出的横摆角速度和质心侧偏角，确定保持汽车轨迹的最佳附加横摆力矩；
S4：通过基于最佳纵向力分配算法的下层控制器，根据保持汽车轨迹的最佳附加横摆力矩，确定各个车轮的扭矩分配，并基于扭矩分配结果控制汽车；
其中，所述汽车动力学模型具体包括：
纵向运动方程：
横向运动方程：
横摆方向运行方程：
其中，m表示整车质量，vx表示纵向速度，vy表示横向速度，γ表示横摆角速度，Fxfl表示左前轮纵向轮胎力，Fxfr表示右前轮纵向轮胎力，Fyfl表示左前轮横向轮胎力，Fyfr表示右前轮横向轮胎力，Fxrl表示左后轮纵向轮胎力，Fxrr表示右后轮纵向轮胎力，Fyrl表示左后轮横向轮胎力，Fyrr表示右后轮横向轮胎力，δ表示前轮转角，Iz表示横摆方向转动惯量，B是左右车轮距离，a表示质心到前轴距离，b表示质心到后轴距离，Mz表示附加横摆力矩；
其中，所述S3具体包括：
S301：构建所述上层控制器的滑模面：
其中，s表示滑模面，γ表示横摆角速度预测值，γd表示横摆角速度理想值，β表示质心侧偏角预测值，βd表示质心侧偏角理想值，Δs表示滑模面调节项；
S302：对所述上层控制器的滑模面进行一阶求导，并代入所述横摆方向运行方程，得到：
其中，表示滑模面的一阶导数，d表示总扰动；
S303：对所述上层控制器的滑模面进行二阶求导，并代入所述横摆方向运行方程，得到：
S304：根据所述上层控制器的滑模面，确定保持汽车轨迹的最佳附加横摆力矩：
Mz＝M1+M2
其中，Mz表示最佳附加横摆力矩，M1表示上位控制输出，α表示自适应螺旋滑模控制增益，sgn()表示符号函数，M2表示轨迹跟踪输出；
其中，所述滑模面调节项具体为：
其中，Δs表示滑模面调节项，kβ表示滑模调节系数，Δsmax表示滑模面允许调节的最大值，β表示质心侧偏角预测值，βmax表示系统允许的最大质心侧偏角；
其中，所述自适应螺旋滑模控制增益具体为：
其中，表示螺旋滑模控制增益的一阶导数，ω表示幅度参数，θ表示缩放参数，表示预测状态与理想状态之间的偏差，k表示偏差敏感度参数，ρ表示偏差阈值，αt表示增益阈值，α0表示增益常数；
其中，所述S4具体包括：
S401：构建基于最佳纵向力分配算法的下层控制器的目标函数：
其中，J()表示下层控制器的目标函数，Fxij表示第ij号轮胎的纵向力，Fzij表示第ij号轮胎的垂直负荷，ij＝{fl,fr,rl,rr}，fl表示左前轮，fr表示右前轮，rl表示左后轮，rr表示右后轮，μ表示摩擦系数，β表示质心侧偏角预测值，β*表示质心侧偏角阈值，max()表示最大值函数，min()表示最小值函数；
S402：根据保持汽车轨迹的最佳附加横摆力矩，为基于最佳纵向力分配算法的下层控制器设置约束条件：
Fxij≤μFzij
其中，Mz表示最佳附加横摆力矩；
S403：在所述约束条件的约束下，依据所述目标函数，对纵向力进行分配，确定各个车轮的最佳纵向力；
S404：根据各个车轮的最佳纵向力，通过所述汽车动力学模型，计算各个车轮的扭矩；
S405：根据计算出来的各个车轮的扭矩，控制汽车。
2.根据权利要求1所述的智能汽车轨迹跟踪控制方法，其特征在于，所述S2具体包括：
S201：向基于长短时记忆神经网络的轨迹跟踪模型输入历史轨迹序列X，所述历史轨迹序列中包括多个轨迹数据点x，每个轨迹数据点x包括：横摆角速度γ和质心侧偏角β；
S202：在遗忘门中，确定需要遗忘的信息，通过以下公式，得到遗忘门的输出向量：
Ft＝σ(WF·[Ht-1,Xt]+bF)
其中，Ft表示t时刻的遗忘门的输出向量，σ()表示激活函数，WF表示遗忘门的权重矩阵，Ht-1表示前一时刻的隐状态，Xt表示t时刻输入的轨迹特征矩阵，bF表示遗忘门的偏置参数；
S203：在输入门中，确定存储到细胞存储单元的信息，通过以下公式，得到输入门的输出向量：
It＝σ(WI·[Ht-1,Xt]+bI)
其中，It表示t时刻的输入门的输出向量，WI表示输入门的权重矩阵，bI表示输入门的偏置参数；
S204：在细胞存储单元中，通过以下公式，计算当前时刻的临时细胞状态：
其中，表示t时刻的临时细胞状态，tanh()表示tanh激活函数，WC表示细胞存储单元的权重矩阵，bC表示细胞存储单元的偏置参数；
S205：在细胞存储单元中，通过以下公式，计算当前时刻的细胞状态：
其中，Ct表示t时刻的细胞状态，Ct-1表示前一时刻的细胞状态；
S206：在输出门中，通过以下公式，得到输出门的输出向量，并将输出门的输出向量存储为隐状态：
Ot＝σ(WO·[Ht-1,Xt]+bO)
Ht＝Ot·tanh(Ct)
其中，Ot表示t时刻的输出门的输出向量，Wo表示输出门的权重矩阵，bo表示输出门的偏置参数，Ht表示t时刻的隐状态；
S207：在输出层中，通过以下公式，预测出汽车的横摆角速度和质心侧偏角：
其中，yt表示t时刻的轨迹预测值，轨迹预测值包括横摆角速度γt和质心侧偏角βt，by表示输出层的偏置参数，表示第n个细胞存储单元与输出层之间的权重矩阵，表示t时刻第n个细胞存储单元中存储的隐状态，n＝1,2,…,N，N表示细胞存储单元总数。
3.根据权利要求2所述的智能汽车轨迹跟踪控制方法，其特征在于，所述基于长短时记忆神经网络的轨迹跟踪模型的训练方法包括：
构建基于长短时记忆神经网络的轨迹跟踪模型的目标函数；
以所述轨迹跟踪模型的目标函数的函数值最小为目标，对所述轨迹跟踪模型进行训练。
4.根据权利要求3所述的智能汽车轨迹跟踪控制方法，其特征在于，所述基于长短时记忆神经网络的轨迹跟踪模型的目标函数具体为：
其中，F()表示轨迹跟踪模型的目标函数，Θ表示模型参数集合，Y*表示质心位置纵坐标预测值，Yref表示参考轨迹上的纵坐标参考值，λ1表示质心偏移的权重系数，表示横摆角预测值，表示参考轨迹上的横摆角参考值，λ2表示横摆偏移的权重系数，δ*表示前轮转角预测值，λ3表示前轮转角的权重系数，表示附加横摆力矩预测值，λ4表示横摆力矩的权重系数。
5.一种智能汽车轨迹跟踪控制系统，其特征在于，包括处理器和用于存储处理器可执行指令的存储器；所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的智能汽车轨迹跟踪控制方法。
CN202311711404.7A 2023-12-13 2023-12-13 一种智能汽车轨迹跟踪控制方法及系统 Active CN117818641B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311711404.7A CN117818641B (zh) 2023-12-13 2023-12-13 一种智能汽车轨迹跟踪控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311711404.7A CN117818641B (zh) 2023-12-13 2023-12-13 一种智能汽车轨迹跟踪控制方法及系统

Publications (2)

Publication Number Publication Date
CN117818641A CN117818641A (zh) 2024-04-05
CN117818641B true CN117818641B (zh) 2024-08-30

Family

ID=90520067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311711404.7A Active CN117818641B (zh) 2023-12-13 2023-12-13 一种智能汽车轨迹跟踪控制方法及系统

Country Status (1)

Country Link
CN (1) CN117818641B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107215329A (zh) * 2017-05-10 2017-09-29 江苏大学 一种基于atsm的分布式驱动电动汽车横向稳定性控制方法
CN111497826A (zh) * 2020-04-15 2020-08-07 北京理工大学 一种电动汽车横摆稳定性协调控制方法及系统
CN111762158A (zh) * 2019-03-29 2020-10-13 中科院微电子研究所昆山分所 集成式跟随控制方法、系统、装置及计算机可读存储介质
CN116901932A (zh) * 2023-08-29 2023-10-20 重庆长安汽车股份有限公司 车辆纵横向稳定性控制方法及装置、电子设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8180513B2 (en) * 2008-05-05 2012-05-15 Southwest Research Institute Autonomous ground vehicle control system for high-speed and safe operation
CN111002840B (zh) * 2019-12-24 2022-07-12 大连理工大学 一种分布式驱动电动汽车的容错控制方法
US11396287B2 (en) * 2020-02-14 2022-07-26 GM Global Technology Operations LLC Architecture and methodology for real-time target wheel slip identification to optimally manage wheel stability and vehicle lateral grip
CN112109704B (zh) * 2020-09-22 2022-04-01 同济大学 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
CN113386781B (zh) * 2021-05-24 2024-05-24 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
CN115447566B (zh) * 2022-08-10 2024-06-28 佛山仙湖实验室 分布式电驱动车辆的横摆稳定性控制方法、设备及介质
CN116872910A (zh) * 2023-07-20 2023-10-13 燕山大学 无人驾驶车辆轨迹跟踪与横摆稳定性控制方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107215329A (zh) * 2017-05-10 2017-09-29 江苏大学 一种基于atsm的分布式驱动电动汽车横向稳定性控制方法
CN111762158A (zh) * 2019-03-29 2020-10-13 中科院微电子研究所昆山分所 集成式跟随控制方法、系统、装置及计算机可读存储介质
CN111497826A (zh) * 2020-04-15 2020-08-07 北京理工大学 一种电动汽车横摆稳定性协调控制方法及系统
CN116901932A (zh) * 2023-08-29 2023-10-20 重庆长安汽车股份有限公司 车辆纵横向稳定性控制方法及装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN117818641A (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN107561942B (zh) 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN112622903B (zh) 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法
CN113320542B (zh) 一种自动驾驶车辆的跟踪控制方法
Awad et al. Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles
McKinnon et al. Learn fast, forget slow: Safe predictive learning control for systems with unknown and changing dynamics performing repetitive tasks
CN111679575B (zh) 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法
CN114967475A (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
CN117864105B (zh) 一种基于动态避障的无人矿卡横纵向自适应协同控制方法
Fu et al. Nmpc-based path tracking control strategy for autonomous vehicles with stable limit handling
CN110879595A (zh) 一种基于深度强化学习的无人矿卡循迹控制系统及方法
CN115805939A (zh) 智能电动汽车路径跟踪控制方法及装置
CN117818641B (zh) 一种智能汽车轨迹跟踪控制方法及系统
Tiwari et al. Controller design for autonomous vehicle
CN116901932A (zh) 车辆纵横向稳定性控制方法及装置、电子设备及存储介质
Zhai et al. Handling stability control strategy for four‐wheel hub motor‐driven vehicle based on adaptive control for road adhesion
CN115817509A (zh) 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法
Hu et al. Robust tube-based model predictive control for autonomous vehicle path tracking
Németh Robust LPV design with neural network for the steering control of autonomous vehicles
CN118025223B (zh) 基于长短时记忆网络的无人驾驶汽车学习型预测控制方法
Gao et al. Adaptive Model Predictive Control for Intelligent Vehicle Trajectory Tracking Considering Road Curvature
CN114954437B (zh) 一种面向铰接式车辆的泊车轨迹规划和跟踪控制方法及系统
CN118068717B (zh) 一种智能物料车自适应滑模控制策略
Kanai et al. Linear model predictive control with accurate prediction based on low-dimensional lifting linearization
CN118651244B (zh) 一种多向坡道路段下无人履带车辆的运动控制方法
Xia et al. Research on Hierarchical Control of Intelligent Industrial Vehicle Path Tracking Based on Fully Hydraulic Steering Time Delay

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