通信延时环境下基于观测器的智能网联车辆队列分层协同纵向控制

考虑通信延时影响的车辆队列控制问题,提出一种基于观测器的分布式车辆队列纵向控制器.首先,基于分层控制策略分别设计上下层控制器,通过上层控制器优化期望加速度、下层控制器克服车辆模型非线性实现期望加速度和实际加速度的一致.上层控制器设计过程中,基于三阶线性化车辆模型,考虑观测器、车辆动态耦合特性和通信延时,提出一种通信延时环境下基于观测器的车辆队列控制器,利用观测器估计领导车辆加速度信息从而减轻通信负担.然后,利用Lyapunov-Krasovskii方法分析车辆队列的稳定性,并得出通信延时上界,同时利用传递函数方法分析了串稳定性.最后,通过数值仿真验证上层控制器的有效性和稳定性.在此基础上,利用PreScan软件中高保真车辆动态模型,验证了该分层控制策略的有效性.

考虑电子节气门开度的车辆队列纵向协同控制

针对车辆动力学模型,在车用无线通信技术(vehicle to everything,V2X)条件下设计了一种新的车辆队列纵向协同控制器,进行了理论分析与实验验证。基于三阶车辆模型,考虑前车跟随车通信拓扑,设计了一种考虑电子节气门开度的车辆队列纵向协同控制器,分析了系统稳定性和串稳定性以及电子节气门开度对稳定性的影响;针对网联车辆队列控制,开发了PreScan和Matlab/Simulink的联合仿真平台和车联网设备的实验平台,开展了仿真和实验验证。研究结果表明,所提控制器能够实现车辆队列控制的目标,但在现场实验中,车辆在加速度、速度和车辆间距的变化上不如仿真实验中光滑且严格收敛,在实验安全及误差范围内仍呈现出一致性的趋势,验证了所提控制器的有效性。

基于改进扩展状态观测器的四旋翼无人机轨迹鲁棒跟踪控制

针对四旋翼无人机在轨迹跟踪过程中会受到内外部扰动、模型误差等不确定性因素的影响,本文提出了一种基于改进型扩展状态观测器的积分滑模控制方案。具体来讲,首先,将四旋翼无人机系统存在的模型误差以及内外部扰动等不确定性因素视作集总干扰,通过借鉴的改进扩展状态观测器对其进行观测;进而,在此基础上,进一步考虑四旋翼无人机系统控制的连续性,基于四旋翼无人机轨迹误差、速度误差、姿态角误差和姿态角速度误差设计积分滑模控制器,分析了系统的稳定性并分别进行了数值仿真和实机实验。结果表明,采用本文算法时,在数值仿真中,各状态跟踪误差不超过1%,跟踪精度最高;在实机实验中,位置跟踪误差总体上能控制在20%以下。因此,本文方法具备有效性和可行性。

复杂交通环境下智能车辆避障方法研究

为了提高智能车辆避障的安全性与舒适性,提出了一种基于改进势场模型与隐马尔可夫模型的避障方法。首先建立了考虑车辆特性、道路环境与行驶状态等因素的改进势场模型,预测碰撞风险的动态变化;其次利用隐马尔可夫模型进行避障方式决策,并在改进的势场模型中融入隐马尔可夫决策层,完成自车避障路径规划;然后利用模型预测控制方法对规划的避障路径进行实时跟踪,并在控制器中加入松弛因子与约束条件防止出现无最优解;最后应用联合仿真对提出的避障方法进行验证,结果表明,所提出的方法可在复杂交通环境下获得无碰撞的避障路径,实现动态避障的同时,提高了车辆的安全性与舒适性。

智能汽车拟人驾驶风险量化方法研究

驾驶风险量化评估对智能汽车拟人驾驶决策至关重要,针对复杂多任务场景下的驾驶风险量化问题,提出了一种基于人类风险感知机理的智能汽车驾驶风险量化方法。首先,利用传感器获取驾驶场景周围环境信息与行驶状态信息,并根据人类驾驶经验对潜在冲突因素赋值代价,生成驾驶场景代价地图;其次,根据车辆运动状态与拟人驾驶的基本原则,利用高斯函数建立动态风险模型;最后,结合驾驶场景代价图与动态风险模型实时计算拟人驾驶风险量化值。仿真结果表明,提出的方法能够基于人类驾驶经验,计算出动态变化的驾驶风险量化值,应用于智能汽车自动驾驶决策,可产生拟人驾驶行为。

基于组合间距策略的自适应车辆队列纵向控制

针对车辆队列被外部车辆换道超车的场景,外部车辆与队列中的车辆存在异质性,不同车辆适用的间距策略也存在差异性。此外,不同的车辆队列间距策略在道路适应性、车辆队列系统稳定性和串稳定性等方面均存在优势和缺陷。基于此提出一种基于组合间距策略的智能网联车辆队列控制方法,以优化队列车辆的间距。现有的协同/分布式队列控制方法大多基于精确的车辆动力学模型,这要求获得完整的车辆动力学先验知识,并进行非线性-线性模型的转换。然而,在实践中获取精确的先验知识信息往往具有挑战性,且在车辆间进行信息交互的过程中,不可避免地会产生通信时延。因此,在考虑网络环境通信时延的基础上,提出了一种基于自适应积分滑模车辆队列控制器的分布式后向控制方案,该方案可以在线识别和估计未知参数,从而解决三阶车辆节点动力学模型中参数不确定性影响系统稳定性的问题。在设计的积分滑模面中,采用饱和函数替代传统滑模面的符号函数,进一步解决了控制结果中容易出现抖振的问题。然后,利用Lyapunov-Krasovskii定理和无穷范数进行了组合间距策略和间距策略切换下车辆队列系统的内部稳定性和串稳定性分析。最后,通过与现有控制算法进行仿真比较分析,验证了所提出的控制策略和算法的有效性。

理想诱导环境下的网联车与网联自动驾驶车混合交通流建模研究

智能网联车辆通过先进的无线通信技术能够实现车辆间信息传递,然而通信环境中不可避免的存在干扰信号,当干扰信号达到一定的强度时,车辆间的通信会被迫中断,等效于交通流中车辆的通信拓扑发生了切换,通信拓扑切换必然会对交通流造成影响。基于此,本文在由网联车(connected vehicle,CV)和网联自动驾驶车(connected autonomous vehicle,CAV)构成的混合交通流中,研究了理想诱导环境下通信拓扑结构切换和CAV不同空间分布对混合交通流动态性能的影响。首先提出一种结合图论和概率论的通信拓扑表征方法,对混合交通流中的通信拓扑进行表征。然后考虑CV与CAV在决策行为上的特点,结合通信拓扑提出一个通用车辆跟驰模型,并使用约化摄动法推导出通用车辆跟驰模型的稳定性条件。最后设计数值仿真实验,在不同的CAV渗透率下,研究理想诱导环境下通信拓扑结构切换和不同CAV空间分布对混合交通流动态性能的影响。通信拓扑结构切换数值仿真结果表明,稳定的通信连接将有利于混合交通流动态性能的平滑性。不同CAV渗透率下数值仿真结果表明,当理想诱导环境中不存在干扰信号时,CAV渗透率越高,混合交通流动态性能的平滑性越好;当理想诱导环境中存在干扰信号并导致通信拓扑切换时,CAV渗透率为40%且空间分布为集中分布时的抗干扰能力最强。不同CAV空间分布下数值仿真结果表明,当理想诱导环境中不存在干扰信号时,CAV集中分布下混合交通流动态性能的平滑性最好;当理想诱导环境中存在干扰信号并导致通信拓扑切换时,CAV集中分布的抗干扰能力强于CAV均匀分布和随机分布的抗干扰能力。

基于深度强化学习的网联车辆队列纵向控制

针对车辆队列中多目标控制优化问题,研究基于强化学习的车辆队列控制方法.控制器输入为队列各车辆状态信息以及车辆间状态误差,输出为基于车辆纵向动力学的期望加速度,实现在V2X通信下的队列单车稳定行驶和队列稳定行驶.根据队列行驶场景以及采用的间距策略、通信拓扑结构等特性,建立队列马尔科夫决策过程(Markov decision process,MDP)模型.同时根据队列多输入-多输出高维样本特性,引入优先经验回放策略,提高算法收敛效率.为贴近实际车辆队列行驶工况,仿真基于PreScan构建多自由度燃油车动力学模型,联合Matlab/Simulink搭建仿真环境,同时引入噪声对队列控制器中动作网络和评价网络进行训练.仿真结果表明基于强化学习的车辆队列控制燃油消耗更低,且控制器实时性更高,对车辆的控制更为平滑.