详情

原文传递 Control Methods for Autonomous Vehicle Platoon System Invoking Swarm Intelligence

论文题名：	Control Methods for Autonomous Vehicle Platoon System Invoking Swarm Intelligence
关键词：	道路交通;自主车辆列队系统;鲁棒控制;模糊集理论
摘要：	亚洲及世界其他地区汽车保有量的不断增加导致了日益严峻的交通拥堵问题。智能交通系统能够有效缓解交通压力，因而成为当前研究的热点。作为智能交通系统的一个分支，自主车辆列队系统应运而生。它不仅可以提高道路通行能力、增强车辆行驶安全性，提高驾驶舒适性，还能降低燃油消耗和尾气排放。因此，对自主车辆列队系统的研究对于缓解交通压力、节约能源、减少污染具有重要意义。　　当前对于车辆队列系统的研究集中在车队纵向跟随的稳定性控制中，即研究已有车队在头车带领下，后续跟随车辆间车距的稳定性控制问题。现有控制策略不能很好解决大规模车队控制问题、车队中车辆数量变化问题及车队系统本身存在的非线性和外部不确定干扰等问题。车队系统可以看成一个机械群系统。因此，受生物群体行为的启发，将群体智能控制思想引入车队系统的控制中来。　　在群聚生物中，复杂的群体行为仅依靠单个个体执行简单策略即可实现。根据这些物种异乎寻常的行为特点，开展由多个独立机械个体构成的人工机械群系统的研究，探索群系统的运动特性及动力学特性。群系统中每个个体都是由机械部件构成的，因此每个个体都要遵循机械原理。　　人工机械群系统是参考生物群系统而设计，用来模仿生物群系统的行为。机械群系统行为的运动学模型是通过一个具有群性质的函数来描述。该模型可以被视为系统的约束条件，通过约束每个个体的行为实现群行为。应用Udwadia-Kalaba方法，可以获得驱动群系统满足给定约束条件所需约束力的解析解形式。从控制设计的角度来看，这一约束力可以被当作形成群行为的理想控制。Udwadia-Kalaba的方法具有广泛的应用潜力。无论约束是完整的还是非完整的，均可采用此方法建立约束系统的运动方程。然而，这并不能完全解决控制问题。由于系统中有不确定性存在，在现实中此约束力（该约束力是建立在模型之上的）并不适用。处理系统中的不确定性，需要做更多的研究，这也是本文的重点。　　将群体智能控制方法引入自主车辆列队系统的控制中，并研究系统中含有不确定性的情况下车辆自组队、车距和车速稳定性控制问题。将避免碰撞的条件考虑在内时，系统的状态变量是有界的。利用对数函数变换，将有界的状态变量转化为全局状态变量，然后将群体行为的表征函数嵌入到新得到的状态变量中，继而建立车队系统的动力学模型。通过将系统运动学模型视为一个约束，采用Udwadia-Kalaba的方法获得车队系统中每一辆跟随车辆相应的约束力（即理想控制）的解析解形式。在此基础上，针对车队系统中不确定性边界已知的情况提出一类鲁棒控制方法。该控制在保证系统中的车辆不碰撞的同时，也确保了整体系统的紧凑性和稳定性。　　由于不确定性的边界可能是未知的，且若不确定的边界选择不当将导致额外的控制消耗，针对不确定性边界未知的列队系统提出一类自适应鲁棒控制方法。该方法假设不确定性的边界是一个由不确定性参数构成的已知形式的函数。在该假设的前提下，采用一种渐亏型自适应律估计不确定性参数的值，进而通过获取的不确定性参数的估计值确定相应不确定性的边界。自适应律的渐亏特性使自适应参数不会一直增加，从而有助于节约控制消耗。在自适应律和约束力的基础上，提出车辆列队系统的自适应控制方法。该控制方法兼具鲁棒性和自适应性特点。在该控制下，车队系统的防碰撞性、紧凑性和稳定性均得以实现。与鲁棒控制相比，自适应鲁棒控制的控制消耗要小一些。　　针对不确定性的另一种替代描述方式，提出了最优模糊控制方法。通过采用模糊集理论描述系统中的不确定性，建立自主车辆列队系统的模糊动力学模型。此时，不确定性被假设为隶属于一个模糊集合。该模糊方法不同于概率法和其他基于IF-THEN规则的模糊推理方法。结合不确定性的模糊描述和自适应律，提出一类模糊自适应控制方法实现车队系统的控制。针对控制的优化问题，提出综合考虑瞬时控制消耗和平均控制消耗的二次性能指标。进而将控制参数的最佳选择问题归为一个优化问题。这个问题的全局解是唯一的且是封闭解，从而简洁有效地解决该优化问题。所提出的最优模糊控制方法能保证车队系统两种性能：一是在不确定性存在的情况下确保系统具有确定性性能，即一致有界性和一致最终有界性;二是确保了系统的模糊性能，即性能指标的最小化。
作者：	赵晓敏
专业：	车辆工程
导师：	赵韩
授予学位：	博士
授予学位单位：	合肥工业大学
学位年度：	2017
正文语种：	中文