原文传递
自动驾驶汽车横向稳定性分析与路径跟踪控制研究
| 论文题名： | 自动驾驶汽车横向稳定性分析与路径跟踪控制研究 |
| 关键词： | 自动驾驶汽车;横向稳定性;路径跟踪控制;径向基神经网络;自适应模型预测控制;模型预测控制 |
| 摘要： | 自动驾驶汽车在提高道路利用率、改善车辆安全性等方面具有潜在的优势。路径跟踪控制是自动驾驶汽车运动控制的关键技术之一。但是，目前路径跟踪控制的研究对车辆稳定性状态的分析和考虑不足，极限工况下，车辆操纵稳定性面临挑战；模型预测控制可以对系统状态、输出和控制输入引入多个显式约束，是实现路径跟踪控制的一种实用方法，但是模型预测控制依赖于精确的预测模型，车辆模型简化及外部扰动带来的模型误差对车辆路径跟踪精度存在影响。因此，本文从“横向稳定性分析”和“路径跟踪控制”两方面展开研究，具体内容包括： 首先，基于自组织特征映射（SOFM）神经网络和K-Means聚类算法建立了车辆横向稳定性状态辨识模型。通过构建能够充分反映车辆实时稳定性状态的样本数据库进行模型训练，实现对车辆稳定性状态的实时判别，该方法充分利用了车辆状态参数，与基于解析的方法相比，该方法通过样本数据完成模型的学习，直接建立车辆特征参数与稳定性状态之间的映射关系，对极限工况的适应性更强。 其次，基于上述稳定性辨识方法，进行了稳定性指标量化设计。该指标能够定量地描述车辆行驶过程中的稳定裕度，并方便地引入控制器设计中，来改善车辆在极限工况下的操纵稳定性。 接着，针对现有研究中模型预测路径跟踪控制器存在预测模型误差大的问题，提出了基于径向基（RBF）神经网络的模型误差辨识方案，能够对车辆模型线性化过程及外部扰动引入的模型误差进行辨识和补偿，从而获得更加精确的预测模型，有利于提高模型预测路径跟踪控制器的跟踪精度。 此外，为解决极限工况下路径跟踪控制器对环境适应性差以及车辆操纵稳定性恶化等问题，提出了基于RBF神经网络的自适应模型预测路径跟踪控制算法，该算法能够将路径跟踪误差及车辆稳定性目标进行集中优化控制，使车辆在保证跟踪性能的同时，尽可能提高其操纵稳定性，有利于提升车辆的综合性能。 最后，在CarSimamp;Simulink联合仿真平台上对本文提出的基于RBF神经网络的自适应模型预测路径跟踪控制算法进行有效性验证，并通过硬件在环(HIL)测试对其可行性进行评估。结果表明，基于RBF神经网络的自适应模型预测路径跟踪控制算法不仅使车辆获得了良好的跟踪性能，而且改善了车辆的操纵稳定性，此外，算法对极限工况具有良好的鲁棒性和自适应性。 |
| 作者： | 姚鑫鑫 |
| 专业： | 车辆工程 |
| 导师： | 谷先广;吕晓江 |
| 授予学位： | 硕士 |
| 授予学位单位： | 合肥工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
