智能汽车多模式驾驶仿真平台设计

为了给智能汽车多模式驾驶中汽车的安全性、人—车辆—环境系统的交互性以及驾驶员心理和行为的复杂性等研究提供平台,从操纵装置设计和操纵信号采集设计两个方面开发了平台的硬件环境,结合平台操纵装置,给出了自动驾驶装置和电气控制回路设计,并根据现有智能汽车驾驶模式的切换方法,提出了基于阈值的驾驶模式切换方法,完成了智能汽车多模式驾驶仿真平台的搭建。最后通过实验,验证了驾驶模式切换系统和自动驾驶路径运动控制系统的可靠性。     

基于模型预测的插秧机路径跟踪控制算法

为了提高自动驾驶插秧机路径跟踪更高频的控制,本文提出一种基于模型预测的路径跟踪控制方法。以模型预测算法为基础设计自动驾驶控制器,通过简化农机车辆模型、线性化运动学方程、制定约束量,实现以当前状态量p=(x,y,θ)预测下一时刻的车辆状态,控制自动驾驶插秧机沿参考路径行走。通过在Matlab中建立仿真模型验证控制器的可行性,结果表明：直线路径跟踪横向偏差小于0.02m,航向偏差小于0.08°,曲线路径横向偏差平均值为0.022m、航向偏差平均值为0.699°,可用于实车试验。另外,以水稻插秧机为试验平台,通过设置不同车速验证算法的鲁棒性,直线路径跟踪平均横向、航向偏差分别为0.021m、6.187°,曲线路径跟踪平均横向、航向偏差分别为0.450m、10.107°,可满足自动驾驶插秧机路径跟踪精度及实时性需求,为农机路径跟踪控制研究提供了参考。     

基于滑模变结构的农机路径跟踪控制算法研究

为提高农机路径跟踪时的精确性，提出了一种基于滑模变结构的路径跟踪控制算法，并运用滑模变结构算法设计了自动驾驶控制器，通过简化农机车辆模型与线性化二自由度模型，求解出滑模变结构控制器的控制规律。通过在Simulink与CarSim中建立联合仿真模型验证控制器的可行性，结果表明：基于滑模变结构的农机路径跟踪控制算法的车辆作业转弯时横向偏差可控制在0.45m之内，实际行走路径与预设路径基本吻合，较加入预瞄模块的PID控制算法控制精度得到提高，满足自动驾驶农机路径跟踪精度及实时性的需求，可为农机路径跟踪控制的研究提供参考。     

不同车速下自适应变化的路径跟踪控制研究

路径跟踪是自动驾驶汽车的核心技术,许多控制算法已被广泛应用于路径跟踪任务。为了提高路径跟踪在不同速度下的自适应能力,提出了一种结合预测轨迹和模糊控制的自适应Stanley路径跟踪控制器。参考人类驾驶员经验,模糊控制器根据车辆的横纵向速度实时调整预瞄距离,预测轨迹根据纵向速度实时调整预测时间进行提前控制。最后设计了自适应邻域的粒子群算法来对控制器参数进行优化。通过Simulink-CarSim的联合仿真验证,证明自适应Stanley控制器可以显著提高对不同速度的适应性和跟踪性能。     

基于MPC的插秧机路径跟踪控制算法研究

针对国内自动驾驶插秧机路径跟踪精度不高的现象，提出一种基于线性时变模型预测控制的路径跟踪方法。将建立的非线性插秧机运动学模型进行线性化和离散化处理，并基于此模型进行模型预测路径跟踪控制；建立以控制增量为状态量的目标函数；考虑系统控制量和控制增量的约束条件，将目标函数求解转为带约束的二次规划问题；采用内点法进行求解，将所得控制序列第一个元素作用于系统，并且不断重复以上过程实现最优控制。在MATLAB/Simulink环境下，搭建上述模型预测控制器系统仿真，并与路径跟踪效果良好的Stanley控制算法对比，结果表明，上述模型预测控制器优于Stanley控制算法。采用卫星信号接收机、电动方向盘和转角传感器，改造井关PZ60型插秧机，搭建插秧机自动驾驶试验平台，进行田间试验，试验结果表明，基于线性时变模型预测控制器能够使自动驾驶插秧机车速1 m/s时，有效进行路径跟踪，直线段跟踪误差最大2.02 cm，满足插秧机自动驾驶路径跟踪精度要求。     

车辆稳定性控制的虚拟实验

基于虚拟驾驶实验平台开发了车辆稳定性控制器.构建了由实车、虚拟场景、车辆动力学模型等组成的虚拟驾驶实验平台.用神经网络估计模型对车辆动力学系统进行了辨识,通过调整神经网络对象模型设计了神经自校正控制器,该控制器通过产生横摆力矩迫使车辆横摆角速度跟踪理想响应.在虚拟驾驶实验平台上研究了施加控制后车辆的响应及其与驾驶员的交互,对车辆在紧急避障操纵时的响应进行了虚拟仿真实验,验证了车辆稳定性控制器的有效性.     

基于滑模控制的自动泊车系统路径跟踪研究

现有的自动泊车系统研究,由于忽略实际车辆转向约束和初始位姿条件而影响实际车辆跟踪参考路径效果,本文提出基于B样条曲线的路径规划算法和基于趋近律的非时间参考终端滑模路径跟踪控制算法。首先,对车辆的运动过程进行研究,建立车辆的运动学模型。其次,基于B样条曲线理论建立非线性约束平行泊车路径优化函数,并分析车辆运动学约束条件。然后,结合非时间参考路径跟踪控制和终端滑模控制方法,提出基于趋近律的非时间参考终端滑模路径跟踪控制方法。最后,通过Simulink和Car Sim联合仿真,验证了规划路径的合理性以及路径跟踪控制器的效果。     

基于自适应导航参数的智能车辆视觉导航

为提高导航路径识别的鲁棒性和实时性,采用了分区阈值二值化、噪声点搜索及滤波等图像处理方法,并对导航路径进行分区逐段识别;在路径跟踪方面,在获取的导航路径图像中选取远端路径和近端路径,以远端路径和近端路径的方位偏差量作为确定目标路径的依据,使提取的导航参数能适应导航路径的变化。根据四轮智能车辆模型进行路径跟踪仿真计算。在此基础上,采用两块数字信号处理器,对基于路径导航的视觉智能车辆进行了设计和试验验证。试验结果表明采用该方法设计的智能车辆具有较好的路径识别和跟踪控制效果。     

基于神经网络的无人驾驶车辆转向控制研究

为了提高无人驾驶车辆进行路径跟踪时转向的准确性,基于神经网络控制理论,利用ADAMS/Car与MATLAB/Simulink进行无人驾驶车辆转向控制联合仿真。利用ADAMS/Car模块建立整车模型,进行规定路径下的跟踪实验并收集路径、车速、前轮转角等信息,以作为神经网络的训练样本。利用MATLAB对训练样本进行训练,并在Simulink中建立神经网络控制器。最后利用ADAMS/Control模块连接ADAMS/Car与MATLAB/Simulink,实现无人驾驶车辆路径跟踪时转向控制的联合仿真。仿真分析结果表明:所建立的神经网络转向控制器能够对路径进行良好的跟踪且具有良好的鲁棒性;同时验证了联合仿真的可行性与优越性,为智能车辆的整车开发提供了思路。     

汽车驾驶机器人驾驶性能评价半实物仿真平台

为了克服汽车驾驶机器人在实际车辆上调试存在的危险以及快速获得试验车辆的性能,设计了汽车驾驶机器人驾驶性能评价半实物仿真平台,可以借助这个平台对驾驶机器人驾驶车辆的品质进行性能评价.该平台中实际车辆由汽车纵向动力学数学模型代替,它可以模拟实际车辆的工作状态,输入信号为通过传感器测得的驾驶机器人油门机械腿、制动器机械腿、离合器机械腿和换挡机械手的位移,输出信号为经模型计算得到的发动机转速和车速,驾驶机器人不用做任何改动就可在该平台上进行驾驶操作.仿真和实车试验结果验证了该平台的有效性.     

无人驾驶铰接转向车辆路径跟踪控制研究综述

路径跟踪是无人驾驶技术的重要组成部分,是实现铰接转向车辆准确平稳自主行驶的关键,对提高铰接转向车辆在农业、林业、矿山及建筑等行业的作业效率和安全性具有重要意义。车辆模型构建、控制算法设计和算法验证评估是路径跟踪控制研究的基础,围绕这3方面阐述了铰接转向车辆路径跟踪控制研究的进展。首先回顾了铰接转向车辆的几何学模型、运动学模型和动力学模型,并讨论了各类模型在路径跟踪控制研究中的适用场景及局限性;在此基础上,阐述了铰接转向车辆路径跟踪控制算法的研究现状,对比并总结了每种算法的优缺点及适用范围,并进一步归纳了算法的验证与评估手段;最后展望了铰接转向车辆路径跟踪技术未来的研究重点及方向：考虑车辆动力学因素及模型参数动态时变特性的车辆建模研究;融合各类算法适应性并结合智能算法的多工况自适应控制算法设计;标准化、流程化的高保真仿真场景开发及集成准确性、稳定性、安全性等多性能的评估方法研究。     

基于滑模控制的半挂汽车倒车轨迹跟踪

针对半挂汽车自动倒车时的轨迹跟踪问题,建立了铰接式半挂汽车在极坐标系下的车辆非线性运动学模型。为简化求解过程,以半挂车期望路径的弧长作为新的时间量标,通过准确线性变换方法对建立的系统模型进行线性化,设计了滑模变结构控制器。为保证半挂车快速趋近期望路径同时削弱抖振,采用指数趋近律的方法和准滑动模态控制,采用极点配置法选取控制参数,最后对曲线轨迹的倒车路线跟踪控制进行了仿真分析。仿真结果表明,设计的反馈控制器能改善半挂汽车对行驶路径的跟踪能力,使偏离的挂车快速返回到期望的稳态轨迹上。      

区域交通智能车辆导航控制技术

通过系统辨识实验得到车辆转向系统动态特性方程，结合车辆预瞄运动学模型和二自由度转向动力学模型建立基于视觉预瞄的转向动力学控制数学模型，根据线性二次型最优控制理论设计的最优控制器能稳定跟踪直线路径。采用模糊控制快速跟踪弧线导航路径，结合车辆转向系统当前状态和最快动态响应能力建立车辆弧线跟踪时的变结构控制输出集。针对JLUIV-V型区域交通智能车辆部分状态变量的不可测性，根据Kalman滤波理论构造状态观测器。仿真和试验结果表明：该控制技术在区域交通智能车辆户外路径跟踪过程中平稳、可靠。     

基于可拓控制的无人驾驶车辆路径跟踪研究

为了提高无人驾驶车辆路径跟踪的精确性和稳定性,基于可拓控制原理设计了2种控制策略可切换的路径跟踪控制器。其中,初始偏差较大和低速时采用滑模控制策略,在充分保证跟踪精度时提高跟踪的实时性,高速时则采用带有约束控制的模型预测控制策略以提高车辆行驶的稳定性。最后通过搭建CarSim与Simulink联合仿真平台,在目标路径为双移线工况下进行不同车速的仿真。结果表明,所设计的可拓控制器能有效提高无人驾驶车辆的路径跟踪精度和稳定性。     

基于深度强化学习的自主换道控制模型

为解决自动驾驶汽车快速安全换道问题,提出并改进了一种基于深度强化学习的自主换道控制模型。首先建立车辆动力学运动模型,其次使用深度确定性策略梯度（DDPG）算法更新模型,最后通过MATLAB/CarSim对学习到的控制策略进行联合仿真验证。为了使模型更真实可靠,提出将CarSim融入智能体的训练,同时为解决传统模型在换道后期控制效果不理想问题,提出一种基于采样时间的方向盘转角输出模型。结果表明：在60、80 km/h车速下,提出的模型从换道开始到稳定行驶的过程相比于改进前更平顺、快速,验证了模型能够实现一般车速下的自主换道控制,为车辆的自主换道研究提供一定的参考。     

NF-752型履带式拖拉机自动驾驶系统

为了提高自动驾驶系统对车身纵向速度和滑移工况等影响因素的自适应能力,提出了一种基于航向预估模型的路径跟踪控制算法。首先对NF-752型履带式拖拉机进行适应性改造,将其手动转向机构和无级变速机构改造为大扭矩舵机控制,通过绝对值编码器测量两侧履带转速,利用RTK-GNSS定位系统测量车辆地理位置和车身速度,结合车载计算机和底层控制器搭建了自动驾驶系统试验平台。然后以车身速度和两侧履带速度为状态变量,考虑履带滑移率建立了航向预估控制模型,进而提出了一种基于航向预估模型的路径跟踪控制方法。最后在沥青路面分别以低速（1 km/h）、中速（5 km/h）和高速（9 km/h）进行了直线路径跟踪试验,结果显示,在不同作业速度条件下,路径跟踪误差无明显差异,最大跟踪误差为-2.00 cm,标准差为0.93 cm。进行了田间曲线路径跟踪试验,结果显示,当拖拉机以6 km/h速度跟踪曲线路径时,跟踪误差优于10 cm,在滑移区域无明显误差增大现象。试验表明,提出的航向预估控制方法对作业速度有较好的适应性,一定程度上克服了滑移现象对控制精度的影响,可满足履带拖拉机耕整地作业精度要求。      

区域交通智能车辆控制器优化设计和品质分析

为实现区域交通智能车辆(CyberCar)对目标路径的稳定跟踪,导航控制器设计是核心技术之一。首先建立基于视觉预瞄的车辆转向动力学控制数学模型,根据现代控制理论研究了最优导航控制器设计中加权矩阵、加权系数和预瞄距离的优化选取方法。仿真分析和试验结果表明,经过优化设计后的控制器对车辆模型中的不确定因素具有很好的品质特性,使区域交通智能车辆在户外自主导航中具有良好的跟踪性能。     

基于数字孪生的智能驾驶汽车整车在环测试系统研究

数字孪生（Digital Twins,DT）是借助实时仿真技术将真实物体映射到虚拟世界的系统,应用数字孪生技术可实现虚拟道路场景下真实智能汽车的自动驾驶测试。设计了一套基于数字孪生的智能驾驶汽车整车在环测试系统,并将其应用于AEB系统的开发验证。在数字孪生技术框架下结合仿真测试工具、V2X通信设备、真实测试车辆等功能单元,形成虚拟环境与真实环境相互映射的整车在环测试系统。基于虚幻引擎（Unreal Engine）4构建真实驾驶环境的镜像仿真场景,利用V2X通信技术将实车状态数据实时传输到虚拟AirSim车辆控制器,同时向被测车辆反馈仿真场景环境感知数据。考虑测试系统信号延时的影响,通过多种工况的整车在环测试对AEB控制算法进行优化改进。通过实车试验验证了基于数字孪生的智能汽车测试方法的有效性与优越性,结果表明该测试方法既保留了实车测试的真实性,也可以有效避免实车测试的危险性。     

基于改进人工势场法的路径规划决策一体化算法研究

车辆路径规划与决策算法是无人驾驶汽车的重要研究方向之一。现有的路径规划与路径跟踪决策算法中规划层与决策层存在时滞现象,往往会引起检测信息与真实行驶环境信息的偏差,使得规划的局部路径不能反映当前真实状态,是无人驾驶汽车安全行驶的不稳定因素。本文综合考虑了环境交通参与者与车辆自身运动学特征,建立了横纵向安全模型,对车辆目前行驶环境的风险特征进行了综合评估。在行驶环境特征与车辆动力学特征的基础上对传统人工势场法进行了改进,设计了基于虚拟力的局部路径规划与控制决策一体化算法,提升了算法在复杂动态环境下控制的可靠性。最后,利用Carsim/Simulink建立了联合仿真环境,分别对传统路径规划算法、路径跟踪算法与本文提出的路径决策规划一体化算法在典型工况下进行仿真。仿真结果表明,该算法能减小路径规划决策环节的时滞影响,为复杂动态环境下的无人驾驶车辆提供更加合理的控制方法。     

一种拖拉机自动驾驶神经网络自调整因子模糊控制方法的研究

主要论述拖拉机自动驾驶的驾驶原理,建立了拖拉机自动驾驶横向控制的力学模型,提出了自调整因子函数,设计了一种用于拖拉机自动驾驶的神经网络自调整因子模糊控制方法,用simulink对这种控制方法进行了仿真验证,结果表明,所提出的方法和规则用于拖拉机自动驾驶是可行的。