【摘要】：近年來,隨著計(jì)算機(jī)、互聯(lián)網(wǎng)、通信導(dǎo)航、自動(dòng)控制、人工智能、機(jī)器視覺、高精度地圖等高新技術(shù)與先進(jìn)汽車技術(shù)的快速融合,智能汽車(或無人駕駛汽車、自動(dòng)駕駛汽車)已經(jīng)成為世界汽車工程領(lǐng)域的研究熱點(diǎn)和汽車產(chǎn)業(yè)增長(zhǎng)的新動(dòng)力。然而,智能汽車的自動(dòng)駕駛控制技術(shù)要達(dá)到全工況范圍內(nèi)完全代替人類駕駛員而被消費(fèi)者所接受還面臨著很多困難。對(duì)于智能汽車而言,如果僅根據(jù)EPS(Electrical Power Steering,電動(dòng)助力轉(zhuǎn)向)的轉(zhuǎn)角信號(hào)來控制方向盤轉(zhuǎn)角,而不控制EPS電機(jī)的輸出轉(zhuǎn)矩,會(huì)出現(xiàn)方向盤抖動(dòng)現(xiàn)象。在方向盤大轉(zhuǎn)角回正過程中,如果不控制EPS電機(jī)的阻尼(反向轉(zhuǎn)矩),會(huì)導(dǎo)致方向盤回正過快而引起較大的車身橫擺角速度,使汽車轉(zhuǎn)向操縱品質(zhì)惡化,高速行駛時(shí)甚至出現(xiàn)操控失穩(wěn),危及行車安全性。因此,如何使智能汽車在自動(dòng)駕駛模式的轉(zhuǎn)向操控品質(zhì)盡量接近人類駕駛員的轉(zhuǎn)向操控,是智能汽車轉(zhuǎn)向控制系統(tǒng)研究領(lǐng)域中的一個(gè)重要課題。本文從熟練駕駛員實(shí)車道路行駛過程中轉(zhuǎn)向操縱參數(shù)采集與特性分析、熟練駕駛員行車軌跡非線性擬合、基于MPC(模型預(yù)測(cè)控制)的智能汽車駕駛員模型構(gòu)建、基于仿人智能理論的轉(zhuǎn)向控制策略以及基于新型EPS裝置的智能汽車仿人轉(zhuǎn)向控制試驗(yàn)臺(tái)架研制與試驗(yàn)驗(yàn)證等方面開展研究,主要工作如下:開展了熟練駕駛員實(shí)車道路轉(zhuǎn)向試驗(yàn)數(shù)據(jù)采集與分析。選擇5名熟練駕駛員在不同車型、車速和轉(zhuǎn)向工況下進(jìn)行實(shí)車道路轉(zhuǎn)向操縱試驗(yàn),采集了轉(zhuǎn)向特征參數(shù)和車輛動(dòng)力學(xué)參數(shù);設(shè)計(jì)了不同階數(shù)的巴特沃斯濾波器對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行濾波處理,通過坐標(biāo)變換將GPS/INS采集到的經(jīng)緯度信號(hào)轉(zhuǎn)換成地理坐標(biāo)系下的二維平面車輛行駛軌跡;通過分析不同轉(zhuǎn)向工況下影響車輛行駛軌跡的主要因素以及轉(zhuǎn)角、轉(zhuǎn)矩和轉(zhuǎn)角速度之間的關(guān)系,得到熟練駕駛員的轉(zhuǎn)向操縱特征規(guī)律;利用主成分分析法確定平均轉(zhuǎn)角和平均轉(zhuǎn)角速度作為駕駛員的轉(zhuǎn)向特征參數(shù),并根據(jù)不同的聚類分析方法對(duì)不同工況下的駕駛員轉(zhuǎn)向特性進(jìn)行分類研究,通過對(duì)比分析三種不同聚類方法(FCM,GK和GG)在駕駛員轉(zhuǎn)向特性分類上的優(yōu)缺點(diǎn),確定GG算法為最優(yōu)聚類算法,同時(shí)確定不同轉(zhuǎn)向工況下駕駛員轉(zhuǎn)向特性的聚類中心;根據(jù)聚類中心獲得熟練駕駛員轉(zhuǎn)向特征參數(shù)的閾值,為仿人智能控制律的設(shè)計(jì)奠定基礎(chǔ)。研究了熟練駕駛員行車軌跡的非線性擬合方法。對(duì)右轉(zhuǎn)、掉頭、車道保持和換道等四種典型轉(zhuǎn)向工況進(jìn)行了分段多項(xiàng)式表達(dá)和求解;針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法(如BPNN)需要人為設(shè)置大量的網(wǎng)絡(luò)訓(xùn)練參數(shù)、并且容易陷入局部最優(yōu)解的不足,利用極限學(xué)習(xí)機(jī)(ELM)的學(xué)習(xí)速度快、泛化性能好的優(yōu)點(diǎn),提出了基于ELM的熟練駕駛員行車軌跡的非線性擬合方法;利用卡爾曼濾波(KF)算法對(duì)ELM的輸出權(quán)重進(jìn)行實(shí)時(shí)更新,解決了ELM在多重共線性情況下學(xué)習(xí)精度不高的問題,對(duì)ELM輸出權(quán)重矩陣進(jìn)行濾波處理并優(yōu)化了ELM算法;分別利用KFELM、ELM和BPNN對(duì)不同工況下的熟練駕駛員的行車軌跡進(jìn)行非線性擬合試驗(yàn),結(jié)果表明,KFELM的訓(xùn)練精度和測(cè)試精度明顯優(yōu)于ELM和BPNN,同時(shí)KFELM的學(xué)習(xí)速度也優(yōu)于ELM和BPNN。利用MPC算法在每個(gè)采樣時(shí)刻可預(yù)測(cè)系統(tǒng)未來狀態(tài)并進(jìn)行滾動(dòng)優(yōu)化的特點(diǎn),搭建了基于MPC的駕駛員模型;根據(jù)車輛運(yùn)動(dòng)學(xué)模型快速平穩(wěn)地跟蹤熟練駕駛員行車軌跡的要求,確定了駕駛員模型的目標(biāo)函數(shù)和相應(yīng)的約束條件;通過仿真分析,將本文提出的基于MPC的駕駛員模型與傳統(tǒng)單點(diǎn)預(yù)瞄駕駛員模型和基于β-樣條曲線的路徑跟蹤方法進(jìn)行對(duì)比分析。結(jié)果表明,在四種典型轉(zhuǎn)向工況下,基于MPC的駕駛員模型可以較精確地跟蹤熟練駕駛員的參考行車軌跡,跟蹤效果優(yōu)于兩種傳統(tǒng)方法。研究并建立了基于動(dòng)覺圖式的仿人智能控制器設(shè)計(jì)方法,提出了采用雙轉(zhuǎn)矩/轉(zhuǎn)角傳感器的智能汽車新型EPS轉(zhuǎn)向系統(tǒng),建立了新型EPS轉(zhuǎn)向系統(tǒng)動(dòng)力學(xué)模型,分析了轉(zhuǎn)向阻力矩與轉(zhuǎn)角和車速的關(guān)系;建立了基于動(dòng)覺圖式的仿人智能控制律,對(duì)EPS轉(zhuǎn)角和轉(zhuǎn)矩進(jìn)行分段控制;構(gòu)建基了MTLAB/Simulink的智能汽車仿人轉(zhuǎn)向控制模型,搭建了基于Carsim/Simulink的聯(lián)合仿真試驗(yàn)平臺(tái),仿真結(jié)果表明,仿人轉(zhuǎn)向控制算法在轉(zhuǎn)向特征參數(shù)的跟蹤效果和乘員舒適性方面均優(yōu)于傳統(tǒng)PID控制。研制了基于磁粉制動(dòng)器的轉(zhuǎn)向阻力矩模擬裝置和智能汽車新型EPS轉(zhuǎn)向系統(tǒng)試驗(yàn)臺(tái),利用dSPACE快速原型控制器實(shí)現(xiàn)仿人智能控制律,并搭建了仿人轉(zhuǎn)向控制系統(tǒng)試驗(yàn)臺(tái)架,進(jìn)行了新型EPS轉(zhuǎn)向系統(tǒng)控制性能試驗(yàn)。試驗(yàn)結(jié)果表明,方向盤轉(zhuǎn)角、轉(zhuǎn)矩可以較好地跟蹤熟練駕駛員的實(shí)車轉(zhuǎn)向試驗(yàn)的轉(zhuǎn)角、轉(zhuǎn)矩變化曲線,在車道保持工況的最大轉(zhuǎn)角偏差小于2deg、最大轉(zhuǎn)矩偏差小于1Nm,驗(yàn)證了本文研究的仿人轉(zhuǎn)向控制技術(shù)的有效性。
【學(xué)位授予單位】：江蘇大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：U463.4
【圖文】：

圖 1.1 智能汽車自動(dòng)駕駛技術(shù)原理示意圖Fig.1.1 The principle of intelligent vehicle driving technology智能汽車技術(shù)的發(fā)展必將經(jīng)歷從部分駕駛功能自主化到完全自主駕駛，從高速公路等簡(jiǎn)單環(huán)境自動(dòng)駕駛到各種道路自動(dòng)駕駛的不斷前進(jìn)的歷程。德國(guó)大陸集團(tuán)推出的智能汽車計(jì)劃分為三步：在 2016 年之前實(shí)現(xiàn)汽車在人類監(jiān)控狀態(tài)下的部分自動(dòng)駕駛功能，車速上限為 30km/h，如果出現(xiàn)緊急情況，駕駛員準(zhǔn)備隨時(shí)接管控制權(quán)；在 2020 年之前實(shí)現(xiàn)無需監(jiān)控的自動(dòng)駕駛，但是駕駛員仍然需要準(zhǔn)備隨時(shí)接管控制權(quán)；在 2025 年前實(shí)現(xiàn)無需監(jiān)控的自動(dòng)駕駛，同時(shí)駕駛員也無需接管。2015 年底美國(guó)加州公布的自動(dòng)駕駛汽車在城市中行駛管理草案，對(duì)智能汽車的轉(zhuǎn)向系統(tǒng)提出了明確的要求：必須兼容自動(dòng)轉(zhuǎn)向和人工轉(zhuǎn)向雙重操控模式圖 1.2 為美國(guó)汽車工程師學(xué)會(huì)（SAE）對(duì)于智能汽車發(fā)展階段的分級(jí)情況，當(dāng)前所處的發(fā)展階段為有條件自動(dòng)駕駛階段，駕駛主體為機(jī)器駕駛，但駕駛員始終保持監(jiān)控干預(yù)狀態(tài)。顯然，智能汽車的自動(dòng)駕駛控制技術(shù)要達(dá)到全工況范圍內(nèi)完全

圖 1.2 智能汽車分級(jí)標(biāo)準(zhǔn)Fig.1.2 Intelligent vehicle grading standards完全自主的無人化駕駛是智能汽車技術(shù)研究的目標(biāo)，感知和決策控制是駕駛技術(shù)的重要組成部分，其中感知包含了傳感器多源融合、信號(hào)分析車聯(lián)網(wǎng)通訊和機(jī)器學(xué)習(xí)等眾多領(lǐng)域的技術(shù)，以實(shí)現(xiàn)車輛狀態(tài)的準(zhǔn)確辨識(shí)制是利用智能控制算法對(duì)車輛的實(shí)時(shí)運(yùn)動(dòng)進(jìn)行精確操控。無人化駕駛的是機(jī)器，其動(dòng)作頻率和反應(yīng)速度明顯是優(yōu)于人類駕駛員的，因此根據(jù)感取外界信息之后可以快速完成對(duì)車輛的操控，這可以有效避免碰撞事件同時(shí)，預(yù)測(cè)機(jī)器的下一步行動(dòng)更容易實(shí)現(xiàn)，因此更加容易控制智能車輛車輛行駛安全性也就隨之得到一定程度上的提升。本文研究課題來自于國(guó)家自然科學(xué)基金項(xiàng)目“基于 MAS 模型的智能汽向操縱機(jī)理與協(xié)調(diào)控制”（項(xiàng)目編號(hào)：51675235）以及國(guó)家自然科學(xué)汽金項(xiàng)目“智能汽車多狀態(tài)系統(tǒng)動(dòng)力學(xué)行為建模與協(xié)同控制研究”（項(xiàng)目

圖 1.3 基于磁傳感的自動(dòng)駕駛車輛Fig.1.3 Autonomous vehicles based on magnetic sensi球首臺(tái)自主引導(dǎo)車輛于在美國(guó)南卡羅來納行，智能汽車由此誕生[17]。1995 年起，美 無人駕駛試驗(yàn)車。2007 年研制的 Boss 智能車，如圖 1.4 所示。2005 年，斯坦福大學(xué)研制PA 沙漠挑戰(zhàn)賽全程障礙賽的冠軍。

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 白艷;賈鑫;;最優(yōu)預(yù)瞄加速度駕駛員模型參數(shù)試驗(yàn)辨識(shí)方法研究[J];汽車工程;2015年07期

2 郭景華;羅禹貢;李克強(qiáng);;智能車輛運(yùn)動(dòng)控制系統(tǒng)協(xié)同設(shè)計(jì)[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年07期

3 李杰;齊曉慧;劉新海;湯子鑫;韓帥濤;;改進(jìn)模型參考自適應(yīng)控制及其在解耦控制中的應(yīng)用[J];電機(jī)與控制學(xué)報(bào);2015年05期

4 朱曼曼;杜煜;;基于智能車的決策系統(tǒng)關(guān)鍵技術(shù)的綜述[J];北京聯(lián)合大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年01期

5 趙韓;吳迪;;基于隨機(jī)模型預(yù)測(cè)控制的并聯(lián)式混合動(dòng)力汽車控制策略研究[J];汽車工程;2014年11期

6 羅莉華;;基于MPC的車道保持系統(tǒng)轉(zhuǎn)向控制策略[J];上海交通大學(xué)學(xué)報(bào);2014年07期

7 陳濤;李曉旭;孫林;魏朗;;智能車輛設(shè)計(jì)中駕駛員模型回顧與展望[J];汽車技術(shù);2014年06期

8 楊帆;;無人駕駛汽車的發(fā)展現(xiàn)狀和展望[J];上海汽車;2014年03期

9 孫揚(yáng);熊光明;陳慧巖;;基于Fuzzy-EAHP的無人駕駛車輛智能行為評(píng)價(jià)[J];汽車工程;2014年01期

10 蔡興泉;陳開望;孫立梅;李鳳霞;;基于轉(zhuǎn)向阻力矩的方向盤交互技術(shù)研究[J];系統(tǒng)仿真學(xué)報(bào);2013年10期

相關(guān)博士學(xué)位論文 前3條

1 李克寧;基于模型預(yù)測(cè)的車輛底盤包絡(luò)控制研究[D];上海交通大學(xué);2015年

2 張衛(wèi)忠;基于仿人智能控制的無人地面車輛自動(dòng)駕駛系統(tǒng)研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2014年

3 趙盼;城市環(huán)境下無人駕駛車輛運(yùn)動(dòng)控制方法的研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2012年

相關(guān)碩士學(xué)位論文 前4條

1 胡樂樂;地面無人機(jī)動(dòng)平臺(tái)的轉(zhuǎn)向系統(tǒng)設(shè)計(jì)與關(guān)鍵技術(shù)的研究[D];南京理工大學(xué);2014年

2 張斌;基于dSPACE的多電機(jī)系統(tǒng)反步控制[D];北京信息科技大學(xué);2013年

3 趙玉霞;基于轉(zhuǎn)向阻力矩的汽車轉(zhuǎn)向特性研究[D];重慶理工大學(xué);2013年

4 楊孝劍;汽車電動(dòng)助力轉(zhuǎn)向系統(tǒng)的動(dòng)力學(xué)分析與控制研究[D];合肥工業(yè)大學(xué);2003年

本文編號(hào)：2774335