[發明專利]基于模型動態重構的智能汽車解耦預測控制器及其控制方法

有效

• 申請號: 201910897708.4
• 申請日: 2019-09-23
• 公開（公告）號: CN110687907B
• 公開（公告）日: 2022-09-13
• 發明（設計）人: 蔡英鳳;滕成龍;陳龍;孫曉強;鄒凱;孫曉東;王海
• 申請（專利權）人: 江蘇大學
• 主分類號: G05D1/02
• 分類號: G05D1/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于模型動態重構的智能汽車解耦預測控制器，其特征在于，包括外部環境感知模塊，內部參數測量模塊，智能汽車原模型，智能汽車右逆模型一，智能汽車右逆模型二，右逆模型進化監督切換模塊，模型預測控制模塊；

所述外部環境感知模塊用于獲取汽車行駛的車道信息、交通標志、附近車輛、行人信息，并將信息傳送給模型預測轉向控制模塊；

所述內部參數測量模塊用于獲取汽車行駛的橫向速度v、縱向速度u、前輪轉角δ、輪胎縱向滑移率λ信息，并將信息傳送給模型預測控制模塊；

所述智能汽車原模型是一個三自由度耦合非線性模型：所述智能汽車原模型的輸入變量為前輪轉角δ、輪胎縱向滑移率λ，控制變量為橫向速度v、縱向速度u、橫擺角速度ω_r，輸出變量為橫向速度v、縱向速度u；

所述智能汽車右逆模型一和右逆模型二在右逆模型進化監督切換模塊的作用下，交替執行學習進化和模型重構控制功能，當其中一個用于控制過程中的模型重構，另外一個進行學習進化；

所述智能汽車右逆模型一是由人工神經網絡ANN1加積分器s^-1構造而成，所述人工神經網絡ANN1包括四個輸入和二個輸出，所述人工神經網絡ANN1是根據智能汽車原模型運行過程中獲得的前輪轉角δ、輪胎縱向滑移率λ、橫向速度v、橫向速度一階導數縱向速度u、縱向速度一階導數的數據訓練構造而成，所述智能汽車右逆模型一的輸入變量為橫向速度v、橫向速度的一階導數據縱向速度u、縱向速度一階導數輸出變量為前輪轉角δ、輪胎縱向滑移率λ；

所述智能汽車右逆模型二是由人工神經網絡ANN2加積分器s^-1構造而成，所述人工神經網絡ANN2包括四個輸入和二個輸出，所述人工神經網絡ANN2是根據智能汽車原模型運行過程中獲得的前輪轉角δ、輪胎縱向滑移率λ、橫向速度v、橫向速度一階導數縱向速度u、縱向速度一階導數的數據訓練構造而成，所述智能汽車右逆模型二的輸入變量為橫向速度v、橫向速度的一階導數據縱向速度u、縱向速度一階導數輸出變量為前輪轉角δ、輪胎縱向滑移率λ；

所述右逆模型進化監督切換模塊，用于接收控制數據和學習進化數據，控制智能汽車右逆模型一和右逆模型二交替執行學習進化和模型重構控制功能，決定其中一個右逆模型用于控制過程中的模型重構，而另外一個右逆模型則進行學習進化；

所述右逆模型進化監督切換模塊將其中一個不執行學習進化功能的智能汽車右逆模型以串聯方式放置于智能汽車原模型的左側，智能汽車模型即重構為兩個解耦的規范一階傳遞函數子模型G(s)＝s^-1，分別為橫向速度子模型和縱向速度子模型，橫向速度子模型的輸入變量為智能汽車橫向速度的一階導數輸出變量為智能汽車的橫向速度v，縱向速度子模型的輸入變量為縱向速度一階導數輸出變量為智能汽車的縱向速度u；

所述模型預測控制模塊包括速度控制決策子模塊、橫向速度控制子模塊、縱向速度控制子模塊；所述速度控制決策子模塊用于根據外部環境感知模塊和內部參數測量模塊發送過來的汽車運行參數，給出控制決策結果，向橫向速度控制子模塊發出控制參數的橫向速度給定值v^*(k)，向縱向速度控制子模塊發出控制參數的縱向速度給定值u^*(k)；

所述橫向速度控制子模塊是根據重構后的新模型進行設計，包括設計預測方程、約束條件、目標函數，所述預測方程是將重構后的橫向速度子模型進行離散化，經過設計預測時域N_p1、控制時域N_c1和采樣時間T₁后得到，所述約束條件包括前輪轉角δ約束和橫擺角速度ω_r約束，所述目標函數包括橫向速度偏差e_v(k)信息、控制輸入信息和偏差修正系數h_v；

所述縱向速度控制子模塊是根據重構后的新模型進行設計，包括設計預測方程、約束條件、目標函數，所述預測方程是將重構后的縱向速度子模型進行離散化，經過設計預測時域N_p2、控制時域N_c2和采樣時間T₂后得到，所述約束條件包括輪胎縱向滑移率λ約束和縱向速度u約束，所述目標函數包括縱向速度偏差e_u(k)信息、控制輸入信息和偏差修正系數h_u。