一种具有非对称执行器饱和的智能无人车编队控制方法技术

本发明专利技术涉及智能无人车编队控制技术领域，具体涉及一种具有非对称执行器饱和的智能无人车编队控制方法，包括以下步骤：将智能无人车分为领队车和带有非对称执行器饱和的跟随车；建立领队车的纵向动力学模型以及跟随车的纵向动力学模型；定义跟随车和前车之间的间距误差，并建立以间距误差为控制变量的比例积分微分滑模函数和耦合滑模函数；采用神经网络逼近跟随车的纵向动力学模型中的非线性动态函数；引入估计误差，并结合比例积分微分滑模函数和耦合滑模函数，设计每辆跟随车的自适应更新律和控制器；通过设计的控制器控制带有非对称执行器饱和的跟随车的运行，从而有效补偿了非对称执行器饱和、外部干扰以及模型不确定性的负面影响。的负面影响。的负面影响。

【技术实现步骤摘要】
一种具有非对称执行器饱和的智能无人车编队控制方法


[0001]本专利技术涉及智能无人车编队控制
，具体涉及一种具有非对称执行器饱和的智能无人车编队控制方法。

技术介绍

[0002]随着汽车数量的不断增长，我国道路交通系统面临着环境污染、交通堵塞、交通事故、能源危机等社会问题。为了解决上述问题，集人工智能、信息通信以及智能控制等多种高新技术为一体的智能交通系统应运而生。智能无人车作为智能交通系统的重要组成部分，成为了国内外学者的重点研究对象并取得了丰富的研究成果，主要包括车辆的编队控制、道路识别与目标跟踪、目标检测与识别、车辆换道与汇入等。其中，智能无人车编队控制由于具有提高交通密度、增加交通容量、缓解交通堵塞以及降低能源消耗和尾气排放等优点，逐渐成为智能交通系统的研究重点。
[0003]智能无人车编队控制分为纵向编队控制和横向编队控制，目前大多数学者研究的是纵向编队控制，本专利技术也主要研究纵向编队控制。队列稳定性是智能无人车纵向编队控制的一个重要特性，它要求队列中相邻车辆之间的间距误差在向后传播过程中不被放大。然而在实际系统中，外部干扰以及模型不确定性都会对队列稳定性造成很大影响，并且随着车辆数目的增加，系统受到的不确定因素就会变得更加复杂。另一方面，由于执行器的物理限制和出于乘客安全的考虑，执行器饱和是不可避免的。执行器饱和往往会降低系统的动态性能，严重时会导致系统不稳定。例如，在控制系统中，如果控制器的输出信号迅速增加到执行器的饱和限制，但系统的需求输出仍然需要更大的值，那么系统将无法满足需求，从而可能导致动态性能下降或偏差。
[0004]为了解决执行器饱和、外部干扰及模型不确定性的负面影响，国内不少学者给出了研究成果，其中，吴利刚等学者(吴利刚，周倩.时变延时及执行器饱和的自主车队控制[J].控制工程，2018，25(03):442
‑
447)提出了一种具有时变延时及执行器饱和的自主车队控制。申浩阳等学者(申浩阳，岳伟.具有执行器故障与饱和的自主车队耦合滑模控制[J/OL].控制工程:1
‑
8.DOI:10.14107/j.cnki.kzgc.20210677)提出了一种具有执行器故障与饱和的自主车队耦合滑模控制方法。高振宇等学者(高振宇，安会爽，郭戈.具有执行器饱和的异构CACC系统的自适应最优控制方法，申请号:202110658769.2)提出了一种具有执行器饱和的异构CACC系统的自适应最优控制方法。但是上述研究成果是通过反馈线性化将非线性模型进行近似线性化处理，进而利用线性控制理论实现系统的分析和控制器设计。值得指出的是，反馈线性化要求具有精确的动力学模型，然而由于车辆动力学特性的复杂性，外加空气阻力、路况等不确定因素，致使实际系统中难以获得足够精确的车辆动力学模型。另外，上述研究成果考虑的都是对称执行器饱和结构，然而在实际系统中可能存在非对称执行器饱和结构，这无疑限制了实际应用。因此，如何通过控制器设计来减轻非对称执行器饱和、外部干扰以及模型不确定性的负面影响是一个具有理论和工程双重价值的挑战性难题。

技术实现思路

[0005]针对以上存在的技术问题，本专利技术提出了一种具有非对称执行器饱和的智能无人车编队控制方法，旨在通过控制器设计来减轻非对称执行器饱和、外部干扰以及模型不确定性的负面影响。
[0006]本专利技术采用如下技术方案：一种具有非对称执行器饱和的智能无人车编队控制方法，包括以下步骤：
[0007]步骤S1，将智能无人车分为领队车和带有非对称执行器饱和的跟随车；
[0008]步骤S2，建立所述领队车的纵向动力学模型以及跟随车的纵向动力学模型，所述跟随车的纵向动力学模型包括非对称执行器饱和、外部干扰以及关于模型不确定性的非线性动态函数；
[0009]步骤S3，定义跟随车和前车之间的间距误差，并建立以间距误差为控制变量的比例积分微分滑模函数和耦合滑模函数；
[0010]步骤S4，采用神经网络逼近跟随车的纵向动力学模型中的非线性动态函数；
[0011]步骤S5，引入估计误差，并结合比例积分微分滑模函数和耦合滑模函数，设计每辆跟随车的自适应更新律和控制器，所述自适应更新律用于在线估计神经网络权重、逼近误差和跟随车纵向动力学模型中的外部干扰以及饱和输入误差；
[0012]步骤S6，通过设计的所述控制器控制带有非对称执行器饱和的跟随车的运行。
[0013]本专利技术的技术构思为：首先，考虑到实际智能无人车系统中可能存在非对称执行器饱和结构，建立领队车的纵向动力学模型以及带有非对称执行器饱和、外部干扰和模型不确定性的跟随车的三阶纵向动力学模型；其次，定义跟随车和前车之间的间距误差，考虑到滑模控制可以将控制变量带到滑模面并使之保持在滑模面上，具有快速响应、鲁棒性强等优点，建立以间距误差为控制变量的比例积分微分滑模函数和耦合滑模函数；接着，由于路况的多样性和复杂性，机械阻力和空气阻力在实际系统中是无法准确测量的，因此关于模型不确定性的非线性动态函数是未知的，则利用神经网络逼近非线性动态函数，并采用自适应更新律在线估计神经网络权重、逼近误差和跟随车纵向动力学模型中的外部干扰以及饱和输入误差，设计出每辆跟随车的自适应更新律和控制器；最后，通过设计的控制器来控制带有非对称执行器饱和的跟随车的运行，以减轻非对称执行器饱和、外部干扰以及模型不确定性的负面影响。
[0014]本专利技术通过建立领队车的纵向动力学模型以及带有非对称执行器饱和、外部干扰和模型不确定性的跟随车的三阶纵向动力学模型，充分考虑到实际智能无人车系统中可能存在的非对称执行器饱和结构、车辆动力学特性的复杂性以及空气阻力等不确定因素，并采用滑模函数、神经网络以及自适应更新律在线估计方法等非线性方法代替现有技术采用的反馈线性化方法进行三阶纵向动力学模型中的非线性动态函数的处理以及控制器的设计，再通过设计的控制器来控制带有非对称执行器饱和的跟随车的运行，在保证队列稳定性的同时有效补偿了非对称执行器饱和、外部干扰以及模型不确定性对智能无人车系统的负面影响，更加符合实际应用，具有更广的适用范围，提升了智能无人车系统的实际应用价值。
[0015]作为优选，所述智能无人车编队的驾驶系统由N+1辆智能无人车组成，对所述智能无人车从前到后进行0
‑
N编号，其中，第0辆车是领队车，其余N辆车是跟随车，所述智能无人
车均采用领队车
‑
前车跟随式通讯拓扑结构获取领队车和前车的运动信息。
[0016]作为优选，步骤S2中，建立所述领队车的纵向动力学模型的方法包括：
[0017][0018][0019]其中，x0表示领队车的位置，v0表示领队车的速度，a0表示领队车的加速度，表示x0的一阶导数，表示v0的一阶导数。
[0020]作为优选，步骤S2中，建立跟随车的纵向动力学模型的方法包括：
[0021][0022][0023][0024][0025]其中，i表示跟随车的编号，i∈[1，N]，N表示跟随车的总数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种具有非对称执行器饱和的智能无人车编队控制方法，其特征在于，包括以下步骤：步骤S1，将智能无人车分为领队车和带有非对称执行器饱和的跟随车；步骤S2，建立所述领队车的纵向动力学模型以及跟随车的纵向动力学模型，所述跟随车的纵向动力学模型包括非对称执行器饱和、外部干扰以及关于模型不确定性的非线性动态函数；步骤S3，定义跟随车和前车之间的间距误差，并建立以间距误差为控制变量的比例积分微分滑模函数和耦合滑模函数；步骤S4，采用神经网络逼近跟随车的纵向动力学模型中的非线性动态函数；步骤S5，引入估计误差，并结合比例积分微分滑模函数和耦合滑模函数，设计每辆跟随车的自适应更新律和控制器，所述自适应更新律用于在线估计神经网络权重、逼近误差和跟随车纵向动力学模型中的外部干扰以及饱和输入误差；步骤S6，通过设计的所述控制器控制带有非对称执行器饱和的跟随车的运行。2.如权利要求1所述的一种具有非对称执行器饱和的智能无人车编队控制方法，其特征在于，所述智能无人车编队的驾驶系统由N+1辆智能无人车组成，对所述智能无人车从前到后进行0
‑
N编号，其中，第0辆车是领队车，其余N辆车是跟随车，所述智能无人车均采用领队车—前车跟随式通讯拓扑结构获取领队车和前车的运动信息。3.如权利要求1所述的一种具有非对称执行器饱和的智能无人车编队控制方法，其特征在于，步骤S2中，建立所述领队车的纵向动力学模型的方法包括：步骤S2中，建立所述领队车的纵向动力学模型的方法包括：其中，x0表示领队车的位置，v0表示领队车的速度，a0表示领队车的加速度，表示x0的一阶导数，表示v0的一阶导数。4.如权利要求1所述的一种具有非对称执行器饱和的智能无人车编队控制方法，其特征在于，步骤S2中，建立跟随车的纵向动力学模型的方法包括：步骤S2中，建立跟随车的纵向动力学模型的方法包括：步骤S2中，建立跟随车的纵向动力学模型的方法包括：步骤S2中，建立跟随车的纵向动力学模型的方法包括：其中，i表示跟随车的编号，i∈[1,N],N表示跟随车的总数，x
i
表示跟随车的位置，v
i
表示跟随车的速度，a
i
表示跟随车的加速度，表示x
i
的一阶导数，表示v
i
的一阶导数，表示a
i
的一阶导数，sat(u
i
)表示第i辆跟随车发动机的非对称饱和输入，τ
i
表示第i辆跟随车的发动机时间常数，w
i
表示第i辆跟随车的外部干扰，f
i
(v
i
,a
i
)表示跟随车的非线性动态函
数，表示空气阻力，r表示空气质量密度，m
i
表示第i辆跟随车的质量，A
i
表示第i辆跟随车的横截面积，C
di
表示第i辆跟随车的阻力系数，d
mi
表示第i辆跟随车的机械阻力。5.如权利要求1所述的一种具有非对称执行器饱和的智能无人车编队控制方法，其特征在于，步骤S3中，定义跟随车和前车之间的间距误差，并建立以间距误差为控制变量的比例积分微分滑模函数和耦合滑模函数的方法包括：定义跟随车和前车之间的间距误差的表达式为：δ
i
＝E
i
‑
Γ
ii
其中，i表示跟随车的编号，δ
i
表示跟随车和前车之间的间距误差，Γ
i
表示间距误差的指数项，x
i
表示跟随车的位置，L
i
表示第i辆跟随车的长度，Δ
i
‑
1,i
表示第i辆跟随车与第i
‑
1辆跟随车之间的安全距离，h表示控制系统的延迟时间，v
i
表示跟随车的速度，σ表示安全系数，A
m
表示最大可能的减速度的绝对值，E
i
(0)表示t＝0时的初始间距误差，π
i
表示预设正常数，表示E
i
(0)的一阶导数，t表示智能无人车的行驶时间戳，表示E
i
(0)的二阶导数；则以间距误差为控制变量建立的比例积分微分滑模函数s
i
的表达式为：其中，K
p
表示预设比例系数，K
i
表示预设积分系数，K
d
表示预设微分系数，τ表示跟随车的发动机时间常数，表示δ
i
的一阶导数；则建立的耦合滑模函数S
i
的表达式为：其中,λ表示误差传递值，N表示跟随车的总数。6.如权利要求1所述的一种具有非对称执行器饱和的智能无人车编队控制方法，其特征在于，步骤S4中，采用神经网络逼近跟随车的纵向动力学模型中的非线性动态函数的方法包...

【专利技术属性】
技术研发人员：蔡晓晰，李平，周明政，徐子潇，丁钢波，矫健，
申请(专利权)人：中国电子科技集团公司第五十二研究所，
类型：发明
国别省市：