基于分层控制的混合动力车辆实时能量管理策略

针对混合动力车辆中多动力源协调控制困难、燃油经济性不佳的问题,提出了一种基于分层控制的实时能量管理策略。通过分析车辆混合动力系统的部件特性,对不同动力源进行了数学建模;采用小波滤波层将负载需求功率分频为高、低两个部分,并将高频功率分配给超级电容等功率型动力源,将低频功率作为模型预测控制层的参考输入,以燃油经济性、电池荷电状态和母线电压为优化目标,求解柴油发电机组和动力电池组等能量型动力源的功率指令,依托dSPACE和RTLAB硬件在环仿真平台对能量管理策略进行验证。结果表明：在复合城市排放循环测试工况下,所提出的分层能量管理策略比基于模糊规则的能量管理策略燃油经济性提升了13.05%,比基于单一模型预测控制的能量管理策略燃油经济性提升了5.79%;分层能量管理策略下,能量型动力源的目标功率变化更加平缓,功率型动力源介入工作更加频繁,证明了该能量管理策略在提升燃油经济性和发挥动力源特性方面的有效性。     

基于FL算法的燃料电池轻卡能量管理策略

能量管理策略是燃料电池轻卡动力需求与控制的重要组成部分.为了实现整车需求功率的合理分配，使各动力源工作在高效区间内，提出了基于模糊逻辑的能量管理策略.在实际运行工况条件下，通过Matlab/Simulink仿真软件建立车辆模型并设计模糊逻辑控制策略，最后用车辆模型进行仿真验证.结果表明，在CHTC-LT工况情况下，模糊逻辑的控制策略要比功率跟随控制策略氢耗量降低了10.74%,提高了车辆的燃油经济性.     

基于越野工况预测的混合动力履带车辆能量管理策略

针对越野环境下混合动力履带车辆能量管理问题,设计了一种基于越野工况预测的能量管理策略。使用车载传感器测量车速、车辆姿态角,基于支持向量机进行路况分类,建立越野路况识别模型;针对不同的越野路况,基于马尔可夫链利用历史行驶车速和加速度建立速度预测模型;以某混合动力履带装甲车辆为对象,设计模型预测控制策略进行能量管理控制。研究结果表明,所提出的能量管理策略能够完成越野环境下履带车辆能量管理控制目标,有利于改善混合动力履带车辆性能。     

基于LVQ工况识别的PHEV控制策略研究

为提高插电式混合动力汽车的燃油经济性,根据城市循环工况的特点选定了4种典型的城市工况,采用学习向量量化(LVQ)神经网络识别车辆运行实时工况,并在MATLAB/Simulink平台制定了一种基于工况识别的整车控制策略.基于实例车型,在Cruise软件中建立了整车仿真模型,并在城市工况下进行仿真.仿真结果表明:所建立的控制策略能够有效识别工况信息;能够以此进行相应工作模式的切换和合理的转矩分配,且相对于传统汽车燃油经济性有明显的提高.从而验证了该控制策略的合理性和有效性.     

基于粒子群优化-蚁群融合算法的分布式电驱动车辆模型预测转矩协调控制策略

针对分布式电驱动车辆多动力源耦合作用和高度非线性造成的动力学控制难题，以7自由度整车动力学模型为预测模型，以粒子群优化-蚁群融合算法为优化方法，提出一种基于粒子群优化-蚁群融合算法的模型预测转矩协调控制策略，并搭建了仿真实验和实车试验平台，进行了多种工况试验。试验结果表明，新提出的转矩协调控制策略能够根据试验工况调整控制模式，实现动力性、经济性和操纵稳定性的综合最优控制效果。     

基于卷积神经网络与长短期记忆神经网络的弹丸轨迹预测

针对弹丸非线性轨迹预测问题，提出一种基于卷积神经网络(CNN)与长短期记忆(LSTM)神经网络的混合轨迹预测模型。通过建立6自由度弹丸运动模型，并使用4阶龙格库塔法外弹道仿真，得到大量轨迹数据样本；提出CNN-LSTM神经网络的混合轨迹预测模型，并利用滑动窗口法和差分法构造输入输出的轨迹数据对，将预测问题转化为有监督的学习问题；将所提模型与LSTM神经网络模型、门控循环单元(GRU)神经网络模型和反向传播(BP)神经网络模型在同一数据集下进行仿真实验。研究结果表明，CNN-LSTM神经网络模型预测3 s后的平均累积预测误差在x轴方向约为14.83 m,y轴方向约为20.77 m,z轴方向约为0.75 m,且轨迹预测精度优于单一模型，为弹丸轨迹预测研究提供了一定的参考。     

基于归一化优势函数的强化学习混合动力履带车辆能量管理

基于强化学习的能量管理策略由于状态变量和控制变量的离散化,处理高维问题时存在“维数灾难”的困扰。针对此问题,提出一种基于归一化优势函数的深度强化学习能量管理算法。采用两个具有归一化优势函数的深度神经网络实现连续控制,消除离散化。在对串联式混合动力履带车辆动力总成建模的基础上,完成深度强化学习能量管理算法的框架搭建和参数的更新过程,并将其应用于串联式混合动力履带车辆。仿真结果表明,该算法能够输出更为细化的控制量以及更小的输出波动性,与深度Q学习算法相比,对于串联式混合动力履带车辆的燃油经济性提升了3.96%. 通过硬件在环仿真实验验证了强化学习能量管理算法的适应性,以及在实时控制环境下的优化效果。     

基于起动发电一体机的车用混合动力总成控制策略研究

针对未来军用混合动力车辆的需求,设计了一种基于起动发电一体机（ISG）电机的高功率密度混合动力总成方案,制定了相应的基线式控制策略。在基于ADVISOR构建的后向仿真模型中,以某型轻型越野车辆参数以及混合动力总成的参数作为仿真输入条件,分析了动力总成对车辆动力性能和燃油经济性的影响。仿真结果表明：基于ISG电机的混合动力总成扭矩输出值与原车发动机相比获得较大提升;同时优化了发动机工作点,降低了发动机油耗,提升整车的燃油经济性。     

混合动力车辆动力系统建模与仿真

以并联式混合动力车辆为研究对象，基于MATLAB／Simulink软件，建立了发动机、电动机、蓄电池以及整车仿真模型，制定了整车控制策略．仿真结果表明，应用该策略对发动机与电机间的功率输出进行协调控制，能明显提高整车燃油经济性，并能够维持SOC在规定的工作区间变化．     

履带式混合动力车辆能量管理策略与实时仿真

履带式混合动力车辆的动力性和燃油经济性的优劣在很大程度上取决于能量管理方法。根据车载能源输出特性和车辆行驶功率的需求,提出了一种发动机负载功率跟随和电池组功率补偿的能量管理策略,并给出了发动机、电池组和驱动电机等被控制对象功率平衡的实现方法。同时在dSPACE中搭建了“驾驶员-综合控制器”在环的履带式混合动力车辆能量管理实时仿真平台,进行了基于驾驶员真实输入的实时仿真研究。仿真结果表明,发动机沿最佳燃油消耗曲线工作,动力电池及时功率补偿,并能较好满足车辆最高车速、B/2转向等机动性所需功率变化,实现了车辆机动性和燃油经济性的良好匹配。     

分布式电驱动无人高速履带车辆越野环境轨迹预测方法研究

越野环境下,无人车辆轨迹预测是车辆轨迹跟踪和精确导航的核心模块,预测误差将直接影响无人车辆行驶任务完成的准确程度。为实现速差转向式履带车辆在复杂越野环境下无人行驶轨迹准确预测的目的,搭建了分布式电驱动无人履带车辆系统,实现了车辆动态过程中的无人系统数据和车辆底层状态数据的同步采集。建立了速差转向车辆运动学模型,分析了履带车辆滑动转向特性。分别采用扩展卡尔曼滤波(EKF)方法和Levenberg-Marquardt方法对转向过程中的滑动参数进行估计,并完成了车辆轨迹预测。基于真实越野环境下的实车数据进行了验证。试验结果表明：相比于履带车辆理想预测模型,所采用的两种轨迹预测方法都大幅降低了车辆轨迹预测误差;对误差均值而言,EKF方法预测轨迹优于Levenberg-Marquardt方法;对误差标准差而言,后者优于前者,且随着转向程度的增加而增大。     

无人驾驶履带车辆机电联合制动的协调控制

针对无人驾驶双侧电驱动履带车辆制动减速控制时抗干扰性能差和机电协调性能差导致目标跟踪误差大的问题,提出一种分层控制系统。在上层控制器中,基于无人驾驶系统的期望速度序列,建立前馈-反馈控制器,以期望制动减速度作为前馈输入,补偿目标制动转矩,以速度误差作为反馈输入,修正目标转矩差。在下层控制器中,综合考虑机械制动和电机制动的特点,建立基于模糊控制的制动力协调分配算法。实车试验结果表明,与速度分段式控制器相比,分层控制器能够准确跟踪期望速度序列,速度跟踪误差减少60.1%,制动减速度标准差减少39.4%,提高了无人驾驶双侧电驱动履带车辆制动控制的目标跟踪精度。     

基于强化学习补偿的地面无人战车行进间跟瞄自适应控制

针对底盘运动和路面起伏对地面无人战车行进间跟瞄带来的非线性干扰问题,提出一种 基于强化学习补偿的地面无人战车行进间跟瞄自适应控制方法。该跟瞄控制方法由主控制器与补偿控制器两部分构成,主控制器利用PID控制算法结合当前跟瞄误差得到主控制量,补偿控制器利用Dueling Q 网络强化学习算法对战车当前状态和局部规划路径附近的路面起伏信息进行处理得到补偿控制量。建立地面无人战车一体化运动学模型,对基于强化学习的补偿控制算法进行阐述;基于V-REP动力学软件在三维场景中进行仿真验证。实验结果表明：基于强化学习补偿的跟瞄控制方法对底盘运动和路面起伏具备较好的自适应能力,有效地提升了无人战车行进间跟瞄的准确性与稳定性。     

基于MPC-MFAC的双侧独立电驱动无人履带车辆轨迹跟踪控制

简化模型带来的模型失配以及外部环境不确定性是导致轨迹跟踪误差的主要原因,尤其对于无人履带车辆,其复杂的物理特性和工作环境更放大了两大因素的不利影响。针对该问题,将基于模型和基于数据的控制方法结合起来,提出一种基于模型预测控制结合无模型自适应控制补偿的双侧独立电驱动无人履带车辆轨迹跟踪控制方法。在平衡建模准确度和求解耗时的基础上,利用模型预测控制进行前馈求解。针对模型预测控制中简化模型与车辆实际模型之间必然存在的差异以及环境不确定性,基于动态跟踪效果构建无模型自适应控制算法进行补偿,即利用车辆实际轨迹与模型预测所得轨迹之间的误差,对模型预测控制求解的两侧履带速度控制量进行实时修正。仿真实验结果表明,该方法能够在一定程度上抑制系统内外部不确定因素的影响,提高动态环境下双侧独立电驱动无人履带车辆轨迹跟踪控制的精度。     

未知环境下异构多无人机协同搜索打击中的联盟组建

为了提高多架异构无人机在未知环境下协同执行搜索打击任务时的效能,提出了一种未知环境下的异构多无人机协同搜索打击中的联盟组建方法,研究了实时性较高且适应于未知环境下的任务分配机制。以最小化目标打击时间和最小化联盟规模为优化指标,以满足同时打击和资源需求为约束条件,建立了联盟组建模型;为了提高联盟组建的实时性,提出了一种分阶次优联盟快速组建算法(MSOCFA)。算法复杂度分析说明了该算法是一个多项式时间算法,并且通过与粒子群优化算法进行仿真对比,验证了该算法具有较低的计算复杂度,满足实时性要求。为了使得多架无人机能自主协同完成搜索打击任务,设计了基于有限状态机(FSM)的多无人机分布式自主协同控制策略。仿真验证了未知环境下的异构多无人机协同搜索打击中的联盟组建方法的合理性和可行性。使用蒙特卡洛法验证了无人机数量和目标数量对联盟组建的影响,即无人机数量越多,目标数量越少,其平均任务完成时间越短。 为了提高多架异构无人机在未知环境下协同执行搜索打击任务时的效能,提出了一种未知环境下的异构多无人机协同搜索打击中的联盟组建方法,研究了实时性较高且适应于未知环境下的任务分配机制。以最小化目标打击时间和最小化联盟规模为优化指标,以满足同时打击和资源需求为约束条件,建立了联盟组建模型;为了提高联盟组建的实时性,提出了一种分阶次优联盟快速组建算法(MSOCFA)。算法复杂度分析说明了该算法是一个多项式时间算法,并且通过与粒子群优化算法进行仿真对比,验证了该算法具有较低的计算复杂度,满足实时性要求。为了使得多架无人机能自主协同完成搜索打击任务,设计了基于有限状态机(FSM)的多无人机分布式自主协同控制策略。仿真验证了未知环境下的异构多无人机协同搜索打击中的联盟组建方法的合理性和可行性。使用蒙特卡洛法验证了无人机数量和目标数量对联盟组建的影响,即无人机数量越多,目标数量越少,其平均任务完成时间越短。     

基于视频的装甲车和飞机检测跟踪及轨迹预测算法

针对当前视频目标跟踪算法跟踪多目标容易跟丢的问题,以视频中的装甲车、飞机为研究对象,研究一种改进跟踪学习检测（TLD）的视频多目标检测跟踪算法。对于跟丢的目标,利用Kalman滤波算法的预测功能跟踪视频中典型目标的轨迹,并采用Kalman滤波算法跟踪的轨迹来弥补TLD算法丢失的部分,从而获得视频中典型目标的完整轨迹,以提高视频多目标跟踪的准确率。由于现有轨迹预测算法存在准确性较差的局限性,提出一种基于社交长短时记忆（Social-LSTM）网络的视频典型目标轨迹预测算法,将上下文环境信息和多个目标轨迹之间的相互影响关系融入Social-LSTM网络,预测待检测典型目标的轨迹序列。仿真实验结果表明,所提轨迹预测算法优于传统的LSTM算法、隐马尔可夫模型算法以及混合高斯模型算法,有利于提高视频典型目标轨迹预测的准确率。