基于滑模预测控制的海底采矿车轨迹跟踪算法

海底采矿车多工作于稀软底质,其面临的外部扰动较大,难以快速收敛跟踪误差,精准地跟踪预设轨迹。为此,本文提出了一种海底采矿车的滑模预测控制（sliding model predictive control,SMPC）轨迹跟踪算法。基于海底采矿车的运动学模型,首先设计滑模控制率实现轨迹跟踪误差快速收敛,其次利用少预测时域的线性时变模型预测控制算法（linear time varying model predictive control,LTV-MPC）优化该滑模控制率。而后,通过证明滑模控制率收敛和模型预测控制稳定,保证了闭环控制系统的稳定性。RecurDyn&Simulink联合仿真结果表明,与单一的滑模控制（sliding mode control,SMC）和线性时变模型预测控制算法相比,所提出的SMPC轨迹跟踪算法提高了轨迹跟踪精度,且算法具有较好的实时性。     

智能网联车路云协同系统架构与关键技术研究综述

随着汽车产业电动化、智能化、网联化、共享化的发展驱动, 全球主要强国均将智能网联汽车列为国家战略发展方向. 蜂窝车联网、边缘计算网络和高精度定位系统的技术发展, 为车车、车路、车人和车云系统的全面融合提供了有效支撑. 车辆、道路、云平台与蜂窝车联网(Cellular vehicle-to-everything, C-V2X)网络的融合, 加速打通车内与车外、路面与路侧、云上与云间的信息互通, 为实现车路云一体化的融合感知、群体决策及协同控制提供了重要基础. 首先, 梳理了智能网联车路云协同系统架构与关键技术, 对该领域的演进特征、发展制约因素进行了总体概述; 其次, 阐述了新型车路云协同系统、智能网联C-V2X通信系统、云控系统和车路云协同测试系统的架构设计与工作原理; 然后, 从C-V2X组网、融合定位、测试评价角度, 介绍了车路云协同系统融合V2X网络、融合定位的技术演进与研究进展, 给出了智能网联场景的仿真平台、实车测试及评价指标; 最后, 对智能网联车路云协同系统的协同组网与控制、互操作、边缘智能服务和安全技术层面的发展趋势进行了展望.