遥控履带车辆的转向控制方法

为提高遥控履带车辆的操纵稳定性,研究了转向控制系统的控制方法.遥控履带车辆的转向控制由转向控制系统执行遥控驾驶指令控制转向拉杆行程予以实现.基于系统输入/输出关系构建了遥控转向操纵闭环系统模型,分析了遥控车辆的转向操纵特性.从人工转向操纵的特点出发,针对遥控信息环节引入的时间滞后,设计了预测和断续转向控制方法.试验证明,转向控制方法能够满足遥控履带车辆的方向控制要求.     

履带中心距对履带车辆转向动态性能的影响分析

针对履带车辆由直驶状态切换到转向状态的动态过程展开研究,分析了履带中心距对转向动态性能的影响,结合履带车辆最常见的独立式转向进行动力学分析和仿真,结果表明履带中心距对转向的动态响应时间有很大影响,中心距越大则转向响应时间越短,且两者基本呈线性关系.     

一种考虑ICR纵向偏差补偿的水下履带采矿车轨迹跟踪算法

水下履带采矿车在多金属结核矿区的稀软底质上进行采集作业时,受水动力的影响其瞬时转向中心(ICR)纵向偏移后与几何中心不再重合,故难以基于精准的运动学模型设计水下履带采矿车的轨迹跟踪算法。因而,本文提出一种基于履带车运动学模型的分散式轨迹跟踪算法以实现履带采矿车高精度路径跟踪控制。首先,通过引入虚拟转角设计水下履带采矿车的Stanley横向控制律;其次,利用无迹卡尔曼(UKF)滤波法估计的ICR纵向偏移作为纵向误差的补偿,以此设计水下履带采矿车的纵向控制律;最后,基于运动学模型计算水下履带采矿车的期望驱动轮转速。研究结果表明：引入纵向偏差补偿后的分散式轨迹跟踪算法可以精准地跟踪预设轨迹。     

考虑道路形状约束的车辆轨迹聚类方法

随着车联网技术的不断发展,产生了海量车辆轨迹数据。这些车辆轨迹数据可以通过聚类分析方法挖掘出车辆行驶的潜在规律,从而实现指导车辆出行的目的。提出一种基于密度的车辆轨迹聚类方法,对基于道路形状关键点位置选取的车辆轨迹信息进行重构,并考虑车辆在路网中移动的空间约束,分析聚类结果得到城市道路的交通状况,以此指导车辆出行以避免或减轻车辆拥堵。基于福州市真实的车辆数据对提出的车辆轨迹聚类算法进行验证,并对最后的聚类结果进行了详细的分析。实验结果表明,针对车辆轨迹聚类并结合道路网络的方法能够更加真实反映车辆的行为特征。     

智能车辆轨迹跟踪控制方法研究

针对智能车辆的轨迹跟踪控制问题,提出了一种可以调节参数的智能车辆轨迹跟踪控制方法.首先,设计了模糊控制器对智能车辆进行路径跟踪控制;其次,为了提高车辆在高速下的路径跟踪效果,设计模型预测控制器,并结合轮胎的动力学特性及车辆动态特性对轮胎侧偏角、质心侧偏角等进行约束;然后,为了提高车辆在不同工况下的路径跟踪效果,进一步设计了基于PSO算法的模型预测控制器.比较三种控制器的控制效果,选择典型工况在联合仿真平台上进行仿真.结果表明,提出的智能车辆的轨迹跟踪控制方法可以有效地对车辆轨迹进行跟踪.     

基于非线性预测滤波和UKF的状态估计方法

非线性系统存在建模误差时,UKF的状态估计误差较大,为了提高UKF对非线性系统的状态估计能力,本文将非线性预测滤波(NPF)方法和UKF相结合,提出了一种改进的UKF。首先应用NPF求得模型误差值,得到非线性系统的修正模型,将模型离散化再应用UKF进行状态估计。在仿真实验中分别应用单纯的UKF和改进后的UKF对一个存在模型误差的非线性系统进行状态估计,对它们的估计结果进行了比较和分析,结果表明结合NPF的UKF能够提高非线性系统状态估计的精度。     

结合双向LSTM和注意力机制的车辆轨迹预测

为提升智能交通、自动驾驶等系统的管理和服务质量,提出一种双向长短期记忆网络结合注意力机制的车辆轨迹预测模型。采用道格拉斯-普克压缩算法对轨迹数据进行压缩预处理,减少数据中的冗余;在编码器中使用双向长短期记忆网络充分捕获时间相关性特征,并采用自注意力机制获得与邻近车辆之间的全局空间相关性特征;通过解码器的全连接层获取车辆的未来位置,并通过模型迭代获得完整的预测轨迹路线。实验结果表明,提出的模型预测性能优于对比模型。此外,消融实验结果表明,引入轨迹压缩算法与改进的长短期记忆网络结合注意力机制对预测准确度均有积极贡献。     

考虑车辆稳定性的模型预测路径跟踪方法

针对目前车辆路径跟踪控制大多集中于跟踪的精确性,却忽略车辆行驶稳定性的问题,提出一种考虑车辆稳定性的模型预测路径跟踪方法.首先,以简化后的车辆动力学模型为基础,推导线性时变路径跟踪预测模型,增添表征车辆稳定性的质心侧偏角等约束条件;然后,对二次规划进行求解,添加向量松弛因子解决计算中出现的无解问题;最后,通过Carsim和Matlab/Simulink联合仿真对文中方法进行验证.仿真结果表明:基于文中所提方法设计的控制器能够在不同车速、不同附着系数下,保证跟踪参考路径较为精确的同时,还可以保证车辆的稳定性.     

基于无迹卡尔曼滤波的LSSVR在线多步时间序列预测

准确宽范围多步预测在时间序列预测应用中带来了巨大挑战.提出了一种基于最小二乘支持向量回归(LSSVR)和无迹卡尔曼滤波(UKF)的在线多步预测方法,利用时间滑动窗口减小算法的计算负荷,UKF方法实现LSSVR模型参数更新以提高预测精度.当预测范围达到预定步长p时,由核宽度σ、支持值参数{α_k}_k~L_(=1)以及偏移项b所构成的模型参数通过新的测量值和UKF进行在线更新.提出的方法不仅以较少的训练数据建立在线预测模型(所需训练数据集大小为相空间维数与滑动窗口长度之和),且多步预测值的精度相比于传统方法得到进一步提高.最后,通过几个实验研究论证了提出方法的有效性和优越性.     

基于遗忘因子的UKF车辆状态参数估计算法

针对车辆主动安全控制系统所需的传感器成本较高以及信号采集过程中易受到外界噪声干扰的问题,文章提出了一种利用遗忘因子概念对噪声协方差矩阵进行在线自适应调整的无迹卡尔曼滤波(unscented Kalman filter,UKF)方法,实现对行驶状态下的车辆状态参数进行实时在线估计。使用该方法对车辆横摆角速度、质心侧偏角、质心纵向速度、质心侧向速度4个状态参数进行了实时在线估计,并与CarSim软件的仿真结果进行了对比,验证该估计方法的有效性和准确性。研究结果表明,该文提出的参数估计算法对横摆角速度、质心侧偏角、质心侧向速度3个参数的估计精度比传统卡尔曼滤波方法分别提高了38%、27%、28%。     

基于车辆轨迹数据的交叉口危险驾驶行为预测

基于大量实证车辆轨迹数据建立了信号控制交叉口相位切换期间轨迹预测模型和驾驶员心理决策过程预测模型,并在两个模型的基础上建立了驾驶员危险行为识别的规则,三者共同构成了驾驶员危险行为预测方法.经检验,预测方法的整体精度达到88.89%.该预测方法将驾驶员临近交叉口时的隐藏心理决策过程作为一个重要变量运用到危险行为预测方法中,并实现了对车辆个体动态化的轨迹预测.     

复杂交通场景中运动车辆的检测与轨迹跟踪

针对复杂交通场景提出一种基于高斯分布假设的背景图像自回归估计算法,该算法能同时适应白天和夜间光环境,实时性好.对于二值图像的分割问题,提出并论证一种新的连通标记算法,该算法只需遍历像素1次,因此时间复杂度达到了理论上的最小.根据运动车辆的随机过程特性,提出基于Kalman滤波的轨迹跟踪算法,给出状态转移矩阵和观测矩阵,并讨论初始状态矢量的获取方法.为了解决半遮挡混合图块的分割问题,提出了图像相似度的计算方法以及局部图块与全图块相匹配的思想.在实际道路上的实验表明,所提出的方法实用有效,其中车辆跟踪准确率达到95.63％.     

地面不平条件下考虑滑动转向特性的履带车辆路径跟踪控制

针对履带式车辆自主行驶控制中滑动参数难以精确估计和在复杂地面条件下难以稳定跟踪目标路径的问题,提出一种考虑履带车辆滑动转向特性的改进模型,并以此为被控对象设计基于深度强化学习方法的路径跟踪控制器.首先,基于球?面接触原理建立履带车辆的动力学模型.其次,提出基于实车稳态转向实验数据的滑移率估计方法,并结合履带车辆的滑动转...     

基于自适应自回归模型的非线性流量负荷预测

针对新一代移动数据业务(MMS,KJAV,WAP)具有复杂的非线性特性和不平稳特性,采用鲁棒Kalman滤波算法,提出了一种自适应自回归滑动平均模型(AARMA),并将其应用于移动数据业务负荷预测中。实际预测结果表明,即使是对变动大且不稳定的移动业务流量,自适应ARMA模型稳定,预测精度高,且预测误差的白噪声特性明显。     

一种基于GAN的多船轨迹预测方法

为更好地预测船舶密集水域多船会遇避碰场景中的船舶轨迹,基于生成式对抗网络思想,提出一种多船轨迹预测模型——Vessel-GAN。针对船舶轨迹特点,Vessel-GAN模型基于时序卷积网络的多船历史轨迹编解码、船舶交互特征提取、终点信息引导和避碰损失函数等技术,通过在历史轨迹上的对抗训练,实现了能够拟合船舶航行行为数据分布的多船预测轨迹生成。基于琼州海峡近5000万条由AIS数据构建的船舶交互数据集的实验表明,相较Social-GAN基准模型,Vessel-GAN在计算速度方面提升了36%,平均位移精度、终点位移精度分别提升28%、41%,生成的多船预测轨迹更加符合船舶真实行为特征,且具有更好的预测实时性和稳定性。     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策,从而提高自动驾驶的安全性,促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测,提出了一种交互式意图预测方法。首先,通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合,在充分考虑周围场景信息后建立了行为识别模型,用于对当前的驾驶行为做出准确的判断。然后,考虑到交通场景复杂多变的特点,提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹,并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用,所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后,在NGSIM数据集对所提出的方法进行验证,结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图,结合未来意图推理模型,能够更加准确地预测出车辆未来的驾驶行为,由此可提高车辆驾驶的安全性。     

基于模糊熵时延预测的车辆远程转向控制

构建某电液控制转向缸在因特网环境下的远程闭环控制模型.从时滞依赖鲁棒稳定控制理论的角度,设计一种根据网络时延所满足的时滞条件进行动态切换的控制器;从网络时延序列复杂性测度的角度,设计一种自适应加窗滑动平均时延预测算法,为控制提供切换依据.实验结果验证了这种基于模糊熵时延预测的自切换鲁棒控制器的可行性和有效性.     

基于虚拟艇引导的无人艇轨迹跟踪模型预测控制

针对无人艇在跟踪任务前期因位置偏差过大及约束存在而导致模型预测控制器(MPC)震荡问题,提出一种由虚拟无人艇引导的MPC控制策略,引用虚拟过渡轨迹代替实际无人艇的目标轨迹,并设计转换条件决定无人艇在执行过程中何时退出该虚拟引导策略。为解决MPC稳定性问题,基于准无限模型预测控制理论,在MPC设计中添加终端惩罚函数,通过构造Lyapunov函数,证明了本文方法在有限时域内的稳定性。引入非线性干扰观测器对复杂海洋环境中的干扰进行观测,利用控制器对其进行补偿。圆形、正弦和直线三种工况的仿真实验验证了本文方法的有效性及准确性,可实现水面无人艇在复杂海洋环境下的轨迹跟踪控制。     

基于变预测时域的电动汽车轨迹跟踪控制

针对在不同车速下由于车辆动力学参数改变导致轨迹跟踪的误差变大的问题,研究电动汽车自适应性轨迹跟踪控制器设计.首先,基于模型预测控制(model predictive control,MPC)设计轨迹跟踪控制器,对比分析不同车速下不同预测时域对轨迹跟踪的影响;其次,通过仿真结果,发现不同车速下采用恒定预测时域,轨迹跟踪在不同速度下自适应性变差,易产生较大的跟踪误差;最后,设计了基于车速变化的变预测时域轨迹跟踪控制器.CarSim/MATLAB/Simulink联合仿真结果表明,改进后的轨迹跟踪控制器在不同车速下轨迹跟踪具有良好的控制精度和稳定性.