欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025100002626
申请人: 华东交通大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种电动汽车轨迹跟踪控制方法,其特征在于,包括:步骤S1,基于采集的电动汽车的车辆位置坐标信息、航向角、横纵向速度,建立自适应预瞄模型,基于灰狼算法建立自适应预瞄模型的目标函数,并对目标函数进行求解,以得到预瞄点坐标信息;

步骤S2,基于电动汽车的车辆动力学关系,建立三自由度的车辆动力学模型,进而构建轮胎侧偏刚度修正模型,以得到修正后的轮胎侧偏刚度;

步骤S3,获取参考轨迹上每个参考点的坐标信息、横纵向速度、曲率、航向角,并结合步骤S1中得到的预瞄点坐标信息和步骤S2中得到的修正后的轮胎侧偏刚度,通过欧拉法得到离散系统;

步骤S4,根据步骤S3得到的离散系统,构建车辆轨迹跟踪控制模型,并将得到的状态量作为评价指标,引入速度暂停粒子群算法对车辆轨迹跟踪控制模型中的状态量权重系数矩阵进行实时优化;

步骤S5,基于步骤S2中得到的修正后的轮胎侧偏刚度构建前馈控制模型,通过前馈控制模型输出前馈前轮转角,并基于前馈前轮转角和车辆轨迹跟踪控制模型输出的前轮转角,得到最终前轮转角,将最终前轮转角反馈给车辆动力学模型,形成闭环控制,实现电动汽车的轨迹跟踪控制。

2.根据权利要求1所述的电动汽车轨迹跟踪控制方法,其特征在于,步骤S1中,建立的自适应预瞄模型的表达式为:;

;

;

其中,Xpre为预瞄点的横坐标,Ypre为预瞄点的纵坐标,X为车辆当前位置的横坐标,Y为车辆当前位置的纵坐标,vpre为预瞄点车辆速度,v为车辆当前速度,t为自适应预瞄时间,为车辆航向角;

基于灰狼优化算法建立的自适应预瞄模型的目标函数Jh为:Jh=J1+J2;

;

;

其中,J1为第一评价函数,J2为第一评价函数,为质心侧偏角,为理想质心侧偏角,Yref为参考点纵坐标。

3.根据权利要求2所述的电动汽车轨迹跟踪控制方法,其特征在于,步骤S2中,三自由度的车辆动力学模型的表达式为:;

;

;

其中,m为车辆质量,Fx为车辆驱动力,Fd为车辆受到的阻力,Fy为轮胎产生的侧向力,M为侧向力产生的力矩,为车辆纵向加速度,为车辆横向加速度,Iz为车辆的转动惯量,为车辆航向角速度;

轮胎侧偏刚度的表达式为:

;

;

其中,和分别表示前轮和后轮的侧偏刚度,和分别表示前轮和后轮的侧向力,和分别表示前轮和后轮的侧偏角;

采用最小二乘法对车辆侧向力进行估计,从而实现对轮胎侧偏刚度的修正,在最小二乘法中引入了螳螂算法,首先初始化状态向量和协方差矩阵;

;

基于遗忘因子的最小二乘法递推公式为:;

;

;

其中,为第z步的协方差矩阵,为第z-1步的协方差矩阵,为遗忘因子,为系统的输入向量,为最大迭代次数下的系统输入向量,为第z步的状态向量,为第z-1步的状态向量,为估计误差,为测量的输出;

进一步确定螳螂算法的优化目标的表达式为:;

其中,N为总的样本数,为从第1个样本到第N个样本的估计误差平方和;

然后初始化螳螂算法,计算优化目标值,再进行迭代,每次迭代中,更新个体位置并得到每个个体的适应度值,并判断是否满足停止条件,若满足,则输出适应度值最高的个体,作为优化后的遗忘因子,用于最小二乘法中,从而输出修正后的轮胎侧偏刚度。

4.根据权利要求3所述的电动汽车轨迹跟踪控制方法,其特征在于,步骤S3具体包括:基于预瞄点坐标信息,遍历所有参考点寻找到与(Xpre,Ypre)最近的参考点,并将其作为匹配点,在自然坐标系中,得到如下表达式:;

;

进一步得到:

;

;

;

;

;

其中,为匹配点航向角,为自然坐标系下的切向向量,为自然坐标系下的法向向量,为自然坐标系下误差的单位向量,Xmp为匹配点的横坐标,Ymp为匹配点的纵坐标,kmp为匹配点曲率,为车辆横摆角,为车辆横摆角速度,为轨迹参考点速度,vy为车辆横向速度,vx为车辆纵向速度,ed为横向误差,为横向误差一阶导数,为航向误差,为航向误差一阶导数;

进此得到自然坐标系下的误差线性微分方程为:;

其中,为系统误差导数矩阵,A为误差权重矩阵,B为控制量权重矩阵,为系统误差矩阵,为控制量矩阵;

;

;

;

;

其中,为横向误差二阶导数,为航向误差二阶导数,和分别修正后的前轮和后轮侧偏刚度,为车辆质心到前轴的距离,为车辆质心到后轴的距离;

然后通过欧拉法得到离散后的误差方程,表达式为:;

其中,为第k+1离散时刻的系统误差矩阵,为离散化的系统误差权重矩阵,为离散化的控制量权重矩阵,为第k离散时刻的系统误差矩阵,为第k离散时刻的控制量;

进一步得到离散系统的表达式为:

;

;

其中,为第k+1离散时刻的状态量,为第k离散时刻的状态量,为第k离散时刻的输出,为离散化的输出量权重矩阵,为离散化的状态量权重矩阵。

5.根据权利要求4所述的电动汽车轨迹跟踪控制方法,其特征在于,步骤S4具体包括:根据步骤S3得到的离散系统,得到在预测时域内的状态量、输出量和控制量,表达式为:;

;

;

其中,Np为预测时域,Nc为控制时域,为预测时域内的状态量矩阵,、、分别表示第k+1离散时刻、第k+2离散时刻、第k+Np离散时刻的状态量,为预测时域内的输出量矩阵,、、分别表示第k+1离散时刻、第k+2离散时刻、第k+Np离散时刻的输出量,为预测时域内的控制量矩阵,、、分别表示第k+1离散时刻、第k+2离散时刻、第k+Nc-1离散时刻的控制量,T表示转置;

根据预测时域内的状态量、输出量和控制量构建车辆轨迹跟踪控制模型,其中,代价函数J的表达式为:;

其中,Q和R分别为状态量权重系数矩阵和控制量权重矩阵,为松弛因子,为松弛因子权重系数;

将最优控制求解问题转化为标准二次规划问题,利用二次规划求解器对车辆轨迹跟踪控制模型进行求解,得到车辆轨迹跟踪控制模型输出的前轮转角及状态量;

将得到的状态量作为评价指标,引入速度暂停粒子群算法对状态量权重系数矩阵Q进行实时优化,具体包括:定义速度暂停粒子群算法的评价指标函数为:;

其中,和为评价指标函数的权重系数;

定义速度暂停粒子群算法的目标函数为:;

其中,是Q的范数,是正则化参数,为第k离散时刻的评价指标函数;

对每个初始化粒子,使用车辆轨迹跟踪控制模型进行仿真,得到目标函数值,并反馈给粒子群,根据目标函数值更新粒子的速度和位置,实时调整Q中的元素,并引入速度暂停机制,在预设条件下暂停粒子的速度更新。

6.根据权利要求5所述的电动汽车轨迹跟踪控制方法,其特征在于,步骤S5中,前馈控制模型的表达式为:;

其中,为前馈前轮转角,Rw为轮胎半径,为车辆轴距,K为车辆轨迹跟踪控制模型的状态反馈矩阵;

最终前轮转角的表达式为:

;

其中,为车辆轨迹跟踪控制模型输出的前轮转角。