关于汽车的文献综述.docx
《关于汽车的文献综述.docx》由会员分享,可在线阅读,更多相关《关于汽车的文献综述.docx(12页珍藏版)》请在冰豆网上搜索。
关于汽车的文献综述
应用于汽车上的系统识别与自适应控制技术
一.概述
随着社会的不断进步,人们对于生活质量也越来越在意。
其中最重要的就是对于出行便捷的追求,首当其冲的就是汽车。
据调查,2014年中国的汽车销量已经是全球第一,平均下来几乎是每家每户都有一辆汽车。
于是,问题也随之而来,环境、安全、材料等方面的问题不断的进入我们的视野,被提上日程。
但是,对于中国这个刚走上汽车发展道路的国家而言,还需更多的技术才能将这些问题解决。
本篇文献综述将重点讲述关于汽车安全方面的技术,当系统识别与自适应控制技术应用在汽车上时,汽车将变得更加安全和智能。
二.正文
1.汽车自适应巡航控制系统
汽车自适应巡航控制(AdaptiveCruiseControl,简称ACC)。
它既具有传统巡航控制的定速巡航功能,又可以通过车载雷达等传感器监测汽车前方的行驶环境,帮助驾驶员避免交通事故,降低驾驶员的工作负担,减轻驾驶疲劳,提高公路上驾车的安全性。
对于驾驶员的最优预瞄加速度模型的汽车自适应巡航控制算法,提出了以下概念框图:
图1驾驶员最优预瞄加速度模型结构框图图2基于最优预瞄加速度决策的汽车ACC算法
ACC汽车的预瞄算法包括三个部分:
未来运动状态的预瞄、未来运动状态的评价指标建立、最优纵向加速度决策。
采用下图所示的过程来实现:
图3ACC汽车最优预瞄加速度决策流程
这种控制系统将方向主要交与驾驶员负责,它主要的目的是控制纵向加速度和速度。
因为加速度的性能有一定的限制,所以不可能瞬间获得一个加速度。
同理,在短时间速度也不可能变化很大。
所以,控制加速度和速度的变化是一定的围的。
于是,分别给出加速和减速的计算方法:
式中△
是i时刻汽车纵向减速度的最大增量,△
是i时刻汽车纵向加速的最大增量,
是i时刻汽车的纵向加速度,
是仿真周期,
和
分别是汽车可能达到的最大加速度和最大减速度,一般情况下汽车纵向最大加速度不会超过1~2m/s2,最大制动减速度不会超过5~8m/s2,
和
分别是汽车当前时刻最大的正向和反向加速度。
之后,进行预期轨迹点集合的状态量计算。
通过计算得到当前时刻的汽车纵向最大加速度及最大减速度增量,还有当前时刻纵向加速度增量区间[△
,△
]将此纵向加速度增量区间均匀划分为N段,得到一系列i时刻汽车可行的纵向加速度增量△
为了便于计算要求N为奇数,则针对每一个纵向加速度增量△
:
以汽车当前时刻的状态量为初始条件,计算在预瞄时间Tp后的车辆状态。
这些状态点就组成了N维预期位置点的集合。
每给定一个当前时刻的汽车可行纵向加速度增量△
,按照上述的位置决策单元的前视策略即可计算出唯一的车辆预期状态。
最后,根据无穷小原则,将Tp细分为J等分,设每一等分为△tp,则对每一微小等分,由于持续时间很短,忽略汽车纵向和横向的相互影响,因此能够利用简化的公式求出汽车纵向与横向在△tp后的状态,按照这种方法累加到最后一步,即可求得汽车在预瞄时间段Tp后的状态:
因为每一步的计算所参照的坐标系都不一样,因此需将它们转换到同一个参照坐标系下:
在这之后,需要对于汽车的未来运动进行评价,采用Sigmoid隶属度函数形式,如图所示:
图4单极性Sigmoid函数示意图
ACC汽车的未来运动状态的评价指标体系包括:
驾驶安全性评价指标IDS(IndexofDriveSafety)、驾驶工效性评价指标IDE(IndexofDriveEfficiency)、驾驶轻便性评价指标IDH(IndexofDriveHandiness)、驾驶合法性评价指标IDL(IndexofDriveLegality)。
如果加速度和速度等汽车相关的变量都已经通过评价体系,系统将进入对于加速度的决策过程(即选择最优的一个加速度)。
决策过程部分采用多目标模糊决策理论及TOPSIS(TechniqueforOrderPreferencebySimilaritytoIdealSolution)方法。
TOPSIS法的基本思想是通过对决策集合中的每个方案求其隶属度值的加权和,然后选择具有最大和值得那个方案作为最优决策,它的特点在于引入“理想解”
和“负理想解”
。
然后和自己得出的结果进行欧几里德距离上的比较,公式为:
CI=
,越接近1越好。
对于上述的四种决策,可以采用矩阵的模式来选取最好的满足数据,然后再根据这个TOPSIS方法来选择这四个指标的重要程度,做为数据的取舍。
ACC汽车的控制校正原理与驾驶员方向和速度综合控制最优预瞄加速度模型相应部分原理相同,都是采用局部等效方法来线性化的描述汽车的动力学控制特性,并建立相应的汽车动力学一阶线性时变参数模型:
采用最小二乘法辨识一阶线性时变参数模型中的各个参数,组成时变控制器参数的查询表,实际中根据汽车的行驶状态查询数表并进行一定的插值计算,获得控制器参数,最后通过校正公式对决策的最优预瞄加速度进行校正。
通过前面研究分析得出,用时变的一阶线性模型去拟合汽车纵向速度控制系统的非线性,无论是采用控制器参数的离线辨识还是在线辨识,都存在一定的不足。
在这里,介绍ACC汽车模糊自校正控制算法。
其控制过程如下:
图5模糊系统的基本框图
在模糊控制过程中,首先要完成:
1.由经典集合到模糊集合;2.由数值变量到语言变量;3.模糊推理。
然后介绍模糊自校正系统的框图如下:
图6模糊自校正系统的框图
最后,在具体的实施方案中要先进行模糊化、建立模糊规则库、反模糊化。
模糊化:
将数字表示形式的输入量转化为通常用语言值表示的某一限定码的序数,每一个限定码表示论域的一个模糊子集。
加速度、加速度误差和踏板增量的误差模糊语言值为:
E:
{PB,PS,ZO,NS,NB}
EC:
{PB,PS,ZO,NS,NB}
u:
{PB,PM,PS,ZO,NS,NM,NB}
按照语言值的划分,采用三角形隶属度函数,得到各输入输出的隶属度函数:
图7加速度误差的比例量E的隶属度函数图8加速度误差变化率的比例量Ec的隶属度函数图9踏板值增量的比例量U的隶属度函数
模糊规则库:
根据系统的典型阶跃反应来推导经验性规则,得到下列四条模糊规则:
如果E是PB且EC是ZO,则u是PB
如果E是ZO且Ec是NB,则u是NM
如果E是NB且Ec是ZO,则u是NB
如果E是ZO且Ec是PB,则u是PM
同理,分析其他状态点,汇集成规则库如图:
图10模糊控制规则表
反模糊化:
模糊控制器输出的是一个模糊子集,但被控对象只能接受精确的控制量,因此需要解决将模糊量转化为精确量的判决问题。
现有的解模糊办法有最大值解模糊法、中心平均解模糊法和重心解模糊法。
早在以前的对于车辆行驶系统的研究中,大部分采用的是PID或者滑膜控制等方法。
但是随着现代汽车的行驶环境越来越复杂,已经俨然成为一个复杂的大惯性非线性系统,并且受到外界(路况、风阻等)的影响非常大。
这就使得用传统的“寻优”控制方法建立控制模型变得很复杂,导致计算量大,控制竞速不高,从而使得控制系统的实时性、鲁棒性及适应性很不理想。
现今,研究人员发现建立精确的车辆跟随行驶模型很难办到,比如:
每次行驶时汽车总质量就不相同,这会导致汽车质心变化,引起发动机功率、扭矩等的变化。
采用精确方法求解这一问题,由于约束条件过多,使得求解过程非常复杂。
但在实际车辆行驶过程中,有经验的司机总是能够根据自己的判断很好的控制车辆的跟随行驶,收到满意结果。
因此,采用模糊自整定PID控制(经典模糊控制和PID控制结合在一起)来控制汽车是当今流行的一种方式。
首先,控制方式的设定如下图所示:
图11模糊自整定PID控制器的结构
模糊控制器的输入是偏差e和偏差变化率ec,输出是△Kp、△Ki、△Kd。
在运行过程过不断检测e和ec,根据模糊控制原理来对三个参数进行在线修改,从而使被控对象达到良好的动、静态性能,而且计算量小。
在上面介绍的模糊算法中,已经详细写出了有关模糊控制的具体步骤,故在此不再赘述,只是把模糊自整定PID控制中相对于模糊控制中多出的部分作详细介绍:
首先,还是要确定好各个参数的论域。
然后,选取模糊子集的隶属度函数曲线的形状。
常用的隶属度函数有三角形分布、矩形分布、梯形分布、柯西分布、正态分布等。
隶属度函数曲线的形状会导致不同的控制特性,隶属度函数曲线形状较缓,控制特性也较平缓,系统稳定性也越好;相反,隶属度函数曲线形状较尖的模拟子集器分辨率较高,控制灵敏度也较高。
在设计中发现,如果E的ZO区域比较大,那么在两车的速度基本一样而两车的间隔距离还比较大时,输出量U就很接近0,从而使系统产生一个比较大的稳态误差,故ZO区域选取的比较窄,而NS、PS的区域选的比较宽。
这样可以使整个系统的动态性能和稳态性能有一个比较好的均衡。
当得到e、ec、△Kp、△Ki、△Kd的隶属函数之后,要根据真实驾驶员的操作经验,建立合适的模糊规则表,得到针对△Kp、△Ki、△Kd三个参数分别整定的模糊控制表。
画出e和ec与Kp、Ki、Kd间的关系。
最后,根据各模糊子集的隶属度赋值表和各参数模糊控制模型,应用模糊合成推理设计PID参数的模糊矩阵表,查出修正参数代入下式计算:
Kp=Kp‘+△Kp
Ki=Ki‘+△Ki
Kd=Kd‘+△Kd
在线运行过程中,控制系统通过对模糊逻辑规则的结果处理、查表和运算,完成对PID参数的在线自校正。
三.总结
以上只是对于ACC进行研究控制的结果,对于汽车的其他方面,如:
电动汽车动力系统、汽车驾驶安全辅助系统、汽车测距雷达系统等都可以采用这样的控制方式,通过对比,我们不难发现,现在控制的方式越来越趋于集成化,也就是说并不再采用单一的方法,而是进行方法结合来进行操作,多种方法进行结合之后会使得过程更加简单,计算更加方便,所以掌握多种控制方法对于系统识别和自适应控制的方法设计还是非常有用的。
四.参考文献
[1]管欣,王景武,高振海.基于最优预瞄加速度决策的汽车自适应巡航控制系统[J].大学学报:
工学版,2004,34
(2):
189-193.
[2]VANETvehicularapplicationsandinter-networkingtechnologies[M].JohnWiley&Sons,2009.
[3]VanAremB,VanDrielCJG,VisserR.Theimpactofcooperativeadaptivecruisecontrolontraffic-flowcharacteristics[J].IntelligentTransportationSystems,IEEETransactionson,2006,7(4):
429-436.
[4]景波,昭度,齐志权,等.汽车自适应巡航控制系统的发展[J].车辆与动力技术,2003
(2):
44-49.
[5]党宏社,崇昭.汽车毫米波FMCW雷达中频信号的采样与处理[J].现代雷达,2002,(4):
43-45.
[6]管欣,高振海,郭孔辉.驾驶员稳态预瞄动态校正假说[J].汽车工程,2003,25(3):
227-231.
[7]田雷.汽车自适应巡航系统的模糊自校正控制算法研究[J].:
大学,2006.
[8]洪玮.汽车自适应巡航控制系统的研究[D][D].东华大学,2010.
[9]洪玮,石红瑞.遗传算法在汽车巡航控制系统中的应用[J].自动化仪表,2009(11):
48-50.