一种基于学法的智能汽车纵向神经滑模控制方法

摘要

一种基于学法的智能汽车纵向神经滑模控制方法，涉及车辆控制。包括以下步骤：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；针对智能汽车具有非线性、参数不确定性、时滞和外部干扰等特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计和制动控制律设计过程；设计油门控制器和制动控制器之间切换逻辑。提高了控制精度，可有效地智能汽车纵向动力学系统的参数不确定性、时滞、外界干扰和非线性等因素引起的干扰，从而明显改善控制系统性能，提升智能汽车纵向速度控制的稳定性和精确性。

主权项

一种基于学习法的智能汽车纵向神经滑模控制方法，其特征在于包括以下步骤：步骤1：采用实验和模拟相结合的方法，建立描述智能汽车纵向运动特性的动力学模型；步骤2：设计智能汽车纵向上层控制器，其任务是根据期望速度按照一定控制策略确定出期望的车辆加速度；步骤3：针对智能汽车具有非线性、参数不确定性、时滞和外部干扰的特性，设计智能汽车纵向下层控制器，实现对期望加速度的跟踪，包括油门控制设计过程和制动控制律设计过程：步骤3.1采用基于学习法的神经滑模控制方法，设计智能汽车纵向油门控制律，包括如下：1)设计智能汽车纵向油门控制律的第一滑模面控制，推导出智能汽车纵向油门控制律的第一滑模面等效控制律和变结构控制律，求出期望驱动力矩；2)变结构控制律中的切换控制克服参数不确定性的同时，引发了抖振现象，为了消除抖振，采用神经网络自适应动态调节控制增益系数K₁₁，采用梯度学习算法在线调整神经网络的加权值w₁、中心值c₁和宽度参数b₁；步骤3.2根据驱动力矩和变速器输出扭矩的关系T_s＝T_oR_mη_t，涡轮扭矩和变速器输出扭矩的关系T_o＝T_tR_g，求出期望发动机转速；步骤3.3设计智能汽车纵向油门控制律的第二滑模面控制，求出期望发动机转矩，包括如下：1)设计智能汽车发动机转矩控制律，采用等速趋近率，求出期望发动机转矩；2)采用神经网络自适应动态调节期望发动机转矩的控制增益系数K₁₂，采用梯度学习算法在线调整神经网络的加权值w₂、中心值c₂和宽度参数b₂；步骤3.4设计智能汽车纵向油门控制律的第三滑模面控制，求出期望油门开度，包括如下：1)设计智能汽车油门开度控制律，采用等速趋近率，求出期望油门开度；2)采用神经网络自适应动态调节期望油门开度的控制增益系数K₁₃，采用梯度学习算法在线调整神经网络的加权值w₃、中心值c₃和宽度参数b₃；步骤3.5：采用神经滑模控制方法设计智能汽车纵向制动神经滑模控制器，包括如下：1)采用滑模控制方法，求取制动力矩和制动压力的等效控制律和变结构控制律：2)为了消除抖振，采用神经网络自适应动态调节制动控制增益系数K₂₁和K₂₂，采用梯度学习算法在线调整制动神经滑模控制律中网络基函数的加权值、中心值和宽度参数；步骤4：考虑到乘车的可靠性、安全性和舒适性，为避免频繁切换油门控制器与制动控制器，设计油门控制器和制动控制器之间切换逻辑。