一种基于模糊滑模的智能汽车横向控制方法

摘要

本发明公开了一种基于模糊滑模的智能汽车横向运动控制方法，包括以下步骤：智能汽车横向滑模控制设计和模糊滑模控制设计。首先，将横向偏差y_L和方位偏差ε_L融合为集成偏差e_L，用e_L设计滑模切换函数s。其次，选择s及其微分作为模糊滑模控制的输入变量，前轮转角δ_fc作为输出变量。设计模糊滑模控制方法。本发明将模糊控制与滑模控制相结合，不同于常规模糊控制方法，本发明模糊控制的输入变量是滑模切换函数及其微分，这种改变既克服了滑模控制所容易产生的抖振现象，又增加了模糊控制不依靠系统精准模型的优点，可有效地克服汽车的非线性特性、参数不确定性以及外界的干扰，提高了控制器的精度、可靠性和稳定性。

主权项

一种基于模糊滑模的智能汽车横向控制方法，其特征在于：包括以下步骤：A、智能汽车横向滑模控制设计A1、以横向偏差y_L和方位偏差ε_L作为控制模型的状态变量，以前轮转角δ_fc作为控制模型的输入变量，建立含不确定因素和干扰的智能汽车横向运动控制模型；具体模型如式(1)所示：$\stackrel{..}{q}=(A+\mathrm{\Delta A})\stackrel{.}{q}+(E+\mathrm{\Delta E})q+(B+\mathrm{\Delta B})u+d---\left(1\right)$式中，$A=\left[\begin{array}{cc}0& A_1\\ 0& A_4\end{array}\right];$$E=\left[\begin{array}{cc}{E}_3& E_2\\ E_6& E_5\end{array}\right];$$B=\left[\begin{array}{c}{B}_1\\ B_2\end{array}\right];$$d=\left[\begin{array}{c}{d}_1\\ d_2\end{array}\right]$$A_1=(v_x-a_{11}L+a_{12}-a_{21}{L}^2+a_{22}L);E_2=(-a_{11}{v}_x-a_{21}{v}_{x}L);$$E_3=(a_{11}+a_{21}L);A_4=(a_{21}L-a_{22});E_5=a_{21}{v}_x;E_6=-a_{21};$$B_1=(-b_1-b_{2}L);B_2=b_2;d_1=(a_{11}L-a_{12}+a_{21}{L}^2-a_{22}L)v_x\rho ;$$d_2=(-a_{21}L-1)v_x\stackrel{.}{\rho };$其中，$a_{11}=-(C_r+C_f)/{\mathrm{mv}}_x;a_{12}=(L_r{C}_r-C_f{L}_f)/{\mathrm{mv}}_x-v_x;$$a_{21}=(L_r{C}_r-L_f{C}_f)/I_z{v}_x;a_{22}=-(L_f^2{C}_f+L_r^2{C}_r)/I_z{v}_x;$$b_1=C_f/m;b_2=L_f{C}_f/I_z;$$q={\left[\begin{array}{cc}{y}_L& {ϵ}_L\end{array}\right]}^T$为控制模型的状态变量，为控制模型状态变量的一阶微分，为控制模型状态变量的二阶微分，u为控制模型的输入变量即前轮转角δ_fc，L_f、L_r分别为质心到前后轴的距离(m)，I_z为智能汽车转动惯量(kg·m²)，C_f、C_r分别为前后轮胎的侧偏刚度(N/rad)，m为智能汽车质量(kg)，L为智能汽车的预瞄距离，v_x为智能汽车横向速度(m/s)，ρ为路径曲率，d为干扰项，ΔA、ΔB、ΔE为不确定项；A2、计算横向偏差和方位偏差；经图像处理算法得到智能汽车的参考路径曲线后，在参考路径曲线与过预瞄点且平行于图像横向中心线的直线相交处作切线，获得智能汽车运动控制所需的路径信息，即预瞄点处智能汽车与参考路径的横向偏差和方位偏差信息；具体计算方法如下：定义图像的中心点位置O代表智能汽车的纵向中心线和横向中心线的交点，O₁为预瞄点在图像中的位置，直线O₁X₁为过预瞄点O₁且平行于图像横向中心线OX的直线；A21、横向偏差的计算定义参考路径曲线和直线O₁X₁的交点P(x₀，y₀)处的横坐标与图像预瞄点O₁的横坐标之差为智能汽车在图像中的横向偏差：$y_L=x_0-\frac{w_1}{2}---\left(2\right)$其中，w₁为图像的宽度，横向偏差y_L为像素值，需转换成实际横向偏差：$y_L=\gamma ·(x_0-\frac{w_1}{2})---\left(3\right)$式中，γ为像素点与实际距离比例系数；A22、方位偏差的计算得到参考路径曲线之后，在其与直线O₁X₁的交点处P(x₀，y₀)作切线，设切线方程为：$y=K_{d}x+B_d---\left(4\right)$其中，K_d为切线斜率，B_d为切线截距，智能汽车在图像中的方位偏差定义为：${ϵ}_L=\arctan \left(K_d\right)---\left(5\right)$A3、针对式(1)所示的横向控制模型，将横向偏差和方位偏差按照无量纲化加权规则进行融合，使用融合后的集成偏差来设计滑模控制的切换函数s；基于数据处理的需要，将横向偏差和方位偏差分别无量纲化：${\bar{y}}_L=1-2\frac{y_{L\max }-y_L}{y_{L\max }-y_{L\min }}---\left(6\right)$${\overline{ϵ}}_L=1-2\frac{{ϵ}_{L\max }-{ϵ}_L}{{ϵ}_{L\max }-{ϵ}_{L\min }}---\left(7\right)$y_Lmax和y_Lmin分别为横向偏差的最大值和最小值，ε_Lmax和ε_Lmin分别为方位偏差的最大值和最小值；对式(6)和(7)处理后的横向偏差和方位偏差进行融合时加入权重系数，因此集成偏差表达为：$e_L={\eta }_1·{\bar{y}}_L+{\eta }_2·{\overline{ϵ}}_L---\left(8\right)$其中η₁、η₂为权重系数，均大于0且η₁+η₂＝1，e_L为集成偏差；将集成偏差e_L作为滑模切换函数的参数，设计滑模切换函数s，其表达式为：$s=c_1{e}_L+{\stackrel{.}{e}}_L---\left(9\right)$c₁为常数，为集成偏差变化率；B、模糊滑模控制设计B1、选择切换函数s及其微分作为模糊滑模控制的输入变量，前轮转角δ_fc作为模糊滑模控制的输出变量；输入变量和输出变量对应模糊子集语言变量均设置为{NB，NM，NS，Z，PS，PM，PB}，其中NB、NM、NS、Z、PS、PM、PB分别称为“负大”、“负中”、“负小”、“零”、“正小”、“正中”、“正大”；输入变量s、和输出变量δ_fc的模糊子集隶属度函数相同，对NM、NS、Z、PS和PM这五个变量级采用三角形函数，对NB采用Z型函数，PB采用S型函数；B2、采用专家经验法确定模糊滑模的控制规则，控制规则如表1所示：表1 控制规则表每一条模糊控制规则由下面形式的“IF‑THEN”模糊语句构成：R⁽ⁱ⁾：如果s是且是则δ_fc是Bⁱ；其中，和为输入变量模糊子集的语言变量，Bⁱ是输出变量模糊子集的语言变量；i＝1，2，...，49代表模糊控制规则的数目；举例说明，其中一条模糊控制规则可表示为：如果s是PB且是PB则δ_fc是NB该控制规则理解为s的趋势是增加的，为了减小偏差，需给车辆前轮一个负大转角来纠正车辆偏差；模糊推理采用曼达尼的max‑min合成法，采用重心法进行解模糊运算，确定出输出变量δ_fc：${\delta }_{\mathrm{fc}}=\frac{\underset{i=1}{\overset{49}{\Sigma }}{\mu }_{C_i}\times {\delta }_{f_i}}{\underset{i=1}{\overset{49}{\Sigma }}{\mu }_{C_i}}---\left(10\right)$其中为输出变量处的隶属度，即输出变量的隶属度函数在处的取值。