论文部分内容阅读
智能车辆(Intelligent Vehicle,IV)是智能交通系统(Intelligent Transport System,ITS)的重要组成部分。它集中运用了计算机、传感器、信息融合、通讯、人工智能及自动控制等技术,把驾驶员从繁重的车辆驾驶操作中解放出来,最终目的是实现无人驾驶。智能车辆可以提高现有道路的车辆通行效率、减少拥堵、降低能源消耗和减少污染物排放,它已经成为世界车辆工程领域研究的热点和汽车工业增长的新动力,因此对其进行深入研究具有重要的学术意义和实用价值。随着智能车辆的发展,需要面对一些亟待解决的关键问题,尤其是车辆在恶劣天气和湿滑路面的碰撞避免和安全行驶问题。实时获取车辆行驶状态和轮胎与路面的摩擦情况是实现智能车辆碰撞避免的基础。通常车辆的行驶状态是通过车载传感器直接测量的,但由于车辆行驶情况非常复杂,受车载传感器测量精度和测量成本等因素的影响,车辆行驶中的一些关键状态无法直接测量和实时准确获取,这将限制智能车辆的碰撞避免。论文以六自由度车辆半物理仿真驾驶模拟器和北京工业大学智能车辆(BJUT-IV)为研究平台,针对车辆行驶状态和轮胎与路面的附着系数估计、自适应碰撞避免、局部运动规划、防抱死制动系统控制算法等智能车辆碰撞避免的关键问题展开了深入研究,主要内容如下:(1)建立车辆动力学和车辆运动学模型。车辆动力学模型包括四轮车辆八自由度动力学模型和自行车动力学模型,以及Pacejka轮胎模型、Dugoff轮胎模型和LuGre动态轮胎模型。根据车辆几何关系,建立车辆运动学模型。对以上模型利用车辆动力学软件CarSim进行模型验证。(2)针对车辆运动中无法精确获取车辆行驶状态和轮胎与路面的附着系数的问题,提出应用车辆整体估计方案进行车辆状态估计的方法。用四轮四自由度非线性车辆模型分别结合Dugoff轮胎模型和LuGre轮胎模型,应用双无迹卡尔曼滤波的方法进行车辆状态估计和轮胎与路面附着系数估计。并对比扩展卡尔曼滤波与无迹卡尔曼滤波在强非线性工况下车辆状态估计的效果,以及对比Dugoff轮胎模型和LuGre动态轮胎模型在制动工况下摩擦力估计精度。(3)针对轮胎在小滑移率下基于车辆动力学模型和轮胎模型的算法难以辨识附着系数,而单独应用智能轮胎估计附着系数算法估计频率受轮胎速度变化影响的问题,提出基于智能轮胎的切向加速度信号功率谱分析估计附着系数的方法。该方法选取智能轮胎的切向加速度功率幅值和功率变化率为不同路面的分类特征,应用支持向量机(SVM)进行不同路面的分类,最后结合车辆动力学和轮胎模型估计的附着系数结果进行多信息融合,以获取更精确的轮胎与路面的摩擦信息。(4)针对碰撞避免系统在车辆行驶时对轮胎与路面摩擦属性考虑不足,及仅以制动方式来进行碰撞避免或减轻的问题,提出在单一车道下结合附着系数估计自适应确定预警距离和刹车距离算法,当周围环境安全时,利用波纹扩展触须算法进行局部危险避规,采用线性时变模型预测控制方法结合车辆运动学模型和系统约束条件进行轨迹跟踪。(5)针对车辆碰撞避免系统中防抱死制动(ABS)控制系统在变轮胎压力分布与变路面情况下制动效率低下的问题,提出应用LuGre动态轮胎模型结合多模型反演(Backstepping)自适应控制方法进行ABS控制。分别设定高附着系数、中附着系数、低附着系数三种ABS固定模型和一种ABS自适应模型,通过计算多模型滑移率和实际滑移率偏差作为性能指标进行多模型切换ABS自适应控制,并采用Lyapunov理论证明了自适应控制方法渐进稳定。