车辆动力学建模过程中通常会进行简化和假设,?导致模型在某些工况下无法准确反映车辆的实际动态特性,?影响控制精度甚至安全性.?鉴于此,?该文提出了一种基于数据驱动的非线性建模与控制方法,?建立了新型神经网络车辆横向动力学多步预测模型,?实现了智能汽车对参考轨迹的跟踪控制.?首先,?在分析车辆单轨模型并考虑轮胎非线性和纵向负载转移的基础上,?基于编码器?解码器结构设计神经网络横向动力学模型.?其中,?使用串行排列来扩展微分方程描述不完全的动力学信息,?隐藏层神经元学习车辆的高度非线性和强耦合特性,?进而提高模型全局计算精度.?利用所构建的数据集进行模型训练和测试,?结果表明,?相比于物理模型,?所提出的模型在不同路面附着系数条件下均具有更高的建模精度,?具有隐式预测路面摩擦条件能力.?其次,?利用提出的模型设计轨迹跟踪控制算法,?根据车辆稳态转向假设,?计算所需的前轮转向角和稳态质心侧偏角,?将稳态质心侧偏角纳入基于路径误差的转向反馈中,?实现参考轨迹跟踪控制.?最后,?使用CarSim/Simulink联合仿真及HIL实验测试进行不同工况试验的对比分析,?对所提出的基于神经网络模型的控制算法进行评价,?结果表明,?该模型能够实现智能汽车在高速下精确的跟踪控制效果,?并具有良好的横向稳定性.

智能汽车;动力学建模;神经网络;轨迹跟踪控制

方培俊;蔡英凤;陈龙;孙晓强;王海

江苏大学汽车工程研究院, 江苏镇江 212013;江苏大学汽车与交通工程学院, 江苏镇江 212013

力学学报

[1]方培俊;蔡英凤;陈龙;孙晓强;王海-.基于ED-LSTM的智能汽车神经网络横向动力学建模与控制)[J].力学学报,2022(07):1896-1908

ED,智能汽车,车神,横向动力学,动力学建模,建模与控制,车辆动力学,动态特性,控制精度,非线性建模,多步预测,单轨,轮胎,编码器,解码器,串行,微分方程,力学信息,元学习,高度非线性,强耦合,耦合特性,计算精度,模型训练,物理模型,不同路面,路面附着系数,数条,建模精度,隐式,模型设计,轨迹跟踪控制,控制算法,稳态转向,计算所,前轮转向,转向角,质心侧偏角,路径误差,CarSim,Simulink,联合仿真,HIL,实验测试,不同工况,工况试验,横向稳定性

0.370976