kaiyun官方注册
您所在的位置: 首页> MEMS|传感技术> 设计应用> 智能车辆视觉导航横向模糊控制策略仿真研究
智能车辆视觉导航横向模糊控制策略仿真研究
2014年电子技术应用第9期
赵明欣,侯晓利
内蒙古交通职业技术学院 汽车工程系,内蒙古 赤峰024005
摘要:针对智能车辆视觉导航横向控制中存在的适应性问题,提出了一种基于横摆角速度与横向偏差的智能车辆横向模糊控制策略。根据车辆于车道内的位置状态信息,建立了横摆角速度预测模型、7自由度车辆操纵动力学模型以及横向模糊推理模型。仿真结果表明,与常规位置偏差控制策略相比较,采用横向模糊控制策略不仅能提高智能车辆横向控制的精确性,并且具有很好的鲁棒性和自适应性。
中图分类号:U461.91
文献标识码:A
文章编号: 0258-7998(2014)09-0130-03
Simulation research on intelligent vehicle visual navigation lateral fuzzy control strategy
Zhao Mingxin,Hou Xiaoli
Department of Automobile Engineering, Nei Monggol Communications Polytechnic College,Chifeng 024005,China
Abstract:According to the intelligent vehicle visual navigation lateral control of the adaptability of the existing problems, a lateral fuzzy control strategy based on yaw rate is proposed. According to the position of the vehicle in the lane state information, a yaw-rate prediction model, 7 degrees of freedom vehicle handling dynamics model and lateral fuzzy control model are established. Simulation result shows that compared with conventional position deviation control strategy, the lateral fuzzy control strategy can not only effectively control intelligent vehicle to run, but also have good robustness and adaptability.
Key words :intelligent vehicle;lateral control;fuzzy control;simulation research

随着汽车电子技术的飞速发展,国内外众多学者对智能车辆视觉导航系统进行了深入的研究。由于智能车辆视觉导航横向控制系统在实际运行中将会受到车辆参数的影响,采用何种适宜的横向控制策略是当前研究的热点[1]。国内外关于横向控制策略的研究主要集中在以下方面:参考文献[2]以车辆与路径上近点作为基准点,结合自适应PID算法和模糊控制方法,由于对前方环境缺乏预见性而限制了系统的控制有效性和准确性;参考文献[3]基于汽车操纵动力学模型建立了智能车辆自主导航最优控制模型,该模型非常适用于低速行驶车辆,取得了较好的控制效果,但是在智能车辆高速行驶过程中控制效果较差;参考文献[4]将转向盘转矩作为主导控制参数,建立了一个鲁棒控制模型,由于转向盘转矩与驾驶人的操纵行为过程密切相关,但是该模型并未将驾驶人行为模型纳入考虑范畴;参考文献[5]采用直接横摆力矩控制策略进行车辆横向控制,但该控制策略受预瞄点选择的影响较大,导致控制效果差异性大;参考文献[6]建立了驾驶人预瞄行为模型,并结合专家先验知识预测、预瞄距离实现对智能车辆的横向控制,但是在预瞄控制模型中仅将车辆速度简单划分为快、中、慢3个范围,导致系统的可靠性和适应性较差。

为了大幅提高智能车辆视觉导航过程中横向控制的精度,进一步减少路径弯度、预瞄距离等因素的影响,本文建立了横摆角速度预测模型、车辆7自由度操纵动力学模型,结合系统辨识的方法,提出了一种横摆角速度与横向偏差的智能车辆横向模糊控制策略。仿真结果验证了本文所提出的智能车辆视觉导航横向模糊控制策略的有效性和良好的适应性。

1 控制系统结构设计[7]

智能车辆视觉导航横向模糊控制策略如图1所示。根据空间几何坐标系逆透视投影转换得到的车辆预瞄点的相对位置,建立横摆角速度预测模型以及7自由度车辆操纵动力学模型。模糊控制系统的设计中非常关键的环节即模糊控制器的输入变量的选择,在智能车辆视觉导航过程中,车身横向运动的控制本质上即动态调整车辆相对于行驶路径的横向偏差和航向偏差这两个运动参数。综上可知,车辆实时位姿信息必须作为重点考虑的因素,因此本文将车辆的横摆角速度和横向偏差作为模糊控制器的两个输入项。

jsj6-t1.gif

2 横摆角速度预测模型的建立[8]

假设在某一特定时刻,世界坐标系中的车辆质心坐标为(Xw,Yw),车辆坐标系的纵轴线与横坐标之间的夹角为φv。已知车辆质心速度v、车辆质心侧偏角β以及车辆横摆角速度ω,则车辆动力学方程可以用下式表示:

jsj6-gs1.gif

通过式(1)不难看出,智能车辆视觉导航中的车身位置姿态与车辆横摆角速度、车辆质心速度、质心侧偏角这3个因素密切相关。在诸多因素之中,车辆横摆角速度的变化对车辆的轨迹状态影响较大。因此可以在利用车辆质心速度变化率的基础上,通过控制车辆的横摆角速度进一步干涉智能车辆的运动状态。

在建立横摆角速度预测模型的过程中,为了进一步提高系统的控制效果,忽略车辆运动中的质心偏差,并假设车辆一直沿视觉导航路径行驶,运动轨迹保持不变,不发生突变,则横摆角速度可以通过下式表示:

jsj6-gs2.gif

3 车辆操纵动力学模型的建立

通过对车辆操纵动力学的研究分析以及根据智能车辆视觉导航过程中横向控制策略仿真研究的实际需要,本文建立了一个包括横摆、侧倾、俯仰3个自由度以及车轮4个自由度的7自由度车辆操纵动力学模型[9],如图2所示。

jsj6-t2.gif

jsj6-gs3.gif

4 模糊控制模型的建立

本文建立了智能车辆横向模糊控制器,其中两个输入变量中,将横摆角速度e的模糊论域定义为[-3,3],横向偏差ec的模糊论域定义为[-3,3]。其输入变量的论域都划分成7个模糊子集用NB、NM、NS、ZE、PS、PM、PB表示,输出控制变量k的论域设为[-0.06,0.06],并把它划分为7个模糊子集(即NB、NM、NS、ZE、PS、PM、PB),模糊子集中对应的元素分别表示负大、负中、负小、零、正小、正中、正大。在完成了模糊论域和模糊子集的参数化过程之后,需要进一步确定模糊论域内所包含的元素对模糊变量的隶属度函数。如图3~图5所示分别为横摆角速度e、横向偏差ec以及控制变量k的隶属度函数[10]

jsj6-t3.gif

jsj6-t4.gif

jsj6-t5.gif

综合考虑智能车辆视觉导航横向控制系统的应用特点,如表1所示,本文建立了系统输出控制变量k的模糊控制规则表。

jsj6-b1.gif

模糊逻辑推理作为模糊控制的核心内容,用来确定控制参数的模糊向量。本文中采用了模糊控制中普遍使用的Mamdani推理法,它根据模糊控制算法和规则计算出最终控制量。反模糊化过程采用工业控制中普遍采用的重心法,以获取较为满意的推理控制结果[11]

5 系统模糊控制策略仿真分析

为了检验本文所提出的控制策略的有效性和可靠性,以MATLAB/Simmulink作为仿真环境,建立了智能车辆视觉导航中的横向模糊控制模型,并对其进行了仿真实验,如表2所示为控制系统的部分仿真参数。假设车辆分别以30 km/h和70 km/h的车速行驶,设置虚拟路径作为模拟仿真的行驶路径,仿真模拟结果分别如图6~图9所示。

jsj6-b2.gif

jsj6-t6-9.gif

如图6所示为车辆行驶轨迹对比曲线,从图中可以看出,采用横向模糊控制策略控制精度更高,进一步减小了车辆与最近点之间的距离偏差,在常规路况控制中均能稳定地沿目标路径行驶,具有良好的跟踪特性。如图7所示为车辆横摆角速度对比曲线,与不加任何控制策略的横摆角速度曲线相比较,采用横向模糊控制策略进一步降低了系统的响应时间和减小了响应峰值,获得了更加优化的动态控制性能,能够满足系统控制稳定性的需求。

图8和图9分别为车辆低速和高速行驶过程中出现的横向偏差。通常情况下随着车辆纵向速度的增加,其横摆运动会出现较大幅度的变化,然而仿真结果表明,采用横向模糊控制策略车辆横向加速度增大幅度并不明显,在纵向速度有较大增加时,智能车辆趋向行车路线所需的时间只是出现略微增加,当然实际行驶的距离肯定会有明显增加,但并未对车辆横向控制带来不便,最终可以提高智能车辆对纵向速度的快速适应能力,从而获得更好的横向运动稳定性和易操控性。

因此,采用本文提出的基于横摆角速度与横向偏差的智能车辆横向模糊控制策略,使得智能车辆横向位移控制精度有显著提高。同时对纵向速度具有较好的适应能力,取得了非常好的效果,横向偏差误差范围较小,具有较好的稳定性和适应性。

本文通过对智能车辆视觉导航中横向控制特点的深入分析,针对目前横向控制策略存在的问题,提出了一种基于横摆角速度与横向加速度的智能车辆视觉导航横向模糊控制策略,并建立了7自由度车辆操纵动力学模型,最后进行了仿真实验验证。仿真结果表明,本文采取的控制策略不仅较好地满足了车辆横向控制平稳性和舒适性要求,并且对车辆纵向速度具有令人满意的适应能力,具有广泛的应用前景和实际意义。

参考文献

[1] 马莹,王建强,徐友春,等.智能车辆车道保持系统[J].ITS通讯,2004,19(1):7-12.

[2] 王京起,陈慧岩,郑培.应用模糊自适应PID和预瞄策略的自主车辆转向控制[J].汽车工程,2003,25(4):367-371.

[3] 王荣本,李兵,徐友春.基于视觉的智能车辆自主导航最优控制器设计[J].汽车工程,2001,23(2):97-100.

[4] MASAYASU S,HIROSHI K,ON S,et al.Design of lanekeeping control with steering torque input for a lane-keeping support system[R].SAE,2001-01-0480,2001.

[5] PONGSATHORN R,MASAO N,MOTOKI S.Lane keeping control strategy with direct yaw moment control input by considering dynamics of electric vehicle[J].Vehicle System Dynamics,2006(44):192-201.

[6] YANAGIYA M,TOMITA K,TSUGAWA S.Effects of field of view on lateral control performance in a vision-based autonomous vehicle[J].JSAE Review,1999,20(4):499-504.

[7] 丁海涛,郭孔辉,李飞,等.基于加速度反馈的任意道路和车速跟随控制驾驶员模型[J].机械工程学报,2010,46(10):116-120.

[8] 李小勇,张文涛,熊显名.基于车辆视觉的车道闸杆防撞系统研究[J].微型机与应用,2014,33(1):40-45.

[9] 王家恩,陈无畏,王檀彬,等.基于期望横摆角速度的视觉导航智能车辆横向控制[J].机械工程学报,2012,48(4):107-114.

[10] 郭孔辉.汽车操纵动力学[M].长春:吉林科学技术出版社,1991.

[11] 刘金琨.智能控制[M].北京:清华大学出版社,2005.

此内容为AET网站原创,未经授权禁止转载。
Baidu
map