基于神经模糊PID的ABS控制策略研究

ABS系统中主缸压力和轮缸压力具有强非线性关系,且传统的控制算法中控制参数不能根据路面的变化及时进行调整,很难在多变的路面工况下取得较好的控制效果。为提高ABS的控制效果,提出一种神经网络模糊PID控制策略。将理想滑移率与实际滑移率之差作为系统输入,经模糊化和归一化后输入神经网络,应用神经网络的自学习和误差反向传播,采用遗传算法优化网络的初始权重,利用BP算法完成网络训练实现模糊规则,使模糊规则的生成转变为加权系数初值的确定和调节,从而表示出模糊规则,寻找一个最佳的PID非线性组合控制率,调整车轮制动力矩,以适应多变的路面。仿真结果表明:该控制策略兼备了神经网络、模糊控制、PID控制的优点,能适应复杂多变的路面。     

考虑动力学约束的智能车辆路径跟踪控制研究

针对智能车辆的路径跟踪控制方法中传统的MPC控制器往往只考虑控制量约束和控制增量约束、未考虑输出量约束的情况,以线性2自由度车辆侧向动力学模型作为预测模型,提出了一种路径跟踪控制方法。通过将车辆在路径跟踪过程中的输出量质心侧偏角和横摆角速度约束在一个操纵稳定性状态平稳域内,将路径跟踪问题转变为在多种约束条件下求解控制系统最优值的问题,以此来跟踪目标路径。采用Carsim和Matlab/Simulink进行联合仿真验证,结果显示:所设计的控制器能较好地跟踪参考路径,控制器在跟踪目标路径的过程中表现平稳、可靠。