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.
2022, 54(7): 1896-1908.
doi: 10.6052/0459-1879-21-667
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. 力学学报, 2022, 54(7): 1896-1908. doi: 10.6052/0459-1879-21-667.
