期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
通信延时环境下基于观测器的智能网联车辆队列分层协同纵向控制 被引量:13
1
作者 朱永薪 李永福 +1 位作者 朱浩 于树友 《自动化学报》 EI CAS CSCD 北大核心 2023年第8期1785-1798,共14页
考虑通信延时影响的车辆队列控制问题,提出一种基于观测器的分布式车辆队列纵向控制器.首先,基于分层控制策略分别设计上下层控制器,通过上层控制器优化期望加速度、下层控制器克服车辆模型非线性实现期望加速度和实际加速度的一致.上... 考虑通信延时影响的车辆队列控制问题,提出一种基于观测器的分布式车辆队列纵向控制器.首先,基于分层控制策略分别设计上下层控制器,通过上层控制器优化期望加速度、下层控制器克服车辆模型非线性实现期望加速度和实际加速度的一致.上层控制器设计过程中,基于三阶线性化车辆模型,考虑观测器、车辆动态耦合特性和通信延时,提出一种通信延时环境下基于观测器的车辆队列控制器,利用观测器估计领导车辆加速度信息从而减轻通信负担.然后,利用Lyapunov-Krasovskii方法分析车辆队列的稳定性,并得出通信延时上界,同时利用传递函数方法分析了串稳定性.最后,通过数值仿真验证上层控制器的有效性和稳定性.在此基础上,利用PreScan软件中高保真车辆动态模型,验证了该分层控制策略的有效性. 展开更多
关键词 智能网联汽车 观测器 车辆队列控制 动态耦合特性 通信延时
在线阅读 下载PDF
基于改进扩展状态观测器的四旋翼无人机轨迹鲁棒跟踪控制 被引量:10
2
作者 李永福 文跃洲 黄龙旺 《仪器仪表学报》 EI CAS CSCD 北大核心 2023年第4期129-139,共11页
针对四旋翼无人机在轨迹跟踪过程中会受到内外部扰动、模型误差等不确定性因素的影响,本文提出了一种基于改进型扩展状态观测器的积分滑模控制方案。具体来讲,首先,将四旋翼无人机系统存在的模型误差以及内外部扰动等不确定性因素视作... 针对四旋翼无人机在轨迹跟踪过程中会受到内外部扰动、模型误差等不确定性因素的影响,本文提出了一种基于改进型扩展状态观测器的积分滑模控制方案。具体来讲,首先,将四旋翼无人机系统存在的模型误差以及内外部扰动等不确定性因素视作集总干扰,通过借鉴的改进扩展状态观测器对其进行观测;进而,在此基础上,进一步考虑四旋翼无人机系统控制的连续性,基于四旋翼无人机轨迹误差、速度误差、姿态角误差和姿态角速度误差设计积分滑模控制器,分析了系统的稳定性并分别进行了数值仿真和实机实验。结果表明,采用本文算法时,在数值仿真中,各状态跟踪误差不超过1%,跟踪精度最高;在实机实验中,位置跟踪误差总体上能控制在20%以下。因此,本文方法具备有效性和可行性。 展开更多
关键词 四旋翼无人机 轨迹跟踪 改进型扩展状态观测器 积分滑模
在线阅读 下载PDF
复杂交通环境下智能车辆避障方法研究 被引量:3
3
作者 李海青 李永福 +1 位作者 郑太雄 李洪丞 《智能系统学报》 CSCD 北大核心 2023年第6期1275-1286,共12页
为了提高智能车辆避障的安全性与舒适性,提出了一种基于改进势场模型与隐马尔可夫模型的避障方法。首先建立了考虑车辆特性、道路环境与行驶状态等因素的改进势场模型,预测碰撞风险的动态变化;其次利用隐马尔可夫模型进行避障方式决策,... 为了提高智能车辆避障的安全性与舒适性,提出了一种基于改进势场模型与隐马尔可夫模型的避障方法。首先建立了考虑车辆特性、道路环境与行驶状态等因素的改进势场模型,预测碰撞风险的动态变化;其次利用隐马尔可夫模型进行避障方式决策,并在改进的势场模型中融入隐马尔可夫决策层,完成自车避障路径规划;然后利用模型预测控制方法对规划的避障路径进行实时跟踪,并在控制器中加入松弛因子与约束条件防止出现无最优解;最后应用联合仿真对提出的避障方法进行验证,结果表明,所提出的方法可在复杂交通环境下获得无碰撞的避障路径,实现动态避障的同时,提高了车辆的安全性与舒适性。 展开更多
关键词 智能车辆 势场模型 隐马尔可夫模型 动态避障 路径规划 跟踪控制 模型预测 复杂环境
在线阅读 下载PDF
智能汽车拟人驾驶风险量化方法研究 被引量:2
4
作者 李海青 李永福 +2 位作者 郑太雄 李洪丞 蔡小雨 《电子测量与仪器学报》 CSCD 北大核心 2023年第8期120-127,共8页
驾驶风险量化评估对智能汽车拟人驾驶决策至关重要,针对复杂多任务场景下的驾驶风险量化问题,提出了一种基于人类风险感知机理的智能汽车驾驶风险量化方法。首先,利用传感器获取驾驶场景周围环境信息与行驶状态信息,并根据人类驾驶经验... 驾驶风险量化评估对智能汽车拟人驾驶决策至关重要,针对复杂多任务场景下的驾驶风险量化问题,提出了一种基于人类风险感知机理的智能汽车驾驶风险量化方法。首先,利用传感器获取驾驶场景周围环境信息与行驶状态信息,并根据人类驾驶经验对潜在冲突因素赋值代价,生成驾驶场景代价地图;其次,根据车辆运动状态与拟人驾驶的基本原则,利用高斯函数建立动态风险模型;最后,结合驾驶场景代价图与动态风险模型实时计算拟人驾驶风险量化值。仿真结果表明,提出的方法能够基于人类驾驶经验,计算出动态变化的驾驶风险量化值,应用于智能汽车自动驾驶决策,可产生拟人驾驶行为。 展开更多
关键词 拟人驾驶 动态风险场 量化方法 智能汽车
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部