汪選要 王其東 王金波
1.合肥工業(yè)大學,合肥, 230009 2.安徽理工大學,淮南,232001
基于遠近視角駕駛員模型人機合作轉(zhuǎn)向PDC/H∞控制策略
汪選要1,2王其東1,2王金波1
1.合肥工業(yè)大學,合肥, 2300092.安徽理工大學,淮南,232001
摘要:基于遠近視角駕駛員模型獲得了非線性車路和人車路閉環(huán)T-S模型,運用狀態(tài)反饋γ-次優(yōu)H∞范數(shù)和線性矩陣不等式約束得到了反饋增益矩陣。應用模糊并行分布補償控制設計了車路和人車路閉環(huán)T-S模型全局控制器。CarSim/Simulink仿真結(jié)果表明,基于人車路閉環(huán)模型的人機合作轉(zhuǎn)向控制的車道保持能力和跨道時間均優(yōu)于車路模型,從而減少了車道偏離的風險。通過合作轉(zhuǎn)向評價準則得出的人車路閉環(huán)PDC/H∞控制器的人機合作程度較高。
關(guān)鍵詞:遠近視角駕駛員模型;并行分布補償;人機合作轉(zhuǎn)向控制; 跨道時間
0引言
日常生活中汽車使用數(shù)量的急劇增加,帶來了一系列新的問題,比如安全性、乘坐舒適性、交通管理以及環(huán)境保護等,為了應對這些挑戰(zhàn),開發(fā)了一系列輔助駕駛系統(tǒng),例如電子穩(wěn)定程序ESP、車道偏離預警系統(tǒng)LDWS、車道保持系統(tǒng)LKS以及自適應巡航控制ACC。如今,車輛自動駕駛成為國內(nèi)外研究的熱點,車輛自動駕駛的核心內(nèi)容——汽車縱向控制和橫向控制取得了很大進展[1]。李琳輝等[2]建立了基于視覺預瞄距離的車輛橫向控制系統(tǒng)模型,將車輛當前的橫向偏移和方向偏差作為滑模切換函數(shù)的參數(shù)設計滑模面。王立標等[3]設計了一種自適應神經(jīng)網(wǎng)絡控制器, 通過直接橫擺力矩和前輪主動轉(zhuǎn)向的復合控制來提高車輛橫向穩(wěn)定性。王家恩等[4]基于單點預瞄最優(yōu)曲率模型設計了側(cè)向加速度PD跟蹤控制器,并基于七自由度非線性車輛動力學模型設計了滑模控制器跟蹤期望橫擺角速度。郭景華等[5]針對自動駕駛車輛高度非線性動態(tài)特性以及參數(shù)的不確定性等特點,提出了基于遺傳算法的智能車輛橫向模糊控制器的隸屬度函數(shù)參數(shù)和控制規(guī)則的自動優(yōu)化。張海林等[6]基于一種結(jié)合跨道時間與駕駛員操作行為判斷的車道保持協(xié)調(diào)控制方法,集成了電動助力轉(zhuǎn)向系統(tǒng)與車道保持系統(tǒng)。Menhour等[7-8]針對不確定線性車輛模型設計了LQR/H∞橫向切換轉(zhuǎn)向控制器,并基于Lyapunov函數(shù)進行了系統(tǒng)的穩(wěn)定性分析。Enache等[9]基于復合Lyapunov函數(shù)和線性矩陣不等式等方法設計了避免車道跑偏控制器,并驗證了切換控制策略。
以上車輛橫向控制的研究都將轉(zhuǎn)向角作為自動駕駛車輛的控制輸入,忽略駕駛員的影響或把駕駛員的行為作為擾動。在自動駕駛系統(tǒng)不能保證高可靠性的情況下,有效地解決方法就是人機合作駕駛,Marino等[10]設計了基于視覺的自動駕駛橫向嵌套PID控制器,駕駛員可以隨時獲得車輛車道保持系統(tǒng)的橫向控制權(quán)而無需切換策略,但不能進行人機合作轉(zhuǎn)向控制。Nagai等[11]論證了智能車輛橫向動力學轉(zhuǎn)向角控制魯棒性好,但駕駛員無法介入轉(zhuǎn)向過程。轉(zhuǎn)向力矩控制是人機合作駕駛的有效途徑,Soualmi等[12-13]建立了轉(zhuǎn)向力矩控制的人車路高級輔助駕駛系統(tǒng)動力學模型,基于LQ準則設立了保性能的T-S控制器而忽略道路曲率的影響。Saleh等[14]基于神經(jīng)機械學駕駛員模型建立了人車路系統(tǒng)模型并設計了H2最優(yōu)控制器,研究了人機合作駕駛,但其仿真車速設定18m/s,沒有考慮時變速度模型的非線性。Sentouh等[15]建立了簡單比例環(huán)節(jié)的駕駛員模型,沒有考慮駕駛員的神經(jīng)肌肉動力學等環(huán)節(jié)。
本文以縱向車速為T-S模糊模型規(guī)則變量,應用模糊并行分布補償(paralleldistributedcompensation,PDC)獲取車路模型和人車路模型全局控制器,針對外部曲率擾動,利用線性目標函數(shù)凸優(yōu)化問題的最優(yōu)解,獲得T-S模糊模型的反饋增益矩陣和最小擾動抑制度。基于遠近視角駕駛員模型仿真,對比研究車路模型和人車路閉環(huán)PDC/H∞擾動抑制控制的車道保持性能;基于人機合作評價指標,對比研究車路模型和人車路閉環(huán)系統(tǒng)人機合作程度;基于跨道時間(timetolinecrossing,TLC),對比研究車路模型和人車路閉環(huán)控制車道偏離風險。
1人車路閉環(huán)系統(tǒng)動力學模型
1.1簡化的非線性車路動力學模型
如圖1所示,ψv、ψd分別為車輛航向角和車輛期望航向角,航向角誤差ψL=ψv-ψd,逆時針方向為正;yCG為車輛質(zhì)心橫向偏移道路中心線距離;yCGl、yCGr分別為車輛質(zhì)心到車道左右邊界的距離;yfll、yflr分別為車輛前左輪到車道左右邊界的距離;yfrl、yfrr分別為車輛前右輪到車道左右邊界的距離;在近視點預瞄距離Lnear處,車輛質(zhì)心橫向偏移車道中心線的距離yL=yCG+LnearψL,由此可得車路橫向動力學狀態(tài)方程[12]:
(1)
Bvr=[000001/Js]T
Evr=[00-vx-Lnearvx00]T
圖1 車路橫向動力學模型
1.2遠近視角駕駛員模型
一些駕駛心理學研究[16]表明,一般行駛情況下,駕駛員將注意力集中在視野的兩個預瞄點,即近視點N和道路內(nèi)側(cè)遠視切點F,如圖2所示,OCG表示車輛質(zhì)心。駕駛員模型結(jié)構(gòu)如圖3所示,假設在遠近點預瞄視野內(nèi)車速vx和橫擺角速度ω固定不變,如果令駕駛員視野前方車輛質(zhì)心到道路內(nèi)側(cè)邊界切點F的距離為Lfar,車輛質(zhì)心路徑的曲率半徑為Rv,道路曲率半徑為Rr,可得遠視角θfar和近視角θnear:
θfar≈Lfar/Rv=Lfarω/vx
(2)
θnear=yL/Lnear
(3)
圖2 遠近視角示意圖
圖3 駕駛員模型結(jié)構(gòu)圖
令Lnear=5m,Lfar=15m,當車輛在接近直線道路上行駛時,遠視角θfar接近于零。當車輛在彎曲道路上行駛時,Ga(s)為基于視覺超前轉(zhuǎn)向增益環(huán)節(jié),根據(jù)遠視角比例生成期望轉(zhuǎn)向盤轉(zhuǎn)角,以跟蹤預瞄時間內(nèi)參考路徑曲率變化;補償控制子系統(tǒng)Gc(s)通過近視角θnear產(chǎn)生補償轉(zhuǎn)向盤轉(zhuǎn)角,以保證車輛路徑跟蹤精度,tL、tI分別為超前和滯后時間常數(shù);采用延時環(huán)節(jié)exp(τps)等效駕駛員眼睛等感覺器官和神經(jīng)中樞系統(tǒng)的信息處理延時,即用τp表示駕駛員的反應時間;駕駛員手臂神經(jīng)肌肉動力學系統(tǒng)的輸出為駕駛員輸出力矩Td,tN=0.12s為神經(jīng)肌肉滯后時間常數(shù);駕駛員的肌肉運動知覺部分由通過轉(zhuǎn)向系統(tǒng)產(chǎn)生的駕駛員反應由感知環(huán)節(jié)Gk1(s)和動作環(huán)節(jié)Gk2(s)兩個子系統(tǒng)組成,KD、KG分別為Gk1、Gk2環(huán)節(jié)的增益,tk1、tk2為Gk2環(huán)節(jié)的時間常數(shù),t1為Gk1環(huán)節(jié)的時間常數(shù),詳見文獻[16],基于預測誤差法(predictionerrormethod,PEM)識別的駕駛員模型參數(shù)如表1所示。
表1 駕駛員模型參數(shù)值
從表1可以得出比例增益Ka較高,即駕駛員模型以Ka放大遠視角以跟蹤道路曲率變化,超前時間常數(shù)tL與比例增益Kc也較大,即駕駛員模型以tL與Kc放大近視角以確保車道保持精度。由圖3可知駕駛員模型的輸入為遠近視角θfar、θnear以及轉(zhuǎn)向盤轉(zhuǎn)角θd,系統(tǒng)的輸出為駕駛員力矩Td,可得駕駛員模型的狀態(tài)方程:
(4)
其中,ud為系統(tǒng)輸入,ud=[θfarθnearδd]T;xd為狀態(tài)矩陣,xd=[Tdxd2xd3xd4xd5]T;系統(tǒng)輸出yd為駕駛員力矩Td;Ad∈R5×5,Bd∈R5×3,Cd∈R1×5。
固定車速vx=54km/h,車道保持跟蹤路徑如圖4所示,τp=0.05s和τp=0.2s的兩個駕駛員模型的仿真結(jié)果如圖5所示,可以得出,駕駛員模型的τp對路徑跟蹤精度影響很大,系統(tǒng)對駕駛員的反應時間很敏感。在不考慮駕駛員自適應調(diào)整情況下,這一結(jié)論基本符合實際駕駛情況。分別以車速vx=54km/h和vx=72km/h,反應時間τp=0.05s駕駛員模型跟蹤相同路徑。由圖5可得,相同的反應時間下,隨著車速的增加,車道保持的路徑跟蹤精度降低。
圖4 參考路徑
圖5 橫向偏移
由式(1)、式(4)可得人車路閉環(huán)系統(tǒng)動力學模型的狀態(tài)方程:
(5)
Advr21=
2擾動抑制模糊H∞控制器
T-S模糊模型的前件是模糊的,后件為確定的線性方程,為了設計T-S模糊模型擾動抑制控制器,首先考慮以下帶有擾動輸入的連續(xù)模糊模型,模糊模型規(guī)則Ri:如果z1(t)是Mi1,…,且zp(t)是Mip, Mij(j=1,2,…,p)是模糊集合,那么
(6)
式中,x(t)=[x1(t) x2(t) … xn(t)]T為系統(tǒng)狀態(tài)矩陣;z1(t)、z2(t)、…、zp(t)為已知的模糊前件變量。
令z(t)=[z1(t) z2(t) … zp(t)],此處T-S模糊模型模糊變量z(t)為車速vx(t)=54,72,…,126km/h,如圖6所示,模糊規(guī)則數(shù)目r=5,p=1;u(t)∈R1,y(t)∈Rq分別為控制系統(tǒng)的輸入與輸出;Ai∈Rn×n,Bi∈Rn×1,Ei∈Rn×1,Ci∈Rq×n為模糊系統(tǒng)第i個子系統(tǒng)相應維數(shù)的矩陣。給定(x(t),u(t)),T-S模糊模型為
其中,wi(z(t))為第i條規(guī)則的有效程度,其值為與第i條規(guī)則相關(guān)聯(lián)的隸屬度函數(shù)的乘積。由式(6)可得T-S模糊模型的狀態(tài)方程:
(7)
圖6 車速的隸屬函數(shù)
由式(7)可得,擾動抑制問題轉(zhuǎn)化為對于給定參考信號使得擾動對系統(tǒng)的影響最小。對于給定的標量γ>0,系統(tǒng)閉環(huán)傳遞函數(shù)Ty ρ(s)的H∞范數(shù)表示外部擾動曲率ρ(t)對輸出y(t)的影響:
(8)
H∞范數(shù)越小說明外部擾動ρ(t)對整個系統(tǒng)的影響也越小,利用LMIs約束和線性目標函數(shù)凸優(yōu)化問題的最優(yōu)解可以得到使模糊模型穩(wěn)定的反饋增益Ki和相應的最小擾動抑制度γ[17]:
s.t.X>0
i≤j
hi(z(t))∩hj(z(t))≠?
Ki=MiX-1
其中,W>0表示W(wǎng)為正定矩陣,W≥0表示W(wǎng)為非負定矩陣。
通過LMIs工具箱求解可得控制器參數(shù),如表2、表3所示。
表2 車路模型控制器參數(shù)
對于模糊并行分布補償控制策略[18],T-S模糊控制器共用系統(tǒng)全局動力學模型相同的模糊集前件。在并行分布補償設計中,每個控制器都由相關(guān)的T-S模糊模型規(guī)則設計得到,設計的模糊控制器與模糊模型共用一個模糊域。模糊狀態(tài)反饋控制規(guī)則Ri:如果z1(t)是Mi1,z2(t)是Mi2,…,zp(t)是Mip,且
表3 人車路閉環(huán)模型控制器參數(shù)
ui(t)=-Kix(t)i=1,2,…,r
(9)
則T-S模糊并行分布補償控制器的輸出為
(10)
式(10)取決于T-S模糊模型的局部反饋增益Ki,通過并行分布補償獲得一個處理非線性控制系統(tǒng)簡單的算法。盡管使用局部結(jié)構(gòu)建立了模糊控制器,但是反饋增益Ki是通過全局設計條件確定的,從而保證全局系統(tǒng)的穩(wěn)定性。
3基于Carsim/Simulink人機合作轉(zhuǎn)向控制仿真
CarSim仿真車輛采用E-Class/Sedan,車輛模型參數(shù)如表4所示,道路模型為Alt3 from FHWA,如圖4所示,路面附著系數(shù)μ=0.85,第一個彎道的曲率半徑近似為155 m,第二個彎道曲率半徑近似為150 m,第三個彎道曲率半徑近似為125 m,仿真時間為50 s,車速采用0.7/0.3 G Max Ax/Ay Limits控制,車速在68~120 km/h范圍內(nèi)變化,如圖7所示,駕駛員模型參數(shù)如表1所示。圖8、圖9所示為橫向偏移和方向角偏差,絕對值均值與標準差如表5所示,車道保持人車路閉環(huán)PDC/H∞控制與車路模型控制相比,yCG的均值與標準差分別減少了60%和65%,ψL的均值與標準差分別減少了29%和53%,人車路閉環(huán)PDC/H∞控制器實現(xiàn)了較高的路徑跟蹤精度。
表4 車輛模型參數(shù)
圖7 參考車速
圖8 橫向偏移
圖9 方向角偏差
模型均值標準差車路yCG(m)0.330.31ψL(°)0.340.40人車路閉環(huán)yCG(m)0.130.11ψL(°)0.250.19
在整個行駛過程中,令tco表示tc與td方向相同的時間[14];令tres表示tc與td方向相反且tc小于td的時間;令tcont表示tc與td方向相反且tc大于td的時間。定義一致率ηco、抵制率ηres及沖突率ηcont為
ηco=tco/(tco+tres+tcont)
ηres= tres/(tco+tres+tcont)
ηcont= tcont/(tco+tres+tcont)
圖10 基于車路模型仿真
圖11 基于人車路閉環(huán)系統(tǒng)仿真
駕駛員與控制器力矩如圖10、圖11所示,由表6可知,基于人車路閉環(huán)控制比基于車路模型控制tc與td的一致率ηco增加了19%,抵制率ηres減少了60%,沖突率ηcont減少了44%。對比圖10、圖11力矩變化趨勢可知,基于人車路閉環(huán)PDC/H∞控制的輔助力矩tc與駕駛員力矩td的控制意圖基本一致,即人機合作程度高。
表6 車道保持人機合作性能評價指標 %
為了避免車輛偏離車道,跨道時間[6]成為確定車道偏離輔助系統(tǒng)啟動的判斷準則[9],其重要性也體現(xiàn)在駕駛員軌跡估計的人機交互研究中[19]。計算跨道時間時,需要考慮車道中心線軌跡、車輛航向角等因素。根據(jù)車輛質(zhì)心的側(cè)向偏移量獲得車輛前輪胎相對車道左右邊界的位置,如圖1所示,車輛前輪胎相對于車道左右邊界如下:
(11)
式中,i為l或r,分別表示左右車輪。
令相對橫擺角和轉(zhuǎn)向角δf逆時針方向為正,道路曲率半徑Rr遠大于車輛質(zhì)心相對車道邊界的側(cè)向偏移量yCGi。假設轉(zhuǎn)向角較小,對于固定的轉(zhuǎn)向角δf,根據(jù)線性二自由度運動學模型[20]前部左右輪軌跡的圓弧半徑Rvl、Rvr分別為
Rvl=(lf+lr)/δf-0.5B
Rvr=(lf+lr)/δf+0.5B
Alt3fromFHWA道路模型分為直道和彎道兩部分,通過圖5、圖8可以得出,在彎道處車輛易發(fā)生跑偏現(xiàn)象,彎道部分前輪轉(zhuǎn)向角為非零,如圖12、圖13所示。圓弧dLC為車輛前輪跨道距離,Ov為其曲率中心,ξfl、ξfr分別為其對應的圓心角,Or為道路曲率中心,λ為兩曲率中心之間的距離。根據(jù)幾何關(guān)系可得
(12)
可得跨道時間
tLC=Rviξfi/v
(13)
圖12 車輛在左彎道跨道示意圖
圖13 車輛在右彎道跨道示意圖
三個彎道處的tLC如圖14~圖16所示,由表7可以得出,在3個彎道處,基于人車路閉環(huán)PDC/H∞控制跨道時間的最小值比車路模型控制分別增加了63%、59%和45%,跨道時間的均值分別增加了139%、132%和44%。
圖14 第一個彎道
圖15 第二個彎道
圖16 第三個彎道
s
4結(jié)語
以縱向車速為模糊規(guī)則變量獲得T-S模糊模型,基于遠近視角駕駛員模型設計了人機合作PDC/H∞轉(zhuǎn)向控制器。仿真了不同車速、不同反應時間下的駕駛員模型車道保持性能,得出了車速與反應時間對所設計的駕駛員模型的車道保持性能均有影響的結(jié)論。
仿真結(jié)果表明,人車路閉環(huán)人機合作PDC/H∞轉(zhuǎn)向控制的車道保持能力要優(yōu)于車路模型控制,通過車道保持人機合作性能評價指標和力矩變化趨勢對比得出基于人車路閉環(huán)控制器能夠“理解”駕駛員的控制意圖,人機合作程度較高的結(jié)論。人車路閉環(huán)PDC/H∞控制的跨道時間均大于車路模型控制的跨道時間,從而有效減少了車道偏離的風險。
對于不同駕駛員,其模型參數(shù)值應在一定范圍內(nèi)變化,而本文仿真研究中設為定值。關(guān)于實際駕駛過程中駕駛員模型參數(shù)的自適應性、人機合作轉(zhuǎn)向硬件在環(huán)試驗及駕駛員狀態(tài)觀測器設計還有待進一步研究。
參考文獻:
[1]Katriniok A,Abel D. LTV-MPC Approach for Lateral Vehicle Guidance by Front Steering at the Limits of Vehicle Dynamics[C]//2011 50th IEEE Conference on Decision and Control and European Control Conference. Orlando,F(xiàn)L,USA,2011: 6828-6833.
[2]李琳輝,李明,郭景華,等. 基于視覺的智能車輛模糊滑模橫向控制[J]. 大連理工大學學報,2013,53(5):735-741.
Li Linhui,Li Ming,Guo Jinghua,et al. Fuzzy Sliding Mode Lateral Control of Intelligent Vehicle Based on Vision[J]. Journal of Dalian University of Technology,2013,53(5):735-741.
[3]王立標,李軍,范劍,等. 車輛橫向穩(wěn)定性自適應神經(jīng)網(wǎng)絡控制策略研究[J]. 汽車工程,2010,32 (6): 493-496.
Wang Libiao, Li Jun, Fan Jian, et al. A Study on the Control Strategy of Adaptive Neural Network for Vehicle Yaw Stability[J]. Automotive Engineering, 2010, 32(6): 493-496.
[4]王家恩, 陳無畏, 王檀彬, 等. 基于期望橫擺角速度的視覺導航智能車輛橫向控制[J]. 機械工程學報, 2012, 48(4): 108-115.
Wang Jiaen, Chen Wuwei, Wang Tanbin, et al. Vision Guided Intelligent Vehicle Lateral Control Based on Desired Yaw Rate[J]. Journal of Mechanical Engineering, 2012, 48(4): 108-115.
[5]郭景華, 胡平, 李琳輝, 等. 基于遺傳優(yōu)化的無人車橫向模糊控制[J]. 機械工程學報, 2012, 48(6): 76-82.
Guo Jinghua, Hu Ping, Li Linhui, et al. Study on Lateral Fuzzy Control of Unmanned Vehicles via Genetic Algorithms[J]. Journal of Mechanical Engineering, 2012, 48(6): 76-82.
[6]張海林, 羅禹貢, 江青云, 等. 基于電動助力轉(zhuǎn)向的車道保持系統(tǒng)[J]. 汽車工程, 2013, 35(6): 525-531.
Zhang Hailin,Luo Yugong,Jiang Qingyun, et al. Lane Keeping System Based on Electric Power Steering System[J]. Automotive Engineering, 2013, 35(6): 525-531.
[7]Menhour L, Charara A, Lechner D. Switched LQR/H∞Steering Vehicle Control to Detect Critical Driving Situations[J]. Control Engineering Practice, 2014, 24: 1-14.
[8]Menhour L, Lechner D, Charara A. Two Degrees of Freedom PID Multi-controllers to Design a Mathematical Driver Model: Experimental Validation and Robustness Tests[J]. Vehicle System Dynamics, 2011, 49: 595-624.
[9]Enache N M, Mammar S, Netto M, et al. Driver Steering Assistance for Lane-departure Avoidance Based on Hybrid Automata and Composite Lyapunov Function[J]. IEEE Transactions on Intelligent Transportation Systems, 2010, 11(1): 28-39.
[10]Marino R, Scalzi S, Netto M. Integrated Driver and Active Steering Control for Vision-based Lane Keeping[J]. European Journal of Control, 2012, 5:473-484.
[11]Nagai M, Mouri H, Raksincharoensak P. Vehicle Lane-tracking Control with Steering Torque Input[J]. Vehicle System Dynamics, 2003, 37:267-278.
[12]Soualmi B, Sentouh C, Popieul J C, et al. Fuzzy Takagi-Sugeno LQ Controller for a Shared Control of Vehicle[C]//2011 14th International IEEE Conference on Intelligent Transportation Systems. Washington DC,USA,2011: 956-961.
[13]Soualmi B, Sentouh C, Popieul J C, et al. Fuzzy Takagi-Sugeno LQ Controller for Lateral Control Assistance of a Vehicle[C]//2012 Intelligent Vehicles Symposium. Alcalá de Henares, Spain,2012: 377-382.
[14]Saleh L, Chevrel P, Claveau F, et al. Shared Steering Control between a Driver and an Automation: Stability in the Presence of Driver Behavior Uncertainty[J]. IEEE Transactions on Intelligent Transportation Systems, 2013, 14(2): 974-983.
[15]Sentouh C, Debernard S, Popieul J, et al. Toward a Shared Lateral Control between Driver and Steering Assist Controller[C]//11th IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation of Human-machine Systems. Valenciennes, France,2010:404-409.
[16]Sentouh C, Chevrel P, Mars F, et al. A Sensorimotor Driver Model for Steering Control[C]//Proceedings of the 2009 IEEE International Conference on Systems, Man, and Cybernetics. San Antonio, USA,2009:2462-2467.
[17]張喜海. 基于T-S模型的航天器姿態(tài)模糊控制問題研究[D]. 哈爾濱工業(yè)大學, 2013.
[18]Li J, Wang H O, David N, et al. Dynamic Parallel Distributed Compensation for Takagi-Sugeno Fuzzy Systems: an LMI Approach[J]. Information Sciences, 2000, 123: 201-221.
[19]Mammar S, Glaser S, Netto M. Time to Line Crossing for Lane Departure Avoidance: a Theoretical Study and an Experimental Setting[J]. IEEE Transactions on Intelligent Transportation Systems, 2006, 7(2): 226-241.
[20]Rajamani R. Vehicle Dynamics and Control[M]. New York:Springer, 2011.
(編輯張洋)
Human-machineCooperativeSteeringPDC/H∞ControlStrategyBasedonDriverModelwithNearandFarVisualAngels
WangXuanyao1,2WangQidong1,2WangJinbo1
1.HefeiUniversityofTechnology,Hefei, 230009 2.AnhuiUniversityofScienceandTechnology,Huainan,Anhui,232001
Abstract:A non-linear road-vehicle and driver-road-vehicle closed-loop T-S fuzzy model was acquired based on a driver model with near and far visual angels. State feedback γ-suboptimum norm and linear matrix inequalities constraint were used to get feedback gain matrix. The global controllers of road-vehicle and driver-road-vehicle closed-loop T-S fuzzy model were designed by using PDC. Simulation results based on CarSim/Simulink show that lane keeping performance and time to line crossing based on human-machine cooperative steering control of driver-road-vehicle closed-loop model are both superior to road-vehicle model, and the lane departure risk is reduced. The man-machine cooperation degree of driver-road-vehicle closed-loop PDC/H∞controller is higher by evaluation criterion of cooperative steering control.
Key words:driver model with near and far visual angels; parallel distributed compensation(PDC); human-machine cooperative steering control; time to line crossing
收稿日期:2014-12-25
基金項目:國家自然科學基金資助項目(51075112,51405004)
中圖分類號:U461
DOI:10.3969/j.issn.1004-132X.2016.01.020
作者簡介:汪選要,男,1980年生。合肥工業(yè)大學機械與汽車工程學院博士研究生,安徽理工大學機械工程學院副教授。主要研究方向為車輛動力學與控制、汽車輔助駕駛技術(shù)。發(fā)表論文10余篇。王其東,男,1964年生。合肥工業(yè)大學機械與汽車工程學院教授、博士研究生導師,安徽理工大學機械工程學院教授、博士研究生導師。王金波,男,1979年生。合肥工業(yè)大學機械與汽車工程學院博士研究生。