一种基于模糊自适应滑模的智能车系统干扰补偿方法技术方案

本发明专利技术公开了一种基于模糊自适应滑模的智能车系统干扰补偿方法，包括自适应干扰观测器设计、状态估计的设计、以及控制器设计。本发明专利技术针对智能车系统中的外界干扰问题，设计了一种基于模糊自适应滑模的干扰估计器；针对系统状态不可观测问题，设计了一种基于观测干扰的模糊状态估计器；针对智能车系统的跟踪控制问题，设计了一种基于估计状态的控制器。本发明专利技术能够有效解决智能车系统在外界干扰下的干扰观测和状态估计以及跟踪控制问题。和状态估计以及跟踪控制问题。和状态估计以及跟踪控制问题。

【技术实现步骤摘要】
一种基于模糊自适应滑模的智能车系统干扰补偿方法


[0001]本专利技术属于智能车系统干扰补偿
，更为具体地讲，涉及一种基于模糊自适应滑模的智能车系统干扰补偿方法。

技术介绍

[0002]智能车系统是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。近年来，智能车己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。然而，智能车系统通常会受到系统内部或外部扰动的影响，比如传感器受限和外界输入干扰。文献[“Autonomous Platoon Control Allowing Range
‑
Limited Sensors”(Ge Guo and Wei Yue，IEEE Transactions on Vehicular Technology,vol.61,no.7,pp.2901
‑
2912，2012)]研究了智能车系统的串控制和传感器受限问题，设计了一种保成本控制器。文献[“Adaptive tracking control for networked control systems of intelligent vehicle”(Meng Li,Yong Chen,Anjian Zhou,Wen He,Xu Li，Information Sciences,vol.503,pp.493
‑
507,2019.)]研究了网络智能车系统中的外界干扰问题，设计了一种滑模控制控制算法。然而上述文献中都采用了一种线性化方法，把非线性汽车模型近似为一种线性系统，忽略了模型的准确性。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种基于模糊自适应滑模的智能车系统干扰补偿方法，以解决智能车系统中的干扰补偿，状态估计以及跟踪控制问题，能够有效解决智能车系统在外界干扰下的干扰观测和状态估计以及跟踪控制问题。
[0004]为实现上述专利技术目的，本专利技术基于模糊自适应滑模的智能车系统干扰补偿方法，针对智能车系统中的外界干扰问题，设计了一种基于模糊自适应滑模的干扰估计器；针对系统状态不可观测问题，设计了一种基于观测干扰的状态估计器；针对智能车系统的跟踪控制问题，设计了一种基于估计状态的控制器。本专利技术能够有效解决智能车系统在外界干扰下的干扰观测和状态估计以及跟踪控制问题。
[0005]所述自适应干扰观测器设计，定义最优的权重参数为δ
*
，状态估计误差为其中为估计值。设计滑模函数为：
[0006][0007]其中其中为x的估计值。于是设计干扰观测器：
[0008][0009][0010]其中v为中间变量，η＞0表示观测器调节参数，k
d
(t)表示自适应参数，其自适应律
为：
[0011][0012][0013]且
[0014][0015][0016][0017][0018]其中μ0＞0,π＞0,β＞0,0＜γ＜1和q＞1均为自适应律调节参数。
[0019]所述状态估计器设计，设计一种模糊状态估计器：
[0020][0021]其中c为估计器参数。
[0022]所述控制器设计，其特征在于：设计如下控制器
[0023][0024]其中α2表示虚拟控制输入，τ3表示虚拟控制误差，ρ1和ι表示控制器调节参数，tanh(
·
)表示双曲正切函数。
[0025]本专利技术的目的是这样实现的。
[0026]本专利技术基于模糊自适应滑模的智能车系统干扰补偿方法，包括自适应干扰观测器设计、状态估计的设计、以及控制器设计。本专利技术针对智能车系统中的外界干扰问题，设计了一种基于模糊自适应滑模的干扰估计器；针对系统状态不可观测问题，设计了一种基于观测干扰的模糊状态估计器；针对智能车系统的跟踪控制问题，设计了一种基于估计状态的控制器。本专利技术能够有效解决智能车系统在外界干扰下的干扰观测和状态估计以及跟踪控制问题。
附图说明
[0027]图1是本专利技术基于模糊自适应滑模的智能车系统干扰补偿方法一种具体实施方式的原理示意图。
具体实施方式
[0028]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。
[0029]图1是本专利技术基于模糊自适应滑模的智能车系统干扰补偿方法一种具体实施方式的原理示意图。
[0030]如图1所示，本专利技术涉及含有智能车系统的自适应干扰观测器设计、状态估计器设
计以及控制器设计。
[0031]考虑一个智能车系统，其纵向动力学可以用三阶非线性模型表征，如下：
[0032][0033]其中p,v和a分别表示汽车的位置，速度和加速度，参数k(t),τ和m分别表示发动机输入、发动机时间常数和质量，d(t)表示外界干扰，h(v,a)表示非线性函数，具体如下：
[0034][0035]其中θ,A,C
d
和d
m
分别表示空气的比质量、截面积、阻力系数和机械阻力。
[0036]进一步，定义状态变量和控制输入为：x1＝p,x2＝v,x3＝a和此外，令和x＝(x1,x2,x3)
T
，于是，可以得到
[0037][0038]上述非线性系统满足如下假设：(1)干扰d(t)，以及它的一阶和二阶导数是有界的，即，和其中代表三个常数；(2)非线性函数f(x)满足全局利普希茨条件，即对任意的z1,z2∈R3，存在常数使得。
[0039]一般采用模糊逻辑系统的方法来逼近平滑非线性函数，比如，f(x)是定义在紧致集合M上的连续函数，对任意常数ε＞0，存在一个模糊逻辑系统使得如下条件成立：
[0040][0041]其中δ
T
表示权重向量，表示激励函数。
[0042]自适应干扰观测器和状态估计器设计
[0043]由上述分析可知，未知光滑非线性函数f(x)可以被近似为：
[0044][0045]其中表示x的估计值。
[0046]进一步，最优参数δ
*
可以通过下面方程求得
[0047][0048]其中Ω和表示两个有界的紧致集合。
[0049]定义模糊估计误差为：
[0050][0051]其中其中表示误差的上界。进一步，定义状态估计误差为：
[0052][0053]其中表示状态x3的估计值。设计模糊状态估计器如下：
[0054][0055]其中参数v(t)表示辅助变量，它将在如下定理1中被设计。
[0056]定理1.对于非线性系统(3)，含干扰d(t)，设计如下滑模函数
[0057][0058]其中和如果辅助本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊自适应滑模的智能车系统干扰补偿方法，其特征在于，包括以下步骤：自适应干扰观测器设计、状态估计器设计、以及控制器设计。2.根据权利要求1所述的基于模糊自适应滑模的智能车系统干扰补偿方法，其特征在于，所述自适应干扰观测器设计包括具有干扰的智能车系统建模，并将汽车模型转化为一般的三角结构非线性系统模型，非线性函数的模糊估计，自适应干扰观测器设计。3.根据权利要求2所述的基于模糊自适应滑模的智能车系统干扰补偿方法，其特征在于，所述具有干扰的智能车系统建模，并将汽车模型转化为一般的三角结构非线性系统模型：一般地，车辆的纵向动力学可以用三阶非线性模型来表征为：型：一般地，车辆的纵向动力学可以用三阶非线性模型来表征为：型：一般地，车辆的纵向动力学可以用三阶非线性模型来表征为：其中p、v、a、k(t)、τ、m分别表示车辆的位置、速度、加速度、发动机输入、发动机时间常数和质量，d(t)表示外界干扰，h(v，a)表示非线性函数。定义状态变量和控制输入：x1＝p,x2＝v,x3＝a和此外，令和x＝(x1,x2,x3)
T
，则：4.根据权利要求2所述的基于模糊自适应滑模的智能车系统干扰补偿方法，其特征在于，所述非线性函数的模糊估计：对任意常数ε＞0，以及定义在紧致集合M上的连续函数f(x)...

【专利技术属性】
技术研发人员：李猛，苗朕海，陈勇，潘成伟，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：