基于多智能体的ABS与AFS分布式模型预测控制方法技术

基于多智能体的ABS与AFS分布式模型预测控制方法涉及电动汽车制动转向时底盘协同控制领域，该方法是：基于多智能体的ABS和AFS分布式协调控制模块首先将四通道ABS和AFS看做5个异构智能体，建立基于图论的ABS和AFS分布式协调控制模型，然后提出基于动态滑模的ABS和AFS分布式模型预测控制方法，根据四个车轮的理想滑移率和横摆角速度、汽车的实际运动状态信息，动态调整主动转向和四轮制动力矩在协调控制时各自所占的权重，优化求解出汽车的前轮附加转角和汽车制动力矩，输出给CarSim汽车模型，实现车辆在低附着路面或对开路面制动转向时在保证整车制动性能的同时提高车辆的稳定性。性。性。

【技术实现步骤摘要】
reserve capability.IEEE Transactions on Vehicular Technology,PP(99),1
‑
1]中提出了4种结合滑模控制和模糊控制的ABS、AFS和DYC集成控制系统，以提高横向稳定性和控制性能。当系统同时存在高阶模型以及状态、控制约束时，采用模型预测控制(Model Predictive Control，MPC)方法是最为合适的。
[0004]分布式系统可以协调多个局部控制器来实现全局优化或纳什优化，降低模型复杂度，提高控制效率。分布式模型预测控制(DMPC)符合分布式系统的特点，具有更高的灵活性和容错性，可以实现复杂系统的模型降维，减少计算量，提高控制效率。在分布式控制结构中，将车辆系统模型的每一部分都看作一个具有决策能力的智能体，将智能体之间的协调与配合应用到复杂的工作中，可以大大提高工作效率、系统的灵活性和鲁棒性。随着电动汽车和多智能体的快速发展，将多智能体技术应用于电动汽车的协调和控制成为一个热门话题。MPC是一种能够有效处理非线性、在线约束和多输入多输出问题的控制算法，具有天然的解耦优势。

技术实现思路

[0005]为了解决汽车在低附着路面或对开路面转向制动时，针对四通道ABS系统由于左右车轮的制动力不相等导致汽车制动转向时整车稳定性差的问题，本专利技术提出一种基于多智能体的ABS与AFS分布式模型预测控制方法。
[0006]本专利技术解决技术问题所采取的技术方案如下：
[0007]基于多智能体的ABS与AFS分布式模型预测控制方法，其包括如下步骤：
[0008]步骤一、根据CarSim汽车模型输出的汽车实时纵向车速v
x
和驾驶员给定的前轮转向角δ
fd
，得到2
‑
DOF车辆理想模型的理想横摆角速度γ
ref
；
[0009]步骤二、将CarSim汽车模型输出的汽车实时横摆角速度γ、实时质心侧偏角β、汽车实时纵向车速v
x
，四个车轮路面附着系数μ1、μ2、μ3、μ4，四个车轮垂向载荷F
z1
、F
z2
、F
z3
、F
z4
和步骤一得到的理想横摆角速度γ
ref
，输入给基于多智能体的ABS和AFS分布式协调控制模块，该模块包括基于图论的ABS和AFS分布式协调控制模型和基于动态滑模的ABS和AFS分布式模型预测控制两部分。ABS和AFS分布式协调控制模块将输出的汽车四轮制动力矩T1、T2、T3、T4给CarSim汽车模型，ABS和AFS分布式协调控制模块输出的附加前轮转向角Δδ与驾驶员给定的前轮转向角δ
fd
作和得到补偿后的汽车前轮转向角δ
f
给CarSim汽车模型；
[0010]步骤三、通过CarSim汽车模型，获得汽车的实时运动状态信息，包括车辆的实时横摆角速度γ、实时质心侧偏角β和汽车实时纵向车速v
x
、四个车轮路面附着系数μ1、μ2、μ3、μ4，四个车轮垂向载荷F
z1
、F
z2
、F
z3
、F
z4
。
[0011]本专利技术的有益效果如下：
[0012]1)本专利技术根据电动汽车制动转向时的工作原理，将四通道ABS系统和AFS系统看作5个异构智能体，建立基于图论的ABS和AFS分布式协调控制模型，实现模型降维；
[0013]2)本专利技术提出一种基于多目标优化的DMPC控制方法。针对系统存在的高阶模型以及状态、控制约束，采用DMPC的方法进行求解。分布式系统可以协调多个局部控制器实现全局优化或纳什优化，降低模型复杂度，提高控制效率，具有更高的灵活性和容错性，解决了传统MPC的数值优化算法实时性低、矩阵求逆计算量大、耗时长的问题，减少计算量。并且由于DMPC存在在线优化、结构灵活、约束解清晰、非线性等优点成为处理大规模复杂系统的重
要工具。
[0014]3)本专利技术考虑每个智能体状态及输出的变化对其他相邻智能体的影响，利用动态滑模响应速度快，对外界噪声干扰和参数摄动具有鲁棒性优点，提出基于动态滑模的ABS和AFS分布式协调控制目标函数设计方法，动态调整主动转向和汽车四轮制动力矩在协调控制时各自所占的权重，保证制动性能的同时提高整车稳定性；
[0015]4)本专利技术所提方法简单易于实现，可用于多电机控制﹑智能机器人、新能源电动汽车、交通控制等诸多领域，适用面广，适宜广泛推广应用。
附图说明
[0016]图1是本专利技术基于图论的四通道ABS系统和AFS系统拓扑结构示意图。
[0017]图2是本专利技术基于多智能体的ABS与AFS分布式模型预测控制方法原理框图。
[0018]图3是本专利技术基于多智能体的ABS和AFS分布式协调控制原理框图。
具体实施方式
[0019]下面结合附图和具体实施例对本专利技术作进一步详细说明。
[0020]如图1所示，本专利技术基于多智能体的ABS与AFS分布式模型预测控制方法中，将四通道ABS系统和AFS系统看作5个异构的智能体，其中智能体1,2,3,4为四个车轮的ABS子系统，智能体5为主动前轮转向AFS系统。根据分布式驱动电动汽车四个车轮的ABS子系统和主动前轮转向AFS系统的硬件连接结构和内部工作通信原理，可得到基于图论的四通道ABS系统和AFS系统拓扑结构示意图。因此，考虑其自身智能体和相邻智能体的状态信息，通过设计基于动态滑模的单个智能体模型预测控制策略，可实现ABS和AFS协调控制系统对四个车轮理想滑移率和整车理想横摆角速度值的跟随。
[0021]如图2所示，本专利技术基于多智能体的ABS与AFS分布式模型预测控制方法包括：步骤一、根据CarSim汽车模型输出的汽车实时纵向车速v
x
和驾驶员给定的前轮转向角δ
fd
，得到2
‑
DOF车辆理想模型的理想横摆角速度γ
ref
；步骤二、将CarSim汽车模型输出的汽车实时横摆角速度γ、实时质心侧偏角β、汽车实时纵向车速v
x
、四个车轮路面附着系数μ1、μ2、μ3、μ4，四个车轮垂向载荷F
z1
、F
z2
、F
z3
、F
z4
和步骤一的理想横摆角速度γ
ref
，输入给基于多智能体的ABS和AFS分布式协调控制模块，该模块包括基于图论的ABS和AFS分布式协调控制模型和基于动态滑模的ABS和AFS分布式模型预测控制两部分，ABS和AFS分布式协调控制模块输出的汽车四轮制动力矩T1、T2、T3、T4给CarSim汽车模型，ABS和AFS分布式协调控制模块输出的附加前轮转向角Δδ与驾驶员给定的前轮转向角δ
fd
作和得到补偿后的汽车前轮转向角δ
f
给CarSim汽车模型；步骤三、通过CarSim汽车模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多智能体的ABS与AFS分布式模型预测控制方法，其特征在于，该方法包括如下步骤：步骤一、根据CarSim汽车模型输出的汽车实时纵向车速v
x
和驾驶员给定的前轮转向角δ
fd
，得到2
‑
DOF车辆理想模型的理想横摆角速度γ
ref
；步骤二、将CarSim汽车模型输出的汽车实时横摆角速度γ、实时质心侧偏角β、汽车实时纵向车速v
x
，四个车轮路面附着系数μ1、μ2、μ3、μ4，四个车轮垂向载荷F
z1
、F
z2
、F
z3
、F
z4
和步骤一得到的理想横摆角速度γ
ref
，输入给基于多智能体的ABS和AFS分布式协调控制模块，该协调控制模块包括基于图论的ABS和AFS分布式协调控制模型以及基于动态滑模的ABS和AFS分布式模型预测控制模块两部分；所述基于多智能体的ABS和AFS分布式协调控制模块将输出的汽车四轮制动力矩T1、T2、T3、T4给CarSim汽车模型，ABS和AFS分布式协调控制模块输出的附加前轮转向角Δδ与驾驶员给定的前轮转向角δ
fd
作和得到补偿后的汽车前轮转向角δ
f
给CarSim汽车模型；步骤三、通过CarSim汽车模型，获得汽车的实时运动状态信息，包括车辆的实时横摆角速度γ、实时质心侧偏角β和汽车实时纵向车速v
x
、四个车轮路面附着系数μ1、μ2、μ3、μ4，四个车轮垂向载荷F
z1
、F
z2
、F
z3
、F
z4
。2.如权利要求1所述基于多智能体的ABS与AFS分布式模型预测控制方法，其特征在于，所述步骤一包括如下过程：采用线性二自由度汽车模型作为参考模型，其状态方程为：其中：δ
fd
为驾驶员给定的前轮转向角，l1、l2分别为质心到前轴和后轴的距离，I
z
为绕z轴的转动惯量，m为整车质量，v
x
为汽车实时纵向车速，C
αf
和C
αr
为汽车前后轮胎总侧偏刚度，β
ref
和γ
ref
为当前车速下满足驾驶员操作意图的理想质心侧偏角和理想横摆角速度；根据式(1)及路面附着条件的约束，求得β
ref
和γ
ref
为：其中，为车辆稳定性系数，μ为路面附着系数，g＝9.8为重力加速度。3.如权利要求1所述基于多智能体的ABS与AFS分布式模型预测控制方法，其特征在于，步骤二所述基于图论的ABS和AFS分布式协调控制模型的建模过程如下：
＝T1、u2＝T2、u3＝T3、u4＝T4、u5＝Δδ均为系统状态方程(9)的控制变量，均为系统干扰，c
i
＝1为系统状态方程(9)的系数，y
si
为系统输出量；(4)基于图论的ABS和AFS分布式协调控制系统数学模型根据ABS和AFS分布式协调控制系统的状态方程(9)，将i＝1,2,3,4,5看作5个异构的智能体，其中智能体1,2,3,4为四个车轮的ABS子系统，智能体5为主动前轮转向系统AFS；根据分布式驱动电动汽车四个车轮的ABS子系统和主动前轮转向系统AFS的硬件连接结构和内部工作通信原理，可得到基于图论的ABS和AFS的系统拓扑结构图；根据图论的基本知识，无向图G＝(Ω,Π,A)与节点集Ω＝{1,
…
,N}相联，其中N代表节点数，每个节点代表一个智能体；Π＝{(i
G
,j
G
),i
G
,j
G
∈Ω}表示边集，i
G
和j
G
称为邻居；是邻接矩阵，B
T
＝diag(b1,b2,
…
,b
N
)为对角矩阵，表示领导者和跟随者之间的通信拓扑；D＝diag(d1…
,d
N
)为入度矩阵；定义拉普拉斯矩阵为L＝D
‑
A
T
,其中：5个智能体相当于无向图中的5个节点，基于图论可得ABS和AFS分布式协调控制系统的邻接矩阵A
T
、入度矩阵D、拉普拉斯矩阵L分别为：4.如权利要求1所述基于多智能体的ABS与AFS分布式模型预测控制方法，其特征在于，步骤二所述基于动态滑模的ABS和AFS分布式模型预测控制模块的设计过程如下：(1)ABS和AFS分布式协调控制预测模型采用前向欧拉法将ABS和AFS分布式协调控制系统的状态方程(9)离散化：式中，T为仿真步长，x
si
为式(9)中的状态变量，x
si
(k)、u
i
(k)、d
i
(k)和y
si
(k)分别为第i个智能体k时刻离散系统的状态变量、控制变量、干扰和输出量，x
si
(k+1)为第i个智能体k+1时刻离散系统状态变量；则：
式中，I为单位矩阵；同理，根据式(12)可得：式中，x
si
(k
‑
1)、u
i
(k
‑
1)、d
i
(k
‑
1)和y
si
(k
‑
1)分别为第i个智能体k
‑
1时刻离散系统状态变量、控制变量、干扰和输出量；令Δx
si
(k+1)＝x
si
(k+1)
‑
x
si
(k)，Δu
i
(k)＝u
i
(k)
‑
u
i
(k
‑
1)，Δd
i
(k)＝d
i
(k)
‑
d
i
(k)，根据式(12)和(13)，可得ABS和AFS分布式协调控制系统的增量模型：式中，Δx
si
(k+1)为第i个智能体k+1时刻离散系统的状态增量，Δx
si
(k)、Δu
i
(k)和Δd
i
(k)分别为第i个智能体k时刻离散的系统状态增量、控制增量、干扰增量，y
si
(k+1)为第k+1时刻离散系统的输出量；设x
i
(k)＝[Δx
si
(k) y
si
(k)]
T
，将ABS和AFS分布式协调控制系统的增量模型(14)重新整理为如下形式：式中：x
i
(k)、Δu
i
(k)、d
i,t
(k)和y
i
(k)分别为第i个智能体k时刻预测方程增量模型的状态变量、控制增量、扰动和输出量，x
i
(k+1)为第i个智能体k+1时刻预测方程增量模型的状态变量，A
i,t
、B
i,t
和C
i
是第i个智能体预测方程增量模型的系数矩阵，I为单位矩阵，满足：C
i
＝[0I]，假设当前时刻为k时刻，系统的预测时域为P，控制时域为M，因此在M个连续的控制增量Δu
i
(k),Δu
i
(k+1),
…
,Δu
i
(k+M
‑
1)的作用下，系统未来P个时刻的输出预测值为：式中，y
i
(k+σ|k)σ＝1,2，...,P，分别代表第i个智能体k时刻，系统未来σ时刻的输出预测值，Δu
i
(k+θ)θ＝0,1,2，...,M
‑
1分别代表第i个智能体k时刻M个连续的控制增量；令：Y
iP
(k)＝[y
i
(k+1|k),y
i
(k+2|k),...,y
i
(k+P|k)]
T
ΔU
iM
(k)＝[Δu
i
(k),Δu
i
(k+1),...,Δu
i
(k+M
‑
1)]
T
根据式(16)，可得ABS和AFS分布式协调控制系统的第i个智能体多步输出预测方程：Y
iP
(k)＝H
i
x
i
(k|k)+K
i
ΔU
iM
(k)+S

【专利技术属性】
技术研发人员：张袅娜，王皆书，姜春霞，李昊林，秦喜文，李绍松，陈仁辉，杨光，吴光仡，李宗昊，张哲，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：