基于在线状态补偿MPC的车辆横向稳定性控制方法技术

一种基于在线状态补偿MPC的车辆横向稳定性控制方法，属于车辆安全控制技术领域。本发明专利技术的目的是在线性二自由度车辆动力学模型的基础上，设计在线自适应神经网络，对低附着路面条件下引起的不确定性状态进行补偿的基于在线状态补偿MPC的车辆横向稳定性控制方法。本发明专利技术在线性二自由度车辆动力学模型的基础上，设计在线自适应神经网络，对低附着路面条件下引起的不确定性状态进行补偿，基于该补偿模型在模型预测控制框架下设计车辆横向稳定控制器，控制目标包括横摆角速度的跟踪和抑制侧向速度，并对侧向速度以及控制量进行约束。本发明专利技术不需要进行大量的离线训练就可有效对系统的状态量进行补偿，具有更好的泛用性。具有更好的泛用性。

【技术实现步骤摘要】
基于在线状态补偿MPC的车辆横向稳定性控制方法


[0001]本专利技术属于车辆安全控制


技术介绍

[0002]车辆在低附着工况下，很容易因为失稳而引发交通事故，如果汽车装有汽车横向稳定性控制器，将会极大地减少汽车事故的发生，以此来保证驾驶者的生命财产安全。车辆在低附着工况下运行时，汽车动力学会出现严重非线性特性，而模型预测控制可以用于解决具有多个约束的非线性问题，并可以优化性能指标，所以MPC在低附工况下的车辆稳定性控制中得到了广泛应用。
[0003]目前对于低附着路面下车辆稳定性控制的研究会存在以下这些问题：1、目前多数研究在车辆横向稳定性控制方面是采用基于简单的线性二自由度车辆动力学模型的MPC，然而在低附着工况下汽车的轮胎力常处于非线性区域，预测模型的预测效果与实际行驶结果有较大的偏差，基于不准确动力学模型的MPC控制器会限制其控制潜力，进而导致控制效果不太理想，从而造成控制效果极大地减弱，造成漂移、侧翻等后果。
[0004]2、为了更准确的描述轮胎模型，大多数研究常常采用复杂的非线性轮胎模型来对低附着行驶下的汽车模型进行描述，但该方法增加了模型预测控制器的求解难度，加重了求解过程中的计算负担，降低了控制器求解的计算效率，并且难以保证控制系统的实时性。
[0005]3、在低附着工况下的稳定性控制中，如果需要利用到数据来改进控制器，大多数研究常采用离线神经网络来达成目的。但是要想获得准确的网络预测结果需要大量的数据作为支持，如果数据量不足的话，那么当离线神经网络的训练结果应用到实际的复杂道路情况下的时候，网络模型的可迁移性效果不理想，不能达到期望的控制效果。

技术实现思路

[0006]本专利技术的目的是在线性二自由度车辆动力学模型的基础上，设计在线自适应神经网络，对低附着路面条件下引起的不确定性状态进行补偿的基于在线状态补偿MPC的车辆横向稳定性控制方法。
[0007]本专利技术的步骤是：S1、利用在线自适应神经网络预测出模型侧向速度和横摆角速度的补偿值，并根据此补偿值在控制器中对预测模型偏移量进行实时的补偿；S01、在线自适应神经网络补偿：根据外部输入向量z＝[V
y com γcom
]自适应逼近Δε，如下所示式中为状态补偿的近似变量，为第m个隐藏节点到输出节点的
权重；a
m
是随机选择的权重向量，连接输入层到第m隐节点，b
m
是第m个隐节点的随机选择偏差；G(
·
)为神经网络的激活函数；S02、将激活函数选择为Sigmoid函数：式(1)改写为：其中H＝diag(α1，α2)，α
i
＝[G(a1，b1，z)G(a2，b2，z)
…
G(a
N
，b
N
，z)]，S03、理想的输出权向量使未知非线性可以用一个非常小的有界逼近误差逼近，即要实现闭环系统稳定，目标跟踪误差应为其中κ是0到1之间的常数；S04、跟踪误差e(k)被定义为估计的状态向量和实际状态向量x(k)＝[V
y γ]之间的状态偏移值z＝[V
y com γ
com
]，即所使用的补偿值：S05、输出权重的误差定义为：S06、将自适应权重更新算法被给出为：当自定义学习率0<η<1时，在Lyapunov稳定性定理的证明下，可以保证所提出的RPNN内的自适应系统的稳定性，RPNN不需要任何离线训练的初始训练数据；S2、MPC控制器设计：S0l、简化后的线性车辆二自由度模型由如下方程描述：
其中，和分别表示车辆的侧向速度的导数和横摆角速度的导数，F
yf
和F
yr
分别表示前后轮胎的轮胎侧向力，ΔM
z
为附加横摆力矩，轮胎侧向力F
yf
＝
‑
2C
f
α
f
，F
yr
＝
‑
2C
r
α
r
；前后轮的侧偏角如下：S02、预测模型考虑车辆的侧向及横摆运动，得到二自由度车辆动力学模型：其中，V
y
为车辆侧向速度，F
y
代表轮胎的侧向力，下标fl，fr，rl，rr分别代表左前、右前、左后和右后车轮，下标com代表状态补偿的补偿量，轮胎侧向力F
yf
＝
‑
2C
f
α
f
，F
yr
＝
‑
2C
r
α
r
；轮胎侧向力中α
f
，α
r
的公式如下根据公式(11)
‑
(12)，将汽车模型描述为：其状态量x＝[x
1 x2]T
＝[V
y γ]T
由车辆侧向速度和横摆角速度组成，控制量u＝[u
1 u2]T
＝[ΔM
z Δδ
f
]T
为轮胎附加横摆力矩和附加前轮转角；式(13)中A，B
u
，B
d
分别表示为：
对预测模型(13)，根据欧拉方程离散化，设T
s
为采样时间，得到离散后的预测模型为：x(k+1)＝A
d
x(k)+B
ud
u(k)+B
dd
δ
f
+X
c
ꢀꢀ
(15)其中A
d
＝AT
s
+I，B
ud
＝B
u
T
s
，B
dd
＝B
d
T
s
，X
c
＝x
com
·
T
s
，其中I是单位矩阵；推到出预测时域内的状态量为其中N
p
为预测时域，括号中的k+1|k表示在当前k时刻预测k+1时刻的系统状态；未来N
p
个预测时域内预测的系统状态X
k
以及预测时域内的控制量U
k
为：结合(16)(17)将其整理为矩阵形式：其中，其中，S03、目标函数及约束
①
定义目标函数如下：
②
代价函数：
③
根据式(20)、(21)定义一个总目标函数：s.t.|u1(k
i
‑
1)|≤u
1max
，i＝0，1，2，
…
，p
‑
1|u2(k
i
‑
1)|≤u
2max
，i＝0，1，2，
…
，p
‑
1|γ(k
i
)|≤γ
max
，i＝1，2，
…
，p
ꢀꢀꢀ
(22)其中和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于在线状态补偿MPC的车辆横向稳定性控制方法，其特征在于：其步骤是：S1、利用在线自适应神经网络预测出模型侧向速度和横摆角速度的补偿值，并根据此补偿值在控制器中对预测模型偏移量进行实时的补偿；S01、在线自适应神经网络补偿：根据外部输入向量z＝[V
y com γ
com
]自适应逼近Δε，如下所示式中为状态补偿的近似变量，为第m个隐藏节点到输出节点的权重；a
m
是随机选择的权重向量，连接输入层到第m隐节点，b
m
是第m个隐节点的随机选择偏差；G(
·
)为神经网络的激活函数；S02、将激活函数选择为Sigmoid函数：式(1)改写为：其中H＝diag(α1，α2)，α
i
＝[G(a1，b1，z)G(a2，b2，z)
…
G(a
N
，b
N
，z)]，S03、理想的输出权向量使未知非线性可以用一个非常小的有界逼近误差逼近，即要实现闭环系统稳定，目标跟踪误差应为其中κ是0到1之间的常数；S04、跟踪误差e(k)被定义为估计的状态向量和实际状态向量x(k)＝[V
y γ]之间的状态偏移值z＝[V
y com γ
com
]，即所使用的补偿值：S05、输出权重的误差定义为：S06、将自适应权重更新算法被给出为：当自定义学习率0＜η＜1时，在Lyapunov稳定性定理的证明下，可以保证所提出的RPNN内的自适应系统的稳定性，RPNN不需要任何离线训练的初始训练数据；S2、MPC控制器设计：
S0l、简化后的线性车辆二自由度模型由如下方程描述：其中，和分别表示车辆的侧向速度的导数和横摆角速度的导数，F
yf
和F
yr
分别表示前后轮胎的轮胎侧向力，ΔM
z
为附加横摆力矩，轮胎侧向力F
yf
＝
‑
2C
f
α
f
，F
yr
＝
‑
2C
r
α
r
；前后轮的侧偏角如下：S02、预测模型考虑车辆的侧向及横摆运动，得到二自由度车辆动力学模型：其中，V
y
为车辆侧向速度，F
y
代表轮胎的侧向力，下标fl，fr，rl，rr分别代表左前、右前、左后和右后车轮，下标com代表状态补偿的补偿量，轮胎侧向力F
yf
＝
‑
2C
f
α
f
，F
yr
＝
‑
2C
r
α
r
；轮胎侧向力中α
f
，α
r
的公式如下根据公式(11)
‑
(12)，将汽车模型描述为：其状态量x＝[x
1 x2]
T
＝[V
y γ]
T
由车辆侧向速度和横摆角速度组成，控制量u＝[u
1 u2]
f
＝[ΔM
z Δδ
f
]
T
为轮胎附加横摆力矩和附加前轮转角；
式(13)中A，B
u
，B<...

【专利技术属性】
技术研发人员：王萍，杨博雄，陈虹，胡云峰，曲婷，
申请(专利权)人：吉林大学，
类型：发明
国别省市：