💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️座右铭:行百里者,半于九十。
📋📋📋本文目录如下:🎁🎁🎁
目录
💥1 概述
-
基于预测控制模型的自适应巡航控制是一种控制策略,旨在使机器人能够根据环境和任务需求自主地进行巡航,并根据实时的传感器数据进行适应性调整。这种控制方法通常使用预测模型来预测机器人的运动和环境变化,并根据预测结果进行控制决策。
在仿真实验中,可以使用计算机模型来模拟机器人的运动和环境变化,并基于预测控制模型进行控制策略的仿真。通过调整预测模型的参数和控制算法,可以评估不同策略对机器人巡航性能的影响,并优化控制策略。
在机器人实现方面,需要将预测控制模型和控制算法实现在机器人的控制系统中。机器人需要搭载传感器来获取环境信息,并将其输入到预测模型中进行预测。根据预测结果,机器人控制系统会生成相应的控制指令,驱动机器人进行自适应巡航。
通过仿真与实际机器人实现的结合,可以验证预测控制模型的有效性和性能,并进行参数调整和优化。这种自适应巡航控制方法可以使机器人在不同环境和任务需求下具备自主巡航的能力,提高机器人的灵活性和适应性。
自适应巡航控制技术为目前由于汽车保有量不断增长而带来的行车安全、驾驶舒适性及交通拥堵等问题提供了一条有效的解决途径,因此本文通过理论分析、仿真验证及实车实验对自适应巡航控制中的若干关键技术展开研究,以提高自适应巡航控制在不同工况下的应用能力。
本研究为基于预测控制模型的自适应巡航控制仿真与机器人实现。
研究目的:
- 在两辆车之间已经达到了近乎精确的纵向模型
- 试图使控制响应接近可行性和真实条件。
- 满足防撞和保持安全距离,前车为主要目标,舒适性为次要目标。(控制应用于以下汽车)
- 在 MATLAB 上应用实现和仿真。
📚2 运行结果
主函数部分代码:
clear ; close all; clc % Define the sample time, |Ts|, and simulation duration, |t|, in seconds. t0 = 0; Ts = 0.1; Tf = 100; t = t0:Ts:Tf; Nt = numel(t); % Specify the initial position and velocity for the two vehicles. % x0_lead = 0; %Initial position of lead car (m) %v0_lead = 0; %Initial velocity of lead car (m/s) % x0_ego = 0; %Initial position of ego car (m) %v0_ego = 0; %Initial velocity of ego car (m/s) % The safe distance between the lead car and the ego car is a function % of the ego car velocity, $V_{ego}$: % % $$ D_{safe} = D_{default} + T_{gap}\times V_{ego} $$ % % where $D_{default}$ is the standstill default spacing and $T_{gap}$ is % the time gap between the vehicles. Specify values for $D_{default}$, in % meters, and $T_{gap}$, in seconds. t_gap = 1.4; D_default = 10; % Specify the driver-set velocity in m/s. v_set = 30; % Considering the physical limitations of the vehicle dynamics, the % acceleration is constrained to the range |[-3,2]| (m/s^2). a_max = 2; da_max = 0.15; a_min = -3; da_min = -0.2; % the relationship between the actual acceleration and the desired % acceleration of the host vehicle satisfies the following conditions % % $$ a(k+1) = (1-\frac{Ts}{\tau}) \times a(k) + \frac{Ts}{\tau} \times u(k)$$ % % where $ \tau $ is the time lag of the ACC system tau = 0.3; % Np = 20 ; % Prediction Horizon %Nc = 20 ; % Control Horizon % % Examples % In this section we want to try to specify the various parameters % of the machine for different simulation % EX.1 % N = 5; % Np = 20 ; % Prediction Horizon % Nc = 5 ; % Control Horizon % x0_ego = 0; % v0_ego = 0; % x0_lead = 50; % v0_lead = 15; % a_lead = 0.3*sin(2*pi*0.03*t); % Acceleration of lead car is a disturbance for our plant; % [lead_car_position , lead_car_velocity] = lead_car_simulation(x0_lead,v0_lead,a_lead,t,Ts ,tau); % EX.2 N = 5; Np = 20 ; % Prediction Horizon Nc = 15 ; % Control Horizon x0_ego = 0; v0_ego = 0; x0_lead = 20; v0_lead = 5; a_lead = [1*(1-exp(-0.5*t(1:floor(Nt/5)))) ,0.5+0.5*exp(-0.5*t(1:floor(Nt/5))) , -0.5+exp(-0.5*t(1:floor(Nt/5))) ,-0.5*exp(-0.5*t(1:floor(Nt/5))) , zeros(1,floor(Nt/5)+1)]; [lead_car_position , lead_car_velocity] = lead_car_simulation(x0_lead,v0_lead,a_lead,t,Ts ,tau); % % % EX.3 % Np = 20 ; % Prediction Horizon % Nc = 15 ; % Control Horizon % x0_ego = 0; % v0_ego = 0; % x0_lead = 1500; % v0_lead = 0; % a_lead = zeros(1,Nt) ; % [lead_car_position , lead_car_velocity] = lead_car_simulation(x0_lead,v0_lead,a_lead,t,Ts ,tau); % % Car State Space Model Am=[1 Ts 0.5*Ts^2 0 1 Ts 0 0 1-Ts/tau ]; Bm=[0 ; 0 ; Ts/tau]; Cm=[1 0 0 0 1 0]; n = size(Am , 1) ; % number of eigenvalues q = size(Cm , 1) ; % number of outputs m = size(Bm , 2) ; % number of inputs [A , B , C] = AugemenFun(Am , Bm , Cm) ; a = 0.5 ; [Al , L0] = LagFun(N,a); L = zeros( N , Nc ); L( : , 1) = L0 ; for i = 2:Nc L(:,i) = Al*L(: , i-1) ; end
🎉3 参考文献
[1]李朋,魏民祥,侯晓利.自适应巡航控制系统的建模与联合仿真[J].汽车工程,2012,34(07):622-626.
部分理论引用网络文献,若有侵权联系博主删除。