|
|
考虑通信丢包的车辆编队混合自适应触发控制
论文作者:Jiawei Wang, Fangwu Ma, Liang Wu, Guanpu Wu
|
|
|
本文中考虑通信丢包的影响,提出一种新型混合自适应事件触发的车辆编队控制策略,以提升通信资源利用率和编队跟随性能。为了减小事件触发带来的干扰,利用参数空间法,得出了自适应巡航控制器满足内部稳定性、跟车精度和跟车稳定性的可行区域。随后,采用Bernoulli随机分布来描述丢包现象,并通过调整混合因子,协同阈值自适应触发策略和车距自适应策略。对6车编队进行了仿真,以验证所设计控制策略的有效性。结果显示,所提出的事件触发控制策略,在保证理想的车辆跟随性能前提下,节省了约78.76%的通信资源。而在频繁丢包的非理想通信环境中,混合自适应策略有效提高通信资源利用率、跟车稳定性、跟车精度和交通效率。
|
|
关键词:混合自适应巡航控制,事件触发方案,混合式自适应策略,丢包,参数空间方法
本文是吉林大学团队开展的研究,引用词条如下:
Wang, J., Ma, F., Wu, L. et al.: Hybrid adaptive event-triggered platoon control with package dropout. Automot. Innov. 5(4), 347-358 (2022)
|
|
阅读全文>>
|
|
|
|
基于自车航迹推算的路面类型鲁棒识别方法
论文作者:Cheng Tian, Bo Leng, Xinchen Hou, Yuyao Huang, Wenrui Zhao, Da Jin, Lu Xiong, Junqiao Zhao
|
|
|
路面类型直接影响车辆的驾驶性能。监测路面类型对交通机构和人类驾驶员来说都是至关重要的。然而,传统的识别方法主要基于动力学或基于图像,其效果容易受到道路激励的限制和外部环境的干扰。因此,本文中提出一种基于自车航迹推算的路面类型融合识别方法,以准确获得车辆前轮将经历的路面类型。首先,利用多任务学习的道路特征提取模型,同时提取可行驶区域和路面阴影两种路面特征。其次,通过ShuffleNet对优化后感兴趣区域的路面图像块进行路面状态分类。考虑到环境干扰,通过改进的Dempster-Shafer证据理论,实现了路面图像块分类结果和历史识别结果的决策级融合。最后,将基于运动学自行车模型的自车航迹推算模块融合到所提方法中,以提取前轮经历的路面类型。所提方法的性能在具有路面阴影和车道线分割的特定数据集上得到了验证。结果显示,所提方法可以实时准确地预测识别路面类型。
|
|
关键词:路面识别,自动驾驶车辆轨迹计算,多任务学习,Dempster-Shafer证据理论,自动驾驶车辆
本文是同济大学熊璐教授团队研究成果,引用词条如下:
Tian, C., Leng, B., Hou, X. et al.: Robust identification of road surface condition based on ego-vehicle trajectory reckoning. Automot. Innov. 5(4), 376-387 (2022)
|
|
阅读全文>>
|
|
|
|
融合Actor-Critic强化学习的车辆系统近似最优滤波器设计
论文作者:Yuming Yin, Shengbo Eben Li, Kaiming Tang, Wenhan Cao, Wei Wu, Hongbo Li
|
|
|
动态系统状态和参数的准确估计对车辆工程问题的识别、分析和控制至关重要,特别是在模型和测量不确定性较大的情况下。广泛使用的滤波/估计算法,如卡尔曼系列,如卡尔曼滤波、扩展卡尔曼滤波、无痕卡尔曼滤波和粒子滤波,通常旨在通过迭代更新每个时间步长的滤波增益来接近真实状态/参数分布。然而,这些滤波器的最优表现会由于初始条件不现实或模型误差较大而无法实现。本文在估计-控制二重性的基础上,考虑无限时间范围内的影响因素,提出了近似最优滤波器增益的方案。所提的近似最优滤波器(approximate optimal filter, AOF)问题随后通过批判性强化学习方法进行求解。AOF设计将传统的最小方差最优滤波问题转化为累计方差最小的最优控制问题,其中估计误差作为系统状态,无限期的滤波器增益作为控制输入。当保持初始车辆状态分布和策略结构的特点条件时,可证明估计-控制二重性成立。为了证明AOF的有效性,对车辆状态估计问题进行仿真,并与稳态卡尔曼滤波器进行比较。结果表明,不同折扣系数下得到的滤波策略可收敛至理论最优增益,误差在5%以内,车辆滑移角和偏航率的平均估计误差小于1.5×10-4。
|
|
关键词:车辆状态估计,卡尔曼算法,估计,控制二元性,强化学习
本文是清华大学李升波教授团队研究成果,引用词条如下:
Yin, Y., Li, S.E., Tang, K. et al.: Approximate optimal filter design for vehicle system through Actor-Critic Reinforcement Learning. Automot. Innov. 5(4), 415-426 (2022)
|
|
阅读全文>>
|
|
|