摘要：当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明:在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。

摘要：针对紧急工况下车辆纵横向动力学耦合导致传统轨迹跟踪方法精度下降的问题,提出解耦循迹跟踪算法,该算法在利用动力学解耦消减耦合负效应的基础上,通过跟踪车辆目标运动状态实现运动轨迹的间接跟踪。首先,基于理论推导与仿真,探究了车辆纵横向动力学耦合成因及其对循迹跟踪精度的影响;然后,通过修正传统3自由度车辆动力学逆系统构型确定其接口,利用随机数据集训练反馈前向神经网络(BPNN)模型以获取车辆平面运动逆系统;最后,设计基于目标运动轨迹的目标运动状态逆解算模型与基于纯跟踪思想的目标轨迹修正模型,将逆系统解耦方法应用于长航程循迹跟踪任务中。仿真与实验结果说明解耦循迹跟踪作为一种全新的跟踪方法,不仅可以完成跟踪任务,且通过与传统循迹跟踪方法对比,在耦合工况下所提出的方法具备更高的跟踪精度。

摘要：中等卫生职业学校是培育医学专业技术人才的教育机构,为了达成育人目标,教师要积极改进教学手段,助力学生成才。文章针对趣味教学法在中等卫生职业学校《生物化学》课堂中应用的要点、现状及策略加以分析,分析结果表明,教师在应用趣味教学法的过程中要夯实理论基础,明确课程标准,注重剖析学情,关注育人效能,在此前提下,将具体事例与教学内容融合起来,积极开展创意实验活动,使用数字技术构建充满乐趣的课堂,加强师生互动,注重校政企联动育人,以期提升中等卫生职业学校趣味教学水平。

摘要：为提高智能汽车的路径跟踪能力,并保证其在极限工况下的动力学稳定性,以四轮驱动智能电动汽车为研究对象,根据转向和主动横摆力矩(Direct yaw moment,DYC)系统的特点分别设计控制律进行协调控制。首先,针对汽车在转向过程中轮胎侧偏刚度的不确定性,利用线性矩阵不等式(Linear matrix inequality,LMI)理论构造可实现系统区域极点配置的鲁棒控制器,并研究其求解方案。然后,采用分层架构设计主动横摆力矩的控制律;其中,上层控制器通过车-路运动学关系,基于线性时变模型预测控制(Linear-time-varying model predictive control,LTV-MPC)计算期望横摆角速度;下层采用基于双曲正切趋近函数的滑模控制计算主动横摆力矩,为了在提高跟踪精度的同时确保汽车动力学稳定性,在滑模面中引入质心侧偏角的控制权重,其大小根据质心侧偏角稳定性相图确定。考虑到在大多数常见工况中,转向系统单独作用就已经可以取得良好的控制效果,对主动横摆力矩系统设置激活机制,使其仅在转向系统被判定难以完成当前控制目标时才介入,避免了正常工况下的非必要激活引起的耗能。最后,通过Simulink-CarSim联合仿真进行了算法验证,结果表明,即使在较极端的工况下,所提出的控制方法仍然能保持良好的循迹控制效果,并且可以很好地确保汽车的动力学稳定性。

摘要：针对汽车纵横向运动中的耦合现象,以四轮驱动、前轮转向的智能汽车为研究对象,建立汽车纵横向动力学模型并通过Interactor算法对模型的可逆性进行分析.在已有的传统伪线性系统结构的基础上,根据智能汽车的特点,建立了可对接智能汽车上层规划模块的伪线性系统.为了实现汽车纵横向运动之间的解耦,采用基于神经网络逆系统的解耦控制策略,构造神经网络并对其进行训练,并将神经网络逆系统与内模控制器组成闭环控制回路,对纵向速度和横摆角速度进行内模反馈调节,进一步提升控制系统的性能.仿真结果表明,所设计的基于神经网络逆系统的控制方法能实现良好的解耦特性,且相比于其他的控制方法,在各种输入条件下,都能实现对于期望速度和期望横摆角速度良好的跟踪性能,同时,质心侧偏角始终被控制在一个较小的范围内,这有利于智能汽车路径跟踪的精确性和行驶稳定性.

摘要：为提高分布式驱动电动智能汽车在自主循迹过程中关键参数的估计精度并降低模型不确定性对控制系统鲁棒性的影响,本文中提出了一种基于观测器的自适应滑模路径跟踪控制策略。首先,针对难以直接精确测量的车辆纵、侧向速度,建立了5输入3输出3状态的状态估计系统,并采用最小模型误差准则以降低估计过程轮胎的非线性特性带来的观测模型误差。接着,基于运动学模型,计算出了路径跟踪期望横摆角速度响应,并采用自适应滑模算法实现主动转向控制。考虑线控转向系统的潜在失效风险,引入径向基神经网络对系统不确定性进行在线估计。同时,设计了直接横摆稳定控制器并采用最优转矩分配策略,进一步提高车辆的稳定性。最后,对车辆状态估计和路径跟踪进行了Carsim/Matlab联合仿真,结果表明:基于最小模型误差准则的观测器能取得较可靠的估计结果,路径跟踪控制器能保证车辆具有较好的跟踪精度和鲁棒性。