本發(fā)明屬于智能商用車自動駕駛，尤其是涉及商用智能半掛車的軌跡跟蹤控制方法、系統(tǒng)及設(shè)備。

背景技術(shù)：

1、商用半掛車以其低廉的運輸成本和較高的運輸效率成為交通運輸領(lǐng)域的重要手段之一。然而，司機人員成本逐年遞增以及疲勞駕駛極易引起安全事故，增加運輸成本的同時降低了運輸效率。隨著高階自動駕駛技術(shù)與高級輔助駕駛技術(shù)的發(fā)展。給商用半掛車實現(xiàn)降本增效帶來了新思路。在高速行駛中，在行駛軌跡預(yù)先設(shè)定完成的前提下，對智能半掛車進行軌跡跟蹤控制。即可實現(xiàn)智能商用半掛車的自動駕駛。

2、研究發(fā)現(xiàn)，在僅使用牽引車前軸前輪轉(zhuǎn)向的情況下，掛車的運動方向由前輪轉(zhuǎn)向裝置和鉸接裝置決定，其運動完全依賴于牽引車的牽引作用。因此半掛車軌跡跟蹤控制研究的難點和重點是在降低成本的同時提升牽引車和掛車的軌跡跟蹤能力。此外，在實際應(yīng)用中鉸接處易受掛車質(zhì)心轉(zhuǎn)移和載荷轉(zhuǎn)移等變化造成的不確定性干擾，致使掛車的軌跡跟蹤控制無法與牽引車保持一致。隨著車速以及載荷的變化，這種特性將表現(xiàn)的更加明顯。

3、在實際控制系統(tǒng)設(shè)計時面臨的問題為，單個控制變量難以協(xié)調(diào)調(diào)控多個控制目標(biāo)，且過多的控制輸入增加控制器設(shè)計難度、降低控制器設(shè)計精度。另一方面，若僅考慮單一軌跡跟蹤控制目標(biāo)，則無法保證半掛車牽引車與掛車車體的軌跡跟蹤控制精度。

技術(shù)實現(xiàn)思路

1、針對上述問題，本發(fā)明提供一種基于二型模糊邏輯控制的智能半掛車軌跡跟蹤控制方法，有效的解決了半掛車在大曲率軌跡行駛時，掛車質(zhì)心轉(zhuǎn)移及載荷轉(zhuǎn)移使得后車體與前車體行駛軌跡產(chǎn)生不確定性偏差，在軌跡跟蹤時難以兼顧兩車體跟蹤效果這一難題。主要包括半掛車車輛非線性動力學(xué)建模部分、軌跡跟蹤模型的搭建、二型模糊控制器主體的搭建，二型模糊控制器的參數(shù)優(yōu)化。

2、其中車輛非線性動力學(xué)建模部分通過一些簡化和假設(shè)建立的車輛物理模型，該模型將作為控制器的使用載體。

3、二型模糊控制器的控制器主體部分的搭建在處理牽引車跟蹤誤差之外，將掛車跟蹤誤差受到的不確定性干擾涵蓋。這種雙層次的不確定性處理提升了模糊控制系統(tǒng)在復(fù)雜環(huán)境下的適應(yīng)性和魯棒性。并引入粒子群優(yōu)化算法在解決二型模糊邏輯控制器參數(shù)眾多、設(shè)計復(fù)雜難題的同時，保證對不確定性干擾的覆蓋，提升控制器精度。使得改進的二型模糊邏輯控制器能夠讓半掛車在不同車速和不同負載下面對質(zhì)心轉(zhuǎn)移和載荷轉(zhuǎn)移的干擾時，能夠很好的處理在大曲率或曲率突變工況下進行的軌跡跟蹤控制。

4、本發(fā)明的技術(shù)方案為：

5、半掛車車輛非線性動力學(xué)建模部分：半掛車由牽引車與掛車通過鉸接裝置連接組成，其中牽引車通常具有兩軸，掛車有三根軸，在建模過程中將其簡化為單軸。除此之外車輛模型還做如下假設(shè)：1、忽略空氣動力學(xué)影響；2、同軸左右車輪合并為一個等效車輪；3、假設(shè)鉸接角較??；4、忽略輪胎的滾動阻力；5、忽略車輛的側(cè)傾與俯仰；采用7自由度動力學(xué)模型作為控制器中的參考模型，根據(jù)半掛車的特點，同時考慮車輛縱向速度變化對車輛的影響，建立考慮牽引車側(cè)向、縱向、橫擺，掛車的側(cè)向、縱向、橫擺以及鉸接角處的相對轉(zhuǎn)動的七個自由度的車輛模型。

6、并通過拉格朗日法對牽引車變量求偏導(dǎo)以達到簡化模型的要求，并分析鉸接處不確定性來源，具體拉格朗日方程表達式如下式所示：

7、拉格朗日方程表達式如下:

8、

9、式中，是拉格朗日量，定義為l＝t-v，其中t為系統(tǒng)動能，v為系統(tǒng)的勢能，q為廣義速度，t是時間變量，q為廣義力。

10、相對于牽引車，掛車的坐標(biāo)可表示為：

11、

12、選取作為廣義坐標(biāo)，廣義坐標(biāo)是時間的函數(shù)，則動能表示為：

13、

14、式中：m1是牽引車的質(zhì)量，m2是掛車的質(zhì)量，x1為牽引車縱向位移，x2為掛車縱向位移，為牽引車縱向速度，為掛車的縱向速度，y1為牽引車的側(cè)向位移，y2為掛車的側(cè)向位移，為牽引車側(cè)向速度，為掛車的側(cè)向速度，和分別代表牽引車和掛車的橫擺角，i1、i2別表示牽引車、半掛車轉(zhuǎn)動慣量，f為牽引車質(zhì)心與鉸接點的距離，其中，勢能v＝0，所以l＝t。本發(fā)明只考慮拉格朗日方程l對牽引車的縱向速度、橫向速度、橫擺角速度和掛車的橫擺角求偏導(dǎo)，可獲得拉格朗日項：

15、

16、每個狀態(tài)的廣義力表達式如下：

17、qx1＝fxf+fxr+fxs-fyfδ+fysγ

18、qy1＝fyf+fyr+fys+fxfδ-fxsγ

19、

20、qx1、qy1、分別表示牽引車的縱向廣義力、橫向廣義力、橫擺方向廣義力與掛車橫擺方向的廣義力。

21、由上述公式可以推理得到：

22、

23、定義中間變量矩陣：

24、

25、因此狀態(tài)方程表示如下：

26、

27、

28、fx,i＝ka*s

29、fyi＝ca*α

30、式中，a1、b1分別為牽引車前軸、后軸與質(zhì)心之間的距離，a2、b2分別為掛車前軸、后軸與質(zhì)心之間的距離，γ是鉸接角度，δ表示牽引車的前輪轉(zhuǎn)角，s為車輪的滑移率，α表示車輪的側(cè)偏角，可由trucksim軟件得到。ka和ca分別為輪胎的縱滑剛度和側(cè)偏剛度，在線性區(qū)域內(nèi)與載荷大小成正比。vx1表示牽引車的縱向速度，vy1表示牽引車的側(cè)向速度，ω1表示牽引車的橫擺角速度，x表示狀態(tài)向量。

31、因此縱向力和側(cè)向力實際應(yīng)為：

32、fxi＝(ka+△ka)*s

33、fyi＝(ca+△ca)*α

34、式中，f的下標(biāo)x表示縱向，y表示側(cè)向，i＝f,r,s，分別表示半掛車前、中、后三軸。

35、搭建軌跡跟蹤模型：軌跡跟蹤模型是建立車輛坐標(biāo)系與全局坐標(biāo)系之間的關(guān)系，由上述動力學(xué)模型可以得到牽引車的橫縱向車速及橫擺角速度等狀態(tài)量，從而可求取牽引車的橫向位置坐標(biāo)，值得說明的是：牽引車雖然同樣受到鉸接處干擾，但由于牽引車軸距較短，牽引車橫向位置坐標(biāo)y1受到的影響較小，仍可以表示為：

36、y1＝∫vy1dt

37、掛車的長度較大且與牽引車并不是通過剛性連接，會受到與車速和載重相關(guān)的載荷轉(zhuǎn)移及質(zhì)心變化導(dǎo)致的不確定性因素影響。因此掛車無法得到與牽引車x1位置對應(yīng)的y1橫向位置。此時實際掛車的橫向位置坐標(biāo)y2為：

38、y2＝y(tǒng)1+△y

39、△y表示牽引車和掛車的橫向位置偏差。

40、軌跡跟蹤的運動學(xué)模型表示如下：

41、

42、式中：ρ為道路曲率、yr為期望縱坐標(biāo)、ey1為牽引車與軌跡橫向誤差、為牽引車航向角偏差、ey2為掛車與軌跡橫向誤差。

43、搭建雙輸入單輸出的二型模糊邏輯控制器：設(shè)輸入變量論域x＝(x1,x2)t，有p個規(guī)則(p＝1,…,p)，定義如下：

44、

45、上述和為二型模糊邏輯控制器前項，表示二型模糊邏輯控制器輸出項，本發(fā)明設(shè)置為高斯型隸屬度函數(shù)，包含上層隸屬度函數(shù)和下層的隸屬度函數(shù)將清晰的輸入經(jīng)過上下層隸屬度函數(shù)模糊化來增強其模糊特性。

46、其中每一個輸入對應(yīng)的上層隸屬度函數(shù)為：

47、

48、其中,m＝1,2,3,…,m；m表示控制器輸入的個數(shù)。

49、下層隸屬度函數(shù)為：

50、

51、其中cp,m和分別代表高斯型下層和上層隸屬度函數(shù)的中心，σp,m和為高斯型下層和上層隸屬度函數(shù)的標(biāo)準(zhǔn)差，h為下層隸屬度函數(shù)的高度。

52、為二型模糊邏輯控制器的輸出項，見圖2所示的輸出層部分，包含模糊上層輸出和模糊下層輸出y(x)。模糊化后的因子觸發(fā)模糊規(guī)則該規(guī)則對應(yīng)的規(guī)則后項輸出經(jīng)過運算后得到模糊輸出，其中觸發(fā)規(guī)則fp,分別為：

53、

54、∩表示為代數(shù)積。

55、本發(fā)明選用t-s二型模糊邏輯控制器，且規(guī)則后件設(shè)計為常數(shù)型規(guī)則后件，即模糊上層輸出和模糊下層輸出y(x)表示為：

56、

57、最終清晰化的輸出y(x)為：

58、

59、建立二型模糊控制器的模糊規(guī)則表：

60、二型模糊邏輯控制器是以橫向偏差和航向角偏差作為控制輸入量，牽引車前輪轉(zhuǎn)角為控制輸出量?？刂圃瓌t為當(dāng)橫向偏差為負的情況下，車輛位置在全局坐標(biāo)系下偏右，需要左方向的轉(zhuǎn)角，而航向角誤差為負或零時，這時需要較大的左方向轉(zhuǎn)角，此時控制量應(yīng)該取正大(pl)。當(dāng)橫向偏差為正的情況下，車輛位置在全局坐標(biāo)系下偏左，需要右方向的轉(zhuǎn)角，而航向角誤差為正或零時，這時需要較大的右方向轉(zhuǎn)角，此時控制量應(yīng)該取負大(nl)。以此類推，可以將模糊規(guī)則總結(jié)見表1。

61、表1模糊規(guī)則表

62、

63、表中：nl表示負大，ns表示負小，ze表示零，ps表示正小，pl表示正大。

64、將牽引車橫向誤差ey1與航向角誤差作為二型模糊邏輯控制器輸入變量，求解得牽引車前輪轉(zhuǎn)角δ。

65、二型模糊控制器的參數(shù)優(yōu)化：

66、粒子群算法pso的靈感來自于對鳥群遷徙和魚群覓食時的行為觀察。這些群體在尋找食物或遷徙時表現(xiàn)出一種協(xié)同的行為，即個體之間相互協(xié)作，沿著最有利的方向移動，以獲得更好的結(jié)果。這種群體行為的本質(zhì)是個體之間的信息共享和協(xié)同，從而達到整體上的優(yōu)化目標(biāo)。

67、以下是本發(fā)明結(jié)合半掛牽引車這一應(yīng)用對象而構(gòu)思的pso算法的基本步驟：

68、step1.初始化：

69、將二型模糊邏輯控制器參數(shù)隨機生成為粒子群中的粒子，并隨機生成每個粒子的位置和速度，初始化每個粒子的個體最優(yōu)解(初始位置)和群體最優(yōu)解。

70、step2.迭代過程：對于每次迭代，執(zhí)行以下步驟：

71、1、按照公式更新粒子速度和位置；

72、2、評估適應(yīng)度：計算每個粒子的適應(yīng)度值，該值由問題定義的目標(biāo)代價函數(shù)決定；

73、3、更新個體和全局最優(yōu)解：對于每個粒子，根據(jù)當(dāng)前位置和個體最優(yōu)解比較適應(yīng)度值，更新個體最優(yōu)解。同時，根據(jù)所有粒子的適應(yīng)度值比較，更新全局最優(yōu)解。

74、step3.終止條件：

75、當(dāng)達到預(yù)定的迭代次數(shù)或滿足期望狀態(tài)時，終止算法。

76、基于上述控制方法，本發(fā)明還提出一種基于二型模糊控制的智能半掛車軌跡跟蹤控制系統(tǒng)，包括：

77、半掛車車輛非線性動力學(xué)模型部分，該模型為上述方法建立的半掛車車輛非線性動力學(xué)模型；

78、軌跡跟蹤模型部分，該模型為上述建立的軌跡跟蹤模型；

79、二型模糊邏輯控制器部分，該控制器按照上述方法建立的二型模糊邏輯控制器，并按照上述優(yōu)化方法進行參數(shù)優(yōu)化，基于優(yōu)化的參數(shù)計算輸出牽引車的最佳前輪轉(zhuǎn)角，實現(xiàn)軌跡跟蹤。

80、本發(fā)明還提出一種智能半掛車用控制設(shè)備，包括處理器和存儲器，其中存儲器用于存儲指令代碼，處理器用于讀取存儲器的指令并執(zhí)行指令，處理器在執(zhí)行指令時能夠?qū)崿F(xiàn)上述軌跡跟蹤控制方法。

81、本發(fā)明的有益效果：

82、1)本發(fā)明通過拉格朗日方法建立了半掛車的動力學(xué)模型，此動力學(xué)模型精準(zhǔn)模擬了車輛狀態(tài)，并搭建軌跡跟蹤模型，分析說明了智能商用半掛車在面臨不確定性影響后軌跡跟蹤精度受影響的原因。

83、2)針對半掛車具有牽引車和掛車兩個車體，由于不確定性因素的影響，難以兼顧二者跟蹤精度這一難題。設(shè)計了一個二型模糊控制器，在處理牽引車跟蹤誤差之外，將掛車跟蹤誤差受到的不確定性干擾涵蓋。這種雙層次的不確定性處理提升了模糊控制系統(tǒng)在復(fù)雜環(huán)境下的適應(yīng)性和魯棒性。

84、3)考慮到二型模糊控制器參數(shù)眾多，設(shè)計復(fù)雜。使用粒子群優(yōu)化算法對參數(shù)進行優(yōu)化，有效提升了控制器精度，顯著降低了控制器參數(shù)設(shè)計難度。在智能商用半掛車的實際行駛過程中顯著提升了軌跡跟蹤精度，保證了智能商用半掛車在大載荷、高車速下的安全性。