基于模型预测控制和在线顺序学习的电动汽车自动巡航控制方案



基于模型预测控制和在线顺序学习的电动汽车自动巡航控制方案

研究一种被称为“在线顺序学习的高精度公差控制机制”（OSELM-FTS）的高级建模方法，并将该方法应用于基于模型预测控制的电动汽车自动巡航技术中。使用模型预测控制巡航控制器来提高驾驶安全性、减小电动汽车的能量消耗。在线顺序学习的高精度公差控制机制结构上的灵活性不仅能提高电动汽车的操纵性能，而且可以建立一个智能化的检测平台，用以识别每个错误操纵并将相应的指令送到模型预测控制器。OSELM-FTS可以对MPC控制器性能的任何不当操纵进行自动识别和过滤。为确定所设计控制器的准确性，将3个模型预测控制公式（线性模型预测控制、非线性模型预测控制、对角递归神经网络模型预测控制）应用于一台标杆电动汽车上。

将OSELM模型预测控制器集成到Toyota RAV4电动汽车上，并在不同交通条件下进行测试。利用该控制器很好地识别、分析、计算了相应的激励，将其识别结果的能力、控制器的控制性能与其它控制方法进行对比。仿真结果表明，OSELM-FTS可以准确地检测到系统故障向驾驶员发出警告。通过将OSELM-FTS和模型预测控制集成的方法获得了对不同条件下车辆行驶状态的控制性能。试验证明，这种控制策略可以在几种不同行驶工况下保证车辆的安全性。

同时，将其它高性能的控制器同OSELM-FTS模型预测控制器的控制性能进行比较。为进一步阐释OSELM控制在计算方面的优势，引入一种块增量的机器学习方法，即选择性负相关学习方法。比较结果发现，在线顺序学习的高精度公差控制机制模型预测控制可以可靠地应用于以安全为导向的电动汽车自动巡航控制。

网址：http://dx.doi.org/ 10.1016/j.neucom. 2014.10.011i

作者：Ahmad Mozaffari et al

编译：王培德