基于滑模控制的商用车路径跟踪控制研究

李雅琦 唐峥

重庆交通大学 机电与车辆工程学院 重庆市 400000

1 引言

由于商用车行驶工况简单，商用车更容易实现无人驾驶。国内外众多高校和零部件厂商都开始进行商用车的研究，从硬件到控制策略，均取得了一些成果。

江苏大学高翔教授的研究团队，通过对商用车转向器建模，并对模型进行了定量研究，建立了较为准确的商用车无人驾驶试验台[1]；吉林大学宗长富教授的研究团队帅新使用伺服电机进行阻力模拟，提高了加载精度[2]；清华大学的季学武老师设计了能适用于复杂工况的试验台，并能进行台架试验[3]。

由于国内工业基础相对薄弱，先进的转向控制研究仍处于初级阶段，开发先进的转向控制器是当前的热点与难点。

2 模型建立

在商用车领域，侧翻是很严重的问题，在建立整车动力学模型时考虑建立汽车三自由度模型。

建立动力学方程：

图1 整车三自由度模型

其中：If是前轴至CG的纵向距离；Ir是实际轴至CG的纵向距离；M是总车质量；Ms是悬上质量；Mu是悬下质量；Iz是垂直轴惯性矩；Ixz是轮胎法向力；hcg车身质心高度；hs悬上质量CG高度；hr轴滚动中心高度；hu悬下质量CG高度；h轴滚动中心字CG的距离；Caf/Car前桥/后桥有效弯矩刚度；K/Ku等效悬架刚度/轴刚度；D/Du等效悬架阻尼比/轴阻尼比；Fzr/Fzl轮胎法向力（左/右）。

3 基于RBF神经网络的滑模控制策略

滑模控制是根据控制目标设计滑模切换面，使控制系统的状态点到达切换面，而状态点不离开切换面。

3.1 固定增益滑模控制器设计

滑模控制的“抖振”的剧烈程度是由其控制器切换项的增益决定的，采用神经网络对切换项的增益调节，能够降低滑模控制的“抖振”。

考虑如下系统：

其中 为控制力， 为干扰，且。

则系统误差为：

定义滑模函数：

则等效控制率为：

其中Z为滑膜切换增益。

滑膜存在条件为：

3.2 RBF神经网络增益设计

RBF神经网络是一种三层前馈网络[1]。第一层为输入层，起数据信息的传递作用；第二层为隐含层，对输入信息进行空间映射变换；第三层为输出层，对输入模式进行响应。

径向基神经网络（RBF）拥有强大的逼近能力、学习能力和分类能力，对任意精度的任意连续函数都能够逼近。

首先，医生会用手将宝宝的足部掰至正常位置，然后用石膏绷带将其固定好。然后每周打开重新调整位置再固定好，这样一边观察进展一边治疗（Ponseti法）。畸形矫正后，患儿还需要在数年的时间内使用特制矫形支具以维持效果。治疗期间长，还需要在白天和夜晚两种类型设备之间来回转换。这需要家长给予充分的耐心，配合好医生，完满地完成整个疗程。没有父母的配合和支持，保守治疗基本上是会复发的。

RBF神经网络的输入即第一层取：

第二层取：

其中：

其中： 为高斯函数.

第三层的输出为切换项增益Z：

其中： 为神经网络权值。

为了使滑模控制器成立：

图2 整车三自由度模型

图3 整车三自由度模型

由于：

其中：

那么：

其中：

4 仿真与分析

以前轮转角为输入，输出为车辆状态。在测试实验中选用蛇形线道路和双移线道路作为道路曲线输入。

4.1 双移线道路模型跟踪效果，见上图2

4.2 蛇形线道路模型跟踪效果，见上图3

5 结语

通过进行实验仿真，当输入为蛇形线道路曲线时，转角的绝对值为3度，路径跟踪效果较为理想，误差较小；当输入为双移线道路模型时，当转弯变道时得到了侧向速度，路径跟踪效果和目标侧向位移基本吻合。