考虑轮胎侧偏刚度的分布式电动汽车轨迹跟踪控制

摘要

针对轨迹跟踪过程中轮胎侧偏刚度动态变化的问题，提出一种考虑轮胎侧偏刚度的轨迹跟踪控制器。以分布式电动汽车为研究对象，建立七自由度整车动力学模型，仿真分析垂向载荷和侧偏角对侧偏刚度的影响；设计基于径向基神经网络(radial basis function neural network, RBFNN)的侧偏刚度估计器，考虑RBFNN初始化参数的不确定性，利用k-means算法改进其函数中心，通过最小二乘法(least mean square, LMS)调整RBFNN的隐含层和输出层的权值，改善侧偏刚度估计器的预测精度和收敛速度。结果表明，优化后RBFNN测试时间缩短4 s,训练时间缩短700 s,绝对误差和相对误差分别降低44.3%、55.2%。基于模型预测控制(model predictive control, MPC)设计了轨迹跟踪控制器，将侧偏刚度估计值代入预测模型中，同时添加动力学约束以提高跟踪的稳定性。搭建了CarSim/Simulink联合仿真平台，将考虑侧偏刚度的轨迹跟踪控制器与未考虑侧偏刚度控制器进行对比。结果表明，无论是在高附着路面还是低附着路面，考虑侧偏刚度的轨迹跟踪控制器具有更好的稳定性，说明所提出的改进估计模型和轨迹跟踪策略具有良好的应用价值。

关键词

轨迹跟踪 / 侧偏刚度 / 模型预测控制 / 分布式电动汽车 / 径向基神经网络 / k-means / 最小二乘法