论文部分内容阅读
当今汽车产业正加速步入智能化时代,与传统汽车相比,智能汽车具有主动转向控制系统,无需驾驶员操控就能够实现主动转向。在汽车失稳时,驾驶员会通过修正方向盘来获得稳定横摆力矩,而智能汽车无驾驶员在环,但可以通过协调控制器对方向盘进行修正。为保证智能汽车的行驶安全性及乘坐舒适性,本文针对智能汽车协调稳定性控制方法进行了以下研究。首先,研究了主动转向控制和直接横摆力矩控制(DYC)对车辆稳定性的影响,主动转向控制利于提高舒适性,DYC在极限工况下保证了车辆安全性,协调主动转向和DYC对车辆的干预,既能保证车辆的安全性又能提高舒适性,本文以二自由度车辆模型作为参考模型,计算理想横摆角速度和质心侧偏角,采用深度强化学习(Deep Reinforcement Learning,DRL)中的深度确定策略梯度算法(Deep Deterministic Policy Gradient,DDPG)作为协调控制算法,选择五个车辆状态参数作为输入,附加横摆力矩和方向盘修正角作为输出,设计了协调控制器。然后,分析了Q-Learning、Deep Q-Learning和DDPG算法之间关系和优缺点,DDPG可以处理多维输入和连续动作输出任务,符合本文协调控制算法要求,对DDPG算法结构和训练框架进行了研究并以TensorFlow搭建出DDPG算法模型,奖励函数作为DDPG算法核心,对于协调控制效果具有很大影响,本文提出4级奖励函数设计原则,给出每级的奖励函数,来保证汽车稳定性、舒适性、控制适度性。以CarSim作为仿真和训练平台,搭建了正弦迟滞测试训练环境,研究了DDPG在CarSim环境下的仿真训练方法。通过对DDPG模型仿真测试,对比分析了不同控制方法下车辆的各性能指标,验证了本文协调控制器的控制效果。最后,设计了硬件在环试验台系统,采用以NI实时系统为核心的系统方案,将智能汽车主动转向系统和制动系统硬件化,采用LabVIEW编写数据采集程序、转向制动控制程序和Python与CarSim数据交换程序,对主动转向系统和制动系统的控制精度进行了测试分析,通过试验台架测试验证了基于DDPG的智能汽车稳定性控制方法的功能有效性。