论文部分内容阅读
本文在分析国内外汽车操纵逆动力学研究的基础上，利用径向基函数神经网络和最优控制方法，以已建立的三自由度汽车转向模型为对象，对高速状态下汽车的紧急避让工况进行操纵逆动力学仿真研究。研究表明该“逆问题”的求解思路不仅能够反求出驾驶员的操纵输入，还能对比不同车型操纵性能的优劣。本文完成的主要工作如下：(1)建立了包含驾驶员模型在内的三自由度角输入汽车转向闭环模型，在低速下对该闭环模型进行蛇形避让实车试验验证，结果表明MATLAB仿真得到的汽车横摆角速度、侧向加速度及车身侧倾角与试验结果具有良好的一致性，验证了所建闭环模型的正确性，为下一步正确获得神经网络训练样本奠定了基础。(2)利用均匀设计方法安排已建立的三自由度汽车闭环模型进行双移线避让和蛇形线避让试验，通过组合驾驶员模型中三个不同参数来模拟不同驾驶员驾驶同一辆汽车的情形以获得神经网络的训练样本，建立了一个以汽车横摆角速度、侧向加速度及车身侧倾角共同识别转向盘转角、转角速度的神经网络模型；在已建立的神经网络模型的基础上，分析网络识别与仿真试验间的误差，并在输入样本中加入均匀分布随机噪声，进一步分析网络的精度和鲁棒性。(3)建立了三自由度角输入汽车转向开环模型，提出了将最优控制用于高速紧急避让汽车操纵逆动力学求解的方法。在高速状态下，以汽车转向盘转角输入为控制变量，精确跟踪所期望的避让路径（双移线和蛇形线）为控制目标，将该最优控制问题转变为非线性规划问题，运用序列二次规划（SQP）方法进行求解。结果表明，该方法使汽车在高速下很好地跟踪所期望的避让路径，能够识别出汽车在整个运动过程中转向盘的转角输入，并能比较不同汽车跟踪同一避让路径下的操纵性能，其仿真结果与ADAMS/CAR虚拟样机试验结果具有良好的一致性。综上所述，本文提出了利用GRNN神经网络和最优控制方法用于高速紧急避让汽车操纵逆动力学的求解。GRNN网络能够以较好的精度和抗干扰能力识别出汽车在高速状态下进行避让过程中的转向盘转角及转角速度；而最优控制方法不仅可以识别出整个运动过程中转向盘转角输入，还能比较不同车型的操纵性能优劣，并与ADAMS/CAR虚拟样机试验结果具有良好的一致性。本文提出的方法为高速紧急避让汽车操纵逆动力学的研究提供了一种求解思路，为高速汽车操纵动力学优化设计提供了一定的参考和理论依据。