为满足车辆动力学控制日趋复杂的控制需求,亟待探索鲁棒性更强的非线性控制算法与之相适应。针对常规模糊控制存在隶属度函数无法随车辆行驶条件的变化而自动修改适应的缺陷,设计了模糊神经网络控制器。其利用神经网络的学习机制,可优化模糊隶属度函数与控制规则。在MATLAB/Simulink中建立了车辆稳定性控制系统模型,并利用联合仿真技术搭建了MATLAB/Simulink与Carsim的虚拟联合仿真平台,验证了控制算法的有效性。仿真结果表明,模糊神经网络控制器具有更强的自适应性与鲁棒性,更能适应复杂多变的车辆动力学控制。

准确可靠的车辆行驶状态信息对于车辆路径跟踪和稳定性控制都十分重要。针对车辆质心侧偏角软测量问题,提出了一种基于自适应容积卡尔曼滤波(Adaptive Cubature Kalman Filter,ACKF)的车辆质心侧偏角耦合估计方法。建立了三自由度车辆动力学模型、轮胎模型和轮速耦合模型,基于ACKF设计了智能车行驶状态估计方法,其中在ACKF中设计了含自适应渐消矩阵的滤波增益,用来提高估计结果对于测量噪声的自适应性。此外,将轮速耦合关系应用到ACKF的测量更新中,利用传感器测量信息的冗余度提高估计结果的精度与可靠性。进行了基于CarSim/Simulink联合仿真模型的仿真试验,结果表明,所提出的估计方法在实际应用中整体估计精度相比EKF分别提升了9.83%和7.12%。

为了模拟汽车的操控稳定性,在MATLAB/SIMULINK平台上建立了七自由度车辆动力学仿真模型.嵌入某汽车参数后,对模型进行了前轮转角阶跃输入下的仿真分析.结果表明,搭建的模型可以真实地反映车辆运动特性的变化.

汽车的质心侧偏角与汽车的操纵稳定性密切相关,是描述车辆运动状态的关键参数。目前,质心侧偏角可以通过光纤陀螺仪进行测量,但陀螺仪成本比较昂贵,通常对汽车的质心侧偏角进行估计而得出。文中基于MATLAB/Simulink软件建立二自由度汽车动力学仿真模型,结合卡尔曼滤波算法对汽车的质心侧偏角进行估计,并与汽车动力学软件TruckSim仿真下曲线进行对比,估计值与仿真值基本吻合,具有较高的应用价值。