智能车运动控制中的不确定性与鲁棒性研究：参数辨识与滑膜算法应用

近年来，随着人工智能和网络基础设施建设等计算机技术的迅猛发展，传统汽车行业正在经历着深刻的转变。汽车不再只是简单的机械产品，而是正在加速转变为智能化系统控制的智能产品，智能汽车已经成为产业技术的制高点。在这一背景下，路径跟踪控制成为智能车自动驾驶研究领域的核心，也是实现汽车智能化的关键环节之一。 然而，目前大多数路径跟踪控制算法在面对车辆参数不确定性、车辆未建模动态以及外部扰动等情况时，算法的鲁棒性较差，同时对于测试场景的多变性和测试车速变化范围的大等问题也存在较差的适应性。为了解决这些问题，本文对车辆关键参数进行了辨识，以精确建立车辆模型，并提出了一种二阶超螺旋滑膜算法结合前馈控制的方法来进行智能车的横向运动控制。具体的研究工作包括： 首先，对智能车进行了动力学建模及关键参数辨识。动力学建模对于基于车辆动力学运动控制算法的设计至关重要，而轮胎侧偏刚度则是车辆动力学模型的基本参数之一。通过利用最小二乘法对关键参数进行辨识，本文采用了方向盘转角脉冲实验数据，辨识出了车辆系统的等价二自由度车辆模型传递函数，尽可能多地测量出易测量的车辆参数，并将轮胎侧偏刚度等关键参数视为未知参数进行估计。 其次，基于EPS助力电机的转角-转矩转换模糊控制被提出。这种控制方法针对的是EPS助力电机，通过模糊控制实现了转角到转矩的转换。这一控制方法的提出为智能车的横向运动控制提供了重要的技术支持。 在研究中，实验结果表明，本文提出的方法在智能车的运动控制方面取得了显著的效果，特别是在面对车辆参数不确定性和动态未建模的情况下，算法表现出了较好的鲁棒性。这对于实现智能汽车的自动驾驶以及提高智能汽车系统的性能具有积极的意义。 综上所述，本文的研究成果为智能车运动控制领域的鲁棒控制提供了有益的探索，为智能汽车的发展和普及提供了有力支持。随着人工智能和网络技术的不断进步，相信智能车在未来会有更加广阔的发展空间，为人们的出行带来更加便捷和安全的体验。