[发明专利]基于模型动态重构的智能汽车解耦预测控制器及其控制方法

权利要求书

1.基于模型动态重构的智能汽车解耦预测控制器，其特征在于，包括外部环境感知模块，内部参数测量模块，智能汽车原模型，智能汽车右逆模型一，智能汽车右逆模型二，右逆模型进化监督切换模块，模型预测控制模块；

所述外部环境感知模块用于获取汽车行驶的车道信息、交通标志、附近车辆、行人信息，并将信息传送给模型预测转向控制模块；

所述内部参数测量模块用于获取汽车行驶的横向速度v、纵向速度u、前轮转角δ、轮胎纵向滑移率λ信息，并将信息传送给模型预测控制模块；

所述智能汽车原模型是一个三自由度耦合非线性模型：所述智能汽车原模型的输入变量为前轮转角δ、轮胎纵向滑移率λ，控制变量为横向速度v、纵向速度u、横摆角速度ω_r，输出变量为横向速度v、纵向速度u；

所述智能汽车右逆模型一和右逆模型二在右逆模型进化监督切换模块的作用下，交替执行学习进化和模型重构控制功能，当其中一个用于控制过程中的模型重构，另外一个进行学习进化；

所述智能汽车右逆模型一是由人工神经网络ANN1加积分器s^-1构造而成，所述人工神经网络ANN1包括四个输入和二个输出，所述人工神经网络ANN1是根据智能汽车原模型运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数纵向速度u、纵向速度一阶导数的数据训练构造而成，所述智能汽车右逆模型一的输入变量为横向速度v、横向速度的一阶导数据纵向速度u、纵向速度一阶导数输出变量为前轮转角δ、轮胎纵向滑移率λ；

所述智能汽车右逆模型二是由人工神经网络ANN2加积分器s^-1构造而成，所述人工神经网络ANN2包括四个输入和二个输出，所述人工神经网络ANN2是根据智能汽车原模型运行过程中获得的前轮转角δ、轮胎纵向滑移率λ、横向速度v、横向速度一阶导数纵向速度u、纵向速度一阶导数的数据训练构造而成，所述智能汽车右逆模型二的输入变量为横向速度v、横向速度的一阶导数据纵向速度u、纵向速度一阶导数输出变量为前轮转角δ、轮胎纵向滑移率λ；

所述右逆模型进化监督切换模块，用于接收控制数据和学习进化数据，控制智能汽车右逆模型一和右逆模型二交替执行学习进化和模型重构控制功能，决定其中一个右逆模型用于控制过程中的模型重构，而另外一个右逆模型则进行学习进化；

所述右逆模型进化监督切换模块将其中一个不执行学习进化功能的智能汽车右逆模型以串联方式放置于智能汽车原模型的左侧，智能汽车模型即重构为两个解耦的规范一阶传递函数子模型G(s)＝s^-1，分别为横向速度子模型和纵向速度子模型，横向速度子模型的输入变量为智能汽车横向速度的一阶导数输出变量为智能汽车的横向速度v，纵向速度子模型的输入变量为纵向速度一阶导数输出变量为智能汽车的纵向速度u；

所述模型预测控制模块包括速度控制决策子模块、横向速度控制子模块、纵向速度控制子模块；所述速度控制决策子模块用于根据外部环境感知模块和内部参数测量模块发送过来的汽车运行参数，给出控制决策结果，向横向速度控制子模块发出控制参数的横向速度给定值v^*(k)，向纵向速度控制子模块发出控制参数的纵向速度给定值u^*(k)；

所述横向速度控制子模块是根据重构后的新模型进行设计，包括设计预测方程、约束条件、目标函数，所述预测方程是将重构后的横向速度子模型进行离散化，经过设计预测时域N_p1、控制时域N_c1和采样时间T₁后得到，所述约束条件包括前轮转角δ约束和横摆角速度ω_r约束，所述目标函数包括横向速度偏差e_v(k)信息、控制输入信息和偏差修正系数h_v；

所述纵向速度控制子模块是根据重构后的新模型进行设计，包括设计预测方程、约束条件、目标函数，所述预测方程是将重构后的纵向速度子模型进行离散化，经过设计预测时域N_p2、控制时域N_c2和采样时间T₂后得到，所述约束条件包括轮胎纵向滑移率λ约束和纵向速度u约束，所述目标函数包括纵向速度偏差e_u(k)信息、控制输入信息和偏差修正系数h_u。