?

基于模型預測控制和在線順序學習的電動汽車自動巡航控制方案

研究一種被稱為“在線順序學習的高精度公差控制機制”（OSELM-FTS）的高級建模方法，并將該方法應用于基于模型預測控制的電動汽車自動巡航技術中。使用模型預測控制巡航控制器來提高駕駛安全性、減小電動汽車的能量消耗。在線順序學習的高精度公差控制機制結構上的靈活性不僅能提高電動汽車的操縱性能，而且可以建立一個智能化的檢測平臺，用以識別每個錯誤操縱并將相應的指令送到模型預測控制器。OSELM-FTS可以對MPC控制器性能的任何不當操縱進行自動識別和過濾。為確定所設計控制器的準確性，將3個模型預測控制公式（線性模型預測控制、非線性模型預測控制、對角遞歸神經網絡模型預測控制）應用于一臺標桿電動汽車上。

將OSELM模型預測控制器集成到Toyota RAV4電動汽車上，并在不同交通條件下進行測試。利用該控制器很好地識別、分析、計算了相應的激勵，將其識別結果的能力、控制器的控制性能與其它控制方法進行對比。仿真結果表明，OSELM-FTS可以準確地檢測到系統故障向駕駛員發(fā)出警告。通過將OSELM-FTS和模型預測控制集成的方法獲得了對不同條件下車輛行駛狀態(tài)的控制性能。試驗證明，這種控制策略可以在幾種不同行駛工況下保證車輛的安全性。

同時，將其它高性能的控制器同OSELM-FTS模型預測控制器的控制性能進行比較。為進一步闡釋OSELM控制在計算方面的優(yōu)勢，引入一種塊增量的機器學習方法，即選擇性負相關學習方法。比較結果發(fā)現，在線順序學習的高精度公差控制機制模型預測控制可以可靠地應用于以安全為導向的電動汽車自動巡航控制。

網址：http://dx.doi.org/ 10.1016/j.neucom. 2014.10.011i

作者：Ahmad Mozaffari et al

編譯：王培德