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%。

为了提高进给系统的运动精度和降低其能耗,设计一种自适应滑模控制方法。对进给系统的机械结构进行剖析,分析其组成。通过丝杠导程和效率计算丝杆的负载扭矩,并在丝杆负载扭矩的基础上得出丝杆的动力学方程。在电机转矩的作用下,建立电机轴的运动方程。进而在电机的作用下,得到进给系统的状态方程。以系统的跟踪误差为依据,构建非线性滑动面,在进给系统状态方程的基础上,以驱动系统状态趋于期望滑动面为目的,设计滑模控制律,并控制误差的薄边界层为约束,构造自适应增益模型,完成自适应滑模控制方法的设计。采用所提方法和神经网络方法对直线变化和圆周期望运动轨迹进行跟踪实验。结果表明:在跟踪直线变化和圆周期望运动轨迹时,所提方法的跟踪精度比神经网络方法分别提高了37.52%和32.72%,所提方法的能耗也比神经网络方法降低了10.37