Pour aborder la question de la réduction de la précision de suivi causée par des paramètres caractéristiques variant dans le temps pendant le processus de suivi de trajectoire des véhicules électriques intelligents, cet article propose une stratégie de contrôle qui intègre un régulateur quadratique linéaire adaptatif (IALQR) avec un contrôle prédictif basé sur un réseau de neurones à fonctions de base radiale (RBFNN), atténuant ainsi efficacement l'impact des variations des paramètres variant dans le temps. Basé sur la théorie du régulateur quadratique linéaire (LQR), un régulateur quadratique linéaire adaptatif (ALQR) est conçu, qui emploie un observateur de mode glissant adaptatif (ASMO) pour estimer les forces latérales des pneus et incorpore la méthode des moindres carrés récursifs avec facteur d'oubli (FFRLS) pour ajuster dynamiquement la rigidité de virage des pneus. De plus, en tenant compte de la courbure de la route et des changements d'erreur de suivi latérale, un contrôleur prédictif basé sur un RBFNN est développé pour générer l'angle de direction prédictif. Enfin, une plateforme de co-simulation est établie en utilisant CarSim/Simulink. Sous des conditions de double changement de voie, la stratégie proposée démontre une amélioration de 38,8 % de la précision de suivi par rapport à l'ALQR seul et une amélioration de 83,9 % par rapport au LQR conventionnel, validant la faisabilité de cette approche de contrôle intégrée.
Chen et al. (mercredi) ont étudié cette question.