CN110775154B - 一种电动卡车线控转向系统及其网络不确定控制方法 - Google Patents

Abstract

本发明公开了一种电动卡车线控转向系统及其网络不确定控制方法，该系统包括：主控制电动助力模块、从控制电动助力模块、路感电机模块、转向盘、上转向管柱、下转向管柱、齿轮齿条转向器、车轮、第一转角传感器、第二转角传感器、转向域控制器、车载CAN网络；本发明通过主从式控制器和执行机构的设计，融合了转角跟踪、转矩跟踪以及电流跟踪之间各自的优势，在满足电动卡车转向响应需求、功率需求的同时，增强了系统在随机网络时滞下的鲁棒性与容错性能。

Description

一种电动卡车线控转向系统及其网络不确定控制方法

技术领域

本发明属于汽车底盘系统技术领域，尤其涉及一种电动卡车线控转向系统及其网络不确定控制方法。

背景技术

随着当前世界能源形势的日趋严峻以及各国环保法规的逐步增强，纯电动卡车凭借其节能环保的优势，已然转变成未来货运商用车发展的一个重要方向。例如特斯拉此前发布的电动卡车Tesla Semi，续航里程可达到800公里，有效满足了中短途货运需求。

相比传统卡车转向系统，为实现高级别辅助驾驶功能并保证功能安全，纯电动卡车所采用的线控转向系统具有更多的传感器、执行器以及控制单元。受实际车载网络带宽的限制，日益增多的信号传递会诱发下层节点在接收目标信号时出现随机网络时滞。随机网络时滞会降低控制系统的瞬态性能甚至破坏控制系统的稳定性，从而使得系统在跟踪连续变化的目标信号时容易振荡。因此，如何在设计控制策略时将随机网络时滞对于系统的影响考虑在内，是提高电动卡车线控转向系统鲁棒性和稳定性的关键问题。

由于鲁棒控制与不确定系统理论间的紧密联系，因此鲁棒控制被广泛应用于时滞系统的控制算法设计。例如：中国发明专利申请号为CN201611180488.6，名称《一种离散时滞不确定系统的滑模鲁棒控制方法》，通过一种新型滑模趋近律求解出控制律，并能保证该滑动模态的可达性。然而，鲁棒控制虽然能够在时滞系统控制问题中取得比较好的效果，但是受限于偏保守的控制策略，得到的是只充分稳定性条件，一定程度上损失了系统的部分性能。针对上述问题，预测控制算法被广泛采用，其核心思想是通过不确定性建模并设计相应的预测控制器，从而补偿网络时滞带来的影响。例如：中国发明专利申请号为CN201811617096.0，名称“针对时滞不确定性系统执行器故障的鲁棒预测容错控制方法”，考虑线性离散时滞系统的参数不确定性和执行器失效故障，利用线性矩阵不等式和鲁棒预测控制提出一种鲁棒容错控制方法。中国发明专利申请号为CN201710987844.3，名称“未知干扰下不确定性系统时滞依赖鲁棒约束预测控制方法”，提出在未知干扰下不确定性系统时滞依赖鲁棒约束预测控制方法，克服任意有界干扰，降低了控制成本。在无人驾驶车辆轨迹跟踪控制问题的研究中，模型预测控制是一种被普遍采用的方法。然而，由于模型预测控制的本质为在每个采样时刻滚动求解带约束的开环二次优化问题，模型预测控制器(MPC)的最优性并不代表闭环系统的稳定性。

因此，当较大的随机网络时滞存在时，即不确定项对原系统模型的改变较大，现有的电动卡车线控转向系统设计形式以及相应的控制算法难以协调轨迹跟踪系统在跟踪精度、系统稳定性以及单次运算时间之间的矛盾。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种电动卡车线控转向系统及其网络不确定控制方法，以解决现有技术中电动卡车线控转向系统转角跟踪控制未考虑随机网络时滞不确定因素所造成的转角跟踪波动问题，及有效协调轨迹跟踪系统在跟踪精度、系统稳定性以及单次运算时间之间的矛盾。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种电动卡车线控转向系统，该系统包括：主控制电动助力模块、从控制电动助力模块、路感电机模块、转向盘、上转向管柱、下转向管柱、齿轮齿条转向器、车轮、第一转角传感器、第二转角传感器、转向域控制器、车载CAN网络；

所述的转向盘通过花键连接上转向管柱的力矩输入端，在转向盘与上转向管柱之间安装有第一转角传感器，上转向管柱的下端安装路感电机模块；所述上转向管柱与下转向管柱之间无机械连接，二者之间在垂直方向留有间隙，第二转角传感器安装在下转向管柱的输入端，下转向管柱的输出端与齿轮齿条转向器相连，所述的主控制电动助力模块及从控制电动助力模块安装于齿轮齿条转向器的齿条上，齿条末端与车轮相连；

所述的路感电机模块包括：路感控制器、第一电机、第一减速机构；第一电机输出端与第一减速机构的输入端相连，力矩经过第一减速机构减速增矩后，传递至上转向管柱；路感控制器控制第一电机的转速；路感控制器根据转向域控制器发出的目标转矩信号，模拟路面转矩；第一转角传感器通过车载CAN网络向转向域控制器发送驾驶员转角需求；转向域控制器将所述驾驶员转角需求转换成目标转矩信号，通过车载CAN网络发送到主控制电动助力模块；

所述的主控制电动助力模块包括：主控制器、第二电机、第二减速机构；第二电机输出端与第二减速机构的输入端相连，力矩经过第二减速机构减速增矩后，传递至齿轮齿条转向器；主控制器根据转向域控制器发出的需求转矩计算得到此时的目标电流，并进行电流分配，向从控制电动助力模块发送目标电流；

所述的从控制电动助力模块包括：从控制器、第三电机、第三减速机构；第三电机输出端与第三减速机构的输入端相连，力矩经过第三减速机构减速增矩后，传递至齿轮齿条转向器；

所述的主控制器根据转向域控制器、车载CAN网络动态来比对第一转角传感器、第二转角传感器的值，实现对于驾驶员驾驶意图的跟踪实现。

优选的，所述第一、第二及第三电机均采用永磁同步电机。

优选的，所述第一、第二及第三减速机构均采用蜗轮蜗杆减速机构。

本发明的一种电动卡车线控转向系统的网络不确定控制方法，基于上述系统，包括以下步骤：

步骤1)：建立包含随机网络时滞的电动卡车轨迹跟踪线性误差动力学模型；

步骤2)：建立随机网络时滞对于上述动力学模型轨迹跟踪性能和稳定性的评价体系，构建自适应预测模型；

步骤3)：构建时变矩阵多胞形随机网络时滞不确定性项表示方法，提出多胞形时滞不确定系统自适应模型预测控制算法。

所述步骤1)具体包括：

11)建立包含随机网络时滞电动卡车轨迹跟踪线性误差动力学模型为(在地面固定坐标系OXY下)：

式中，u_f为包含随机网络时滞前轮转角的控制量，x、y分别为车辆纵向、横向位移，

分别为车辆纵向、横向速度，

分别为车辆横摆角和横摆角速度；

为状态量在参考点处的值，u_fr为控制量参考值；

其中，

12)连续模型离散化：

对在地面固定坐标系OXY下的电动卡车轨迹跟踪线性误差动力学模型进行离散化，如下式：

式中，

其中，T_s为采样时间，L^-1为拉普拉斯反变换，s为拉普拉斯算子；

13)对系统模型进行增广：

建立包含步骤11)中所建立的包含随机网络时滞电动卡车轨迹跟踪线性误差动力学模型状态量和控制量的新状态量，如下式：

可得离散理想轨迹跟踪系统状态空间表达式如下式：

式中，

优选地，所述步骤2)具体包括：

21)建立预测时域和控制时域的关系

在每个采样时刻，预测时域和控制时域的不同取值会改变预测方程系数矩阵的维数，从而影响滚动优化的求解方向；控制时域取值与预测时域之间的关系如下：

式中，N_p为预测时域，N_c为控制时域，round(·)为取整函数，n为待定系数，n＝{1,2…N_p}；

22)建立自适应预测时域函数

预测和控制时域的取值需要综合考虑道路曲率等环境参数、车速等工况参数以及网络状况动态确定，综合上述分析，提出自适应预测时域函数，如下式：

N_p＝f_Np(V_xk,C_k,τ_k)＝k₁V_xk+b₁+k₂C_k+b₂+k₃τ_k+b₃

式中，V_xk、C_k和τ_k分别为k时刻的车辆纵向速度、轨迹曲率以及由时间戳得到的网络延时，k_i和b_i为待定系数，i＝1,2,3，通过离线优化得到；

23)建立参数离线优化模型

离线参数优化模型如下式：

其物理意义为在多次迭代过程中，通过调整待定系数来改变预测、控制时域值，获得在当前工况下同时使计算时间和跟踪误差最小的一组待定系数；式中，k₁、k₂分别为权重因子，s₁、s₂分别为scale factors，将两个目标转化到同一数量级；目标函数f_Time(·)为单次滚动优化所需要的CPU计算时间，目标函数f_Error(·)为整个过程的平均轨迹跟踪误差；约束条件的物理意义为单次滚动优化所需要的CPU计算时间不得超过采样时间；

24)更新预测模型

通过离线优化求解得到待定参数后，得到系统预测方程表达式如下式：

Y(k)＝ψξ(k)+ΘΔu(k)

当预测时域N_p和控制时域N_c根据工况自适应变化时，预测模型中的状态量和控制量的系数矩阵也自适应变化；式中，Y(k)为k时刻的预测输出，ξ(k)为k时刻状态向量，Δu(k)为k时刻的控制增量向量，ψ、Θ分别为状态量和控制量的系数矩阵，表达式如下：

25)下一采样时刻判断

若转向域控制器的计数模块发生的指令中仍存在下一时刻，则返回步骤22)，否则结束整个求解过程。

优选地，所述步骤3)具体包括：

31)接收上层轨迹信号输入，将转向域控制器相应过滤器置为高电平；

32)建立时滞增广系统模型：

建立随机网络时滞下系统的广义状态向量如下式：

建立考虑随机网络时滞的离散系统状态方程，如下式：

式中，

33)建立时滞不确定性系数线性表示方法和随机网络时滞多胞形模型

所述的Δ_i,k为随机网络延时带来的不确定性系数，如下式：

式中，ΔΓ_i为积分上限，其物理意义为控制信号Δu(k-i)在对应区间内的实际起作用时间长度，τ_k-i为(k-i)T_s时刻发出信号的总延时长度；

建立随机网络时滞不确定性系数矩阵可通过多胞形模型表示为如下：

式中，η_i,h(k)为多面体各顶点与网络时滞k相关的时变系数，满足关系如下式：

其物理意义为在一个采样周期内作用的所有信号；v∈[0,1)表示预测控制在计算k时刻控制量时，需要考虑的(k-i)T_s时刻发出的控制信号Δu(k-i)起作用的时间长度；

34)建立不确定系统自适应模型预测控制算法：

基于动力学模型建立轨迹跟踪动态优化指标，如下式：

式中，N_p为预测时域，N_c为控制时域，Q、R为权重矩阵，ρ为松弛因子权重系数，ε为松弛因子；

建立包含网络时滞的无人驾驶车辆轨迹跟踪控制器在每个控制周期内的动态优化模型如下式：

式中，ΔU为控制增量约束，y_hc为硬约束输出，y_sc为软约束输出，可通过松弛因子ε对软约束输出范围进行调整，e为预测时域内的跟踪误差；

35)下一采样时刻判断

若转向域控制器的计数模块发生的指令中仍存在下一时刻，则返回步骤33)，否则结束整个求解过程。

本发明的有益效果：

1、本发明的融合了转角跟踪、转矩跟踪以及电流跟踪之间各自的优势，在满足电动卡车转向响应需求、功率需求的同时，增强了系统的鲁棒性与容错性能。

2、本发明综合考虑网络时滞存在的情况下控制器的鲁棒性、准确性以及滚动优化过程中的计算效率，提出不确定系统自适应模型预测控制(UM-AMPC)算法，控制器根据下层节点从当前时刻到网络延时上界内接收到的目标转角报文和增广状态量来预测求解下一时刻的控制量，可有效保证系统在随机网络信号时滞存在时的稳定性和跟踪精度。

附图说明

图1为本发明电动卡车线控转向系统示意图；

图2为本发明主从控制策略逻辑图；

图3为本发明自适应预测模型流程图；

图4为本发明时滞不确定系统自适应模型预测控制算法流程图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1、图2所示，本发明的一种电动卡车线控转向系统，该系统包括：主控制电动助力模块14、从控制电动助力模块18、路感电机模块4、转向盘1、上转向管柱3、下转向管柱10、齿轮齿条转向器12、车轮13、第一转角传感器2、第二转角传感器11、转向域控制器8、车载CAN网络9；

所述的转向盘1通过花键连接上转向管柱3的力矩输入端，在转向盘1与上转向管柱3之间安装有第一转角传感器2，上转向管柱3的下端安装路感电机模块4；所述上转向管柱3与下转向管柱10之间无机械连接，二者之间在垂直方向留有间隙，第二转角传感器11安装在下转向管柱10的输入端，下转向管柱10的输出端与齿轮齿条转向器12相连，所述的主控制电动助力模块14及从控制电动助力模块18安装于齿轮齿条转向器12的齿条上，齿条末端与车轮13相连，实现针对大前轴载荷电动卡车的线控转向功能；

所述的路感电机模块4包括：路感控制器5、第一电机6、第一减速机构7；第一电机6输出端与第一减速机构7的输入端相连，力矩经过第一减速机构7减速增矩后，传递至上转向管柱3；路感控制器5控制第一电机6的转速；路感控制器5根据转向域控制器8发出的目标转矩信号，模拟路面转矩；第一转角传感器2通过车载CAN网络9向转向域控制器8发送驾驶员转角需求；转向域控制器8将所述驾驶员转角需求转换成目标转矩信号，通过车载CAN网络9发送到主控制电动助力模块14；路感控制器5给第一电机6和第一转角传感器2供电；

所述的主控制电动助力模块14包括：主控制器15、第二电机16、第二减速机构17；第二电机16输出端与第二减速机构17的输入端相连，力矩经过第二减速机构17减速增矩后，传递至齿轮齿条转向器12；主控制器15根据转向域控制器8发出的需求转矩计算得到此时的目标电流，并进行电流分配，向从控制电动助力模块18发送目标电流；主控制器15给第二电机16和第二转角传感器11供电；

所述的从控制电动助力模块18包括：从控制器19、第三电机20、第三减速机构21；第三电机20输出端与第三减速机构21的输入端相连，力矩经过第三减速机构21减速增矩后，传递至齿轮齿条转向器12；从控制器包括电流采集电路，实现对第三电机20当前电流信号的采集；从控制器19给第三电机20供电；

所述的主控制器15根据转向域控制器8、车载CAN网络9动态比对第一转角传感器2、第二转角传感器11的值，实现对于驾驶员驾驶意图的跟踪实现。

其中，所述第一、第二及第三电机均采用永磁同步电机。

其中，所述第一、第二及第三减速机构均采用蜗轮蜗杆减速机构。

本发明的一种电动卡车线控转向系统的网络不确定控制方法，基于上述系统，包括以下步骤：

步骤1)：建立包含随机网络时滞的电动卡车轨迹跟踪线性误差动力学模型；

步骤2)：建立随机网络时滞对于上述动力学模型轨迹跟踪性能和稳定性的评价体系，构建自适应预测模型；

步骤3)：构建时变矩阵多胞形随机网络时滞不确定性项表示方法，提出多胞形时滞不确定系统自适应模型预测控制算法。

所述步骤1)具体包括：

11)建立包含随机网络时滞电动卡车轨迹跟踪线性误差动力学模型为(在地面固定坐标系OXY下)：

式中，u_f为包含随机网络时滞前轮转角的控制量，x、y分别为车辆纵向、横向位移，

分别为车辆纵向、横向速度，

分别为车辆横摆角和横摆角速度；

为状态量在参考点处的值，u_fr为控制量参考值；

其中，

12)连续模型离散化：

对在地面固定坐标系OXY下的电动卡车轨迹跟踪线性误差动力学模型进行离散化，如下式：

式中，

其中，T_s为采样时间，L^-1为拉普拉斯反变换，s为拉普拉斯算子；

13)对系统模型进行增广：

建立包含步骤11)中所建立的包含随机网络时滞电动卡车轨迹跟踪线性误差动力学模型状态量和控制量的新状态量，如下式：

可得离散理想轨迹跟踪系统状态空间表达式如下式：

式中，

参照图3所示，所述步骤2)具体包括：

21)建立预测时域和控制时域的关系

在每个采样时刻，预测时域和控制时域的不同取值会改变预测方程系数矩阵的维数，从而影响滚动优化的求解方向；控制时域取值与预测时域之间的关系如下：

式中，N_p为预测时域，N_c为控制时域，round(·)为取整函数，n为待定系数，n＝{1,2…N_p}；

22)建立自适应预测时域函数

预测和控制时域的取值需要综合考虑道路曲率等环境参数、车速等工况参数以及网络状况动态确定，综合上述分析，提出自适应预测时域函数，如下式：

N_p＝f_Np(V_xk,C_k,τ_k)＝k₁V_xk+b₁+k₂C_k+b₂+k₃τ_k+b₃

式中，V_xk、C_k和τ_k分别为k时刻的车辆纵向速度、轨迹曲率以及由时间戳得到的网络延时，k_i和b_i为待定系数，i＝1,2,3，通过离线优化得到；

23)建立参数离线优化模型

离线参数优化模型如下式：

其物理意义为在多次迭代过程中，通过调整待定系数来改变预测、控制时域值，获得在当前工况下同时使计算时间和跟踪误差最小的一组待定系数；式中，k₁、k₂分别为权重因子，s₁、s₂分别为scale factors，将两个目标转化到同一数量级；目标函数f_Time(·)为单次滚动优化所需要的CPU计算时间，目标函数f_Error(·)为整个过程的平均轨迹跟踪误差；约束条件的物理意义为单次滚动优化所需要的CPU计算时间不得超过采样时间；

24)更新预测模型

通过离线优化求解得到待定参数后，得到系统预测方程表达式如下式：

Y(k)＝ψξ(k)+ΘΔu(k)

当预测时域N_p和控制时域N_c根据工况自适应变化时，预测模型中的状态量和控制量的系数矩阵也自适应变化；式中，Y(k)为k时刻的预测输出，ξ(k)为k时刻状态向量，Δu(k)为k时刻的控制增量向量，ψ、Θ分别为状态量和控制量的系数矩阵，表达式如下：

25)下一采样时刻判断

若转向域控制器的计数模块发生的指令中仍存在下一时刻，则返回步骤22)，否则结束整个求解过程。

参照图4所示，所述步骤3)具体包括：

31)接收上层轨迹信号输入，将转向域控制器相应过滤器置为高电平；

32)建立时滞增广系统模型：

建立随机网络时滞下系统的广义状态向量如下式：

建立考虑随机网络时滞的离散系统状态方程，如下式：

式中，

33)建立时滞不确定性系数线性表示方法和随机网络时滞多胞形模型

所述的Δ_i,k为随机网络延时带来的不确定性系数，如下式：

式中，ΔΓ_i为积分上限，其物理意义为控制信号Δu(k-i)在对应区间内的实际起作用时间长度，τ_k-i为(k-i)T_s时刻发出信号的总延时长度；

建立随机网络时滞不确定性系数矩阵可通过多胞形模型表示为如下：

式中，η_i,h(k)为多面体各顶点与网络时滞k相关的时变系数，满足关系如下式：

其物理意义为在一个采样周期内作用的所有信号；v∈[0,1)表示预测控制在计算k时刻控制量时，需要考虑的(k-i)T_s时刻发出的控制信号Δu(k-i)起作用的时间长度；

34)建立不确定系统自适应模型预测控制算法：

基于动力学模型建立轨迹跟踪动态优化指标，如下式：

式中，N_p为预测时域，N_c为控制时域，Q、R为权重矩阵，ρ为松弛因子权重系数，ε为松弛因子；

建立包含网络时滞的无人驾驶车辆轨迹跟踪控制器在每个控制周期内的动态优化模型如下式：

式中，ΔU为控制增量约束，y_hc为硬约束输出，y_sc为软约束输出，可通过松弛因子ε对软约束输出范围进行调整，e为预测时域内的跟踪误差；

35)下一采样时刻判断

若转向域控制器的计数模块发生的指令中仍存在下一时刻，则返回步骤33)，否则结束整个求解过程。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (4)

1.一种电动卡车线控转向系统的网络不确定控制方法，所述电动卡车线控转向系统，包括：主控制电动助力模块、从控制电动助力模块、路感电机模块、转向盘、上转向管柱、下转向管柱、齿轮齿条转向器、车轮、第一转角传感器、第二转角传感器、转向域控制器、车载CAN网络；

所述的转向盘通过花键连接上转向管柱的力矩输入端，在转向盘与上转向管柱之间安装有第一转角传感器，上转向管柱的下端安装路感电机模块；所述上转向管柱与下转向管柱之间无机械连接，二者之间在垂直方向留有间隙，第二转角传感器安装在下转向管柱的输入端，下转向管柱的输出端与齿轮齿条转向器相连，所述的主控制电动助力模块及从控制电动助力模块安装于齿轮齿条转向器的齿条上，齿条末端与车轮相连；

所述的路感电机模块包括：路感控制器、第一电机、第一减速机构；第一电机输出端与第一减速机构的输入端相连，力矩经过第一减速机构减速增矩后，传递至上转向管柱；路感控制器控制第一电机的转速；路感控制器根据转向域控制器发出的目标转矩信号，模拟路面转矩；第一转角传感器通过车载CAN网络向转向域控制器发送驾驶员转角需求；转向域控制器将所述驾驶员转角需求转换成目标转矩信号，通过车载CAN网络发送到主控制电动助力模块；

所述的主控制电动助力模块包括：主控制器、第二电机、第二减速机构；第二电机输出端与第二减速机构的输入端相连，力矩经过第二减速机构减速增矩后，传递至齿轮齿条转向器；主控制器根据转向域控制器发出的需求转矩计算得到此时的目标电流，并进行电流分配，向从控制电动助力模块发送目标电流；

所述的从控制电动助力模块包括：从控制器、第三电机、第三减速机构；第三电机输出端与第三减速机构的输入端相连，力矩经过第三减速机构减速增矩后，传递至齿轮齿条转向器；

所述的主控制器根据转向域控制器、车载CAN网络动态来比对第一转角传感器、第二转角传感器的值，实现对于驾驶员驾驶意图的跟踪实现；其特征在于，方法包括以下步骤：

步骤1)：建立包含随机网络时滞的电动卡车轨迹跟踪线性误差动力学模型；

步骤2)：建立随机网络时滞对于上述动力学模型轨迹跟踪性能和稳定性的评价体系，构建自适应预测模型；

步骤3)：构建时变矩阵多胞形随机网络时滞不确定性项表示方法，提出多胞形时滞不确定系统自适应模型预测控制算法。

2.根据权利要求1所述的电动卡车线控转向系统的网络不确定控制方法，其特征在于，所述步骤1)具体包括：

11)建立包含随机网络时滞电动卡车轨迹跟踪线性误差动力学模型为：

式中，u_f为包含随机网络时滞前轮转角的控制量，x、y分别为车辆纵向、横向位移，

分别为车辆纵向、横向速度，

分别为车辆横摆角和横摆角速度；

为状态量在参考点处的值，u_fr为控制量参考值；

其中，

12)连续模型离散化：

对在地面固定坐标系OXY下的电动卡车轨迹跟踪线性误差动力学模型进行离散化，如下式：

式中，

其中，T_s为采样时间，L^-1为拉普拉斯反变换，s为拉普拉斯算子；

13)对系统模型进行增广：

建立包含步骤11)中所建立的包含随机网络时滞电动卡车轨迹跟踪线性误差动力学模型状态量和控制量的新状态量，如下式：

可得离散理想轨迹跟踪系统状态空间表达式如下式：

式中，

3.根据权利要求1所述的电动卡车线控转向系统的网络不确定控制方法，其特征在于，所述步骤2)具体包括：

21)建立预测时域和控制时域的关系

控制时域取值与预测时域之间的关系如下：

式中，N_p为预测时域，N_c为控制时域，round(·)为取整函数，n为待定系数，n＝{1,2…N_p}；

22)建立自适应预测时域函数

提出自适应预测时域函数，如下式：

式中，V_xk、C_k和τ_k分别为k时刻的车辆纵向速度、轨迹曲率以及由时间戳得到的网络延时，k_i和b_i为待定系数，i＝1,2,3，通过离线优化得到；

23)建立参数离线优化模型

离线参数优化模型如下式：

式中，k₁、k₂分别为权重因子，s₁、s₂分别为scale factors，将两个目标转化到同一数量级；目标函数f_Time(·)为单次滚动优化所需要的CPU计算时间，目标函数f_Error(·)为整个过程的平均轨迹跟踪误差；

24)更新预测模型

通过离线优化求解得到待定参数后，得到系统预测方程表达式如下式：

Y(k)＝ψξ(k)+ΘΔu(k)

当预测时域N_p和控制时域N_c根据工况自适应变化时，预测模型中的状态量和控制量的系数矩阵也自适应变化；式中，Y(k)为k时刻的预测输出，ξ(k)为k时刻状态向量，Δu(k)为k时刻的控制增量向量，ψ、Θ分别为状态量和控制量的系数矩阵，表达式如下：

25)下一采样时刻判断

若转向域控制器的计数模块发生的指令中仍存在下一时刻，则返回步骤23)，否则结束整个求解过程。

4.根据权利要求1所述的电动卡车线控转向系统的网络不确定控制方法，其特征在于，所述步骤3)具体包括：

31)接收上层轨迹信号输入，将转向域控制器相应过滤器置为高电平；

32)建立时滞增广系统模型：

建立随机网络时滞下系统的广义状态向量如下式：

建立考虑随机网络时滞的离散系统状态方程，如下式：

式中，

33)建立时滞不确定性系数线性表示方法和随机网络时滞多胞形模型

所述的Δ_i,k为随机网络延时带来的不确定性系数，如下式：

i＝{1,2…γ}

式中，ΔΓ_i为积分上限，其物理意义为控制信号Δu(k-i)在对应区间内的实际起作用时间长度，τ_k-i为(k-i)T_s时刻发出信号的总延时长度；

建立随机网络时滞不确定性系数矩阵可通过多胞形模型表示为如下：

式中，η_i,h(k)为多面体各顶点与网络时滞k相关的时变系数，满足关系如下式：

i＝{1,2…γ}

v∈[0,1)表示预测控制在计算k时刻控制量时，需要考虑的(k-i)T_s时刻发出的控制信号Δu(k-i)起作用的时间长度；

34)建立不确定系统自适应模型预测控制算法

基于动力学模型建立轨迹跟踪动态优化指标，如下式：

式中，N_p为预测时域，N_c为控制时域，Q、R为权重矩阵，ρ为松弛因子权重系数，ε为松弛因子；

建立包含网络时滞的无人驾驶车辆轨迹跟踪控制器在每个控制周期内的动态优化模型如下式：

式中，ΔU为控制增量约束，y_hc为硬约束输出，y_sc为软约束输出，可通过松弛因子ε对软约束输出范围进行调整，e为预测时域内的跟踪误差；

35)下一采样时刻判断

若转向域控制器的计数模块发生的指令中仍存在下一时刻，则返回步骤33)，否则结束整个求解过程。

Images