基于电液耦合转向铰接列车的换道轨迹规划及跟踪【附代码】

✅博主简介：擅长数据搜集与处理、建模仿真、程序设计、仿真代码、论文写作与指导，毕业论文、期刊论文经验交流。
✅ 如需沟通交流，扫描文章底部二维码。

（1）电液耦合转向系统动力学建模与ADRC主动转角控制：

将EHCPS系统分解为机械、液压和电机三个子系统。机械部分包括转向横拉杆、齿条和轮轴，等效为质量-阻尼-弹簧系统；液压部分采用四通阀控对称缸模型，阀芯位移至油缸压力传递函数由二阶环节近似；电机为直流永磁电机，电流环采用PI控制。在Amesim中搭建机械-液压联合模型，Matlab/Simulink中建立电机模型与ADRC控制器。自抗扰主动转角控制器包括跟踪微分器产生平滑期望转角及其微分、非线性状态误差反馈控制律和扩张状态观测器估计总扰动。控制参数经仿真整定后，转角阶跃响应无超调，上升时间0.18秒，稳态误差<0.2度，较PID控制器抗负载扰动能力提升约40%。

（2）基于最优控制的铰接列车安全换道轨迹规划：

将换道轨迹规划建模为最优控制问题，状态量为牵引车纵向位移、横向位移、航向角和铰接角，控制量为牵引车前轮转角和纵向加速度。代价函数最小化轨迹长度和方向盘转角变化率。约束包括：纵向速度约束（不超过80km/h）、横向加速度约束（<0.4g）、铰接角幅值约束（<15度）以及无碰撞约束。无碰撞约束通过将牵引车和半挂车轮廓分解为三角形，利用三角形面积关系实时判断与障碍物是否相交。采用高斯伪谱法离散化后调用IPOPT求解，生成5秒换道轨迹。该轨迹经Amesim/Simulink/Simscape联合仿真验证，牵引车与半挂车之间最小间隙与障碍物边界的余量为0.35m。

（3）双模糊变权重MPC横向轨迹跟踪与积分滑模速度控制：

针对铰接列车横向动力学耦合问题，设计双模糊变权重模型预测控制器。第一个模糊器根据航向角偏差和铰接角速率动态调整MPC代价函数中航向误差的权重系数；第二个模糊器根据车速和路径曲率调整控制增量权重，以改善低速大曲率段的转向平顺性。MPC预测时域18步，控制时域8步，约束车轮转角在±32度。纵向速度跟踪采用积分滑模控制器，滑模面包含速度偏差积分和偏差本身，趋近律使用指数趋近律。联合仿真结果显示，在50km/h换道工况下，横向偏差最大值为0.12m，铰接角偏差<1.8度，速度跟踪误差<0.7km/h，换道安全性满足要求。

import numpy as np from casadi import * # ADRC转角控制器核心 class ADRC_SteeringController: def __init__(self, r, h0, b0): self.r = r # 快速因子 self.h = h0 # 积分步长 self.b0 = b0 self.v1 = 0; self.v2 = 0; self.z1=0; self.z2=0; self.z3=0 def tracking_differentiator(self, ref): # 最速跟踪微分器 d = self.r*self.h; d0 = self.h*d y = self.v1 - ref + self.h*self.v2 a0 = np.sqrt(d**2 + 8*self.r*np.abs(y)) a = (self.v2 + 0.5*(a0-d)*np.sign(y)) if np.abs(y)>d0 else self.v2 + y/self.h self.v1 += self.h*self.v2; self.v2 += self.h*(-self.r*np.sign(a)*self.r) return self.v1, self.v2 def eso_update(self, u, y, delta): e = self.z1 - y fe = np.sign(e)*np.abs(delta)**0.5 # fal函数 self.z1 += self.h*(self.z2 - 30*e) self.z2 += self.h*(self.z3 - 300*fe + self.b0*u) self.z3 += self.h*(-500*fe) return self.z1, self.z2, self.z3 def control_law(self, ref): v1, v2 = self.tracking_differentiator(ref) e1 = v1 - self.z1; e2 = v2 - self.z2 u0 = 20*e1 + 10*e2 return (u0 - self.z3)/self.b0 # 高斯伪谱法轨迹规划简化 def pseudo_spectral_planning(): opti = Opti() N = 20; X = opti.variable(5, N+1); U = opti.variable(2, N) # 动力学约束略 opti.minimize(sumsqr(X[0,:]-X[0,-1]) + 0.1*sumsqr(U)) opti.subject_to(X[:,0] == [0,0,0,0,0]) # 碰撞约束：三角形面积法 area = (X[1,1]*X[3,0] - X[0,1]*X[2,0]) # 示意 opti.subject_to(area >= 0.5) opti.solver('ipopt'); sol = opti.solve() return sol.value(X) # 双模糊变权重MPC（简） def dual_fuzzy_mpc_weights(yaw_err, curvature): w1 = 10 + 5*np.tanh(np.abs(yaw_err)) w2 = 30 if abs(curvature)>0.1 else 10 return w1, w2

如有问题，可以直接沟通

👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇👇