車両群の入力遅延に対する改善された積分補償メカニズムを組み込んだ適応スライディングモード制御

科学分野:

• 制御システム工学
• 自動車工学
• 人工知能

背景:

• コネクテッドカーは、アクチュエータの入力遅延という課題に直面しており、車両隊列の不安定化を引き起こす可能性があります。
• 車両ダイナミクスは、運用条件の変化により、未知の時間変動制御係数を含むことがよくあります。
• 既存の制御方法は、これらの複雑な条件下でロバスト性と追従精度を維持するのに苦労する可能性があります。

研究 の 目的:

• 入力遅延と未知の時間変動係数に対処するコネクテッドカーのための適応スライディングモード制御（SMC）戦略を開発すること。
• 車両隊列のロバスト性と追従性能を向上させること。
• コネクテッドカーシステムの状態誤差の収束を保証し、制御目標を達成すること。

主な方法:

• 入力遅延を軽減するために、調整係数を備えた改善された積分補償メカニズム（ICM）を設計しました。
• 未知の時間変動制御係数を処理するために、放射基底関数ニューラルネットワークベースの適応更新メカニズム（RBFNN-AUM）を開発しました。
• ICMとRBFNN-AUMを統合した分散型適応制御スキームをスライディングモード技術を使用して提案しました。

主要な成果:

• 提案された制御スキームは、状態誤差が所定の領域に収束することを保証します。
• 統合されたアプローチは、入力遅延に対する車両隊列のロバスト性を効果的に向上させます。
• RBFNN-AUMは、未知の時間変動制御係数を効果的に補償し、追従性能を向上させます。

結論:

• 開発された適応SMC戦略は、既存の方法と比較して、コネクテッドカー制御のための優れたソリューションを提供します。
• 改善されたICMとRBFNN-AUMの組み合わせは、不確実で遅延のある条件下で効果的な制御を提供します。
• 数値結果は、車両隊列に対する提案された制御戦略の有効性と優位性を検証します。