✨ 长期致力于自动紧急制动、路面识别、模糊算法、模型预测控制、联合仿真研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于模糊逻辑的路面附着系数实时识别器设计：
为自动紧急制动系统提供精准的路面信息，设计一个输入为车轮滑移率和利用附着系数的模糊识别器。滑移率根据轮速与车速估算，利用附着系数由制动压力推算。定义滑移率论域为[0, 0.4]，模糊子集为{小S，中小MS，中M，中大MB，大B}；利用附着系数的论域为[0, 1.2]，子集为{很低VL，低L，中M，高H，很高VH}。输出为路面类型识别结果与峰值附着系数，包含八种标准路面：冰面0.1、雪面0.2、湿滑沥青0.4、干燥沥青0.8、湿水泥0.6、干水泥0.7、碎石0.55、土路0.5。模糊规则库共25条规则，例如若滑移率小且利用附着系数很低则为冰面；若滑移率中大且利用附着系数高则为干燥沥青。采用加权平均法去模糊化，输出路面类别以及一个0到1之间的置信度，再通过加权平均得到当前路面的峰值附着系数估计值。在Carsim中设置不同路面拼接工况，车辆从干燥沥青行驶到湿滑沥青，识别器在接触湿滑路面后0.3秒内完成更新，峰值附着系数估计误差小于8%。相较于传统的斜率法识别准确率提高约30%。
（2）模型预测控制的上层控制器与分级制动策略：
上层控制器基于模型预测控制理论设计，预测模型为车辆纵向单轨动力学，状态变量包含车速、车间距离和相对速度，控制量为期望减速度。预测时域为1.2秒，控制时域为0.6秒，采样周期0.02秒。目标函数包括跟踪期望车距的偏差、相对速度的平方项以及控制量变化率的惩罚项，权重系数通过网格搜索确定。约束条件为减速度范围-8m/s²至0以及减速度变化率约束±20m/s³。在每一控制周期，求解二次规划问题得到最优的期望减速度序列。同时设计分级预警与分级制动策略：当碰撞时间小于2.2秒时触发一级预警（声音+图像），小于1.2秒时触发二级预警（点刹+振动），小于0.8秒时进入部分制动（0.3g），小于0.4秒时进入全力制动（0.8g至1.0g）。不同路面的最大制动减速度由路面识别器提供的峰值附着系数乘以0.9作为安全上限。在Carsim/Simulink联合仿真中，对前车静止工况（车速80km/h）进行测试，传统AEB系统在湿滑路面出现防抱死介入过晚导致追尾，所提算法成功避免碰撞，最终停止距离前车0.8米。
（3）基于PID的下层控制器与CarSim联合仿真验证：
下层控制器采用增量式PID算法跟踪上层输出的期望减速度，输入为期望减速度与实际减速度的偏差，输出为制动主缸压力请求。PID参数通过Ziegler-Nichols方法整定后微调，比例系数2.5，积分系数0.8，微分系数0.1，输出限幅在0至10MPa。联合仿真的车辆模型为前驱混合动力SUV，质量1800kg。仿真场景参照C-NCAP 2024规程，包含前车静止、前车减速（减速度2m/s²）、前车切出后遇静止车三种工况。前车静止工况下，车速60km/h时，所提AEB系统的制动介入时刻为碰撞时间0.85秒，最大减速度8.2m/s²，乘员胸部减速度变化率平均为8.5g/s，满足舒适性要求（小于10g/s）。前车减速工况下，系统提前识别危险，制动平顺，两车最小距离2.1米。对比实验采用传统基于固定阈值的AEB系统，在湿滑路面前车静止工况中无法避免碰撞，碰撞速度达18km/h。仿真结果验证了融合路面识别与MPC的AEB控制策略在不同附着系数路面上的有效性和鲁棒性。
import numpy as np from scipy.optimize import minimize import skfuzzy as fuzz from skfuzzy import control as ctrl class RoadFrictionIdentifier: def __init__(self): slip = ctrl.Antecedent(np.arange(0, 0.41, 0.01), 'slip') mu_util = ctrl.Antecedent(np.arange(0, 1.21, 0.01), 'mu_util') road_type = ctrl.Consequent(np.arange(0, 1.01, 0.01), 'road_type') mu_peak = ctrl.Consequent(np.arange(0, 1.21, 0.01), 'mu_peak') slip['S'] = fuzz.trimf(slip.universe, [0, 0, 0.1]) slip['MS'] = fuzz.trimf(slip.universe, [0.05, 0.15, 0.25]) slip['M'] = fuzz.trimf(slip.universe, [0.15, 0.2, 0.3]) slip['MB'] = fuzz.trimf(slip.universe, [0.2, 0.3, 0.4]) slip['B'] = fuzz.trimf(slip.universe, [0.3, 0.4, 0.4]) mu_util['VL'] = fuzz.trimf(mu_util.universe, [0, 0, 0.2]) mu_util['L'] = fuzz.trimf(mu_util.universe, [0.1, 0.25, 0.4]) mu_util['M'] = fuzz.trimf(mu_util.universe, [0.35, 0.5, 0.65]) mu_util['H'] = fuzz.trimf(mu_util.universe, [0.6, 0.8, 1.0]) mu_util['VH'] = fuzz.trimf(mu_util.universe, [0.9, 1.1, 1.2]) # 规则示例 rule1 = ctrl.Rule(slip['S'] & mu_util['VL'], (road_type['ice'], mu_peak['low'])) rule2 = ctrl.Rule(slip['MS'] & mu_util['M'], (road_type['wet_asphalt'], mu_peak['medium'])) self.ctrl_sys = ctrl.ControlSystem([rule1, rule2]) self.sim = ctrl.ControlSystemSimulation(self.ctrl_sys) def estimate(self, slip_val, mu_util_val): self.sim.input['slip'] = slip_val self.sim.input['mu_util'] = mu_util_val self.sim.compute() return self.sim.output['mu_peak'] class MPC_AEB: def __init__(self, dt=0.02, Np=60, Nc=30): self.dt = dt self.Np = Np self.Nc = Nc def cost_function(self, u_seq, v0, d0, v_rel, target_dist=10.0): # u_seq 减速度序列 v = v0 d = d0 cost = 0 for i, a in enumerate(u_seq): v_next = v + a * self.dt d_next = d + v_rel * self.dt + 0.5 * a * self.dt**2 # 跟踪误差 error = d_next - target_dist cost += error**2 + 0.1 * (v_rel)**2 + 0.01 * a**2 if i < self.Nc-1: cost += 0.5 * (u_seq[i+1] - a)**2 v = max(0, v_next) d = d_next return cost def compute_deceleration(self, v0, d0, v_rel): bounds = [(-8.0, 0)] * self.Nc result = minimize(lambda u: self.cost_function(u, v0, d0, v_rel), np.zeros(self.Nc), bounds=bounds, method='SLSQP') return result.x[0] if result.success else -4.0 class PIDController: def __init__(self, kp=2.5, ki=0.8, kd=0.1): self.kp = kp self.ki = ki self.kd = kd self.integral = 0 self.prev_error = 0 def update(self, setpoint, measurement, dt): error = setpoint - measurement self.integral += error * dt derivative = (error - self.prev_error) / dt output = self.kp * error + self.ki * self.integral + self.kd * derivative self.prev_error = error return np.clip(output, 0, 10) # 制动压力MPa
