具有均匀量化通信数据和干扰的车辆网络物理系统的神经自适应滑模控制

《IEEE/CAA Journal of Automatica Sinica》：Neural adaptive sliding-mode control of vehicular cyber-physical systems with uniformly quantized communication data and disturbances

针对存在外部干扰的异构车载 cyber-physical systems（VCPSs），本文采用神经网络与均匀量化通信数据实现车队控制。通过建立各跟随车辆耦合滑模面降低量化误差影响，利用RBF神经网络估计未知干扰，提出全分布式协同跟踪控制律，确保全过程的链式稳定性，并验证了其在跟踪误差、驾驶舒适性和燃油经济性上的优越性。

　　

摘要：

本文研究了在受到外部干扰的情况下，异构车辆信息物理系统（VCPSs）的编队控制问题，采用了神经网络和统一量化的通信数据。为了减少量化误差对系统性能的不利影响，为每辆跟随车辆建立了一个耦合滑模面。径向基函数（RBF）神经网络被用来近似未知的外部干扰。然后，提出了一种新的编队控制律，用于协作跟踪，其中每辆跟随车辆仅使用相邻车辆的统一量化数据。本文设计的控制器是完全分布式的，因为每辆车控制器参数的选择与整个通信拓扑结构无关。这种控制方法能够确保VCPSs在整个控制过程中的串稳定性，而不仅仅是在滑模面收敛到零之后的稳定性。与现有的控制器设计和量化机制相比，本文提出的神经自适应滑模编队控制器在跟踪误差、驾驶舒适性和燃油经济性等方面具有更好的性能。数值仿真验证了所设计控制策略的有效性和优越性。