输入饱和约束与未知扰动下车辆编队的自适应神经网络事件触发控制

《IEEE Transactions on Intelligent Transportation Systems》：Adaptive Neural Event-Triggered Control of Vehicular Platoons With Input Saturation Constraint and Unknown Disturbances

　　摘要：本文研究具有输入饱和约束和未知扰动的网联车队系统的鲁棒自适应事件触发控制问题。首先，利用神经网络的近似恒等性质来解决未知的非线性函数。然后，基于恒定时距法，构建位置跟踪误差和耦合滑模面。在反步递推下，选取李雅普诺夫函数来开发辅助控制函数。开发自适应事件触发机制，通过辅助控制函数来补偿饱和效应。所提出的控制理论可以减少通信资源的非必要传输，并确保所有相关信号的闭环系统有界。同时，它还保证了消除芝诺行为。最后，通过仿真结果验证了所提方法的可行性。一、引言网联与自动驾驶车辆（CAVs）的出现为在智能交通系统中解决日益突出的城市交通问题（交通拥堵和事故、城市污染）提供了可能[1]，[2]。作为智能交通系统的主体，CAVs已成为近年来学者和研究机构的主要研究对象[3]，[4]，[5]，[6]，[7]，[8]。目前，关于车队控制方法和理论的研究包括：在安全、可靠性、高性能车辆控制等因素下，自适应巡航车队共识控制、间距控制以及网络延迟、丢包和带宽约束等问题[9]，[10]，[11]，[12]，[13]，[14]，[15]。自适应巡航纵向车队共识控制是将车队调整到理想稳定行驶状态，即车队以相同速度行驶并保持安全间距[11]，[12]。例如，针对具有异构动力学的车队实现了CAVs车队的串级控制[13]。CAVs间距控制领域存在诸多挑战[14]，[15]，如系统不确定性、有限的通信传输和输入饱和等问题。如果不解决这些问题，不仅会降低车队控制性能并影响系统稳定性，还可能危及交通安全。因此，开发智能控制方法[9]，[14]或鲁棒控制器[10]，[15]来解决系统不确定性问题并确保车队在有限数据传输条件下能够保持安全间距和车队稳定性是非常关键的。在实际动态系统中，存在由未知参数、建模误差和外部扰动引起的未知非线性函数和不确定性[16]，[17]，[18]，[19]。自适应设计中的不确定性问题已通过提出许多控制方法来加以解决[20]，[21]，[22]，[23]，[24]，[25]，[26]。模糊逻辑系统或神经网络（NN）的近似特性被用于处理未知非线性函数[20]，[21]，[22]，[23]。鲁棒控制算法被设计用于在各种不确定性和扰动下保持系统稳定，如滑模控制[24]，[25]，[26]。除了不确定性之外，如何节省有限的通信资源传输也是一个重要问题。