8、基于递归高阶神经网络的重型车辆侧翻控制

基于递归高阶神经网络的重型车辆侧翻控制

1. 引言

重型车辆，如牵引半挂车，在运输系统中扮演着重要角色。由于其重心较高，且会随负载条件变化，与乘用车相比，它们的动力学行为更为复杂，在转弯时极易发生侧翻。高速公路上重型车辆侧翻通常是由于转弯速度过快、弯道半径过小或突然变道等原因导致。若能通过合适的算法预测侧翻威胁，驾驶员可采取纠正措施避免事故；若侧翻预警无效，则需进行主动侧翻控制。

多数侧翻预警算法采用瞬时侧翻威胁指数来识别侧翻风险。然而，当侧翻预警在达到侧翻阈值加速度的 75% 时发出，留给驾驶员的反应时间过短，难以有效应对。若能根据预期操作预测侧翻威胁，就能提前发出预警，基于预测侧翻威胁的预警系统会更有效。

为防止侧翻，人们设计了多种控制策略，主要基于主动速度控制和主动侧倾控制。但主动侧倾控制在急转弯时效果不佳，因为它无法降低横向加速度，且需要液压执行器，成本大幅增加。而采用差动制动可防止转弯时突然制动导致的折叠和方向失控。

不同的负载配置会使每个车轮产生不同的反作用力，这促使人们使用非线性鲁棒控制器来处理参数不确定性。不过，为降低计算需求，大多数控制器基于简化模型。为推导主动控制算法，人们开发了许多牵引半挂车的数学模型。

近年来，神经网络在非线性系统的识别和控制方面的应用越来越受关注，特别是递归神经网络，它能更有效地对底层动态系统进行建模。本文将递归神经网络应用于重型车辆的侧翻预防，考虑了不确定性和未建模动态的存在，开发了一种主动控制算法，以防止在驾驶员收到侧翻威胁警报信号后未采取纠正措施时发生侧翻。

1.1 符号说明

符号