数据驱动下的Homotopic强化学习在汽车半主动悬架控制研究.pdfVIP

Homotopic

数据驱动下的Homotopic强化学习在汽车半主动悬架控制研究

随着经济和科技的发展，人们对乘车平稳性提出了更高的要求。汽车悬架系统对

于乘车的稳定性和安全性来说，起着至关重要的作用。无法调节弹簧刚度和阻尼的被

动悬架已经无法满足人们对于汽车动力学性能的要求，而主动悬架的出现则改变了这

些弊端。主动悬架靠外界输入的能量来调节作用于车身的控制力，根据不同的道路状

况改变悬架系统的阻尼和刚度，从而减缓车身振动，提高行驶的平稳性。半主动悬架

作为主动悬架的一种，由于成本优势，应用广泛，受到越来越多学者的关注。主动悬

架在不同的控制算法下产生的效果不一样，如何设计出更先进、更智能的控制算法一

直是相关学者们的研究重点。对半主动悬架系统控制算法的研究具有重要的理论价值

和经济效益，也是本文研究的主题。

针对连续时间非线性半主动悬架系统，本文首先建立了二自由度的四分之一汽车

悬架模型，确定了控制系统的性能评价指标。针对半主动悬架系统具有非线性的特点，

T-S

建立了该悬架系统的模糊模型，将原始的非线性系统模型用模糊算法分解成多个

线性子系统逼近来表示。接着针对半主动悬架的最优控制问题，提出了一种基于数据

驱动，无需模型的homotopic强化学习算法，不需要给定初始稳定控制策略。在指定

的模糊规则下测量各子系统的状态和控制输入数据，利用测量数据计算各子系统的最

优控制增益，根据并行分布补偿法，得到整个非线性系统的最优控制策略。最后使用

Matlab软件对提出的控制策略进行了仿真分析。

研究表明，所提出的控制策略通过对采样数据进行分析和处理，可以在未知系统

模型信息的情况下，将闭环系统的不稳定极点移动到稳定区域，在给定初始值的情况

下系统输出和控制输入都快速收敛到零，比较算法得出的控制增益和最优控制增益，

证明了该算法得出的控制策略是最优控制策略，在控制无模型的连续时间非线性系统

上取得了理想的控制效果，可以有效改善汽车的驾驶平顺性。

T-SHomotopic

：半主动悬架；模糊模型；强化学习；策略迭代

I

ResearchonSemi-activeSuspensionControlMethodBasedon

Data-DrivenHomotopicReinforcementLearning

Abstract

Withthedevelopmentofeconomyandtechnology,peoplehavehigherrequirements

forthestabilityoftheride.vehiclesuspensionsystemplaysavitalroleinthestabilityand

safetyoftheride.Passivesuspensionthatcannotadjustspringstiffnessanddampingcannot

meetpeoplesrequirementsforvehicledynamicperformancewhiletheemergenceofthe

activesuspensionhaschangedthesedrawbacks.Activesuspensionreliesonexternal

energytoadjustthecontrolpoweractingonthecarbody.Itcanchangethedampingand

stiffnessofthesuspensionsystemaccordingtodifferentroadconditions,soastoslow

downthebodyvibrationandimprovethestabilityofdriving.Asakindofactive

suspension,semi-activesuspensioniswidelyusedandattractsmo