Vehicle System Dynamics 48: 10 (April 2010): 1167-1192。 Zhou, J。, Peng, H。 (2004)。 Range Policy of Adaptive Cruise Control for Improved Flow Stability and String Stability, Proceedings of the 2004 IEEE, International Conference on Networking, Sensing & Control, Taipei, Taiwan, March 21- 23。摘要先进的控制概念提出一个教学的挑战 - 即使是在硕士学位的学生也能从这些概念中获益匪浅。不仅是简单地构建物理模型，也要用硬件设备来证明应用控制策略和调整方法的正确性。本文提供的参考材料（包括理论和测试结果）为实验室控制教学和评估中基于机器人车辆（美国国家仪器机器人入门套件）的实时单片机。本文通过实时单片（美国国家仪器机器人入门套件）讨论了ACC系统对机器人运动的控制。可编程门阵列（FPGA）和机器人的架构都被应用在基于模糊PID控制的ACC算法中。这个机器人车辆使用的是图形化编程语言（LabVIEW）编程。卡尔曼滤波器是用来估计在硬件控制算法（真正的机器人）中不可测量的参数。所得到的结果在分别对仿真模型和实际机器人经行比较。实验证明理论预期和现实生活的系统性能之间具有明确的相关性。同时提供了一个新的想法：如何以应用和可见的方式提供这种先进的控制理念呢？论文网

关键字  自适应巡航控制系统，模糊控制，PID控制器，卡尔曼滤波，机器人控制，状态估计

一、介绍

  许多大学往往把科研和教学分为两个独立的实体，并很少将研究融入教学中。然而，开发研究和教学之间的联系已被确认为相辅相成。 在大学教学与科研之间的联系以及它们如何对学生的学习有帮助都有不同的解释（BREW，2003; Senaratne和Amaragtunga，2006）。在本科工程研究活动中通常被看作是探究式学习。通过分析和实验可以将查询任务看成现有知识的建立和新知识的学习。但是，工程师们必须能够应用他们在大学课堂学习到知识来解决他们在使用过程中没有遇见过的问题。 询问和问题堆积式的学习可能导致简单的学科知识学习（Mills和Treagust，2003）。因此，研究方法和技能不仅应该是渐进的，可以通过各种方法和技巧来实现。一个在赫瑞瓦特大学有趣的例子，在那里学生对实验室实验设计、落实、采集数据、分析和在不同层面（Jenkins and Zetter,，2003）的进行结果比较都做出了巨大贡献。下面这个例子中，采用了一些我们的研究生（硕士和博士层次）开发研究提供的资料，教材包括实验和虚拟学习方法，以提高基于控制科目的教学。本文介绍的工作已经由一个博士生得到了充分的发展，在他自己的研究（Shakouri等，2012）中也有所涉及。本次研究的对象是研究生学生学习的机器人中的机电一体化模块，感应方法，控制和人工智能的使用。在这个基础之上，自适应巡航控制系统（ACC）系统，巡航控制系统（CC）和紧急停车系统等都有比较常见的应用，已经在机器人和智能交通系统（ITS）（杰兹和赫德里克领域进行研究，1997）有所研究。ACC系统是巡航控制系统，它不仅控制车辆的速度的变化，而且它能够控制前车和跟随车辆之间的距离，以保持一个安全的距离。在ACC的综合性研究（Xiao and Gao, 2010）提出了一些基于模型的控制方法和架构，并对经典的ACC系统的非线性的控制方法进行改进，例如比例 - 积分 - 微分（PID）控制和线性二次控制（LQC）取增益调度方法的开发（Shakouri et al。, 2011; Riis, 2007）、模型预测控制（MPC）、非线性MPC（NMPC）（Shakouri et al, 2012; van den Bleek, 2007）和滑模控制器（Zhou and Peng, 2004）。本文提出使用了基于机器人车辆模糊PID控制实时单板计算机方法的ACC系统。此外，还将用于ACC系统模糊PID控制器的结果与对那些传统的PI控制器经行了比较（Shakouri et al, 2012）。常规PID控制器在工业中通常用于各种控制的应用，因为它们结构简单，通用性强和成本底。然而，如果系统是高度非线性它可能无法提供满意的性能。同时，模糊控制是利用模糊集理论来处理非线性和不确定性。因此，为了获得更好地控制性能可以通过这两种技术的结合，这就是是所谓的模糊PID控制器（Feng, 2007）。在ACC系统中模糊逻辑控制具有强大的处理非线性和不确定性的能力（Naranjo et al。, 2006; Naranjo et al。, 2003; Masouminia, 2011; Tsai et al。, 2010）。模糊逻辑控制是一个基于规则的决策方法，它使用定义规则的方法来控制基于输入变量的当前值的模糊系统。语言变量，隶属函数和规则是建立一个模糊系统（国家仪器公司，2009年）三个主要部分。模糊系统利用近似推理的模式，使得它能够基于不准确，不完整的信息，类似于人类的方式经行决策（Harisha等，2008）。模糊系统不需要精确的数学或逻辑模型。模糊控制提供了一种灵活的工具来输入信息和控制输出，并通过它的设置好的的噪声和系统参数变化区分之间的关系进行建模。