Система автоматического управления движением транспортных средств в колонне

В статье представлена разработка системы автоматического управления продольным движением транспортных средств в колонне на основе методов нечеткой логики. Актуальность исследования обусловлена растущей потребностью в эффективных и безопасных решениях для автоматизации грузоперевозок. Научная новизна работы заключается в разработке и верификации системы управления, на основе принципа «лидер – ведомый» и нечеткого регулятора со специфической базой правил, адаптированной для управления тяжелонагруженными грузовыми автомобилями (на примере КАМАЗ-65111) с программной реализацией в средах численного и визуального моделирования. В отличие от универсальных подходов, предложенная база правил формализует экспертные стратегии вождения, учитывая высокую инерционность объекта управления. Система, реализующая принцип «лидер – ведомый», была реализована и протестирована в двух различных средах: математическое моделирование в MATLAB/Simulink и интерактивная 3D-симуляция в Unity. Проведено комплексное тестирование в четырех сценариях движения: равномерное движение, разгон-торможение, экстренное торможение и движение по пересеченной местности. Результаты моделирования показали высокую точность (среднеквадратичная ошибка дистанции не превышает 1,21 м) и безопасность (минимальная дистанция в критических сценариях – более 6,3 м). Высокая корреляция результатов между двумя платформами подтверждает адекватность и робастность предложенной модели. Разработанная система демонстрирует потенциал для применения в беспилотном транспорте и может быть усовершенствована внедрением адаптивных механизмов настройки параметров нечеткого регулятора. Отмечено, что совершенствование разработанной системы управления может быть реализовано за счет использования гибридных нейро-нечетких правил или создания интеллектуальных систем управления дорожным движением.

1. Хронусова Т.В., Асанов А.З., Назаренко М.А. Бортовые информационно-управляющие системы, обеспечивающие автоматизацию движения автомобилей в колонне на примере большегрузных автомобилей. Кибернетика и программирование. 2019;(2):30–43. https://doi.org/10.25136/2306-4196.2019.2.21490

2. Solyom S., Idelchi A., Salamah B.B. Lateral Control of Vehicle Platoons. In: 2013 IEEE International Conference on Systems, Man, and Cybernetics, 13–16 October 2013, Manchester, UK. IEEE; 2013. P. 4561–4565. https://doi.org/10.1109/SMC.2013.776

3. Чернышев Н.Н., Ниженец Т.В. Программная модель обработки сигналов с электронной напольной педали автомобиля. В сборнике: Актуальные проблемы науки и техники: Материалы II Международной научно-технической конференции, посвященной 70-летию ИМИ – ИжГТУ и 60-летию СПИ (филиал) ФГБОУ ВО «ИжГТУ имени М.Т. Калашникова», 19–21 мая 2022 года, Сарапул, Россия. Ижевск: Ижевский государственный технический университет имени М.Т. Калашникова; 2022. С. 472–476.

4. Badnava S., Meskin N., Gastli A., et al. Platoon Transitional Maneuver Control System: A Review. IEEE Access. 2021;9:88327–88347. https://doi.org/10.1109/ACCESS.2021.3089615

5. Bayuwindra A., Lefeber E., Ploeg J., Nijmeijer H. Extended Look-Ahead Tracking Controller with Orientation-Error Observer for Vehicle Platooning. IEEE Transactions on Intelligent Transportation Systems. 2020;21(11):4808–4821. https://doi.org/10.1109/TITS.2019.2947348

6. Rajamani R. Vehicle Dynamics and Control. New York: Springer; 2012. 498 p. https://doi.org/10.1007/978-1-4614-1433-9

7. Lee T., Jeong Yo. A Tube-Based Model Predictive Control for Path Tracking of Autonomous Articulated Vehicle. Actuators. 2024;13(5). https://doi.org/10.3390/act13050164

8. Zhou Zh., Tao M., Qiu J., Zhang P., Xu M., Chen Ju. Autonomous Vehicle Path Tracking Using Event-Triggered MPC with Switching Model: Methodology and Real-World Validation. IET Control Theory & Applications. 2025;19(1). https://doi.org/10.1049/cth2.70046

9. Asanov A.Z., Demyanov D.N., Myshkina I.Yu. Comparative Analysis of Fuzzy Controllers in a Truck Cruise Control System. In: Information Technologies and Intelligent Decision Making Systems: Third International Scientific and Practical Conference, ITIDMS 2023, 12–14 December 2023, Moscow, Russia. Cham: Springer; 2024. P. 68–79. https://doi.org/10.1007/978-3-031-60318-1_6

10. Zhou H., Huang H., Zhang P., Shi H., Long K., Li X. Online Physical Enhanced Residual Learning for Connected Autonomous Vehicles Platoon Centralized Control. In: 2024 IEEE Intelligent Vehicles Symposium (IV), 02–05 June 2024, Jeju Island, Korea. IEEE; 2024. P. 16–22. https://doi.org/10.1109/IV55156.2024.10588534

11. Zheng Ya., Wang Q., Cao D., Fidan B., Sun Ch. Distance-Based Formation Control for Multi-Lane Autonomous Vehicle Platoons. IET Control Theory & Applications. 2021;15(11):1506–1517. https://doi.org/10.1049/cth2.12139

12. Zhao Ju., Ma X., Yang W., Li H., Wang D. Platoon Intelligence: Edge Learning in Vehicle Platooning Networks. Urban Lifeline. 2025;3(1). https://doi.org/10.1007/s44285-024-00035-y