改进的有限时间最优预瞄横向控制器设计

提出了有限时间最优预瞄横向控制算法,根据高速公路车道保持系统实际控制要求,使用了同时考虑车辆当前偏差、预瞄点偏差和控制变量的有限时间二次型性能指标函数。运用最优跟踪算法并进行预瞄距离内曲率恒定的假设,使得控制器参数可以离线求解,保证了车辆控制的实时性。通过仿真及实车试验验证,该控制算法具有较好的跟踪效果。     

视觉预瞄式智能车辆纵横向协同控制研究

针对智能车辆路径跟踪控制的高度非线性及纵横向运动控制的耦合性问题,结合视觉预瞄模型及模型预测控制理论提出了一种预瞄式MPC路径跟踪控制新方法。该方法首先对非线性预测模型进行局部线性化,将MPC最优化求解问题转化为二次规划问题。在每个控制时域内将纵向车速及预瞄距离视为已知,运用指数模型对纵向车速进行描述,并结合道路曲率及实际车速设计了预瞄距离发生器。仿真和试验结果表明:相较于传统MPC跟踪控制方法,本文中提出的预瞄式MPC控制方法在不同车速下均能减小跟踪过程中的横向偏差和方向偏差,提高了跟踪精度,且此提升效果在高速状态下更为明显。     

基于多点预瞄最优控制的智能车辆路径跟踪

为在嵌入式控制器开发环境下提高智能车辆的路径跟踪精度,采用车辆动力学模型和多点道路预瞄模型,以预瞄窗口内的跟踪偏差为目标函数,结合LQR最优控制原理,提出了一种基于多点预瞄最优控制路径跟踪控制方法。针对实车应用,通过离线计算最优增益的方法,提高算法实时性。在仿真及红旗H7实车环境下进行试验,结果显示,该方法在保证跟踪精度的同时具有良好的算法实时性。     

基于滚动时域的线性二次型路径跟踪研究

针对智能驾驶车辆在实际行驶过程中的路径跟踪问题,建立了二自由度车辆动力学模型和路径跟踪预瞄模型,并将两者相结合。将给定的双移线和蛇形线路径作为滚动时域线性二次控制器模型的输入,将得到的转向盘转角输入车辆模型,得到了车辆横向速度、横摆角速度、横向位移和横摆角。仿真结果表明,提出的路径跟踪控制策略能够使车辆在换道时始终维持方位偏差在0.06 m以内,同时具有较好的横向稳定性。     

基于线控转向的智能驾驶车辆路径跟踪研究

针对搭载线控转向系统的智能驾驶车辆路径跟踪问题,基于汽车动力学仿真软件分析车辆转向特性,推导出横摆角速度对转向盘转角的稳态增益曲线,并获得了仿真稳态增益与理论稳态增益之间的修正系数,以此搭建单点预瞄模型和变角传动比线控转向系统模型。通过预瞄式横向运动控制与线控转向变角传动比控制相结合的方式,完成智能驾驶车辆路径跟踪控制策略的设计,并与搭载固定角传动比线控转向系统的智能驾驶车辆进行仿真对比验证。仿真结果表明,所设计的路径跟踪控制方法具有更高的跟踪精度和行驶稳定性。     

基于跃度信号的自动驾驶横向控制

针对自动驾驶车辆的横向控制,提出了一种基于跃度信号的预瞄控制。建立车辆二自由度动力学误差模型,采用线性二次调节（LQR）反馈控制和前馈控制构成闭环横向控制模型。以CarSim和Simulink为仿真平台,模拟车辆进入并跟踪稳态圆。通过分析横向位置误差和横摆角误差等指标,表明该预瞄算法在横向控制精度、跟踪速度方面具有良好效果。     

矿用无人运输车辆轨迹跟踪控制算法研究

矿用无人运输车辆作业环境恶劣,存在大曲率弯道、坡道等非结构化道路明显特征,对无人化运输控制要求高。为改善PID等传统控制算法适应性问题,提高无人驾驶轨迹跟踪的车辆横纵向控制精度,提出一种纯跟踪与PID结合的多点预瞄横向控制、考虑模糊控制表参数拟合的纵向控制方法,减少控制参数的同时提高算法效果。根据传统控制算法设计基础控制器,结合基础算法优势进行横向与纵向控制算法设计,通过硬件在环仿真和实车测试验证算法的性能。试验结果表明,横向控制算法与斯坦利算法相比,车辆路径跟踪精度有明显改善,纵向控制方面,速度跟随误差<1 km/h,保证了车辆驾驶时的平稳性与舒适性。     

匝道合流交通场景下自动驾驶汽车安全性测试评价方法

矿用无人运输车辆作业环境恶劣,存在大曲率弯道、坡道等非结构化道路明显特征,对无人化运输控制要求高。为改善PID等传统控制算法适应性问题,提高无人驾驶轨迹跟踪的车辆横纵向控制精度,提出一种纯跟踪与PID结合的多点预瞄横向控制、考虑模糊控制表参数拟合的纵向控制方法,减少控制参数的同时提高算法效果。根据传统控制算法设计基础控制器,结合基础算法优势进行横向与纵向控制算法设计,通过硬件在环仿真和实车测试验证算法的性能。试验结果表明,横向控制算法与斯坦利算法相比,车辆路径跟踪精度有明显改善,纵向控制方面,速度跟随误差<1 km/h,保证了车辆驾驶时的平稳性与舒适性。     

基于弧长预瞄的车辆侧向跟踪控制研究

为提高基于预瞄理论的路径跟踪控制算法的计算效率与适应性,本文中在预瞄最优曲率模型的基础上,提出了一种依据车辆实际行驶路程获取预瞄点侧向位移的弧长预瞄方法。并在该方法下,推导了预瞄点侧向位移与车辆前轮转角之间的关系,之后通过侧向跟踪闭环系统方框图,建立了路径跟踪的侧向控制模型。最后,在CarSim/Simulink联合仿真环境下,通过建立若干典型仿真工况,对该模型的有效性和人-车-路闭环系统转向盘稳定性影响因素进行了仿真分析。结果表明,该方法在侧向路径跟踪控制方面具有跟踪精度高、计算速度快和适应性好的特点。并且,当闭环系统同时满足期望路径点方向连续和预瞄距离大于临界前视距两个条件时转向盘趋于稳定。     

基于视觉的重型车辆车道保持控制方法

重型车辆车道保持借助视觉传感器获取道路信息,以单点预瞄和道路中心线位置偏差实现对车辆的前馈控制。考虑重型车辆体积大导致响应慢,进入稳态时间较长等问题,本文将车辆质心和车道中心线横向偏差用于修正车辆位置。提出与速度成线性关系变化的P控制参数,应用PD控制算法得到输出转角对重型车辆进行横向控制,通过Simulink/TruckSim联合仿真验证算法可靠有效。同时经过实车测试车辆始终沿着车道中心向前行驶,实现了基于视觉控制车辆在车道内快速、平稳行驶。     

自动驾驶车辆侧向路径跟随控制算法仿真

路径跟随是依照规划轨迹信息通过对执行元件的控制实现沿期望轨迹行驶,控制算法对实现路径跟随非常重要。针对自动驾驶车辆的侧向控制技术,文章研究了基于最优预瞄理论的路径跟随控制,建立车辆二自由度模型和预瞄误差模型,设计模型预测控制（MPC）侧向跟随控制器以提高跟随精度。利用CarSim-Simulink联合仿真,仿真结果表明,该算法策略能稳定跟踪规划路径。     

极限工况下无人驾驶车辆稳定跟踪控制

针对无人驾驶车辆在极限工况下跟踪控制精度和稳定性均难以保障的问题,提出一种纵横向稳定性综合协调控制方法。首先对无人驾驶车辆在摩擦极限下的速度进行规划,通过纵向加速度前馈和状态反馈控制器实现极限车速下的速度跟随。其次将预瞄前馈与人工势场反馈相结合设计了横向路径跟踪控制器。提出了基于期望与实际横摆角速度偏差的稳定性控制策略,优化纵向控制的驱动力矩。Simulink/Carsim联合仿真结果表明,所提出的纵横向协调稳定控制方法可在极限工况下改善无人驾驶车辆瞬态响应,抑制道路曲率突变处的超调量,减少路径跟随中的稳态误差,提高了无人驾驶车辆的轨迹跟踪精度和弯道运动过程中的横向稳定性。     

基于MPC的无人驾驶汽车轨迹控制研究

为更好地实现对无人驾驶汽车行驶路径的跟踪修正,基于模型预测算法控制车辆的车速和横摆角。通过建立车辆运动学模型、制定目标函数、确定约束条件,设计出了轨迹跟踪控制器。并通过Matlab/Simulink、CarSim软件搭建模型预测控制算法。结果显示,在预定工况下,车辆参考路径和实际行驶误差较小,并有较好的横向稳定性。结果表明该算法能在一定程度能保证无人驾驶汽车的安全性,为智能车辆控制提供了基础。     

基于改进Stanley算法的无人车路径跟踪融合算法研究

针对斯坦利（Stanley）跟踪算法无法更好地同时满足无人驾驶路径跟踪的精确度和平滑性要求的问题，根据车辆的航向角、横向偏差、车速等特性，基于合适的预瞄距离，采用纯跟踪（Pure Pursuit）算法对Stanley算法中车轮转角的计算方式进行改进，提出一种新的融合算法，实时计算车辆在当前车速下合适的车轮转角。仿真结果表明，相比于Stanley算法，所提出的融合算法在不失跟踪精确度的情况下，不同车速下跟踪平滑性均有较大提升。实车试验结果表明，在20 km/h车速下，所提出融合算法的跟踪路径比原Stanley算法的跟踪路径有更好的精确度和平滑性。     

基于模糊推理的无人车路径跟踪算法

针对传统的纯跟踪算法的缺点,提出了一种可变预瞄距离的路径跟踪算法。该算法在纯跟踪算法的基础上,利用模糊推理方法,将车辆的速度和加速度作为输入,将预瞄距离作为输出,并且在实验的基础上制定合理的隶属度函数和控制规则,实时地根据车辆的状态计算出合理的预瞄距离,从而兼顾路径跟踪的准确性和车辆的稳定性。最后通过Simulink/CarSim平台对算法进行验证。结果表明,该算法在0~60km/h速度内可保证无人车稳定准确的跟踪参考路径,且具有较强的鲁棒性。     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性。针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径。提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法。以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集的关联函数动态分配轨迹跟踪精度和横向稳定性的权重系数,建立了自动驾驶汽车轨迹跟踪的多目标模型预测可拓协调控制策略。数值仿真结果表明,提出的路径规划方法能保证车辆安全超车,轨迹跟踪控制策略不仅能精确地跟踪规划的路径,而且具有较高的横向稳定性和舒适性。     

智能车路径跟踪控制算法的简述

智能车主要分为路径规划、路径跟踪、自动泊车三大部分。路径规划主要研究车辆的避障问题,路径跟踪主要研究车辆跟随期望路径的有效性,自动泊车主要分析车辆在有限的几何空间内将车辆泊到指定的空间位置。其中路径跟踪是其核心部分,根据研究方法的不同,主要分为"预瞄跟随模型"和"智能控制模型"。文章根据预瞄点的不同,主要分析单点预瞄模型、两点预瞄模型、路程预瞄模型。根据智能控制方法的不同,主要分析模糊逻辑控制驾驶员模型、神经网络控制驾驶员模型、模型预测控制驾驶员模型。     

基于高精地图的物流配送车路径规划与跟踪控制

为了解决园区等场景下无人车多途经点配送问题,提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。考虑配送车往返途经点顺序对行驶路径总长度的影响,基于高精地图采用A*算法计算各配送点间的最优路径,在此基础上,利用动态规划算法求解经过多个配送点的全局最优路径。应用贝塞尔曲线对规划的路径进行平滑,并根据道路曲率设定不同路径处的参考行驶速度,进而生成车道级的可用于跟踪的目标轨迹。利用车辆二自由度模型设计模型预测控制器进行轨迹跟踪,实现低速物流配送车的自主控制。在 CarSim/Prescan/Simulink联合仿真平台和实车平台上对提出的规划控制方法进行了试验。结果表明,相比传统的依据最近配送点策略确定的路径,所提出的方法搜索出的路径长度平均缩短了 6.15%。所设计的轨迹跟踪控制器能确保配送试验车与目标轨迹的横向偏差在 0.25 m 以内,航向角偏差在5°以内。     

复杂路况下无人驾驶路径跟踪模型预测控制研究

为了提高无人驾驶车辆在直角转弯、连续弯道和弧形弯的复杂路况下路径跟踪精度、行驶稳定性与安全性,提出了一种改进的模型预测控制算法。该改进算法是根据行驶路径弯曲度确定车辆在平坦路面上不发生滑移的最大纵向速度,即车辆纵向速度不是假定恒定值。基于模型预测控制,建立车辆运动学模型,设置以速度和前轮转角为约束条件,设计以位置偏差和控制增量为目标函数,获得最优前轮转角和行驶速度。最后,借助某新能源汽车有限公司提供的无人驾驶车辆平台与测试场地,试验对比分析了在复杂路况下改进的模型预测控制算法与纵向速度恒定的模型预测控制算法时车辆路径跟踪效果,试验验证了改进模型预测控制算法的有效性与优越性,保证了车辆的路径跟踪精度、行驶平稳性与安全性。     

路径跟踪控制算法仿真分析与试验验证

为探究车辆路径跟踪算法性能差异及适用性规律，分别构建基于预瞄的纯跟踪（PP）算法、前轮反馈控制算法和模型预测控制（MPC）算法的车辆模型，在圆环、蛇行和低、中、高速等工况下进行Simulink和CarSim联合仿真并分析横向控制效果。结果表明：PP算法预瞄距离越短，横向控制精度越高，但稳定性越弱，低速鲁棒性较好；前轮反馈控制算法在高速下具有更小的横向控制误差，且增益系数k影响控制精度；相较于前两者，MPC算法在不同速度下均具有良好的横向跟踪性能。最后，开展实车试验对比验证3种算法的跟踪性能，结果表明，在同一工况下，MPC算法具有更优的跟踪性能。