智能汽车路径跟踪精度及操纵稳定性耦合机理分析

针对现有智能汽车路径跟踪算法研究中存在的智能汽车路径跟踪精度与操纵稳定性相互耦合和相互制约问题,在车辆二自由度模型基础上,设计了基于传统预瞄误差模型的PID控制方法,研究了智能汽车在蛇形道路工况、定曲率变车速工况和定车速变曲率工况下,车速及道路曲率对智能汽车路径跟踪精度和操纵稳定性的影响。仿真结果表明,随着车速和道路曲率的增加,智能汽车路径跟踪精度以及操纵稳定性降低;智能汽车的路径跟踪精度提高,操纵稳定性变差。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

基于PSO-BP优化MPC的无人驾驶汽车路径跟踪控制研究

针对模型预测控制（MPC）路径跟踪控制器在不同路面附着系数及车速下跟踪误差大的问题，提出了基于粒子群寻优（PSO）-反向传播（BP）神经网络优化MPC的无人驾驶汽车路径跟踪控制策略。首先，设计了MPC路径跟踪控制器；其次，利用PSO-BP对MPC进行优化，以控制器精度和车辆稳定性作为评价函数，获得PSO离线最优时域参数；最后，选择4种工况进行双移线跟踪对比仿真验证。结果表明：所提出的控制策略在保证行驶稳定性的条件下，低路面附着系数低速、高路面附着系数低速、高路面附着系数高速及中路面附着系数中速工况下双移线跟踪横向控制精度分别提高了50%、55%、9%和20%。     

基于路面附着系数估计的车辆轨迹跟踪控制

针对车辆在高速转向和不同路面附着系数下的轨迹跟踪控制问题，基于模型预测控制理论提出了一种考虑路面附着系数的变侧偏角约束MPC控制策略。根据魔术公式轮胎模型分析轮胎的侧偏特性以及不同附着系数对轮胎侧偏角-侧向力线性区的影响，建立轮胎侧偏角约束与不同路面附着系数的函数关系；采用遗传算法（GA）优化BP神经网络模型设计路面附着系数估计器，将估计结果作为与轮胎侧偏角约束相关的变量传递到MPC控制器中；最后在MPC控制器中建立系统控制量约束、控制增量约束，以及考虑路面附着系数的变侧偏角约束，将不同路面附着系数工况下的轨迹跟踪问题转化为多约束条件下最优值求解问题，实现轨迹跟踪和车辆稳定性控制。仿真和试验结果表明，考虑路面附着系数变化的MPC控制方法相对传统MPC控制方法在各种工况下具有更高的轨迹跟踪精度和更好的车辆稳定性，GA-BP神经网络路面系数估计方法具有很高的估计精度。     

融合预瞄特性的智能电动汽车稳定性模型预测控制研究

提出了一种融合预瞄特性的智能电动汽车稳定性前馈+反馈控制方法。建立车辆预瞄模型，通过汽车在环境感知时的前视行为，引入道路曲率作为车辆动力学特性的影响因素。基于在前视信息指导下的车辆位姿变化，根据道路附着能力和车速指数模型描述期望纵向车速，建立轮胎侧偏刚度补偿的稳定性前馈控制方法。同时，采用模型预测控制（MPC）设计稳定性反馈控制律，根据车辆的预瞄信息自适应调整预测模型参数和预测时间，消除前馈控制误差及路面扰动等不确定性因素带来的影响。研究结果表明，本文提出的控制策略下汽车质心侧偏角、横摆角速度和侧向加速度小，且跟踪精度更高。仿真试验中，相比于无控制、MPC反馈控制与前馈+定参数MPC反馈控制，本文提出的控制策略在双移线工况1下质心侧偏角峰值分别减小了41.3%、28.9%和10.0%，横摆角速度峰值分别减小了18.0%、6.7%和2.0%，双移线工况2下质心侧偏角峰值分别减小了27.2%、8.7%和8.0%，横摆角速度峰值分别减小了16.9%、12.9%和8.6%；相比于MPC反馈控制与前馈+定参数MPC反馈控制，在蛇行工况1下，质心侧偏角峰值分别减小了49.8%与34.8%，横摆角速...     

基于变权重系数的分布式驱动无人车轨迹跟踪

为了提高分布式无人车轨迹跟踪的精度，提出了基于自主与差动协调转向控制的轨迹跟踪方法。首先，在车辆三自由度模型基础上，基于模型预测控制（MPC）实时计算前轮转角以控制车辆进行自主转向轨迹跟踪。在此过程中，为了提高自主转向下车辆的轨迹跟踪精度与行驶的稳定性，考虑多种因素，利用经验公式及神经网络控制对MPC的预瞄步数和预瞄步长进行多参数调整，实现预瞄时间的自适应控制。其次，在恒转矩需求的情况下，以轨迹偏差为PID控制器的输入及左右轮毂电机转矩为输出进行差动转向控制，实现了差动转向下的轨迹跟踪控制。然后，通过设置权重系数的方法将自主与差动转向相结合。考虑到车辆横纵向动力学因素，采用模糊控制及经验公式对权重系数进行了调整，从而在提高车辆转向灵活性与轨迹跟踪效果的同时保证车辆行驶的稳定性。CarSim与Simulink联合仿真以及实车试验结果表明：与自主转向轨迹跟踪相比，采用变权重系数的协调控制可以在不同的工况下提高车辆的转向灵活性与轨迹跟踪的精度，轨迹跟踪偏差的均方根值改善率达到了11%。所提出的协调转向控制方法可为分布式驱动车辆转向灵活性的提高及轨迹跟踪精度的改善提供一种新的思路。     

基于曲率控制的紧急避让路径跟踪研究

针对紧急避让工况,提出一种基于曲率控制的路径跟踪控制方法。以车辆二自由度动力学模型为基础,设计基于曲率控制的二阶自抗扰路径跟踪控制器,采用前馈与反馈相结合的复合控制方法进行曲率跟踪控制。为了解决避让过程中侧向加速度过大或产生阶跃、曲率不连续问题,引入三次B样条曲线进行路径跟踪曲率规划,采用CarSim/Simulink联合仿真方法进行控制器性能验证。仿真结果表明,在对接和对开路面工况下,基于曲率控制的路径跟踪控制器能够保证车辆实际行驶路径曲率跟踪理想路径曲率,抵抗外界干扰能力强。     

智能汽车轨迹跟踪与横摆稳定性协同控制

为了提高四轮独立驱动智能电动汽车在变曲率弯道下的轨迹跟踪精度和横摆稳定性,提出了一种模型预测控制与直接横摆力矩控制协同的综合控制方法。建立了横纵向耦合的车辆动力学模型,采用2阶龙格库塔离散法保证了离散模型的精度,并基于简化的2自由度动力学模型推导了车辆横摆稳定性约束,设计了非线性模型预测控制器;利用直接横摆力矩控制能够改变车辆横摆角速度和航向角的特点,考虑模型预测控制器的预测状态、控制量以及跟踪误差,设计了协同控制规则。仿真结果表明,协同控制方法解决了考虑横摆稳定性约束的模型预测控制器中存在的稳定性约束与控制精度相矛盾的问题,并补偿了模型预测控制器没有可行解时对横摆稳定性的约束,同时提高了智能汽车的轨迹跟踪精度和横摆稳定性。     

高速无人驾驶车辆的操控稳定性研究

通过分析路面附着条件和道路曲率等因素对车辆转向特性和稳定性的影响,建立了高速车辆的等效动力学模型。提出了一种变步长的模型离散化方法,能够在保证车辆模型预测精度的基础上,实现较长的预测时域,并满足计算实时性的要求。通过对高速车辆稳定行驶状态进行分析,推导了基于包络线的滑移稳定性约束条件,并设计了基于模型预测控制的高速无人驾驶车辆的轨迹跟踪控制器。仿真结果表明,该方法可有效保证高速无人驾驶车辆在不同地面附着情况及道路曲率下的操控稳定性。     

基于多参数控制的分布式驱动电动汽车操纵稳定性控制策略研究

为改善高速低附着路面上的车辆动力学性能，本文针对分布式驱动电动汽车提出一种基于多参数控制的操纵稳定性控制策略，包括上层轨迹跟踪控制和下层转矩分配控制。上层控制器设计基于2自由度车辆模型和驾驶员预瞄偏差模型，提出了MPC轨迹跟踪控制策略，实现对侧向偏差、横摆角偏差、质心侧偏角、横摆角速度的多参数控制。下层控制器以轮胎负荷率最小为优化目标，获得4个车轮电机转矩的最优分配量，借助于7自由度动力学模型，在双移线、蛇行工况下完成了CarSim-Simulink联合仿真。结果表明：提出的控制策略改善了高速、低附着工况下的操纵稳定性和轨迹跟踪精度。     

考虑参数估计的MPC算法的商用车车道保持控制

设计了一种考虑参数估计的模型预测控制（MPC）算法的、智能辅助驾驶的商用车的车道保持算法,对于难以直接测量的质量和横向速度进行估计。建立车辆动力学模型和状态误差方程,通过扩展Kalman滤波（EKF）和递推最小二乘法（RLS）分别对车辆的横向速度、质量进行估计。基于估计得到的车辆参数,设计MPC车道保持控制器。构建硬件在环（HIL）仿真平台,设置不同的测试工况对车道保持算法进行了验证。结果表明：与普通MPC相比,在偏移回正工况中,车辆纠偏消耗的时间减少28.6%,并且超调量更小;高速路工况的横向位置偏差的均方根误差减小了4.2 cm。该方法提升了纠偏能力和跟踪精度,降低了传感器成本。     

基于强化学习DDPG的智能车辆轨迹跟踪控制

针对智能车辆在轨迹跟踪过程中的横向控制问题，提出一种基于强化学习中深度确定性策略梯度算法（Deep Deterministic Policy Gradient，DDPG）的智能车辆轨迹跟踪控制方法。首先，将智能车辆的跟踪控制描述为一个基于马尔可夫决策过程（MDP）的强化学习过程，强化学习的主体是由Actor神经网络和Critic神经网络构成的Actor-Critic框架；强化学习的环境包括车辆模型、跟踪模型、道路模型和回报函数。其次，所提出方法的学习主体以DDPG方法更新，其中采用回忆缓冲区解决样本相关性的问题，复制结构相同的神经网络解决更新发散问题。最后，将所提出的方法在不同场景中进行训练验证，并与深度Q学习方法（Deep Q-Learning，DQN）和模型预测控制（Model Predictive Control，MPC）方法进行比较。研究结果表明：基于DDPG的强化学习方法所用学习时间短，轨迹跟踪控制过程中横向偏差和角偏差小，且能满足不同车速下的跟踪要求；采用DDPG和DQN强化学习方法在不同场景下均能达到训练片段的最大累计回报；在2种仿真场景中，基于DDPG的学习总时长分别为DQN的9.53%和44.19%，单个片段的学习时长仅为DQN的20.28%和22.09%；以DDPG、DQN和MPC控制方法进行控制时，在场景1中，基于DDPG方法的最大横向偏差分别为DQN和MPC的87.5%和50%，仿真时间分别为DQN和MPC的12.88%和53.45%；在场景2中，基于DDPG方法的最大横向偏差分别为DQN和MPC的75%和21.34%，仿真时间分别为DQN和MPC的20.64%和58.60%。     

基于GA-PSO的智能汽车横向LQR控制器优化设计

针对线性二次型调节器（LQR）在智能汽车横向控制中,系数矩阵Q和R选取困难导致的控制精度低和参数整定效率低的问题,提出了一种遗传粒子混合优化（GA-PSO）方法。基于车辆二自由度模型设计了横向LQR控制器和前馈控制器,以该模型下控制器自身能量损失函数作为代价函数对系数矩阵进行优化,并对比了GA-PSO和粒子群优化（PSO）算法的优化效果。CarSim/Simulink联合仿真结果表明,经GA-PSO算法优化后的控制器跟踪精度和计算效率分别提高了47.06%和63.54%,且优化后的控制器具有较强的鲁棒性。     

基于非线性模型预测控制的智能车路径跟踪算法

为解决高速工况下低附着系数复杂路面上转向和行驶稳定性等难以控制的问题,建立了6自由度整车动力学模型,在传统模型预测控制理论基础上,设计了前轮主动转向控制器,并通过CarSim和MATLAB/Simulink进行联合仿真,在兼顾路径跟踪精度和行驶稳定性的前提下,对控制器参数进行优化,使车辆在中低速下路径跟踪达到最佳状态,在较高车速下加入侧偏角软约束,以保证跟踪精度和行驶稳定性。试验结果表明,提出的控制方法能保证车辆在冰雪路面高速行驶时具备一定的转向精度和行驶稳定性。     

基于MPC的四轮转向车爆胎稳定性控制

四轮独立转向驱动汽车相比传统车辆具有更多控制自由度,具备在高曲率跟踪精度好,低附着路面操纵稳定性优越的特点。本文针对车辆在轨迹跟踪中所面对的低附着、爆胎等紧急工况,本研究采用模型预测控制理论,针对四轮转向电动汽车的横摆稳定性问题进行了探究。以横摆角速度和横向误差为控制目标,计算出最优四轮转角和直接横摆力矩,下层采用最优转矩分配并考虑轮胎摩擦圆约束,以实现对四轮驱动电动汽车的稳定性控制。在CarSim/Simulink联合仿真整车模型中,采用参数化建模设置整车参数。通过双移线爆胎工况仿真实验分析,所提出的策略能够有效地提高四轮驱动电动汽车的轨迹跟踪精度,从而提高整车的行驶稳定性。     

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明：在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。     

磁粉离合器自适应权重粒子群优化模糊控制的研究

针对传统的模糊控制精度不高、自适应能力有限等问题,为了对车辆起步时磁粉离合器接合过程进行模糊控制,提出一种应用自适应权重粒子群优化算法来优化模糊控制器量化因子的方法。优化的量化因子将根据环境和负载的状况,实时跟踪模糊控制器参数的变化,从而提高了模糊控制器的鲁棒性和控制精度。仿真结果表明,与传统的模糊控制相比,采用自适应权重粒子群优化的模糊控制算法在降低发动机转速超调量的同时,减小了车辆起步的最大冲击度和离合器接合过程中的滑摩功。     

基于自适应控制系统的智能车横向轨迹跟踪控制

智能车辆轨迹跟踪控制的研究中,由于不同工况下控制算法的适应性不强,存在着较大的跟踪误差。为提高智能车辆行驶的自适性、跟踪精度与鲁棒性,提出了一种基于模型参考自适应控制系统（MRAC）的自适应PID控制方法。利用车辆模型与参考模型输出误差自适应PID控制器的3个参数,从而得到一种基于MRAC的自适应PID控制方法。MATLAB仿真对比结果表明,2种工况基于MRAC的自适应PID最大侧向跟踪误差分别为0.036 m和0.076 m,相比传统PID控制模型,该控制模型的控制精度分别提升52.10%、11.76%,表现出更好的横向轨迹跟踪性能。     

防抱死制动系统模糊自学习控制研究

由于车辆参数和运行工况的复杂多变，针对特定参数和路面条件所设计的防抱死制动系统往往难以适应。为解决这一问题，文中首先建立了带有盘式制动器的双轮车辆直线制动系统的数学模型；而后提出了模糊自学习控制策略，该方案通过引入模糊学习机制以调整模糊控制器的规则集，可使车辆对象输出跟踪理想参考模型的输出；接着对所设计控制算法在不同路面条件下进行了性能模拟；最后开发了模糊自学习微控制器，基于硬件在环仿真技术，对设计控制器的性能进行了实验验证。     

基于可拓优度评价的智能汽车横向轨迹跟踪控制方法

针对复杂工况横向控制精度低、稳定性差的问题,提出了一种基于可拓优度评价的智能汽车横向轨迹跟踪控制方法,创新采用可拓优度评价控制方法,设计了两层结构的横向轨迹跟踪控制系统。上层控制器包括基于预瞄偏差的PID反馈控制和基于道路曲率的PID前馈-反馈控制;下层控制器利用可拓优度评价方法来评价上层两控制器的优劣,根据实时的车辆-道路系统状态,选择优度高的控制器输出值,从而实现智能汽车横向轨迹跟踪控制功能,不论是小偏差、小曲率工况,还是大偏差、大曲率工况,都能达到良好的控制效果,提升了智能汽车横向控制系统的工况适应性和可靠性。仿真结果表明,与单一PID反馈控制相比,采用优度评价控制时,横向位置偏差和航向偏差分别减小了16.67%和12%。