基于预瞄的模糊自适应路径跟踪算法研究

基于车辆的预瞄和纯追踪模型设计一种自适应调整前视距离的路径跟踪控制器。利用模糊控制原理简单和控制参数少的特点，将车辆当前横向、航向偏差作为模糊控制输入，前视距离作为模糊控制输出和纯追踪模型输入，得到模糊自适应纯追踪算法。基于MATLAB/Simulink进行仿真，验证算法的有效性和准确性。     

基于多点序列预瞄的自动驾驶汽车路径跟踪算法研究

针对自动驾驶汽车自主行驶问题,提出了一种基于预瞄信息的路径跟踪算法。以GPS轨迹点序列作为目标路径,建立车辆—路径相对运动关系模型,使用实时差分GPS数据确定车辆位置。通过预瞄点序列,计算路径的预瞄偏差角和路径弯曲度。根据路径弯曲度确定行驶速度,实现纵向控制;通过Pure Pursuit算法将预瞄偏差角转换成前轮转角的控制量,实现横向控制。试验结果表明,提出的路径跟踪方法在纵向、横向控制和跟踪平稳性方面都具有良好的效果。     

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。     

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。     

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。     

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。     

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。     

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。     

基于反馈纯跟踪的智能车路径跟随方法

为提高智能车在不同速度和载荷下的路径跟随精度和稳定性，提出一种基于反馈纯跟踪的智能车路径跟随方法。首先，基于车辆运动学模型和纯跟踪模型分析影响控制效果的因素；然后根据车辆速度和路径曲率动态调整前视距离，将横向偏差作为反馈变量对传统纯跟踪控制方法进行补偿；接着通过仿真试验选定控制参数，分析控制参数对路径跟随精度和车辆稳定性的影响；最后通过实车试验，验证该方法在实车环境中的控制性能。结果表明，该方法具有较高的路径跟随精度，在不同速度和载荷下保持良好的适应性和稳定性。     

基于稳态特性的路程预瞄转向模型

为实现车辆稳态转向的理想状态,建立更真实的预瞄-跟踪行为,提出了2种基于稳态转向的路程预瞄转向模型,假设车辆处于稳态转向状态,预测车辆的行驶轨迹,基于预测轨迹的侧向误差最小原则,分别建立了将单点预瞄转化为路程预瞄的理想转向模型和修正转向模型。CarSim/Simulink联合仿真结果表明,2种转向模型均具有较好的路径跟踪精度、适应性和转向平顺性。     

基于纯追踪模型的算法改进

针对前视距离随速度、跟踪偏差变化而调整的问题,将模糊控制器应用与纯追踪算法线性拟合公式中速度增益系数的调节。把横向偏差和航向偏角作为模糊控制器的输入量,利用驾驶经验制定模糊控制规则,输出速度增益系数,从而得到更为合理的前视距离,以达到理想的跟踪效果。在直线道路和定曲率道路上,对传统纯追踪算法和改进后的纯追踪算法进行仿真对比,结果表明改进的算法使得路径跟踪效果得到明显提高。     

基于动力学模型预测控制的铰接车辆多点预瞄路径跟踪方法

现有的铰接车辆路径跟踪控制方法在模型线性化和预瞄误差过程均产生较大误差,导致跟踪精度降低。针对铰接车辆路径跟踪控制,构建了铰接车辆动力学模型,采用基于状态轨迹的线性化方法补偿动力学误差,提出了考虑路径多点预瞄误差的控制目标,设计了基于动力学模型的模型预测控制器,用以优化铰接点处转向力矩。为验证该方法的有效性,采用Matlab/Simulink和Adams软件构建了联合仿真平台,对控制算法进行了仿真验证。仿真结果表明,本文中设计的控制器可有效提升铰接车辆路径跟踪精度。     

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。     

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。     

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。     

三点预瞄的智能控制补偿驾驶员模型

为适应不同驾驶员的预瞄风格和推理决策能力,提出了一种基于三点预瞄的智能控制补偿驾驶员模型,根据预瞄前方远、中、近3个点的坐标值对目标路径的位置关系进行判断,结合当前车速建立了预瞄距离自适应的经验指数模型,提出了以车速、航向角、中点侧向误差为输入,转向盘转角为输出的模糊智能控制驾驶员模型,并对转向角进行补偿校正。仿真结果表明:该模型能够合理地判断目标路径的位置关系,适应预瞄距离的动态调节机理;在不增加失稳风险的条件下,有补偿模型较未补偿校正模型的路径跟踪精度更高。     

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。     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。