基于模型预测控制的智能车横纵向控制器设计

针对智能车横纵向控制中路径跟踪精度、行驶稳定性以及乘坐舒适性等问题,提出了基于模型预测控制(MPC)的横纵向综合控制方法。速度规则系统根据参考路径曲率与车辆跟踪位移误差计算出期望速度曲线,速度跟踪控制采用分层式控制器,上层控制器利用MPC算法计算期望加速度,下层控制器利用车辆逆纵向动力学模型对车辆的驱动和制动进行协调控制。横向控制器根据参考路径、车辆反馈状态以及纵向上层控制器的期望速度计算车辆前轮转角。最后通过实验对比本算法与恒速MPC横向控制算法的轨迹误差,结果表明:本算法控制的车辆横向位移均方根误差减小了0.051 m,有效提高了车辆轨迹跟踪的控制精度。     

基于MPC路径跟踪研究

针对无人驾驶车辆在实际行驶过程中的路径跟踪问题,建立车辆二自由度动力学模型和路径跟踪预测模型,将预测模型与车辆二自由度动力学模型相结合。基于MPC轨迹路径跟踪算法,并搭建了基于dSPACE系统硬件在环仿真试验平台,进行硬件在环仿真试验,验证MPC轨迹路径跟踪仿真控制策略的合理性和正确性。结果表明:设计的基于MPC路径跟踪控制可以保证车辆在换道时,方位平均偏差在0.05 m范围内,利于实际应用。     

基于模型预测控制的智能汽车轨迹跟踪方法比较

针对智能汽车轨迹跟踪问题,基于模型预测控制原理分别采用运动学模型和动力学模型为预测模型,通过对非线性系统进行线性化和离散化处理,根据约束条件、目标函数设计了2种轨迹跟踪控制器。基于Carsim与Matlab/Simulink联合仿真平台,在不同附着系数、不同车速下进行典型轨迹跟踪仿真试验。结果表明:不同工况下,2种模型预测控制器都有良好动态跟踪特性,动力学模型的跟随效果和控制平滑度略优于运动学模型。     

基于模型预测控制无人驾驶车辆避障轨迹跟踪器设计

针对无人驾驶车辆的轨迹跟踪和避障问题,基于模型预测控制算法设计了避障轨迹跟踪控制器,实现避障和轨迹跟踪功能。在不同车速下采用Matlab和CarSim进行联合仿真试验,结果表明:设计的控制器控制性能和稳定性良好,能满足无人驾驶车辆的避障和轨迹跟踪需求。     

智能车辆横纵向运动综合控制方法研究

针对智能车辆运动控制中的多种复杂动力学约束及性能需求,提出基于模型预测控制算法的横纵向综合控制方法,分别设计横向和纵向控制器.横向控制器基于单轨动力学模型,纵向采用分层控制结构,以纵向速度为耦合点结合横向和纵向控制器,并根据路径信息规划车辆行驶速度,实现转向和速度同时控制,最后通过Carsim和MATLAB联合仿真.研究结果表明:控制器具有良好的跟踪性能,实时性强,且能够满足车辆横向稳定性、舒适性和平顺性等要求.     

基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制

为实现实际动态交通环境下智能汽车的变道控制, 提出了基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制策略; 针对实际交通环境下目标车道车速和加速度的动态变化, 提出了智能汽车变道动态轨迹规划算法, 获得了能够避免智能汽车发生碰撞的变道轨迹的动态最大纵向长度; 设计了兼顾变道效率和乘员舒适性的优化目标函数, 优化获得了在变道轨迹最大纵向长度范围内的实时动态最优变道轨迹; 利用轨迹预瞄前馈和状态反馈相结合的类人转向控制方式, 实现了智能汽车变道动态轨迹跟踪和乘员舒适性的最优控制, 并利用硬件在环试验台验证了所提控制策略的正确性。研究结果表明: 定速工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.4%、4.8%和0.59 m·s-2; 定加速度工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.1%、4.6%和0.48 m·s-2; 变加速度激烈工况下实际与参考轨迹的侧向位移误差和最大侧向加速度分别为1.7%和0.80 m·s-2, 航向角超调后能迅速重新跟踪动态轨迹航向角; 所提控制策略可以很好地跟踪控制实际交通环境下目标车道汽车在定车速、定加速度和变加速度工况下的智能汽车动态变道轨迹, 从而能实现智能汽车最优变道, 可确保变道过程中不与目标车道汽车发生碰撞, 并兼顾变道效率和乘员舒适性。      

��ṹ����·�����ܳ���·���滮������㷨�о�

作为智能交通的重要组成部分,智能车辆旨在辅助或取代驾驶员进行车辆驾驶,以减少交通事故,提高交通系统效率. 本文针对半结构化道路下基于视觉导航智能车辆的路径规划和车辆控制问题进行了研究试验. 首先采用局部逆透视变换方法将存在无穷视野的智能车辆成像系统转换为真实世界坐标表示;然后利用深度优先搜索算法搜索当前道路环境下所有可行路径,依据无碰撞约束条件设定行驶轨迹;以预设轨迹的行驶时间和视觉图像信息作为输入,设计分级模糊控制器进行车辆横向控制;最后给出场地试验结果. 试验表明,本文路径规划和车辆控制算法有效稳定,实现了校园环境下障碍物躲避、路径规划和车辆自主行驶的设计功能.     

基于自适应模型预测控制的智能车轨迹跟踪

针对传统模型预测算法在智能车辆轨迹跟踪的局限性,引入随道路曲率变化的速度自适应调节算法,设计轨迹跟踪控制器。设计目标函数及添加约束条件,通过Matlab/Simulink软件,在不同车速下与传统算法进行比较,仿真结果表明:不同的纵向车速对传统算法的轨迹跟踪有一定的影响,而对改进后的算法影响较小。尤其当车速较高时,改进后的算法轨迹误差更小,能保证车辆安全、稳定地行驶。     

基于多目标优化的智能车辆换道轨迹规划

为提高智能车辆换道轨迹规划的拟人性和实时性,提出了安全、舒适、节能等多目标协同优化的换道轨迹规划算法,该轨迹规划方法的适应性取决于车辆换道时间、纵横向速度及加速度等关键变量的约束条件;基于车辆运动学和动力学理论,分析了动态未知环境下车辆换道安全区域,建立了六次多项式车辆理想换道轨迹模型,并运用遗传算法-BP神经网络理论对换道终止时刻及目标位置进行预测,得到了复杂场景下车辆换道轨迹簇;分析了基于可行解空间的车辆换道安全性、舒适性、经济性等性能评价函数,构建了多性能目标协同优化目标函数和约束条件,运用鲸鱼优化算法对换道轨迹簇进行优化,实现多性能目标协同的智能车辆换道轨迹最优规划;为进一步验证多目标优化轨迹规划算法的准确性,运用L3级智能车辆测试平台对结构化道路场景下多目标优化换道轨迹规划算法进行了试验验证。仿真和试验结果表明:提出的轨迹规划算法在满足各项约束的情况下可成功实现平稳、安全换道,并且与传统驾驶人换道相比,换道过程的安全性、舒适性及多目标综合性能分别提升了5.1%、3.3%和1.7%,有效提升了动态环境下智能车辆换道轨迹规划的拟人性。      

混行环境下网联信号交叉口车路协同控制方法

为了提高网联信号交叉口车路协同控制对真实交通环境的适应性,以智能网联汽车与网联人工驾驶汽车混行的典型交通应用场景为研究对象,通过构建八相位网联信号交叉口,研究了混行环境下的交通信号和网联车辆轨迹车路协同优化控制方法;在对场景中的网联车辆运动学特性和跟驰行为进行建模的基础上,构建了一种混行车辆编队方法;基于混行车队模型、安全约束与燃油消耗模型,建立了基于滚动优化的交通信号-车辆轨迹协同优化控制方法;基于异步分层优化思路,将该协同控制问题分解为上层交通信号优化与下层车辆轨迹优化两方面,以交叉口车辆行驶延误时间和燃油消耗量为优化目标,利用遗传算法和“三段式”轨迹优化法分别对交通信号优化问题与车辆轨迹优化问题进行求解;对不同稳态车速与智能网联汽车渗透率下构建的混行交通流的稳定性进行了验证,并通过仿真测试分析了所提出的协同优化控制方法的控制效能与关键参数对控制效能的影响。分析结果表明:在不同交通流量与智能网联汽车渗透率下,提出的控制方法均可有效提升交叉口通行效率与燃油经济性;在完全渗透环境下,较固定配时交通信号控制方法最高可分别提升57.3%和13.3%;随着智能网联汽车渗透率的增加,其控制效能不断提高,较无渗透条件最高可分别提升42.0%和14.2%;即使智能网联汽车渗透率仅达到20%,较无渗透条件也可以在交通效率方面实现20.4%的显著改善;较长的交通信号周期与较短的网联人工驾驶汽车驾驶人反应时间有助于协同控制效能的提升。      

新型混合交通交叉口信号与车辆轨迹协同控制方法

新型混合交通环境下的交叉口交通控制可通过信号灯控制与自动驾驶车辆的轨迹控制协同实现,能够极大地优化道路通行资源利用效率。已有研究中,信号配时与车辆轨迹集中优化的控制策略难以应用于车辆自组织控制的现实场景,且往往计算复杂度较高。本文提出一种无中心框架下基于逻辑的交叉口信号与车辆轨迹协同控制方法。基于协同理论中的快慢变量主动伺服控制原理,设计一种交叉口信号配时慢变量与车辆轨迹策略快变量协同框架,并分别提出基于逻辑的信号配时优化和网联自动驾驶车辆轨迹协同控制方法。协同控制方法可以在车辆自主控制的条件下,一方面,实现交叉口信号配时动态适应交通需求;另一方面,实现网联自动驾驶车辆主动优化驾驶速度,高效通过交叉口。而且网联自动驾驶车辆在进口道可引导混合车队高效通过交叉口,降低绿灯启动损失,提高交叉口通行效率。仿真实验表明,本文的协同控制方法相较于传统控制方法可显著降低交叉口车辆平均延误,同时,基于逻辑的决策模型可实现快速求解。通过对网联自动驾驶车辆控制策略关键参数的敏感性分析,进一步讨论新型混合交通流交叉口通行公平性,并比较在不同网联自动驾驶车辆渗透率下的控制效果。     

基于车辆轨迹的信号交叉口机非冲突判别

选取长沙市中心区4个典型信号交叉口,利用视频轨迹追踪软件,提取右转机动车与直行非机动车的冲突交通流轨迹数据。以减速、换道等避险行为与可能发生碰撞(距离碰撞点时间小于2 s)为依据,采集机非冲突样本;选择距离碰撞最大时间(MTTC)和冲突时间差(TDTC)作为评价指标,提出一种基于交通流运行轨迹的改进型TTC(Time to Collision)法的机非冲突判别方法。选择某实例交叉口,分别采用TTC法、改进型TTC法和后侵入时间(PET)法,评估得到右转机动车与直行非机动车的冲突数,分别为7,24,22次。结果表明,传统的TTC法低估了交叉口的机非冲突水平,改进型TTC法的判别准确率提高了2.14倍,证明了方法的可行性。     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题，提出基于环境车辆偏离车道程度识别运动模式的方法；构建动态环境车辆横纵向轨迹预测模型，并求解；构建保持、先行、避让在内的决策集，提出基于预测轨迹的单个车辆决策方法，并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11，0.29，0.80 m，预测精度较高；复杂动态环境下，本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

Hierarchical control strategy of trajectory tracking for intelligent vehicle

In order to track the desired trajectory for intelligent vehicle, a new hierarchical control strategy is presented. The control structure consists of two layers. The high-level controller adopts the model predictive control (MPC) to calculate the steering angle tracking the desired yaw angle and the lateral position. The low-level controller is designed as a gain-scheduling controller based on linear matrix inequalities. The desired longitudinal velocity and the yaw rate are tracked by the adjustment of each wheel torque. The simulation results via the high-fidelity vehicle dynamics simulation software veDYNA show that the proposed strategy has a good tracking performance and can guarantee the yaw stability of intelligent vehicle.     

����ģ�����Ƶ����ܳ���������ʻ�����о�

车辆无人驾驶是智能交通系统的一个重要部分,其目标是开发在高速公路和城市道路环境下的辅助驾驶系统,旨在帮助乃至取代驾驶员,实现车辆自动控制和自动驾驶,减少交通事故发生,提高道路交通系统的效率,因此提出了一种基于机器视觉和模糊控制实现智能车辆自主行驶的方法. 该方法以CMOS摄像头为路径识别传感器,通过图像分析提取车道中心线,并引入速度反馈,形成闭环控制,建立一个由两个模糊控制器组成的分级模糊控制器控制车辆转向,并使用模糊控制代替传统的PID速度控制来控制速度. 和常规的PID算法及模糊控制算法相比,改进的模糊控制算法使智能车在道路上更快速、平稳地运行,并且在转弯处的超调更小.     

基于模糊控制的智能车辆自主行驶方法研究

车辆无人驾驶是智能交通系统的一个重要部分,其目标是开发在高速公路和城市道路环境下的辅助驾驶系统,旨在帮助乃至取代驾驶员,实现车辆自动控制和自动驾驶,减少交通事故发生,提高道路交通系统的效率,因此提出了一种基于机器视觉和模糊控制实现智能车辆自主行驶的方法. 该方法以CMOS摄像头为路径识别传感器,通过图像分析提取车道中心线,并引入速度反馈,形成闭环控制,建立一个由两个模糊控制器组成的分级模糊控制器控制车辆转向,并使用模糊控制代替传统的PID速度控制来控制速度. 和常规的PID算法及模糊控制算法相比,改进的模糊控制算法使智能车在道路上更快速、平稳地运行,并且在转弯处的超调更小.