基于模型预测控制的路径跟踪控制器模型仿真

文章建立车辆二自由度运动学模型,并将车辆二自由度运动微分方程离散化、线性化,设计了一种基于模型预测算法的轨迹跟踪控制器,并且在实验的基础上制定合理的约束函数和控制规则,从而兼顾路径跟踪的准确性和车辆的稳定性。采用CarsimSimulink平台对算法进行仿真验证,结果表明基于模型预测控制的轨迹跟踪控制器在5m/s以下时能够较好地跟踪预设轨迹。     

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...     

基于车辆动力学模型的换道轨迹规划研究

针对自动驾驶车辆换道轨迹规划时的操纵稳定性问题，基于CarSim/Simulink仿真平台建立了车辆动力学模型，构建了轨迹规划系统框架，通过轨迹信息后处理并提出了目标函数设计，进行了横向控制序列采样以保证车辆的稳定与极限性能，完成了算法对轨迹的综合评价选优。随后开展了仿真试验，对比分析了轨迹跟踪控制系统下的实际轨迹、最优规划方法所规划的换道轨迹。仿真结果表明，该轨迹规划系统框架及算法模型能有效提高车辆的操纵稳定性，可实现冰雪路面等极端工况下自动驾驶车辆换道轨迹规划。     

混动履带式无人平台轨迹跟踪控制研究

为了提高履带式无人平台的轨迹跟踪性能，提出了一种考虑纵向速度规划的分层轨迹跟踪算法并进行了联合仿真验证和实车验证。在建立了包含履带的滑移滑转率和质心侧偏角的车辆运动微分方程的基础上，完成分层轨迹跟踪算法框架的构建。上层基于伪谱法的速度规划算法根据路面信息进行纵向速度规划，并将规划的速度作为目标车速下发给下层基于线性时变模型预测控制（LTV-MPC）的轨迹跟踪算法。基于LTV-MPC的算法通过建立预测模型和约束条件，二次规划求解出两侧电机的目标转速。通过Matlab/Simulink和RecurDyn的联合仿真以及实车验证了所提出的算法在不同地面条件下具有良好的轨迹效果。     

车辆转弯制动横向轨迹控制驾驶员模型研究

为了较为真实地反映车辆转弯制动工况,建立了含Pacejka"魔术公式"非线性联合工况轮胎模型的4轮8自由度车辆系统模型,并基于预瞄跟随理论、加速度反馈控制和模糊PID控制技术建立了车辆转弯制动横向轨迹控制驾驶员模型。针对不同初始速度和制动强度,利用MATLAB/Simulink进行了横向轨迹控制仿真分析。分析结果表明,驾驶员控制模型能很好地跟踪横向轨迹,模型的可行性和有效性得到验证,同时不同仿真条件下结果的一致性也说明该控制方法具有较强的自适应能力和鲁棒性,为进一步研究复杂工况下的驾驶员模型及横向轨迹控制提供了一条可行的途径。     

基于深度学习的多目标车辆轨迹自动采集方法

车辆轨迹通常用于驾驶行为建模和交通安全领域。为获取交通视频中车辆轨迹,提出一种基于深度学习的自动采集方法。利用YOLOv5检测器在连续帧中的感兴趣区域进行车辆检测,通过DeepSORT跟踪器进行稳健而快速的车辆跟踪,该追踪器可以有效减少目标ID的跳变,提升跟踪稳定性,通过透视变换得到车辆的真实世界坐标并使用局部加权回归算法进行轨迹平滑。实验结果表明,该方法在高速公路监控数据集上的平均多目标跟踪准确率达96.1%,轨迹采集的平均准确度超过了93%,平滑算法能有效去除轨迹噪声。     

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。     

人机协作系统中车辆轨迹规划与轨迹跟踪控制研究

自动驾驶系统需具备响应驾驶人意图且有效执行驾驶人意图的能力，以解决人机协作系统中存在的人机冲突、人机优势融合等问题。提出决策层“以人为主”、执行层“以机为首”的人机协作关系，构建包含驾驶人意图识别模块、基于意图识别的轨迹规划模块与轨迹跟踪控制模块的人机协作一体化控制系统框架，并重点对轨迹规划模块与轨迹跟踪控制模块开展研究。首先，结合双向长短期记忆神经网络（Bi-directional Long Short Term Memory，Bi-LSTM）与注意力机制模型建立换道轨迹规划模型；在改进人工势场算法中引入模型预测控制并建立避险轨迹规划模型。其次，通过开展驾驶模拟器试验建立换道与避险驾驶行为数据集，为拟人化模型训练和模型参数确定提供支撑。然后，综合考虑车辆状态变量、控制输入与输出以及道路结构参数等约束条件，构建基于最优转向前轮输入的线性时变模型预测轨迹跟踪控制器，实现对规划轨迹的精准跟踪。最后，基于驾驶模拟器搭建人机协作系统硬件在环测试平台，对轨迹规划模块与轨迹跟踪控制模块开展硬件在环测试与验证。结果表明：换道与避险规划轨迹光滑且平稳，轨迹跟踪控制过程中，车辆航向角与前轮转角变化平稳；所构建的轨迹规划与轨迹跟踪控制模块在确保安全性前提下可实现不同场景中的车辆运动控制需求。     

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。     

基于双五次多项式的智能汽车换道轨迹规划

为满足智能汽车换道过程中安全性和舒适性的要求,提出了一种基于双五次多项式的智能汽车换道轨迹规划算法。以动态规划换道时间和增加舒适性约束条件来改进五次多项式规划算法,在该基础上结合当前环境和换道始末状态计算出中转状态,并采用两次改进的五次多项式算法避免与前方车辆碰撞。轨迹规划与轨迹跟踪的仿真和试验结果表明,对于不同的工况,本文中提出的双五次换道轨迹规划算法在横向速度、加速度、加速度变化率以及算法运行时间等方面都具有优势,得到的轨迹也满足实际状况下的车辆换道要求,安全性得到提升且操纵稳定性良好,证明该算法具有一定的实际应用价值。     

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。     

无人驾驶汽车轨迹解算及跟踪控制研究

针对无人驾驶汽车中的轨迹曲线生成及跟踪控制这一关键技术,提出一种基于时间t的分段三次参数方程方法生成无人驾驶汽车轨迹曲线,并结合线性二次型最优控制算法构成反馈控制进行仿真验证。搭建车辆运动学模型,利用最优控制方法构成反馈控制。在MATLAB中编写控制程序并仿真,结果显示该方法能够实现无人驾驶汽车的轨迹跟踪,并且具有良好的跟踪效果。     

FSAC赛车轨迹跟踪协同控制策略研究

针对中国大学生方程式赛车 （FSAC） 在比赛中横向-纵向协同控制的轨迹跟踪精度和稳定性问题，根据现代控制理论和经典控制理论提出一种以纵向速度为结合点的线性二次控制器 （LQR） 和比例-积分-微分算法 （PID） 的横纵向协同控制策略，并根据赛车相对参考轨迹的位置设计了一种协同控制器。建立二自由度车辆动力学模型，基于该模型设计了横向LQR位置跟踪控制器和纵向PID速度跟踪控制器。所设计的控制策略在CarSim和Simulink搭建的循迹工况联合仿真场景下进行仿真验证，仿真结果为纵向位置偏差小于0.07 m，横向位置偏差小于0.03 m。对控制算法进行实车验证，结果表明，该策略有效提高了赛车的轨迹跟踪精度和行驶稳定性。     

基于最优滑移率的车辆轨迹跟踪控制研究

为了实现智能车辆最优的轨迹跟踪控制,最大程度的利用滑移率和地面附着系数实现智能车辆的动力学控制,文章提出了考虑滑移率的轨迹跟踪控制方法。根据车辆行驶特性,建立动力学方程,计算运动过程中的轮速和横摆角,并结合滑移率对车辆动力学的影响,基于最优滑移率设计了控制系统,以制动工况为例,实现制动车速工况下的最优控制。基于车辆二自由度模型,运用Matlab建立二维空间整车运动轨迹模型,得到车辆运动仿真轨迹。仿真结果验证了数学模型的准确性和正确性。考虑滑移率和车辆动力学的轨迹跟踪控制更具真实准确,文中数学模型及设计的控制系统对车辆跟踪控制有参考价值。     

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。     

基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法

大型港口集装箱码头运输车辆调度频繁，堆场过道和交换区等区域视距狭窄，容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力，提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages，BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员，根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标，并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model，IMM）融合视频轨迹信息和车载单元（on-board units，OBU）定位数据，减小了目标机动过程中的观测误差。基于集卡融合轨迹结果，提出了1种新型的轨迹冲突风险评估模型，能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险，该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明:IMM自适应跟踪轨迹的平均均方根误差为0.29 m，比集卡自主跟踪轨迹误差提升81.05%；融合路侧监控视频与车载终端定位数据能够克服车辆自主定位系统在密集堆场环境下的误差增大问题。集卡碰撞危险辨识的结果表明:车辆碰撞危险识别结果（预设ETTC阈值为2 s）的召回率、精确度和准确度相对集卡自主感知分别提升了7.39%，4.27%，2.50%，更准确地辨识出了视线遮挡情况下的轨迹冲突风险。      

基于跟踪误差模型的智能车辆轨迹跟踪方法

为提高智能车辆轨迹跟踪精度,以车辆动力学模型为基础,提出一种基于线性时变模型预测控制的轨迹跟踪方法。该方法将车辆非线性动力学跟踪误差模型进行线性化和离散化处理,作为控制器的预测模型;建立系统控制增量的目标函数,设计状态量、控制量和控制增量约束条件,利用带约束的二次规划问题求解目标函数;将求得的最优序列的第一项控制量作用于系统。实验结果表明,在双移线工况下,当车速小于15 m/s时,横向最大误差小于0.52 m,航向最大误差小于0.067 rad。     

双闭环结构的智能车辆弯路换道轨迹跟踪控制

为提高智能车辆弯道换道的安全性能,对其换道轨迹跟踪控制进行了研究。考虑到纵向速度、横向速度及横摆角速度对换道过程的影响,建立了非完整约束条件下车辆的运动学和动力学模型。基于积分反演方法设计了外环车辆位姿控制器,将换道轨迹跟踪问题转换为在任意初始误差下跟踪参考位姿问题,基于非线性积分滑模控制方法设计了内环的动力学控制器,实现了对车辆运行速度的跟踪,分析了该控制系统的稳定性和收敛性。仿真结果表明,所建立的控制系统可保证跟踪误差全局一致有界收敛,具有较快的收敛性和对时变参数不确定性的鲁棒性。     

基于模型预测控制的智能车轨迹跟踪控制研究

为了完成智能车的轨迹跟踪,提出一种基于模型预测控制的轨迹跟踪方法,利用将运动学模型这个非线性系统线性化的方案,来获得必须的线性时变系统,采取模型预测控制的三要素来设计控制器。并且基于MPC在控制过程中能增加多种约束的优点,建立基于车辆运动学模型的约束做轨迹跟踪仿真实验,最后,基于山东理工大学智能车平台上GPS提供的定位信息,在校园中采集路线并对前提规划好的的轨迹进行实车验证。实验结果表明:基于MPC算法所设计的控制器能快速且稳定地跟踪期望轨迹。