无人驾驶车辆轨迹跟踪控制研究

为了提升智能车辆在轨迹跟踪控制中的性能,文章基于车辆运动学模型建立了一种带有前馈补偿和反馈最优控制策略的线性二次型调节器(LQR)轨迹跟踪控制算法。并通过搭建Carsim/Simulink联合仿真模型,验证该算法在不同工况下的轨迹跟踪效果。结果表明,该算法在不同车速和不同路面附着条件下都能保证无人驾驶车辆准确地跟踪参考轨迹,且具有较强的鲁棒性。     

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。     

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Frenet坐标系的换道轨迹规划及跟踪验证

为解决高速公路环境下的车辆自动变道问题,采用Frenet坐标系下的五次多项式算法对不同工况设计规划轨迹,实现自动变道辅助。首先根据自车状态与周围车辆状态预计变道所需直线距离,并在一定范围内进行多次五次多项式轨迹规划,得到备选轨迹集。以加速度最小为优化目标,对备选轨迹集中的所有轨迹进行评价,得到最佳换道轨迹。使用CarSim进行车辆和道路建模,在Matlab/Simulink中进行轨迹规划,并使用动力学模型的模型预测控制进行轨迹跟踪,验证了换道辅助系统的有效性。     

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。     

基于模型预测控制的平行泊车系统研究

为了提高自动平行泊车系统的控制精度,分析了车辆在泊车工况时的约束,采用五次多项式进行轨迹规划,运用模型预测控制算法跟踪路径,并使用Simulink进行路径跟踪仿真,结果表明:规划的路径满足车辆泊车约束,控制策略能控制车辆按照参考路径平行泊车。     

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。     

四轮独立转向-独立驱动电动车主动避障路径规划与跟踪控制

四轮独立转向-独立驱动电动车(4WIS-4WID EV)具有低速机动性强、高速稳定性好的特点,是一种理想的智能车构型。本文中针对4WIS-4WID EV进行了主动避障系统的设计,主要包括避障路径规划和跟踪控制。首先基于车辆运动学模型,提出了采用七次多项式的避障路径规划算法;然后基于简化2自由度车辆动力学模型,设计了模型预测路径跟踪控制器;为提高车辆主动避障过程中的操纵稳定性,路径跟踪控制算法采用四轮转向与直接横摆力矩控制技术。通过不同附着系数路面工况与侧风扰动工况仿真,验证了所设计的主动避障系统具有良好的避障能力和鲁棒性。     

基于深度强化学习的高速公路换道跟踪控制模型

为解决自动驾驶汽车在高速公路安全换道问题,提出了一种基于深度强化学习算法的换道跟踪控制模型,并进行了仿真实验。采用五次多项式方法,建立车辆换道路径模型,并给出跟踪误差函数;将车辆三自由度动力学模型与深度强化学习框架相融合,搭建换道路径跟踪控制模型;通过深度确定性策略梯度（DDPG）算法来更新该模型;学习得到换道路径跟踪的最佳转向角,来控制车辆完成换道过程。结果表明：在100 km/h车速条件下,本方法控制的横向位置误差绝对值的最大值接近0,角偏差绝对值最大值为10 mrad;所提出的方法相比传统的模型预测控制方法而言,轨迹跟踪的横向位置误差和角误差更小。因而,该模型能够实现高速环境下的自主换道过程,这对保证交通安全和缓解交通有意义。     

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。     

基于整车在环仿真的自动驾驶汽车室内快速测试平台

整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性,基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台,该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力,可动态模拟不同的路面附着系数,同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度;采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真,模拟多种道路交通场景,并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统,完成了多项关键技术研发,包括：多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法,可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外,为验证快速测试平台的有效性,以U-turn轨迹跟踪控制为研究实例,基于简化的车辆运动学模型和模型预测控制算法,在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明：自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况,自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好,与参考轨迹的偏差小于8%,证明了该测试平台检测方法的有效性。     

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。     

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...     

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。     

基于NMPC的智能汽车纵横向综合轨迹跟踪控制

本文中针对大曲率转弯工况下,智能汽车纵横向动力学特性的耦合和动力学约束导致轨迹跟踪精度和稳定性下降的问题,提出一种基于非线性模型预测控制(NMPC)的纵横向综合轨迹跟踪控制方法,通过NMPC和障碍函数法(BM)的有效结合,提高了跟踪精度,改善了行驶稳定性.首先建立四轮驱动-前轮转向智能汽车动力学模型和轨迹跟踪模型,采用...     

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。     

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。     

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。     

四轮转向汽车主动转向控制及仿真

以四轮转向汽车为研究对象,建立车辆四轮转向动力学模型。基于后轮主动转向控制方法,分别搭建四轮转向汽车前后轮转角成比例的主动转向控制模型以及基于车速和横摆角速度反馈的主动转向控制模型。在高速转向工况下,采用MATLAB/Simulink建立四轮转向汽车主动转向控制仿真模型进行对比仿真。仿真结果表明,该控制方法能够较好地减小车辆质心侧偏角及横摆角速度,保证车辆良好的轨迹跟踪能力,有效地改善了车辆的操纵稳定性。     

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。