基于改进纯跟踪的智能车路径跟随方法

为提高智能车的路径跟随精度和行驶平稳性,提出一种基于改进纯跟踪的路径跟随方法。首先建立纯跟踪路径跟随模型,分析纯跟踪模型在初始偏差条件下的控制效果;然后将航向偏差作为反馈变量对纯跟踪方法进行补偿,并以横向偏差和航向偏差为输入、以补偿权重为输出,采用类模糊方法实现补偿权重的动态调节;最后通过实车试验选定控制参数,并验证所提方法的控制性能。结果表明,该方法在不同初始偏差和不同目标行驶速度下能够实现偏差的快速消除,并保证行驶平稳性,具有较好的路径跟随效果,运算耗时较少。     

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。     

考虑系统复杂扰动的智能车模型预测路径跟踪控制

智能车路径跟踪控制面临系统模型简化、参数不确定、执行器与传感器信号延时及道路曲率变化等干扰,将产生系统扰动误差,导致跟踪精度降低。本文针对性提出一种考虑跟踪系统复杂扰动的模型预测控制方法（model predictive control,MPC）,首先以单轨车辆动力学模型为基础建立模型预测跟踪系统,并依据实时规划的路径和速度信息设计预瞄距离动态调整方法,获取最佳预瞄点,以改善智能车底盘执行器与传感器信号延时扰动问题;而后引入扩张状态观测器（extended state observer,ESO）实时估计因简化车辆模型对系统产生的未知扰动量并用于前馈补偿;同时,考虑道路参考曲率变化对系统产生的确定性稳态扰动,设计一种含曲率约束的前馈控制（feedforward control,FFC）方法用于消除该干扰;最终形成MPC控制器反馈输入、ESO抗干扰补偿输入及FFC前馈输入相叠加的转向角控制律。最后,以某品牌智能车平台在低速园区场景进行了实车测试对比分析,验证了本文所改进的融合扰动补偿的模型预测控制方法具备可行性和优越性。     

面向复杂曲率变化的智能车路径跟踪控制

针对智能车路径跟踪过程中对于复杂曲率变化工况适应能力弱的问题,提出了一种基于RBF神经网络补偿模型预测的控制方法.首先以3自由度智能车动力学模型作为预测模型,通过对线性时变方程分析后得到状态转移误差模型,利用RBF神经网络自适应补偿误差,保证控制的精确性,提高了路径跟踪准确性.最后,以中国智能汽车大赛比赛赛道为原型构建...     

智能车辆自动跟随控制的目标跟踪算法研究

为解决智能车辆目标跟踪过程中环境干扰导致目标丢失的问题,提出一种改进的目标跟踪算法,利用结合卡尔曼滤波的Camshift算法与ECO算法进行综合观测,对观测结果进行可靠性评价与选择性更新输出,最终实现跟踪目标状态的获取。采用目标跟踪基准(OTB)开放数据库对相关算法进行验证,结果表明,改进算法在一定程度上实现了Camshift算法和ECO算法优点的互补,抑制了常见的环境因素对目标跟随的影响。     

智能车轨迹跟踪控制方法研究

随着信息化的发展,智能驾驶技术应用前景广阔。轨迹跟踪控制作为智能驾驶技术中的一环,受到越来越多的关注。文章介绍了智能汽车的运动学以及动力学模型,详细阐述了目前常用的几种跟踪控制方法的理论推导,分析了其各自的适用场景及优缺点。从而可知,无论哪一种控制方法都有其弊端,建模方法以及行驶速度的不同,都会影响控制效果。因此,需要结合实际情况进行改进,使智能汽车的控制更有适用性。     

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。     

标识线导航的智能车路径辨识方法研究

路径的正确辨识和诱导是实现标识线导航小车智能前进的基础和核心。采用跟踪边缘检测的阈值分割方法和数学形态学滤波的图像处理方法对采集的图像进行处理,实现对路径的识别。实验证明采用飞思卡尔S12单片机作为惟一控制单元,在基于OV6620图像传感芯片SCCB模式下采集图像,能有效剔除图像中的噪声点,路径辨识正确率达到约95％,系统运行稳定,能够满足智能车对路径的要求。     

无人船路径跟随控制方法综述

无人船路径跟随控制同时存在非线性、时延、系统模型不确定以及风、浪、流干扰等问题,使得无人船高精度路径跟随控制的实时性控制难以保证.分析目前几种主要的路径跟随控制方法,PID、反馈线性化以及反步法在无人船航行存在高度非线性时,控制精度难以满足需求;滑模控制的抖振处理方法仍可以进一步优化;模型预测控制的实时性和精确性难以兼顾;模糊逻辑控制为提高控制精度,通常需增大模糊规则库,导致计算复杂;强化学习等智能控制算法在无人船路径跟随控制中具有较大的应用前景,但控制性能有待提高,且缺乏相关试验.基于此,总结了可能提高PID、反馈线性化和反步法控制精度的方法,提出将分层控制思想用于解决复杂模糊规则库和模型预测控制的计算复杂问题,并展望了强化学习等智能控制在无人船路径跟随控制中的可能的发展方向.     

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LiDAR场景建模的智能车路径规划

针对智能车路径规划问题,研究了基于激光雷达(LiDAR)数据的智能车驾驶场景建模方法,采集待建模场景的三维激光雷达点云数据,通过点云分割处理,去除车辆行驶道路上的点云,然后将三维点云进行俯视投影,实现二维栅格地图建模;从搜索邻域和搜索方向2个方面对传统A*算法进行改进:根据当前节点附近障碍物的分布情况,自适应地选择4邻域或8邻域搜索策略,在此基础上研究了一种自适应搜索方向A*算法,所提出的算法将搜索方向缩小至3个,根据路径规划终点相对起点的方向,确定算法的搜索方向.仿真实验表明,相较于传统A*算法(4邻域搜索),所提出的算法在规划的路径长度方面降低了约15.5%,在计算时间上降低约38.2%;对比传统A*算法(8邻域搜索),所提出的算法在计算时间上降低约47.2%,在规划路径长度和计算时间上,所提出的算法明显优于传统算法.     

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...     

面向车道变换的路径规划及模型预测轨迹跟踪

为解决智能车辆在车道变换过程中的路径规划和路径跟踪问题,首先,利用梯形加速度法设计了车道变换虚拟理想轨迹,该路径规划方法的适应性取决于车道变换时间、横向加速度及变化率等关键变量的约束条件,因而对各关键变量之间的数学关系进行了定量计算,并绘制了不同工况下的车道变换虚拟理想轨迹,用于分析各关键变量对路径规划的影响;其次,建立了线性离散的车辆动力学预测模型,综合分析了车辆模型的控制输入、状态变量以及道路结构参数等约束条件,构建了多约束模型预测控制（MMPC）系统用于车道变换路径跟踪,并基于Hildreth二次规划算法对其目标函数进行了求解,获得前轮转向角控制量,从而保证智能车辆在车道变换过程中的路径跟踪性能及操纵稳定性能;最后,利用MATLAB和Carsim软件对提出的多约束模型预测控制系统进行联合仿真,并构建单约束模型预测控制（SMPC）系统与其进行性能比较,分别对车道变换时间为3 s和6 s时的车道变换性能进行比较分析。结果表明：当车道变换时间为6 s时,2种控制系统都能较好地实现车道变换功能;当车道变换时间为3 s时,与SMPC控制系统相比较,MMPC控制系统能够在有效跟踪期望行驶路径的同时改善车辆的操纵稳定性,从而提高车辆在路径跟踪过程中的主动安全性能。     

基于MPC的局部路径规划与路径跟踪控制研究

文章主要针对无人驾驶车辆在进行路径跟踪遇到障碍物时,需要局部重新规划出一条可行路径的问题,首先基于车辆点质量模型的MPC局部路径规划算法,得到满足车辆动力学约束并实现避障功能的局部路径,然后在二自由度车辆动力学模型的基础上基于MPC进行路径的跟踪,最后使用Simulink/Carsim进行联合仿真验证,结果表明基于该局部路径规划与路径跟踪算法能够可靠地规划出避开障碍物的局部路径,实现高速下的路径跟踪。     

基于阶次跟踪的某纯电动客车的噪声源识别

运用LMS SCADAS对纯电动客车异响进行数据采集,通过阶次跟踪技术识别出噪声源,并提出改进方法和验证。     

基于电力损耗预测的共享纯电动汽车路径优化方法

随着城市交通和共享经济的快速发展,共享纯电动汽车已经在很多城市发挥重要作用.而无人共享汽车的逐步应用,也对精确导航和路径的智能优化提出更高的要求.如何基于低碳环保、低本高效的特性为用户提供更好的出行服务是共享纯电动汽车运营管理的一个重要研究问题.其中,电力损耗的准确预测是纯电动汽车的一个关键因素.电池使用年限、天气状况...     

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。