基于模型预测的智能汽车轨迹跟踪控制

针对智能驾驶汽车轨迹跟踪问题,本文验证在五次多项式工况下,模型预测控制的轨迹跟踪效果。本文建立车辆运动学模型,为了便于建立基于模型预测的轨迹跟踪控制器,将所建立的非线性车辆运动学模型线性化,再通过向前欧拉法将系统离散化,得到基于线性时变的预测模型。为了使汽车可以快速且平稳地跟踪目标轨迹,建立包含系统状态量和控制增量的目标函数。最后在Matlab/Simulink中对设计的轨迹跟踪器在五次多项式工况下进行测试,与前轮反馈控制（Stanley）对比,验证此工况下所建立的基于模型预测控制的轨迹跟踪器与Stanley控制相比,可以更准确地跟踪期望轨迹。     

基于车辆动力学混合模型的智能汽车轨迹跟踪控制方法

基于机理分析的车辆动力学建模过程通常进行简化及假设,无法准确计算实际车辆在不同道路条件下的动力学变化,进而导致智能汽车轨迹跟踪控制精度低、不稳定等问题。鉴于此,本文中提出了一种基于混合建模技术的非线性建模与控制方法,构建机理分析-数据驱动的车辆动力学串联混合模型,车辆状态与控制数据经机理模型实现计算处理,级联合并后作为数据驱动模块的输入,长短时记忆网络作为主干网络实现时序数据的非线性关联特征提取和最终的模型输出计算。测试结果表明,该模型可以补充计算机理模型中的部分未建模动态并提高模型计算精度,且具有隐式理解不同路面附着条件的能力。其次,使用Euler积分完成对预测模型的离散化并设计模型预测控制轨迹跟踪算法,设计前馈反馈控制算法在实现车辆的纵向控制的同时提供横向控制中预测模型所需的外部输入,最终实现更符合实际行驶环境且更精准的轨迹跟踪控制效果。CarSim/Simulink联合仿真结果表明,该方法实现了不同道路附着系数下控制量精确输出,同步提升了智能汽车轨迹跟踪控制精度和稳定性,具有良好的横纵向协调控制效果。     

基于自适应模型预测的智能汽车轨迹跟踪控制研究

针对车辆纵、横向跟踪的强耦合、非线性特性,设计了基于自适应模型预测控制理论的轨迹跟踪控制器.同时考虑纵、横向跟踪控制,并引入线性变参数模型(LPV),把纵向速度对横向跟踪的影响转化为LPV模型中调度参数的变化,把纵、横向跟踪的高度非线性动力学模型转化为LTI模型的插值队列,以用于自适应纵向速度的改变.基于预测控制理论,...     

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。     

基于扩张状态观测器的智能汽车弯道轨迹跟踪控制

为了提高智能车辆在复杂弯曲道路下进行跟踪控制的精度和稳定性,提出了一种基于扩张状态观测器的模型预测多目标优化控制方法。引入扩张状态观测器实时估计车辆跟踪过程中的总干扰,并对观测器稳定性进行证明;结合模型预测控制实现预测时域内多目标优化效果,利用估计的干扰值对控制量进行前馈补偿,得到车辆在动态干扰下的最优控制量。结果表明：在不同车速和路面附着因数工况下,横向位置误差均方根不超过0.11 m,最大前轮转角量不超过85 mrad,横摆角速度最大值不超过368 mrad。因此,该方法在复杂弯道情况下有较好的跟踪精确性、行驶稳定性和鲁棒性。     

基于高效NMPC算法的无人车轨迹跟踪控制研究

本文针对无人车在复杂工况下,非线性程度增加和动力学约束导致的轨迹跟踪控制精度差和求解效率低的问题,提出一种高效的非线性模型预测控制（nonlinear model predictive control,NMPC）算法。首先考虑车辆模型的非线性因素,建立动力学和魔术轮胎模型,并将无人车终端状态整合到性能指标中,添加稳定性范围内多约束条件,通过障碍罚函数法处理非线性不等式约束,保证了求解过程的平滑性。然后为减轻求解非线性优化问题带来的计算负担,提出了一种新颖的连续/广义最小残差算法（improved continuation/generalized minimal residual,improved-C/GMRES）,与传统的C/GMRES算法相比,通过引入连续增加的惩罚因子加快了数值计算的求解效率,降低算法的计算负担。最后通过Simulink和CarSim的联合仿真,在双移线工况和蛇行工况条件下验证跟踪精度和求解效率,结果表明与传统的C/GMRES方法相比,所提控制方法明显提升轨迹跟踪的控制精度和改善行驶稳定性,并加快数值求解效率。     

智能车辆动态避障轨迹预测与跟踪控制

为解决智能车辆动态避障路径预测及跟踪问题,文章对动态障碍进行建模并基于三角形面积法引入避障约束,设计代价函数以满足最优预测轨迹输出,同时设计引入侧翻约束的非线性模型预测控制器进行在线最优路径跟踪。通过Matlab进行基于结构化道路下的避障轨迹预测与跟踪控制仿真,仿真试验得出控制车辆在满足避障约束等条件下,可以实现换道超车并到达指定目标点,且加速度变化率（jerk）值小舒适性好。试验结果表明,预测轨迹理想、控制器准确性高且具有一定的鲁棒性。     

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。     

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。     

智能汽车轨迹跟踪控制算法研究综述

轨迹跟踪和控制技术一直是智能汽车研究的热点。通过3个基本的建模方法,即几何动力学、运动学、动力学,将智能车辆轨迹跟踪控制算法进行分类,详细阐述了各种算法的原理、研究现状和优缺点,在此基础上继续讨论了轨迹跟踪算法的改进优化方向以及改进方向研究现状。结果表明,单一的控制方法不能满足智能汽车实际场景的操作需求,未来智能汽车的发展趋向于多种智能控制算法整合解决单一控制算法缺点。     

基于模糊LQR的智能汽车路径跟踪控制

为保证智能汽车在不同车速下路径跟踪的精确性与稳定性,本文中设计了一种带有预瞄PID转角补偿的模糊线性二次型调节器(LQR)以进行路径跟踪控制.首先,基于路径跟踪误差模型设计了LQR控制器,并采用预瞄PID方法进行转角补偿,消除稳态误差,提高跟踪精度.接着,针对固定权重系数的控制器对于不同车速适应性较差的问题,提出了一种...     

基于强化学习DDPG的智能车辆轨迹跟踪控制

针对智能车辆在轨迹跟踪过程中的横向控制问题,提出一种基于强化学习中深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）的智能车辆轨迹跟踪控制方法。首先,将智能车辆的跟踪控制描述为一个基于马尔可夫决策过程（MDP）的强化学习过程,强化学习的主体是由Actor神经网络和Critic神经网络构成的Actor-Critic框架;强化学习的环境包括车辆模型、跟踪模型、道路模型和回报函数。其次,所提出方法的学习主体以DDPG方法更新,其中采用回忆缓冲区解决样本相关性的问题,复制结构相同的神经网络解决更新发散问题。最后,将所提出的方法在不同场景中进行训练验证,并与深度Q学习方法（Deep Q-Learning,DQN）和模型预测控制（Model Predictive Control,MPC）方法进行比较。研究结果表明：基于DDPG的强化学习方法所用学习时间短,轨迹跟踪控制过程中横向偏差和角偏差小,且能满足不同车速下的跟踪要求;采用DDPG和DQN强化学习方法在不同场景下均能达到训练片段的最大累计回报;在2种仿真场景中,基于DDPG的学习总时长分别为DQN的9.53%和44.19%,单个片段的学习时长仅为DQN的20.28%和22.09%;以DDPG、DQN和MPC控制方法进行控制时,在场景1中,基于DDPG方法的最大横向偏差分别为DQN和MPC的87.5%和50%,仿真时间分别为DQN和MPC的12.88%和53.45%;在场景2中,基于DDPG方法的最大横向偏差分别为DQN和MPC的75%和21.34%,仿真时间分别为DQN和MPC的20.64%和58.60%。     

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。     

装载机避障轨迹规划及模型预测轨迹跟踪

轮式装载机在工作区域行驶时,避障过程频繁,以往的避障轨迹规划未考虑整车转向半径约束和车速变化,也较少考虑整车在动力学模型条件下的轨迹跟踪性能.针对上述情况,以自动驾驶轮式装载机为对象,基于最优快速随机扩展树算法(RRT*),考虑车身膨胀圆个数,生成全局最优避障路径,以整车最小稳定转向半径为约束,利用CC-Steer算法...     

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。     

基于变论域模糊多参数自整定PID控制的智能挖掘机轨迹跟踪

智能液压挖掘机多用于特殊环境下的无人操纵施工。在执行诸如直线刮平、斜坡整平和定点挖掘等特定挖掘任务时,对智能挖掘机工作装置铲斗齿尖的轨迹规划和轨迹跟踪提出了较高要求。为此,针对智能挖掘机运动的控制问题,提出一种基于变论域模糊多参数自整定PID （Variable Universe Fuzzy Multi-parameter Self-tuning PID,VUFMS-PID）的轨迹跟踪控制策略。首先,在关节空间中通过三次非均匀有理B样条（Non-uniform Rational B-Splines,NURBS）曲线插补法完成直线刮平和定点挖掘轨迹规划,并得到工作装置挖掘作业时各关节角、角速度、角加速度位置序列。然后,综合考虑挖掘机非线性、时变性等特点,基于变论域思想,提出一种基于VUFMS-PID的轨迹跟踪控制方法。最后,基于AMESim与MATLAB/Simulink联合仿真和硬件在环（Hardware-in-the-Loop,HiL）试验平台,对VUFMS-PID控制方法的有效性和先进性进行验证。研究结果表明：在铲斗齿尖运动过程中,规划轨迹平滑连续且变化幅值较小,规划轨迹与期望轨迹之间的误差较小;VUFMS-PID控制的响应速度和跟踪精度相较于传统PID控制与模糊PID控制有明显提升;在硬件在环试验分析中,提出的控制方法在跟踪直线刮平轨迹和定点挖掘轨迹时,能够将跟踪误差控制在20 mm以内,实现对规划轨迹的精确跟踪。     

智能汽车横纵向运动控制方法综述

在我国随着人民生活水平的提高,车辆保有量也在呈倍速增长,进而引起了大量的交通安全问题,其中由驾驶员操作不当引起的交通事故约占所有交通事故的75%。而汽车的智能化发展可以很好地解决此类交通安全问题。智能汽车的核心技术主要包括环境感知、行为决策及运动控制三方面。其中运动控制作为智能汽车核心技术之一,有着重要的研究意义。智能汽车的运动控制包括横向控制和纵向控制两部分,对汽车横、纵向运动控制中的多种方法进行了分析介绍,包括模型预测控制、模糊逻辑控制、神经网络的自适应滑膜控制、直接式控制和分层式控制;同时介绍了横纵向耦合实现运动控制的重要性,并分析了其研究现状;最后,对智能汽车运动控制的后续发展方向进行了展望,有助于智能汽车运动控制的进一步优化发展。