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.     

基于模型预测控制的路径跟踪技术研究

路径跟踪控制是汽车智能驾驶的关键内容之一,其目的是减小理论参考路径和车辆实际通过的路径之间的偏差。以建立的三自由度车辆动力学模型为基础,并对动力学模型进行了简易化处理,之后设计了相应的模型预测控制算法,对车辆模型进行路径跟踪控制,通过添加多种约束,将路径跟踪问题转化为多种约束条件下求解最优值的问题。在不同的路面附着系数条件下设定不同的车速,通过Simulink和CarSim联合仿真对所提算法进行验证分析。仿真结果表明：所设计的控制器跟踪参考路径的效果比较好,大大增加了车辆行驶路径与理论规划路径的重合度,同时也提高了车辆在行驶过程中的操纵稳定性。     

基于改进人工势场法的车辆路径规划与跟踪控制

针对采用传统人工势场法进行车辆路径规划时易造成局部极小值与目标不可达的问题,通过改变斥力函数并增加车道边界约束条件函数的方式改进传统人工势场法,进行车辆路径规划。采用模型预测控制(model predictive control, MPC)算法跟踪控制改进人工势场法生成的规划路径,采用软件CarSim与Simulink搭建联合仿真模型对路径跟踪效果进行仿真试验。结果表明：改进人工势场法路径规划合理有效;跟踪路径与规划路径的横向误差小于0.4 m。改进人工势场法和MPC算法应用于无人驾驶车辆的路径规划与跟踪控制具有可行性。     

单拖挂汽车列车路径跟踪控制策略

为提高汽车列车路径跟踪性能,结合模型预测控制和最优曲率预瞄控制设计了路径跟踪控制器。在曲线部分采用模型预测控制以减小横向跟踪误差,在直线部分采用最优曲率预瞄控制来提高行驶稳定性,基于TruckSim/Simulink建立联合仿真模型并进行了仿真分析。结果表明,与对标车型自带路径跟踪控制器相比,在单移线工况下,采用综合控制器的汽车列车轨迹跟踪误差减少了60%以上,稳定性指标改善了7%。     

基于模型预测控制的汽车主动避障系统

为了加强汽车行驶安全性,搭建了包含环境感知、危险态势评估、路径决策和控制执行四部分的智能汽车主动避障系统。基于改进人工势场模型构建了以道路边界斥力势场、动态障碍物斥力势场和引力势场核心的路径规划模块,同时,建立以前轮偏角为控制变量的车辆动力学模型,利用模型预测算法对路径进行跟踪。利用动力学仿真软件CarSim和控制仿真软件Simulink联合仿真,结果表明文中运用的模型预测控制优于驾驶员预瞄控制,对路径具有更好的跟踪效果、提高了跟踪精度,实现了汽车主动避障。     

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...     

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。     

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...     

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。     

一种移动机器人的路径规划与路径跟踪控制

介绍了一种载有水轮机转轮修磨设备的移动机器人的系统原理、路径规划方案、路径形状设计和路径跟踪控制及其实现，这种路径规划和路径跟踪控制并不只适用于水轮机转轮这种大型工件，若在路径规划过程中，考虑具体加工对象的几何外形的特点，对路径规划方法加以改造，同样适合于其他特殊外形的几何工件。     

基于多源异构信息融合的智能汽车目标检测算法

针对智能汽车单一传感器环境感知的局限性,提出一种基于GPS、双目深度相机、16线激光雷达等多源信息融合的环境感知算法,解决单一传感器环境感知的局限性问题.算法在GPS时间同步基础上,将单一传感器标定后的数据作为改进联合标定算法输入,求解多源传感器最优空间变换矩阵.使用SVM分割点云及欧式聚类提取点云信息的几何特征,获取障碍物的位置信息;利用空间变换矩阵将障碍物点云信息变换到图像坐标系,并将3D点云映射为2D点云信息;融合基于深度学习算法求解的图像中障碍物位置信息与类别信息,实现目标检测.经KITT1数据集及实车测试验证,该算法准确率在78.13％～85.56％之间,每帧数据检测平均耗时0.16～0.19 s,在光照变化、目标遮挡环境下均能有效的进行目标检测,具有较好的工程应用前景.     

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。     

多前车影响的智能网联车辆纵向控制模型

为了更好地模拟智能网联车辆(CAV)的跟驰特性, 在纵向控制模型(LCM)的基础上考虑V2V环境下多辆前车速度和加速度的影响, 构建了智能网联环境下的纵向控制模型(C-LCM); 对LCM和C-LCM进行稳定性分析, 比较了2个模型的交通流稳定域, 确定了不同通信距离时C-LCM对交通流稳定域的影响; 设计数值仿真试验对加速和减速的常见交通场景进行模拟, 分析了在V2V通信条件下CAV的跟驰行为特征; 仿真分析了CAV不同通信距离以及不同渗透率影响下的交通流安全水平; 构建了包含不同CAV渗透率的混合交通流基本图模型。研究结果表明: 交通流稳定域随着考虑前车数量的增多而增大, 当只考虑1辆前车时, 前车与本车的间隔越远, 车辆速度系数对C-LCM稳定域的影响越大; C-LCM可以提前对多前车的行为做出反应, 更好地模拟CAV的动力学特征, 在减速情景中速度超调量从0.15减少为0.08, 最大速度延迟时间由7.5 s缩短为4.9 s, 在加速情景中速度超调量从0.07减少为0.04, 最小速度延迟时间由3.5 s缩短为2.6 s; 随着CAV渗透率的提升, 交通流的安全水平不断提升, 当通信范围内有4辆CAV时, 交通流的安全性能达到最高, 其TIT和TET指标的最大减少量分别为57.22%和59.08%;随着CAV渗透率的提升, 道路通行能力从1 281 veh·h^-1提升为3 204 veh·h^-1。可见, 提出的C-LCM可以刻画不同车辆的跟驰特点, 实现混合交通流建模, 并降低混合交通流的复杂性, 为智能网联车辆对交通流的影响分析提供参考。     

基于MPC 的大型车辆防侧翻控制方法

大型车辆由于其具有重心位置较高、质量较大且轮距相对较窄等特点,比其他车辆更易发生侧翻事故.本文通过建立大型车辆三自由度动力学模型,采用LTR侧翻评价指标,对侧翻状态进行预测.进而基于模型预测控制（Model Prodictive Control,MPC）方法建立车辆防侧翻控制系统的状态空间方程,并以侧偏角和横摆角速度作为状态变量,通过差速制动方式对车辆施加横摆力矩以保持行车稳定性.通过Trucksim 与MATLAB/ Simulink 联合仿真实验,对该控制算法在典型工况下进行验证.结果表明,防侧翻控制系统能有效抑制车辆发生侧翻,保障行车安全,且侧翻控制的实时性和有效性满足要求.     

基于运动学和动力学模型的无人驾驶路径跟踪控制器设计

设计了一种应用于无人驾驶控制的基于车辆运动学和动力学模型的路径跟踪控制器,包括运动学和动力学模型、路径跟踪控制模型、地图匹配模型和执行命令融合模型,使用实时车辆姿态信息进行转向角度预测,使用实时车辆定位信息进行反馈控制以消除系统干扰和模型误差。系统硬件包括车辆平台、嵌入式Mbed开发平台、Ubuntu系统运行平台和惯性导航系统,软件框架使用robotic operation system(ROS),使用rosserial服务连接嵌入式Mbed开发板与ROS。实车测试表明控制器系统达到设计目的。     

复杂障碍物环境下基于转向约束的智能汽车路径规划方法研究

针对传统路径规划算法中所生成路径不平滑、不安全、生成速度慢等问题,利用双向快速搜索随机树(Bi-RRT)对无人驾驶中的路径规划算法进行了研究.首先利用车辆自身的转向约束构建满足车辆运动学要求的节点扩展空间,随后采用目标偏置采样策略以及双向搜索大大提高了RRT算法的规划速度,同时使用K-D树结合最大曲率约束定义最邻近点,最后对生成的路径剪枝并进行安全碰撞检测和贝塞尔曲线平滑处理,使之更符合车辆的动力学特性.研究结果表明:改进后的Bi-RRT算法的在搜索速度和算法开销上都有显著的提升,生成的路径也更加平缓,证明了该算法的有效性、实用性和适应性.     

Serret-Frenet框架下的神经滑模船舶路径跟踪控制

针对欠驱动船舶在恒定速度航行下的路径跟踪问题,提出了一种在Serret-Frenet框架下,基于输入输出线性化的神经滑模控制算法.该算法利用Serret-Frenet框架下船舶运动方程的推导形式,将其转换为类似于直线航迹控制的问题,采用神经网络对基于趋近律的滑模控制进行优化,解决了趋近律滑模控制对系统模型的依赖性,提高了控制器的鲁棒性,并设计了状态观测器对控制对象状态进行重构,以解决系统状态量测量误差对控制效果的影响.在无干扰和存在干扰及参数摄动的条件下分别进行了仿真,结果表明该控制律具有良好的跟踪性能.