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。     

基于可拓优度评价的智能汽车横向轨迹跟踪控制方法

针对复杂工况横向控制精度低、稳定性差的问题,提出了一种基于可拓优度评价的智能汽车横向轨迹跟踪控制方法,创新采用可拓优度评价控制方法,设计了两层结构的横向轨迹跟踪控制系统。上层控制器包括基于预瞄偏差的PID反馈控制和基于道路曲率的PID前馈-反馈控制;下层控制器利用可拓优度评价方法来评价上层两控制器的优劣,根据实时的车辆-道路系统状态,选择优度高的控制器输出值,从而实现智能汽车横向轨迹跟踪控制功能,不论是小偏差、小曲率工况,还是大偏差、大曲率工况,都能达到良好的控制效果,提升了智能汽车横向控制系统的工况适应性和可靠性。仿真结果表明,与单一PID反馈控制相比,采用优度评价控制时,横向位置偏差和航向偏差分别减小了16.67%和12%。     

盾构推进姿态控制策略研究

为提高盾构施工过程中姿态控制系统的控制精度和控制性能,提出一种盾构推进姿态控制策略。该策略将轨迹自动跟踪控制方法与模糊自适应PID闭环控制算法相结合,通过轨迹、位移、压力等多个闭环反馈实现对各个分区液压缸的速度控制,保证盾构推进轨迹按照设计的隧道轴线运行,并通过电液控制试验平台中的推进系统对提出的策略进行试验验证。结果表明,文章提出的控制策略能够使位移偏差维持在5 mm之内,可以很好地满足施工要求。     

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。     

Speed Control of Vehicle Robot Driver Based on Adaptive Fuzzy PID Control

针对汽车驾驶机器人采用常规PID控制时车速波动大、调节器参数调整困难等问题,提出了一种基于模糊自适应PID的汽车驾驶机器人车速控制方法.首先建立了汽车驾驶机器人多机械手协调控制模型,然后在此基础上设计了一种驾驶机器人模糊自适应PID车速控制器,实现了驾驶机器人对给定循环行驶工况的车速跟踪.试验结果表明,与常规PID控制方法相比,采用所提出的方法车速跟踪精度明显改善,车速跟踪误差在±2km/h范围内,满足国家汽车试验标准的要求,保证汽车试验数据准确有效.     

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...     

驾驶机器人车辆的多模式切换控制EI北大核心CSCD

为实现不同驾驶工况下精确的车速与轨迹跟踪,提出了一种驾驶机器人车辆多模式切换控制方法。通过分析驾驶机器人操纵自动挡车辆踏板与转向盘的运动,建立了驾驶机器人加速与制动机械腿和转向机械手的运动学模型和车辆纵横向动力学模型。在此基础上,设计了加速/制动机械腿切换控制器、模糊PID/模糊PID+Bang-Bang车速切换控制器和模糊PID/模糊PID+Bang-Bang转向切换控制器。加速/制动机械腿切换控制器以目标车辆加速度为切换规则,协调控制加速和制动机械腿,车速切换控制器以车速误差作为Bang-Bang控制器的模式决策准则和模糊PID控制器的输入,转向切换控制器以轨迹跟踪侧向误差作为Bang-Bang控制器的模式决策输入,并以当前与下一个控制时刻横摆角速度之差作为模糊PID控制器的输入。仿真和试验结果验证了所提出方法的有效性。     

驾驶机器人车辆的多模式切换控制

为实现不同驾驶工况下精确的车速与轨迹跟踪,提出了一种驾驶机器人车辆多模式切换控制方法。通过分析驾驶机器人操纵自动挡车辆踏板与转向盘的运动,建立了驾驶机器人加速与制动机械腿和转向机械手的运动学模型和车辆纵横向动力学模型。在此基础上,设计了加速/制动机械腿切换控制器、模糊PID/模糊PID+Bang-Bang车速切换控制器和模糊PID/模糊PID+Bang-Bang转向切换控制器。加速/制动机械腿切换控制器以目标车辆加速度为切换规则,协调控制加速和制动机械腿,车速切换控制器以车速误差作为Bang-Bang控制器的模式决策准则和模糊PID控制器的输入,转向切换控制器以轨迹跟踪侧向误差作为Bang-Bang控制器的模式决策输入,并以当前与下一个控制时刻横摆角速度之差作为模糊PID控制器的输入。仿真和试验结果验证了所提出方法的有效性。     

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。     

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...     

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。     

基于hp自适应伪谱法的智能汽车紧急变道轨迹规划与优化

为了提高智能汽车紧急变道轨迹规划的实时性和适应性,将紧急变道过程分为初始阶段和跟踪阶段,初始阶段的轨迹由优秀驾驶人紧急变道模型产生,跟踪阶段的轨迹采用Sigmoid函数规划出紧急避让路径。首先通过聚类分析处理优秀驾驶人转向操作的实车试验数据,拟合得出紧急变道过程中的方向盘转角随时间的关系（即驾驶人紧急变道模型）,作为智能汽车在紧急变道初始阶段不同速度下车辆控制的输入量。然后通过建立与求解约束方程,满足避撞约束、侧向位移约束以及最大侧向加速度约束,得出Sigmoid函数表达式,作为智能汽车在紧急变道过程跟踪阶段的参考路径。最后利用hp自适应伪谱法加入切换点的物理量约束,逼近全局正交多项式的状态量和控制量,自动调整和处理2个阶段的切换点位置和衔接问题,以最小变道距离为目标对跟踪阶段的变道轨迹进行优化。运用PreScan与MATLAB对4种不同工况下的紧急变道轨迹规划进行联合仿真。结果表明：提出的轨迹规划与优化方法在满足各项约束的情况下成功避开障碍物,同时缩短了需要优化的轨迹,优化时间都小于0.9 s,并且与基于多项式函数轨迹规划方法相比,该方法能够以距障碍物较远的距离避开障碍物,在不同的车辆速度、道路曲率和障碍物宽度的复杂工况下具有更好的适应性。     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。     

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。     

基于高精地图的物流配送车路径规划与跟踪控制

为了解决园区等场景下无人车多途经点配送问题,提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。考虑配送车往返途经点顺序对行驶路径总长度的影响,基于高精地图采用A*算法计算各配送点间的最优路径,在此基础上,利用动态规划算法求解经过多个配送点的全局最优路径。应用贝塞尔曲线对规划的路径进行平滑,并根据道路曲率设定不同路径处的参考行驶速度,进而生成车道级的可用于跟踪的目标轨迹。利用车辆二自由度模型设计模型预测控制器进行轨迹跟踪,实现低速物流配送车的自主控制。在 CarSim/Prescan/Simulink联合仿真平台和实车平台上对提出的规划控制方法进行了试验。结果表明,相比传统的依据最近配送点策略确定的路径,所提出的方法搜索出的路径长度平均缩短了 6.15%。所设计的轨迹跟踪控制器能确保配送试验车与目标轨迹的横向偏差在 0.25 m 以内,航向角偏差在5°以内。     

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。     

智能汽车对无信号交叉口行人的避撞控制

针对智能汽车在无信号交叉口对横穿行人的避撞问题,研究了主动转向避撞控制策略.基于多层模型预测控制方法,采用分层控制策略设计局部规划层控制器与全局跟踪层控制器,在此基础上根据交叉口处汽车与行人的轨迹特征计算人车碰撞剩余时间,改进传统人工势场法构造避撞函数,规划出既能规避交叉口内存在碰撞风险的行人又能使偏差最小的局部避撞路...     

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。