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。     

基于模型预测控制无人驾驶车辆避障轨迹跟踪器设计

针对无人驾驶车辆的轨迹跟踪和避障问题,基于模型预测控制算法设计了避障轨迹跟踪控制器,实现避障和轨迹跟踪功能。在不同车速下采用Matlab和CarSim进行联合仿真试验,结果表明:设计的控制器控制性能和稳定性良好,能满足无人驾驶车辆的避障和轨迹跟踪需求。     

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。     

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。     

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。     

基于双重采样粒子滤波的目标轨迹跟踪研究

为保证对目标轨迹跟踪的实时性,提高其精度,提出双重采样粒子滤波模型。首先,利用粒子聚合技术对状态空间的粒子权值进行加权平均处理,形成聚合粒子,使得粒子在状态空间内分布更为合理。然后,利用线性优化方法重新产生新的粒子,优化粒子在状态空间的分布特性,增加粒子的多样性,提高算法的精确性。经仿真验证,本文提出的算法较准确,鲁棒性也较高。     

基于时空轨迹跟踪的交通流特性参数检测分析

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机,提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响;然后基于Adaboost（Adaptive Boosting, 自适应增强）分类器实现特征点按车分组,并在跟踪过程中根据运动特征相关度消除分组误差,获取高精度的车辆轨迹;进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性;同时,自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.     

基于横纵向综合控制的智能汽车路径跟踪

针对智能汽车路径跟踪精度不高、稳定性不足的问题,提出一种基于横纵向综合控制的解决方法。该方法在横向控制时,根据模型预测控制器求得最优前轮转向角;纵向控制时,根据加减速控制策略使汽车跟踪期望车速;此外,将横纵向控制耦合起来形成横纵向综合控制。联合使用CarSim和MATLAB/Simulink对综合控制方法进行了仿真试验。计算结果表明：该控制器能够稳定跟踪期望速度,又能够提高路径跟踪精度、行驶稳定性。     

基于车辆轨迹重构的信号交叉口延误提取研究

通过信号交叉口设置的监控设施,获取停车线前f 辆车的相关信息,以其为分析数据源,重构车辆运行轨迹,提取信号交叉口的延误参数. 对于轨迹重构中车辆运行时减速、停车、启动,以及恢复正常行驶速度等关键时间点的确定方法为：借助前f 辆车的停车时间信息和车辆到达概率分布函数,确定后续车辆的停车时间;结合车辆减速过程满足的双曲正弦函数,确定经历排队车辆的减速时间点;以前f 辆车的启动时间为输入,借助饱和车头时距,计算车辆启动时间点;根据车辆加速满足的匀变加速过程,确定车辆恢复正常行驶速度的时间点. 最后,通过实际车辆轨迹数据验证了该方法的精度.     

欠驱动船舶自适应迭代滑模轨迹跟踪控制

针对欠驱动船舶轨迹跟踪控制问题, 考虑系统存在未知参数和外界扰动, 提出了一种带强化学习的神经网络自适应迭代滑模控制方法; 利用轨迹跟踪的横向和纵向误差信息构造非线性迭代滑模面, 分别设计了船舶柴油机转速和舵角的神经网络迭代滑模控制器; 根据船舶柴油机转速和舵角的实时测量值, 计算了反映控制量抖振状态的强化学习信号, 在线优化了神经网络的结构和参数, 以抑制控制量的抖振, 进一步增强控制系统的自适应性; 建立了5446TEU集装箱船舶数学模型, 分别对圆轨迹和正弦轨迹进行了跟踪控制。仿真结果表明: 在风浪扰动下圆轨迹跟踪时, 与迭代滑模控制策略相比, 采用提出的控制策略250s左右能跟踪上目标轨迹, 速度提高约1倍, 最大跟踪偏航距离为250m, 误差减小约30%, 控制舵角在400s后基本平稳, 波动幅值约为2°, 舵角和柴油机转速的抖振变化幅值均减小了50%以上, 柴油机转速控制参数和舵角控制参数分别在38~45和3.3~3.9之间实现了自适应调节; 在正弦轨迹跟踪时, 与模糊迭代滑模控制策略相比, 采用提出的控制策略纵向跟踪平均误差小于20m, 减小了50%以上, 舵角抖振量平均幅值小于10°, 减小了60%以上, 柴油机转速控制参数和舵角控制参数分别在5.7~5.8和0.8~2.5之间实现了自适应调节。     

自动驾驶车辆LQR轨迹跟踪控制器设计

为了提高智能车的控制精度,以碰撞中心(Center of Percussion,COP)为参考点建立前馈-反馈控制模型,并用该控制模型求解LQR(Linear Quadratic Regulator)问题,获得状态反馈控制率,实现最优控制。在双移线工况和8字形工况下,使用Matlab/Simulink和Carsim对LQR轨迹跟踪控制器进行联合仿真。结果表明:与固定增益前馈-反馈控制器相比,LQR轨迹跟踪控制器的控制精度更高。     

基于激光雷达的无人驾驶障碍物检测和跟踪

针对激光雷达动态障碍物检测与跟踪过程中聚类适应性差、实时性低和跟踪准确度不高等问题,提出一种自适应的密度聚类算法和多特征数据关联方法,分别用于检测和跟踪. 首先,对激光雷达采集的点云进行路沿检测、感兴趣区域提取和地面分割等预处理,去除无关点云;然后,基于自适应的密度聚类算法对非地面的点云进行聚类,完成障碍物点云检测;最后,利用加权多特征数据关联算法结合卡尔曼滤波器实现对动态障碍物跟踪. 通过实验表明:本算法能够根据10 Hz的激光雷达数据实现对障碍物准确、稳定的检测和跟踪,且聚类时间缩短32%.      

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

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。     

双车道公路弯道驾驶轨迹跟踪模型

针对双车道公路弯道轨迹跟踪行为的瞬时多变性,及驾驶人模糊感知与主观决策能力导致的不确定性,通过分析驾驶人在前方弯道线形影响下的驾驶特性,引入转向驾驶行为控制因素,运用多目标模糊优选决策理论,研究了模糊性和主观性对轨迹跟踪行为的影响规律;基于灰色理论,利用主观与客观相结合的权重确定方法,建立了轨迹跟踪模型.选择5处曲线路段进行实地试验,通过试验结果与仿真结果的对比,验证了本文模型的有效性.研究结果表明:行驶轨迹弧长、横向力系数和轨迹侧向偏移是轨迹跟踪行为的控制因素;综合考虑主观与客观因素的权重确定方法,体现了驾驶人在模糊优选决策轨迹跟踪行为中的主观特性.      

基于运动矢量的车辆实时跟踪系统

建立了基于摄像机、图像采集卡及计算机的车辆跟踪硬件系统.研究了基于运动矢量的车辆跟踪算法.作者首先进行背景初始化,然后,利用背景差法和检测线法对通过目标交通场景的车辆进行检测,进而根据三步法计算车辆的运动矢量,并进行车辆位置的更新和遮挡处理,实现了车辆的实时跟踪.