基于深度强化学习的高速公路换道跟踪控制模型

为解决自动驾驶汽车在高速公路安全换道问题,提出了一种基于深度强化学习算法的换道跟踪控制模型,并进行了仿真实验。采用五次多项式方法,建立车辆换道路径模型,并给出跟踪误差函数;将车辆三自由度动力学模型与深度强化学习框架相融合,搭建换道路径跟踪控制模型;通过深度确定性策略梯度（DDPG）算法来更新该模型;学习得到换道路径跟踪的最佳转向角,来控制车辆完成换道过程。结果表明：在100 km/h车速条件下,本方法控制的横向位置误差绝对值的最大值接近0,角偏差绝对值最大值为10 mrad;所提出的方法相比传统的模型预测控制方法而言,轨迹跟踪的横向位置误差和角误差更小。因而,该模型能够实现高速环境下的自主换道过程,这对保证交通安全和缓解交通有意义。     

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。     

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...     

ABS/TCS/AYC中参考车速和滑移率算法研究

文中充分利用了稳定性控制系统中的各传感器信号,提出了ABS/TCS/AYC 3种工作模式下计算参考车速和滑移率的算法.ABS工作模式下,利用主缸压力传感器信号估算车辆减速度,提高参考车速计算精度;TCS工作模式下,提出了参考轮速的概念用于转向工况;AYC工作模式下,选择合适的车轮作为基准轮,利用横摆及转向盘转角信号分别计算各轮的参考轮速而求出滑移率.试验证明这种算法提高了3种工作模式下参考车速和滑移率的计算精度,避免了系统的误干预.     

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。     

基于广义Sigmoid函数的车辆紧急转向避障策略研究

为提高无人车在紧急转向避障时的高效性和安全性,提出了一种基于广义Sigmoid函数的车辆紧急转向避障策略。首先,在Sigmoid函数基础上,引入米塔-列夫勒(Mittag-Leffler)函数,提出了一种广义Sigmoid函数。然后,研究了广义Sigmoid函数参数变化对避障路径的影响,并提出新的代价函数作为车辆紧急避障时选取路径的指标。接着,为了验证广义Sigmoid函数的效果,提出改进的Stanley轨迹跟踪器跟踪生成的紧急避障路径。最后,搭建三自由度车辆模型进行仿真。结果表明,相比于传统的Sigmoid函数,提出的广义Sigmoid函数能够提供更优的避障路径,且在改进Stanley算法下,车辆的动态响应效果更好。     

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树（RRT）算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数（即降低路径曲率和远离障碍物）,并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明：优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT*算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。     

基于参考线优化算法的智能车辆变道研究

参考线、轨迹规划与横向控制是智能车辆的重要组成部分。智能车辆的行驶需要优良的参考线作为行驶基准,参考线需满足平滑性与紧凑性要求,车辆的变道需要轨迹规划与横向控制。文章提出平滑算法与紧凑算法,对参考线的平滑性与紧凑性进行优化。在轨迹规划与横向控制方面,文章采用五次多项式曲线进行轨迹规划,线性二次型调节器（LQR）进行变道的横向控制;最终通过软件CarSim与Simulink的仿真验证。结果表明,车辆变道的跟踪效果优良,验证算法的可行性与优越性。     

无人驾驶清扫车的路径跟踪及远程控制

开展了电动清扫车的无人化研究。研究了车辆路径跟踪和远程控制,并进行了实车实验。对原型车辆进行底盘线控化改装,设计了无人清扫车的软硬件架构。路径跟踪控制采用前馈加反馈方法,前馈控制采用纯跟踪方法,反馈控制以车辆和参考路径之间的位置偏差进行滑模控制。结果表明：相较于单纯的反馈控制方法,使用前馈加反馈控制方法下的车辆位置偏差减小67.41%,前轮转角整体波动减小7.56%,侧向加速度整体波动减小8.04%。前馈加反馈控制方法下的车辆跟踪精度更高,横向运动更加平滑。因而,本文所设计的路径跟踪及远程控制方案安全可靠,可望有较好的工程应用价值。     

低附着下分布式驱动车辆的路径跟踪与横向稳定性控制方法

由于车辆在低附着工况（如积雪、潮湿）下跟踪性与横向稳定性的耦合关系,这使得二者之间的控制难以同时满足跟踪精度及良好的稳定性需求,因此,研究了基于分布式独立驱动电动汽车平台的路径跟踪与横向稳定性联合控制模型。对于路径跟踪问题,采用了横纵向解耦控制;对于横向跟踪控制问题,模型采用基于Frenet坐标系的模型预测控制（model predictive control,MPC）路径跟踪控制方法,并引入了转角补偿策略以提升路径跟踪的准确性;对于纵向车速控制问题,模型利用MPC求解期望加速度,并根据行驶平衡方程和保证路面附着最大利用率的条件下确定电机扭矩输出,实现对纵向车速的控制。对于横向稳定性控制问题,提出了基于稳定性增强系统（stability augmentation system,STA）的横摆力矩控制模型,在获得附加力矩后,以二次规划方法将其合理分配到各个车轮上,从而增强了车辆的横向稳定性。最后,通过CarSim/Simulink联合仿真平台,在双移线道路工况下进行了仿真验证。结果表明：在积雪路面,改进模型相比传统MPC在保证横向误差接近的条件下,最大的质心侧偏角降低了83.1%;在潮湿...     

基于四轮主动转向的路径跟踪自动控制

对于四轮转向汽车,基于2自由度线性车辆模型设计了用于路径自动跟踪的最优控制算法.在Matlab/Simulink中以2自由度非线性车辆模型作为被控对象对控制算法进行仿真评价,仿真模型中对最优控制算法所确定的前、后轮转角分别施加一个惯性环节.双移线和蛇行工况下的仿真结果表明,路径和横摆角速度跟踪效果好,质心侧偏角得到有效抑制.该最优控制算法实现了四轮转向车辆的低速反相转向和高速同相转向.     

智能汽车路径跟踪精度及操纵稳定性耦合机理分析

针对现有智能汽车路径跟踪算法研究中存在的智能汽车路径跟踪精度与操纵稳定性相互耦合和相互制约问题,在车辆二自由度模型基础上,设计了基于传统预瞄误差模型的PID控制方法,研究了智能汽车在蛇形道路工况、定曲率变车速工况和定车速变曲率工况下,车速及道路曲率对智能汽车路径跟踪精度和操纵稳定性的影响。仿真结果表明,随着车速和道路曲率的增加,智能汽车路径跟踪精度以及操纵稳定性降低;智能汽车的路径跟踪精度提高,操纵稳定性变差。     

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。     

基于前轮转角约束自适应模型预测控制的路径跟踪研究

针对在车辆行驶中较小的前轮转角无法充分利用路面附着能力,较大的前轮转角使得车辆的行驶稳定性差的问题,文章提出了一种前轮转角约束自适应模型预测方法。首先建立车辆的动力学模型,然后通过计算得到轮胎纵向力,最终得到车辆的前轮转角。将车辆的状态量与前轮转角自适应约束条件输入给模型预测控制器,输出车辆的前轮转角,实现对参考路径的跟踪。在Carsim和MATLAB平台上联合仿真,仿真结果表明前轮转角约束自适应模型预测控制的车辆相比固定转角约束的车辆具有较好的跟踪能力和稳定性。     

人机共驾车辆路径跟踪集成控制策略

针对人机共驾车辆路径跟踪控制精度和车辆稳定性难以有效保障的问题,提出一种集成控制策略,包括主动前轮转向系统（AFS）可变传动比曲线和基于模型预测控制（MPC）的路径跟踪控制器。针对稳定性控制,构建考虑路面附着条件和车速的AFS可变传动比函数,用于保证车辆路径跟踪过程中的安全性和横向稳定性;针对路径跟踪控制,设计基于MPC的路径跟踪控制器,用于跟踪目标路径;搭建了基于Carsim/Matlab的联合仿真平台并进行仿真验证。结果表明：集成控制策略可以有效改善人机共驾车辆的操作稳定性,显著提高了车辆的跟踪性能,削弱了驾驶员驾驶状态波动对车辆行驶安全的影响。     

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...     

基于多点序列预瞄的自动驾驶汽车路径跟踪算法研究

针对自动驾驶汽车自主行驶问题,提出了一种基于预瞄信息的路径跟踪算法。以GPS轨迹点序列作为目标路径,建立车辆—路径相对运动关系模型,使用实时差分GPS数据确定车辆位置。通过预瞄点序列,计算路径的预瞄偏差角和路径弯曲度。根据路径弯曲度确定行驶速度,实现纵向控制;通过Pure Pursuit算法将预瞄偏差角转换成前轮转角的控制量,实现横向控制。试验结果表明,提出的路径跟踪方法在纵向、横向控制和跟踪平稳性方面都具有良好的效果。     

无人驾驶车辆侧向鲁棒控制的研究

介绍了车辆模型，提出了一种侧向鲁棒控制器的设计方法，给出了道路曲率的平滑算法及闭环系统的仿真结果，并进行了跟踪误差分析。各种工况下的仿真结果表明，该方法设计的鲁棒控制系统能够同时满足精确道路跟踪、良好的舒适性以及抗多种干扰的鲁棒性等多项性能要求。     

智能车辆路径跟踪横向控制方法的研究

提出了一种智能车辆的路径跟踪横向控制系统.系统由期望航向偏差生成器和反馈控制系统两部分组成.期望航向偏差根据车辆-道路之间运动学关系来确定;而反馈控制系统则采用基于车辆-道路动力学模型的鲁棒PID控制器.在分析系统特性的基础上设计以某一速度为基准的、ITAE性能指标最优的固定增益鲁棒PID控制器和前置滤波器.在分析纵向速度对反馈系统影响的前提下,给出固定增益PID参数所适用的车速范围;分析了PID参数对闭环反馈系统的影响,调整了其他车速区间的PID参数.实车试验验证的结果表明,所提出的路径跟踪横向控制系统具有良好的路径跟踪能力.     

基于改进的Pure Pursuit智能客车轨迹跟踪算法研究

以传统的Pure Pursuit为轨迹跟踪算法基础,采用Stanely控制算法来补偿其计算得到的方向盘转角。仿真和试验结果均表明该改进算法对轨迹跟踪效果有明显提升。