基于预瞄距离的地下矿用铰接车路径跟踪预测控制

矿用车辆无人驾驶是实现矿山无人化开采的关键技术, 而路径跟踪控制是无人驾驶系统的核心技术之一.路径跟踪控制系统是多变量、多约束系统, 采用传统方法在多约束条件下存在执行器饱和等问题.针对上述问题, 本文引入模型预测控制方法, 通过考虑车辆的姿态与位置之间的关系, 以跟踪路径的横向偏差最小化和车辆的航向角偏差最小化为目标对预测控制的目标函数进行优化, 以获得车辆速度和铰接角度的最优控制量, 实现对多变量、多约束系统的求解.针对模型预测控制算法不能提前判断道路曲率突变而导致跟踪超调的问题, 提出基于预瞄距离的控制方法, 通过提前判断道路突变信息, 提高车辆路径跟踪精确性和稳定性.使用Matlab/Adams仿真软件进行对比仿真试验, 结果表明: 使用模型预测跟踪控制器能够解决多变量、多约束系统控制问题, 有效防止执行器饱和; 而使用基于预瞄距离的模型预测跟踪控制器能够使车辆的横向位置偏差保持在±0.04 m, 航向角偏差保持在±1.8°范围内, 相较于改进前的控制器, 其横向位置偏差减少了80.9%, 航向角偏差减少了59.1%, 证明改进后的控制器具有更好的横向稳定性和精确性.      

无人驾驶车辆路径跟踪控制研究现状

近年来路径跟踪控制的发展十分迅猛,研究者们发表了大量的研究成果。考虑到在相同或相近工况下的路径跟踪控制存在一些共性的技术问题与解决思路,从低速路径跟踪控制和高速路径跟踪控制两个角度对近年来的研究成果进行了回顾。在关于低速路径跟踪控制的研究工作中,研究者们较为重视前轮转角速度约束等系统约束对路径跟踪精确性的影响。目前减少系统约束影响的方法包括在规划参考路径时将系统约束纳入考虑,采用预瞄控制使控制器提前响应,以及采用线性模型预测控制（LMPC）或非线性模型预测控制（NMPC）等模型预测控制方法作为路径跟踪控制方法等。考虑到NMPC既能减少系统约束的影响,又无需人为设置预瞄距离,且对定位误差等扰动因素具有较强的鲁棒性,加之低速路径跟踪控制对实时性的需求较低,因此可以认为NMPC能够满足低速路径跟踪控制的绝大多数需求。高速路径跟踪控制在受系统约束影响之外,还面临着较高车速带来的行驶稳定性不足问题的挑战,因此常采用能够将动力学层面的复杂系统约束纳入考虑且计算成本较低的LMPC作为路径跟踪控制方法。不过仅采用动力学层面的LMPC控制方法无法完全解决高速路径跟踪控制中路径跟踪精确性和车辆行驶稳定性之间存在耦合的问题,目前常见的解决思路是在路径跟踪控制中加入额外的速度调节或权重分配模块。此外,在高速路径跟踪控制中,地面附着系数等环境参数的影响也较大,因此地面附着系数等环境参数的估算也成为了高速路径跟踪控制领域的重要研究方向。      

基于双维度搜索的地下自主铲运机最优转弯轨迹规划

提出了一种基于双维度搜索的实时轨迹规划方法,用来解决自主地下铲运机转弯轨迹规划问题。该方法是一种结合采样思想和最优化算法的复合轨迹规划方法,包含三个主要步骤:基于双维度搜索策略的优化模型参数生成,基于二次规划的轨迹计算,以及基于约束检查的最优轨迹确定。该方法新颖之处在于提出的基于转弯区域行驶时间和里程的双维度搜索策略,以及基于平稳目标的轨迹最优化模型,可根据弯道区域入口速度和位置,快速生成纵横向都有最优性保证的最优轨迹。该方法结构简单、易于实施,可通过关键参数的调整满足控制器对轨迹生成速度的实时性要求。基于该轨迹规划方法的特点,使其不仅适用于实时轨迹规划,还可为未来智慧矿山的智能管控与优化调度提供底层约束。多组算例验证了该方法的有效性和优越性。      

矿用铰接式车辆路径跟踪控制研究现状与进展

铰接式车辆的路径跟踪控制是矿山自动化领域中的关键技术，而数学模型和路径跟踪控制方法是铰接式车辆路径跟踪控制中的两项重要研究内容。在数学模型研究中，铰接式车辆的无侧滑经典运动学模型较为适合作为低速路径跟踪控制的参考模型，而有侧滑运动学模型作为参考模型时则可能导致侧滑加剧。此外基于牛顿–欧拉法建立的铰接式车辆四自由度动力学模型原则上满足路径跟踪控制的需求，但是还需要解决当前的四自由度模型无法同时反映瞬态转向特性和稳态转向特性的问题。在路径跟踪控制方法研究中，反馈线性化控制、最优控制、滑模控制等无前馈信息的控制方法无法有效解决铰接式车辆跟踪存在较大幅度曲率突变的参考路径时误差较大的问题，前馈–反馈控制可以用于解决上述问题，但是在参考路径具有不同幅度的曲率突变时需要解决自动调整预瞄距离的问题，而模型预测控制，尤其是非线性模型预测控制，可以更加有效地利用前馈信息，且不需要考虑预瞄距离的设置，从而可以有效提高铰接式车辆跟踪存在较大幅度曲率突变的参考路径时的精确性。此外，对于基于非线性模型预测控制的铰接式车辆路径跟踪控制，还需深化三个方面的研究。首先，该控制方法仍然存在误差最大值随参考速度增大而增加的趋势。其次，目前该控制方法以运动学模型作为预测模型，无法解决铰接式车辆以较高的参考速度运行时侧向速度导致的精确性下降和安全性恶化的问题。最后，还需对这种控制方法进行实时性方面的优化研究。      

基于非线性模型预测控制的自动泊车路径跟踪

与行驶速度较高的其他无人驾驶工况相比, 自动泊车时参考路径的曲率较大, 因此车辆转向轮转角速度的限制等系统约束条件会严重影响自动泊车路径跟踪控制器的性能. 为了解决这一问题, 提出了基于非线性模型预测控制的自动泊车路径跟踪控制器, 并在MATLAB/Simulink和PreScan联合仿真环境中将该控制器与基于线性时变模型预测控制的控制器进行了对比. 仿真结果表明非线性模型预测控制器可以实现多约束条件下的自动泊车, 泊车完成后车辆航向与车位中线的夹角为0.0189 rad, 车辆后桥中点与车位中线的距离为0.1045 m, 仅为车身宽度的5.56%. 相比线性时变模型预测控制器, 非线性模型预测控制器具有泊车精度更高、安全裕度更大、泊车耗时更少等优势. 在实时性方面, 该控制器也能够满足自动泊车的需求.      

基于可变预测时域及速度的车辆路径跟踪控制

非线性模型预测控制(NMPC)在车辆路径跟踪控制中的应用日益广泛,但目前的研究成果中尚未深入考虑预测时域和速度对车辆路径跟踪控制性能的影响。为此,分析了预测时域、速度与车辆路径跟踪控制性能之间的关系;采用三次多项式拟合获得了能够保证车辆路径跟踪横向误差小于0.1 m的最佳预测时域和参考速度的控制律;改进了用于车辆路径跟踪控制的NMPC控制器,且改进后的NMPC控制器的性能通过仿真进行了验证。仿真结果表明:改进后的NMPC控制器的横向误差在0.092 8 m以内,航向误差在0.072 4 rad以内。相比传统NMPC控制器,改进后的NMPC控制器将最大横向误差减小了4.267 1 m以上,将最大航向误差减小了0.392 7 rad以上,路径跟踪控制性能得到了较大幅度的提高。     

基于时变局部模型的无人驾驶车辆路径跟踪

目前常用于无人驾驶车辆路径跟踪控制的有模型控制方法有两类，一类是基于全局模型的控制方法，另一类是基于局部模型的控制方法。基于全局模型的路径跟踪控制中无人驾驶车辆的纵向速度与全局坐标系中的横向、纵向位移误差之间存在随航向角变化的耦合关系，这种耦合关系使得控制器无法将纵向速度作为控制输入来提高路径跟踪控制的精确性。基于局部模型的路径跟踪控制器通常采用误差模型作为参考模型，这种模型使得控制器在参考路径曲率变化幅度较大时精确性较低。针对前述问题，基于非线性模型预测控制滚动优化的原理，提出一种基于时变局部模型的无人驾驶车辆路径跟踪控制方法，并在低速高附着路面、低速低附着路面和高速低附着路面等工况下进行仿真验证。在仿真结果中，相比于基于全局模型的路径跟踪控制器、基于局部模型的路径跟踪控制器以及Stanley路径跟踪控制器，基于时变局部模型的路径跟踪控制器精确性更高，其位移误差绝对值不超过0.3342 m，航向误差绝对值不超过0.0913 rad。