参数不确定和扰动下智能汽车路径跟踪控制

针对智能汽车在路径跟踪过程中因模型参数不确定性、外部干扰、系统状态时变性非线性等导致跟踪精度较低、鲁棒性较差的问题，设计基于鲁棒预测控制（RMPC）的路径跟踪控制方法.考虑轮胎的非线性特性，对轮胎侧偏刚度进行修正.考虑纵向车速时变性，利用有限个多胞体顶点描述车辆纵向车速，建立离散的车辆多胞不确定模型.根据Lyapunov渐进稳定性和无穷时域二次型性能指标，采用带松弛变量的线性矩阵不等式（LMI），求解优化问题.利用改进后的离线鲁棒预测控制算法，提高了控制器的实时性并降低了保守性.通过SimulinkCarsim联合仿真和硬件在环试验，验证了控制器的有效性.仿真结果表明，所设计的控制器具有较好的跟踪精度和鲁棒性.     

复杂道路智能汽车运动综合控制策略

针对复杂道路场景，设计出一种集路径跟踪、避障和漂移于一体的智能汽车综合控制器.路径跟踪和避障控制器的设计采用模型预测控制(Model Predictive Control, MPC)原理，漂移控制器采用线性二次型调节器(Linear Quadratic Regulator, LQR)原理.车辆路径跟踪行驶时，若遇到障碍物，启动避障控制器进行局部路径规划，以完成避障，还可以在指定弯道区域进行极限漂移运动，使车辆漂移过弯.基于Matlab对控制器进行仿真验证，结果表明：在满足行驶安全性的前提下，该控制器能在复杂道路场景下实现车辆自主跟踪、局部避障和漂移过弯.     

高速公路卡车队列行驶非线性滚动优化控制

提出高速公路卡车队列行驶非线性滚动优化控制策略;采用双层控制器结构,上层控制器根据当前的道路及车辆状态信息决策出卡车队列最优燃油经济性速度曲线,下层控制器采用滚动优化方法对最优速度曲线进行跟踪,并保证卡车队列行驶时车间距离的安全性及有效性。为验证高速公路卡车队列行驶非线性滚动优化控制方法的有效性,选取多组不同路况及初始车速进行Trucksim-Simulink联合仿真,结果表明:本文方法在不同道路坡度及车速情况下均可有效跟踪期望最优速度,提高了跟随车辆的燃油经济性。     

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

多UUV沿多条给定路径运动的协调编队控制

研究了在三维空间中多UUV的协调路径跟踪控制问题.应用分散控制策略将路径跟踪问题和个体间的速度协调编队解耦.在单个UUV的路径跟踪控制中引入视距导航(line of sight guidance)算法设计路径跟踪控制器,使得跟踪误差渐近收敛到零;引用图论知识设计协调控制器,使得多UUV沿期望路径的位置和速度在规定队形下达到一致,实现多UUV间的协调,而不影响空间域上的路径跟踪性能.     

基于模糊逻辑的六轮月球车路径跟踪控制

以六轮差速转向月球车样机JLUIV-6为研究对象,推导了三维环境下月球车速度运动学模型,进而得出逆运动学模型。在路径跟踪阶层,根据横向偏差和角度偏差设计了车体的偏航角速度模糊控制器,并基于路径曲率和地形崎岖程度,引入模糊修正模块来控制车体的期望速度。在执行阶层,根据控制器输出的车体期望速度和角速度,用逆运动学模型给定车轮相应的转速指令,使其跟踪车体的期望速度和角速度。最后通过ADAMS/Simulink联合仿真验证了所提方法的有效性。     

基于前馈和多输入模糊LQR的路径跟踪控制研究

针对智能车路径跟踪控制问题,提出了一种基于前馈和多输入模糊LQR路径跟踪控制器。首先,建立了车辆二自由度动力学模型,构建了二自由度路径跟踪误差模型,设计了LQR控制器和前馈控制器。然后,针对传统LQR控制器对多变行驶工况适应性较差的问题,设计了一种以智能车行驶速度、道路曲率和路径跟踪的横向误差作为输入的模糊控制规则,对LQR控制器的权重进行调节。最后,使用AGV线控底盘进行实验,对该控制器进行了验证。结果表明,对于连续变道工况和双移线工况,设计的控制器能够较好地对目标路径进行跟踪。     

基于RBF和模糊预测的AGV轨迹跟踪控制

针对AGV系统存在初始位姿误差,而且给定轨迹又不连续时,应用传统的轨迹跟踪控制方法,就会使其初始速度产生较大跳变的问题,基于径向基函数(RBF)神经网络的非线性动态系统在线建模,将模糊控制技术与预测控制技术相结合,提出基于反演(Backstepping)方法的速度控制器和基于RBF的模糊预测转矩控制器,实施AGV路径跟随和轨迹跟踪控制.仿真和实验结果表明,设计的速度控制器和转矩控制器使AGV系统不仅有较好的动态性能,而且具有较强的鲁棒性.     

基于模糊滑模控制的无人车路径跟踪

路径跟踪是智能交通系统中不可或缺的一部分,它兼顾了保证车辆沿着既定路径行驶和行车安全两大任务,所以是无人驾驶控制中的重要一环。文中对智能驾驶车辆的路径跟踪控制展开了相关研究。首先,基于二自由度动力学特性建立了车辆模型;其次,为削减常规滑模控制所带来的抖振问题,设计了具有自适应切换增益调节功能的模糊滑模控制器。最后,基于Simulink/Carsim软件搭建了无人车路径跟踪联合仿真平台,对所设计的模糊滑模控制器进行仿真验证,结果表明：该控制器对于Carsim数据库中的精确车辆模型具有良好的路径跟踪效果和鲁棒性。     

智能电动车辆横纵向协同运动控制

针对车速变化下的车辆轨迹跟随稳定性问题,提出一种基于模型预测控制（MPC）与滑模控制结合的横纵向协同控制策略。建立描述车辆纵向、横向及横摆运动状态的三自由度动力学模型;然后,设计模型预测控制器对车辆期望轨迹进行跟踪,考虑车辆行驶运动过程中横纵向耦合问题,将纵向车速作为横向控制系统的状态量,并利用反馈矫正机制不断更新预测模型;在此基础上,采用滑模控制算法对期望车速及加速度进行跟踪,并采用饱和函数作为指数趋近率以减小抖振;采用基于规则的制动转矩分配方式得到行驶过程中各个车轮的需求转矩。该控制策略考虑了车辆动力学中的横纵向耦合问题,可在线处理车辆动力学约束,将车辆稳定跟踪期望轨迹的问题转化为求解带约束的最优控制问题。仿真结果表明所提出控制策略的有效性。