采用状态反馈的无人车路径跟踪横向控制

针对采用传统模型预测控制器的车辆在弯道内跟踪精度难以保证的问题,本文提出了一种基于状态反馈的路径跟踪横向控制策略。基于车辆动力学模型,建立考虑轮胎滑移包络线约束条件的路径跟踪模型预测控制器,并根据车速选择合适的控制器时域参数;以车辆质心位置为控制点建立车辆跟踪误差模型,结合车辆当前位置横摆角偏差建立状态反馈调节器,通过LQR最优控制方法对无人车姿态进行校正。利用MATLAB/Simulink和Carsim软件对改进的状态反馈控制策略进行了仿真验证,典型双移线道路仿真试验表明:中低车速下车辆路径跟踪横向偏差降低了16%以上,横摆角偏差降低了33%以上,所设计控制器能够有效提高车辆路径跟踪精度,可保证车辆对变曲率弯道具有适应性和行驶稳定性。     

采用状态扩展MPC与转角补偿的无人车路径跟踪控制

采用传统模型预测控制（MPC）的无人车难以同时保证路径跟踪精度和实时性,针对此问题,本文设计了一种采用状态扩展MPC与转角补偿的路径跟踪控制器。建立了车辆三自由度动力学模型,设计了基于状态扩展的双反馈MPC控制器,并根据车速调整控制器参数;建立了车辆-道路跟踪模型,根据车辆横向和航向偏差设计了转角补偿模糊控制器;利用MATLAB/Simulink和Carsim软件对所设计的路径跟踪控制器进行联合仿真分析。结果表明：相比采用传统MPC控制器的车辆,在中、低车速下,状态扩展MPC控制器的控制增量求解时间平均值降低14%以上,路径跟踪控制器跟踪道路的横向和航向偏差最大值分别降低23%和17%以上,具有较好的路径跟踪性能。     

无人驾驶汽车横向运动LQR控制器设计及工况测试

为提高无人驾驶汽车横向运动效果,发明了一种能够自主调节加权矩阵的预瞄策略与线性最优控制（LQR）优化调节器,加入前馈控制方法来调节智能汽车横向运动参数。通过非预瞄方式构建得到路径跟踪误差的力学仿真模型,构建了横向前馈以及LQR反馈控制器,并采用仿真方法比较带前馈控制状态下LQR优化控制器。双移线工况测试结果表明：包含前馈控制的LQR优化控制器可以对0.3 m以内的路径进行跟踪距离偏差,并使航向偏差不超过0.1 rad,且仅需要调节较少次数。连续换道工况测试结果表明：设置前馈控制调节的LQR控制器可以获得较小的距离偏差与航向偏差,并更加精确跟踪目标路径,达到了理想控制状态。该研究显著提高了控制精度,且增强控制器自适应能力,为提高汽车运行稳定性提供了良好理论支撑。     

基于变预测时域MPC的自动驾驶汽车轨迹跟踪控制研究

为了保证自动驾驶汽车轨迹跟踪的精度及行驶过程中的稳定性,提出一种基于车辆横向稳定状态在线识别和模糊算法的变预测时域模型预测控制（MPC）方法。针对车辆稳定状态的在线识别,采用k-means聚类算法对车辆行驶状态参数进行聚类分析,得到聚类质心,通过在线对比当前车辆状态量与不同聚类质心之间的欧氏距离获取车辆的实时安全等级。同时计算出当前车辆的轨迹跟踪横向偏移量,以这二者为输入,通过模糊控制算法在线计算出预测时域的变化量并输出给MPC控制器实现预测时域的自适应调整,最后求解出自动驾驶车辆跟踪轨迹的最优的控制序列,以达到在保持车辆稳定的前提下实现高精度轨迹跟踪控制的目的。CarSim/Simulink联合仿真结果表明,改进后的变预测时域MPC算法在提高自动驾驶汽车轨迹跟踪精度及横向稳定性方面的表现优于传统MPC控制器。     

智能汽车避障路径规划与跟踪控制研究

为了提高智能汽车行驶安全性,提出了基于人工水滴算法的避障路径规划和自适应路径跟踪控制方法.在路径规划方面,模拟水往低处流过程,提出了基于人工水滴算法的路径规划方法,经验证,人工水滴算法在动静态环境下都能够规划出避障路径.在路径跟踪方面,设计了转向控制与速度自适应控制的综合控制器;基于车辆线性二自由度模型,提出了模型预测转向控制;结合预瞄模型和二次规划方法,提出了速度随行驶路况自适应控制方法.经绕桩实验验证,本文提出的综合控制方法最大横向跟踪误差为0.1m,文献[11]提出的控制方法最大横向误差为0.6m,是本文方法的6倍,说明了综合控制器在路径跟踪控制中的精确性,且综合控制器的横摆角速度、侧向加速度均在约束范围内,满足国家标准对车辆的安全性要求.     

考虑系统约束的预瞄Stanley车辆路径跟踪控制

近年来研究者们发现前轮转角速度约束等系统约束对路径跟踪控制的性能存在较大的影响,而常用于解决系统约束影响的模型预测控制存在实时性较差的问题。为此基于计算成本较低的Stanley控制,考虑前轮转角速度约束等系统约束的影响,提出了一种考虑系统约束的预瞄Stanley车辆(无人驾驶)路径跟踪控制算法,并通过MATLAB与Carsim联合仿真对该算法进行了仿真测试。在被控对象有系统约束的情况下,提出的控制方法仍具有较高的精确性和实时性,其中横向误差绝对值不超过0.273 4 m,航向误差绝对值不超过0.113 5 rad,每个控制周期内的计算时间不超过2 ms。仿真结果还表明,该控制方法在精确性方面优于经典Stanley控制、已有的未考虑系统约束的预瞄Stanley控制,在实时性方面优于模型预测控制。     

基于模型预测控制的智能车辆横纵向综合控制研究

汽车数量的急剧增长使得道路安全问题日益严峻，如何提高车辆的自动化水平来改善交通问题成为了目前的研究热点。在智能车辆自动驾驶领域，车辆控制算法是整个智能车辆自动驾驶系统中最为基础关键的部分之一，决定了智能车辆行驶时的安全性和舒适性。为实现智能车辆控制，现有研究常根据智能车辆的横向运动和纵向运动将车辆控制简单分为横向控制和纵向控制，但车辆本身是一个高度耦合的复杂控制系统，简化解耦控制不符合实际车辆动力学特性。为提高车辆的横纵向综合控制能力，本文基于模型预测控制的理论原理，提出了一种适用于智能车辆路径和速度跟踪的横纵向控制算法。该控制算法以前轮转角和轮胎纵向力为控制量，以车辆与参考道路中心的纵向位置差、横向位置差、横摆角误差以及与参考车速的横向和纵向速度误差为零为控制目标，基于搭建的三自由度动力学模型，进行智能车辆横纵向控制器设计。随后，基于Carsim/Simulink联合仿真平台，搭建Simulink模型对所设计的控制器性能进行验证，仿真结果表明，本文提出的基于MPC的横纵向控制算法，在对双移线工况进行跟踪时，能很好的跟踪参考速度和参考路径，误差范围均在合理范围内，能实现较好的控制效果。...     

基于T-S模糊变权重MPC的智能车轨迹跟踪控制

为了协调智能驾驶车辆的轨迹跟踪精确性和稳定性,提高控制算法对不同工况的自适应能力,提出基于Takagi-Sugeno模糊变权重模型预测控制(Takagi-Sugeno fuzzy model predictive control,T-S FMPC)的轨迹跟踪控制策略。以前轮转角为控制变量建立MPC控制,并以实时横向位移误差和横摆角误差为模糊输入,通过T-S模糊控制在线优化MPC目标函数权重,协调权重矩阵对轨迹跟踪精确性和稳定性的影响。基于Carsim建立分布式驱动电动汽车的整车动力学模型,基于Simulink建立控制策略,通过双移线工况仿真及实车试验,验证了所提控制策略的有效性。仿真结果表明,相比于传统MPC控制,所提出的T-S模糊变权重MPC控制可降低横向位移误差达62.24%,有效提高轨迹跟踪精度;并且可使前轮转角波动减小37.46%、横摆角误差减小84.19%,显著增强轨迹跟踪稳定性;试验结果表明,在20 km/h、沥青路面双移线工况下,横向位移误差在0.12 m以内,横摆角误差在1°以内,且前轮转角控制曲线平滑,说明所提算法具有良好的控制效果和实用性。     

基于改进领航-虚拟跟随法的车辆队列控制

文中分析了车辆队列控制方法中传统的领航-虚拟跟随法存在模型误差的问题,提出一种考虑跟随车参考路径点连线与横轴的夹角作为参考航向角的改进领航-虚拟跟随方法,将队列控制问题转化为对特定位置的轨迹跟踪问题。然后基于车辆运动学模型实时规划跟随车的速度,运用误差修正的Stanley方法和PD控制分别进行车辆横向控制和车辆纵向油门/刹车控制。最后,通过CarSim/Simulink联合仿真,验证了改进领航-虚拟跟随方法在3车三角形队列圆周和正弦曲线工况下的效果。结果表明：改进领航-虚拟跟随方法较传统领航-虚拟跟随法,使1号和2号跟随车横向误差均值和最大值得到了降低。     

蛇形机器人跟踪误差预测的自适应轨迹跟踪控制器

为了满足蛇形机器人轨迹跟踪运动的精度需要,消除外界干扰对机器人跟踪误差的影响,提出了一种蛇形机器人跟踪 误差预测的自适应轨迹跟踪控制器。 所提出的控制器实现了机器人干扰变量、摩擦系数和控制参数的预测,并用预测值和虚拟 控制函数来补偿系统的控制输入,抵消了蛇形机器人在轨迹跟踪过程中的侧滑角,避免了干扰变量对机器人带来的负面影响, 提高了轨迹跟踪的误差稳定性与控制精度。 在建立蛇形机器人模型后,利用积分形式的侧滑角补偿项改进了视线法,并设计了 蛇形机器人的自适应轨迹跟踪控制器。 使机器人的位置误差在 10 s 内实现收敛,角度误差小于 0. 03 rad,预测值误差在 5 s 内 收敛。 通过仿真实验,验证了所提出的控制器的有效性和优越性。     

Optimal Predictive Control for Path Following of a Full Drive-by-Wire Vehicle at Varying Speeds

The current research of the global chassis control problem for the full drive-by-wire vehicle focuses on the control allocation(CA) of the four-wheel-distributed traction/braking/steering systems. However, the path following performance and the handling stability of the vehicle can be enhanced a step further by automatically adjusting the vehicle speed to the optimal value. The optimal solution for the combined longitudinal and lateral motion control(MC)problem is given. First, a new variable step-size spatial transformation method is proposed and utilized in the prediction model to derive the dynamics of the vehicle with respect to the road, such that the tracking errors can be explicitly obtained over the prediction horizon at varying speeds. Second, a nonlinear model predictive control(NMPC) algorithm is introduced to handle the nonlinear coupling between any two directions of the vehicular planar motion and computes the sequence of the optimal motion states for following the desired path. Third, a hierarchical control structure is proposed to separate the motion controller into a NMPC based path planner and a terminal sliding mode control(TSMC) based path follower. As revealed through off-line simulations, the hierarchical methodology brings nearly 1700% improvement in computational efficiency without loss of control performance. Finally, the control algorithm is verified through a hardware in-the-loop simulation system. Double-lanechange(DLC) test results show that by using the optimal predictive controller, the root-mean-square(RMS) values of the lateral deviations and the orientation errors can be reduced by 41% and 30%, respectively, comparing to those by the optimal preview acceleration(OPA) driver model with the non-preview speed-tracking method. Additionally,the average vehicle speed is increased by 0.26 km/h with the peak sideslip angle suppressed to 1.9°. This research proposes a novel motion controller, which provides the full drive-by-wire vehicle with better lane-keeping and collision-avoidance capabilities during autonomous driving.     

基于期望横摆角速度的视觉导航智能车辆横向控制

针对采用传统位置偏差控制方法的车道保持系统横向控制精度不高以及鲁棒性差等问题,提出一种跟踪期望横摆角速度的车辆横向控制方法。在车辆当前行驶位置和道路预瞄点之间实时规划逼近目标路径的虚拟路径,同时分析当前时刻车辆以无偏差形式沿此虚拟路径行驶时决定车辆行驶位置的横摆角速度及速度之间的关系。结合车辆道路相对位置及车身状态信息,设计期望横摆角速度生成器。基于7自由度非线性车辆动力学模型,设计滑模控制器跟踪期望横摆角速度,使得车辆稳定地跟踪目标路径。根据车道线宽度和边缘点数量统计进行边缘检测,能有效识别模糊车道边缘和抑制噪声,并通过对消失点的检测来有效去除非车道线的干扰。仿真及试验结果表明,与传统的位置偏差控制方法相比,期望横摆角速度法不仅能提高车辆横向控制的精确性且跟随偏差随车辆速度及道路曲率的变化波动范围小,具有很好的鲁棒性和自适应性。     

Cascade control of superheated steam temperature with neuro-PID controller

In this paper, an improved cascade control methodology for superheated processes is developed, in which the primary PID controller is implemented by neural networks trained by minimizing error entropy criterion. The entropy of the tracking error can be estimated recursively by utilizing receding horizon window technique. The measurable disturbances in superheated processes are input to the neuro-PID controller besides the sequences of tracking error in outer loop control system, hence, feedback control is combined with feedforward control in the proposed neuro-PID controller. The convergent condition of the neural networks is analyzed. The implementation procedures of the proposed cascade control approach are summarized. Compared with the neuro-PID controller using minimizing squared error criterion, the proposed neuro-PID controller using minimizing error entropy criterion may decrease fluctuations of the superheated steam temperature. A simulation example shows the advantages of the proposed method.     

基于内膜原理的多轴转向无静差跟踪鲁棒控制

为提高多轴转向车辆跟踪控制精度及其抗干扰能力,提出基于内模原理(IMP)的无静差跟踪鲁棒控制方法。建立多轴转向二自由度线性模型,并基于IMP进行无静差跟踪控制器设计,利用极点配置方法求解控制器;对某三轴转向车辆进行跟踪控制器设计,并和PID控制对比仿真,在一定干扰下,内膜控制跟踪横摆角速度阶跃和斜坡信号的稳态误差均为零,调节时间在0.09 s以内,而PID控制稳态误差最大0.2°/s,调节时间最大为0.6 s。结果表明控制算法能使横摆角速度无静差跟踪参考输入,并具有一定的鲁棒性,且侧偏角响应也得到改善,跟踪效果明显优于PID控制,提高了多轴转向的操纵稳定性和安全性。     

快速刀具伺服分数阶PID控制仿真的研究

利用分数阶PID控制,提出了一种新的快速刀具伺服(FTS)跟踪控制方法,以改善FTS的控制性能。根据差分进化算法,讨论了分数阶PID控制器的参数整定;通过数值仿真,考察了该方法的可行性和有效性。针对FTS的轨迹跟踪,根据响应时间、跟踪精度等指标,详细比较了分数阶PID控制与传统PID控制的性能。仿真结果表明,分数阶PID控制器的阶跃响应时间约为5×10-7s,是PID控制响应时间的42%,对频率为1 kHz,幅值为1μm的正弦信号的跟踪误差约为6 nm,是PID跟踪误差的50%,验证了基于分数阶PID控制器实现FTS轨迹跟踪控制的可行性和优越性。     

基于矢量场法的无人机三维路径跟踪控制

为实现固定翼无人机自主跟踪预定的三维路径,提出了一种基于矢量场法的三维路径跟踪算法.建立了固定翼无人机的运动学模型,并介绍了用于三维路径跟踪的矢量场法,分别推导得出了直线路径和螺旋线路径跟踪所需的期望速度矢量,得到跟随路径所需的期望航向角和航迹角,为无人机横向通道控制和纵向通道控制提供输入,将无人机引导到预定的轨迹上.此外,针对航段切换问题,提出了一种基于圆角几何的切换策略,采用螺旋线来拟合相邻航段,根据无人机是否通过半平面作为切换准则,实现无人机平滑过渡相邻航段.通过仿真实验评估该算法在不同初始条件下的性能,结果表明该方法能使无人机跟踪预定的三维路径,且具有良好的跟踪性能.     

基于反演设计的机械臂非奇异终端神经滑模控制

针对具有建模误差和不确定干扰的多关节机械臂的轨迹跟踪问题,设计反演非奇异终端神经滑模控制。该方案是采用能有限时间收敛的非奇异终端滑模面,根据滑模控制原理和反演方法设计反演滑模控制器;对于反演滑模控制系统中由于建模误差和不确定干扰造成的不确定因素的上界,设计径向基(Radial basis function, RBF)神经网络自适应律,在线估计不确定因素的上界;利用李亚普诺夫定理证明了系统的稳定性。仿真结果表明,该方法具有良好的轨迹跟踪性能,提高对于建模误差和不确定干扰等因素的鲁棒性,削弱了抖动。     

仿生跳跃机器人气动串联弹性关节的位置/刚度控制

设计了一种气动人工肌肉驱动的串联弹性关节,基于气动人工肌肉Chou模型,建立了串联弹性关节的动力学模型,推导出关节刚度,获得了关节刚度与肌肉内部气压、弹性体刚度的关系。设计反向传播（back propagation,BP）神经网络整定PID参数的BP-PID控制算法,开展了气动串联弹性关节的位置与刚度控制研究。仿真结果表明BP-PID控制优于PID控制,关节位置跟踪精度由0.58°变为0.10°,关节刚度跟踪精度从0.026 N·m/rad变为0.005 N·m/rad。实验结果表明关节位置跟踪平均误差由0.347°减小到0.117°,关节刚度跟踪平均误差从0.024 N·m/rad减小到0.019 N·m/rad。