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DQN强化学习的自动驾驶转向控制策略

为解决自动驾驶汽车的自主转向问题,大多研究主要基于模型预测控制(Modelpredictivecontrol,MPC)策略,而传统MPC策略需要被控对象精确的数学模型同时需要大量实时控制计算。为此,提出一种基于深度Q-Learning神经网络(Deep Q-Learning neural network,DQN)强化学习的转向控制策略,使自动驾驶汽车能够精准有效地进行路径跟踪,提高路径跟踪精度和稳定性。该策略基于DQN强化学习通过选取合适的学习率对智能体进行训练,使训练后的智能体能够自适应根据不同路况和车速得到最佳的前轮转角。仿真对比结果表明,与无约束的线性二次型调节器(Linear quadraticregulator,LQR)控制策略相比,基于DQN强化学习的控制策略的累计绝对横向位置偏差以及累计绝对横摆角度偏差都有较大的增加,但也在可接受的范围内,能有效提高路径跟踪的精度。最后的实车试验结果同样表明了所制定的控制策略的有效性。     

基于虚拟前轮反馈控制算法的履带车轨迹跟踪方案研究

为了提高煤矿开采环境中履带车辆轨迹跟踪控制的精度,以及减小轨迹跟踪算法的运算负荷,文中以两侧电机驱动履带车为研究对象,提出了一种基于虚拟前轮反馈控制算法的履带车轨迹跟踪方案。采用虚拟前轮反馈控制器为履带车提供参考跟踪轨迹,将前轮转向车与履带车运动轨迹结合,引入执行机构限制条件,建立了虚拟前轮车与履带车拟合的数学模型。针对虚拟前轮反馈控制所得离散参考跟踪轨迹序列点的特点,提出了一种圆弧曲线拟合方法,通过拟合离散参考跟踪轨迹点对履带车的运动控制量求解,将多变量控制问题转化为单变量控制,减小了履带车辆轨迹跟踪算法的运算负荷,实现了前轮反馈控制在履带车辆上的应用。在MATLAB软件中进行仿真试验和实车试验,并与纯跟踪算法比较,试验证明,该方案可以有效地实现履带车的高精度轨迹跟踪。     

基于自适应预瞄路径的自动驾驶车辆寻迹和避障控制

寻迹控制作为自动驾驶车辆横向控制中最基本环节,其稳定性和跟踪精度通常与车速、转弯曲率等相关,直接影响车辆在复杂行驶工况中的安全性。为提高自动驾驶车辆在复杂工况下的稳定性和跟踪精度,结合路径规划、寻迹控制并考虑车辆稳定性提出基于自适应预瞄路径的自动驾驶车辆寻迹和避障控制方法。首先,基于车辆二自由度模型设计出预瞄距离自适应算法,其根据车辆动力学状态和路面附着调节预瞄距离;其次,通过三次多项式拟合方法给出给定预瞄距离下的预瞄路径;最后,基于避障能力、跟踪精度、车辆稳定性指标设计出粒子群优化算法(PSO),实现了算法参数的寻优。通过硬件在环试验和实车试验验证了算法在寻迹、换道和避障工况下效果,结果表明算法以小运算量实现了跟踪时的预瞄路径自适应调节,兼顾跟踪精度和车辆稳定性。     

基于条件积分算法的无人驾驶车辆轨迹跟踪鲁棒控制方法

提出一种基于条件积分算法的无人驾驶车辆轨迹跟踪鲁棒控制方法,使无人驾驶车辆跟踪一个给定的参考轨迹。所设计的轨迹跟踪控制器由两个子控制器构成,运动学控制器和动力学控制器。基于条件积分算法,运动学控制器考虑到车辆质心位置存在误差和横摆角速度上界的情况,根据车辆相对轨迹的非线性运动学关系得到有界的车辆期望横摆角速度来实现车辆相对轨迹的侧向位移误差的全局渐进稳定。之后为满足期望横摆角速度需求,设计动力学控制器。基于条件积分算法,动力学控制器考虑到车辆参数的不确定性和执行器约束,根据车辆动力学方程得到有界的车辆前轮转角控制率来实现横摆角速度跟踪误差的渐进稳定,最终使车辆行驶在期望的轨迹上。并且控制算法在实现被控量渐进稳定的同时,给出车辆航向角和质心侧偏角稳态时的理论值。最后通过仿真验证车辆在较大的初始位移误差、航向角误差和侧向加速下能够实现车辆良好的轨迹跟踪效果,并且通过实车试验验证控制方法的有效性。     

基于MPC的智能车轨迹跟踪算法

针对前轮转向的智能汽车,设计了一种轨迹跟踪控制算法。基于车辆运动学模型,建立了车辆轨迹跟踪状态空间方程,采用模型预测控制算法,以考虑乘坐舒适性下动态跟踪偏差最小为控制目标,同时考虑车辆实际情况对模型添加了控制约束和状态约束,通过滚动优化和反馈校正实现了带约束的智能车轨迹跟踪的最优控制。为了验证该算法的性能,将该算法在常用于自动驾驶仿真的PreScan上进行了硬件在环仿真试验,并与LQR算法作比较。结果表明,该算法能有效适用于约束条件下的智能车轨迹跟踪控制。     

轨迹跟踪控制算法在汽车自动驾驶中的应用

轨迹跟踪是基于预定路径点的跟踪方法,主要用于汽车的自动驾驶或移动机器人的自主行走。在研究"预瞄-跟踪"和PID控制的基础上,设计了横向跟踪和纵向跟踪的控制算法模型;然后将算法移植到嵌入式系统中进行实际验证,实验数据表明,此控制算法在控制实时性和控制精度上都能满足汽车自动驾驶的要求。     

汽车实验用转向机器人轨迹规划

针对汽车操纵稳定性实验中的蛇行试验,为解决多约束条件下汽车实验用转向机器人生成满足实验条件轨迹的问题,研究车辆运动学模型特性,采用序列二次规划方法,以最优化轨迹的综合性能为目标,规划出满足运动学约束、速度约束、目标状态约束以及曲率连续约束的最优实验轨迹.设计模糊PID控制器,在人为控制的车速发生波动时前轮转角可进行相应调整.利用Simulink-CarSim搭建车辆模型以及轨迹规划模型,进行路径跟踪实验仿真.仿真实验结果表明,所提出的轨迹规划方法与控制方法能够生成满足车辆运动连续性要求和各项约束条件的平滑轨迹,且轨形跟踪效果较好.     

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。...     

基于线性时变模型预测控制的自主车辆轨迹跟踪控制器设计与验证

随着自动驾驶技术的快速发展,精确的轨迹跟踪已经成为汽车工业和学术领域公认的实现自主车辆运动控制的核心技术之一。为提高自主车辆轨迹跟踪的实时性与准确性,提出一种应用于自主车辆的线性时变模型预测跟踪控制器（Linear time-varying model predictive controller,LTV-MPC）设计方法。根据运动学原理建立某自主无人小车的二自由度运动学模型,其次,基于该模型构建车辆轨迹跟踪系统的误差模型并利用线性参数化理论对其进行离散化,在模型预测控制框架内将该轨迹跟踪控制器的设计转化为一个线性二次规划最优问题。在一个实际搭建的自主车辆试验平台上对所提出控制器的有效性进行不同预设参考路径轨迹下的实车验证,结果表明,该自主车辆能够对所预设的实际参考道路轨迹进行快速、准确的轨迹跟踪控制,且具有较好的行驶稳定性能。     

智能电动车横向控制策略研究

针对智能电动车自动横向控制,建立了车辆横向动力学模型,设计了电动车转向控制器的模型预测(MPC)算法。将前轮转角作为控制输入变量,与期望轨迹的横向距离偏差、横摆角偏差及两者的变化率作为状态变量,控制器对车辆未来的状态变量进行预测,输出最优前轮转角,实现智能横向控制。在控制过程中,同时引入期望状态参数和系统松弛因子,优化车辆行驶状态。利用软件进行联合仿真,并进行实车试验。研究结果表明:控制器均能迅速响应,消除偏差,使车辆快速回到期望轨迹,保证车辆稳定平顺地行驶。     

基于模型预测控制的人车路闭环系统建模

为研究驾驶员和车辆在极限工况下的表现,建立了人-车-路闭环系统仿真模型。首先,研究了基于模型预测控制(model predictive control,MPC)的驾驶员模型,利用非线性二自由度车辆预测模型,以使轨迹跟踪误差最小的最优方向盘转角作为驾驶员模型对控制车辆的输入;利用Car Sim车辆动力学仿真软件,对目标车辆进行了参数化建模与实车试验验证。最后,采用双移线工况对建立的人-车-路闭环系统仿真结果进行了验证分析。     

复杂环境下智能汽车自动驾驶系统研究

为了提高智汽车的驾驶安全性,研究了智能汽车自动驾驶系统,包括路径规划和跟踪两个方面。对于路径规划,在传统RRT算法基础上,将路径转角引入度量函数中,实现了对距离和平滑性的综合度量;将目标偏向策略和相向扩展策略引入到扩展方法中,将随机扩展改进为启发扩展,从而提出了CE-RRT算法,经仿真验证,CE-RRT算法不仅提高了路径规划成功率,而且缩短了规划时间。对于路径跟踪,建立了车辆路径跟踪的线性时变误差模型,设计了线性时变模型预测控制器,通过仿真验证,控制器可以实现对直线路径的完全跟踪,对圆形路径也有很高的跟踪精度。     

基于模糊控制的自动驾驶汽车爆胎控制

针对自动驾驶汽车存在爆胎的问题,提出一种基于模糊控制的自动驾驶汽车爆胎控制方法。首先,建立线性二自由度车辆模型,分析自动驾驶汽车爆胎后轮胎参数发生剧烈变化导致失控问题。然后基于附着椭圆理论,提出采用点刹与微调前轮转向角的方式来设计模糊控制器。由模糊控制器确定补偿制动压力ΔP和前轮转向角δ之后,建立Carsim和simulink联合仿真模型,对车速、纵向位移、横向位移、横摆角速度、左右前轮制动压力进行了仿真分析。理论分析结果与仿真结果基本一致,研究结果表明:自动驾驶汽车爆胎后,无控制时横向最大位移达到6m,横摆角速度达到7.5deg/s;有控制时横向最大位移减小到2m,横摆角速度最大为2.5deg/s。因此提出的基于模糊控制的自动驾驶汽车爆胎控制方法能够有效控制爆胎,提高车辆安全性和稳定性。     

用于驾驶机器人的车速跟踪多机械手协调控制方法

提出一种用于驾驶机器人的车速跟踪多机械手协调控制方法。建立了驾驶机器人车速跟踪多机械手/腿控制模型,在此基础上设计了驾驶机器人车速跟踪协调控制器,通过油门/离合器协调控制器实现了车辆的平稳起步和平顺换挡,通过发动机/制动器切换控制器实现了驾驶机器人对给定车速的准确跟踪。实车试验结果表明,提出的方法能合理地协调控制驾驶机器人的油门、制动、离合机械腿和换挡机械手,实现对目标车速的跟踪控制,驾驶机器人完全能够代替试验人员进行各种汽车试验。     

基于AM335 X的多功能智能车设计

基于AM335X微控制器设计一款具有GPS定位、视觉识别、自动避障、轨迹跟踪等功能的智能车。使用超声波传感测距;使用GPS定位,摄像头路障识别和路径规划;搭载无线通信模块,实现对智能车的远程控制和监测;利用PID算法实现车辆后轮驱动和前轮转向控制。车的硬件主要包括微处理器模块、电源模块、电机驱动模块、通信模块、导航定位模块和避障模块。控制系统中加入PID算法实现车辆前进驱动控制和转向控制,并进行了仿真验证和实车实验。     

自动驾驶赛车路径与车速协同规划方法

自动驾驶赛车需实现路径与车速的同步规划以满足最快驾驶策略需求,但车辆行驶路径与车速的时空耦合关系使得优化问题难以构建与求解。为此,提出一种面向自动驾驶赛车的轨迹规划方法(Simultaneous path and speed planning,SP2),实现路径与车速的快速协同规划。首先,构建包括赛道边界与车辆动力学约束的自动驾驶赛车轨迹规划问题;然后,建立赛车的稳态动作空间与包含时空位置信息的状态-动作空间,通过离线遍历法确定赛车的可行运动状态转移关系;接着,基于稳态动作空间与运动状态转移网,将原时间最优轨迹优化问题转换为单位时间步长内运动距离最远的优化问题,并通过滚动多步优化实现赛车圈速最小(时间最优)轨迹的优化。最后,开展自动驾驶赛车轨迹规划的仿真与微缩试验平台试验。结果表明,所提出的SP2算法可以高效地实现自动驾驶赛车的全局路径与车速规划,并且较常规中心线轨迹具有更快的圈速。     

基于自抗扰控制的自动泊车路径跟踪

建立了基于电动助力转向系统的自动泊车系统动力学模型,考虑汽车动力学约束及泊车防碰撞约束,基于两段弧规划路径,使用反正切函数来拟合路径;应用非时间参考的路径跟踪控制策略生成目标转角,采用自抗扰控制（ADRC）方法进行转角跟踪,并通过硬件在环试验进行验证。结果表明,反正切函数拟合的路径曲率连续无突变,非时间参考的路径跟踪效果较好;所提出的ADRC转角跟踪算法比PID控制具有更高的泊车精度和响应速度。     

NEDC工况台架模拟控制方法研究

为了在传动系台架上模拟实车行驶工况,设计了基于前向模型的转速跟踪负载模拟算法。根据NEDC工况编制了适用于台架控制模型的车速历程。建立了车辆动力学模型和台架动力学模型,采用基于前向模型的转速跟踪负载模拟算法设计了台架负载模拟控制器,驾驶员模型跟踪工况车速,台架模型模拟变速器输入、输出端的动态响应。仿真结果表明,该系统能够模拟NEDC工况,转速误差控制在10r/min内,系统响应时间在0.5s内,该结果为台架控制器设计提供参考。     

自动驾驶汽车路径跟踪控制算法综述

自动驾驶汽车路径跟踪控制是自动驾驶领域中的关键技术,其控制算法的好坏直接决定了自动驾驶汽车能否顺利跟踪目标路径。首先对基于运动学和动力学模型的路径跟踪控制算法进行了分类,并对目前在路径跟踪横纵向控制方面应用较多的算法进行了分析,找出其目前仍存在的问题,提出了相应对策。