智能车辆弯道速度与转向自适应耦合控制

针对车辆在弯道高速行驶时的轨迹跟踪精度低和转向稳定性差的问题,提出了一套基于车辆运动学模型的横纵向耦合控制算法.采用不同于纯跟踪的预瞄式期望前轮转角计算方法,并利用横向加速度约束进行纵向控制,同时设计了高速条件下的预瞄二级减速控制算法,实现转向与速度联合控制.为了提高算法的工况适应性,采用麻雀搜索算法根据道路曲率和车速优化预瞄时间,并基于Simulink和Prescan联合仿真,验证算法在不同曲率弯道下的控制效果.结果表明：采用基于麻雀搜索算法寻优的预瞄式横纵向耦合控制算法能够较好地改善轨迹跟踪精度和转向的平顺性,且算法对不同曲率道路场景的适应性很强.将仿真结果和驾驶模拟数据对比,结果显示,该算法和自然人驾驶方式吻合度较高.     

改进模型预测控制的农机轨迹跟踪算法研究

针对无人驾驶农机进行轨迹跟踪时精度与稳定性较差的问题，提出了一种基于模型预测控制(MPC)的轨迹跟踪方法。首先，建立农机车辆的运动学模型，利用粒子滤波对农机状态量进行估计来提高农机的定位精度；其次，在设计MPC控制器时引入了梯度投影算法，该算法相比于传统有效集算法减少了迭代步数，具有更快的收敛速度，提高了农机进行跟踪控制时的计算效率；最后，在淄博市某无人农场进行了农机轨迹跟踪试验。结果表明：该方法可以实现良好的跟踪控制精度，符合精准农业的作业要求。     

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。     

机载光电跟踪系统的模糊自适应控制

为了提高机载光电跟踪伺服控制系统的控制性能,提出了一种基于模糊推理的变论域自适应控制算法.详细论述了稳定跟踪系统的数学模型,并对变论域控制算法的原理进行了详细介绍.采用变论域控制算法能够有效的避免对伸缩因子函数模型和模型参数的选择,同时能够降低系统论域的反复调节,提高系统的收敛速度和控制精度.为了验证控制性能,利用经典PID控制、模糊控制、模糊自适应PID控制三种算法对机载光电稳定跟踪系统进行仿真比较.仿真结果表明模糊自适应PID控制算法和经典PID控制相结合,在保持原有系统精度的前提下,使机载光电跟踪伺服控制系统的动态性能得到了改善,不仅可以满足系统的精度要求,还具有较强的自适应能力和鲁棒性.     

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。     

基于线性矩阵不等式的智能车轨迹跟踪控制

针对传统的基于精确数学模型的智能车轨迹跟踪控制器跟踪精度低,鲁棒性弱,很难适应复杂多变的驾驶环境等问题,结合线性矩阵不等式(LMI)鲁棒控制具有易于求解、抗干扰能力强等优点,提出基于LMI的智能车轨迹跟踪控制方法. 将车辆侧向动力学状态空间模型进行坐标变换,得到基于跟踪误差的车辆侧向动力学状态空间模型,采用饱和线性轮胎得到车辆侧向动力学多胞型模型;设计LMI反馈控制器,在控制器中引入前馈控制量,以消除侧向位置稳态误差. Carsim和Matlab/Simulink的联合仿真表明,该控制器在保证车辆稳定性的基础上具有较高的跟踪精度,对车速和路面附着系数具有较强的鲁棒性. 与模型预测控制器(MPC)和预瞄驾驶员模型(PDM)控制器进行对比,结果表明,设计的该控制器轨迹跟踪精度更优.     

基于反演法的智能车辆弯路换道轨迹跟踪控制

基于车辆的运动学模型,研究了具有非完整约束特性的智能车辆弯路换道的轨迹跟踪控制问题。结合弯曲车道的曲率半径,针对换道过程中车辆横向运动和纵向运动对换道轨迹的耦合作用,提出了一种适用于弯道的换道轨迹规划方法。根据换道轨迹,利用积分反演法,引入中间虚拟控制量,设计了轨迹跟踪控制算法,并用Lyapunov稳定性理论证明了控制系统的稳定性。仿真结果表明:该控制器可以保证车辆在弯路换道的轨迹跟踪误差一致有界收敛,且具有快速、准确跟踪和全局稳定的特性。     

基于改进切换增益自适应率的欠驱动USV滑模轨迹跟踪控制

针对参数的不确定性和外界干扰的非线性给欠驱动无人艇(USV)的精确轨迹跟踪控制带来的挑战,提出基于改进切换增益自适应率（ISGA）的欠驱动USV滑模轨迹跟踪控制算法. 该算法结合反步法和PI滑模控制,以保证欠驱动USV跟踪并保持期望的轨迹;采用基于理想增益的ISGA算法,以提高系统的鲁棒性和抑制滑模抖振现象. 借助李雅普诺夫直接法证明轨迹跟踪控制系统的全局指数稳定性. 仿真结果显示,所提算法具有鲁棒性强、滑模抖振弱和控制精度高等优点. 相较2种先进的轨迹跟踪控制算法,所提算法的位姿控制精度提高超过25.0%.     

工业机器人可变增益自适应迭代学习控制研究

为确保执行重复运动的工业机器人位置、速度的跟踪精度,提出一种可变增益自适应迭代学习控制算法。首先在PD反馈部分增加指数可变增益来加快算法收敛速度,然后在参数自适应部分设计广义误差函数来进一步减小轨迹跟踪误差,增强系统稳定性。通过Lyapunov函数对可变增益自适应迭代学习控制算法的收敛性进行了理论证明,最后利用仿真验证了该控制算法能有效减小机器人轨迹跟踪误差,并加快算法的收敛速度。     

基于非线性模型预测的四旋翼无人机轨迹跟踪控制

针对四旋翼无人机轨迹跟踪控制器跟踪性能不稳定的问题,提出一种基于非线性模型预测控制(nolinear model predict control, NMPC)的轨迹跟踪算法。首先,建立四旋翼无人机的动力学模型,定义四旋翼无人机的位置和姿态为状态量,螺旋桨转速为控制输入量,建立非线性状态空间方程作为控制算法的预测模型。其次,定义最优化函数和四旋翼无人机控制约束,将轨迹跟踪控制问题转换为非线性最优化求解问题。最后,通过多重打靶法求解得到的最优控制量作为四旋翼无人机的输入信号。为验证NMPC算法的跟踪性能,在Matlab中搭建仿真平台进行对比实验,结果表明,与PID和串级模型预测控制(model predict control, MPC)及改进MPC方法相比,NMPC算法能够在满足约束的情况下完成轨迹跟踪任务,误差小、精度高,并具有抗干扰能力。     

Implementation of MPC-Based Trajectory Tracking Considering Different Fidelity Vehicle Models

In order to investigate how model fidelity in the formulation of model predictive control(MPC) algorithm affects the path tracking performance, a bicycle model and an 8 degrees of freedom(DOF) vehicle model, as well as a 14-DOF vehicle model were employed to implement the MPC-based path tracking controller considering the constraints of input limit and output admissibility by using a lower fidelity vehicle model to control a higher fidelity vehicle model. In the MPC controller, the nonlinear vehicle model was linearized and discretized for state prediction and vehicle heading angle, lateral position and longitudinal position were chosen as objectives in the cost function. The wheel step steering and sine wave steering responses between the developed vehicle models and the Carsim model were compared for validation before implementing the model predictive path tracking control. The simulation results of trajectory tracking considering an 8-shaped curved reference path were presented and compared when the prediction model and the plant were changed. The results show that the trajectory tracking errors are small and the tracking performances of the proposed controller considering different complexity vehicle models are good in the curved road environment. Additionally, the MPC-based controller formulated with a high-fidelity model performs better than that with a low-fidelity model in the trajectory tracking.     

高速无人驾驶车辆轨迹跟踪和稳定性控制

针对高速无人驾驶车辆运动控制过程中轨迹跟踪精度和稳定性难以同时保障的问题,提出综合前馈-反馈及自抗扰控制(ADRC)补偿相结合的横向控制算法. 通过车速和道路曲率信息计算前馈稳态前轮转向角,将质心侧偏角引入航向偏差,以车辆航向角偏差和侧向偏差作为参考量进行反馈控制,通过前馈-反馈控制提升瞬态轨迹跟踪性能. 设计自抗扰控制器,通过扩张状态观测器对未建模动态和内外界干扰进行估计,通过将后轮侧偏角控制在参考值附近来补偿前轮转角,提升无人驾驶车辆的转向稳定性和控制器的鲁棒性. 不同工况下的仿真结果表明,利用该方法可以保证高速无人驾驶车辆稳定地跟踪期望路径行驶,轨迹跟踪偏差较小,对车辆参数变化和外界干扰具有较强的鲁棒性.     

基于微分跟踪器的共轴反桨无人机串级TD-PID控制算法

针对传统PID控制算法对共轴反桨无人机的欠驱动、强耦合非线性系统控制效果不理想的问题,提出基于微分跟踪器的串级TD-PID控制算法,以提高无人机飞行稳定性. 设计共轴反桨无人机飞行系统,针对无人机的姿态控制提出基于微分跟踪器的串级TD-PID控制算法：外环为传统PID算法,内环使用2个微分跟踪器,通过串级控制改善系统动态性能. 在Matlab/Simulink中搭建控制系统的仿真模型进行仿真试验. 仿真结果表明：相较于传统串级PID控制算法,所提控制算法超调量更小,系统稳定性有较大提高. 对比串级TD-PID控制算法与串级PID控制算法控制效果的飞行试验结果表明：所提控制算法能有效减少系统超调量,提升系统稳定性和抗干扰能力.     

Multi-constrained model predictive control for autonomous ground vehicle trajectory tracking

A multi-constrained model predictive control (MPC) algorithm for trajectory tracking of an autonomous ground vehicle is proposed and tested in this paper. First, to simplify the computation, an active steering linear error model is applied in the MPC controller. Then, a control increment constraint and a relaxing factor are taken into account in the objective function to ensure the smoothness of the trajectory, using a softening constraints technique. In addition, the controller can obtain optimal control sequences which satisfy both the actual kinematic constraints and the actuator constraints. The circular trajectory tracking performance of the proposed method is compared with that of another MPC controller. To verify the trajectory tracking capabilities of the designed controller at different desired speed, the simulation experiments are carried out at the speed of 3m/s, 5m/s and 10m/s. The results demonstrate the MPC controller has a good speed adaptability.     

基于模型不确定补偿的轮式移动机器人反演复合控制

针对轮式移动机器人存在模型不确定性、非线性以及未建模的动态特性等因素,严重影响系统轨迹跟踪的稳定性和精确性,提出一种基于系统模型不确定性补偿的反演复合控制策略。基于非完整轮式移动机器人的运动学模型,采用反演控制思想以及李雅普诺夫稳定性判据设计轨迹跟踪的虚拟速度控制量,作为系统的持续激励输入。考虑轮式移动机器人具有模型不确定性和外部有界力矩干扰,根据轮式移动机器人的动力学模型推导得到系统不确定项,并采用具有高度非线性拟合特性的神经网络对其估计,得到模型的力矩控制量,且由李雅普诺夫稳定性分析得到不确定项的自适应律,实现自调整和实时轨迹跟踪。对比仿真表明,该复合控制策略能自适应的跟踪期望轨迹,与单一的反演控制、模型不确定性补偿控制策略、传统PID控制相比,均具有更好的鲁棒性和高的跟踪精度。     

基于自适应终端滑模控制器的机械手跟踪控制

针对具有不确定性的机械手轨迹跟踪控制问题,提出一种自适应二阶终端滑模控制器设计方法。设计一类非线性不确定系统的自适应二阶终端滑模算法,使得不连续符号函数包含在控制微分项,实际控制作用连续;采用自适应律克服不确定性上界未知问题,基于Lyapunov方法证明系统稳定性;针对机械手轨迹跟踪问题,基于所提出控制方法设计机械手自适应终端滑模控制方案;通过对双关节机械手轨迹跟踪仿真研究,验证所提出控制策略的有效性。     

Map-based control method for vehicle stability enhancement

This work proposes a map-based control method to improve a vehicle's lateral stability, and the performance of the proposed method is compared with that of the conventional model-referenced control method. Model-referenced control uses the sliding mode method to determine the compensated yaw moment; in contrast, the proposed map-based control uses the compensated yaw moment map acquired by vehicle stability analysis. The vehicle stability region is calculated by a topological method based on the trajectory reversal method. A 2-DOF vehicle model and Pacejka's tire model are used to evaluate the proposed map-based control method. The properties of model-referenced control and map-based control are compared under various road conditions and driving inputs. Model-referenced control uses a control input to satisfy the linear reference model, and it generates unnecessary tire lateral forces that may lead to worse performance than an uncontrolled vehicle with step steering input on a road with a low friction coefficient. However, map-based control determines a compensated yaw moment to maintain the vehicle within the stability region,so the typical responses of vehicle enable to converge rapidly. The simulation results with sine and step steering show that map-based control provides better the tracking responsibility and control performance than model-referenced control.     

水下运载器多变量鲁棒输出反馈控制方法

针对存在较大参数不确定性和仅具有位置、姿态测量的水下运载器的六自由度位姿控制难题,提出一种基于自适应平滑增益滑模观测器和多变量积分Backstepping控制器的非线性控制方法.解决水下运载器的鲁棒输出反馈控制问题,使用基于Lyapunov稳定性理论的设计方法保证观测器 控制器系统的稳定性.设计的自适应平滑增益滑模观测器,克服常规滑模观测器中所存在的高频颤振现象,从而获得较平滑的速度估计值.当存在模型不确定性和有界未知干扰时,可以保证速度估计误差以指数速率收敛至较小的球域内.设计的多变量积分Backstepping控制器,可以保证系统的跟踪误差同样收敛至较小的球域内.以浙江大学正在研制的海王号ROV六自由度控制为研究对象,使用所提出的控制方法与传统PID控制器进行对比仿真研究.仿真结果表明,当存在较大参数不确定性、较强未知外干扰和测量噪声时,所提出的控制方法具有较强的鲁棒性能,可以很好地跟踪参考轨迹,获得较好的动态性能和稳态控制精度.性能明显优于常规PID控制器,并且解决了PID控制器所存在的转艏角设定值不能大于90°的问题.