带测量噪声干扰的无人驾驶汽车路径跟踪控制

提出了一种带有Kalman滤波器的最优预测控制结构,用于无人驾驶汽车的路径跟踪控制.无人驾驶汽车对道路环境与车体状态的感知一般通过GPRS、雷达、摄像机、陀螺仪等获得,测量过程往往带有噪声.带有Kalman滤波的最优预测控制器,与不考虑噪声干扰的最优预测控制器相比,产生比较平滑的控制序列,减少了机械损耗.     

基于力驱动的智能汽车路径跟踪控制策略

为提高高速大曲率工况下智能汽车的路径跟踪控制精度,保证车辆横摆稳定性和侧倾稳定性,提出基于最优前轮侧向力和附加横摆力矩协同的力驱动模型预测控制(MPC)路径跟踪控制策略。充分利用轮胎非线性动力学特性,提高控制器的响应性能,构建基于时变线性轮胎模型的路径跟踪控制系统状态空间方程,预测车辆状态信息。采用零点力矩法建立车辆侧倾稳定性约束条件,设计基于MPC的防侧倾路径跟踪控制器。CarSim与Matlab/Simulink联合仿真结果表明,该控制器在保证车辆横摆稳定性和侧倾稳定性的前提下,高速大曲率工况下的最大横向位置偏差和航向角偏差分别降低14.08%和4.80%,低附着高速变道工况下分别降低22.95%和16.77%,说明所提出的控制器可显著改善车辆路径跟踪效果。     

四轮独立转向电动汽车路径跟踪预测控制

对于四轮独立转向(4WIS)电动汽车采取前后轮同时转向的策略,建立4WIS电动汽车动力学模型,得到相关的状态空间表达式,推导出线性时变路径跟踪预测模型.基于模型预测控制理论,结合约束条件和优化目标函数,将控制算法转化为标准二次规划问题,设计了4WIS路径跟踪控制器;然后利用Matlab/Carsim联合仿真平台,进行双移线工况下的仿真试验,最后验证控制算法对速度和路况的鲁棒性,分析了控制器参数对算法实时性的影响.     

自主车辆线性时变模型预测路径跟踪控制

为提高自主车辆路径跟踪控制的实时性和鲁棒性,研究一种线性时变模型预测路径跟踪控制方法.建立用于控制器仿真验证的纵向侧向二维车辆非线性动力学模型;从二轮三自由度模型出发,推导出线性时变路径跟踪预测模型;引入向量松弛因子解决优化求解过程中硬约束导致的控制算法非可行解问题,基于模型预测控制理论将路径跟踪控制算法转化为带软约束的在线二次规划问题;最后通过Matlab/Simulink实现车辆动力学建模和控制器设计,双移线工况仿真结果表明,所设计的控制器能够适应不同车速、不同设计参数的鲁棒性要求.     

考虑道路曲率的多约束高速无人驾驶汽车横向跟踪控制方法

为了提高模型预测控制(model predictive control, MPC)方法在高速无人驾驶汽车横向跟踪中的有效稳定控制,建立考虑横摆、侧滑和曲率等因素的高速车辆动力学模型,提出基于三次贝塞尔曲线的连续自适应分段拟合法以获取道路曲率,然后设计考虑车辆滑移稳定性约束、道路环境约束和轮胎纵横向耦合力约束,以车辆高速跟踪过程中的航向偏差、横向偏差以及滑移率等二次型最优为目标进行求解的MPC控制器。仿真案例基于MPC方法,搭建CarSim/SimuLink联合仿真模型,研究高附着路面恒定高速和低附着路面变速2种仿真工况。研究结果表明：车辆在恒定高速工况下以不同的车速在不同曲率的道路行驶时横向跟踪误差在0.6 m以内,优化的前轮转向角最大值为0.1 rad,横摆角速度-横向速度相平面也在包络线之内,车辆在大曲率路径跟踪时,平均横向跟踪误差0.221 9 m,平均横摆角速度为0.180 8 rad/s,较不考虑道路曲率/滑移稳定性约束的跟踪效果显著提升;低附着路面小曲率/大曲率路径变速工况下,车辆考虑轮胎耦合力的前轮转向角约束较未考虑时的横向跟踪误差显著减小(其中低附着路面小曲率路径工况的...     

考虑横纵向误差协调的智能汽车路径跟踪控制研究

针对传统轨迹跟踪控制方法应用场景局限,精度不高的问题,为实现车辆横纵向联合控制从而提升无人驾驶汽车在结构化场景下的轨迹跟踪效果,本文建立了自然坐标系下的车辆跟踪误差模型,设计基于LQR与PID相结合的车辆横纵向耦合控制器。在横向控制层面,为消除系统稳定误差,通过引入前馈控制量实现系统的整体稳定,减小车辆在实际运行过程中产生的横向误差,提升控制过程的稳定性;在纵向控制层面,运用PID控制策略进行调节,实现车辆的实际速度与规划速度,实际位置与规划位置之间的精确匹配。通过MATLAB/Simulink与Carsim搭建联合仿真平台,针对日常泊车、驶入主路以及超车多种工况进行仿真验证。仿真结果表明：本文所设计的横纵向联合控制器将车辆的轨迹跟踪误差控制在可接受范围之内的同时,轨迹跟踪效果满足乘客对车辆乘坐舒适性的要求,故本文设计的控制器具备一定的稳定性和准确性。     

基于模糊自适应PID的无人驾驶车辆路径跟踪控制

在无人驾驶车辆路径跟踪控制过程中,针对控制对象发生变化时传统PID控制器难以对其控制参数进行实时调整的问题,提出一种以预瞄理论为基础的模糊自适应PID控制方法.以前轮转角作为控制系统的输入,设计基于横向偏差和航向偏差的模糊自适应PID路径跟踪控制器.分析量化因子和比例因子的选取原则,利用模糊理论对PID参数进行自适应调整;基于Carsim与Simulink对所提算法进行联合仿真实验.仿真结果表明:模糊自适应PID较传统PID改善了控制器的动态性能且具有较好的自适应能力.     

融合反步法的无人驾驶汽车轨迹跟踪控制方法

为了解决无人驾驶汽车轨迹跟踪控制的准确性、稳定性和快速性问题,将反步法分别融合滑模变结构控制和模糊自适应控制.建立车辆三自由度运动学位姿误差微分方程,推导了基于反步法的车速和横摆角速度控制律,结合Lyapunov稳定性判据验证了系统稳定性.分别建立融合反步法的滑模变结构和模糊自适应轨迹跟踪控制方法,结合轨迹跟踪稳态误差、超调量和调整时间,验证、比较了控制方法准确性、稳定性和快速性3种性能的优劣.结果表明：融合反步法的滑模变结构轨迹跟踪控制的稳定性最好,轨迹跟踪超调量接近于0;融合反步法的模糊自适应轨迹跟踪控制快速性最好,轨迹跟踪调整时间相对于反步法缩短了18.2%.     

无人驾驶汽车离散优化的轨迹规划算法

针对双向两车道无人车行驶场景,基于离散优化的方法,提出一种新的轨迹解耦规划算法.该算法将带有时间戳的三维轨迹规划问题解耦成分别对路径和速度规划,速度规划时引入ST图,用以描述无人车与障碍物之间的运动关系.通过分层采样的方法构建路径Lattice图搜索初始路径,并基于多目标A?搜索算法在ST图中规划出初始速度剖面,减少算...     

自主车辆路径规划算法研究

在自主车辆的路径规划是否经过特定点的两种实际情况下,提出了不同的解决方案。当车辆不需要经过特定点时,引入A*算法,较传统算法将启发函数改为欧几里得函数(Euclidean Distance),并引入一个权值以降低启发函数的权重。当车辆需要经过特定点时,应用Hopfield神经网络思想优化算法,以达到理想的路径规划。仿真实验表明,改进后的算法使得路径规划寻优得到明显提高,并验证了算法的有效性。     

基于状态感知的UGV 事件触发路径跟踪控制

针对通信受限下的无人驾驶车辆路径跟踪控制问题，提出了一种基于状态感知的H∞事件触发路径跟踪控制策略.首先，根据车辆的动力学行为建立了相应的路径跟踪控制模型；其次，基于对路径跟踪控制系统的状态实时感知，设计了一种新型的基于状态感知的事件触发通信策略（SS-ETC），可根据控制系统的状态对事件触发阈值进行动态自适应的调整；然后，在该动态事件触发通信策略下，结合时滞系统建模方法与Lyapunov 稳定性理论，设计了基于状态感知的事件触发H∞控制器.本文所提出的基于状态感知的动态事件触发通信策略能够根据控制系统的量测状态进行通信阈值的动态调整，有效地实现了自主车辆通信与控制的自适应协同设计.最后，通过仿真实验验证了所提出的动态事件触发控制策略的有效性.     

基于卡尔曼滤波改进压缩感知算法的车辆目标跟踪

针对传统的基于压缩感知技术的目标跟踪算法存在的跟踪漂移问题，提出了一种采用改进压缩感知算法和卡尔曼滤波方法相结合的车辆目标跟踪算法. 首先，通过传统压缩感知目标跟踪算法识别出本帧目标存在概率最大的区域得到观测值； 其次，利用卡尔曼滤波预测本帧的跟踪轨迹得到预测值，通过卡尔曼滤波增益系数对预测值与观测值进行修正，获得最终目标跟踪结果； 最后，在修正后的目标区域周围进行正负样本采样以实现朴素贝叶斯分类器更新，进而实现目标跟踪轨迹的实时更新. 通过实验室试验以及野外实测验证了所提方法的可行性，相较于基于压缩感知技术的目标跟踪算法，本文所提方法的跟踪结果平均误差分别降低了48%和89%，跟踪轨迹更加趋近车辆真实运动轨迹.     

基于改进遗传算法的家电回收车辆路径规划方法

为了提高家电回收效率以及降低回收成本,提出了一种基于改进遗传算法（GA）的家电回收车辆路径优化方法。将家电回收车辆路径规划问题建模为一个变体的旅行商问题（TSP）以最小化运输成本,但该问题难以在多项式时间内进行求解。提出了一种基于高斯矩阵变异（GMM）算子的改进遗传算法,利用原始站点数据信息中隐含的站点位序分布特性建立高斯概率矩阵,并采用轮盘赌选择法将高斯概率矩阵作用于个体基因突变,在保证种群基因多样性的同时,引导种群向高适应度方向进化。最后,采用上海地区的家电回收点实际数据开展实验仿真以验证所提出算法的有效性,并与其他算法进行对比。结果表明,与传统遗传算法相比,在将求解精度差保持在1%以内的情况下,所提出改进遗传算法的平均收敛速度可以提升50%～60%,算法耗时降低48%。     

递相祖述复先谁——李退溪所捍卫的朱子义利说

根据传统快速搜索随机树算法(rapidly random-exploring trees,简称RRT)搜索速度快、所需时间短,但随机性大以及约束不足等特点,建立了直道和弯道的期望路径模型,采用高斯分布描述随机采样点,并引入启发式搜索机制,改进RRT算法.与原算法仿真对比,结果表明：改进算法所规划的路径质量显著提高,规划时间缩短一倍.同时,在Prescan软件中搭建直道和弯道仿真场景,跟随规划路径,结果表明：改进后RRT算法所得路径具有很好的跟随效果,且侧向加速度在车辆稳定性要求范围内,说明采用改进后的RRT算法进行汽车局部路径规划可行实用.     

基于惯导航向角的智能车几何轨迹跟踪算法

为满足智能车在低速和高速运行时稳定和精确的轨迹跟踪,提出了一种基于几何模型的智能车轨迹跟踪算法。算法首先通过惯性导航系统的航向角参数,计算车辆纵向运动方向和轨迹跟踪点切线方向之间的切向角,再通过横向偏差角进行转向的偏差校正,实现轨迹的实时跟踪。以真实智能车在实际道路环境中对算法进行了20 km/h下的小曲率直道和大曲率路口弯道以及50 km/h下的小曲率直道的轨迹跟踪实验。实验结果表明,在不同的典型路况下,采用该算法的智能车能够实现稳定和精确的轨迹跟踪;与其他轨迹跟踪算法相比,该算法具有较好的性能。     

自动驾驶车辆的变步长路径跟踪控制

为提高自动驾驶车辆路径跟踪控制的稳定性并保证实时性,设计变步长模型预测控制器.通过变步长对预测时域进行分级,引入道路曲率及侧偏角约束,采用CVXGEN进行优化求解.通过Carsim和Matlab/Simulink联合仿真,对文中方法进行验证.结果表明:变步长模型预测控制器既能保证较好的跟踪效果,又能确保车辆行驶的稳定性.