基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator, LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪...     

基于预测--模糊联合控制的分布式驱动车辆路径跟踪方法

为研究分布式驱动车辆（4wid）路径跟踪中的跟踪精度和稳定性的问题,提出了模型预测-模糊(Mpc-Fuzzy)的联合控策略, 缓解了单一模型预测控制下车辆跟踪精度与控制器计算压力间的冲突。采用模型预测控制设计了上层路径跟踪控制器,旨在利用模型预测“滚动优化”的优点降低跟踪误差的同时保证车辆的稳定性。下层采用模糊控制,将转向过度和转向不足量化为“方向偏差”和“位置偏差”,利用四轮转矩独立控制的优点进一步优化转矩输出,旨在降低模型预测控制器对参考模型线性化后带来的跟踪误差。为验证控制策略的可靠性,基于Carsim和Simulink.、Driving Scenario搭建联合仿真模型,将联合控制器和单运动学模型预测控制器进行对比研究。仿真结果表明联合控制器可在完成对给定路径跟踪的基础上,减少转向不足和转向过度的发生,降低了方向误差和位置误差。     

欠驱动智能水下机器人的自抗扰路径跟踪控制

为削弱欠驱动智能水下机器人(AUV)在路径跟踪过程中遇到的外界环境干扰和载体内部信号传输干扰的影响,以某欠驱动AUV为研究目标,基于自抗扰控制技术以及在Serret-Frenet坐标系下建立的路径跟踪误差方程,结合水下机器人相关运动学及动力学方程,建立了二阶自抗扰路径跟踪控制器,并进行了与传统PID控制器的对比仿真实验.仿真实验包括水平面随机干扰下的圆路径跟踪和渐变干扰下的空间螺旋线跟踪.仿真结果表明,基于自抗扰控制技术的欠驱动AUV路径跟踪控制器能够实现相应的参考路径跟踪任务,同时,相比于传统PID控制器,自抗扰路径跟踪控制器能够更有效地抑制干扰造成的颤抖、超调等现象,具有更优的控制效果.     

一种基于LTVMPC改进的 无人驾驶汽车路径跟踪控制算法

在低附着路面情况下,针对现有以线性时变模型预测控制(LTVMPC)为基础的无人驾驶汽车路径跟踪精确性和稳定性问题,提出一种改进的控制算法.以汽车动力学理论为基础,将四轮轮胎侧偏角和滑移率精确地表示为车辆状态量的非线性函数,在预测时域内对车辆状态方程线性化处理而求解雅可比矩阵时,为降低系统维度,将轮速作为非状态量,建立改进的三自由度车辆模型,在二次规划性能指标中加入横摆角速度跟踪误差项以提高路径跟踪性能,考虑质心侧偏角对跟踪精度和车辆稳定性的影响,修正参考横摆角,建立改进的LTVMPC.在Carsim-Simulink联合仿真平台进行低附着系数路面情况下的双移线跟踪仿真,结果表明改进后的控制算法在保证实时性的前提下,提高了路径跟踪的精确性和车辆行驶的稳定性.     

智能车辆路径跟踪与稳定性的模型预测控制

为了改善车辆在路径跟踪时因车速较快或路面较差而发生侧滑的情况,提出一种智能车辆转向与制动联合控制器;在模型预测控制理论的基础上,通过监测轨迹偏差、横摆角偏差以及横摆角速度偏差3个控制参考量,在每个控制时域得到最优的前轮转角和附加横摆力偶矩,并以单轮制动逻辑分配给4个车轮制动力矩;利用CarSim和MATLAB Simu...     

智能船舶路径跟踪自抗扰模型预测控制

针对智能船舶在航行过程中为抵抗多源时变环境干扰与模型不确定性的影响,常引起控制力发生突变,致使执行装置难以响应、船舶无法准确跟踪期望路径的问题,提出了一种自抗扰模型预测控制算法．该方法基于自抗扰控制思想,设计修改型扩张状态观测器(MESO)对系统的状态和总未知扰动进行估计,并基于估计值设计鲁棒补偿的模型预测控制算法(RC-MPC)．本文方法基于MESO,将复杂的船舶路径跟踪系统转化为含有干扰的线性仿射系统;同时,为避免鲁棒模型预测控制导致结果保守,设计了观测误差鲁棒补偿算法,提高了控制器的干扰抑制能力,增强了系统对模型失配的鲁棒性．结果证明了该自抗扰模型预测控制级联系统具有全局一致渐近稳定性,仿真实验验证了算法的有效性．     

智能转向汽车的模型跟踪控制

从研究转向特性的2自由度简化模型出发，推导出智能汽车转向的状态空间方程，据此构造了智能汽车转向的动力学模型，进而应用Lyapunov方程设计了模型跟踪控制器，选用与实际汽车模型同阶的系统，采用极点配置的方法设计了理想汽车模型，通过输入不同的道路进行仿真，证明了该控制器设计的有效性。     

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.     

基于最优前轮侧偏力的智能汽车LQR横向控制

为提高智能汽车在大曲率高速工况下的车辆横向稳定性和跟踪精度,该文提出了一种基于最优前轮侧偏力的智能汽车线性二次型调节器(LQR)路径跟踪横向控制方法。通过构建基于"前馈+反馈"的LQR控制器对期望前轮侧偏力进行实时在线求解并使跟踪误差收敛,最终通过刷子轮胎模型将控制量转化为期望前轮转角。该方法有效地保持了车辆模型与轮胎模型原有的非线性特性。基于PreScan搭建了仿真模型,结果表明:与应用线性轮胎模型的LQR控制器相比,所提出的控制方法在降低路径跟踪误差的同时,还能有效提升车辆的横向稳定性。     

基于Hamilton理论的无人车路径跟踪控制

针对当前车辆路径跟踪控制存在精度低、可靠性差的问题,基于Hamilton理论提出一种四轮驱动四轮转向无人车路径跟踪分层控制方法.通过集成车辆动力学模型和路径跟踪模型,建立了路径跟踪误差模型,结合系统控制目标,提出采用Hamilton理论设计车辆上层控制器,用于实现路径跟踪误差模型的镇定,从而提高车辆路径跟踪的精度与鲁棒性.同时,在下层控制器中,设计4个车轮纵向轮胎力分配算法,通过轮胎力的动态分配满足车辆上层控制需求.利用CarSim和Simulink搭建车辆路径跟踪联合仿真模型并进行仿真实验,仿真结果表明,提出的无人车路径跟踪分层控制策略能够通过前后轮转角以及4个轮胎力的实时控制与分配,抑制路径跟踪过程中的横向误差和航向误差,提高路径跟踪精度并确保控制系统的可靠性.      

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.     

基于转向响应特性的智能车辆轨迹跟踪双闭环控制

智能车辆轨迹跟踪的准确性与鲁棒性是车辆运动控制性能的重要表征,基于路径预瞄信息的跟踪控制研究使车辆性能显著提升. 然而,车辆转向系统响应不足给车辆实时准确的基于预瞄信息跟踪参考轨迹带来挑战. 针对此问题,实时引入转向系统状态建立双闭环轨迹跟踪控制结构,保证智能车辆轨迹跟踪控制算法对转向系统响应不足的鲁棒性. 具体结构外环基于预瞄信息使用模型预测控制求解最优转向角,内环基于转向状态误差使用PID方法设计反馈控制律以补偿转向响应不足. 双闭环结构耦合控制输入保证了车辆鲁棒最优跟踪控制. 最后通过Carsim与Simulink联合仿真,验证了该双闭环控制结构的有效性.      

基于鲁棒比例-积分-微分控制的智能汽车自主换道轨迹跟踪控制

为了解决智能汽车自主换道轨迹跟踪所使用的比例-积分-微分(proportion-integral-derivative,PID)控制器参数难以整定的问题,提出应用于自主换道轨迹跟踪控制的鲁棒PID控制器设计方法。首先,构建车辆-道路系统动力学模型,将转向执行机构看作一阶惯性环节,搭建包括转向执行机构动力学模型在内的系统动力学模型;然后,基于分段多项式表达求解自主换道轨迹模型,并基于时间与误差绝对值乘积积分构建鲁棒PID控制器,确定控制参数,形成闭环系统的传递函数;最后,进行仿真及实车试验,结果表明,所设计的控制器具有较强的鲁棒性,能在保证换道工况下智能车辆较好的轨迹跟踪能力的同时,有效地提高乘员舒适性。     

智能车辆轨迹跟踪控制方法研究

针对智能车辆的轨迹跟踪控制问题,提出了一种可以调节参数的智能车辆轨迹跟踪控制方法.首先,设计了模糊控制器对智能车辆进行路径跟踪控制;其次,为了提高车辆在高速下的路径跟踪效果,设计模型预测控制器,并结合轮胎的动力学特性及车辆动态特性对轮胎侧偏角、质心侧偏角等进行约束;然后,为了提高车辆在不同工况下的路径跟踪效果,进一步设计了基于PSO算法的模型预测控制器.比较三种控制器的控制效果,选择典型工况在联合仿真平台上进行仿真.结果表明,提出的智能车辆的轨迹跟踪控制方法可以有效地对车辆轨迹进行跟踪.     

基于多约束随机模型预测控制的无人车运动规划与控制

提出了一种基于随机模型预测控制的无人车运动规划方法。在道路坐标系下,采用质点运动模型和高斯分布对周围动态车辆的预测轨迹进行位置不确定性表征,并使用随机模型预测控制（SMPC）中的机会约束进行描述,以此建立车辆空间位置的约束。通过变步长求解方式获得基于运动学模型的初始控制序列。基于此初始解,考虑车辆动力学信息,引入基于横摆角速度和质心侧偏角关系的稳定性约束,求解最优控制量。在多种工况下,通过仿真试验验证了所提出方法的有效性和稳定性。     

四驱混合动力轿车转弯工况路径跟踪控制

针对四驱混合动力轿车,提出一种转弯工况下集成横向与纵向运动控制功能的路径跟踪控制策略.在建立车辆动力学与动力系统模型的基础上,设计了基于轨迹跟踪误差的驾驶员预瞄转向模型;采用模糊控制器确定了期望车速,对转矩分配问题进行优化研究;设计了车速与轨迹跟踪模型预测控制器;搭建了CarSim与MATLAB/Simulink联合仿真模型与自动驾驶模拟驾驶器,对控制策略进行了离线仿真和硬件在环仿真试验.研究结果表明,车辆转弯过程中路径及车速跟踪效果良好,满足转弯工况路径跟踪需求.     

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。     

不同轴距车辆路径跟踪研究

针对不同轴距车辆路径跟踪鲁棒性,提出了基于滑模自抗扰控制的平行泊车路径跟踪算法.该算法利用线性滑模控制设计自抗扰控制律中的误差反馈环节,改善了自抗扰控制器的结构,能适用于不同轴距车辆.线性自抗扰控制器能够观测和补偿由于不同车辆轴距引起的不确定性和车辆受到的外界干扰.在假定低车速和小侧偏角情况下,控制器的设计考虑非线性运动学模型及运动学约束.仿真结果表明,基于滑模自抗扰控制的路径跟踪控制算法能够将不确定性部分观测出来并且补偿掉,保证了不同轴距车辆很好地跟踪规划的理想泊车轨迹.     

基于自适应MPC的无人驾驶车辆轨迹跟踪控制

根据自适应模型预测控制相关原理,设计一种无人驾驶车辆的轨迹跟踪控制策略.基于车辆动力学模型,建立轨迹跟踪控制器,并设计目标函数与相关约束,利用自适应MPC(model predictive control)控制算法对其进行求解.在每一个控制时刻工作点,不断更新卡尔曼状态估计器相关增益系数矩阵以及控制器的状态来适应无人驾驶车辆当前的工作环境,以此补偿车辆的非线性以及状态测量噪声带来的影响.在MATLAB中搭建仿真模型并进行仿真验证,得出自适应MPC对于无人驾驶车辆的轨迹跟踪拥有较好的控制精度与鲁棒性,验证了该算法应用在轨迹跟踪控制层的有效性,为轨迹跟踪控制的研究提供了参考.     

基于轴间转矩分配的四轮驱动汽车牵引力控制

为提高汽车的牵引性能,通过对轴间转矩分配的分析,建立了四轮驱动汽车加速过程的数学模型;提出了发动机节气门控制和轴间转矩分配控制的综合控制策略;采用PI控制方法设计了发动机节气门控制系统和轴间转矩分配电流控制系统;在低附着路面和对接路面上进行了无牵引力控制和有牵引力控制的对比仿真.结果表明:四轮驱动汽车牵引力控制系统可有效抑制驱动轮过度滑转,提高汽车动力性.