車輛路徑跟蹤自動控制系統(tǒng)的研究*

李 晶 ， 謝達城

（江西應(yīng)用技術(shù)職業(yè)學(xué)院，江西 贛州 341000）

無人駕駛是未來智能交通系統(tǒng)發(fā)展的主要趨勢，憑借車輛中的傳感系統(tǒng)全方位識別周邊環(huán)境，將道路信息、車輛位置信息、周圍障礙物信息及紅綠燈情況作為信息源，為實現(xiàn)智能車輛的全局規(guī)劃和局部路徑控制預(yù)定目標提供便利條件。為此，研究如何在保證車輛運行安全基礎(chǔ)上，通過控制車輛自動轉(zhuǎn)向系統(tǒng)的參數(shù)，減小車輛實際航跡與規(guī)劃目標航跡之間的橫向偏差和方位偏差具有重要意義。

1 自動駕駛原理

驅(qū)動機制是人工智能、物聯(lián)網(wǎng)及海量數(shù)據(jù)相結(jié)合的新型技術(shù)，是未來車輛軌跡跟蹤的主要發(fā)展方向，是保證無人駕駛車輛正常運行的前提條件，是實現(xiàn)車輛正常、平穩(wěn)運行的關(guān)鍵因素。軌跡跟蹤的任務(wù)可以理解為設(shè)計一個水平控制器，以連續(xù)生成方向指令來補足偏差，保證車輛運行安全穩(wěn)定。目前，軌跡跟蹤的主要方法可分基于幾何關(guān)系的幾何跟蹤方法與基于模型設(shè)計的控制方法兩種形式。近年來，國內(nèi)外許多研究人員對軌跡跟蹤做了大量的研究，提出了一種自適應(yīng)時間預(yù)測算法，可以憑借不同的預(yù)測次數(shù)預(yù)測未來車輛的運行情況。并提出了一種改進預(yù)覽跟蹤算法，確保計算出的預(yù)覽點位于所需路徑上，避免發(fā)生曲率過大情況，最終出現(xiàn)路徑偏差。

對于軌跡跟蹤問題，模型控制方法是解決該問題的一種較為科學(xué)高效方法，雖然該算法復(fù)雜，優(yōu)化求解階段需要消耗大量時間，但在許多工程實例中得到廣泛應(yīng)用，跟蹤方法更為廣泛。在長時間優(yōu)化、改良的基礎(chǔ)上，幾何跟蹤方法可用于道路車輛的開發(fā)中，并取得了明顯的成效[1]。

車輛路徑跟蹤控制系統(tǒng)是重點研究內(nèi)容。目前，經(jīng)典PID控制在國內(nèi)外應(yīng)用較為廣泛，其中包含多種算法，雖然多元化的車輛路徑跟蹤算法及相關(guān)技術(shù)各具優(yōu)勢特征，但在具體運行時也存在一定問題。例如，大多數(shù)算法并不依附于精確的數(shù)學(xué)模型，最終控制精度數(shù)值普遍偏低，但如果算法控制精度偏高，則抗干擾能力差。因此，無法從根本上同時達到精度、穩(wěn)定性和實時性標準。車輛路徑跟蹤橫向控制為重點研究內(nèi)容，充分發(fā)揮模糊控制及滑?？刂谱陨硭邆涞膬?yōu)勢特征，能夠集中凸顯滑模變結(jié)構(gòu)控制特點，且能夠快速響應(yīng)，也為順利實現(xiàn)橫向控制提供了便利。模糊控制對建模并沒有較高要求，自身具有較強的魯棒性與容錯性特征，能夠為多元化控制方法的有效集成提供便利條件。為此，可設(shè)計出一種智能車輛橫向軌跡跟蹤控制器，并借助方位偏差與水平偏差融合方法，來降低模糊控制維數(shù)，以便減輕計算工作，保證控制器實時性與穩(wěn)定性。此外，還應(yīng)該要測試控制器性能，如果最終測試控制效果良好，就可以保證控制的精度，滿足車輛路徑跟蹤需求，保證車輛運行安全[2]。

2 自動駕駛車輛路徑跟蹤控制算法

2.1 模型預(yù)測控制

重點描述模型預(yù)測控制（Model Predictive Control, MPC）工作機理，即每次在線求解開環(huán)優(yōu)化問題時，在獲取當前測量信息的基礎(chǔ)上，獲得控制對象上控制動作序列的第一個分量。在采樣中對其進行循環(huán)往復(fù)操作，在初始值測量條件下，預(yù)判系統(tǒng)動力學(xué)未來發(fā)展情況，并對車輛運行中存在的問題加以治理與解決，稱之為反饋控制策略。在運行過程當中，更應(yīng)該將預(yù)測模型控制的基本特性比如反饋校正、滾動優(yōu)化、預(yù)測模型，發(fā)揮最大的優(yōu)勢。在使用MPC算法時，可從三方面進行探尋，一是科學(xué)預(yù)判系統(tǒng)未來發(fā)展動態(tài)模型，二是優(yōu)化處理數(shù)值解，三是將最優(yōu)解合理應(yīng)用于系統(tǒng)中。在每次取樣時都應(yīng)加以重視，在借助模型預(yù)測控制時，應(yīng)將每次采樣時的測量值看作是預(yù)測未來系統(tǒng)動力學(xué)不可或缺的前提條件。MPC與傳統(tǒng)控制方法兩者之間存在明顯差異，最優(yōu)開環(huán)序列是憑借在線求解開環(huán)優(yōu)化問題所得來的，而在線求解開環(huán)優(yōu)化問題通常是離線求解一個反饋控制律，在系統(tǒng)運行中有一定體現(xiàn)[3]。

對于復(fù)雜度較低的自動駕駛汽車行程追蹤來說，一種基于非線性模型的預(yù)測控制器更為合適。為增強無人駕駛車輛動態(tài)性能，避免發(fā)生輪胎漂移及失穩(wěn)情況，并未對極限環(huán)附近輪胎的非線性摩擦問題給予重視，非線性模型預(yù)測控制引入的C/GMRES算法，更好地將自動駕駛車輛路徑預(yù)測模型與二自由度動力學(xué)模型相互融合；在此基礎(chǔ)上，設(shè)計出MPC軌跡跟蹤控制器，進而獲得橫向跟蹤誤差及方向盤轉(zhuǎn)角實時信息輸入。根據(jù)硬件仿真結(jié)果可知，在跟蹤誤差較小時，可滿足控制精度標準。UGV作為一種高級制導(dǎo)控制系統(tǒng)，非線性模型預(yù)測控制算法通過順序求解在線數(shù)值優(yōu)化，進而解決最優(yōu)控制和路徑規(guī)劃問題，通過在UGV實驗平臺上驗證，驗證了該算法的有效性與真實性。

2.2 比例-積分-微分控制

PID算法及其優(yōu)化算法被廣泛應(yīng)用于工業(yè)控制系統(tǒng)中，PID控制技術(shù)通過對Kp、Ki、Kd三個控制參數(shù)進行調(diào)整，其中預(yù)期結(jié)果比例參數(shù)Kp的作用為平衡控制器輸入與輸出二者之間關(guān)聯(lián)，為保證無人駕駛車輛路徑跟蹤精度，借助遺傳算法對PID控制器參數(shù)做適當修正，以便提升系統(tǒng)穩(wěn)定性與動態(tài)適應(yīng)性。在對無人機進行跟蹤控制時，可應(yīng)用PID控制方法，明確航跡偏離角與距離存在的誤差，根據(jù)模糊控制規(guī)則參數(shù)更改操作PID控制器，實現(xiàn)姿態(tài)和運動的自適應(yīng)，從而實現(xiàn)車輛路徑的自動跟蹤[4]。

由于控制器模型設(shè)計的不確定性，提出了一種將自適應(yīng)控制、反向繞組補償器和積分PID控制相結(jié)合的抗飽和補償器模型。通過設(shè)計視覺導(dǎo)航的自動駕駛車輛轉(zhuǎn)向控制系統(tǒng)的嵌入式PID控制系統(tǒng)，以方向盤轉(zhuǎn)角為輸入，跟蹤不確定的曲率軌跡，設(shè)計基于偏置電壓橫向曲率攝動的嵌入式PID控制系統(tǒng)，以抑制隨時間的線性增長。PID控制算法雖然能夠?qū)嶋H控制行為與控制對象之間的誤差消除，但是信號處理過程太過簡單[5]。

2.3 模糊控制

模糊控制即模糊邏輯控制，是集模糊語言變量、模糊集合論和模糊邏輯推理于一體的綜合型控制方法，在計算機數(shù)字控制技術(shù)有直接關(guān)聯(lián)。模糊邏輯控制算法是建立在目標搜索過程的數(shù)學(xué)模型分析語言，可直接翻譯成計算機語言。現(xiàn)實情況的工業(yè)控制中，被控制的數(shù)據(jù)模型相對精度較高。但由于受外界因素所影響，傳統(tǒng)控制方法無法達到滿意成果，也無法滿足精確數(shù)學(xué)模型需要。模糊概念的含義不能滿足非常精確的要求，在實踐中也存在不確定性。運行車輛本質(zhì)作為一種較為繁雜的非線性動力學(xué)系統(tǒng)，需要多種部件構(gòu)成，無法準確構(gòu)建數(shù)學(xué)模型。所以，從滑?？刂茖用鎭砜?，這是一個復(fù)雜而簡化的問題，需加以重視[6]。

根據(jù)車輛逆動力學(xué)控制理論，在建模中應(yīng)考慮車輛滾動自由度和構(gòu)建車輛三自由度輸入角的線性化模型，使用科學(xué)方法對車輛操縱性及穩(wěn)定性進行評估分析。因此，根據(jù)理想道路輸入，可選擇典型方法進行仿真。根據(jù)模糊控制在確定控制規(guī)則及隸屬函數(shù)后無法進行調(diào)整的實際情況，將模糊算法中邏輯推理與神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)能力進行融合，建立了一種角速度模糊網(wǎng)絡(luò)控制器。由于神經(jīng)網(wǎng)絡(luò)在自動駕駛中得到了廣泛應(yīng)用，該設(shè)計中利用神經(jīng)網(wǎng)絡(luò)兩個輸入?yún)?shù)位置誤差與向角誤差，采用由非線性模型演進的T-S模糊模型作為模糊控制器，對Lyapunov方法和線性矩陣不等式方法應(yīng)用進行分析，并對其真實性與有效性進行探尋。該方法基于機器視覺和模糊控制理論，選擇CMOS傳感器進行道路識別，通過對圖像處理技術(shù)進行探尋，畫出車道中心線。設(shè)計一種分層模糊控制器，通過額外的輸入納入車速反饋過程中，形成系統(tǒng)完整閉環(huán)。將這兩種模糊控制器結(jié)合起來控制車輛的行駛方向，并用模糊控制代替?zhèn)鹘y(tǒng)的PID控制來控制車速。與傳統(tǒng)的PID和模糊控制算法相比，改進后的模糊控制算法能夠保證智能車輛轉(zhuǎn)彎時穩(wěn)定運行，且超調(diào)量小。雖然模糊控制魯棒性強，對模型精度并無明確要求，但過多的模糊信息最終會影響系統(tǒng)精度[7]。

2.4 滑?？刂?/h3>

滑膜控制即結(jié)構(gòu)控制，作為一種非線性控制中獨特的控制，也是離散控制系統(tǒng)。與其他控制方法相比，主要不同之處在于系統(tǒng)結(jié)構(gòu)并不是完全固定，可以是動態(tài)過程。結(jié)合當前系統(tǒng)狀態(tài)實際運行情況，系統(tǒng)將沿著預(yù)定“滑?！边M行移動。可控制滑?？刂品椒?，也不會受目標物理參數(shù)所影響。此外，系統(tǒng)具有易于物理實現(xiàn)、響應(yīng)速度快、系統(tǒng)離線識別等特點。將滑?？刂婆c自抗擾融合在一處，將形成一種新型跟蹤控制方法，以便系統(tǒng)能夠快速響應(yīng)，從而保證系統(tǒng)穩(wěn)定運行。為了快速、準確地跟蹤偏航角，設(shè)計了一種非線性誤差率反饋自抗擾控制器（ADRC）[8]。

無人駕駛車輛二自由度模型與擴展狀態(tài)觀測器及非語言滑模車輛主動前輪轉(zhuǎn)向系統(tǒng)之間存在著內(nèi)在關(guān)聯(lián)，擴展觀測器主要作用在于預(yù)判與了解車輛的實時運行狀態(tài)，非線性滑?？刂破鞴δ苤饕w現(xiàn)在補償系統(tǒng)干擾與輸出控制參數(shù)方面，如果將二者結(jié)合，能夠從根本上提升無人駕駛車輛橫向穩(wěn)定性。研究了四輪驅(qū)動（4WS）自動駕駛汽車（AVS）的道路監(jiān)控問題。通過利用動力學(xué)模型對4WS進行誤差分析，發(fā)現(xiàn)4WA自動駕駛車輛對控制穩(wěn)態(tài)誤差有很好效果，但是FES方式依然不能徹底去除穩(wěn)態(tài)誤差問題[9]。將滑動角及滑?？刂茟?yīng)用其中的，無人駕駛車輛將不存在偏航和航向誤差，盡管車輛在極端情況下也能平穩(wěn)、安全運行。根據(jù)4WS自動駕駛車輛的動態(tài)特性，引入了新型魯棒滑?？刂破?，對4WS自動駕駛車輛的行駛軌跡跟蹤有較好的體現(xiàn)。根據(jù)相關(guān)理論分析及仿真結(jié)果可得，新型滑模魯棒控制器在參數(shù)變化及外界干擾等因素影響下，特別是在摩擦、粘著、縱向風(fēng)速等運行狀態(tài)下，具有良好魯棒性。為此，滑?？刂疲⊿MC）在特定狀態(tài)下會使系統(tǒng)產(chǎn)生顫振情況。但在系統(tǒng)模型無法順利建設(shè)的情況下，可借助自身優(yōu)勢來彌補不足缺失，以此來增強控制精度[10]。

3 優(yōu)勢及未來發(fā)展前景

在車輛無人駕駛跟蹤領(lǐng)域，基于幾何關(guān)系的幾何跟蹤方法自身具有較高可靠性，已成功應(yīng)用于車輛無人駕駛軌跡跟蹤中。目前，幾何跟蹤模型中以PurPursuit模型與Stanley模型為主，已被應(yīng)用于各種場景中，但由于固有的模型缺陷，且預(yù)覽距離對角度控制有很大影響，導(dǎo)致跟蹤性能較差，也有可能發(fā)生偏離道路情況[11]。雖然模型的優(yōu)化沒有增加復(fù)雜性，也能夠提升該模型的穩(wěn)定性，然而，由于優(yōu)化模型或現(xiàn)有幾何跟蹤模型的局限性，既沒有考慮車輛的形狀和路徑，也沒有考慮水平控制和垂直控制的耦合，這也是未來汽車路徑跟蹤中需要重點探尋的主要問題。該方法將模型控制方法與不同工況下的控制方法相結(jié)合，有效增強了車輛軌跡跟蹤的穩(wěn)定性，也保證了車輛運行的安全性。

4 結(jié)語

無人駕駛技術(shù)是一種較為復(fù)雜的非線性系統(tǒng)運行模式，實際工況相對復(fù)雜，在應(yīng)用過程中能夠充分發(fā)揮自身優(yōu)勢特征。由于自動控制方法還存在一定缺陷，帶有動態(tài)約束性能，這導(dǎo)致車輛軌跡跟蹤控制準確度受到了影響，因此，自動駕駛車輛路徑跟蹤控制應(yīng)考慮將多元控制方法進行結(jié)合，以便應(yīng)對動態(tài)模型對車輛運行安全性的約束，從而提高自動駕駛車輛行車精度，確保穩(wěn)定運行。