無人駕駛汽車縱向速度控制研究＊

杜利民，李剛，武霖，白鴻飛，李玉治

（遼寧工業大學 汽車與交通工程學院，遼寧 錦州 121001）

引言

北京理工大學朱敏等人，以無人駕駛輕型戰術輪式越野車輛為平臺，開展模型預測縱向速度跟蹤控制實車試驗研究[1]。針對智能電動汽車的縱向控制在不確定性干擾下存在非線性、強時變特征，李文昌等人提出一種分層控制架構下的智能電動汽車縱向跟車運動自適應模糊滑模控制方法[2]。羅玉峰等人為提升智能駕駛路徑跟隨行駛性能，通過分析國內外智能駕駛縱向控制的直接式和分層式設計方法，論述了縱向控制理論方法和技術應用的研究現狀[3]。高峰等人針對汽車縱向動力學模型的大不確定性,設計了一種基于魯棒控制理論的汽車縱向加速度多模型分層切換控制系統。通過分析汽車縱向動力學特性,用4 個不確定模型覆蓋對象不確定性,并應用LMI 方法設計對應的魯棒性能控制器集合。考慮魯棒控制系統的特點,設計了一種對不確定性的系統增益進行估計的切換指標函數,以選擇控制器進行控制。實驗表明,提出的方法在大不確定性下可以對縱向加速度有效控制[4]。在美國開始自動轉向控制研究的同一時期，英國和日本也先后開始了車輛自動轉向控制的研究工作。英國的道路研究室（Road Research Laboratory, RRL）在上世紀60 年代末對其設計的自主轉向控制系統進行了實驗驗證；結果表明，連接該控制系統的智能車輛，其在直線道路上的側向跟蹤誤差只有2cm[5]。日本通產省的機械研究所（Mechanical Engineering Laboratory, MEL）則在1967 年成功實現了較高速度（100 km/h）下的車輛無人駕駛控制[6]。本文針對無人駕駛汽車在上下坡道的過程中，汽車縱向速度對行駛狀態影響較大的問題，提出了一種針對無人駕駛汽車在路徑跟蹤過程中的縱向速度控制方法。

1 坡道速度增量預估模型

對理想的水平路面上行駛的無人駕駛汽車而言，路面條件變化不大，可以基本滿足在實際無人駕駛汽車對縱向速度穩定性的要求。但是，當行駛路面變化比較明顯時，即存在較大的坡道，由于汽車重力的影響，上坡時實際縱向速度會低于期望縱向速度，下坡時實際縱向速度會大于期望縱向速度。當這些情況出現的時候，就會對無人駕駛汽車的行駛狀態造成比較大的影響。

如圖1 所示，即為無人駕駛汽車在坡道上的受力分析情況。

g 為重力加速度，αslope為坡道傾斜角

在坡道上汽車由重力加速度產生的加速度為：（1）式中aslope下坡時符號為正，上坡時符號為負。

在實際應用中可以用車身俯仰角代替坡道傾斜角，車身俯仰角可以由傳感器測得。而本文采用Simulink 與Carsim聯合仿真的方法，所以坡道傾斜角可以通過Carsim 道路建模設置為定值，這樣的仿真過程更加簡單可靠。

無人駕駛汽車在一個控制周期T 內因坡道產生的速度增量為：

（3）式中，vd為期望縱向速度、v1為實際縱向速度。坡道預估速度跟蹤邏輯框圖，如圖2 所示。

圖2 坡道預估速度跟蹤邏輯框圖

2 縱向速度控制器

縱向速度控制器采用增量PID 控制算法，輸入為式（3）中的速度偏差，輸出為期望縱向速度，增量PID 的計算公式如式（4）。

Kp、Ki、Kd分別為比例、積分、微分系數，u(k)表示第k個采樣時刻的控制量，e(k)表示第k 個采樣時刻的速度輸入偏差。

3 實驗仿真

本文采用Simulink 和Carsim 聯合仿真的方法，進行控制算法的實驗驗證。在Carsim 中設置道路為存在高為5m 的凸包，即無人駕駛汽車在仿真初始時刻，先走一段水平路線，然后上坡，到達坡頂之后開始下坡，縱向速度設置為10km/h。由于仿真環境設置為直線，所以在Carsim 模型輸入包括：期望縱向速度、兩個前輪轉角、兩個后輪轉角，前后輪轉角設置為0，保證車輛模型直線行駛不跑偏。

縱向速度為10km/h 的時候，縱向速度隨無人駕駛汽車行駛距離的變化趨勢如圖3 所示。

圖3 10km/h 的實際縱向速度變化趨勢

由于，在仿真過程中無人駕駛汽車的初始縱向速度為0km/h。所以，在0-6m 汽車的縱向速度產生比較大的變化是因為，這一段距離是無人駕駛汽車的起步階段，縱向速度從0km/h 加速，然后減速到10km/h，這是正常的行駛狀態。從6m 以后無人駕駛汽車的縱向速度不會因為路面坡度的影響產生劇烈的變化，從數據中可以看出輸出結果十分穩定，達到了無人駕駛汽車在受到路面坡度的影響時，仍然以穩定速度行駛的要求。

4 總結

由以上實驗可以得出，該控制算法在路面條件發生改變的時候，能夠對無人駕駛汽車的縱向速度控制起到很好的控制作用，能夠將實際縱向速度穩定在期望期望速度附近。從而改善無人駕駛汽車的行駛穩定性，避免了由于無人駕駛汽車運行狀態對縱向速度變化具有較高的敏感性，在縱向速度發生改變的時候，無人駕駛汽車的運行狀態不可控。