基于預瞄的智能車輛路徑跟蹤控制探討

摘 要：各種智能技術的出現已經極大地改變了現代社會發展的趨勢，帶來了眾多便利。智能技術也已經成為了眾多社會生產實踐過程中的重點研究對象，具有較強的研究意義。將智能技術應用在車輛路徑跟蹤控制中能夠使得車輛行駛更加智能化，降低駕駛難度，提高車輛安全性以及舒適性，帶來較強的經濟效益。本文將對基于預瞄的智能車輛路徑跟蹤控制進行深入研究。

關鍵詞：智能技術；路徑跟蹤控制；預瞄

隨著社會的不斷發展，人們的需求日趨增高，要想滿足人們的需求，技術必須走在前列，而要提高技術，必須運用更智能化的技術。在研究智能車輛路徑跟蹤控制過程中，首先就需要將車輛的行駛過程進行建模，使用動力學模型中的一些基本知識，將車輛視為四輪的機器人剛性結構。將車輛行駛過程中輪胎的側偏過程中發生的動力學轉變來應用最優控制理論，使得智能車輛行駛跟蹤偏差明顯降低。使用預瞄的LQR方法能夠很好地考慮到前方路況特征的情況，使得智能車輛行駛過程更加優質。

一、車輛以及道路預瞄模型

在車輛的行駛過程中，涉及到多種因素，為了能夠便于研究分析，這里將車輛看作是一個擁有一定速度向前行駛的剛體，這樣就可以應用動力學進行分析。車輛實際的各個行駛過程看作是前輪轉角進行橫擺旋轉或者是側向平移運動。汽車受到的各種力的種類比較多，不同的力都會對汽車的行駛狀況構成不同的影響。在建立的模型中，控制器中使用的是離散數字控制，這樣就能夠得到的方程能夠確定出該車輛的轉向盤轉角控制量。

在應用道路預瞄模型時，主要是采用的局部坐標系方向固定不變，這樣在車輛各種運動狀態以及受力變化的過程中，就能夠更加直觀的反映出車輛坐標系以及局部坐標系之間的夾角，這也是一個變化的量。但是在這種控制過程中，一旦出現車輛朝向角和x軸夾角過大時，就會出現參考位置的變化，這種方程式的缺陷逐漸凸顯，也就是對環境的適應能力比較差。因此就需要改進這一缺陷，針對這一情況，直接將局部坐標系使用車體坐標系作為參考，這樣就使得在車輛運動的過程中，隨著車體坐標系的變化，沿x軸的參考位置也會發生變化。最終呈現出來的優勢就是能夠很好的提高算法的適應性，使得建立的模型更加合理，能夠得到更加精確的數據信息。

二、LQR最優預瞄控制

2.1 算法優化過程

通過上述模型方程式的建立，能夠建立起道路預瞄模型的參考方程式，并相應的建立起目標函數，使得構成比較系統完善的模型。得到的目標函數中，主要是采用LQR標準的二次型形式，其中比較重要的有兩個方面，分別是路徑跟蹤的橫向與角度的綜合偏差以及車輛航向角和道路朝向角，第一個部分和第二個部分對于研究標準的離散LQR控制問題就有較強的現實意義。在實際的研究過程中，一旦出現道路預瞄窗口較大的情況時，就會使得建立起的方程式比較復雜，將這些方程式應用代數知識轉換成矩陣形式，也就是說明矩陣的維數有所增加。那么在本文研究的智能車輛路徑跟蹤控制過程中，會造成系統的計算量大大增加，求解難度加大，計算時間有所延長，因此不利于實現。仔細研究這一過程，可以發現在矩陣運算變化之后，其中只有車速是動態變化的，其他的矩陣元素都基本上是固定的。為了解決上一個難題，可以采用查表法，這樣很多參數都能夠直接通過在線查表的方式獲得。查表法中應用的數據可以提前經過計算得到，這樣就使得實際的控制過程十分便捷，能夠達到比較好的控制效果，降低計算量，提高算法的實時性。

2.2 對比測試研究

上述內容對基于預瞄的智能車輛路徑跟蹤控制進行了說明，建立起了比較合理的動力學模型以及科學的算法，從理論上來說，已經達到了比較好的控制效果。為了能夠更加清晰直觀的對這種控制模式帶來的優勢進行研究，采用了CarSim和Simulink進行聯合仿真，在仿真過程中選用和真實車輛相同的參數，根據一些模擬的情況來對車輛路徑跟蹤能力進行測試。為了確保這一技術能夠在更多的環境下使用，這里在一些常規的行駛環境和極限行駛環境進行了仿真測試。設置LQR控制器預瞄周期為1s，權重矩陣系數為 。經過相同條件的對比測試，從結果中看出，LQR控制器和MPC控制器的跟蹤性能都比較好，但是LQR的最大跟蹤偏差相對比較小，也就是跟蹤性能更好。但是在側偏角約束方面，LQR的表現情況比較差，在一些極限環境下，出現了一些側滑現象。因此最終展現為：在未達到極限行駛環境的條件下，LQR控制器的效果更好，優化效果更明顯，但是一旦遇到了極限環境，LQR控制器容易使車輛出現側滑現象，因此在應用該方案時，需要著重注意這一點，否則就有可能出現不良后果。最后，經過對紅旗H7轎車進行了實車研究，測試的環境有長直線、長彎、環島、直角彎等，這些都是車輛在城市行駛過程中經常會遇到的情況，最終展現出的跟蹤精度比較高，轉向盤轉動也持續處于比較平穩的狀態。

三、結語

本文對基于預瞄的智能車輛路徑跟蹤控制進行了研究，針對LQR最優控制方法存在運算量過大的問題，這里采用了查表法，使用離線優化的方法，使得計算更快，運算量更小，這樣就會使得車輛在行駛過程中對各種道路因素的反應更加迅速，并且具有較好的跟蹤精度。但是LQR最優控制方法在一些極限行駛情況下，可能會造成出現側滑的現象，因此就需要著重改善這一問題。可以通過對輪胎進行有針對性設計，提高輪胎的抓地力，優化輪胎模型，這樣能夠很好的確保車輛的穩定性，并能夠在一定程度上促進智能汽車產業的發展。

參考文獻：

[1]高洪波，李升波，謝國濤，成波.智能汽車橫向軌跡跟蹤的離散時間模型預測控制[J].指揮與控制學報，2018，4（04）：297-305.

[2]王曉，要婷婷，韓雙雙，曹東璞，王飛躍.平行車聯網：基于ACP的智能車輛網聯管理與控制[J].自動化學報，2018，44（08）：1391-1404.

[3]姜立標，吳中偉.基于趨近律滑模控制的智能車輛軌跡跟蹤研究[J].農業機械學報，2018，49（03）：381-386.

[4]李進，徐朝勝，陳杰平，李忠芳.基于集散決策體系結構的智能車輛自主導航[J].控制工程，2012，19（04）：728-732.

[5]高德芝，段建民，鄭榜貴，田炳香.智能車輛環境感知傳感器的應用現狀[J].現代電子技術，2008（19）：151-156.

[6]王榮本，張榮輝，金立生，郭烈.區域智能交通車輛系統發展及其關鍵技術綜述[J].汽車工程，2007（03）：179-182.

作者簡介：

王新煒，1997.11.11，男，漢，山東濟南，聊城大學本科.