汽車智能自動駕駛的PID控制方法研究

張海亮　張娟萍　池榮虎

摘 要：自動控制系統是自動駕駛汽車的大腦與核心，控制理論和控制算法的研究決定了自動駕駛控制系統的發展與應用。本文以智能自動駕駛車輛為研究對象，簡要介紹了經典PID控制方法和自抗擾控制方法等常用控制算法;針對智能汽車系統，分別利用PID和ADRC的控制方法設計控制器，并進行分析;最后，在MATLAB環境對路徑跟蹤進行了仿真，驗證了所提出的兩種算法的有效性。

關鍵詞：智能汽車自動駕駛 PID控制 自抗擾控制（ADRC） 路徑跟蹤

Research on PID Control Method of Automobile Intelligent Autopilot

Zhang Hailiang，Zhang Juanping，Chi Ronghu

Abstract：The automatic control system is the brain and core of the self-driving car. The research of control theory and control algorithm determines the development and application of the automatic driving control system. This article takes the intelligent autonomous vehicle as the research object， briefly introduces the classic PID control method and the auto disturbance rejection control method and other common control algorithms; for the intelligent car system， the paper uses the PID and ADRC control methods to design and analyze the controller; finally the path tracking is simulated in the MATLAB environment to verify the effectiveness of the two proposed algorithms.

Key words：smart car autonomous driving， PID control， active disturbance rejection control （ADRC）， path following

伴隨基礎設施的智能化升級、新能源快速發展、人工智能技術進步、互聯網技術和共享經濟的普及，自動駕駛技術迎來了新的發展機遇。與傳統汽車相比，自動駕駛汽車在保障交通安全、緩解交通堵塞、降低燃油消耗、便捷公眾出行、改善出行體驗等方面有著非常明顯的優勢。國際汽車制造商如Ford、Audi、Tesla等，以及Google、Baidu等互聯網企業，都在積極推進自動駕駛技術研發與應用。控制理論和控制算法的研究決定了自動駕駛控制系統的發展與應用。

1 控制算法

自動駕駛汽車的控制算法決定了控制系統是否可以完成控制任務。從自動駕駛概念提出發展到現在，應用于自動汽車駕駛的控制方法不斷發展，許多算法被廣泛應用，例如：無模型自適應控制，人工神經網絡控制，模型預測控制，模糊自適應控制。

1.1 無模型自適應控制

無模型自適應控制是一種不需要完成繁瑣和耗時的建模工作的自適應控制方法，由總部位于美國加州的Bosoft研發。迭代學習控制（ILC）是一種針對重復運行的系統而設計的控制技術，主要應用于非線性系統的路徑跟蹤過程中。由于迭代學習控制方法基本采用固定學習增益法，池榮虎[1]等學者提出了通過在迭代域中使用動態線性化技術的無模型自適應迭代學習控制法（MFAILC）。

1.2 模型預測控制

模型預測控制是一種專注于研究過程控制的方法，廣泛應用在機器人、飛行器、網絡系統領域中。模型預測控制是依靠于過程的動態模型，通常情況下利用系統識別來獲得線性經驗模型，具備其他控制方法沒有的預測將來事件的能力，因而它可以提前針對即將發生的事件采取相應的調控行為。R Lenain， B Thuilot等采用了模型預測控制策略[2]，解決了驅動延遲和車輛慣性對汽車自動駕駛路徑跟蹤的影響，通過實例驗證了控制策略的有效性。

1.3 人工神經網絡控制

人工神經網絡控制是一種由大量人工神經元聯結計算，能在外界信息的基礎上改變內部結構的自適應系統。神經網絡通過訓練樣本學習，對各個層的權重進行校正，通過創建模型的自動學習過程達到控制目的。在S Baluja[3]提出了一種基于ANN的自動駕駛汽車控制器設計方法，探討了利用進化算法訓練人工神經網絡高階計算的方法。

1.4 模糊自適應控制

模糊自適應控制融合了模糊控制和自適應控制兩種控制方法，是一種具備自適應能力的新型控制方法。模糊邏輯可以通過操作人員可以理解的方式來解決問題，可以利用經驗實現控制器的設計，大量應用于機器控制。

2 控制系統的設計及分析

隨著人工智能和自動控制控制技術等控制領域相關技術和理論的發展，許多新型有效的智能控制算法被設計出來了，它們不斷的推進著自動駕駛汽車的全自動化控制能力，使得自動駕駛汽車由遙控控制到半自動控制再到全自動控制的不斷發展。

2.1 PID控制

如圖1所示，PID控制器由Proportional，Integral，Differential三部分組成，通過三個參數的設定來實現控制任務。PID控制器使用連續計算錯誤值的作為期望的設定點（SP）和測量的過程變量（PV）之間的差值，并且基于給出控制器名稱的比例，積分和微分項（分別表示為P，I和D）應用校正。因此，PID控制的三部分可以看作是對當前誤差、過去累計誤差和未來誤差的處理。

2.2 ADRC控制器

自抗擾控制技術[4]是韓京清于上世紀80年代提出的一種新型控制方法。ADRC控制器基于系統模型的擴展，并附加一個虛擬的狀態變量。虛擬狀態通過狀態觀察器在線估計并用于控制信號以便將系統與作用于工廠的實際擾動分離。這種干擾抑制功能允許用戶使用更簡單的模型處理所考慮的系統，因為建模不確定性的負面影響將得到實時補償。ADRC控制器由安排過度過程、擴張狀態觀測器和狀態反饋控制律三部分組成，如圖2所示。

自抗擾控制器的核心在于它的狀態擴張觀測器，相比較于PID控制器，ADRC控制器能夠更好的完成控制任務。但在實際的設計中，ADRC控制器的參數數量繁多且比較復雜難以調節。紀恩慶，肖維榮[5]通過線性簡化和參數整合建立了簡化的線性自抗擾控制器，為本文的ADRC控制器設計啟發了建設性的思想。

3 控制系統的仿真

雖然在真實環境下自動駕駛汽車實際的行駛過程中路徑復雜且具有不確定性，直線行走和變換車道進行正弦函數曲線下的路徑跟蹤是自動駕駛汽車駕駛過程中的兩個基本行為。如果在以上兩種情況下，路徑跟蹤控制能夠取得良好的控制效果，那么在復雜環境下曲線路徑跟蹤控制也是有效的。為了驗證控制方法的有效性，在MATLAB平臺下對兩種自動駕駛汽車控制模型進行仿真研究。

3.1 PID控制器的路徑跟蹤仿真

自動駕駛汽車在期望路徑為橢圓和直線時設初始期望條件分別為xt（0）=2，yt（0）=0，θt（0）=0和xt（0）=0，yt（0）=0，θt （0）=actan2，控制輸入為u0 （t）=0，即vc=0，ωc=0。仿真過程中的采樣時間ts取0.001s。根據以上條件在MATLAB仿真程序中得到如圖3的仿真結果：

3.2 ADRC控制器的路徑跟蹤仿真

自動駕駛汽車在期望路徑為橢圓和直線時設初始期望條件分別為xt（0）=0，yt（0）=0，θt（0）=0和xt（0）=0，yt（0）=0，θt（0）=actan2控制輸入為u0 （t）=0，即vc=0，ωc=0。仿真過程中的采樣時間ts取0.001s. 由此我們可以得到以下仿真結果，如圖4所示。

3.3 仿真結論

ADRC控制器與PID控制器沒有本質或者機構上的區別，它是PID控制技術的繼承與延伸，或者說ADRC控制器本身就是PID控制器與狀態觀測器前饋補償結合的結果。從仿真結果可以看出：ADRC控制器完全能夠應對對控制精度相對較高的被控對象模型，提出通過觀測緩慢變化的未知項來對其提供前饋補償的新型提高控制器性能的思路，為控制器的發展起到了積極借鑒作用。

4 結語

目前，國內外相關研究機構和汽車生產商都在圍繞自動駕駛、車聯網、人機交互技術開展廣泛的研發。隨著科學技術的發展與市場需求的拓展，自動駕駛的發展趨勢已成必然。復雜性和極度不確定性是自動駕駛汽車駕駛過程最明顯的特性，過程控制理論與算法的研究對自動駕駛的發展具有極其重要的影響。在未來，人車交互（V2H）、車與車交互（V2V）和車與基礎設施交互（V2I）技術的發展將提供更全面、更實時、更精準的信息，基于大數據、人工智能算法和深度學習的控制過程模型將迎來新的發展。

參考文獻：

[1]池榮虎，侯忠生，于鐳，隋樹林.高階無模型自適應迭代學習控制.控制與決策，2017，23（7）：795-798.

[2]R Lenain，B Thuilot，C Cariou.Model predictive control for vehicle guidance in presence of sliding：application to farm vehicles path tracking[J].IEEE International Conference on Robotics & Automation， 2005：885-890.

[3]S Baluja.Evolution of an artificial neural network based autonomous land vehicle controller IEEE Transactions on Systems[J]. IEEE International Conference on Robotics & Automation，1996，26（3）：450-463.

[4]李杰，齊曉慧，萬慧，夏元清.自抗擾控制：研究成果總結與展望.控制理論與應用，2017，34（3）：281-295.

[5]紀恩慶，肖維榮.二階自抗擾控制器的參數簡化.自動化儀表，2007，28（5）：27.