基于MPC車道保持功能的仿真平臺研究

郭丹丹 孫誠驍

摘 要：在汽車領域，智能駕駛技術方興未艾。為了保證新產品的應用，建立快速且行之有效的測試手段成為必然趨勢。文章采用dSPACE軟硬件建立了一套完整的自動駕駛仿真測試平臺，通過引入MPC車道保持算法并進行有效仿真及對比，驗證了該平臺的通用性，為ADAS及自動駕駛技術提供可靠的仿真測試解決方案。

關鍵詞：MPC;ADAS;硬件在環仿真;攝像頭模型

中圖分類號：U462.1? 文獻標識碼：A? 文章編號：1671-7988（2020）22-22-04

Abstract： With the growing maturity of ADAS and automatic driving， finding a rapid and feasible testing method is an inevitable trend. This paper built an integrated testing system as well as simulation platform for automatic driving function based on dSPACE software and hardware. Then an MPC algorithm was introduced and simulated in order to verify the versatility of this platform. This paper promoted a reliable testing solution for ADAS and automatic driving system.

Keywords： MPC; ADAS; Hardware in loop; Camera sensor modelCLC NO.： U462.1? Document Code： A? Article ID： 1671-7988（2020）22-22-04

前言

在汽車智能化趨勢的推動下，ADAS功能開發已成為研究熱點。隨之而來的問題是如何針對ADAS功能快速進行測試。如果采用國標、歐標定義的實車測試規范，需要耗費大量的人力、物力以及時間成本，因此需要開發一種新型測試平臺解決以上成本的消耗的問題。本文介紹了一種基于dSPACE平臺開發的硬件在環仿真（HiL）系統，可以在初期即完成ADAS功能的測試。本文通過對于一種MPC車道保持算法的仿真調試，證明該平臺的通用性，可以縮短ADAS開發周期，減少成本的投入。

1 MPC車道保持算法

模型預測控制（Model predictive control，MPC）是20世紀60年代逐步發展并日趨完善的現代控制理論。MPC對被測對象建立預測模型，在每一個采樣時刻通過模型進行有限時間的狀態預測以及誤差預測，并通過性能指標的最優化來確定下一時刻的控制輸入，以此達到控制目標。MPC通常包含模型預測、滾動優化及反饋校正三個環節[1]。

MPC由于其控制效果好，魯棒性強，輸入約束可控，能反映一定時間內的預測信息，特別適合作為自動駕駛的控制算法。本文所使用的ADAS車道保持系統采用的MPC算法核心如下[1]：

其中H為Hessian正定陣，它代表著目標函數的二次方部分，f為一次方部分。QR為權重矩陣，e為跟蹤誤差，Θ為預測窗口內狀態方程系數迭代形成的矩陣，ρ為權重系數。在實際控制系統中，控制輸入往往受到環境約束，二次規劃的優勢是可以將這些約束也納入到整個規劃的過程中去，具體參數設計請參考文獻[4]。

2 基于dSPACE的ADAS硬件在環系統

硬件在環（Hardware in Loop，HiL）系統是一種半物理仿真測試手段。該系統模擬實車運行時的電氣信號，為被測控制器提供虛擬外圍環境，從而完成測試。HiL系統的使用可有效節省成本，加速整個開發進度，滿足當前市場的快速迭代需求。

dSPACE實時仿真系統是由德國dSPACE公司開發的一套基于MATLAB Simulink的控制系統開發及半實物仿真的軟硬件工作平臺。包括實現代碼自動生成、下載和試驗、調試的整套工具。本文采用dSPACE平臺搭建了一套完整的測試系統。HiL平臺通過仿真模型驅動IO設備對待測控制器的外圍環境進行模擬，從而實現功能測試的目的。其結構如下：

其中，上位機是人機交互的平臺。實現仿真模型的搭建、工程的配置以及對于整個平臺的監控。仿真模型對于HiL仿真是至關重要的部分。本文采用一套基于Matlab/Simulink搭建的，包含動力、傳動、運動學、傳感器、環境等完整的仿真模型。能夠準確模擬ADAS對車輛的輔助操作行為、車輛實時姿態及路徑、環境及路面激勵的響應。下位機又叫實時仿真機，它是仿真模型運行以及信號收發的基礎設備。

本文中ADAS在系統運行時，車輛模型模擬出真實汽車的運動狀態，傳感器模型模擬出車道線、路肩、交通流等信息，通過通訊口將信號傳遞給ADAS控制器。ADAS控制器通過傳感器融合，路徑規劃、控制算法輸出橫向執行器需要的執行量，反饋到車輛模型中，形成閉環控制。

3 仿真模型

本文采用dSPACE提供的ASM模型，ASM 整車模型主要有五大部分組成：控制器模塊、發動機模塊、動力傳動模塊、車輛動力學模塊、駕駛環境模塊。該模型為成熟商用模型[6]。需要指出的是，ASM模型輸出的是道路環境真值（Ground truth），而被測ADAS控制器所需信號是經過攝像頭處理的，所以需要對ASM提供道路真值進行二次開發，匹配真實信號。下面介紹攝像頭模型二次開發方法。

3.1 攝像頭模型

本文所涉及的ADAS控制器，需要前攝像頭、前雷達與前角雷達組成傳感器矩陣采集的數據作為輸入，對傳感器輸入數據進行融合后交由ADAS控制器進行判斷。而本文所采用的MPC算法，主要依靠攝像頭的采集信息，所以攝像頭模型的輸出信號需要與ADAS的真實攝像頭輸出信號匹配。

本文基于dSPACE的車道輸入將前方車道分成六類，左側、右側第一條車道線，左側、右側第二條車道線，左側、右側路沿。

4 仿真及驗證

本文旨在驗證仿真平臺的適用性。將第二節所建立的MPC算法生成代碼并下載入ADAS控制器中，通過dSPACE Modeldesk生成道路場景，自車速度為15m/s，車道寬度為3.5m，道路為1000m直道，起始位置為車道中心線左側0.5m，車頭朝向與道路方向平行，采用MPC算法與PID算法分別在仿真平臺上運行，得到結果如下：

通過仿真結果可以看到，采用MPC控制算法可以將自車在5s內從偏離車道0.5m的位置拉回正中，并且在整個過程中，由于目標函數的作用，控制量過渡迅速且幅值震蕩小。而采用PID算法，控制量的幅值震蕩較大，且橫向距離收斂到0的時間需要9.5s。在同樣的道路環境下，本文所采用的MPC算法由于加入了目標函數，限制輸入量的上下限及變化率，在駕駛感受上能夠更好地輔助駕駛員進行車道保持。

5 結論與展望

本文介紹了一種運用dSPACE軟硬件搭建仿真平臺的方法，并且提出攝像頭模型二次開發的思路。本文通過該仿真平臺模擬車輛真實行駛過程，對兩種不同的ADAS車道保持功能的表現進行測試并分析結果。采用本平臺，不僅可以對橫向控制算法進行調試驗證，諸如AEB，ACC，LKA等L2甚至L3，L4級別的自動駕駛算法都可以在本平臺上進行有效的測試。未來，本平臺還可擴展出使用視頻流注入、點云信號注入、高精地圖信號注入的自動駕駛域集成仿真。可對多傳感器融合，高精定位等高級功能進行更深入的探索。

參考文獻

[1] 龔建偉，姜巖，徐威.無人駕駛車輛模型預測控制[M].北京：北京理工大學出版社，2014.

[2] M. G. da Silva Jr， Model Predictive Control of a Mobile Robot Using Linearization[J].Proceedings of the Mechatronics and Robotics 2004，pp. 525-530.

[3] 羅莉華.基于MPC的車道保持系統轉向控制策略[J].上海交通大學學報（自然版）， 2014， 48（07）：1015-1020.

[4] Falcone P.Nonlinear model predictive control for autonomous vehicle [D]. Benevento： Universitàdel Sannio， 2007.

[5] 席裕庚，李德偉，林姝.模型預測控制—現狀與挑戰[J].自動化學報， 2013， 039（003）：222-236.

[6] 馬培蓓，吳進華，紀軍，等.dSPACE實時仿真平臺軟件環境及應用[J].系統仿真學報，2004（04）：57-60.