智能汽車自適應工況路徑跟蹤控制

摘 要： 為解決車輛在不同路面附著系數和曲率條件下跟蹤精度問題，提出一種汽車自適應工況路徑跟蹤控制器。首先，基于三自由度車輛動力學模型建立模型預測控制構架，利用Dugoff 輪胎模型結合容積卡爾曼濾波算法估算出路面附著系數，根據車輛操作穩定性評價指標擬合路面附著系數與最優車速曲線；根據不同的車速和曲率，利用蟻群算法優化得到不同工況下最優預測時域和控制時域，設計一種自適應參數時域的MPC 控制器。在Carsim/Simulink中進行仿真實驗，結果表明：自適應參數時域的MPC 控制器在不同工況下會采取合適的時域參數，與傳統MPC 控制器相比，在路面附著系數和道路曲率變化的路徑跟蹤中，最大側向偏差縮小71%，最大橫擺角誤差縮小84.5%，最大質心側偏角縮小23%?？梢?，該文設計的自適應時域參數控制器更穩定，跟蹤效果更好。

關鍵詞： 路徑跟蹤; 模型預測控制; 路面附著系數估計; 蟻群算法

中圖分類號： U461.6; TB9 文獻標志碼： A 文章編號： 1674–5124（2024）09–0037–09

0 引 言

近年來，許多學者對智能汽車的路徑跟蹤控制進行了大量的研究。路徑跟蹤控制是智能車輛的核心技術之一，其使汽車按照所規定路徑行駛，并保障其操作穩定與安全[1]。目前常用的軌跡跟蹤方法有純跟蹤算法、比例-積分-微分控制（proportionalintegral-derivative control，PID） 算法、線性二次型調節器（linear quadratic regulator，LQR） 算法、模型預測控制（ model predictive control， MPC） 算法等[2-6]。其中MPC 算法相較于其他算法具有很好的抗干擾性和魯棒性，并且在求解帶有約束優化問題方面有很大優勢[7]，近年來被廣泛應用于智能汽車路徑跟蹤研究中。

但是現有的MPC 控制器大多數都是在固定工況下完成汽車智能駕駛的，而在復雜工況下的研究較少。查云飛等[8] 通過仿真驗證了在低路面附著極限條件下，車輛容易失控偏離車道，路面附著系數對行車安全具有很大影響。李伯雄等[9] 設計了一種基于擴展卡爾曼濾波識別路面附著系數的控制器，但其在固定參數工況下進行，沒有考慮變工況。辛喆等[10] 利用YALMIP 和GUROBI求解MPC 問題，但是在低附著路面工況下，MPC 控制器以犧牲部分路徑跟蹤性能來保障車輛穩定性。張澤琪等[11]為提高車輛在高速工況下路徑跟蹤穩定性，設計了模糊控制器來改善車輛高速行駛過程中面對道路環境改變或極端工況中不確定問題，但是實驗工況單一，沒有考慮路面附著系數對車速的影響。王藝等[12]為解決車輛自主轉向問題，提出了一種基于不同車速工況下的3 種時域參數組合劃分來完成不同工況路徑跟蹤任務，但是控制參數單一，適用路徑工況較少。王銀等[13] 為了解決車輛轉向問題，提出了一種變參數的車輛軌跡跟蹤方法，在不同速度和道路下完成跟蹤任務?，F有的軌跡跟蹤控制研究大多是針對單一工況，在地附著路面、變工況下研究相對較少，且在自適應參數控制研究中大多只選擇控制一個參數，路徑跟蹤的精度和穩定性仍然存在問題。

為了提高車輛在變路面附著系數和道路曲率下軌跡跟蹤精度和穩定性，提出一種自適應工況軌跡跟蹤控制方法，首先建立三自由度車輛動力學模型，基于模型預測控制原理建立路徑跟蹤控制器，然后建立Dugoff 輪胎模型，并利用容積卡爾曼濾波估算路面附著系數，求出在該路面附著系數下軌跡跟蹤的最優車速。根據車速和道路曲率，利用蟻群算法優化得到最優預測時域和控制時域， 并反饋給MPC 控制器，從而實現自適應路徑跟蹤控制，最后通過Carsim/Simulink 進行仿真驗證。

1 車輛動力學模型的建立

本文主要研究在復雜工況下前輪轉向對路徑跟蹤控制的影響，三自由度車輛動力學模型在橫向、縱向和橫擺3 方面都能較為準確地反映出跟蹤狀況，因此，精準的動力學模型是MPC 算法的基礎。本文對車輛動力學模型做出以下理想的假設：1） 車輛行駛于水平無坡度路面，忽略車輛的垂向運動；2）將車輛模型簡化為單軌模型，忽略載荷轉移；3） 忽略輪胎力橫縱向耦合關系，只考慮輪胎側偏特性；4） 忽略空氣阻力對車輛影響。

綜上，建立三自由度車輛橫向動力學模型如圖1所示。