基于聯合仿真的智能車路徑跟蹤控制研究

摘 要：智能車輛是智能交通領域的研究熱點，其路徑跟蹤控制技術是實現自動駕駛的關鍵技術之一，然而，由于車輛行駛環境的復雜性和不確定性，路徑跟蹤控制面臨許多挑戰。為了解決這一問題，提出了一種基于聯合仿真的智能車輛路徑跟蹤控制方法，旨在通過仿真手段設計和優化路徑跟蹤控制系統。

關鍵詞：聯合仿真 智能車路徑跟蹤 控制研究 Matlab/Simulink

隨著智能交通系統的快速發展，智能車輛是其中的重要組成部分，對其路徑跟蹤控制技術的研究尤為重要，通過ADAMS/Car和Matlab/Simulink軟件平臺的聯合仿真，實現了智能車路徑跟蹤控制系統的設計和優化。研究結果表明，所設計的路徑跟蹤控制系統能夠準確跟蹤不同曲率的期望軌跡，具有良好的動態特性和魯棒性。

1 系統建模與仿真平臺

1.1 車輛動力學模型構建

本文利用ADAMS/Car軟件平臺對智能車的復雜結構進行了詳細的建模，對車輛底盤、懸架系統、轉向系統等關鍵部件進行精確的幾何建模和物理參數設定，底盤模型考慮了車輛的質量分布、慣性矩等關鍵參數。懸架系統模型涵蓋了彈簧、減震器等部件的剛度和阻尼特性，轉向系統模型詳細描述了轉向機構的運動學和動力學特性。例如，底盤模型質量設定為1500kg，根據車輛結構精確計算轉動慣量。懸架系統的彈簧剛度設置為20000N/m，減震器的阻尼系數設置為300 ns/m，轉向系統的轉向比設置為15∶1，保證轉向的靈敏度和準確性。[1]通過ADAMS/Car仿真分析，驗證了車輛動力學模型的準確性，在典型工況下，模型的行駛軌跡、速度和加速度等關鍵參數與實際情況基本一致，為后續的路徑跟蹤控制研究提供了可靠的依據。

1.2 仿真平臺的選擇和配置

ADAMS/Car憑借其強大得多體動力學仿真能力，可以準確模擬車輛在各種工況下的動態響應，Matlab/Simulink以其靈活的編程環境和豐富的算法庫，為路徑跟蹤控制算法的設計提供了方便。在仿真平臺配置方面，通過接口程序實現了ADAMS/Car與Matlab/Simulink之間的數據交互。具體來說，ADAMS/Car將車輛動力學模型的實時狀態信息傳輸給Matlab/Simulink，Matlab/Simulink根據這些信息設計計算控制策略，然后將控制指令返回給ADAMS/Car，驅動車輛模型進行下一步仿真。為了驗證仿真平臺的可靠性，本文進行了多次仿真測試，結果表明，ADAMS/Car與Matlab/Simulink之間的數據交互穩定可靠，仿真結果準確反映了不同控制策略下車輛的動態響應。

1.3 路徑跟蹤控制算法設計

根據車輛的運動學模型和位姿誤差模型，計算車輛實際位置與預瞄點之間虛擬路徑的跟蹤誤差，根據跟蹤誤差和車輛狀態信息，設計并計算期望橫擺角速度，期望橫擺角速度通過控制算法轉化為具體的轉向控制指令，使車輛沿著期望路徑行駛。在具體的算法設計過程中，本文采用滑模算法來提高系統的魯棒性和穩定性，為了進一步提高控制精度和跟蹤性能，引入RBF神經網絡算法對參數進行優化，大量仿真試驗驗證了所設計的路徑跟蹤控制算法的有效性和準確性，在典型工況下，車輛的側向偏差和方向偏差被控制在很小的范圍內，系統響應迅速而穩定。

1.4 模擬結果分析和驗證

在每種工況下，詳細記錄車輛軌跡、速度、加速度、側向偏差、方向偏差等關鍵參數，仿真結果表明，車輛軌跡與預期路徑基本一致，在直線路況下，側向偏差和方向偏差控制在較小范圍內。在曲線路況下，車輛能夠準確跟蹤期望路徑，系統響應迅速穩定，在復雜的道路組合條件下，車輛也能應對各種道路變化，保持穩定的行駛狀態。此外，通過比較不同控制策略下的仿真結果，驗證了所設計的控制算法在提高系統魯棒性、穩定性和控制精度方面的優勢，在相同工況下，采用所設計的控制算法的車輛的側向偏差和方向偏差明顯小于其他控制策略下的車輛。

2 基于聯合仿真的智能車路徑跟蹤控制存在問題

2.1 模擬環境與現實世界的脫節

雖然ADAMS/Car和Matlab/Simulink等仿真平臺可以為模型建立和數據分析提供高度復雜的工具，但它們仍然難以完全復制真實世界的復雜性和多變性。現實世界的路況遠比模擬環境復雜，仿真平臺往往建立在理想化的道路模型基礎上，而實際道路可能包含各種不可預見的因素，如斷頭路、濕滑路、冰雪覆蓋等，這將對車輛的動力性能和路徑跟蹤能力產生重大影響。仿真環境中的交通狀況往往被簡化為靜態或預設模式，而現實世界中的交通狀況是動態的，交通流量的變化，其他車輛的行駛軌跡，行人和非機動車的干擾等，將給智能車輛的路徑跟蹤帶來額外的挑戰。[2]此外，仿真平臺很難完全模擬現實世界中的環境因素，如天氣條件、光照強度、噪聲污染等，這些因素雖然看似很小，但卻可能對智能車輛的傳感器性能和路徑跟蹤算法產生重要影響。

2.2 控制算法的魯棒性和適應性不足

一方面，現有的控制算法往往是基于特定的車型和路況進行設計和優化的，當車輛或道路條件改變時，算法的性能可能會受到顯著影響；另一方面，現實世界的復雜性要求控制算法具有很高的適應性，然而，現有的控制算法往往難以應對各種不可預測的場景和突發事件。例如，在極端天氣條件下，車輛的動態性能和傳感器的性能可能會改變，這時候就需要控制算法快速調整策略，保證車輛的穩定性和安全性。此外，控制算法的魯棒性還受到傳感器精度和噪聲的影響，在實際應用中，傳感器可能會受到各種干擾因素的影響，導致測量數據出現偏差或噪聲，如果控制算法不能有效處理這些偏差和噪聲，可能會導致路徑跟蹤誤差的增加，甚至導致安全事故。

2.3 模擬和測試之間的銜接問題

在智能車輛路徑跟蹤控制的研究中，仿真與測試的銜接也是一個不可忽視的問題，雖然仿真平臺可以提供高度復雜的建模和數據分析工具，但仿真結果往往難以直接應用于實際測試。仿真平臺和測試環境有一些區別，仿真平臺通常基于理想化的假設和條件構建，而測試環境可能包含各種不可預見的因素，仿真結果往往需要在測試環境中進一步驗證和優化。仿真和測試之間的數據交互和同步也是一個重要的問題，在實際測試中，車輛可能需要實時接收和處理來自多個傳感器的數據，并根據這些數據進行路徑規劃和跟蹤控制，仿真平臺往往難以提供與測試環境完全一致的數據格式和傳輸速度，從而可能導致數據丟失、延遲或錯誤。仿真與測試的銜接還受到測試設備、場地等因素的限制，在實際測試中，可能需要使用特定的測試設備和場地來模擬各種復雜的場景和條件，這些設備和場所往往很難在仿真平臺上得到完整、準確的模擬和再現。因此，如何在仿真和測試之間建立有效的連接機制，保證仿真結果的準確性和可靠性，是智能車輛路徑跟蹤控制研究中亟待解決的問題之一。

3 基于聯合仿真的智能車路徑跟蹤控制策略分析

3.1 強化學習和實時適應性改進

3.1.1 基于強化學習的自適應路徑規劃

傳統的路徑規劃方法往往依賴于精確的地圖和道路模型，但在實際應用中，由于道路環境的變化和交通狀況的不確定性，這些模型往往難以準確反映實際情況，需要一種能夠實時適應環境變化，并根據實時數據進行動態調整的路徑規劃方法。強化學習作為一種機器學習方法，其特點是智能體（這里指的是智能車輛）可以通過與環境的不斷交互來學習最優決策策略，在路徑規劃問題中，可以把智能車看作一個智能體，把道路環境和交通狀況看作環境，通過定義合適的獎勵函數和狀態空間，智能車可以在試錯過程中學習最優路徑規劃策略。具體來說，可以利用深度確定性策略梯度（DDPG）等強化學習算法，結合深度學習網絡，對道路環境和交通狀況的特征進行提取和預測，從而實現對未來路徑的精確規劃。實驗數據表明，在仿真環境下，采用DDPG算法的智能車輛能夠在復雜的道路環境下，如十字路口和環形交叉路口，實現更平滑、更高效的路徑規劃，與傳統方法相比，路徑規劃時間減少了約30%，路徑跟蹤誤差也減少了約20%。[3]此外，通過引入遷移學習和轉移學習，可以進一步加快強化學習過程的收斂速度，提高算法的訓練效率，比如不同城市或者不同時間段之間的道路環境和交通狀況可能會有一些相似之處，通過利用這些相似性，可以將我們在一個環境中學到的經驗轉移到另一個環境，從而減少探索新環境的時間和成本。

3.1.2 強化學習在復雜天氣條件下的應用

在復雜的天氣條件下，如雨、霧或雪天，智能車輛的路徑跟蹤控制面臨著更大的挑戰，這些天氣狀況會導致道路能見度降低、路面濕滑、車輛動力性能下降等問題，從而影響智能車輛的感知和決策能力。強化學習在這種情況下可以發揮重要作用，通過不斷與環境互動，智能車輛可以學習不同天氣條件下的最優控制策略，例如，在雨天行駛時，智能車輛可能需要更頻繁地調整速度和轉向角度，以保持穩定的路徑跟蹤，在雪天行駛時，智能車輛需要更加注意濕滑的路面，避免突然制動或急轉彎。實驗數據表明，在模擬的復雜天氣條件下，采用強化學習算法的智能車能夠在不同天氣條件下實現更加穩定和安全的路徑跟蹤控制，與傳統方法相比，智能車輛的路徑跟蹤誤差在雨天降低了35%左右，而在雪天智能車輛的行駛安全性提高了40%左右。強化學習還可以結合深度學習等技術對天氣情況進行提取和預測，從而實現對未來天氣變化的準確預測和應對，例如，通過分析歷史天氣數據和道路環境數據，可以訓練一個深度學習模型來預測未來的天氣變化，并根據預測結果調整智能車輛的控制策略。

3.2 多源信息融合和數據驅動的決策

3.2.1 多源信息融合技術在智能車輛路徑跟蹤中的應用

智能車輛在行駛過程中需要依靠各種傳感器和設備來獲取周圍環境的信息，包括攝像頭、激光雷達、毫米波雷達、慣性導航系統等等，這些信息各有特點和優勢，但也存在一些局限性和不確定性，融合多源信息以提高信息的準確性和可靠性是智能車輛路徑跟蹤控制中的一個重要問題。多源信息融合技術可以整合和優化來自不同傳感器的信息，從而提高信息的準確性和魯棒性。例如，攝像機可以提供豐富的圖像信息，用于識別路標、交通信號和障礙物，激光雷達可以提供高精度的距離和角度信息，可用于建立道路的三維模型，毫米波雷達可以檢測前方車輛的速度和距離，用來實現自適應巡航控制，慣性導航系統可以提供車輛姿態、速度和位置等運動參數。在實際應用中，可以利用卡爾曼濾波、粒子濾波等算法實現多源信息的融合，這些算法可以根據不同傳感器的噪聲特性和相關性對信息進行加權融合，從而得到更加準確可靠的結果。在仿真環境下，在路徑跟蹤過程中，路標的識別準確率提高了20%左右，障礙物的檢測距離誤差降低了15%左右，車輛的行駛穩定性也得到了顯著提高。多源信息融合技術還可以提高智能車輛對復雜環境的適應能力，比如在夜間或者惡劣天氣下，可能會影響攝像頭的畫質，導致識別效果不佳，這時候可以依靠激光雷達、毫米波雷達等傳感器提供補充信息，保證智能車輛能夠正常行駛。

3.2.2 數據驅動決策在智能車輛路徑跟蹤中的應用

數據驅動決策是指利用大量歷史數據來分析和挖掘潛在的規律和模式，從而為智能車輛的路徑跟蹤控制提供決策支持，在智能車輛領域，可以利用車載傳感器、車聯網等技術采集大量的行駛數據和環境數據，通過對這些數據的分析和挖掘，優化智能車輛的路徑跟蹤控制策略。可以使用機器學習算法，如支持向量機和神經網絡，來建立數據驅動的模型，這些模型可以根據歷史數據學習不同控制策略對車輛性能的影響，從而預測和優化未來的行駛狀態，比如，通過分析歷史行駛數據，可以發現車輛在不同速度下的路徑跟蹤誤差和能量消耗，從而做出更合理的速度控制策略。[4]在仿真環境下，數據驅動決策的智能車輛在路徑跟蹤過程中，能夠根據不同的道路環境和交通狀況，自動調整速度、轉向角度等參數，從而實現更平滑、更高效的路徑跟蹤，與傳統方法相比，數據驅動決策的智能車輛在路徑跟蹤過程中的平均速度提高了10%左右，路徑跟蹤誤差也降低了15%左右。

3.2.3 多源信息融合和數據驅動決策的協同優化

在智能車輛路徑跟蹤控制系統中，多源信息融合和數據驅動決策是兩個至關重要的組成部分，兩者密切相關，相輔相成，為了實現更高效、更精確的路徑跟蹤控制，需要對它們進行共同優化，以充分發揮它們的優勢。多源信息融合技術通過整合不同傳感器的信息，為智能車輛提供更加全面、準確的環境感知結果，這些感知結果不僅包括路標、交通信號、障礙物等靜態信息，還包括車速、轉向角、加速度等動態信息，這些信息為數據驅動決策提供了豐富的輸入數據，使數據驅動模型能夠更準確地預測智能車輛的行駛狀態，制定更合理的控制策略。同時，數據驅動決策的結果也可以為多源信息融合技術提供反饋和指導，通過對歷史數據的分析和挖掘，數據驅動決策可以發現不同傳感器信息之間的相關性和互補性，從而優化信息融合的算法和參數。此外，數據驅動決策還可以根據實時傳感器數據和環境數據，實時監測和預測智能車輛的行駛狀態，為信息融合提供實時反饋和調整依據，這種反饋機制使得多源信息融合技術更加靈活地適應不同的道路環境和交通狀況，提高了信息融合的準確性和魯棒性。

4 結語

本文基于聯合仿真方法，對智能車輛路徑跟蹤控制系統進行了研究和優化，通過ADAMS/Car和Matlab/Simulink軟件平臺的聯合仿真，驗證了所設計的路徑跟蹤控制系統的有效性和準確性，未來將進一步研究復雜環境下的路徑跟蹤控制策略，提高智能車輛在復雜場景下的適應性和安全性。

基金項目：本文系2023年度廣西高校中青年教師科研基礎能力提升項目：“智能車輛橫向控制系統研究”項目編號（2023KY1271）階段性成果。

參考文獻：

[1]陶捷，鄭思遠，黃昭燁，等.智能車輛路徑跟蹤的模糊滑模橫向控制[J].林業機械與木工設備，2022（02）：41-48.

[2]張涌，夏雨，成海飛，等.智能車輛路徑跟蹤橫向控制研究[J].重慶理工大學學報（自然科學），2021（07）：29-39.

[3]汪若塵，魏振東，葉青，等.視覺預瞄式智能車輛縱橫向協同控制研究[J].汽車工程，2019（07）：785-791.

[4]楊騰盛，郭世永.基于自適應預瞄前饋控制的智能車輛路徑跟蹤研究[J].青島理工大學學報，2022（05）：46-53.