基于實(shí)車調(diào)參的自動(dòng)駕駛模糊PID縱向控制算法

中圖分類號：TB9;U463.6 文獻(xiàn)標(biāo)志碼：A 文章編號：1674-5124（2025）06-0179-10

Fuzzy PID longitudinal automatic control algorithm based on real vehicle parameter adjustment

ZENG Fangzheng'， GAO Xiujing12， YUAN Zhiqun12， YOU Shuanghe3， ZHANG Bincent，HUANG Wenyin'， HAN Yong1，2

（1.School of Mechanical and Automotive Engineering， Xiamen University of Technology， Xiamen ， China; 2.Fujian Provincial Key Laboratory of Advanced Design and Manufacture for Bus Coach， Xiamen ， China; 3. Technology Research Center of Xiamen Golden Dragon Bus Co.，Ltd.， Xiamen ， China）

Abstract： Aiming at the dynamic instability problem of automatic driving longitudinal control algorithm in real vehicle application，a logic switching control strategy with expected acceleration as switching logic is designed based on a city bus as a test platform. The inverse dynamic model of the vehicle is calibrated by using the experimental method，and the expected throtle opening and expected brake pressure are obtained with the vehicle speed and expected acceleration as the input conditions.The fuzzyPID control algorithm based on PID control parameter adjustment range and seting experience is established through the step response test of the real vehicle. A fuzzy PID longitudinal control algorithm based on real vehicle parameter adjustment is proposed.The fast restoration test system based on AUTOBOX and Simulink framework is embedded into he vehicle for real vehicle closed-loop test.The results show that the maximum longitudinal speed error of the real vehicle is 0.66% and 0.88% respectively under the expected speed step change condition and the expected speed ramp change condition， which verifies the effectivenessand control accuracy of the algorithm. The fuzzy PID longitudinal control algorithm based on real vehicleparameter adjustment can conduct PID parameter adaptive adjustment when the expected speed changes dynamically.The control system responds quickly and has high accuracy， effectively ensuring the dynamic performance of longitudinal control，and providing reference methods and empirical basis for the development of longitudinal control strategy of vehicle auto drive system.

Keywords： vehicle engineering; automatic driving; longitudinal control; real vehicle parameter adjustment; fuzzy PID

0 引言

精準(zhǔn)穩(wěn)定的運(yùn)動(dòng)控制是決定自動(dòng)駕駛性能的關(guān)鍵技術(shù)問題[1-2]。由于汽車是復(fù)雜的非線性系統(tǒng)，自動(dòng)駕駛汽車橫縱向控制存在較強(qiáng)的耦合特性。因此，設(shè)計(jì)控制性能良好的縱向控制器，不僅能夠滿足縱向速度跟蹤控制的性能要求，同時(shí)也可為橫向控制提供穩(wěn)定的協(xié)調(diào)耦合速度輸人[3-4]。

國內(nèi)外學(xué)者圍繞自動(dòng)駕駛縱向控制開展了大量的研究工作。PID控制方法[5因其結(jié)構(gòu)簡單，容易實(shí)現(xiàn)，在自動(dòng)駕駛運(yùn)動(dòng)控制中運(yùn)用較廣。Thrun、Chien等[6-7]設(shè)計(jì)了PID控制算法，并對有限的不同工況進(jìn)行逐一參數(shù)整定，控制效果表現(xiàn)良好，但由于縱向控制系統(tǒng)的強(qiáng)非線性問題，傳統(tǒng)PID控制的參數(shù)整定難以滿足不同工況的動(dòng)態(tài)變化，在發(fā)生動(dòng)態(tài)變化時(shí)，往往出現(xiàn)超調(diào)、響應(yīng)緩慢等問題。

為了解決傳統(tǒng)PID控制算法的動(dòng)態(tài)不平穩(wěn)性問題，尹智帥等[8提出了一種基于粒子群優(yōu)化的徑向基神經(jīng)網(wǎng)絡(luò)PID控制算法，通過粒子群優(yōu)化算法同時(shí)優(yōu)化神經(jīng)網(wǎng)絡(luò)和PID的參數(shù)，智能選取合適的控制參數(shù)。Thanok等[9設(shè)計(jì)了基于滑模控制器的縱向控制器，并基于粒子群優(yōu)化算法尋優(yōu)得到滑?？刂破鞯淖顑?yōu)參數(shù)，但群智能優(yōu)化算法[10]必須通過離線多次迭代優(yōu)化才能獲得最優(yōu)參數(shù)，在實(shí)際應(yīng)用中難以實(shí)現(xiàn)。Jin等[11]考慮道路曲率對車速的影響，提出了一種基于滑?？刂频目v向控制算法，試驗(yàn)證明了該控制算法能夠滿足一定非線性要求，但無法克服控制算法自身帶來的抖振現(xiàn)象。Cabello等[12]設(shè)計(jì)的模糊控制器由于對模糊規(guī)則的建立不夠充分，無法保證多工況動(dòng)態(tài)變化的控制精度。王靖岳等[13]設(shè)計(jì)了一種基于模型預(yù)測控制的縱向速度控制算法，仿真結(jié)果表明其控制算法具有一定有效性，但采用模糊PID控制的逆縱向動(dòng)力學(xué)模型難以建立精確的模糊規(guī)則，在發(fā)生縱向動(dòng)態(tài)變化時(shí)，導(dǎo)致控制精度降低，穩(wěn)定性不足。

保障自動(dòng)駕駛縱向控制算法在實(shí)車應(yīng)用中的動(dòng)態(tài)穩(wěn)定性是實(shí)車應(yīng)用的難點(diǎn)。本文基于快速開發(fā)原型系統(tǒng)構(gòu)建實(shí)車閉環(huán)試驗(yàn)平臺(tái)，試驗(yàn)法標(biāo)定了車輛逆縱向動(dòng)力學(xué)模型，從而獲取精確的輸出期望加速開度或制動(dòng)壓力。通過實(shí)車階躍響應(yīng)試驗(yàn)分析了系統(tǒng)響應(yīng)動(dòng)態(tài)特性，確定了不同動(dòng)態(tài)變化的控制參數(shù)范圍和整定經(jīng)驗(yàn)，以此設(shè)計(jì)了分段控制函數(shù)和模糊控制規(guī)則，提出了一種基于實(shí)車調(diào)參的模糊PID縱向自動(dòng)控制算法，實(shí)現(xiàn)了PID控制參數(shù)的自適應(yīng)動(dòng)態(tài)整定。通過實(shí)車驗(yàn)證、分析和評價(jià)本文算法在縱向動(dòng)態(tài)變化的控制性能。

1縱向控制系統(tǒng)總體架構(gòu)

自動(dòng)駕駛縱向控制系統(tǒng)主要包括模糊PID控制器和逆縱向動(dòng)力學(xué)模型，如圖1所示。模糊PID控制器根據(jù)期望車速與實(shí)際車速的偏差來計(jì)算得到期望加速度，通過建立的模糊規(guī)則表實(shí)現(xiàn)對PID控制參數(shù)的自適應(yīng)整定；車輛逆縱向動(dòng)力學(xué)模型由控制切換邏輯、逆電機(jī)模型和逆制動(dòng)器模型組成；控制切換邏輯根據(jù)上層控制器得到的期望加速度來判斷車輛的驅(qū)動(dòng)/制動(dòng)狀態(tài)，通過設(shè)計(jì)切換邏輯實(shí)現(xiàn)加速和減速之間的切換，避免加減速頻繁切換而影響速度控制舒適性和穩(wěn)定性；逆電機(jī)、逆制動(dòng)器模型將期望加速度 a_des 轉(zhuǎn)化為相應(yīng)的期望油門開度或期望制動(dòng)壓力。

2車輛逆縱向動(dòng)力學(xué)模型設(shè)計(jì)

一般研究中采用公式法建立縱向動(dòng)力學(xué)模型[14-16]，通過公式計(jì)算得到期望電機(jī)轉(zhuǎn)矩 T_des ，根據(jù)當(dāng)前電機(jī)轉(zhuǎn)速 ω ，結(jié)合電機(jī)轉(zhuǎn)矩特性圖，得到期望節(jié)氣門開度。但傳動(dòng)系統(tǒng)是復(fù)雜的非線性模型，公式法涉及的縱向動(dòng)力學(xué)的多數(shù)參數(shù)難以在實(shí)車中精確獲取，因此導(dǎo)致公式法在實(shí)車應(yīng)用中模型精度降低。本文采用試驗(yàn)法分別對車輛逆電機(jī)模型和逆制動(dòng)器模型進(jìn)行標(biāo)定和優(yōu)化。

2.1 切換邏輯設(shè)計(jì)

切換邏輯設(shè)計(jì)既要保證縱向控制精度，還要避免加速和減速之間的頻繁切換導(dǎo)致的速度抖振，影響控制精度和穩(wěn)定性。如表1所示，本文通過上層控制器計(jì)算的期望加速度 a_des 及連續(xù)時(shí)間 T 作為判斷依據(jù)設(shè)計(jì)切換邏輯，其中 t 為計(jì)算步長，本文模型的計(jì)算步長為 0.01s，N 為閾值，根據(jù)速度不同而自適應(yīng)調(diào)節(jié)。

1）當(dāng)期望加速度 a_desgt;0 且 T≥N?t 時(shí)，判斷車輛處于加速過程，車輛切換為油門工作狀態(tài)，根據(jù)上層計(jì)算出的 a_des 輸出到下層的逆縱向動(dòng)力學(xué)模型中，從而計(jì)算出所需的油門開度。

2）當(dāng)期望減速度 a_deslt;0 且 T≥N?t 時(shí)，判斷車輛處于減速過程，車輛切換為剎車工作狀態(tài)，根據(jù)上層計(jì)算出的 a_des 換算得到車輛所需的制動(dòng)壓力。

3）當(dāng)不屬于上述狀態(tài)時(shí)，則判斷車輛為勻速運(yùn)動(dòng)，下層控制為車輛勻速運(yùn)動(dòng)。

本文所設(shè)計(jì)切換邏輯未設(shè)計(jì)緩沖區(qū)間，能夠保證速度跟蹤控制精度，避免了油門剎車之間的頻繁切換。因設(shè)置計(jì)算步長閾值導(dǎo)致一定的控制遲延，可通過下層的模糊PID控制調(diào)節(jié)響應(yīng)快速性來進(jìn)行補(bǔ)償。

2.2 逆電機(jī)模型搭建

采用試驗(yàn)法對車輛逆電機(jī)模型進(jìn)行標(biāo)定和優(yōu)化。依托試驗(yàn)車輛，車輛靜止?fàn)顟B(tài)下，分別以 5% 間隔從 5% ， 10% ， 15% ，…， 100% 的油門開度進(jìn)行加速，記錄加速過程中車輛速度分別達(dá)到 5km/h 10kmΩ ， 15km/h ，…， 50km/h 時(shí)的車輛加速度數(shù)據(jù)。根據(jù)試驗(yàn)法對速度、加速度和油門開度值的標(biāo)定數(shù)據(jù)進(jìn)行三維擬合和標(biāo)定優(yōu)化，構(gòu)建三維MAP圖，建立逆電機(jī)模型，如圖2所示。根據(jù)期望加速度和當(dāng)前車速得到期望的油門開度：

α_des=f（a_des，ν_s）

式中： α_des 期望油門開度；ades 汽車期望加速度；u_s 汽車當(dāng)前車速。

2.3 逆制動(dòng)器模型搭建

由于試驗(yàn)車輛裝載的電子剎車系統(tǒng)（EBS）將制動(dòng)壓力換算成對應(yīng)的制動(dòng)系數(shù)，下述試驗(yàn)以制動(dòng)系數(shù)代替制動(dòng)壓力，試驗(yàn)表明制動(dòng)系數(shù)為-3時(shí)，其減速度達(dá)到 -4m/s² 。車輛初始速度為 50km/h ，分別以-0.5為間隔，從-0.5，-1，-1.5 ^-3 的制動(dòng)系數(shù)值進(jìn)行減速至停車，記錄制動(dòng)過程中車輛速度分別達(dá)到 45km/h ， 40km/h ， 35km/h ，…， 0km/h 時(shí)的車輛減速度數(shù)據(jù)。采用實(shí)驗(yàn)法對速度、減速度和制動(dòng)系數(shù)的標(biāo)定數(shù)據(jù)進(jìn)行三維擬合和標(biāo)定優(yōu)化，構(gòu)建三維MAP圖，建立逆制動(dòng)器模型，如圖3所示。

根據(jù)期望減速度 a_des 和當(dāng)前車速 u_s 得到期望的制動(dòng)系數(shù)：

P_des=f（a_des，ν_s）

式中： P_des 期望制動(dòng)系數(shù)；a_des 期望加速度;u_s 當(dāng)前車速。

3模糊PID控制器設(shè)計(jì)

模糊控制器設(shè)計(jì)的核心在于模糊論域、量化因子、比例因子的設(shè)置以及模糊規(guī)則的建立，通過不同的實(shí)車階躍響應(yīng)進(jìn)行PID調(diào)參試驗(yàn)，以確定控制參數(shù)范圍和參數(shù)整定經(jīng)驗(yàn)，作為模糊規(guī)則依據(jù)。模糊PID控制器由PID控制器和模糊控制器組成，以期望車速 u_m 與實(shí)際車速 u_s 的偏差 e 和速度偏差變化率 e_c 作為模糊控制器的輸人，經(jīng)過變量模糊化得到相應(yīng)的模糊變量，即速度偏差值 E 及其變化率絕對值 E_C ；通過本文提出的基于實(shí)車調(diào)參的控制參數(shù)范圍和參數(shù)整定經(jīng)驗(yàn)所設(shè)計(jì)的模糊控制器，進(jìn)行模糊推理后得到控制參數(shù)修正量 Δk_p，Δk_i 的模糊輸出量，經(jīng)過解模糊處理得到實(shí)時(shí)的參數(shù)修正量，對參數(shù)初始值進(jìn)行修正；最后由PID控制器計(jì)算得到期望加速度輸出給逆縱向動(dòng)力學(xué)模型，實(shí)現(xiàn)縱向速度穩(wěn)定跟蹤控制。模糊PID控制器結(jié)構(gòu)框圖見圖4。

3.1 PID參數(shù)實(shí)車整定

在縱向速度控制系統(tǒng)中，PID控制器主要通過比例系數(shù) k_p 、積分系數(shù) k_i 、微分系數(shù) k_d 進(jìn)行參數(shù)整定，實(shí)現(xiàn)控制性能的實(shí)時(shí)優(yōu)化。

基于實(shí)車試驗(yàn)，設(shè)計(jì)不同期望車速的實(shí)車階躍響應(yīng)試驗(yàn)，選取超調(diào)量、進(jìn)人穩(wěn)態(tài)時(shí)間作為評價(jià)控制系統(tǒng)性能的指標(biāo)，反映控制系統(tǒng)的快速性、準(zhǔn)確性[17]。其中，超調(diào)量是階躍響應(yīng)過程中輸出量的最大偏差值與穩(wěn)態(tài)值之比的百分?jǐn)?shù)；進(jìn)入穩(wěn)態(tài)時(shí)間是階躍響應(yīng)過程中達(dá)到期望值的 ±5% 范圍內(nèi)所用的時(shí)間。隨機(jī)選取控制參數(shù)作為初始值進(jìn)行階躍響應(yīng)試驗(yàn)，控制參數(shù)如表2所示。隨機(jī)選取的幾組參數(shù)下的PID控制器由于積分系數(shù)作用量過大，使階躍響應(yīng)過程中誤差累積量過大，出現(xiàn)超調(diào)現(xiàn)象；較小的比例系數(shù)使進(jìn)入穩(wěn)態(tài)時(shí)間較長。

通過降低積分系數(shù) k_i ，并且保證加速過程中乘坐的舒適性，使得汽車加速平穩(wěn)的同時(shí)適當(dāng)增加比例系數(shù) k_p 來改善系統(tǒng)的動(dòng)態(tài)性能。經(jīng)過參數(shù)整定后，得到表3中的控制參數(shù)。

實(shí)車試驗(yàn)對比試驗(yàn)結(jié)果如表4和圖5所示。由于逆縱向動(dòng)力學(xué)模型特性以及控制對象的非線性特性，不同車速下按比例設(shè)定的控制參數(shù)所表現(xiàn)出的動(dòng)態(tài)性能存在較大差異。經(jīng)過參數(shù)整定后的PID控制器相較于PID控制器，各期望車速階躍響應(yīng)下超調(diào)量大幅下降至 1% 以內(nèi)、進(jìn)入穩(wěn)態(tài)時(shí)間減少至12.4s以內(nèi)，控制系統(tǒng)控制準(zhǔn)確性提高、響應(yīng)速度更快、動(dòng)態(tài)性能更優(yōu)，表現(xiàn)出良好的性能。

通過參數(shù)整定試驗(yàn)可知，整定后的PID控制器可以較好地進(jìn)行速度跟蹤控制，但是單一參數(shù)的PID控制器自適應(yīng)性較差，無法滿足期望車速變化的工況。為滿足不同工況時(shí)控制系統(tǒng)仍能保持良好的動(dòng)態(tài)性能，本文引入模糊控制器，利用建立的模糊規(guī)則表進(jìn)行PID控制參數(shù)的自適應(yīng)整定，以改善控制系統(tǒng)動(dòng)態(tài)性能，提高控制精度。

3.2 模糊控制器設(shè)計(jì)

基于實(shí)車調(diào)參的結(jié)果得到速度偏差 e 的基本論域?yàn)?[-50，50] ，定義輸入變量的模糊論域?yàn)?[-10 10]。以速度偏差 e 和速度偏差的變化率 e_c 為輸入，進(jìn)行輸入輸出變量模糊化處理。建立分段控制函數(shù) g（e） ，以速度偏差 e 的絕對值 |e| 為輸入，計(jì)算量化因子 k_u

其中，速度偏差 e 的絕對值 |e| 分為5組，分別對應(yīng)參數(shù)整定過程中的5組期望車速[10，20，30，40，50]。當(dāng)期望車速發(fā)生變化時(shí)，促使分段控制函數(shù)進(jìn)行一次計(jì)算，計(jì)算量化因子 k_u 進(jìn)行論域變換，保證輸入變量的真實(shí)論域與模糊論域 E 和 E_C 相對應(yīng)。

根據(jù)參數(shù)整定經(jīng)驗(yàn)，定義模糊輸出變量 Δk_p Δk_i 的模糊論域分別為：[-0.04，0.04]、[-0.0005，0.0005]。以速度偏差和速度偏差變化率的范圍取模糊集合為{NB（負(fù)大），PM（負(fù)中），NS（負(fù)?。?，ZO（零），PS（正小），PM（正中），PB（正大）}。建立三角形隸屬度函數(shù)，輸人輸出變量的隸屬度函數(shù)如圖6所示。

模糊規(guī)則的建立是設(shè)計(jì)模糊控制器的核心環(huán)節(jié)，決定了控制系統(tǒng)動(dòng)態(tài)性能。通過PID控制器的階躍響應(yīng)試驗(yàn)，得到如下的參數(shù)整定經(jīng)驗(yàn)：

1）為保證車輛具有良好的乘坐舒適性，客車加速過程中的縱向加速度要保持在 2.0m/s² 之內(nèi)[18]，故應(yīng)避免控制系統(tǒng)輸出量過大。比例系數(shù) k_p 、積分系數(shù) k_i 的變化范圍不應(yīng)過大，以保證加速過程的平順性。

2）當(dāng)期望車速發(fā)生變化時(shí)，速度偏差 e 較大，為提高控制系統(tǒng)的響應(yīng)速度，需要較大的比例系數(shù)k_p ；同時(shí)，為了避免速度偏差的累積量過大，需要減小積分系數(shù) k_i 。3）當(dāng)車速接近期望車速時(shí)，為了避免超調(diào)現(xiàn)象的產(chǎn)生，需要減小比例系數(shù) k_p ；同時(shí)選擇較大的積分系數(shù) k_i 來減少穩(wěn)態(tài)誤差。4）當(dāng)車速趨于期望車速時(shí)，需要增加比例系數(shù)k_p 和積分系數(shù) k_i ，以保證足夠的控制量。5）實(shí)車試驗(yàn)中，控制切換邏輯設(shè)計(jì)避免了加速和減速之間的頻繁切換，速度控制不會(huì)發(fā)生抖振，k_d 的作用不明顯，故取定值 0.001 。

基于參數(shù)整定經(jīng)驗(yàn)設(shè)計(jì)合理的模糊規(guī)則，如表5、表6所示，并利用Mamdani型的模糊推理方法編寫。

根據(jù)模糊規(guī)則進(jìn)行模糊推理得到的模糊輸出量，采用重心法進(jìn)行解模糊處理，取論域中的每個(gè)元素與相應(yīng)隸屬度的乘積和對于隸屬度之和的平均值，得到 Δk_p，Δk_i 的真實(shí)分布：

其中， μ_Δkp?μ_Δki 分別為對應(yīng)輸出隸屬度函數(shù)的隸屬度。計(jì)算得到的 Δk_p，Δk_i 加上控制參數(shù)的初始值并乘以量化因子 k_u， 作為PID控制的控制參數(shù)輸入：

其中， k_p0Ωνk_i0 比例系數(shù)和積分系數(shù)初始值。

以 k_p=0.16，k_i=0.0015，k_d=0.001 作為模糊PID的初始值，進(jìn)行目標(biāo)車速的階躍速度響應(yīng)，并與PID控制對比。試驗(yàn)結(jié)果如表7和圖7所示，在階躍響應(yīng)過程中，根據(jù)設(shè)計(jì)的模糊控制器，模糊PID控制器的控制參數(shù)隨著實(shí)際車速的動(dòng)態(tài)變化進(jìn)行自適應(yīng)整定。相較于PID控制器，進(jìn)入穩(wěn)態(tài)時(shí)間平均提高了 28.6% ，控制響應(yīng)迅速，系統(tǒng)響應(yīng)快速性顯著提高，改善了控制系統(tǒng)的動(dòng)態(tài)性能。

4實(shí)車試驗(yàn)

4.1 試驗(yàn)設(shè)計(jì)

選用 8m 長的線控底盤城市公交車作為試驗(yàn)車輛，安裝快速原型控制器AUTOBOX和RTK-GPS等控制及通信設(shè)備，建立車輛閉環(huán)測試系統(tǒng)，進(jìn)行實(shí)車測試。試驗(yàn)車輛閉環(huán)測試系統(tǒng)通過AUTOBOX與RTK-GPS、試驗(yàn)車輛之間實(shí)現(xiàn)數(shù)據(jù)交互，dSPACE的ControlDesk可以實(shí)現(xiàn)數(shù)據(jù)交互和傳輸，如圖8所示。

首先，利用AUTOBOX的CAN接口與車輛CAN總線連接，實(shí)現(xiàn)與車輛的通信；其次利用AUTOBOX的LAN接口與RTK-GPS終端連接，用以獲得車輛定位信息和車速；通過車輛通信將搭建的Simulink控制算法模型部署至AUTOBOX中；最后，利用ControlDesk進(jìn)行實(shí)時(shí)控制，輸出信號由車輛CAN網(wǎng)絡(luò)傳輸至線控底盤，驅(qū)動(dòng)控制由電機(jī)控制系統(tǒng)完成，制動(dòng)控制由電子制動(dòng)控制系統(tǒng)完成，實(shí)現(xiàn)控制算法驗(yàn)證。

由于試驗(yàn)場地限制以及客車動(dòng)力特性的影響，限定車輛的最高車速為 50kmh 。設(shè)計(jì)以下兩種期望車速變化進(jìn)行實(shí)車試驗(yàn)：

1）以期望車速 10，40，20，50，30，0kmh 的連續(xù)階躍變化。

2）以恒定期望加速度 1.2、1.5_?-1.0_?-1.3m/s² 的連續(xù)斜坡變化。

4.2 試驗(yàn)結(jié)果

由圖9可知，模糊PID控制器的控制參數(shù)kpk_i 伴隨目標(biāo)車速、實(shí)際車速動(dòng)態(tài)變化實(shí)現(xiàn)了自適應(yīng)調(diào)節(jié)。在階躍變化響應(yīng)過程中的最大超調(diào)量為1.6% ，進(jìn)入穩(wěn)態(tài)時(shí)間在 4.19～8.51s 之間，在目標(biāo)車速階躍變化下快速響應(yīng)，準(zhǔn)確性高，控制系統(tǒng)動(dòng)態(tài)性能良好。且加速度呈線性變換，變化過程整體平穩(wěn)。同時(shí)，油門剎車切換平滑，保證控制精度的同時(shí)避免油門剎車間的頻繁切換。

由圖10可知，隨著控制參數(shù)的自適應(yīng)整定，模糊PID控制器在期望車速斜坡響應(yīng)時(shí)，試驗(yàn)過程中最大速度誤差為 0.44km/h 。同時(shí)，在幾段恒定期望加、減速度響應(yīng)過程中，車輛的實(shí)際加速度可以準(zhǔn)確跟蹤期望加速度，進(jìn)一步驗(yàn)證了控制算法的準(zhǔn)確性。油門剎車同樣切換平滑，避免了兩者間的頻繁切換。

5 結(jié)束語

本文基于快速開發(fā)原型系統(tǒng)，構(gòu)建了實(shí)車閉環(huán)試驗(yàn)平臺(tái)進(jìn)行實(shí)車調(diào)參試驗(yàn)，提出了一種基于實(shí)車調(diào)參的模糊PID縱向控制器，解決自動(dòng)駕駛縱向控制中存在動(dòng)態(tài)不平衡的問題，結(jié)論如下：

1）相比于公式法中涉及的縱向動(dòng)力學(xué)模型多數(shù)參數(shù)難以在實(shí)車中精確獲取問題，采用實(shí)車試驗(yàn)法標(biāo)定獲取油門開度、加速度與車速的關(guān)系，并以此搭建車輛逆縱向動(dòng)力學(xué)模型，更具實(shí)用性，

2）通過設(shè)計(jì)以期望加速度為依據(jù)的切換邏輯可以有效避免油門剎車間的頻繁切換，同時(shí)可以保證縱向控制精度。

3）本文提出了一種實(shí)車控制參數(shù)整定方法，結(jié)合參數(shù)特性設(shè)計(jì)模糊控制器，同時(shí)基于分段函數(shù)的量化因子可以實(shí)現(xiàn)目標(biāo)車速變化時(shí)的參數(shù)自適應(yīng)調(diào)整。

4）本研究所設(shè)計(jì)的縱向控制系統(tǒng)可以作為自適應(yīng)巡航控制（ACC）、隊(duì)列協(xié)同自適應(yīng)巡航控制（CACC）的下層控制模型?；诖?，可以進(jìn)一步展開隊(duì)列協(xié)同自適應(yīng)巡航的相關(guān)研究。

參考文獻(xiàn)

[1]GUNAGWERA A， ZENGIN A T.A longitudinal inter-vehicle distancecontroller application for autonomousvehicle platoons[J]. PeerJ Comput Sci， 2022， 8： e990.

[2]肖祖銘，郭瞻.LTV-MPC自動(dòng)駕駛汽車路徑跟蹤算法研究 [J].中國測試，2021，47（4）：83-88. XIAO Z M， GUO Z. Research on path tracking algorithm for automatedvehiclesbasedonLTV-MPC[J].China Measurement amp; Test， 2021，47（4）： 83-88.

[3]郭景華，李克強(qiáng)，羅禹貢.智能車輛運(yùn)動(dòng)控制研究綜述［J]. 汽車安全與節(jié)能學(xué)報(bào)，2016，7（2）：151-159. GUO J H， LI K Q， LUO Y G. Review on the research of motion control forintelligent vehicles[J]. Journalof Automotive Safety and Energy， 2016， 7（2）： 151-159.

[4]陳林彬，唐嵐，譚鵬宇.智能車輛換道路徑跟蹤協(xié)同控制研 究[J].中國測試，2022，48（1）：108-115. CHENL B，TANGL， TANPY.Research on collaborative controlofintelligentvehiclepathtrackinginlane changing[J]. China Measurement amp; Test， 2022，48（1）：108- 115.

[5]賈傳偉.智能PID控制在無人駕駛技術(shù)中的應(yīng)用[J].電子 測量技術(shù)，2020，43（9）：65-69. JIA C W. Application of intelligent PID control in driverless technology[J].Electronic Measurement Technology，2020， 43（9）： 65-69.

[6]THRUN S，MONTEMERLO M，DAHLKAMP H，et al. Stanley： The robot that won the DARPA grand chalenge[J]. Journal of Field Robotics， 2006， 23（9）： 661-692.

[7]CHIEN C C，IOANNOU P， LAI M C.Entrainment and vehicle following controllers design for autonomous intelligent vehicles[C]//ProceedingsoftheAmericanControl Conference，1994.

[8]尹智帥，何嘉雄，聶琳真，等.基于優(yōu)化算法的自動(dòng)駕駛車輛 縱向自適應(yīng)控制[J].系統(tǒng)仿真學(xué)報(bào)，2021，33（2）：409-420. YIN Z S，HE J X，NIE L Z，et al.Longitudinal adaptive control of autonomousvehiclesbaseon optimization algorithm[J]. Journal of System Simulation，2021，33（2）： 409- 420.

[9]THANOK S， PARNICHKUN M. Longitudinal control of an intelligent vehicle using particle swarm optimization based sliding mode control[J]. Advanced robotics，2015，29（8）：525- 543.

[10]周稼銘，張亮修，衣豐艷，等.基于粒子群尋優(yōu)的汽車自適應(yīng) 巡航預(yù)測控制[J].北京理工大學(xué)學(xué)報(bào)，2021，41（2）：214- 220. ZHOUJM，ZHANG L X，YIFY，et al.Adaptive cruise predictive control based on particle swarm optimization[J]. Transactions ofBeijing Institute of Technology，2021，41（2）： 214-220.

[11] JIN M J. Improvement of road-following intelligent speed control based on road curvature[C]//2O13 Third International Conference on Intelligent System Design and Engineering Applications，2013.

[12]CABELLOF，ACUNA A，VALLEJOSP，etal.Design and validation ofafuzzylongitudinal controllerbased onavehicle dynamic simulator[C]//9th IEEE International Conference on Control and Automation，2011.

[13]王靖岳，汪杰，王浩天.基于模型預(yù)測控制的無人駕駛汽車 縱向速度控制研究[J].機(jī)械設(shè)計(jì)，2021，38（S1）：69-74. WANGJY，WANGJ，WANGHT.Research onlongitudinal speed controlof driverlessvehicle based on model predictive control[J]. Journal ofMachine Design，2021，38（S1）： 69-74.

[14] ZHU M，CHEN H， XIONG G.A model predictive speed tracking control approach for autonomous ground vehicles[J]. Mechanical Systems and Signal Processing，2017， 87： 138- 152.

[15]朱敏，陳慧巖.無人駕駛越野車輛縱向速度跟蹤控制試驗(yàn) [J].機(jī)械工程學(xué)報(bào)，2018，54（24）：111-117. ZHU M， CHEN H Y. Experiment on longitudinal speed trackingcontrol forunmanned off-road vehicles[J].Journalof Mechanical Engineering，2018，54（24）：111-117.

[16]謝輝，劉爽爽.基于模型預(yù)測控制的無人駕駛汽車橫縱向運(yùn) 動(dòng)控制[J].汽車安全與節(jié)能學(xué)報(bào)，2019，10（3）：326-333. XIEH，LIU S S.Lateral and longitudinal motion control of unmanned vehicles using model predictive control[J]. Journal ofAutomotive Safety and Energy，2019，10（3）： 326-333.

[17]劉金琨.先進(jìn)PID控制MATLAB仿真[M].北京：電子工 業(yè)出版社，2004.

[18] CAO H， SONG X， ZHAO S， et al. An optimal model-based trajectory following architecture synthesising the lateral adaptivepreview strategy and longitudinal velocity planning forhighly automated vehicle[J]. Vehicle system dynamics， 2017，55（8）： 1143-1188.

（編輯：商丹丹）