智能汽車橫向運(yùn)動(dòng)控制關(guān)鍵技術(shù)及現(xiàn)狀

李愛(ài)娟，葛慶英，趙曉麗，邱緒云，王希波，陳政宏

(山東交通學(xué)院汽車工程學(xué)院，山東濟(jì)南 250357)

0 引言

智能汽車[1]作為智能交通[2](intelligent transportation systems，ITS)的重要組成部分，其良好的發(fā)展可以有效降低交通事故，節(jié)約能源，因此諸多企業(yè)、高校紛紛投入大量資源進(jìn)行研發(fā)。智能汽車主要由環(huán)境感知、決策與規(guī)劃、運(yùn)動(dòng)控制3部分組成[3]，運(yùn)動(dòng)控制部分是其中的關(guān)鍵技術(shù)之一。智能汽車的運(yùn)動(dòng)控制分為橫向控制和縱向控制。橫向控制是指通過(guò)對(duì)自動(dòng)轉(zhuǎn)向系統(tǒng)的控制，實(shí)現(xiàn)智能汽車的路徑跟蹤；縱向控制是指通過(guò)對(duì)油門和制動(dòng)的協(xié)調(diào)，實(shí)現(xiàn)對(duì)期望車速的精確跟隨[4]。本文主要研究智能汽車橫向運(yùn)動(dòng)控制中的關(guān)鍵控制技術(shù)。

1 智能汽車運(yùn)動(dòng)控制概況

運(yùn)動(dòng)控制廣泛涉及到各個(gè)領(lǐng)域，包括工業(yè)[5]、醫(yī)療[6-7]等。智能汽車運(yùn)動(dòng)控制僅僅是被細(xì)分的一個(gè)運(yùn)用領(lǐng)域[8]。本文所涉及的橫向運(yùn)動(dòng)控制最初是由美國(guó)通用汽車公司和美國(guó)無(wú)線電公司在20世紀(jì)50年代末合作開發(fā)的[9]，目的是為解決自動(dòng)化公路系統(tǒng) (automated highway system，AHS) 車輛自動(dòng)駕駛問(wèn)題[10]。從那時(shí)起，智能汽車運(yùn)動(dòng)控制問(wèn)題便得到了學(xué)者們的廣泛研究，從經(jīng)典控制理論、現(xiàn)代控制理論，到如今的智能控制理論[11-12]研究，逐漸轉(zhuǎn)型升級(jí)，衍生出眾多的適應(yīng)時(shí)代需求的控制方法。模糊控制方法不需要建立精確的數(shù)學(xué)模型，魯棒性強(qiáng)，但需要不斷切換輸出比例因子，易引起算法震蕩甚至收斂困難[13]；神經(jīng)網(wǎng)絡(luò)控制方法擁有較強(qiáng)的處理非線性系統(tǒng)的能力，魯棒性強(qiáng)，但控制算法較為復(fù)雜，應(yīng)用范圍受到限制[14]；魯棒控制方法穩(wěn)定性好，但需要對(duì)系統(tǒng)進(jìn)行精確建模，對(duì)于非線性系統(tǒng)來(lái)說(shuō)，實(shí)現(xiàn)精確建模往往較為困難；最優(yōu)控制方法是在一定的限制條件下實(shí)施控制，對(duì)于參數(shù)時(shí)變以及高度非線性系統(tǒng)，難以達(dá)到較好的控制效果[15]。因此，伴隨著研究的深入，能夠滿足智能汽車行駛環(huán)境復(fù)雜、時(shí)滯性、高度非線性的衍生運(yùn)動(dòng)控制方法逐漸被人們所接受，主要包括基于比例-積分-微分(proportion integration differentiation，PID)控制的運(yùn)動(dòng)控制方法[16]、基于模型預(yù)測(cè)的運(yùn)動(dòng)控制方法[17]和基于滑模變結(jié)構(gòu)的運(yùn)動(dòng)控制方法[18]。

2 智能汽車橫向運(yùn)動(dòng)控制的關(guān)鍵技術(shù)

本文在部分已有研究的基礎(chǔ)上，將智能汽車的橫向運(yùn)動(dòng)控制方法主要分為基于PID控制、模型預(yù)測(cè)控制和滑模變結(jié)構(gòu)控制，如圖1所示。

圖1橫向運(yùn)動(dòng)控制方法分類

圖2 PID反饋控制原理框圖

2.1 PID控制

PID控制器以其結(jié)構(gòu)簡(jiǎn)單、易實(shí)現(xiàn)且能達(dá)到較好的控制效果，廣泛應(yīng)用于控制領(lǐng)域[19]。經(jīng)典的PID控制由比例單元P、積分單元I和微分單元D組成，其反饋控制原理如圖2所示。

如圖2所示，首先對(duì)輸入誤差e進(jìn)行比例、積分、微分運(yùn)算，運(yùn)算后的疊加結(jié)果u作為輸出量以控制被控對(duì)象，同時(shí)被控對(duì)象融合當(dāng)時(shí)狀態(tài)輸出反饋信號(hào)y，再次與期望值進(jìn)行比較，得到的誤差e再次進(jìn)行比例、積分、微分調(diào)節(jié)，如此循環(huán)進(jìn)行，直至達(dá)到控制效果[20]。對(duì)于PID控制器的設(shè)計(jì)，關(guān)鍵問(wèn)題是關(guān)于比例控制參數(shù)kP、積分控制參數(shù)kI以及微分控制參數(shù)kD的整定，參數(shù)超調(diào)、參數(shù)能否快速響應(yīng)以及是否消除靜態(tài)誤差，都取決于參數(shù)的整定問(wèn)題[21]。傳統(tǒng)的參數(shù)整定依賴于經(jīng)驗(yàn)試湊法，對(duì)于高度非線性、強(qiáng)耦合的智能汽車來(lái)說(shuō)，不能很好的滿足其控制要求，因此，近年來(lái)PID結(jié)合模糊控制、神經(jīng)網(wǎng)絡(luò)控制以及人工智能等對(duì)參數(shù)整定進(jìn)行優(yōu)化，對(duì)智能汽車進(jìn)行融合控制，可以進(jìn)一步提升控制效果。

文獻(xiàn)[22]采用模糊PID控制算法，通過(guò)模糊規(guī)則進(jìn)行推理決策，實(shí)現(xiàn)PID參數(shù)的實(shí)時(shí)優(yōu)化，相較于傳統(tǒng)的PID控制，具有響應(yīng)時(shí)間短、適應(yīng)性強(qiáng)、控制精度高的優(yōu)點(diǎn)；為解決傳統(tǒng)PID控制在智能汽車控制中的穩(wěn)態(tài)誤差和敏感性較大等問(wèn)題，文獻(xiàn)[23-24]引入BP神經(jīng)網(wǎng)絡(luò)與PID進(jìn)行聯(lián)合控制，最大特點(diǎn)是可以自動(dòng)識(shí)別數(shù)學(xué)模型、進(jìn)行自我訓(xùn)練和學(xué)習(xí)，能夠使控制參數(shù)在線自我調(diào)節(jié)，可以有效提高控制精度；智能車輛運(yùn)動(dòng)控制的最終結(jié)果是達(dá)到與駕駛員的控制行為高度一致，文獻(xiàn)[25]提出基于人工智能技術(shù)的PID控制，將粒子群算法、蟻群算法、螢火蟲算法等進(jìn)行比較，仿真結(jié)果表明采用獨(dú)立分析儀來(lái)確定PID參數(shù)，能夠?qū)④囕v的輸出調(diào)整到期望的軌跡，保持車輛的穩(wěn)定性，與PID控制器相比，具有速度快、精度高的優(yōu)點(diǎn)。

傳統(tǒng)PID控制方式算法簡(jiǎn)單，可對(duì)智能汽車進(jìn)行橫向控制，但因控制參數(shù)往往通過(guò)試湊法獲得，難以實(shí)現(xiàn)對(duì)智能汽車的最優(yōu)控制[26]。將傳統(tǒng)PID控制與模糊控制、BP神經(jīng)網(wǎng)絡(luò)以及人工智能的有效結(jié)合進(jìn)行控制，可以有效提高控制性能，實(shí)現(xiàn)控制參數(shù)的實(shí)時(shí)優(yōu)化，但基于PID的控制器設(shè)計(jì)依然難以有效的應(yīng)用于多變量、多約束的優(yōu)化系統(tǒng)。

圖3 模型預(yù)測(cè)控制原理框圖

2.2 模型預(yù)測(cè)控制

模型預(yù)測(cè)控制(model predictive control,MPC)起源于工業(yè)界，意在解決PID控制不易解決的多變量、多約束的優(yōu)化問(wèn)題[27]，具有處理線性和非線性模型，同時(shí)觀察系統(tǒng)約束和考慮未來(lái)行為的能力[28]，近年來(lái)廣泛用于智能汽車路徑跟蹤控制[29]。MPC主要由預(yù)測(cè)模型、滾動(dòng)優(yōu)化和反饋調(diào)整3部分組成，基于MPC的控制器原理如圖3所示。

如圖3所示，MPC控制器結(jié)合預(yù)測(cè)模型、目標(biāo)函數(shù)和約束條件進(jìn)行最優(yōu)化求解，得到當(dāng)時(shí)的最優(yōu)控制序列u*(t)，并將其輸入被控平臺(tái)，被控平臺(tái)按照當(dāng)前的控制量輸出y(t)對(duì)被控對(duì)象進(jìn)行控制，然后將當(dāng)前的狀態(tài)量觀測(cè)值x(t)輸入狀態(tài)估計(jì)器，狀態(tài)估計(jì)器對(duì)于無(wú)法通過(guò)傳感器觀測(cè)到或者觀測(cè)成本過(guò)高的狀態(tài)量進(jìn)行估計(jì)，將估計(jì)的狀態(tài)量x′(t)輸入MPC控制器，再次進(jìn)行最優(yōu)化求解，如此循環(huán)，構(gòu)成閉環(huán)反饋控制系統(tǒng)[30]。依據(jù)預(yù)測(cè)模型的形式將MPC分為線性時(shí)變模型預(yù)測(cè)控制和非線性模型預(yù)測(cè)控制兩種。

2.2.1 線性時(shí)變模型預(yù)測(cè)控制

線性時(shí)變模型預(yù)測(cè)控制方法以線性時(shí)變模型作為預(yù)測(cè)模型，該方法的最大優(yōu)點(diǎn)是計(jì)算較為簡(jiǎn)單，實(shí)時(shí)性好，因此廣泛應(yīng)用于智能汽車的運(yùn)動(dòng)控制中[31]。對(duì)于行駛在有限區(qū)域的智能汽車，通常以車輛運(yùn)動(dòng)學(xué)建模、以前輪轉(zhuǎn)角為控制變量，結(jié)合車輛動(dòng)力學(xué)、執(zhí)行機(jī)構(gòu)和狀態(tài)約束進(jìn)行控制器的設(shè)計(jì)[32]。為提高預(yù)測(cè)模型的匹配程度，文獻(xiàn)[33]采用遞歸最小二乘法進(jìn)行實(shí)時(shí)在線系統(tǒng)辨識(shí)，結(jié)果表明,此方法實(shí)時(shí)性較好，可以生成最優(yōu)轉(zhuǎn)向角控制指令進(jìn)行車道保持控制；為提高車輛控制的穩(wěn)定性，文獻(xiàn)[34]以基于曲率的一階和二階空間導(dǎo)數(shù)的最小化為控制目標(biāo)，同時(shí)添加約束以避免偏離參考路徑，保證了良好的路徑跟蹤精度；文獻(xiàn)[35]在傳統(tǒng)的MPC控制基礎(chǔ)上，將執(zhí)行機(jī)構(gòu)的動(dòng)力學(xué)納入控制設(shè)計(jì)，并應(yīng)用二次規(guī)劃方法計(jì)算轉(zhuǎn)向的最優(yōu)軌跡，實(shí)現(xiàn)轉(zhuǎn)向系統(tǒng)的精確平滑跟蹤。

2.2.2 非線性模型預(yù)測(cè)控制

嚴(yán)格意義上來(lái)說(shuō)，線性系統(tǒng)是非線性系統(tǒng)近似或者是簡(jiǎn)化后的結(jié)果[36]。對(duì)于高速行駛的智能汽車以及非結(jié)構(gòu)化的道路(一般是指城市非主干道、鄉(xiāng)村街道等結(jié)構(gòu)化程度較低的道路)行駛環(huán)境，往往需要更精準(zhǔn)的控制以及實(shí)時(shí)避障[37]，此時(shí)需要運(yùn)用非線性模型預(yù)測(cè)控制進(jìn)行控制器的設(shè)計(jì)，即加入更多的控制變量、采用先進(jìn)的優(yōu)化方法以及考慮運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)進(jìn)行綜合建模等。文獻(xiàn)[38]在面對(duì)高速和非結(jié)構(gòu)化道路環(huán)境下，同時(shí)優(yōu)化參考速度和轉(zhuǎn)向角，控制車輛高速避障，其優(yōu)點(diǎn)是不需要事先了解環(huán)境和參考軌跡；文獻(xiàn)[39]在以車速和轉(zhuǎn)向角為控制變量的基礎(chǔ)上引入遺傳算法進(jìn)行優(yōu)化求解，結(jié)果證明所用方法能夠準(zhǔn)確、穩(wěn)定地控制車輛行駛；為充分描述車輛運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)特性，文獻(xiàn)[40]建立了運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)綜合模型，可以使車輛穩(wěn)定行駛，不足之處是計(jì)算量較大，可以運(yùn)用相應(yīng)的數(shù)值優(yōu)化工具和優(yōu)化算法有效減少計(jì)算量[41]。

總之，模型預(yù)測(cè)控制可以進(jìn)行實(shí)時(shí)滾動(dòng)優(yōu)化，在線處理建模誤差和干擾約束等問(wèn)題，有效應(yīng)用于高速以及非結(jié)構(gòu)化道路環(huán)境，可以使行駛車輛有較好的控制穩(wěn)定性，與此同時(shí)在線冗余量較大，可以考慮加入終端約束和狀態(tài)約束[42]、最小化橫向偏差和方向誤差[43]以及采用微分進(jìn)化算法[44]等，進(jìn)一步減小在線計(jì)算量，縮短反應(yīng)時(shí)間。

2.3 滑模控制

滑?？刂?(sliding mode control，SMC)本質(zhì)是一類特殊的非線性變結(jié)構(gòu)控制，是由前蘇聯(lián)學(xué)者Utkin等在20世紀(jì)50年代提出的[45]。其非線性表現(xiàn)為控制的不連續(xù)性，控制原理為根據(jù)系統(tǒng)所期望的動(dòng)態(tài)特性來(lái)設(shè)計(jì)系統(tǒng)的切換超平面，通過(guò)滑動(dòng)模態(tài)控制器使系統(tǒng)狀態(tài)從超平面之外向切換超平面收束；系統(tǒng)一旦到達(dá)切換超平面，控制作用將保證系統(tǒng)沿切換超平面到達(dá)系統(tǒng)原點(diǎn)，這一沿切換超平面向原點(diǎn)滑動(dòng)的過(guò)程稱為滑?？刂芠46]。SMC對(duì)非線性系統(tǒng)以及未知干擾具有較強(qiáng)的魯棒性，究其原因是系統(tǒng)存在抖振現(xiàn)象[47]。單一的SMC往往不能滿足智能汽車控制的要求[48]，改進(jìn)基于滑模變結(jié)構(gòu)的運(yùn)動(dòng)控制方法成為研究重點(diǎn)，主要方向有融合比例-微分 (proportion differentiation，PD) 控制、自適應(yīng)模糊控制[49]以及神經(jīng)網(wǎng)絡(luò)控制[50]的控制方法。文獻(xiàn)[51]針對(duì)高速自主導(dǎo)航智能汽車的魯棒性、精度高、時(shí)間限制嚴(yán)格的特點(diǎn)，設(shè)計(jì)了一種基于結(jié)構(gòu)和運(yùn)動(dòng)模型的滑?？刂破鳎ㄟ^(guò)對(duì)線速度和角速度的控制，能實(shí)現(xiàn)智能車輛對(duì)任意軌跡的跟蹤,控制效果較好[52]。

2.3.1 結(jié)合PD的滑?？刂?/p>

結(jié)合PD的滑?？刂苹舅枷胧抢肞D控制的簡(jiǎn)單易設(shè)計(jì)和滑模控制的魯棒性，提出一種新的控制律，避免兩者固有的缺點(diǎn)，以此進(jìn)行控制器的設(shè)計(jì)。文獻(xiàn)[53]針對(duì)多自由度直線平移機(jī)器人系統(tǒng)的軌跡跟蹤控制問(wèn)題，提出滑?？刂芇D，其中PD控制用于控制被控系統(tǒng)，而SMC用于補(bǔ)償干擾和不確定性，可以有效減少跟蹤誤差，仿真結(jié)果驗(yàn)證了該算法的有效性和魯棒性。同樣，文獻(xiàn)[54]結(jié)合PD和SMC提供了一種無(wú)模型非線性反饋機(jī)制，并與stand PD和SMC控制方式進(jìn)行比較，證明了所提出的混合控制方法的有效性。文獻(xiàn)[55]在前者的基礎(chǔ)上，采用自適應(yīng)PD滑模控制算法，并基于李雅普諾夫理論進(jìn)行穩(wěn)定性分析，進(jìn)一步提高了控制器的適應(yīng)性和魯棒性。

2.3.2 自適應(yīng)模糊滑?？刂?/p>

針對(duì)智能汽車高度非線性、強(qiáng)耦合、參數(shù)不確定性以及難以建立精確模型的特點(diǎn)，基于滑?？刂撇⑼ㄟ^(guò)自適應(yīng)模糊算法對(duì)不確定性和未知干擾進(jìn)行補(bǔ)償?shù)目刂撇呗钥梢杂行Ы档透櫿`差，具有良好的控制性能。為獲得車輛相對(duì)于參考路徑的精確位置信息，文獻(xiàn)[56]采用基于視覺(jué)算法的自適應(yīng)滑模控制策略，用來(lái)抵消非線性和不確定性的影響，并基于李雅普諾夫理論進(jìn)行穩(wěn)定性分析，證明其具有良好的控制性能。文獻(xiàn)[57]設(shè)計(jì)了基于輸入輸出線性化的自適應(yīng)模糊滑?？刂葡到y(tǒng)，仿真結(jié)果表明：即使外界因素發(fā)生變化，系統(tǒng)仍能準(zhǔn)確的跟蹤期望路徑，橫向偏差和方向偏差都快速趨于零，并且能有效降低車輛抖振，此方法車輛低速時(shí)控制效果較好。而對(duì)于高速行駛的智能汽車，文獻(xiàn)[58]提出一種新的自適應(yīng)模糊滑移控制系統(tǒng)，利用模糊系統(tǒng)對(duì)未知的非線性函數(shù)進(jìn)行逼近，可以有效處理復(fù)雜的動(dòng)態(tài)環(huán)境，并基于李雅普諾夫理論驗(yàn)證其穩(wěn)定性。基于自適應(yīng)模糊滑模的控制策略可以達(dá)到較好的控制效果[59]，所以此控制策略也被廣泛應(yīng)用于自主水下機(jī)器人的控制[60-62]。

2.3.3 結(jié)合神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑?？刂?/p>

針對(duì)智能汽車對(duì)于參數(shù)變化和未知的外部干擾，滑?？刂品椒梢垣@得滿意的跟蹤性能，但在基于模型的控制器設(shè)計(jì)中，由于模型簡(jiǎn)化過(guò)程中產(chǎn)生誤差，使得控制質(zhì)量下降，因此引入神經(jīng)網(wǎng)絡(luò)對(duì)各種不確定擾動(dòng)進(jìn)行建模和估計(jì)，以此進(jìn)行動(dòng)態(tài)控制器的設(shè)計(jì)。文獻(xiàn)[63-64]采用一種具有雙曲正切函數(shù)的特殊結(jié)構(gòu)的自適應(yīng)神經(jīng)網(wǎng)絡(luò)，仿真證明此控制器在保持滑模系統(tǒng)穩(wěn)定性和魯棒性的同時(shí)，對(duì)系統(tǒng)運(yùn)行中所產(chǎn)生的故障具有良好的抑制能力；文獻(xiàn)[65]采用模糊神經(jīng)網(wǎng)絡(luò)系統(tǒng)逼近傳統(tǒng)的滑模控制律，并引入監(jiān)控補(bǔ)償器來(lái)消除近似誤差，可以達(dá)到較好的控制效果；文獻(xiàn)[66-67]采用具有逼近任意非線性函數(shù)的徑向基函數(shù)(radial basis function,RBF)神經(jīng)網(wǎng)絡(luò)，能夠有效提高系統(tǒng)對(duì)多角度旋轉(zhuǎn)的全向車輛的控制性能，保證閉環(huán)系統(tǒng)的全局漸近穩(wěn)定性，進(jìn)一步提升控制效果；對(duì)于具有多角度旋轉(zhuǎn)的全向車輛，文獻(xiàn)[68]提出一種基于人工神經(jīng)網(wǎng)絡(luò)的自適應(yīng)滑模控制，對(duì)各種不確定性擾動(dòng)進(jìn)行建模和估計(jì)，建立全向車輛的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)模型，并與經(jīng)典的SMC和PID控制進(jìn)行比較，進(jìn)一步驗(yàn)證其有效性和魯棒性。

總之，基于滑模變結(jié)構(gòu)的控制器設(shè)計(jì)，其自身特點(diǎn)導(dǎo)致控制系統(tǒng)存在抖振現(xiàn)象，同時(shí)又不能將抖振完全消除，正是因?yàn)槎墩瘳F(xiàn)象的存在，使得控制系統(tǒng)在參數(shù)不穩(wěn)定以及外界干擾等條件下，仍然具有較強(qiáng)的魯棒性和自適應(yīng)性。在此基礎(chǔ)上結(jié)合PD控制、模糊控制以及自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制，使得智能汽車在復(fù)雜行駛環(huán)境下，可以較大限度的提高系統(tǒng)的魯棒性和控制精度。

3 發(fā)展趨勢(shì)

對(duì)智能汽車的運(yùn)動(dòng)控制來(lái)說(shuō)，如何將其他控制領(lǐng)域的先進(jìn)技術(shù)，與自身的運(yùn)動(dòng)狀態(tài)相互結(jié)合，切實(shí)優(yōu)化自身的運(yùn)動(dòng)控制效果，將是未來(lái)研究的方向，智能汽車橫向運(yùn)動(dòng)控制方式的發(fā)展趨勢(shì)為：

1)深入、多層次地研究現(xiàn)有的控制方式?？紤]更加全面的優(yōu)化控制策略，秉承存在即合理的優(yōu)化思想，針對(duì)復(fù)雜的道路環(huán)境，從控制結(jié)構(gòu)、算法等多策略方面思考優(yōu)化方向，設(shè)計(jì)更完善的控制方式，例如考慮混合模型多約束的優(yōu)化控制策略等。

2)積極結(jié)合其它領(lǐng)域的優(yōu)勢(shì)控制方法。通過(guò)自然界中生物的一些特有的生理結(jié)構(gòu)和生活習(xí)性，深入探討能夠運(yùn)用到智能汽車的仿生運(yùn)動(dòng)控制方式，例如是否可以模仿蛇的生理結(jié)構(gòu)開發(fā)一種適合智能車輛轉(zhuǎn)彎工況的穩(wěn)定控制器等。

3)與外部信息有效結(jié)合進(jìn)行控制?；谥悄芫W(wǎng)聯(lián)、大數(shù)據(jù)等一些先進(jìn)技術(shù)，打造基于互聯(lián)網(wǎng)的車路協(xié)同控制，依據(jù)實(shí)時(shí)提供的道路信息及其他因素，對(duì)智能汽車進(jìn)行有效合理控制。

4)高度人工智能控制。現(xiàn)階段的人工智能依托龐大的數(shù)據(jù)庫(kù)，以進(jìn)行相應(yīng)領(lǐng)域所謂的“人工智能”，相信隨著未來(lái)科技的發(fā)展，擁有自身獨(dú)立思想的人工智能汽車終將出現(xiàn)，實(shí)現(xiàn)真正意義上的無(wú)人駕駛。

4 結(jié)論

智能汽車屬于高維的復(fù)雜系統(tǒng)，難以建立精確的數(shù)學(xué)模型，同時(shí)還面臨著非線性、時(shí)滯性以及不確定性的干擾因素，難以實(shí)現(xiàn)最優(yōu)控制。傳統(tǒng)PID運(yùn)動(dòng)控制方式與神經(jīng)網(wǎng)絡(luò)和模糊控制的融合，彌補(bǔ)了PID參數(shù)整定的困擾；模型預(yù)測(cè)控制基于有效的模型和數(shù)值優(yōu)化工具，廣泛應(yīng)用于多變量、多約束的系統(tǒng)狀態(tài)，且控制效果良好；滑?？刂平Y(jié)合PD、神經(jīng)網(wǎng)絡(luò)等，可以達(dá)到更好的車輛控制精度，提高運(yùn)動(dòng)控制的魯棒性。實(shí)踐證明，將一種或幾種控制方式有效結(jié)合，可以進(jìn)一步提高智能汽車的控制性能，為早日實(shí)現(xiàn)汽車的無(wú)人駕駛打下堅(jiān)實(shí)的基礎(chǔ)。