基于預(yù)瞄的智能車(chē)輛路徑跟蹤控制探討

摘 要：各種智能技術(shù)的出現(xiàn)已經(jīng)極大地改變了現(xiàn)代社會(huì)發(fā)展的趨勢(shì)，帶來(lái)了眾多便利。智能技術(shù)也已經(jīng)成為了眾多社會(huì)生產(chǎn)實(shí)踐過(guò)程中的重點(diǎn)研究對(duì)象，具有較強(qiáng)的研究意義。將智能技術(shù)應(yīng)用在車(chē)輛路徑跟蹤控制中能夠使得車(chē)輛行駛更加智能化，降低駕駛難度，提高車(chē)輛安全性以及舒適性，帶來(lái)較強(qiáng)的經(jīng)濟(jì)效益。本文將對(duì)基于預(yù)瞄的智能車(chē)輛路徑跟蹤控制進(jìn)行深入研究。

關(guān)鍵詞：智能技術(shù)；路徑跟蹤控制；預(yù)瞄

隨著社會(huì)的不斷發(fā)展，人們的需求日趨增高，要想滿足人們的需求，技術(shù)必須走在前列，而要提高技術(shù)，必須運(yùn)用更智能化的技術(shù)。在研究智能車(chē)輛路徑跟蹤控制過(guò)程中，首先就需要將車(chē)輛的行駛過(guò)程進(jìn)行建模，使用動(dòng)力學(xué)模型中的一些基本知識(shí)，將車(chē)輛視為四輪的機(jī)器人剛性結(jié)構(gòu)。將車(chē)輛行駛過(guò)程中輪胎的側(cè)偏過(guò)程中發(fā)生的動(dòng)力學(xué)轉(zhuǎn)變來(lái)應(yīng)用最優(yōu)控制理論，使得智能車(chē)輛行駛跟蹤偏差明顯降低。使用預(yù)瞄的LQR方法能夠很好地考慮到前方路況特征的情況，使得智能車(chē)輛行駛過(guò)程更加優(yōu)質(zhì)。

一、車(chē)輛以及道路預(yù)瞄模型

在車(chē)輛的行駛過(guò)程中，涉及到多種因素，為了能夠便于研究分析，這里將車(chē)輛看作是一個(gè)擁有一定速度向前行駛的剛體，這樣就可以應(yīng)用動(dòng)力學(xué)進(jìn)行分析。車(chē)輛實(shí)際的各個(gè)行駛過(guò)程看作是前輪轉(zhuǎn)角進(jìn)行橫擺旋轉(zhuǎn)或者是側(cè)向平移運(yùn)動(dòng)。汽車(chē)受到的各種力的種類(lèi)比較多，不同的力都會(huì)對(duì)汽車(chē)的行駛狀況構(gòu)成不同的影響。在建立的模型中，控制器中使用的是離散數(shù)字控制，這樣就能夠得到的方程能夠確定出該車(chē)輛的轉(zhuǎn)向盤(pán)轉(zhuǎn)角控制量。

在應(yīng)用道路預(yù)瞄模型時(shí)，主要是采用的局部坐標(biāo)系方向固定不變，這樣在車(chē)輛各種運(yùn)動(dòng)狀態(tài)以及受力變化的過(guò)程中，就能夠更加直觀的反映出車(chē)輛坐標(biāo)系以及局部坐標(biāo)系之間的夾角，這也是一個(gè)變化的量。但是在這種控制過(guò)程中，一旦出現(xiàn)車(chē)輛朝向角和x軸夾角過(guò)大時(shí)，就會(huì)出現(xiàn)參考位置的變化，這種方程式的缺陷逐漸凸顯，也就是對(duì)環(huán)境的適應(yīng)能力比較差。因此就需要改進(jìn)這一缺陷，針對(duì)這一情況，直接將局部坐標(biāo)系使用車(chē)體坐標(biāo)系作為參考，這樣就使得在車(chē)輛運(yùn)動(dòng)的過(guò)程中，隨著車(chē)體坐標(biāo)系的變化，沿x軸的參考位置也會(huì)發(fā)生變化。最終呈現(xiàn)出來(lái)的優(yōu)勢(shì)就是能夠很好的提高算法的適應(yīng)性，使得建立的模型更加合理，能夠得到更加精確的數(shù)據(jù)信息。

二、LQR最優(yōu)預(yù)瞄控制

2.1 算法優(yōu)化過(guò)程

通過(guò)上述模型方程式的建立，能夠建立起道路預(yù)瞄模型的參考方程式，并相應(yīng)的建立起目標(biāo)函數(shù)，使得構(gòu)成比較系統(tǒng)完善的模型。得到的目標(biāo)函數(shù)中，主要是采用LQR標(biāo)準(zhǔn)的二次型形式，其中比較重要的有兩個(gè)方面，分別是路徑跟蹤的橫向與角度的綜合偏差以及車(chē)輛航向角和道路朝向角，第一個(gè)部分和第二個(gè)部分對(duì)于研究標(biāo)準(zhǔn)的離散LQR控制問(wèn)題就有較強(qiáng)的現(xiàn)實(shí)意義。在實(shí)際的研究過(guò)程中，一旦出現(xiàn)道路預(yù)瞄窗口較大的情況時(shí)，就會(huì)使得建立起的方程式比較復(fù)雜，將這些方程式應(yīng)用代數(shù)知識(shí)轉(zhuǎn)換成矩陣形式，也就是說(shuō)明矩陣的維數(shù)有所增加。那么在本文研究的智能車(chē)輛路徑跟蹤控制過(guò)程中，會(huì)造成系統(tǒng)的計(jì)算量大大增加，求解難度加大，計(jì)算時(shí)間有所延長(zhǎng)，因此不利于實(shí)現(xiàn)。仔細(xì)研究這一過(guò)程，可以發(fā)現(xiàn)在矩陣運(yùn)算變化之后，其中只有車(chē)速是動(dòng)態(tài)變化的，其他的矩陣元素都基本上是固定的。為了解決上一個(gè)難題，可以采用查表法，這樣很多參數(shù)都能夠直接通過(guò)在線查表的方式獲得。查表法中應(yīng)用的數(shù)據(jù)可以提前經(jīng)過(guò)計(jì)算得到，這樣就使得實(shí)際的控制過(guò)程十分便捷，能夠達(dá)到比較好的控制效果，降低計(jì)算量，提高算法的實(shí)時(shí)性。

2.2 對(duì)比測(cè)試研究

上述內(nèi)容對(duì)基于預(yù)瞄的智能車(chē)輛路徑跟蹤控制進(jìn)行了說(shuō)明，建立起了比較合理的動(dòng)力學(xué)模型以及科學(xué)的算法，從理論上來(lái)說(shuō)，已經(jīng)達(dá)到了比較好的控制效果。為了能夠更加清晰直觀的對(duì)這種控制模式帶來(lái)的優(yōu)勢(shì)進(jìn)行研究，采用了CarSim和Simulink進(jìn)行聯(lián)合仿真，在仿真過(guò)程中選用和真實(shí)車(chē)輛相同的參數(shù)，根據(jù)一些模擬的情況來(lái)對(duì)車(chē)輛路徑跟蹤能力進(jìn)行測(cè)試。為了確保這一技術(shù)能夠在更多的環(huán)境下使用，這里在一些常規(guī)的行駛環(huán)境和極限行駛環(huán)境進(jìn)行了仿真測(cè)試。設(shè)置LQR控制器預(yù)瞄周期為1s，權(quán)重矩陣系數(shù)為 。經(jīng)過(guò)相同條件的對(duì)比測(cè)試，從結(jié)果中看出，LQR控制器和MPC控制器的跟蹤性能都比較好，但是LQR的最大跟蹤偏差相對(duì)比較小，也就是跟蹤性能更好。但是在側(cè)偏角約束方面，LQR的表現(xiàn)情況比較差，在一些極限環(huán)境下，出現(xiàn)了一些側(cè)滑現(xiàn)象。因此最終展現(xiàn)為：在未達(dá)到極限行駛環(huán)境的條件下，LQR控制器的效果更好，優(yōu)化效果更明顯，但是一旦遇到了極限環(huán)境，LQR控制器容易使車(chē)輛出現(xiàn)側(cè)滑現(xiàn)象，因此在應(yīng)用該方案時(shí)，需要著重注意這一點(diǎn)，否則就有可能出現(xiàn)不良后果。最后，經(jīng)過(guò)對(duì)紅旗H7轎車(chē)進(jìn)行了實(shí)車(chē)研究，測(cè)試的環(huán)境有長(zhǎng)直線、長(zhǎng)彎、環(huán)島、直角彎等，這些都是車(chē)輛在城市行駛過(guò)程中經(jīng)常會(huì)遇到的情況，最終展現(xiàn)出的跟蹤精度比較高，轉(zhuǎn)向盤(pán)轉(zhuǎn)動(dòng)也持續(xù)處于比較平穩(wěn)的狀態(tài)。

三、結(jié)語(yǔ)

本文對(duì)基于預(yù)瞄的智能車(chē)輛路徑跟蹤控制進(jìn)行了研究，針對(duì)LQR最優(yōu)控制方法存在運(yùn)算量過(guò)大的問(wèn)題，這里采用了查表法，使用離線優(yōu)化的方法，使得計(jì)算更快，運(yùn)算量更小，這樣就會(huì)使得車(chē)輛在行駛過(guò)程中對(duì)各種道路因素的反應(yīng)更加迅速，并且具有較好的跟蹤精度。但是LQR最優(yōu)控制方法在一些極限行駛情況下，可能會(huì)造成出現(xiàn)側(cè)滑的現(xiàn)象，因此就需要著重改善這一問(wèn)題?？梢酝ㄟ^(guò)對(duì)輪胎進(jìn)行有針對(duì)性設(shè)計(jì)，提高輪胎的抓地力，優(yōu)化輪胎模型，這樣能夠很好的確保車(chē)輛的穩(wěn)定性，并能夠在一定程度上促進(jìn)智能汽車(chē)產(chǎn)業(yè)的發(fā)展。

參考文獻(xiàn)：

[1]高洪波，李升波，謝國(guó)濤，成波.智能汽車(chē)橫向軌跡跟蹤的離散時(shí)間模型預(yù)測(cè)控制[J].指揮與控制學(xué)報(bào)，2018，4（04）：297-305.

[2]王曉，要婷婷，韓雙雙，曹東璞，王飛躍.平行車(chē)聯(lián)網(wǎng)：基于ACP的智能車(chē)輛網(wǎng)聯(lián)管理與控制[J].自動(dòng)化學(xué)報(bào)，2018，44（08）：1391-1404.

[3]姜立標(biāo)，吳中偉.基于趨近律滑?？刂频闹悄苘?chē)輛軌跡跟蹤研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（03）：381-386.

[4]李進(jìn)，徐朝勝，陳杰平，李忠芳.基于集散決策體系結(jié)構(gòu)的智能車(chē)輛自主導(dǎo)航[J].控制工程，2012，19（04）：728-732.

[5]高德芝，段建民，鄭榜貴，田炳香.智能車(chē)輛環(huán)境感知傳感器的應(yīng)用現(xiàn)狀[J].現(xiàn)代電子技術(shù)，2008（19）：151-156.

[6]王榮本，張榮輝，金立生，郭烈.區(qū)域智能交通車(chē)輛系統(tǒng)發(fā)展及其關(guān)鍵技術(shù)綜述[J].汽車(chē)工程，2007（03）：179-182.

作者簡(jiǎn)介：

王新煒，1997.11.11，男，漢，山東濟(jì)南，聊城大學(xué)本科.