无人驾驶汽车路面自适应MPC轨迹跟踪控制_郭盼.pdf

2023 年 5 月May 2023第 44 卷第 3 期Vol 44No 3doi:10 3969/j issn 1671 7775 2023 03 004开放科学(资源服务)标识码(OSID):无人驾驶汽车路面自适应 MPC 轨迹跟踪控制郭盼1，于蕾艳2(1 清华大学 机械工程系，北京 100084;2 中国石油大学(华东)机电工程学院，山东 青岛 266580)摘要:针对无人驾驶汽车轨迹跟踪工况范围狭窄、评价方法片面和路面自适应控制不足等问题，研究全车速和全道路附着系数工况轨迹跟踪精度和行驶安全性 提出路面自适应的多约束模型预测控制，由车辆 3 自由度非线性动力学模型得到离散化线性时变预测模型，根据传感器检测的道路附着系数实现路面自适应的车速范围匹配，制定车速增量约束条件 融合 CarSim 和 Matlab 软件进行研究，得到路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角最大值和标准差随车速和道路附着系数变化的规律;结合轮胎侧偏机理评价行驶安全性，划分全工况轨迹跟踪稳定区和失稳区 结果表明:根据道路附着系数自适应调节车速大小，汽车在全工况下，轨迹跟踪精度较高，行驶安全性较好关键词:无人驾驶汽车;轨迹跟踪;模型预测控制;全工况;工况匹配;路面自适应中图分类号:U461文献标志码:A文章编号:1671 7775(2023)03 0270 06引文格式:郭盼，于蕾艳 无人驾驶汽车路面自适应 MPC 轨迹跟踪控制 J 江苏大学学报(自然科学版)，2023，44(3):270 275，323收稿日期:2021 08 05基金项目:中央高校基本科研业务费专项资金资助项目(19CX02019A);中国石油大学(华东)研究生教育教学改革项目(YJG2019025)作者简介:郭盼(1999)，男，湖北天门人，硕士研究生(gp2021 foxmail com)，主要从事车辆动力学与控制的研究于蕾艳(1980)，女，山东烟台人，副教授(spring_1980163 com)，主要从事汽车动力学与控制、智能汽车的研究Trajectory tracking control of driverless vehicle based onroad adaptive model predictive controlGUO Pan1，YU Leiyan2(1 Department of Mechanical Engineering，Tsinghua University，Beijing 100084，China;2School of Mechanical and ElectricalEngineering，China University of Petroleum(East China)，Qingdao，Shandong 266580，China)Abstract:To solve the problems of narrow driving condition range，partial evaluation method andinsufficient road adaptive control of trajectory tracking，the trajectory tracking accuracy and driving safetyunder full speed and full road adhesion coefficient were investigatedIn the road adaptive modelpredictive control(MPC)，the discrete linear time-varying predictive model was obtained by the three-degree-of-freedom nonlinear dynamic model of the vehicle The road adaptive speed range matching wasrealized according to the road adhesion coefficient detected by sensors，and the constraint condition of thespeed increment was formulated The maximum and standard deviation of path tracking error，lateralacceleration，centroid sideslip angle and front wheel sideslip angle with the change of velocity and roadadhesion coefficient were obtained by integrating CarSim and Matlab softwaresCombined with themechanism of tire sideslip，the driving safety was evaluated，and the trajectory tracking stability/instability area of vehicle under all working conditions was divided The results show that the vehiclespeed can be adaptively adjusted according to the road information to achieve excellent trajectory tracking第 3 期郭盼等:无人驾驶汽车路面自适应 MPC 轨迹跟踪控制271accuracy and driving safety under all working conditionsKey words:driverless vehicle;trajectory tracking;model predictive control;all working conditions;condition matching;road adaptation近年来，无人驾驶技术迅速发展1，轨迹跟踪控制是热点问题2 4 模型预测控制(model predic-tive control，MPC)算法广泛应用在车辆轨迹跟踪控制领域中 SONG P 等5 基于模型预测控制设计了多约束控制器，与单约束控制器相比，车辆的侧向跟踪误差、航向角和侧偏角的变化表明车辆具有更好的轨迹跟踪控制性能 WANG H Y 等6 使用模糊控制算法自适应调节模型预测控制算法中目标函数的权重，和纯跟踪算法相比具有更优的控制能力 JI J 等7 设计了一种基于模型预测控制的新型控制器，由环境感知模块和轨迹规划模块共同组成整个系统的决策模块，研究结果表明，控制器具有良好的轨迹规划和跟踪性能 H KAZEMI 等8 建立了一种经过神经网络优化的模型预测控制器，应用在自适应巡航的场景下，在真实驾驶场景中评估控制器的性能，仿真结果表明，经过优化的控制器具有更优的控制性能 孙银健9 在传统模型预测控制器的基础上增加了车辆动力学约束条件，研究了航向角、横摆角速度和质心侧偏角等评价指标随时间的变化，分析了在低附着系数道路上车辆的跟踪情况 胡家铭等10 针对无人驾驶车辆存在的系统不确定性和外界干扰等问题，在模型预测控制器中引入反馈矫正机制来提高跟踪精度 刘凯等11 基于零力矩点的车辆侧倾安全约束设计轨迹跟踪控制器，适应复杂越野地形，轨迹跟踪保证车辆安全性以上研究存在如下不足:只针对某几个特定的车速和道路附着系数工况进行研究，研究结果在全工况下不具有普遍性，无法代表车辆在全工况下的实际行驶情况;性能评价方法片面，无法准确全面地评价车辆在全工况下的轨迹跟踪精度和行驶安全性;缺乏路面自适应控制，不能根据不同路面限制车速约束范围针对以上不足，笔者使用车辆 3 自由度非线性动力学模型，基于路面自适应模型预测控制方法，建立适合于全车速和全道路附着系数工况的无人驾驶汽车轨迹跟踪控制器 提出路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角的最大值和标准差组成的评价体系，划分车辆全工况轨迹跟踪稳定区和失稳区，有助于探明无人驾驶汽车在全工况下的轨迹跟踪精度和行驶安全性1车辆 3 自由度非线性动力学模型为了安全、准确地跟踪参考轨迹，车辆模型选用 3 自由度非线性动力学模型，如图 1 所示，平面内仅有纵向、横摆和横向运动 3 个自由度 其中:a 为质心到前轴中心的距离;b 为质心到后轴中心的距离;Flf、Flr分别为前、后轮受到的纵向力;Fcf、Fcr分别为前、后轮受到的横向力;Fxf、Fxr分别为前、后轮受到的沿 x 轴方向的力;Fyf、Fyr分别为前、后轮受到的沿 y 轴方向的力;为横摆角速度;x为纵向速度;y为侧向速度;f为前轮转角;f为前轮侧偏角;vf、vlf、vcf分别为前轮速度、前轮纵向速度、前轮侧向速度图 1车辆 3 自由度非线性动力学模型车辆 3 自由度非线性运动微分方程为mx=my+2Fxf+2Fxr，my=mx+2Fyf+2Fyr，Iz=2aFyf2bFyr，(1)式中:m 为整车整备质量;Iz为绕 z 轴的转动惯量结合小角度假设和基于魔术公式轮胎模型线性化处理，由式(1)得车辆非线性动力学模型为mx=my+2 Clfsf+Ccffy+ax()f+Clrsr，my=mx+2 Ccffy+ax()+Ccrb yx，Iz=2 aCcrfy+ax()bCcrb yx，X=xcos ysin，Y=xsin +ycos，(2)272第 44 卷式中:x 为纵向加速度;y 为侧向加速度;为横摆角加速度;Ccf为前轮的侧偏刚度;Ccr为后轮的侧偏刚度;Clf为前轮的纵向刚度;Clr为后轮的纵向刚度;sf为前轮滑移率;sr为后轮滑移率系统的状态量为 xdyn=yxyxT，系统的控制量为 udyn=f 在轨迹跟踪控制器中，将建立的车辆动力学模型用作预测模型2轨迹跟踪控制器设计选用线控底盘作为轨迹跟踪控制的执行系统，线控转向子系统实现前轮转角的控制，线控制动子系统和线控驱动子系统实现车速的控制 全工况下基于模型预测控制的车辆轨迹跟踪原理如图2 所示图 2全工况下基于模型预测控制的车辆轨迹跟踪原理受控系统(无人驾驶汽车线控底盘)、模型预测控制器和状态估计器组成完整的模型预测控制系统 其中，模型预测控制器是在预测控制理论的预测模型、滚动优化和反馈校正12 3 个基本要素的基础上，结合约束条件、预测模型以及目标函数进行设计的 控制器结合约束条件不断对目标函数进行求解，计算得到控制变量序列 u(t)后，其第 1 个值将会应用于受控系统，系统执行控制 状态估计器计算得到系统的状态量并反馈给控制器，不断更新预测模型1)预测模型 基于离散的线性时变模型，迭代推导出系统的输出方程为Y=(k)+U，(3)式中:Y 为输出向量;和 均为系数矩阵;(k)为当前时刻的状态量;U 为控制增量向量由式(3)可知，若已知当前时刻的状态量(k)和控制时域 Nc内的控制增量 U，也就可以预测未来预测时域 Np内的输出量 Y，故将由式(3)作为控制系统的预测模型2)滚动优化 轨迹跟踪控制器在每个控制周期内要解决的优化问题归纳为minU，Npi=1(t+i|t)r(t+i|t)2Q+Nc1i=1u(t+i)2+2，(4)约束条件如下:UminUUmax，(5)UminAU+UUmax，(6)yhc，minyhcyhc，max，(7)ysc，min yscysc，max+，(8)0，(9)12 12，良好路面，(10)2 2，冰雪路面，(11)y min y y max+，(12)2.5 f2.5，(13)式中:(t+i|t)、r(t+i|t)是以 t 时刻为基准，t+i时刻的系统输出状态量和参考输出状态量;yhc为硬约束输出;ysc为软约束输出;yhc，min、yhc，max分别为硬约束的极小值和极大值;ysc，min、ysc，max分别为软约束的极小值和极大值;A 为系数矩阵;为松弛因子;、Q、均为权重系数;为质心侧偏角;y=ay，ay为侧向加速度 软约束的设置保证了每个控制步中都能求解得到可行解，所以可适当放大输出量的范围以上多约束条件中，式(10)和(11)约束了质心侧偏角;式(12)约束了侧向加速度;式(13)约束了前轮侧偏角，保证了车辆的行驶安全性 式(5)约束了车速和前轮转角增量，图 2 中的基于路面自适应第 3 期郭盼等:无人驾驶汽车路面自适应 MPC 轨迹跟踪控制273的车速范围匹配模块中，车载摄像头检测的前方道路图像输送给 CPU，结合神经网络等智能算法进行图像处理，估计出前方道路的附着系数 根据不同的道路附着系数，实现车速的自适应匹配，计算得到车速增量 v 车速增量输送到模型预测控制器的约束条件中参与优化模型的最优化求解3)反馈矫正 在系统的每个控制周期中求解式(5)(13)后，将获得受控系统在控制时域 Nc中的一系列控制输入增量:Ut=utut+1ut+Nc1T(14)把获得的控制输入增量序列中的第1 个元素作为实际控制输入增量应用于系统，从而获得最佳控制量:u(t)=u(t 1)+ut(15)此时，系统将执行此控制量直到下一个时刻在新时刻，系统将根据当前状态信息预测下一时刻的输出，并通过优化求解过程得到新的最佳控制增量序列，直到系统整个控制过程完成为止3全工况轨迹跟踪效果分析以全车速和全道路附着系数为例，研究无人驾驶汽车全工况轨迹跟踪精度和行驶安全性 融合CarSim 和 Matlab 软件进行研究，基于模型预测控制的轨迹跟踪联合仿真模型如图 3 所示图 3基于模型预测控制的轨迹跟踪联合仿真模型目标轨迹选用车辆行驶稳定性试验中广泛使用的双移线轨迹，其具有代表性和可重复性13 车速 v 从 10 m/s 至 30 m/s 每隔 5 m/s 选取 1 个车速值，道路附着系数 从 0.1 取至 0.9，观察车辆在全车速工况以及全道路附着系数工况下的轨迹跟踪情况和稳定性 采用的评价指标中，路径跟踪误差表征轨迹跟踪精度，侧向加速度、质心侧偏角和前轮侧偏角表征行驶安全性 指标最大值表征车辆行驶经过大曲率路段时轨迹跟踪精度和行驶安全性的极限情况，标准差表征这些指标相对平均值的离散程度，反映车辆在整个轨迹跟踪过程中的性能波动情况 路径跟踪误差的变化规律如图 4 所示，其中:esmax为路径跟踪误差最大值;s为路径跟踪误差标准差图 4路径跟踪误差的变化规律从图4 可以看出:车辆以低速在道路附着系数高的良好路面上行驶时，路径跟踪误差偏低，轨迹跟踪效果最好;当道路附着系数接近0.1 时，5 种车速下路径跟踪误差的最大值都偏大，甚至接近 5 m;车速越低则越能够适应道路附着系数较低的路面，即车辆能够以低速在道路附着系数较低的湿滑路面上跟踪目标轨迹 车辆以 10 m/s 的车速行驶在道路附着系数为0.2 的路面上时，路径跟踪误差最大值就已经降到274第 44 卷低于1 m，而车辆以20 m/s 的车速行驶在道路附着系数为0.7 的路面上时，路径跟踪误差最大值才降至低于1 m 当车辆以25、30 m/s 等高速跟踪目标轨迹时，即使行驶在道路附着系数为 0.7 或者 0.8 的良好路面上，路径跟踪误差最大值依然比较大，接近 3 m，说明车辆在转弯处的轨迹跟踪效果差从图 4c 可以看出:车辆以低速行驶在道路附着系数高的路面上时，路径跟踪误差的标准差则比较小，说明车辆在轨迹跟踪过程中，其路径跟踪误差相对其平均值的离散程度更小，路径跟踪误差变化不大，跟踪效果较好侧向加速度的变化规律如图 5 所示，其中:aymax为侧向加速度最大值;ay为侧向加速度标准差图 5侧向加速度的变化规律从图5 可以看出:当车辆以 25、30 m/s 等高速跟踪目标轨迹时，即使行驶在道路附着系数为0.7 或者0.8 的良好路面上，侧向加速度的最大值较大，接近 7m/s2 侧向力较大，车辆的操纵稳定性较差，所以在轨迹跟踪过程中要避免选择高速行驶;当道路附着系数接近0.1 时，5 种车速下的侧向加速度最大值均很小，接近0.1 m/s2，此时车辆的侧向附着力较小，侧向稳定性较弱，所以车辆的转向能力受到很大的影响，导致轨迹跟踪效果差;当道路附着系数逐渐升高时，侧向加速度最大值也随之增大，车辆的侧向附着力逐渐增大，侧向稳定性逐渐增强，车辆的转向能力也会随之变好，所以随着道路附着系数的提升，路径跟踪误差最大值也会迅速下降，由图 4 可知，最低能降到接近 0 5 m，轨迹跟踪效果较好质心侧偏角的变化规律如图 6 所示，其中:max为质心侧偏角最大值;为质心侧偏角标准差图 6质心侧偏角的变化规律从图 6 可以看出:当道路附着系数为 0.1 0.4时，车辆质心侧偏角满足约束范围(2，2);当道路附着系数为 0.5 0.9 时，车辆质心侧偏角满足约束范围(12，12)，汽车的行驶安全性有保障前轮侧偏角的变化规律如图7 所示 其中:fmax为前轮侧偏角最大值;f为前轮侧偏角标准差 从图 7a、b 可以看出:车辆以 10 m/s 的车速行驶在道路附着系数大于 0 3 的路面上时，前轮侧偏角最大值低于 3，车轮的侧偏特性处于线性区域内;而车辆以 15 m/s 的车速行驶在道路附着系数大于 0 5的路面上时，前轮侧偏角最大值低于 3，车轮的侧偏特性处于线性区域内;车速大于 20 m/s 时，无论道路附着系数如何变化，前轮侧偏角最大值均高于3，车轮的侧偏特性均处于非线性区域内 这说明车辆以大于 20 m/s 的车速行驶经过 50、100 m 处的急弯时，车轮的侧偏特性处于非线性区域内，此时轮胎产生的侧向力逐渐趋于饱和，车辆的转向特性将会发生变化，从而导致侧滑等危险的发生 另外，当车轮的侧偏特性处于非线性区域时，驾驶员难以根据驾驶经验准确地操纵转向盘，控制车辆的行驶方第 3 期郭盼等:无人驾驶汽车路面自适应 MPC 轨迹跟踪控制275向，极易发生交通事故 从图 7c 可以看出:车辆低速行驶在道路附着系数高的路面上时，前轮侧偏角的标准差则比较小，说明车辆在轨迹跟踪过程中，其前轮侧偏角相对其平均值的离散程度更小，车辆的行驶稳定性变化不大 为了保证车辆在轨迹跟踪的过程中既保证跟踪效果，又维持其行驶稳定性与安全性，有必要安装 ESP(electronic stability program)等车辆稳定性系统图 7前轮侧偏角的变化规律为了获得良好的轨迹跟踪精度和行驶安全性，考虑车速和道路附着系数的匹配关系，将车辆的行驶工况分割成如图 8 所示的 2 块区域:稳定区和失稳区 车辆在稳定区工况行驶时，车辆具有良好的轨迹跟踪精度和行驶安全性;车辆在失稳区工况行驶时，轨迹跟踪精度和行驶安全性会急剧恶化，这时就需要根据传感器检测到的路面信息及时调整车速的大小，重新回到稳定工况区行驶图 8车辆全工况轨迹跟踪稳定区和失稳区划分4结论1)在路面自适应模型预测控制器的设计中，结合车辆 3 自由度非线性动力学模型建立预测模型;制定车速约束条件时，根据传感器检测的道路附着系数进行路面自适应的车速范围匹配，提高在极限工况下的行驶安全性2)提出了路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角的最大值和标准差组成的评价体系，准确评价全工况下轨迹跟踪精度和行驶安全性3)根据上述 4 个指标随着车速和道路附着系数的变化，分析了在全车速和全道路附着系数工况下的轨迹跟踪精度和行驶安全性，划分了车辆全工况轨迹跟踪稳定区和失稳区，为控制方法提供参考4)为了获得良好的轨迹跟踪精度和行驶安全性，需要根据车辆行驶工况匹配关系实时调节车速大小，使车辆始终保持在稳定区行驶，根据路面变化实现车速的自适应控制5)为了更全面地研究无人驾驶汽车在全工况下的轨迹跟踪控制，下一步研究引入对开路面等更丰富工况，拓展到融合时域和频域的综合研究参考文献(eferences)1 袁朝春，宋金行，何友国，等 基于行人轨迹预测的无人驾驶汽车主动避撞算法 J 江苏大学学报(自然科学版)，2021，42(1):1 8YUAN C C，SONG J H，HE Y G，et al Active colli-sion avoidance algorithm of autonomous vehicle based onpedestrian trajectory predictionJ Journal of JiangsuUniversity(Natural Science Edition)，2021，42(1):1 8(in Chinese)2 ZHOU X B，YU X，ZHANG Y M，et al Trajectoryplanning and tracking strategy applied to an unmannedground vehicle in the presence of obstaclesJ IEEETransactions on Automation Science and Engineering，2021，18(4):1575 15893 龚建伟，姜岩，徐威 无人驾驶车辆模型预测控制 M 北京:北京理工大学出版社，20144 李玉治，李刚，张志华 极限工况下无人驾驶四轮转向汽车横向跟踪控制策略J 重庆理工大学学报(自然科学)，2023，37(1):66 74LI Y Z，LI G，ZHANG Z H Lateral tracking control ofa driverless four-wheel steering vehicle under extremeconditions J Journal of Chongqing University of Tech-nology(Natural Science)，2023，37(1):66 74(inChinese)(下转第 323 页)第 3 期王彬等:基于改进 Faster CNN 的驾驶员手持通话检测3239 HAN G X，HUANG S Y，MA J W，et al Meta faster-CNN:towards accurate few-shot object detection withattentive feature alignment C Proceedings of the 36thAAAI Conference on Artificial Intelligence S l :Association for the Advancement of Artificial Intelli-gence，2022 10 李鹏松，李俊达，倪天宇，等 基于图像特征的卷积核初始化方法J 吉林大学学报(理学版)，2021，59(3):587 594LI P S，LI J D，NI T Y，et al Convolution kernel ini-tialization method based on image featuresJ Journalof Jilin University(Science Edition)，2021，59(3):587 594(in Chinese)11 池涛，王洋，陈明 多层局部感知卷积神经网络的高光谱图像分类J 四川大学学报(自然科学版)，2020，57(1):103 112CHI T，WANG Y，CHEN M Hyperspectral image clas-sification of multi-layer local perceptual convolutionalneural networksJ Journal of Sichuan University(Natural Science Edition)，2020，57(1):103 112(in Chinese)(责任编辑梁家峰)(上接第 275 页)5 SONG P，ZONG C F，TOMIZUKA M Combined longi-tudinal and lateral control for automated lane guidance offull drive-by-wire vehiclesJ SAE International Jour-nal of Passenger Cars-Electronic and Electrical Systems，2015，8(2):419 4246 WANG H Y，LIU B，PING X Y，et al Path trackingcontrol for autonomous vehicles based on an improvedMPC J IEEE Access，2019，7:161064 1610737 JI J，KHAJEPOU A，MELEK W W，et al Path plan-ning and tracking for vehicle collision avoidance basedon model predictive control with multiconstraintsJ IEEE Transactions on Vehicular Technology，2017，66(2):952 9648 KAZEMI H，MAHJOUB H N，TAHMASBI-SAVES-TANI A，et al A learning-based stochastic MPC designfor cooperative adaptive cruise control to handle interfe-ring vehicles J IEEE Transactions on Intelligent Vehi-cles，2018，3(3):266 2759 孙银健 基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法研究 D 北京:北京理工大学，2015 10 胡家铭，胡宇辉，陈慧岩，等 基于模型预测控制的无人驾驶履带车辆轨迹跟踪方法研究J 兵工学报，2019，40(3):456 463HU J M，HU Y H，CHEN H Y，et al esearch ontrajectory tracking of unmanned tracked vehicles basedon model predictive controlJ Acta Armamentarii，2019，40(3):456 463(in Chinese)11 刘凯，王威，龚建伟，等 越野地形下智能车辆的动力学建模与轨迹跟踪J 北京理工大学学报，2019，39(9):933 937LIU K，WANG W，GONG J W，et al Dynamic mode-ling and trajectory tracking of intelligent vehicles in off-road terrain J Transactions of Beijing Institute ofTechnology，2019，39(9):933 937(in Chinese)12 TAN Q F，DAI P L，ZHANG Z H，et al MPC andPSO based control methodology for path tracking of4WS4WD vehicles J Applied Sciences，doi:103390/app8061000 13 吴海东，司振立 基于线性矩阵不等式的智能车轨迹跟踪控制 J 浙江大学学报(工学版)，2020，54(1):110 117WU H D，SI Z L Intelligent vehicle trajectory trackingcontrol based on linear matrix inequality J Journal ofZhejiang University(Engineering Science)，2020，54(1):110 117(in Chinese)(责任编辑贾国方)