车辆路径跟踪自动控制系统的研究*

李 晶 ， 谢达城

（江西应用技术职业学院，江西 赣州 341000）

无人驾驶是未来智能交通系统发展的主要趋势，凭借车辆中的传感系统全方位识别周边环境，将道路信息、车辆位置信息、周围障碍物信息及红绿灯情况作为信息源，为实现智能车辆的全局规划和局部路径控制预定目标提供便利条件。为此，研究如何在保证车辆运行安全基础上，通过控制车辆自动转向系统的参数，减小车辆实际航迹与规划目标航迹之间的横向偏差和方位偏差具有重要意义。

1 自动驾驶原理

驱动机制是人工智能、物联网及海量数据相结合的新型技术，是未来车辆轨迹跟踪的主要发展方向，是保证无人驾驶车辆正常运行的前提条件，是实现车辆正常、平稳运行的关键因素。轨迹跟踪的任务可以理解为设计一个水平控制器，以连续生成方向指令来补足偏差，保证车辆运行安全稳定。目前，轨迹跟踪的主要方法可分基于几何关系的几何跟踪方法与基于模型设计的控制方法两种形式。近年来，国内外许多研究人员对轨迹跟踪做了大量的研究，提出了一种自适应时间预测算法，可以凭借不同的预测次数预测未来车辆的运行情况。并提出了一种改进预览跟踪算法，确保计算出的预览点位于所需路径上，避免发生曲率过大情况，最终出现路径偏差。

对于轨迹跟踪问题，模型控制方法是解决该问题的一种较为科学高效方法，虽然该算法复杂，优化求解阶段需要消耗大量时间，但在许多工程实例中得到广泛应用，跟踪方法更为广泛。在长时间优化、改良的基础上，几何跟踪方法可用于道路车辆的开发中，并取得了明显的成效[1]。

车辆路径跟踪控制系统是重点研究内容。目前，经典PID控制在国内外应用较为广泛，其中包含多种算法，虽然多元化的车辆路径跟踪算法及相关技术各具优势特征，但在具体运行时也存在一定问题。例如，大多数算法并不依附于精确的数学模型，最终控制精度数值普遍偏低，但如果算法控制精度偏高，则抗干扰能力差。因此，无法从根本上同时达到精度、稳定性和实时性标准。车辆路径跟踪横向控制为重点研究内容，充分发挥模糊控制及滑模控制自身所具备的优势特征，能够集中凸显滑模变结构控制特点，且能够快速响应，也为顺利实现横向控制提供了便利。模糊控制对建模并没有较高要求，自身具有较强的鲁棒性与容错性特征，能够为多元化控制方法的有效集成提供便利条件。为此，可设计出一种智能车辆横向轨迹跟踪控制器，并借助方位偏差与水平偏差融合方法，来降低模糊控制维数，以便减轻计算工作，保证控制器实时性与稳定性。此外，还应该要测试控制器性能，如果最终测试控制效果良好，就可以保证控制的精度，满足车辆路径跟踪需求，保证车辆运行安全[2]。

2 自动驾驶车辆路径跟踪控制算法

2.1 模型预测控制

重点描述模型预测控制（Model Predictive Control, MPC）工作机理，即每次在线求解开环优化问题时，在获取当前测量信息的基础上，获得控制对象上控制动作序列的第一个分量。在采样中对其进行循环往复操作，在初始值测量条件下，预判系统动力学未来发展情况，并对车辆运行中存在的问题加以治理与解决，称之为反馈控制策略。在运行过程当中，更应该将预测模型控制的基本特性比如反馈校正、滚动优化、预测模型，发挥最大的优势。在使用MPC算法时，可从三方面进行探寻，一是科学预判系统未来发展动态模型，二是优化处理数值解，三是将最优解合理应用于系统中。在每次取样时都应加以重视，在借助模型预测控制时，应将每次采样时的测量值看作是预测未来系统动力学不可或缺的前提条件。MPC与传统控制方法两者之间存在明显差异，最优开环序列是凭借在线求解开环优化问题所得来的，而在线求解开环优化问题通常是离线求解一个反馈控制律，在系统运行中有一定体现[3]。

对于复杂度较低的自动驾驶汽车行程追踪来说，一种基于非线性模型的预测控制器更为合适。为增强无人驾驶车辆动态性能，避免发生轮胎漂移及失稳情况，并未对极限环附近轮胎的非线性摩擦问题给予重视，非线性模型预测控制引入的C/GMRES算法，更好地将自动驾驶车辆路径预测模型与二自由度动力学模型相互融合；在此基础上，设计出MPC轨迹跟踪控制器，进而获得横向跟踪误差及方向盘转角实时信息输入。根据硬件仿真结果可知，在跟踪误差较小时，可满足控制精度标准。UGV作为一种高级制导控制系统，非线性模型预测控制算法通过顺序求解在线数值优化，进而解决最优控制和路径规划问题，通过在UGV实验平台上验证，验证了该算法的有效性与真实性。

2.2 比例-积分-微分控制

PID算法及其优化算法被广泛应用于工业控制系统中，PID控制技术通过对Kp、Ki、Kd三个控制参数进行调整，其中预期结果比例参数Kp的作用为平衡控制器输入与输出二者之间关联，为保证无人驾驶车辆路径跟踪精度，借助遗传算法对PID控制器参数做适当修正，以便提升系统稳定性与动态适应性。在对无人机进行跟踪控制时，可应用PID控制方法，明确航迹偏离角与距离存在的误差，根据模糊控制规则参数更改操作PID控制器，实现姿态和运动的自适应，从而实现车辆路径的自动跟踪[4]。

由于控制器模型设计的不确定性，提出了一种将自适应控制、反向绕组补偿器和积分PID控制相结合的抗饱和补偿器模型。通过设计视觉导航的自动驾驶车辆转向控制系统的嵌入式PID控制系统，以方向盘转角为输入，跟踪不确定的曲率轨迹，设计基于偏置电压横向曲率摄动的嵌入式PID控制系统，以抑制随时间的线性增长。PID控制算法虽然能够将实际控制行为与控制对象之间的误差消除，但是信号处理过程太过简单[5]。

2.3 模糊控制

模糊控制即模糊逻辑控制，是集模糊语言变量、模糊集合论和模糊逻辑推理于一体的综合型控制方法，在计算机数字控制技术有直接关联。模糊逻辑控制算法是建立在目标搜索过程的数学模型分析语言，可直接翻译成计算机语言。现实情况的工业控制中，被控制的数据模型相对精度较高。但由于受外界因素所影响，传统控制方法无法达到满意成果，也无法满足精确数学模型需要。模糊概念的含义不能满足非常精确的要求，在实践中也存在不确定性。运行车辆本质作为一种较为繁杂的非线性动力学系统，需要多种部件构成，无法准确构建数学模型。所以，从滑模控制层面来看，这是一个复杂而简化的问题，需加以重视[6]。

根据车辆逆动力学控制理论，在建模中应考虑车辆滚动自由度和构建车辆三自由度输入角的线性化模型，使用科学方法对车辆操纵性及稳定性进行评估分析。因此，根据理想道路输入，可选择典型方法进行仿真。根据模糊控制在确定控制规则及隶属函数后无法进行调整的实际情况，将模糊算法中逻辑推理与神经网络算法的学习能力进行融合，建立了一种角速度模糊网络控制器。由于神经网络在自动驾驶中得到了广泛应用，该设计中利用神经网络两个输入参数位置误差与向角误差，采用由非线性模型演进的T-S模糊模型作为模糊控制器，对Lyapunov方法和线性矩阵不等式方法应用进行分析，并对其真实性与有效性进行探寻。该方法基于机器视觉和模糊控制理论，选择CMOS传感器进行道路识别，通过对图像处理技术进行探寻，画出车道中心线。设计一种分层模糊控制器，通过额外的输入纳入车速反馈过程中，形成系统完整闭环。将这两种模糊控制器结合起来控制车辆的行驶方向，并用模糊控制代替传统的PID控制来控制车速。与传统的PID和模糊控制算法相比，改进后的模糊控制算法能够保证智能车辆转弯时稳定运行，且超调量小。虽然模糊控制鲁棒性强，对模型精度并无明确要求，但过多的模糊信息最终会影响系统精度[7]。

2.4 滑模控制

滑膜控制即结构控制，作为一种非线性控制中独特的控制，也是离散控制系统。与其他控制方法相比，主要不同之处在于系统结构并不是完全固定，可以是动态过程。结合当前系统状态实际运行情况，系统将沿着预定“滑模”进行移动。可控制滑模控制方法，也不会受目标物理参数所影响。此外，系统具有易于物理实现、响应速度快、系统离线识别等特点。将滑模控制与自抗扰融合在一处，将形成一种新型跟踪控制方法，以便系统能够快速响应，从而保证系统稳定运行。为了快速、准确地跟踪偏航角，设计了一种非线性误差率反馈自抗扰控制器（ADRC）[8]。

无人驾驶车辆二自由度模型与扩展状态观测器及非语言滑模车辆主动前轮转向系统之间存在着内在关联，扩展观测器主要作用在于预判与了解车辆的实时运行状态，非线性滑模控制器功能主要体现在补偿系统干扰与输出控制参数方面，如果将二者结合，能够从根本上提升无人驾驶车辆横向稳定性。研究了四轮驱动（4WS）自动驾驶汽车（AVS）的道路监控问题。通过利用动力学模型对4WS进行误差分析，发现4WA自动驾驶车辆对控制稳态误差有很好效果，但是FES方式依然不能彻底去除稳态误差问题[9]。将滑动角及滑模控制应用其中的，无人驾驶车辆将不存在偏航和航向误差，尽管车辆在极端情况下也能平稳、安全运行。根据4WS自动驾驶车辆的动态特性，引入了新型鲁棒滑模控制器，对4WS自动驾驶车辆的行驶轨迹跟踪有较好的体现。根据相关理论分析及仿真结果可得，新型滑模鲁棒控制器在参数变化及外界干扰等因素影响下，特别是在摩擦、粘着、纵向风速等运行状态下，具有良好鲁棒性。为此，滑模控制（SMC）在特定状态下会使系统产生颤振情况。但在系统模型无法顺利建设的情况下，可借助自身优势来弥补不足缺失，以此来增强控制精度[10]。

3 优势及未来发展前景

在车辆无人驾驶跟踪领域，基于几何关系的几何跟踪方法自身具有较高可靠性，已成功应用于车辆无人驾驶轨迹跟踪中。目前，几何跟踪模型中以PurPursuit模型与Stanley模型为主，已被应用于各种场景中，但由于固有的模型缺陷，且预览距离对角度控制有很大影响，导致跟踪性能较差，也有可能发生偏离道路情况[11]。虽然模型的优化没有增加复杂性，也能够提升该模型的稳定性，然而，由于优化模型或现有几何跟踪模型的局限性，既没有考虑车辆的形状和路径，也没有考虑水平控制和垂直控制的耦合，这也是未来汽车路径跟踪中需要重点探寻的主要问题。该方法将模型控制方法与不同工况下的控制方法相结合，有效增强了车辆轨迹跟踪的稳定性，也保证了车辆运行的安全性。

4 结语

无人驾驶技术是一种较为复杂的非线性系统运行模式，实际工况相对复杂，在应用过程中能够充分发挥自身优势特征。由于自动控制方法还存在一定缺陷，带有动态约束性能，这导致车辆轨迹跟踪控制准确度受到了影响，因此，自动驾驶车辆路径跟踪控制应考虑将多元控制方法进行结合，以便应对动态模型对车辆运行安全性的约束，从而提高自动驾驶车辆行车精度，确保稳定运行。