论文部分内容阅读
无人驾驶车辆通过车载传感器感知周围环境,利用路径规划算法实时生成期望路径,并由决策系统选择最佳路径,最后在车载控制器作用下实现路径跟踪。近年来,由于无人驾驶车辆在智能交通系统中扮演着越来越重要的角色,许多车辆制造企业和科研机构对其进行大量的技术研究和实用化探索。无人驾驶车辆轨迹跟踪控制是研究重点之一。本文针对无人驾驶车辆的轨迹跟踪问题,提出了相关的控制模型及控制策略,以实现车辆自主轨迹跟踪控制。首先,为解决无人驾驶车辆高精度轨迹跟踪问题,建立了八自由度车辆动力学模型和二自由度车辆动力学模型,来精确刻画车辆各状态之间的动态变化规律,为后续实现车辆基于模型的轨迹跟踪控制器的设计奠定基础。同时,采用CarSim仿真软件对所建车辆动力学模型进行仿真验证,以此证明所建模型的准确性。其次,结合车辆轨迹跟踪控制中的多状态变量约束问题,提出了基于模型预测控制(Model Predictive Control,MPC)算法的轨迹跟踪控制器,该控制器面向车辆位姿误差模型,用于实现车辆位姿的误差跟踪。同时,相比于传统李雅普诺夫函数选择上比较困难,利用MPC算法能够较容易实现控制器的设计。再次,针对无人驾驶车辆在轨迹跟踪中需要兼顾运动学和动力学多层次控制问题,提出了分层协调控制策略:轨迹规划层利用MPC实现动态轨迹规划、中间控制层利用滑模控制(Sliding Mode Control,SMC)保持对动态轨迹实时跟踪、力矩分配层实现车轮扭矩实时分配。通过车辆自主换道控制仿真验证所提出的分层协调控制策略的有效性。最后,为了解决车辆轨迹跟踪过程中存在不确定性的问题,提出了基于径向基函数(Radial Basis Function,RBF)神经网络补偿的控制器,实现对车辆系统不确定性的动态估计和补偿。通过控制系统仿真验证RBF神经网络对不确定性估计的有效性,并通过对比仿真验证具有RBF神经网络补偿的控制器对存在不确性的轨迹跟踪控制的适应性。本文利用MATLAB/Simulink仿真平台搭建车辆轨迹跟踪控制系统模型,验证以上控制方法和控制策略的有效性。