摘要：智能车路径跟踪控制受到车辆参数摄动、场景多变等干扰,影响路径跟踪精确性,甚至引起控制系统不稳定.本文设计了考虑不确定性的二阶超螺旋滑模鲁棒控制算法,证明了控制系统的收敛性,并针对干扰问题设计了前馈补偿控制器以进一步提升控制系统的精确性.通过Carsim-Simulink联合仿真环境下的双移线、正弦路径跟踪控制,以及参数摄动情况下的路径跟踪控制,与传统一阶滑模控制对比,验证了所设计的超螺旋滑模控制器路径跟踪的精确性及鲁棒性.结果表明,面对智能车辆参数不确定、驾驶场景多变等情况,采用超螺旋滑模算法比传统滑模算法具有更好的鲁棒性和跟踪精度,超螺旋算法能有效地减弱传统滑模算法产生的方向盘抖振问题.最后,利用实车平台对进行了低速大曲率场景测试,验证所设计的超螺旋滑模算法控制器具有良好的路径跟踪精度.

摘要：采用速度自适应的动态预瞄距离是提高智能车侧向跟踪控制效果的有效办法。针对目前基本采用基于当前车速的预瞄距离自适应策略,提出一种结合规划路径和规划速度信息的动态预瞄距离跟踪控制算法以提高智能车在低速侧向跟踪控制的精确性。本文以几何学纯跟踪算法为基础,推导了前行和倒车时的侧向跟踪控制律;依据实时规划的路径和速度信息,设计了预瞄距离动态调整方法,最终获取具有速度自适应性的前视距离-车辆前轮转角关系。最后,在CarSim-MATLAB/Simulink联合仿真环境下验证了算法的有效性和准确性,并通过实车测试,验证了所提出的方法较基于动力学模型的LQR算法具有更低计算消耗和更高跟踪精度。

摘要：智能车路径跟踪控制面临系统模型简化、参数不确定、执行器与传感器信号延时及道路曲率变化等干扰,将产生系统扰动误差,导致跟踪精度降低。本文针对性提出一种考虑跟踪系统复杂扰动的模型预测控制方法(model predictive control,MPC),首先以单轨车辆动力学模型为基础建立模型预测跟踪系统,并依据实时规划的路径和速度信息设计预瞄距离动态调整方法,获取最佳预瞄点,以改善智能车底盘执行器与传感器信号延时扰动问题;而后引入扩张状态观测器(extended state observer,ESO)实时估计因简化车辆模型对系统产生的未知扰动量并用于前馈补偿;同时,考虑道路参考曲率变化对系统产生的确定性稳态扰动,设计一种含曲率约束的前馈控制(feedforward control,FFC)方法用于消除该干扰;最终形成MPC控制器反馈输入、ESO抗干扰补偿输入及FFC前馈输入相叠加的转向角控制律。最后,以某品牌智能车平台在低速园区场景进行了实车测试对比分析,验证了本文所改进的融合扰动补偿的模型预测控制方法具备可行性和优越性。