摘要：针对无人驾驶车辆路径跟踪控制问题中预测模型准确性与计算成本平衡制约问题,本文提出了一种基于学习的模型预测(learning-based model predictive control, LB-MPC)路径跟踪控制策略。建立了车辆2自由度单轨动力学模型,深入分析了其与IPG TruckMaker模型单步响应误差随车速、踏板开度及前轮转向角的变化规律,设计了误差数据集构建和滚动更新方法,基于高斯过程回归(Gaussian process regression, GPR)建立了误差拟合模型,对标称单轨模型进行实时误差补偿修正。将误差修正模型作为预测模型,设计了路径跟踪代价函数,构建了二次规划优化问题,提出了一种基于学习的模型预测路径跟踪控制架构。基于IPG TruckMaker&Simulink联合仿真平台与实车平台,验证了所提GPR模型误差修正与LB-MPC路径跟踪控制策略的实时性与有效性。结果表明,相较于传统模型预测(model predictive control, MPC)路径跟踪控制策略,所提LB-MPC策略路径跟踪平均误差降低了23.64%。

摘要：基于模型预测控制框架,提出了一种考虑未来工况变化趋势的智能换挡策略。建立循环神经网络,以过去一段时间工况为输入,对未来5 s的车速序列进行预测。以训练好的神经网络作为模型预测控制的预测模型。采用动态规划方法构建基准策略,并作为模型预测换挡策略的滚动优化部分,建立了模型预测换挡策略。构建了基于C-WTVC的复合工况并仿真。设计了双参数经济性换挡规律作为对照。结果表明:模型预测换挡策略可以节约能源消耗,降低换挡频率。