摘要：为了保障自动驾驶半挂车辆轨迹跟踪控制的有效性,提出一种考虑转向系统齿隙补偿的控制方法。建立基于三自由度车辆动力学模型的轨迹跟踪模型,在此基础上设计基于线性二次型调节器(LQR)的轨迹跟踪控制器。建立考虑左右两侧差异的转向系统齿隙模型,并设计基于递推最小二乘法的齿隙模型参数辨识方法。利用辨识得到的参数建立转向齿隙逆模型,补偿轨迹跟踪控制器的输出。采用实车数据和仿真数据分别验证了齿隙模型参数辨识方法,基于TruckSim-Simulink联合仿真平台验证了齿隙补偿控制。结果表明,所设计的辨识方法可以快速识别出转向系统模型左右两侧的转向传动比和齿隙,考虑齿隙补偿的轨迹跟踪控制精度和稳定性明显提升。

摘要：为准确估算自动驾驶半挂车辆的牵引车侧向速度,提出了一种考虑传感器测量零偏的校正估算方法。在三自由度车辆动力学模型的基础上,将前轮转角、横摆角速度零偏和侧向加速度零偏等扩围到状态变量中,建立了测量零偏估计模型,考虑到动力学模型失配的影响,设计了基于运动学模型的反馈校正机制,对侧向速度和横摆角速度的估计结果进行反馈调节,利用平方根容积卡尔曼滤波算法实现该方法,并分析了估计器的可观性,最后,基于TruckSim与MATLAB/Simulink联合仿真平台进行了验证,结果表明:该方法不仅可以消除测量零偏的影响,还具有良好的收敛速度,性能明显优于未考虑测量零偏和仅考虑测量零偏的估算方法。

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：卡车编队因其在运输效率、交通安全、节约人力等方面的独特优势,正越来越得到全世界各国研究者的重视。基于模型预测控制理论,考虑重载车辆的铰接特性和侧偏特性,构建重载卡车编队纵向、横向控制器,可实现重载卡车L2级别横纵向自动编队控制。为验证模型有效性,基于Prescan&Trucksim联合仿真平台,引入速度、加速度、载荷、坡度、通信时延等参数,对控制器的控制效益进行敏感性分析。结果表明,卡车编队方法在各种驾驶场景下具有良好的控制精度和较强的抗干扰能力。在此基础上,提出“从外向内、逐级递减”的系统设计运行域评估方法,可更直观、更清晰地定义系统边界。

摘要：未来很长一段时间内,由常规人类驾驶车辆以及网联自动驾驶车辆所组成的新型混合交通流将持续存在。为了使网联自动驾驶技术更好地适应混合交通环境,自动驾驶需如同人类驾驶一样,能够与周围环境车辆进行驾驶行为交互,即预测环境车辆对自车驾驶行为的反应。基于上述现实需求,对常规人类驾驶与网联自动驾驶之间的微观交互行为进行解析建模。首先,基于优化控制理论,利用贝尔曼最优性原理构建交互行为模型;其次,基于实时采集的交互轨迹数据,采用逆强化学习方法对模型参数进行在线动态辨识;最后,基于微观交通仿真软件VISSIM,设计跟驰、匝道汇入等典型交互驾驶场景来验证模型的有效性。