導言：作為寫作愛好者，不可錯過為您精心挑選的1篇車輛路徑跟蹤自動控制系統研究，它們將為您的寫作提供全新的視角，我們衷心期待您的閱讀，并希望這些內容能為您提供靈感和參考。

無人駕駛是未來智能交通系統發展的主要趨勢，憑借車輛中的傳感系統全方位識別周邊環境，將道路信息、車輛位置信息、周圍障礙物信息及紅綠燈情況作為信息源，為實現智能車輛的全局規劃和局部路徑控制預定目標提供便利條件。為此，研究如何在保證車輛運行安全基礎上，通過控制車輛自動轉向系統的參數，減小車輛實際航跡與規劃目標航跡之間的橫向偏差和方位偏差具有重要意義。

1自動駕駛原理

驅動機制是人工智能、物聯網及海量數據相結合的新型技術，是未來車輛軌跡跟蹤的主要發展方向，是保證無人駕駛車輛正常運行的前提條件，是實現車輛正常、平穩運行的關鍵因素。軌跡跟蹤的任務可以理解為設計一個水平控制器，以連續生成方向指令來補足偏差，保證車輛運行安全穩定。目前，軌跡跟蹤的主要方法可分基于幾何關系的幾何跟蹤方法與基于模型設計的控制方法兩種形式。近年來，國內外許多研究人員對軌跡跟蹤做了大量的研究，提出了一種自適應時間預測算法，可以憑借不同的預測次數預測未來車輛的運行情況。并提出了一種改進預覽跟蹤算法，確保計算出的預覽點位于所需路徑上，避免發生曲率過大情況，最終出現路徑偏差。對于軌跡跟蹤問題，模型控制方法是解決該問題的一種較為科學高效方法，雖然該算法復雜，優化求解階段需要消耗大量時間，但在許多工程實例中得到廣泛應用，跟蹤方法更為廣泛。在長時間優化、改良的基礎上，幾何跟蹤方法可用于道路車輛的開發中，并取得了明顯的成效[1]。車輛路徑跟蹤控制系統是重點研究內容。目前，經典PID控制在國內外應用較為廣泛，其中包含多種算法，雖然多元化的車輛路徑跟蹤算法及相關技術各具優勢特征，但在具體運行時也存在一定問題。例如，大多數算法并不依附于精確的數學模型，最終控制精度數值普遍偏低，但如果算法控制精度偏高，則抗干擾能力差。因此，無法從根本上同時達到精度、穩定性和實時性標準。車輛路徑跟蹤橫向控制為重點研究內容，充分發揮模糊控制及滑模控制自身所具備的優勢特征，能夠集中凸顯滑模變結構控制特點，且能夠快速響應，也為順利實現橫向控制提供了便利。模糊控制對建模并沒有較高要求，自身具有較強的魯棒性與容錯性特征，能夠為多元化控制方法的有效集成提供便利條件。為此，可設計出一種智能車輛橫向軌跡跟蹤控制器，并借助方位偏差與水平偏差融合方法，來降低模糊控制維數，以便減輕計算工作，保證控制器實時性與穩定性。此外，還應該要測試控制器性能，如果最終測試控制效果良好，就可以保證控制的精度，滿足車輛路徑跟蹤需求，保證車輛運行安全[2]。

2自動駕駛車輛路徑跟蹤控制算法

2.1模型預測控制

重點描述模型預測控制（ModelPredictiveControl,MPC）工作機理，即每次在線求解開環優化問題時，在獲取當前測量信息的基礎上，獲得控制對象上控制動作序列的第一個分量。在采樣中對其進行循環往復操作，在初始值測量條件下，預判系統動力學未來發展情況，并對車輛運行中存在的問題加以治理與解決，稱之為反饋控制策略。在運行過程當中，更應該將預測模型控制的基本特性比如反饋校正、滾動優化、預測模型，發揮最大的優勢。在使用MPC算法時，可從三方面進行探尋，一是科學預判系統未來發展動態模型，二是優化處理數值解，三是將最優解合理應用于系統中。在每次取樣時都應加以重視，在借助模型預測控制時，應將每次采樣時的測量值看作是預測未來系統動力學不可或缺的前提條件。MPC與傳統控制方法兩者之間存在明顯差異，最優開環序列是憑借在線求解開環優化問題所得來的，而在線求解開環優化問題通常是離線求解一個反饋控制律，在系統運行中有一定體現[3]。對于復雜度較低的自動駕駛汽車行程追蹤來說，一種基于非線性模型的預測控制器更為合適。為增強無人駕駛車輛動態性能，避免發生輪胎漂移及失穩情況，并未對極限環附近輪胎的非線性摩擦問題給予重視，非線性模型預測控制引入的C/GMRES算法，更好地將自動駕駛車輛路徑預測模型與二自由度動力學模型相互融合；在此基礎上，設計出MPC軌跡跟蹤控制器，進而獲得橫向跟蹤誤差及方向盤轉角實時信息輸入。根據硬件仿真結果可知，在跟蹤誤差較小時，可滿足控制精度標準。UGV作為一種高級制導控制系統，非線性模型預測控制算法通過順序求解在線數值優化，進而解決最優控制和路徑規劃問題，通過在UGV實驗平臺上驗證，驗證了該算法的有效性與真實性。

2.2比例-積分-微分控制

PID算法及其優化算法被廣泛應用于工業控制系統中，PID控制技術通過對Kp、Ki、Kd三個控制參數進行調整，其中預期結果比例參數Kp的作用為平衡控制器輸入與輸出二者之間關聯，為保證無人駕駛車輛路徑跟蹤精度，借助遺傳算法對PID控制器參數做適當修正，以便提升系統穩定性與動態適應性。在對無人機進行跟蹤控制時，可應用PID控制方法，明確航跡偏離角與距離存在的誤差，根據模糊控制規則參數更改操作PID控制器，實現姿態和運動的自適應，從而實現車輛路徑的自動跟蹤[4]。由于控制器模型設計的不確定性，提出了一種將自適應控制、反向繞組補償器和積分PID控制相結合的抗飽和補償器模型。通過設計視覺導航的自動駕駛車輛轉向控制系統的嵌入式PID控制系統，以方向盤轉角為輸入，跟蹤不確定的曲率軌跡，設計基于偏置電壓橫向曲率攝動的嵌入式PID控制系統，以抑制隨時間的線性增長。PID控制算法雖然能夠將實際控制行為與控制對象之間的誤差消除，但是信號處理過程太過簡單[5]。

2.3模糊控制

模糊控制即模糊邏輯控制，是集模糊語言變量、模糊集合論和模糊邏輯推理于一體的綜合型控制方法，在計算機數字控制技術有直接關聯。模糊邏輯控制算法是建立在目標搜索過程的數學模型分析語言，可直接翻譯成計算機語言。現實情況的工業控制中，被控制的數據模型相對精度較高。但由于受外界因素所影響，傳統控制方法無法達到滿意成果，也無法滿足精確數學模型需要。模糊概念的含義不能滿足非常精確的要求，在實踐中也存在不確定性。運行車輛本質作為一種較為繁雜的非線性動力學系統，需要多種部件構成，無法準確構建數學模型。所以，從滑模控制層面來看，這是一個復雜而簡化的問題，需加以重視[6]。根據車輛逆動力學控制理論，在建模中應考慮車輛滾動自由度和構建車輛三自由度輸入角的線性化模型，使用科學方法對車輛操縱性及穩定性進行評估分析。因此，根據理想道路輸入，可選擇典型方法進行仿真。根據模糊控制在確定控制規則及隸屬函數后無法進行調整的實際情況，將模糊算法中邏輯推理與神經網絡算法的學習能力進行融合，建立了一種角速度模糊網絡控制器。由于神經網絡在自動駕駛中得到了廣泛應用，該設計中利用神經網絡兩個輸入參數位置誤差與向角誤差，采用由非線性模型演進的T-S模糊模型作為模糊控制器，對Lyapunov方法和線性矩陣不等式方法應用進行分析，并對其真實性與有效性進行探尋。該方法基于機器視覺和模糊控制理論，選擇CMOS傳感器進行道路識別，通過對圖像處理技術進行探尋，畫出車道中心線。設計一種分層模糊控制器，通過額外的輸入納入車速反饋過程中，形成系統完整閉環。將這兩種模糊控制器結合起來控制車輛的行駛方向，并用模糊控制代替傳統的PID控制來控制車速。與傳統的PID和模糊控制算法相比，改進后的模糊控制算法能夠保證智能車輛轉彎時穩定運行，且超調量小。雖然模糊控制魯棒性強，對模型精度并無明確要求，但過多的模糊信息最終會影響系統精度[7]。

2.4滑模控制

滑膜控制即結構控制，作為一種非線性控制中獨特的控制，也是離散控制系統。與其他控制方法相比，主要不同之處在于系統結構并不是完全固定，可以是動態過程。結合當前系統狀態實際運行情況，系統將沿著預定“滑模”進行移動。可控制滑模控制方法，也不會受目標物理參數所影響。此外，系統具有易于物理實現、響應速度快、系統離線識別等特點。將滑模控制與自抗擾融合在一處，將形成一種新型跟蹤控制方法，以便系統能夠快速響應，從而保證系統穩定運行。為了快速、準確地跟蹤偏航角，設計了一種非線性誤差率反饋自抗擾控制器（ADRC）[8]。無人駕駛車輛二自由度模型與擴展狀態觀測器及非語言滑模車輛主動前輪轉向系統之間存在著內在關聯，擴展觀測器主要作用在于預判與了解車輛的實時運行狀態，非線性滑模控制器功能主要體現在補償系統干擾與輸出控制參數方面，如果將二者結合，能夠從根本上提升無人駕駛車輛橫向穩定性。研究了四輪驅動（4WS）自動駕駛汽車（AVS）的道路監控問題。通過利用動力學模型對4WS進行誤差分析，發現4WA自動駕駛車輛對控制穩態誤差有很好效果，但是FES方式依然不能徹底去除穩態誤差問題[9]。將滑動角及滑模控制應用其中的，無人駕駛車輛將不存在偏航和航向誤差，盡管車輛在極端情況下也能平穩、安全運行。根據4WS自動駕駛車輛的動態特性，引入了新型魯棒滑模控制器，對4WS自動駕駛車輛的行駛軌跡跟蹤有較好的體現。根據相關理論分析及仿真結果可得，新型滑模魯棒控制器在參數變化及外界干擾等因素影響下，特別是在摩擦、粘著、縱向風速等運行狀態下，具有良好魯棒性。為此，滑模控制（SMC）在特定狀態下會使系統產生顫振情況。但在系統模型無法順利建設的情況下，可借助自身優勢來彌補不足缺失，以此來增強控制精度[10]。

3優勢及未來發展前景

在車輛無人駕駛跟蹤領域，基于幾何關系的幾何跟蹤方法自身具有較高可靠性，已成功應用于車輛無人駕駛軌跡跟蹤中。目前，幾何跟蹤模型中以PurPursuit模型與Stanley模型為主，已被應用于各種場景中，但由于固有的模型缺陷，且預覽距離對角度控制有很大影響，導致跟蹤性能較差，也有可能發生偏離道路情況[11]。雖然模型的優化沒有增加復雜性，也能夠提升該模型的穩定性，然而，由于優化模型或現有幾何跟蹤模型的局限性，既沒有考慮車輛的形狀和路徑，也沒有考慮水平控制和垂直控制的耦合，這也是未來汽車路徑跟蹤中需要重點探尋的主要問題。該方法將模型控制方法與不同工況下的控制方法相結合，有效增強了車輛軌跡跟蹤的穩定性，也保證了車輛運行的安全性。

4結語

無人駕駛技術是一種較為復雜的非線性系統運行模式，實際工況相對復雜，在應用過程中能夠充分發揮自身優勢特征。由于自動控制方法還存在一定缺陷，帶有動態約束性能，這導致車輛軌跡跟蹤控制準確度受到了影響，因此，自動駕駛車輛路徑跟蹤控制應考慮將多元控制方法進行結合，以便應對動態模型對車輛運行安全性的約束，從而提高自動駕駛車輛行車精度，確保穩定運行。

參考文獻：

[1]李軍，宋永雄，周舟.自動駕駛車輛的變步長路徑跟蹤控制[J].華僑大學學報（自然科學版），2022，43(1)：14-20.

[2]潘公宇，劉一.基于模型預測輪廓控制的自動駕駛車輛路徑跟蹤控制[J].河北工業科技，2021，38(4)：272-279.

[3]吳施鵬.基于遺傳算法的無人駕駛車輛路徑跟隨控制及研究[D].常州：江蘇理工學院，2021.

[4]蔣軍錫.基于模型預測控制的智能車輛路徑跟蹤控制研究[D].淄博：山東理工大學，2021.

[5]辛鵬.自動駕駛車輛的路徑跟蹤模型預測控制方法研究[D].蘭州：蘭州理工大學，2021.

[6]劉洋.基于MPC的自動駕駛車輛局部避障路徑規劃與路徑跟蹤控制研究[D].西安：長安大學，2021.

[7]陳威，廖文浩，劉明春.基于MPC的自動駕駛車輛橫向路徑跟蹤控制[J].南昌大學學報（工科版），2020，42(3)：279-288.

[8]彭川，戢敏，宮霞霞，等.農機自動駕駛設備作業檢測系統的設計與實現[J].南方農機，2022，53(14)：56-58.

[9]柳亞子.基于模型預測控制的智能車輛路徑跟蹤研究[D].鎮江：江蘇大學，2020.

[10]聶慶燦.鉸接式車輛自動泊車路徑規劃及跟蹤控制策略研究[D].長春：吉林大學，2020.

[11]唐爽.基于模型預測算法的車輛路徑跟蹤控制[D].重慶：重慶交通大學，2020.

作者:李晶 謝達城 單位:江西應用技術職業學院