关键词:
无人驾驶叉车
路径跟踪算法
自抗扰控制
模型前馈控制
模型参数学习
摘要:
路径跟踪作为无人驾驶技术的核心之一,是实现无人驾驶任务的基础。特定场景下的无人车辆应用是无人驾驶技术尽早实现的重要平台。因此本文工作主要针对于无人驾驶叉车仓库货物搬运的场景,对无人驾驶叉车高精度以及平稳直角转弯的路径跟踪进行了研究。搭建了无人叉车实验平台,设计了基于模型参数自学习的模型前馈与串级自抗扰反馈结合的路径跟踪算法,实现了高精度的路径跟踪,减小了直角转弯时的超调量和稳定距离,一定程度上提高了控制器的适应能力。首先,搭建了无人驾驶叉车实验平台,实现了从传感器到控制器再到车辆底层各模块的数据流通,使车辆具备了自动驾驶的能力。除此之外,基于Simulink和Car Sim仿真软件搭建了仿真平台,为算法的有效性验证提供了便利条件。其次,从运动学和动力学的角度分别建立了面向控制的车辆模型为控制器设计打下基础。针对作业场景以及作业中跟踪精度要求高的特点和转向机构中位偏移等不确定性问题,设计了基于串级自抗扰和位置重构的轨迹跟踪算法。在航向控制器中,分别使用车辆运动学和动力学展现的不同阶次的动态关系设计了不同的自抗扰反馈控制器,并对其从时域和频域角度进行了简要对比分析。在仿真和叉车平台上对算法的有效性进行了验证,实验结果表明:在大误差阶跃下可以平稳的跟踪到目标轨迹,稳定后平均误差约0.013m,距离误差基本可稳定在±0.05m以内。最后,为了进一步优化直角转弯过程使其超调小,稳定快,在设计的串级自抗扰反馈控制器基础上加入基于模型的前馈控制,在不改变控制器增益情况下减小了转弯时的超调量和稳定时间,在一定程度上增加了控制器的适应能力。设计了车轮转角估计模型从而满足了在线学习算法应用的数据需求。为了进一步减小转向系统中位偏移导致转向模型失准的问题,使用了递推最小二乘法对转向模型参数在线学习并实时用于车辆控制,从而提高模型前馈的精度,进一步改善控制器性能。最终形成了模型参数自学习的前馈与反馈结合的控制算法架构。在仿真上和实验平台上对控制器进行了验证,实验结果表明:算法中各模块都发挥着重要作用,最终的控制器优化了直角转弯过程,减小了超调量和稳定距离,稳定后平均距离误差为0.009m,误差基本稳定在±0.05m内。