关键词:
非线性模型预测控制
车辆运动控制
稳定性控制
轨迹跟踪
最优控制
摘要:
近年来,随着计算机、芯片、通信以及传感等技术快速发展,自动驾驶的可行性日益完备。自动驾驶技术主要包括感知定位、决策规划和运动控制三大功能模块。其中,运动控制是自动驾驶的关键技术之一,对上层决策规划模块给出的参考轨迹进行精确、稳定的跟踪,其控制性能将对车辆行驶安全和用户体验产生直接影响。在众多的运动控制方法中,非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)由于能够系统地考虑模型非线性、且在处理带多个约束的最优问题时有绝对优势,近年来较为广泛地应用于自动驾驶运动控制中。虽然基于NMPC的自动驾驶运动控制技术得到了长足的发展,但其在实际应用中,特别是在高等级自动驾驶领域仍然存在以下关键问题亟待解决:(1)现有单一车辆运动控制模型适用工况有限,无法覆盖全速工况范围;(2)缺少考虑车辆运动控制模型方程的刚性对NMPC离散求解精度、计算效率和数值稳定性的影响;(3)极限工况下NMPC在线求解负担加剧且控制目标需要兼顾轨迹跟踪和车辆稳定性。针对以上问题,本文从车辆运动控制模型、NMPC求解精度和计算效率、车辆稳定性以及实验验证等方面开展了研究,主要研究内容如下:(1)高等级的自动驾驶要求运动控制算法适用于更大工况范围。现有NMPC运动控制算法的设计中,单一的车辆运动控制模型存在适用工况范围窄,不能覆盖全速工况的问题。针对此问题,提出了一种整合车辆运动学的动力学(Integrated Kinematic and Dynamic Model,IKD)模型,以增大单一车辆运动控制模型的适用工况范围。为了平衡模型精度和复杂度,对提出的IKD模型进行横纵向动力学耦合分析,并对动力学耦合较弱的部分进行简化。基于Car Sim/Simulink联合仿真平台进行横纵向运动特性试验,对比IKD模型、传统的运动学模型和动力学模型,验证了所提出的IKD模型在高低速工况范围下均有着较好的模型精度。(2)NMPC运动控制算法的计算效率和控制精度是其应用于自动驾驶系统的关键。在离散求解NMPC运动控制问题时,需考虑车辆模型方程刚性的影响:当方程表现出刚性时,传统的离散方法需要采取较小的离散时间步长以保证求解的精度和数值计算稳定性,但较小的离散时间步长会导致NMPC求解低效。针对此问题,提出了基于有限单元正交配置(Orthogonal Collcoation on Finite Elements,OCFE)离散的NMPC运动控制算法,相比基于传统欧拉离散和四阶龙格库塔离散方法的NMPC运动控制算法,可在保证离散过程数值稳定性的同时,提升NMPC求解的计算效率。而当车辆模型方程为非刚性方程时,OCFE离散方法比传统离散方法的精度高。通过Car Sim/Simulink联合仿真对比基于传统离散方法和OCFE离散的NMPC运动控制算法,结果表明所提出的基于OCFE离散的控制算法可以解决NMPC求解过程中因车辆模型方程的刚性导致的计算低效问题,同时具有更高的控制精度。(3)在高速转向和低附着路面行驶等极限工况下,车辆模型非线性加剧,NMPC在线求解负担增加,进而影响控制实时性;同时若仅考虑轨迹跟踪控制,极限工况下的车辆动力学稳定性难以保证,而车辆失去稳定性会导致轨迹跟踪失败。针对该问题,研究设计了轨迹跟踪控制算法和稳定性控制算法,综合考虑极限工况下的控制精度、实时性和车辆稳定性。为平衡轨迹跟踪控制算法在极限工况下的控制精度和实时性,利用NMPC滚动优化的特性提出了一种级联(Cascaded)离散方法,同时针对特定的高速行驶场景提出了一种有效的NMPC预测时域扩展策略。稳定性控制利用主动后轮转向防止车辆质心侧偏角过度增大,保证极限工况下车辆的稳定性,并通过实时估计轮胎侧向力对侧偏刚度进行校正,改善控制算法的鲁棒性。通过Car Sim/Simulink联合仿真验证了所提出的运动控制算法可在高速转向和低附着路面行驶等极限工况下保证车辆的稳定性,同时实现轨迹跟踪精度与控制实时性的良好平衡。(4)为进一步验证所提出的控制算法在实车上的有效性,搭建了按1/10缩放的智能小车平台,并对小车的执行机构进行了精度测试以确保其能够准确地执行指定的命令。基于该小车平台,实验验证了所提出运动控制算法的有效性。本文围绕基于NMPC的运动控制方法,在车辆运动控制模型、NMPC离散求解的精度和计算效率、极限工况下的车辆运动控制以及实验验证等方面开展研究,得到了适用工况范围广、控制精度与计算效率高、且能保证车辆行驶安全和稳定的运动控制算法,有望在商用自动驾驶系统中得到应用。