详情

原文传递基于学习的自动驾驶车辆路径跟踪控制策略研究

论文题名：	基于学习的自动驾驶车辆路径跟踪控制策略研究
关键词：	自动驾驶汽车;控制器;优化设计;线性时变预测模型;径向基神经网络;PID控制;高斯过程回归处理模型;剩余误差补偿
摘要：	以根本性解决道路安全问题、提高交通效率为目的，自动驾驶相关技术已成为当前国际汽车领域的研究热点。精准、鲁棒的路径跟踪控制是实现复杂行驶环境下高安全、高可靠自动驾驶的前提和基础。车辆是一个非线性的复杂系统，行驶过程中又受到多变的驾驶环境带来的不确定性干扰，如何提高车辆在不同车速、路面附着条件下的路径跟踪性能，同时保证跟踪过程中车辆的稳定性是当前自动驾驶车辆路径跟踪控制的难点。　　针对上述难点，本研究提出了一种基于学习的双层路径跟踪控制策略。该控制策略以三自由度车辆动力学模型和模型预测控制算法为基础，设计考虑轮胎侧偏角约束的主动转向控制器，并对控制参数进行离线优化。在此基础上，针对现有研究忽略或过度简化转向系统特性，导致控制信号反馈失真这一问题，设计了基于神经网络的自适应转角跟踪控制器，实现对目标前轮转角的高效跟踪。进一步地，针对模型预测控制器在应对噪声、建模误差等不确定性因素上的不足，基于测量数据和机器学习算法处理模型的剩余不确定性，对双层路径跟踪控制策略进行优化。具体研究围绕以下内容展开：　　首先，构建了考虑轮胎滑移特性的车辆三自由度非线性动力学模型，并将其转化为用于控制器设计的线性时变预测模型。以跟踪误差、控制增量最小化为控制目标，采用线性时变模型预测控制算法，设计了主动转向控制器。为避免出现因轮胎侧向力饱和导致的车辆侧滑或甩尾等危险情况，对车辆添加了轮胎侧偏角约束以提高车辆稳定性。为进一步提升跟踪性能，利用粒子群优化算法在不同车速和路面附着系数组合条件下对控制器的预测时域和控制时域两个参数进行优化。通过搭建Simulink/CarSim联合仿真平台，以不同的速度及路面附着系数，在双移线工况下，测试所设计的主动转向控制器的性能。结果表明所设计控制器能够准确跟踪目标路径，同时保持良好的车辆稳定性，并且对路面附着条件和车速的变化具有鲁棒性。　　其次，建立了充分描述实际前轮转向角与目标转角之间机电特性的线控转向系统模型，重点分析线控转向系统模型中的强非线性时变因素特性。为应对这些因素对目标前轮转角快速准确跟踪所带来的挑战，选用学习收敛速度快、非线性拟合能力强的径向基神经网络结合PID控制设计了一种自适应转角跟踪控制器，其中径向基神经网络完成对线控转向系统特性的辨识和PID控制器控制参数在线整定。在不同工况下进行了仿真测试，仿真结果表明所设计的转角跟踪器能较好完成对线控转向系统非线性特性的辨识，实现对目标前轮转角的快速准确跟踪。　　最后，针对因基于参数模型的模型预测控制算法在应对噪声、建模误差等不确定性因素上不足，导致控制器在复杂工况下无法有效消除跟踪偏差，甚至导致车辆失去稳定性的问题。通过高斯过程回归处理模型的剩余不确定性部分，展开基于学习的双层路径跟踪控制策略优化研究。首先，分析导致名义模型和被控车辆系统之间模型失配的主要影响因素，研究基于高斯过程的模型剩余误差补偿策略。接着，研究了基于高斯过程的车辆模型学习方法，采集车辆名义模型与CarSim整车模型两者时刻匹配的“状态-控制”数据对，对基于高斯过程的剩余误差补偿模型进行训练与验证。通过剩余误差补偿模型对名义模型进行改进，获得了较高精度且对参数变化鲁棒的预测模型。为提高高斯过程预测的计算效率，提出了以反馈信息增益为准则的恒定数据字典更新策略。最后，通过在高速低附着工况下测试，仿真结果表明，经优化的双层路径跟踪控制器对转动惯量、轮胎侧偏刚度等重要模型参数的变化具有鲁棒性，可以有效地估计因模型重要参数值失真而导致的预测模型误差，并对其进行补偿，从而保证了车辆在复杂路径跟踪工况下的稳定性。
作者：	何志伟
专业：	车辆工程
导师：	黄松;聂琳真
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021