详情

原文传递自动驾驶车辆可重构模型预测运动控制器研究

论文题名：	自动驾驶车辆可重构模型预测运动控制器研究
关键词：	自动驾驶;运动控制;模型预测控制;稳态误差
摘要：	运动控制作为实现自动驾驶的关键技术之一，近年来得到了长足的发展。基于模型预测控制(MPC)的运动控制方法已成为学术界和工业界的主流方案。近年来基于MPC的稳定性控制策略已然成为一个研究热点，而且朝着集成稳定性控制的方向发展。基于MPC的轨迹跟随控制也越来越多地集成了稳定性控制的内容。本文所述的运动控制包含稳定性控制和轨迹跟随控制两方面的内涵。　　尽管基于模型预测控制的运动控制技术得到长足发展，但是其依然有许多问题亟待解决。第一，自动驾驶车辆面临的环境复杂多变，而传统的MPC控制依赖于精确的预测模型，模型失配引起的稳态误差问题还没有被很好地解决。第二，横向和纵向控制在许多研究工作中是分离的，特别是在现有的商用的部署系统中。但是，由于轮胎的横向和纵向力约束是耦合的，在极限情况下车辆会失去稳定性。第三点是MPC的计算负担和稳定性，因为实时性对自动驾驶控制具有重要意义。尽管非线性模型预测控制具备更好的控制精度，同时能够考虑非线性约束，但是其稳定性和效率依然是制约其在实际系统上部署的主要原因。第四点是四轮车辆的配置可以是多变的，不同配置的车辆往往意味着需要重新设计控制器。尽管近年来不同构型车辆的可重构集成稳定性控制得到了不少研究，然而这种可重构控制器局限于稳定性控制，而没有扩展到自动驾驶的运动控制当中。　　本文研究的主要目的是解决自动驾驶车辆运动模型预测控制中的上述问题。本文的主要目标是设计一个针对四轮车辆的、能够消除稳态误差的、性能高效的可重构模型预测运动控制器。所述的可重构控制器应该能够实现对不同构型的四轮车辆的控制，同时能够解决横纵向耦合控制当中的稳态误差问题。　　为了设计这样一个可重构运动控制器，需要建立矢量化的可重构预测模型。所述预测模型的可重构是指预测模型可以通过矢量化的建模方法将不同构型车辆的模型整合在一个统一的模型中，通过改变参数即可改变车辆的配置。首先利用牛顿－欧拉方程建立车体的动力学方程，包含纵向、侧向和横摆三个自由度；然后利用矢量化的建模方法将轮胎力映射到车体受力上，在建模的过程中摒弃了传统的使用前后轴距和轮距的建模方法，取而代之的是使用了车轮在车辆质心坐标系下的坐标，这是实现矢量化建模非常关键的一步；再而为执行器的建模，使用一阶延时环节对驱动和制动系统进行建模，使用积分模型对转向系统进行建模，并基于可重构矩阵将执行器的输出映射到轮胎上，实现执行器的可重构建模；轮胎模型采用了参数简单且物理意义明确的TM-Easy和TM-Simple模型。最终建立了一个统一的可重构模型。进而在不同假设下，对模型进行不同层级的简化和线性化，得到不同复杂度的可重构模型，为后续的可重构模型预测运动控制器设计提供了基础。　　在设计可重构运动控制器前，有两个问题需要解决，它们分别是模型预测控制的效率和稳定性。针对线性模型预测控制求解器的设计，推导得到了将模型预测控制问题转化为不同形式二次规划问题的过程，这是高效的线性模型预测控制器设计的基础。由于车辆动力学的侧向速度、横摆角速率、滑移率状态的积分刚性较大，在车辆速度较低时存在积分稳定性问题。基于稳定龙格库塔方法、半隐式龙格库塔方法和可分积分策略，本文提出了解决非线性模型预测控制（NMPC）应用于运动控制的积分稳定性问题的策略。　　具备前面的基础后，基于无偏移模型预测控制，针对不同版本的可重构模型设计了不同的可重构运动控制器。无偏移模型预测控制相较于传统的模型预测控制的优势在于能够消除稳态误差。无偏移模型预测控制包含模型预测控制求解器、参考生成器和卡尔曼滤波器。线性模型预测控制求解器是基于OSQP二次规划求解器自主设计的，而非线性模型预测求解器采用了基于梯度方法的GRAMPC。参考生成器是消除稳态误差的关键组件，它生成MPC控制的状态参考和控制参考。其求解过程会被建模为非线性规划问题。由于影响该非线性规划问题的参数较少，为了提高计算效率，通过离线计算得到查找表，然后在线查表的方法得到状态参考值和控制参考值。　　为了验证算法的可行性，设计了仿真和实车平台。针对非实时和实时仿真设计了两种仿真平台，一种为基于CarSim 和MATLAB的仿真平台,另外一种为自主设计的、基于虚幻4和CarSim的实时仿真平台。实车验证平台使用的车辆为一辆全线控底盘自动驾驶车辆。仿真实验和实车实验验证了所设计的可重构模型预测运动控制器能够稳定地完成不同构型的四轮车辆的运动控制问题；不仅具有较高的效率，而且能够成功消除耦合控制中的稳态误差问题，并具有很高的控制精度；同时动力学预测模型的积分稳定性问题也被高效解决，控制器能够适用于不同构型车辆从低速到高速的全速域的运动控制问题。　　本文的创新点如下：　　（1）利用矢量化的建模方法，建立了可重构的整车动力学预测模型，并基于此提出了可重构的运动控制器。可重构整车动力学模型的构建是可重构运动控制器设计的基础。轮胎模型使用了TM-Easy轮胎模型。在最复杂的可重构模型版本中考虑了执行器的动态行为和轮胎的纵向滑移率的建模。然后根据不同简化条件，得到了不同形式的简化版本的可重构运动控制模型。基于可重构模型设计的可重构运动控制器只需要修改初始化参数而不需要重新编码或者修改控制模型即可解决不同构型车辆的运动控制问题，极大地提高了自动驾驶运动控制系统的适用性。　　（2）将无偏移 MPC 方法用于车辆横纵向耦合控制，以消除模型失配或外界扰动所导致的稳态误差。模型预测控制依赖于精确的动力学模型，一旦模型失配或者遇到外界扰动会产生纵向速度、侧向位置的稳态误差。为了消除稳态误差，本文提出使用无偏移 MPC。无偏移 MPC 将外界扰动和模型失配部分建模为不可测扰动，并使用滤波器观测不可测扰动，得到不可测扰动的滤波结果后，在状态参考和控制参考的求解以及预测模型中考虑扰动的影响，进而消除外界扰动和模型失配所导致的稳态误差。　　（3）基于显式和半隐式龙格库塔方法，设计了可分积分策略，以解决基于NMPC运动控制的低速积分稳定性问题。长期以来运动控制的低速积分稳定性问题一直没有引起足够的重视，这是导致基于非线性模型预测控制的运动控制低效且容易不稳定的主要原因。本文提出采用可分积分策略，将系统的状态方程分为刚性部分和非刚性部分，刚性部分采用半隐式方法积分，而非刚性部分采用显式方法积分，由于刚性部分的维度得到极大程度地降维，从而高效地解决了NMPC的低速积分稳定性问题。
作者：	葛林鹤
专业：	车辆工程
导师：	郭孔辉
授予学位：	博士
授予学位单位：	吉林大学
学位年度：	2022