自動駕駛車輛路徑跟蹤控制方法研究

（重慶交通大學機電與車輛工程學院，重慶市，400074） 顧小川 李 軍

1 前言

自動駕駛車輛是未來智能交通系統的重要組成部分[1]，車輛系統依靠車載傳感系統感知車輛周邊環境，將所獲得的道路信息、附件車輛位置信息、四周障礙物信息、紅路燈等信息等作為信息源輸入，以及通過車載網絡從各種地圖即時獲取城市路況，對行車路線進行全局和局部規劃并控制車輛到達預定目標的智能汽車[2]。路徑跟蹤控制是自動駕駛技術中的基本問題之一，也是底盤執行控制的基礎[3]。它主要研究如何在保證行駛安全性以及乘坐舒適性的前提下，通過控制自動駕駛車輛轉向系統的參數來盡可能減小無人駕駛車輛實際行駛路線與已規劃好的目標路徑間的橫向偏差與方位偏差[4]。目前，路徑跟蹤技術主要解決的問題和難點一方面要進一步縮小已規劃路徑與自動駕駛車輛實際行駛路徑之間的偏差:如在控制器算法方面對于所建立的汽車運動學模型還需要更加精確完整，深入考慮各種動力學約束；另一方面要解決跟蹤控制系統的反饋速度，使其滿足實時性和穩定性的要求[5]。

當前應用于路徑跟蹤控制系統的方法包括了比例-積分-微分（Proportional-Integral-Derivative，PID）控制、線性二次型最優控制（Linear Quadratic Regulator，LQR）[6]、純跟蹤控制[7]、模糊控制、滑模控制、前饋-反饋控制、模型預測控制（Model Predictive Control，MPC）等等。本文對常用控制算法進行簡單介紹與分析，并闡釋自動駕駛車輛路徑跟蹤技術的未來研究方向。

2 自動駕駛車輛路徑跟蹤控制算法

2.1 模型預測控制

MPC 作用機理描述為：在每一個采用時刻，根據獲得的當前測量信息，在線求解一個有限時間開環優化問題，并將得到的控制序列的第一個元素作用于被控對象[8]。在下一個采樣時刻，重復上述過程：用新的測量值作為此時預測系統未來動態的初始條件，刷新優化問題并重新求解，是一個反饋控制策略。模型預測控制具有預測模型、滾動優化和反饋校正等基本特征[9]。

運用MPC算法解決問題一般概括為三個步驟：（1）對系統未來的動態模式進行估計；（2）數值求解開環優化問題；（3）將優化解的第一個元素（或者第一部分）作用于系統[10]。這三步是在每個采樣時刻重復進行的，且無論采用什么樣的模型，每個采樣時刻得到的測量值都作為當前時刻預測系統未來動態的初始條件。在線求解開環優化問題獲得開環優化序列是MPC和傳統控制方法的主要區別，因為后者通常是離線求解一個反饋控制律，并將得到的反饋控制律一直作用于系統。

Yuto Owaki 等[11]針對簡單電動汽車路徑跟蹤問題，提出了一種基于非線性模型預測控制的非分層控制器。不考慮輪胎受力在靠近摩擦圈極限時呈現較強的非線性，對其進行了處理，以提高車輛的動態性能，同時防止漂移失去穩定性。將C/GMRES算法應用于非線性模型預測控制，結果表明該控制器能夠實時更新輸入。楊胡飛等[12]將路徑跟蹤預測模型與車輛二自由度動力學模型相結合，基于此設計了MPC 路徑跟蹤控制器用于獲取橫向和偏航路徑跟蹤誤差以及方向盤轉角輸入，從而實現車輛路徑跟蹤。最后將系統進行硬件在環仿真試驗表明: 路徑跟蹤的偏差在很小的范圍內，滿足控制精度要求。Lim H 等[13]提出了一種六輪非完整無人地面車輛的非線性模型預測跟蹤控制方案(UGVs)。它作為一種高水平的制導控制，具有運動近似的UGV 運動。一種非線性模型預測控制算法通過順序求解在線數值優化問題解決了軌跡規劃和最優控制問題。采用梯度下降優化算法，考慮到UGV運動的約束和輸入約束，獲得了對UGV的最優控制輸入。研究了該控制器在跟蹤性能和避碰性能方面的特點。在室內和室外環境中，通過實驗的六輪UGV平臺驗證了提出的數值優化算法的實時性能。

2.2 比例-積分-微分控制

PID算法和PID算法衍生出的一些算法如今在工業工程方面運用較為廣泛。PID控制技術建立在被控對象具有精確數學模型(傳遞函數和狀態方程) 的基礎上，核心理念是通過三個關鍵控制參數（KP、KI、KD）的調節來對被控制對象進行控制以獲取期望的調節結果[14]。比例參數KP作用是是控制器的輸入和輸出成比例關系已減小偏差。積分參數KI主要用來消除系統穩定后輸出值和設定值之間的差值，即靜差。微分參數KD反映了偏差信號的變化規律或趨勢[15]。

李林琛等[16]針對路徑跟蹤非線性變化的特點以精度為控制目標，提出了一種基于遺傳算法尋優能力以及PID控制自適應能力的移動機器人的路徑跟蹤算法來提高移動機器人的路徑跟蹤精度。PID控制器的參數由遺傳算法來進行整定以提高系統的穩態性和動態適應性能。楊釗等[17]主要研究的是無人水面艇的路徑跟蹤控制，主要運用了PID 控制方法，利用航向偏差角和距離誤差，結合模糊推理規則動態調整PID參數來實現對無人水面艇的運動姿態調整從而實現路徑的自主跟蹤。Pouria Sarhadi等[18]針對在設計控制器時模型的不確定性和執行機構飽和等問題，提出了一種帶有抗飽和補償器的模型，將自適應控制與抗卷取補償器相結合，嵌入PID控制，其自適應功能可以減弱飽和的影響，該方法還可以使控制信號更加平滑。Riccardo Marino 等[19]設計了一種基于視覺導航的自動駕駛汽車的嵌套式PID轉向控制系統，來跟蹤不確定曲率的路徑，以汽車方向盤轉角為輸入量，采用基于橫向偏置的二重積分PID 控制來抑制曲率隨時間線性增加的擾動，從而設計了一個外控制回路來計算偏航率。PID控制方法的精髓在于獨立于數學模型存在的控制策略，可以用控制目標與被控對象實際行為之間的誤差來產生消除此誤差的控制策略，但是傳統PID存在對于信號處理過于簡單等缺點。

2.3 模糊控制

模糊控制（Fuzzy Control），又稱作模糊邏輯控制（Fuzzy Logic Control），其將模糊集合理論、模糊語言變量和模糊邏輯推理作為控制方法的基礎，屬于一種計算機數字控制技術。模糊控制方法的核心是對目標研究的復雜的系統或過程建立一種語言分析的數學模式，使語言能夠直接轉化為計算機所接受的算法語言[20]。在工業生產過程中對于所需要建立的被控制對象的數學模型要求往往很精確，并且各個領域的控制系統對象具有非線性、時變性、多參數間的強烈耦合等等各種不確定性，很難以滿足建立所需精確數學模型的要求，若采用傳統控制方法達到的效果不會很理想[21]。模糊的思想手段雖然開上去沒有達到很精確的要求，但實際運用起來往往能達到具體要求。汽車本質上是一個非常復雜的非線性動力學系統，零件數目相對較多，自由度較多，難以建立精確的數學模型，因此滑模控制從某種角度來說是復雜問題簡單化，適合此類情況。

汪偉等[22]引入了汽車操縱逆動力學理論，在建模時考慮了側傾自由度，以此建立了汽車線性三自由度角輸入模型，將其與模糊控制理論相結合，設計的模糊控制器采用兩輸入量（偏差信號和偏差變化率）、單輸出（轉向輪轉角）的控制模式。一般在評價汽車操縱穩定性時常選取的道路有雙移線和蛇形線典型道路，因此在理想道路輸入這一方面選取以上兩種典型道路模型來進行仿真模擬。楊君等[23]針對模糊邏輯控制在確定了控制規則和隸屬函數后無法修改的特點，將模糊算法的邏輯推理思想與神經網絡算法的學習能力相結合，設計了角速度模糊神經網絡控制器，來對自動駕駛車輛進行路徑跟蹤控制。設計的模糊神經網絡控制器的輸入量選取方向角誤差和位置誤差兩個參數，利用神將網絡算法的學習能力來調整模糊參數進而對控制器優化。A.El Hajjaji等[24]考慮了從非線性模型中得到的汽車的T-S 模糊模型，并以此模型為基礎設計了一個模糊控制器，之后采用李雅普諾夫方法和線性矩陣不等式方法理論對所提出的車輛路徑跟蹤控制方法進行了穩定性分析并驗證其有效性。Bo XIONG 等[25]提出的智能車輛自主行駛的方法以機器視覺和模糊控制理論為基礎。選用的CMOS傳感器主要進行路徑識別，通過圖像處理技術分析繪制出其車道中心線。設計了一個分級模糊控制器，附加輸入量選取為車輛反饋速度，使整個研究系統形成閉環控制。將兩個模糊控制器組合從而控制車輛行駛方向，用模糊控制代替傳統的PID控制車速。與傳統的PID 算法和模糊控制算法相比，改進的模糊控制算法保證了拐角處過調制較小的智能車輛的高速穩定運行。固然模糊控制的魯棒性較好且對于模型精準度要求低，但是將系統的信息過度模糊反而會影響系統最終運行時的準確性。

2.4 滑模控制

滑模控制（Sliding Mode Control，SMC）也叫做變結構控制，其本質上是一種特殊類的非線性控制，所謂非線性就表現在其具有不連續的控制系統，相比于其他控制方法思想的不同之處在于系統的結構相對不固定，可以在動態過程中根據系統當前的狀態（如偏差和各階導數等）有目的的不斷變化，迫使系統沿著預定的“滑動模態”的狀態軌跡運動[26]。滑模控制方法可以設計且與目標物理參數和擾動響應無關聯，并且系統的響應速度快、參數和擾動對系統的影響不敏感、可以在系統離線情況下進行識別、物理實現容易獲得等特點。

吳艷等[27]針對傳統的某些路徑跟蹤控制方法，在需要建立精確的數學模型時比較難以適應復雜多變的駕駛環境存在的這一問題，作者將滑模控制方法與自抗擾控制方法相結合，提出了這種路徑跟蹤控制方法來加快系統的快速響應同時提高整個系統的穩定性。設計非奇異終端滑模和指數趨近律來設計自抗擾控制器結構中的非線性誤差反饋率來實現系統對偏航角的快速準確跟蹤。桑楠等[28]以車輛的二自由度模型為基礎設計了基于擴展狀態觀測器（ESO）和非奇異終端滑模（NTSM）的一種車輛主動前輪轉向控制，并且采用一種擴張觀測器來監管估計車輛的實時狀態和擾動，非奇異終端滑模控制器用于補償系統存在的擾動并輸出控制參數，車輛的橫向穩定性在兩者結合之后能夠得到改善。R.Wang 等[29]研究了四輪轉向(4WS)自主車輛(AVs)的路徑跟蹤問題。以4WS誤差的動力學模型為基礎，分析表明四輪轉向(4WS)自主車輛在理想狀態下可以消除穩態誤差，但傳統前輪轉向(FWS)飛行器不能實現的穩態誤差的消除。通過引入側滑角，利用兩個滑模控制器將側滑偏置和航向誤差收斂到零，使車輛在極端情況下保持穩定。Qunzhi Zhou等[30]針對4WS車輛的動態特性，提出了一種新的魯棒滑模控制器，并將其應用于4WS車輛的路徑跟蹤問題。理論分析和仿真結果表明，這種新型的魯棒滑模控制器使得系統對參數變化和外界擾動，尤其是是車路間的摩擦、附著條件、車輛縱向速度和側向風大小的變化，具有相同的跟蹤精度、穩定性和魯棒性。綜上，滑模控制在某些特定的情況下會使系統出現抖振的狀況：但是在針對模型難以建立且系統易受到外部擾動時，可以較好的補償缺陷從而對控制精度等方面進行改善。

3 結論

通過分析自動駕駛車輛路徑跟蹤控制中的常用算法，對其原理以及當前的研究運用現狀進行了討論。自動駕駛汽車是一個復雜的非線性系統，并且運行工況復雜，因此相應非線性控制方法運用較為廣泛。此外考慮到每種算法運用時都存在相應的不足，為了綜合利用各算法的優點可以考慮將多種不同的算法相結合，由于控制方法對于動力學的約束還不夠完整，使得路徑跟蹤控制的精度不夠高，因此未來在此方面的研究可以在將多種控制方法相結合的同時更多的考慮動力學模型方面約束的完整性來進一步改進路徑跟蹤效果的準確性。