環衛車輛軌跡跟蹤系統的改進無模型自適應控制

【摘" 要】文章針對環衛車輛軌跡跟蹤系統機理建模復雜、模型時變、跟蹤控制精度要求高等問題，提出一種基于數據驅動的偏格式動態線性化的改進無模型自適應控制方案（iPFDL-MFAC）。首先，采用無模型自適應控制理論中的偽梯度概念，將難以精確建模的環衛車輛軌跡跟蹤系統沿時間軸方向動態線性化，得到等效的偏格式數據驅動模型；其次，設計帶有時變比例控制項和時變積分控制項的偏格式無模型自適應控制算法，同時制定對應的偽梯度參數估計策略以及偽梯度參數估計重置算法，這大大增強了控制方案的通用性、靈活性與自適應性。在此基礎上，將iPFDL-MFAC方案與傳統的無模型控制方法進行對比分析。仿真結果表明，在相同的控制參數下，iPFDL-MFAC方案具有更快跟蹤響應較小的超調，能有力驗證所提方法的有效性。

【關鍵詞】環衛車輛；數據驅動控制；無模型自適應控制；非線性系統；偏格式動態線性化

中圖分類號：U463.675" " 文獻標識碼：A" " 文章編號：1003-8639（2025）02-0009-05

Improved Model-free Adaptive Control of the Track Tracking System for Sanitation Vehicles

CHEN Jiapeng，ZHAO Wu，ZHOU Wei，YAN Da

（Dongfeng Commercial Vehicle Technical Center，Wuhan 430056，China）

【Abstract】Aiming at the problems of complex mechanism modeling，time-varying model and high tracking control accuracy，an improved model-free adaptive control scheme（iPFDL-MFAC）based on data-driven partial format dynamic linearization was proposed in this paper. Firstly，the pseudo-gradient concept in model-free adaptive control theory is used to linearize the trajectory tracking system of sanitation vehicle along the time axis，which is difficult to model accurately，and an equivalent partial format data-driven model is obtained. Secondly，the partial format model-free adaptive control algorithm with time-varying proportional control and time-varying integral control is designed，and the corresponding pseudo-gradient parameter estimation strategy and pseudo-gradient parameter estimation reset algorithm are developed，which greatly enhances the universality，flexibility and adaptability of the control scheme. On this basis，the iPFDL-MFAC scheme is compared with the traditional model-free control method. The simulation results show that under the same control parameters，the iPFDL-MFAC scheme has faster tracking response and smaller overshoot，which can effectively verify the effectiveness of the proposed method.

【Key words】sanitation vehicle；data-driven control；model-free adaptive control；nonlinear system；partial format dynamic linearization

1" 引言

環衛車作為商用車領域的細分市場，雖規模相對較小，卻在城市管理及清潔工作里占據關鍵地位。在此進程中，環衛車自動化作業正逐步替代人力操作，成為現代城市道路管理的核心趨勢與重要支撐力量[1-2]。

環衛車的自動導航技術是其自動化作業的核心基石，該技術讓車輛具備自定位與自主行走能力，極大提升了園區等復雜工況下道路清掃、灑水等作業的效率與便捷性[3]。在實際應用場景中，環衛車若要在道路上安全行駛，就必須快速、精準地跟蹤指定路徑，這不僅關系到清掃任務的圓滿完成，更與行車安全這一關鍵要素緊密相連。故而，探尋一種高效且精確的控制方法顯得尤為關鍵。

文獻[4]提出一種應用于移動機器人的模型預測軌跡跟蹤控制方法，借助線性化跟蹤誤差動力學預測系統未來行為。就輪式移動機器人軌跡跟蹤而言，文獻[5]提出基于連續跟蹤誤差模型的預測控制策略。為提升移動機器人控制精度，文獻[6]運用Q學習與PID跟蹤期望軌跡。然而，鑒于實際環衛車輛軌跡跟蹤系統模型時變、機理建模復雜且為非線性系統，上述方法多基于系統模型設計控制器，難以達成高精度無人駕駛要求，控制方法適應性欠佳。同時，傳統PID控制需重新調整參數，模糊控制要重新制定規則，神經網絡控制得重新訓練[7-8]。這些模糊和神經網絡控制方法的計算量大，且可移植性和實用性較差。

無模型自適應控制（MFAC）[9-10]通過構建被控對象在當前工作點的等價數據模型，僅依靠被控對象系統輸入與輸出數據實現對未知非線性系統的控制。經大量文獻分析可知，該方法計算量小、效率高，已廣泛應用于過程控制、智能交通、無人駕駛等領域。針對自主四輪移動車輛（4WMV）泊車系統，文獻[12]提出了一種新的無模型自適應積分滑模約束控制方案。文獻[13]針對環衛車輛周期重復性工作特點，提出一種基于無模型自適應迭代學習的環衛車輛軌跡跟蹤控制方法。

基于上述研究成果，為優化MFAC方法控制性能，針對環衛車輛軌跡跟蹤系統建模復雜、跟蹤控制精度要求高的特性，本文提出改進的偏格式無模型自適應控制方法（iPFDL-MFAC）。對比現有優秀成果，本文主要貢獻如下：①運用偏格式動態線性化（Partial Format Dynamic Linearization，PFDL）技術，將環衛車輛四輪移動系統轉化為等效數據驅動模型；②在偏格式無模型自適應控制算法（PFDL-MFAC）中設計時變比例與時變積分控制項，有效提升算法靈活性與控制精度；③所提出的iPFDL-MFAC方法無需先驗系統模型信息，僅以環衛車輛方向角與轉向角數據作I/O數據，在節約計算資源與工程實現便利性方面更具優勢。

2" 背景及問題描述

環衛車輛一般是四輪移動系統，雙前輪提供支撐，雙后輪產生驅動。在汽車穩定性控制系統中，汽車轉向角度傳感器起到了重要的作用，其作用是為了檢測方向盤的轉動角度、轉動方向和轉向速度的一種ABS（制動防抱死系統，Antilock Brake System）裝置。轉向角度傳感器一般安裝在轉向鎖開關和轉向盤之間的轉向柱上，由光電耦合元件和開孔槽板等部件構成。

當轉向角度傳感器檢測到汽車轉向信號后，會向汽車電控單元ECU發出轉向指令，為汽車轉向幅度提供依據。隨后，ECU根據車速傳感器信號和方向盤轉角傳感器信號，判斷汽車轉向時側向力的大小，進而控制車身傾斜，確保汽車能夠按照駕駛員的轉向意圖行駛。其工作原理是借助電阻感知汽車轉向角度，通過改變電阻大小來改變汽車電壓，以此實現對方向盤轉動角度和轉動方向的檢測，這一傳感器有效提升了汽車運行的安全性和穩定性。

在假設車輛行駛過程中不存在側滑的情況下，可把四輪車前輪的內輪轉角和外輪轉角的實際作用效果等效為兩輪車前輪轉角的作用效果，其等效模型如圖1所示。

利用參數重置算法，可保證公式（16）能夠準確跟蹤時變參數[?p，L（k）]。[?p，L（1）]是[?p，L（k）]的初值，[ε]是較小的常數。同時，式（16）、 式（17）都是遞歸形式，僅使用實時的I/O數據和先前時刻的相關參數進行更新，因此該方法屬于數據驅動的控制器。

4" 仿真分析

為驗證本文所設計的改進PFDL-MFAC算法的有效性，引入環衛車系統進行仿真，并與MFAC、PFDL-MFAC[11]策略進行對比。仿真參數見表1所示。值得注意的是，本文中所提到的無模型控制，即所設計的控制器算法式（16）、式（17）中沒有使用環衛車輛的四輪運動系統的任何模型信息，包括系統的階數、線性和非線性特征。仿真所給出的數值模型僅為產生相應的I/O數據，并未參與控制器的設計。

定義跟蹤誤差[e（k）=θr（k+1）-θ（k）]，假設采樣時間[T=0.1s]，跟蹤速度為[7.2km/h]。考慮曲線軌跡跟蹤時，環衛車輛的車身角變化為[13]：

首先，討論可調參數[γP]對系統控制性能的影響。設定改進PFDL-MFAC的初始值為[β（0）=0]、[θ（0）=0]、[γI=1]、[L=5]，分別選取可調參數[γP=0]、0.3、0.6和0.9，步長因子[δi=0.4 ， i =1，2，3，4，5]，驗證所提方法的性能。由式（17）可知，當[γP=0]時，本文改進的PFDL-MFAC方法將轉變成傳統的PFDL-MFAC，說明所提方法具有一定的靈活性和通用性。輸出跟蹤性能對比仿真結果如圖2所示。

從圖2中可以發現，系統的軌跡跟蹤過程是收斂的。同時，隨著可調參數[γP]的取值范圍變化，系統跟蹤參考信號的響應速度變快，更為重要的是超調減小。偽梯度PG參數的估計值如圖3所示，可以看出，即使參數[γP]的選擇不同，參數曲線也是慢時變的有界函數。

其次，為了驗證所提方法的優越性，將改進PFDL-MFAC方法和PFDL-MFAC、MFAC方法進行對比。改進PFDL-MFAC、PFDL-MFAC、MFAC的初始值為[β（0）=0]、[θ（0）=0]、[L=5]，改進PFDL-MFAC、PFDL-MFAC和MFAC的控制器參數值見表2。

圖4～圖6分別給出了不同方法下跟蹤性能的對比、跟蹤誤差的對比和跟蹤效果的對比情況。從圖4中可以看出，MFAC方法跟蹤誤差大且很難跟蹤上期望軌跡；而PFDL-MFAC可以跟蹤上期望軌跡，但其響應時間和控制精度卻比不上本文所改進的PFDL-MFAC方法。

綜述所述，通過上述仿真可以發現，本文所提方法可以快速跟蹤參考信號，可使跟蹤誤差幅值得以縮小，還能減少跟蹤調節的響應時間，進而有效提高系統的魯棒性與適應性。

5" 總結

本文圍繞環衛車輛軌跡跟蹤控制系統的數據驅動控制問題展開了深入研究。先是剖析了原有PFDL-MFAC方法具備的優勢以及存在的缺陷，進而提出一種改進的PFDL-MFAC方法。相較于傳統的MFAC以及PFDL-MFAC控制器，本文所提控制方法可顯著減少軌跡跟蹤達到穩態所需的調整時間，達成了響應速度快、控制精度高的良好效果。

在后續的工作當中，結合現有的研究成果，會著重從理論層面針對所提算法的收斂性能展開分析。此外，針對存在外部噪聲干擾以及數據傳輸延時等情況的環衛車輛軌跡跟蹤數據驅動控制問題，同樣極具深入探究的價值。

參考文獻

[1]" CIUFFO B，RONCOLI C，VITI F.Guest Editorial Introduction of the Special Issue on Management of Future Motorway and Urban Traffic Systems[J]. IEEE Transactions on Intelligent Transportation Systems，2020，21（4）：1631-1634.

[2]" SAKAI Y，UETSUKA H，KOBAYASHI K. Risk Evaluation and Management for Road Maintenance on Urban Expressway Based on HEML（Hanshin Expressway Logic Model）[J]. Journal of Construction Management，2007，14：125-134.

[3]" 熊璐，李志強，姚杰.面向低速清掃車的信息融合車輛跟蹤方法[J].中國公路學報，2019，32（6）：61-70.

[4]" KLAN A，KRJANC I.Tracking-error model-based predictive control for mobile robots in real time[J]. Robotics amp; Autonomous Systems，2007，55（6）：460-469.

[5]" KRJANC I，KLANAR G.A comparison of continuous and discrete tracking-error model-based predictive control for mobile robots[J].Robotics and Autonomous Systems，2017（87）：177-187.

[6]nbsp; WANG S，YIN X，LI P，et al.Trajectory Tracking Control for Mobile Robots Using Reinforcement Learning and PID[J]. Iranian Journal of Science amp; Technology Transactions of Electrical Engineering，2019，44（3）：1-10.

[7]" SU X J，SHI P，WU L G，et al.Reliable Filtering With Strict Dissipativity for T-S Fuzzy Time-Delay Systems [J].IEEE Transactions on cybernetics，2014，42（12）：2470-2483.

[8]" JI N，XU D Z，LIU F.A novel adaptive neural network constrained control for solid oxide fuel cells via dynamic anti-windup [J].Neurocomputing，2016（214）：134-142.

[9]" HOU Z S，WANG Z.From model-based control to data-driven control：Survey，classification and perspective[J]. Information Sciences，2013（235）：3-35.

[10] HOU Z S，JIN S T.A novel data-driven control approach for a class of discrete-time nonlinear systems[J].IEEE Transactions on Control Systems Technology，2011，19（6）：1549-1558.

[11] HOU Z S，LIU S D，YIN C K. Local learning-based model-free adaptive predictive control for adjustment of oxygen concentration in syngas manufacturing industry [J].IET Control Theory amp; Applications，2016，10（12）：1384-1394.

[12] XU D Z，SHI Y，JI Z C.Model-Free Adaptive Discrete-Time Integral Sliding-Mode-Constrained-Control for Autonomous 4WMV Parking Systems[J].IEEE Transactions on Industrial Electronics，2018，65（1）：834-843.

[13] 姚文龍，龐震，池榮虎，等.環衛車輛軌跡跟蹤系統的無模型自適應迭代學習控制[J].控制理論與應用，2022，39（1）：101-108.

[14] ASTROM K J，WITTENMARK B. Adaptive Control（2 nd ed）[M].Boston，MA： Addison-Wesley Longman Publishing，1994.

（編輯" 凌" 波）

收稿日期：2024-06-18