基于无模型级联控制的自动驾驶汽车速度跟踪方法研究
《IEEE Open Journal of Intelligent Transportation Systems》:Model-Free Speed Tracking Control for Automated Cars
【字体:
大
中
小
】
时间:2025年12月08日
来源:IEEE Open Journal of Intelligent Transportation Systems 5.3
编辑推荐:
本文针对自动驾驶汽车纵向控制中模型复杂、时变动态等挑战,提出一种基于无模型控制(MFC)的级联控制架构。研究通过系统化设计方法,在多种驾驶场景下实现了速度跟踪精度、安全性和乘客舒适度的最佳平衡。仿真和实车测试表明,该控制器在跟踪质量和舒适性方面均优于传统PID和PI-PI级联控制器,尤其在参数扰动下表现出更强的鲁棒性,为自动驾驶纵向控制提供了新的解决方案。
随着驾驶辅助系统的普及,自动驾驶技术正逐步向更高水平的自主性迈进。然而,要实现完全无需人工干预的自动驾驶,仍面临诸多挑战,其中精确的纵向速度控制是关键环节之一。车辆纵向动力学具有强非线性、加速制动不对称、时变参数等复杂特性,传统基于模型的控制方法往往难以准确描述这些动态变化,导致控制性能受限。
目前主流的纵向控制策略包括PID控制、模型预测控制(MPC)、模糊控制和机器学习等。PID控制器虽简单易用但缺乏鲁棒性;MPC依赖精确模型且计算量大;机器学习方法需要大量数据且可解释性差。而无模型控制(Model-Free Control, MFC)因其不依赖精确模型、对时变系统和扰动具有强鲁棒性等特点,为解决这一难题提供了新思路。
本研究创新性地提出了一种基于MFC的级联控制架构,由外环速度控制器和内环加速度控制器组成,并加入前馈项利用轨迹规划器生成的全部信息。该架构采用智能比例-微分(iPD)控制器,通过"超局部模型"将系统动态简化为输出高阶导数与输入间的线性关系,利用实时估计的扰动项补偿模型误差。
研究人员采用多目标优化方法,以积分绝对误差(IAE)、控制动作二阶导数积分(IAUD2)和最小跟踪误差(ME)作为性能指标,通过Pareto前沿分析寻找最优参数组合。在包含城市道路和区域公路的两种基准轨迹上进行了全面测试,速度范围覆盖10-100km/h。
关键技术方法包括:建立包含气动阻力、坡度阻力和滚动阻力的车辆动力学模型;设计基于Pacejka轮胎模型的纵向力计算;采用自适应预览距离策略获取加速度前馈信号;通过蒙特卡洛测试分析控制器对质量、摩擦系数和坡度变化的鲁棒性。
通过多目标优化得到的Pareto前沿表明,iPD-iPD级联控制器在跟踪精度和舒适性方面均优于PI-PI级联和单回路PID控制器。iPD-iPD控制器有21组参数配置进入工作区,而PI-PI仅有4组,说明前者具有更好的调参灵活性。
蒙特卡洛测试显示,iPD-iPD控制器在质量变化±372kg、摩擦系数变化±0.5、坡度变化±15%的扰动下,有效仿真次数最高(87-197次),显著优于PID控制器(71-94次)。低IAE值的配置通常具有更高鲁棒性,表明跟踪精度与抗干扰能力正相关。
在代表城市场景的T1轨迹上,iPD-iPD控制器表现出最佳的跟踪性能,绝对速度误差低于1km/h的时间占比达60.2%,高于PID控制器的46.9%。控制动作更加平滑,IAUD2指标比PID改善87.43%。
平滑控制器配置虽舒适性较好但存在低频振荡,而激进配置虽能快速响应参考变化但控制动作波动较大。iPD-iPD控制器在两者间取得了更好平衡,对换挡等不可控扰动的适应性也更强。
研究表明,基于MFC的级联控制架构能有效提升自动驾驶汽车纵向控制的精度、舒适性和鲁棒性。该控制器不依赖精确的车辆模型,通过实时估计和补偿扰动,适应各种驾驶场景和参数变化。与传统控制方法相比,在保持简单结构的同时,充分利用轨迹规划信息,为高等级自动驾驶系统的实用化提供了可靠解决方案。
未来工作将扩展鲁棒性分析至真实多变驾驶条件,评估控制器在高速公路等更复杂场景下的性能,并探索MFC在纵横向协同控制中的应用。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号