考虑系统复杂扰动的智能车模型预测路径跟踪控制

doi:10.19562/j.chinasae.qcgc.2022.12.006

摘要/Abstract

摘要：

智能车路径跟踪控制面临系统模型简化、参数不确定、执行器与传感器信号延时及道路曲率变化等干扰，将产生系统扰动误差，导致跟踪精度降低。本文针对性提出一种考虑跟踪系统复杂扰动的模型预测控制方法（model predictive control， MPC），首先以单轨车辆动力学模型为基础建立模型预测跟踪系统，并依据实时规划的路径和速度信息设计预瞄距离动态调整方法，获取最佳预瞄点，以改善智能车底盘执行器与传感器信号延时扰动问题；而后引入扩张状态观测器（extended state observer，ESO）实时估计因简化车辆模型对系统产生的未知扰动量并用于前馈补偿；同时，考虑道路参考曲率变化对系统产生的确定性稳态扰动，设计一种含曲率约束的前馈控制（feed-forward control，FFC）方法用于消除该干扰；最终形成MPC控制器反馈输入、ESO抗干扰补偿输入及FFC前馈输入相叠加的转向角控制律。最后，以某品牌智能车平台在低速园区场景进行了实车测试对比分析，验证了本文所改进的融合扰动补偿的模型预测控制方法具备可行性和优越性。

关键词: 智能车, 路径跟踪, 扰动, 模型预测控制, 扩张状态观测器, 动态预瞄距离, 前馈控制

Abstract:

Intelligent vehicle path tracking control is faced with disturbances such as system model simplification， parameter uncertainty， the delay of actuator and sensor signals， and road curvature changes， which will generate system disturbance errors， resulting in reduced tracking accuracy. A model predictive control （MPC） method that considers the complex disturbance of the tracking system is proposed in this paper. Firstly， a model prediction tracking system is established based on the single-track vehicle dynamics model， and a dynamic adjustment method of the preview distance based on real-time path planning and speed information is designed to obtain the best preview point to improve the delay disturbance of the actuators and sensor signals of the intelligent vehicle chassis. Then， an extended state observer （ESO） is introduced to estimate the unknown disturbance to the system due to the simplified vehicle model in real time and use it for feed-forward compensation. At the same time， considering the steady-state disturbance error caused by the change of the road reference curvature to the system， a feed-forward control （FFC） method with curvature constraints is designed to eliminate this disturbance； and finally the steering angle control law of the superposition of the feedback input of the MPC controller， the ESO anti-interference compensation input and the FFC input is formed. Finally， real vehicle test and comparison analysis are carried out in a low-speed park scene with a certain brand of intelligent vehicle platform， which verifies the feasibility and superiority of the improved MPC method of integrating disturbance compensation.

Key words: intelligent vehicles, path tracking, disturbances, model predictive control, extended state observer, dynamic preview distance, feed-forward control

关龙新,顾祖飞,张超,王爱春,彭晨若,江会华,吴晓建. 考虑系统复杂扰动的智能车模型预测路径跟踪控制[J]. 汽车工程, 2022, 44(12): 1844-1855.

Longxin Guan,Zufei Gu,Chao Zhang,Aichun Wang,Chenruo Peng,Huihua Jiang,Xiaojian Wu. Model Predictive Path Following Control of Intelligent Vehicles Considering System Complex Disturbances[J]. Automotive Engineering, 2022, 44(12): 1844-1855.

图/表 15

图1

图2

图3

图4

图5

表1

实车测试车辆参数"

参数	符号	数值
智能汽车质量/kg	$m$	1 830
质心到前轴的距离/m	$l f$	1.276
质心到后轴的距离/m	$l r$	1.589
转动惯量/（kg·m²）	$I z$	3 710.41
前轮侧偏刚度/（N·rad^-1）	$C α f$	150 000
后轮侧偏刚度/（N·rad^-1）	$C α r$	150 000
转向系角传动比i_sw	$i s w$	15.9
预测时域/控制时域	$N p / N c$	10/2

表1

图6

表2

图7

表3

表4

图8

图9

表5

表6

参考文献 17

1	ESKANDARIAN A， WU C， SUN C. Research advances and challenges of autonomous and connected ground vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 22（2）： 683-711.
2	崔明阳，黄荷叶，许庆，等. 智能网联汽车架构，功能与应用关键技术［J］. 清华大学学报（自然科学版）， 2022， 62（3）：16.
	CUI M Y， HUANG H Y， XU Q， et al. Survey of intelligent and connected vehicle technologies： architectures， functions and applications［J］. Journal of Tsinghua University（Science and Technology）， 2022， 62（3）：16.
3	胡杰，钟鑫凯，陈瑞楠，等 .基于模糊LQR的智能汽车路径跟踪控制［J］.汽车工程，2022，44（1）：17-25，43.
	HU J， ZHONG X K， CHEN R N， et al. Path tracking control of intelligent vehicles based on fuzzy LQR［J］. Automotive Engineering， 2022，44（1）：17-25，43.
4	赵树恩，陈文斌，邓召学，等. 基于扩张状态观测器的智能汽车弯道轨迹跟踪控制［J］. 汽车安全与节能学报， 2022，13（1）：112-121.
	ZHAO S E， CHEN W B， DENG Z X， et al.Trajectory tracking control for intelligent vehicles driving in curved road based on expanded state observers ［J］. Journal of Automotive Safety and Energy， 2022，13（1）：112-121.
5	FAN Q， CHEN W， HUANG W， et al. Combined magnetic field decoupling and disturbance rejection control of microrobots based on extended state observer［J］. IEEE Robotics and Automation Letters， 2022， 7（2）： 4032-4039.
6	JI X， HE X， LV C， et al. Adaptive-neural-network-based robust lateral motion control for autonomous vehicle at driving limits［J］. Control Engineering Practice， 2018， 76： 41-53.
7	LI R， HUANG J， PAN X， et al. Path following of underactuated surface ships based on model predictive control with neural network［J］. International Journal of Advanced Robotic Systems， 2020， 17（4）： 1729881420945956.
8	WANG H， HU C， ZHOU J， et al. Path tracking control of an autonomous vehicle with model-free adaptive dynamic programming and RBF neural network disturbance compensation［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2022， 236（5）： 825-841.
9	CHU D， LI H， ZHAO C， et al. Trajectory tracking of autonomous vehicle based on model predictive control with PID feedback［J］. IEEE Transactions on Intelligent Transportation Systems， 2022：1-12. DOI： 10.1109/TITS.2022.3150365
10	YAKUB F， MORI Y. Comparative study of autonomous path-following vehicle control via model predictive control and linear quadratic control［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2015， 229（12）： 1695-1714.
11	梁军，朱方博，蔡英凤，等. 面向复杂曲率变化的智能车路径跟踪控制［J］. 汽车工程， 2021， 43（12）： 1771-1779.
	LIANG J， ZHU F B， CAI Y F， et al. Intelligent vehicle path tracking control based on complex curvature variation ［J］. Automotive Engineering， 2021， 43（12）： 1771-1779.
12	张志达，郑玲，张紫微，等.基于自适应模型预测的智能汽车横向轨迹跟踪控制［J/OL］.中国公路学报：2022，35（7）：305-316.
	ZHANG Z D， ZHENG L， ZHANG Z W， et al. Lateral trajectory tracking control of intelligent vehicle based on adaptive model prediction［J/OL］. China Journal of Highway and Transport：2022，35（7）：305-316.
13	XU S， PENG H. Design， analysis， and experiments of preview path tracking control for autonomous vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 21（1）： 48-58.
14	王丽娟，关龙新，张明华，等.运用路径动态预览模型的低速智能汽车侧向跟踪控制研究［J/OL］.机械科学与技术：1-8［2022-11-05］.DOI：10.13433/j.cnki.1003-8728.20220186.
	WANG L J， GUAN L X， ZHANG M H， et al. Research on lateral tracking control of low speed intelligent vehicle using dynamic path preview model［J/OL］.Mechanical Science and Technology for Aerospace Engineering：1-8［2022-11-05］.DOI：10.13433/j.cnki.1003-8728.20220186.
15	韩京清.一类不确定对象的扩张状态观测器［J］.控制与决策，1995（1）：85-88.
	HAN J Q. The “extended state observer” of a class of uncertain systems［J］. Control and Decision， 1995（1）：85-88.
16	徐海祥，李超逸，余文曌，等.基于扩张状态观测器的智能船舶循迹预测控制［J］.华南理工大学学报（自然科学版），2021，49（12）：143-152.
	XU H Y， LI C Y， YU W Z， et al. Predictive control for intelligent ship path following based on extended state observer［J］. Journal of South China University of Technology（Natural Science Edition）， 2021，49（12）：143-152.
17	COLE D J， PICK A J， ODHAMS A M C. Predictive and linear quadratic methods for potential application to modelling driver steering control［J］. Vehicle System Dynamics， 2006， 44（3）： 259-284.

参数		横向误差/m	航向误差/rad	转向盘转角/（°）
FFC1-MPC	最大值	0.203 3	0.152 7	354.125 5
FFC1-MPC	平均值	0.045 1	0.030 1	87.442 0
FFC2-MPC	最大值	0.559 6	0.264 9	389.703 6
FFC2-MPC	平均值	0.070 6	0.044 7	96.676 5
FFC3-MPC	最大值	0.519 0	0.176 0	378.152 2
FFC3-MPC	平均值	0.115 3	0.031 5	90.536 7

参数		横向误差/m	航向误差/rad	参考曲率
不加预瞄	最大值	0.203 7	0.157 6	0.126 5
不加预瞄	平均值	0.033 2	0.023 6	0.028 3
固定预瞄时间	最大值	0.195 9	0.156 9	0.124 9
固定预瞄时间	平均值	0.036 8	0.024 3	0.028 7
动态预瞄模型	最大值	0.139 8	0.070 4	0.127 2
动态预瞄模型	平均值	0.027 4	0.013 1	0.032 8

参数		横向误差/m	航向误差/rad	参考曲率	计算时间/ms
FFC1-动态预瞄	最大值	0.139 8	0.070 4	0.127 2	5.670 8
FFC1-动态预瞄	平均值	0.027 4	0.013 1	0.032 8	1.175 2
FFC1-动态预瞄- ESO补偿	最大值	0.100 8	0.049 1	0.128 0	5.388 3
FFC1-动态预瞄- ESO补偿	平均值	0.028 8	0.014 7	0.034 2	1.254 4

参数	FFC1-动态预瞄-ESO补偿-MPC
参数	最大值	平均值
横向误差/m	0.258 1	0.021 3
航向误差/rad	0.109 5	0.010 2
前馈控制器补偿/（°）	444.574 9	52.322 1
转向盘转角/（°）	411.549 1	50.772 1
参考曲率	0.174 3	0.020 5

参数	FFC1-动态预瞄-LQR
参数	最大值	平均值
横向误差/m	0.278 8	0.078 9
航向误差/rad	0.116 1	0.019 3
前馈控制器补偿/（°）	459.405 6	116.842 4
转向盘转角/（°）	400.925 1	113.564 9
参考曲率	0.180 1	0.045 8