多源干扰下的智能车模型预测纵向运动抗干扰控制

doi:10.19562/j.chinasae.qcgc.2024.10.009

摘要/Abstract

摘要：

智能车纵向运动控制面临模型失配和外部环境变化等多源干扰，影响速度跟踪的精确性，本文针对性提出一种结合扰动观测和模型预测控制（model predict control， MPC）算法的纵向运动抗干扰控制方法。首先，根据车辆纵向动力学模型分析车辆纵向加速度与各项作用力之间的关系，然后将其简化为含多源干扰的质点运动型并设计模型预测控制器作为上层控制器。其次，针对内部未建模动态干扰及外部随机干扰，设计线性扩张状态观测器（linear extended state observe， LESO）进行实时估计，并通过前馈环节实施补偿，且分析了MPC闭环稳定性和LESO收敛性，最终形成扰动补偿和状态反馈的模型预测最优调节控制律。进一步地，为确保控制策略的高效执行，提出1阶自抗扰控制器作为下层控制器，将期望加速度转换为发动机转矩，从而实现对车速的闭环控制。最后，将算法部署在车载微控制单元（microcontroller unit， MCU）上，在多个速度和道路工况下进行实车测试。实验结果表明，所提出的策略可以快速且精确跟踪目标车速，具备良好的抗干扰能力。

关键词: 智能汽车, 纵向速度跟踪, 抗干扰控制, 模型预测控制, 扩张状态观测器

Abstract:

The precision of speed tracking in the longitudinal motion control of intelligent vehicles is affected by multiple sources of disturbances， such as model mismatch and changes in external environments. In this paper， a longitudinal motion anti-disturbance control method that combines disturbance observation and Model Predictive Control （MPC） algorithm is accordingly proposed. Firstly， the relationship between the longitudinal acceleration of the vehicle and various forces is analyzed according to the longitudinal dynamics model of the vehicle， and then it is simplified into a particle motion model with multiple sources of disturbance and a model predictive controller is designed as the upper controller. Secondly， for the internal unmodeled dynamic disturbances and external random disturbances， a linear extended state observer （LESO） is designed to perform real-time estimation and compensation is implemented through a feedforward loop. The closed-loop stability of MPC and the convergence of LESO are analyzed， and finally a model predictive optimal regulation control law of disturbance compensation and state feedback is formed. Furthermore， in order to ensure efficient execution of the control strategy， a first-order anti-disturbance controller is proposed as the lower controller to convert the desired acceleration into engine torque， thereby realizing closed-loop control of the vehicle speed. Finally， the algorithm is deployed on a in-vehicle Microcontroller Unit （MCU） and tested on a real vehicle under multi-speeds and road conditions. The results show that the proposed strategy can quickly and accurately track the target vehicle speed， with excellent anti-disturbance ability.

Key words: intelligent vehicle, longitudinal speed tracking, anti-disturbance control, model predictive control, extended state observer

张忠,吴晓建,江会华,张超,万宇康. 多源干扰下的智能车模型预测纵向运动抗干扰控制[J]. 汽车工程, 2024, 46(10): 1816-1828.

Zhong Zhang,Xiaojian Wu,Huihua Jiang,Chao Zhang,Yukang Wan. Model Predictive Anti-disturbance Control for Longitudinal Motion of Intelligent Vehicles Under Multi-source Disturbances[J]. Automotive Engineering, 2024, 46(10): 1816-1828.

图/表 10

图1

图2

图3

图4

表1

图5

图6

图 7

图 8

表2

参考文献 19

1	XU S， LI S E， CHENG B， et al. Instantaneous feedback control for a fuel-prioritized vehicle cruising system on highways with a varying slope［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 18（5）： 1210-1220.
2	LI S E， GAO F， CAO D， et al. Multiple-model switching control of vehicle longitudinal dynamics for platoon-level automation［J］. IEEE Transactions on Vehicular Technology， 2016， 65（6）： 4480-4492.
3	WANG Y， DENG Y， WANG H， et al. Terminal constraint-free model predictive longitudinal control for unmanned ground vehicles with driving force table［J］. IEEE Transactions on Vehicular Technology， 2022， 72（3）： 3051-3062.
4	XU S， PENG H， SONG Z， et al. Design and test of speed tracking control for the self-driving lincoln MKZ platform［J］. IEEE Transactions on Intelligent Vehicles， 2019， 5（2）： 324-334.
5	梁旺，秦兆博，陈亮，等.基于改进BP神经网络的智能车纵向控制方法［J］.汽车工程， 2022， 44（8）：1162-1172.
	LIANG Wang， QIN Zhaobo， CHEN Liang，et al.Longitudinal control method of intelligent vehicles based on the improved BP neural network［J］.Automotive Engineering， 2022， 44（8）：1162-1172.
6	LI S， LI K， RAJAMANI R， et al. Model predictive multi-objective vehicular adaptive cruise control［J］. IEEE Transactions on Control Systems Technology， 2010， 19（3）： 556-566.
7	AMINI M R， KOLMANOVSKY I， SUN J. Hierarchical MPC for robust eco-cooling of connected and automated vehicles and its application to electric vehicle battery thermal management［J］. IEEE Transactions on Control Systems Technology， 2020， 29（1）： 316-328.
8	DONG H， XI J. Model predictive longitudinal motion control for the unmanned ground vehicle with a trajectory tracking model［J］. IEEE Transactions on Vehicular Technology， 2021， 71（2）： 1397-1410.
9	INCREMONA G P， POLTERAUER P. Design of a switching nonlinear MPC for emission aware ecodriving［J］. IEEE Transactions on Intelligent Vehicles， 2022， 8（1）： 469-480.
10	HAO S， LUO P， XI J. Estimation of vehicle mass and road slope based on steady-state Kalman filter［C］. 2017 IEEE International Conference on Unmanned Systems （ICUS）. IEEE， 2017： 582-587.
11	ZHAO Z L， GUO B Z. A nonlinear extended state observer based on fractional power functions［J］. Automatica， 2017， 81： 286-296.
12	NGUYEN V T， LIN C Y， SU S F， et al. Global finite time active disturbance rejection control for parallel manipulators with unknown bounded uncertainties［J］. IEEE Transactions on Systems， Man， and Cybernetics： Systems， 2020， 51（12）： 7838-7849.
13	XIONG S， XIE H， SONG K， et al. A speed tracking method for autonomous driving via ADRC with extended state observer［J］. Applied Sciences， 2019， 9（16）： 3339.
14	江浩斌，冯张棋，洪阳珂，等.应用于车辆纵向控制的无模型自适应滑模预测控制方法［J］.汽车工程， 2022， 44（3）：319-329.
	JIANG Haobin， FENG Zhangqi， HONG Yangke，et al.Model-free adaptive sliding mode predictive control algorithm for vehicle longitudinal control［J］.Automotive Engineering， 2022， 44（3）：319-329.
15	ZHU M， CHEN H， XIONG G. A model predictive speed tracking control approach for autonomous ground vehicles［J］. Mechanical Systems and Signal Processing， 2017， 87： 138-152.
16	MATA S， ZUBIZARRETA A， PINTO C. Robust tube-based model predictive control for lateral path tracking［J］. IEEE Transactions on Intelligent Vehicles， 2019， 4（4）： 569-577.
17	GAO Z. Scaling and bandwidth-parameterization based controller tuning［C］. Proc. of American Control Conference. Denver， Colorado， 2003： 4989-4996.
18	MADONSKI R， SHAO S， ZHANG H， et al. General error-based active disturbance rejection control for swift industrial implementations［J］. Control Engineering Practice， 2019， 84： 218-229.
19	ZHANG B， TAN W， LI J. Tuning of linear active disturbance rejection controller with robustness specification［J］. ISA Transactions， 2019， 85： 237-246.

参数	数值	参数	数值
车辆质量m/kg	2 850	控制增量上限?u_max	5
前轮侧偏刚度C_α_f/（N·rad^-1）	180 000	上层系统增益b	5
系统增益k_a	1	上层观测器带宽ω₀	14
时间常数τ_d	0.01	下层控制器带宽ω_loc	1
质心到前轴的距离l_f /m	1.465	下层系统增益b_lo	10
采样时间T/s	0.01	下层观测器带宽ω_lo0	2
预测时域N_p	10	控制量下限u_min	-5
控制时域N_c	5	控制量上限u_max	3.5
控制增量下限?u_min	-5

方法	工况1	工况2	工况3	工况4
MPC-LESO-ADRC	4.163 5	0.354 8	0.744 7	0.315 5
PID	4.506 1	0.665 2	1.050 0	0.514 3
MPC-PI	4.560 4	0.543 3	1.262 7	0.665 5

[1]	孟相浩,牛凌,席军强,陈丹妮,吕超. 基于时空图神经网络的异构交通参与者风险预测[J]. 汽车工程, 2024, 46(9): 1537-1545.
[2]	钱立军,陈健,赵丰,陈欣宇,宣亮. 基于快速随机模型预测控制的网联混合车队生态驾驶策略研究[J]. 汽车工程, 2024, 46(9): 1587-1599.
[3]	苏东旭,赵治国,赵坤,李刚,于勤. 基于可拓相平面稳定域划分的Tube-MPC车辆稳定性控制[J]. 汽车工程, 2024, 46(9): 1654-1667.
[4]	贺伯林,陈勇,代青林. 基于LADRC的纯电动汽车双离合变速器换挡控制[J]. 汽车工程, 2024, 46(9): 1668-1677.
[5]	赵静,梁浩,徐天啸,肖雅月,姜博文. 面向智能汽车赛博物理系统的领域特定建模语言研究[J]. 汽车工程, 2024, 46(8): 1370-1381.
[6]	朱甲梁,刘巧斌,杨帆,杨路,李巍华. 异质车型影响下智能汽车二维碰撞风险预测[J]. 汽车工程, 2024, 46(8): 1414-1421.
[7]	韩陌,何洪文,石曼,刘伟,曹剑飞,吴京达. 基于学习的无人驾驶车辆模型预测路径跟踪控制研究[J]. 汽车工程, 2024, 46(7): 1197-1207.
[8]	冯桂珍,赵东鹏,李韶华. 基于分数阶的空气弹簧建模及电动汽车主动悬架控制研究[J]. 汽车工程, 2024, 46(7): 1282-1293.
[9]	赵树恩,王盛,冷姚. 智能汽车轨迹跟踪多目标显式模型预测控制[J]. 汽车工程, 2024, 46(5): 784-794.
[10]	朱冰,黄殷梓,赵健,张培兴,薛经纬. 面向车载相机采集图像的智能汽车测试场景关键性量化模型[J]. 汽车工程, 2024, 46(4): 557-563.
[11]	丁志杰,王亚飞,章翼辰,邬明宇,王亦乐. 基于复合动态采样的自动驾驶矿车节能路径规划方法[J]. 汽车工程, 2024, 46(4): 588-595.
[12]	何一超,寇胜杰,田贺,李昊,芦勇. 面向量产的高速公路智能换道系统决策规划方法研究[J]. 汽车工程, 2024, 46(3): 418-430.
[13]	俞志豪,罗荣康,吴佩宝,侯之超. 四轮轮毂驱动车辆横向稳定性的底盘协同控制[J]. 汽车工程, 2024, 46(10): 1733-1743.
[14]	吴桐,荣劲,王军年,孙文,初亮,葛林鹤. 面向转向制动工况的制动力动态分配策略[J]. 汽车工程, 2024, 46(10): 1755-1765.
[15]	卢少波,代灵峰,王晨辉,刘丙军,褚志刚,谢文科. 基于自主漂移的自动驾驶车辆极限工况轨迹规划与控制[J]. 汽车工程, 2024, 46(10): 1780-1789.