考虑侧风稳定性的汽车轨迹跟踪自适应时域模型预测控制

doi:10.19562/j.chinasae.qcgc.2024.10.010

摘要/Abstract

摘要：

为扩展模型预测控制的应用场景，提高智能汽车在极端风环境下的轨迹跟踪精度，提出了一种考虑侧风稳定性的自适应时域控制方法。首先，以跨海桥梁上轿车超车过程为研究对象，采用汽车空气动力学与系统动力学耦合方法建立轿车超车的侧风稳定性分析模型；接着，建立汽车侧偏安全风险模型，以侧偏风险等级、车速及横向误差为参考设计时域自适应调节器，实现预测时域和控制时域的动态调节；最后，采用CarSim和Simulink搭建联合仿真场景，通过五次多项式规划超车轨迹，验证控制器的跟踪精度及鲁棒性。结果表明：与固定时域及变权重模型预测控制器相比，改进后的控制器可以更好地抵抗“风-车-桥”的气动干扰，以较低的实时性代价提高了车辆轨迹跟踪精度，汽车侧风稳定性得到明显提升。

关键词: 智能汽车, 自动驾驶, 侧风稳定性, 自适应时域, 模型预测控制, 轨迹跟踪

Abstract:

In order to extend the application scenario of model predictive control and improve the trajectory tracking accuracy of intelligent vehicles in extreme wind environment， an adaptive horizon control method considering crosswind stability is proposed. Firstly， taking the process of car overtaking on the sea-crossing bridge as the research object， the crosswind stability analysis model of car overtaking is established by using the coupling method of vehicle aerodynamics and system dynamics. Then， the safety risk model of vehicle lateral motion is established， and the adaptive horizon regulator is designed taking into consideration of lateral motion risk level， vehicle speed and lateral error， so as to realize the dynamic adjustment of prediction horizon and control horizon. Finally， CarSim and Simulink are used to build a joint simulation scenario， and the overtaking trajectory is planned by quintic polynomial to verify the tracking accuracy and robustness of the controller. The results show that compared with the fixed horizon and variable weight model predictive controller， the improved controller can better resist the aerodynamic interference of ' wind-vehicle-bridge' and improve the vehicle trajectory tracking accuracy at a lower real-time cost， with significant improvement in vehicle crosswind stability.

Key words: intelligent car, automatic driving, crosswind stability, adaptive horizon, model predictive control, trajectory tracking

袁志群,陈衍强,常宇轩,霍殿生,林立. 考虑侧风稳定性的汽车轨迹跟踪自适应时域模型预测控制[J]. 汽车工程, 2024, 46(10): 1829-1841.

Zhiqun Yuan,Yanqiang Chen,Yuxuan Chang,Diansheng Huo,Li Lin. Model Predictive Control with Adaptive Horizon for Vehicle Trajectory Tracking Considering Crosswind Stability[J]. Automotive Engineering, 2024, 46(10): 1829-1841.

图/表 23

图1

表1

图2

图3

表2

图4

图5

表3

图6

图7

图8

图9

图10

图11

图12

表4

图13

表5

表6

图14

图15

图16

图17

参考文献 16

1	GUO H Y， CAO D P， CHEN H， et al. Model predictive path following control for autonomous cars considering a measurable disturbance： implementation， testing， and verification［J］. Mechanical Systems and Signal Processing， 2019， 118： 41-60.
2	KIM M， LEE D， AHN J， et al. Model predictive control method for autonomous vehicles using time-varying and non-uniformly spaced horizon［J］. IEEE Access， 2021， 9： 86475-86487.
3	周维，过学迅，裴晓飞，等. 基于RRT与MPC的智能车辆路径规划与跟踪控制研究［J］. 汽车工程， 2020， 42（9）： 1151-1158.
	ZHOU W， GUO X X， PEI X F， et al. Study on path planning and tracking control for intelligent vehicle based on RRT and MPC［J］. Automotive Engineering， 2020， 42（9）： 1151-1158.
4	关龙新，顾祖飞，张超，等. 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.
	GUAN L X， GU Z F， ZHANG C， et al. Model predictive path following control of intelligent vehicles considering system complex disturbances［J］. Automotive Engineering， 2022， 44（12）： 1844-1855.
5	CHOI Y， LEE W， KIM J， et al. A variable-sampling time model predictive control algorithm for improving path-tracking performance of a vehicle［J］. Sensors， 2021， 21（20）： 6845.
6	李韶华，杨泽坤，王雪玮. 基于T-S模糊变权重MPC的智能车轨迹跟踪控制［J］. 机械工程学报， 2023， 59（4）： 199-212.
	LI S H， YANG Z K， WANG X W. Trajectory tracking control of an intelligent vehicles based on T-S fuzzy variable weight MPC［J］. Journal of Mechanical Engineering， 2023， 59（4）： 199-212.
7	杜荣华，胡鸿飞，高凯，等. 基于变预测时域MPC的自动驾驶汽车轨迹跟踪控制研究［J］. 机械工程学报， 2022， 58（24）： 275-288.
	DU R H， HU H F， GAO K， et al. Research on trajectory tracking control of autonomous vehicles based on MPC with variable predictive horizon［J］. Journal of Mechanical Engineering， 2022，58（24）： 275-288.
8	ZHANG B， ZONG C F， CHEN G Y， et al. An adaptive-prediction-horizon model prediction control for path tracking in a four-wheel independent control electric vehicle［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2019， 233（12）： 3246-3262.
9	XIAO Z X， HU M H， FU C Y， et al. Model predictive trajectory tracking control of unmanned vehicles based on radial basis function neural network optimisation［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2023， 237（2-3）： 347-361.
10	ELBANHAWI M， SIMIC M， JAZAR R. Receding horizon lateral vehicle control for pure pursuit path tracking［J］. Journal of Vibration and Control， 2018， 24（3）： 619-642.
11	TANG X Z， SHI L F， WANG B， et al. Weight adaptive path tracking control for autonomous vehicles based on PSO-BP neural network［J］. Sensors， 2023， 23（1）： 412.
12	梁宝钰，汪怡平，刘珣，等. 基于滑模理论的高速车辆侧风稳定性控制研究［J］. 汽车工程， 2022， 44（1）： 123-130.
	LIANG B Y， WANG Y P， LIU X， et al. Study on crosswind stability control of high-speed vehicle based on sliding mode theory［J］. Automotive Engineering， 2022，44（1）： 123-130.
13	JI J， KHAJEPOUR A， MELEK W W， et al. Path planning and tracking for vehicle collision avoidance based on model predictive control with multi-constraints［J］. IEEE Transactions on Vehicular Technology， 2017， 66（2）： 952-964.
14	ZHAO F Z， WU W Y， WU Y， et al. Model predictive control of soft constraints for autonomous vehicle major lane-changing behavior with time variable model［J］. IEEE Access， 2021， 9： 89514-89525.
15	HU C F， ZHAO L X. Overtaking control strategy based on model predictive control with varying horizon for unmanned ground vehicle［J］. Proceedings of the Institution of Mechanical Engineers， Part D： Journal of Automobile Engineering， 2021， 235（1）： 78-92.
16	WANG H R， WANG Q D， CHEN W W， et al. Path tracking based on model predictive control with variable predictive horizon［J］. Transactions of the Institute of Measurement and Control， 2021， 43（12）： 2676-2688.

参数	单位	数值
汽车质量m	kg	1 412
质心至前轴距离l_f	mm	1 400
质心至后轴距离l_r	mm	1 650
车身的横摆惯量I_z	kg·m²	3 528
路面摩擦因数μ		0.85

序号	主要边界条件	主超车车道
1-1	边界2：速度入口，u_x =0 m/s、u_y =-20 m/s 边界1、3和4：压力出口，p_static=0 主超车：动网格，车速v=72 km/h 其它：壁面边界	1
1-2		2
1-3		3
2-1	边界2：速度入口，u_x =0 m/s、u_y =-20 m/s 边界1、3和4：压力出口，p_static=0 主超车：动网格，车速v=108 km/h 其它：壁面边界	1
2-2		3
3-1	边界1和2：速度入口，u_x =20 m/s、u_y =-20 m/s 边界3和4：压力出口，p_static=0 主超车：动网格，相对车速Δv=36 km/h 其它：壁面边界	1
3-2		3

气动系数	工况序号
气动系数	1-1	1-2	1-3	2-1	2-2
侧向力系数C_S	-0.280	-0.166	-0.152	-0.313	-0.200
横摆力矩系数C_YM	0.182	0.069	0.058	0.143	0.050

侧偏安全风险等级	风险阈值
L_G=0	E_Z/E_Zmax<0.02
L_G=1	0.02≤E_Z/E_Zmax<0.1
L_G=2	0.1≤E_Z/E_Zmax<0.2
L_G=3	0.2≤E_Z/E_Zmax<0.3
L_G=4	0.3≤E_Z/E_Zmax<0.4
L_G=5	0.4≤E_Z/E_Zmax<0.5
L_G=6	0.5≤E_Z/E_Zmax<0.6
L_G=7	E_Z/E_Zmax≥0.6

变量	e_y	L_G	v	ΔN_P	ΔN_C
基本论域	［0， 1］	［0， 7］	［0， 120］	［-8， 8］	［-3， 3］
模糊论域	［0， 3］	［0， 7］	［0， 12］	［-8， 8］	［-3， 3］