智能网联汽车技术专题-控制2024年
为提高信号交叉口的通行效率和车辆的燃油经济性，本文提出了一种考虑驾驶员误差的交通信号与网联汽车速度协同优化方法。在交通层，将交通信号优化问题转化为寻找车辆通过交叉口的最优序列的排序问题，构建了交通信号优化的最优控制模型，提出了一种基于动态规划的交通信号优化算法；在车辆层，考虑驾驶员误差的影响，构建了车辆速度优化的最优控制模型，提出了一种基于快速随机模型预测控制的网联汽车速度优化算法。仿真和智能网联微缩车试验结果表明，本文提出的协同优化策略能够有效缓解交叉口车辆由于驾驶员误差导致的减速停车，进一步降低了车辆的行程时间、怠速时间和燃油消耗。
针对车辆在不同行驶状态下对横摆操纵性和侧向稳定性的动态多目标需求，提出一种横摆稳定性自适应控制策略。首先，通过分段线性拟合技术建立车辆动力学模型，综合应用改进双线法和模糊理论在相平面中获取与路面附着和纵向速度相关的动态稳定域边界；随后，对车辆行驶时的稳定性风险进行量化表征，引入动态多目标映射函数调整基于模型预测理论设计的稳定性控制策略内置参数，匹配车辆侧向稳定性、横摆操纵性和执行器能耗等动态多目标需求。最后，通过仿真试验，论证了设计的控制策略能够在多种工况下帮助车辆获得比传统方法更安全、优质的稳定性控制效果。
路径跟踪控制是智能车辆的一项关键技术。然而，现有车辆跟踪控制方法多依赖于较为精确的车辆控制模型，而实际的车辆控制系统多存在建模误差、参数摄动以及外部扰动等，显著影响路径跟踪控制精度。本文针对性地提出一种考虑车辆未建模动态的智能车辆学习型路径跟踪控制方法。首先建立车辆标称模型，并采用线性预言模型对车辆未建模动态进行近似补偿，以提高车辆模型的精度；然后基于扩展卡尔曼滤波原理实现对未建模动态参数的学习更新；之后构建考虑系统未建模动态的学习型模型预测控制器（LMPC）；最后通过CarSim和Matlab/Simulink设计多工况多组别联合仿真试验，验证所提方法在提高路径跟踪精度方面的有效性。
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。
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。
为更好地让共驾型车道保持控制系统能够预判驾驶人的转向行为，本文提出了一种间接式共驾型车道保持鲁棒控制算法。首先引入了仿驾驶人转向行为的驾驶人转向模型，并采用免疫遗传（immune genetic algorithm， IGA）算法对驾驶人转向模型参数进行离线辨识，建立了驾驶人在环的线性时变人-车-路模型；其次考虑到复杂工况下道路曲率扰动、线性模型适配不足的缺陷以及模型参数的时变特性等因素，基于T-S模糊控制理论设计了输出反馈γ次优H∞鲁棒控制器；再次综合考虑驾驶人转向行为、车辆横向综合偏差情况等因素，设计了一种人机控制权分配策略，用以实现驾驶控制权的平稳动态分配；最后基于驾驶人在环的集成平台对该鲁棒控制算法进行了验证与探讨。结果表明采用该人机控制权分配策略的鲁棒控制算法具有较好的扰动抑制作用，且能够有效增强共驾过程中的合作程度，提升了人机协作的友好性。
为解决网联汽车由于驾驶员误差存在导致的速度轨迹偏移问题，本文提出一种实时的考虑驾驶员误差的网联混合车队生态驾驶策略。首先通过实车试验采集不同驾驶员的驾驶员误差数据，建立基于马尔可夫链的驾驶员误差模型，用于预测未来一段时间的驾驶员误差。然后以最小化整个车队的燃油消耗为优化目标，将车队速度轨迹优化问题描述为一个最优控制问题，采用快速随机模型预测控制（fast stochastic model predictive control， FSMPC）算法求解车队中网联汽车的最优速度轨迹。仿真和智能网联微缩车试验结果表明，相比于传统的基于快速模型预测控制（fast model predictive control， FMPC）的生态驾驶策略，本文所提出的生态驾驶策略能够有效减小车辆的速度轨迹偏移，并降低整个车队的燃油消耗，且满足实时性要求。
外界扰动、模型不确定性和参数摄动等复杂扰动直接影响智能车辆路径跟踪控制的精度和行驶安全性。商用车的载重特性使其在行驶过程中受到的复杂扰动更为明显，为提升自动驾驶商用车路径跟踪精度和平顺性，提出一种路径跟踪混合控制方法。首先，建立鲁棒性强的基于扩张观测器的滑模控制器和变化平稳的增量式LQR控制器，其中增量式LQR的参数使用粒子群算法整定。然后，使用模糊控制器将两者相结合，根据车速和横向误差调整权重系数，在提升系统鲁棒性的同时削弱抖振。最后，进行了仿真分析和实车试验。试验数据表明，SMC+LQR具备较好的控制效果，能应对外界的复杂扰动。
为降低重型商用车燃油消耗、减少运输成本，本文协调“人-车-路”交互体系，将车辆与智能网联环境下的多维度信息进行融合，提出了一种基于迭代动态规划（iterative dynamic programming，IDP）的自适应距离域预见性巡航控制策略（adaptive range predictive cruise control strategy，ARPCC）。首先结合车辆状态与前方环境多维度信息，基于车辆纵向动力学建立自适应距离域模型对路网重构，简化网格数量并利用IDP求取全局最优速度序列。其次，在全局最优速度序列的基础上，求取自适应距离域内的分段最优速度序列，实现车辆控制状态的快速求解。最后，利用Matlab/Simulink进行验证。结果表明，通过多次迭代缩小网格，该算法有效提高了计算效率和车辆燃油经济性。
本文为适应物流自动驾驶轻型货车载荷显著变化的特点，满足低计算负载和高稳定性等需求，提出了一种基于LPV-MPC的路径跟踪控制方法。首先构建线性参变模型，并制定该模型与调度变量-速度和载荷的非线性映射规则，旨在提高行车稳定性并降低系统对参数的灵敏度；然后在滚动优化部分，为解决规划层提供的离散轨迹点稠密程度不匹配控制模块预测层需求的问题，设计了一种轨迹重构的方法，构建了适应预测层时域尺度的平滑轨迹序列，能有效降低预测状态与真实状态的偏差；同时采用了多点状态量偏差预测方式代替单点偏差预测，充分利用了参考轨迹信息从而提高跟踪精度；最后通过联合仿真和实车试验，验证了所提出控制策略的有效性。
针对无人驾驶车辆路径跟踪控制问题中预测模型准确性与计算成本平衡制约问题，本文提出了一种基于学习的模型预测（learning-based model predictive control， LB-MPC）路径跟踪控制策略。建立了车辆2自由度单轨动力学模型，深入分析了其与IPG TruckMaker模型单步响应误差随车速、踏板开度及前轮转向角的变化规律，设计了误差数据集构建和滚动更新方法，基于高斯过程回归（Gaussian process regression， GPR）建立了误差拟合模型，对标称单轨模型进行实时误差补偿修正。将误差修正模型作为预测模型，设计了路径跟踪代价函数，构建了二次规划优化问题，提出了一种基于学习的模型预测路径跟踪控制架构。基于IPG TruckMaker & Simulink联合仿真平台与实车平台，验证了所提GPR模型误差修正与LB-MPC路径跟踪控制策略的实时性与有效性。结果表明，相较于传统模型预测（model predictive control， MPC）路径跟踪控制策略，所提LB-MPC策略路径跟踪平均误差降低了23.64%。
轨迹跟踪避撞是车辆智能性的重要体现，针对现有控制方法面对同一场景的控制风格单一问题，本文中提出了一种多风格型强化学习控制方法。为实现控制风格多样性，首次将风格指标引入值网络和策略网络，搭建了多风格跟踪避撞策略网络，并结合值分布强化学习理论构建了多风格策略迭代框架，依托该框架推导提出了多风格值分布强化学习算法。仿真和实车试验表明：所提出方法可以多种驾驶风格（激进、中性、保守）完成轨迹跟踪避撞任务，实车稳态轨迹跟踪误差小于5 cm，具备较高的控制精度，实车平均单步决策耗时仅为6.07 ms，满足实时性要求。
精确计算不同避撞控制策略的极限避撞距离是自动驾驶汽车避撞决策与控制的基础。为厘清差动制动控制对避撞距离的影响，探究转向和差动制动集成控制的极限避撞能力，提高极限避撞距离的计算精度，本研究基于非线性车辆集成动力学和最优控制理论提出一种自动驾驶汽车极限避撞距离计算方法。首先，建立了非线性 7自由度车辆动力学模型和复合滑移工况的Pacejka轮胎模型。进一步地，基于上述模型构建了极限避撞距离求解问题，并将其转化为最优控制问题。然后，设计了高斯伪谱法将最优控制问题转化为非线性规划问题并求解。最后，分析了转向控制、制动控制、转向和制动集成控制、转向和差动制动集成控制的极限避撞距离，并与基于质点模型计算和CarSim测试的结果进行了对比。结果表明：转向和差动制动集成控制能够进一步减少自动驾驶汽车的避撞距离，显著提高其避撞能力；本研究所提方法能够显著提高极限避撞距离的计算精度和避撞决策结果的可靠性。
针对现有智能汽车轨迹跟踪控制算法难以同时保证跟踪精确性、横向稳定性、舒适性以及控制实时性的问题，提出了一种基于多目标优化和显式模型预测控制理论的轨迹跟踪控制策略（MO-EMPC）。首先，建立考虑跟踪精确性、横向稳定性、舒适性的多目标函数及约束。然后，针对传统MPC控制实时性低的问题，设计基于EMPC的多目标优化轨迹跟踪控制器，通过引入多参数二次规划（MPQP）理论，将反复在线优化求解过程转化为等价的分段仿射系统（PPWA），离线计算得到最优显式控制律以供实时控制调用，减少在线运算时间。最后，基于CarSim/Simlink联合仿真方法，将所设计控制器的轨迹跟踪多目标优化效果与MPC控制效果进行对比验证。研究结果表明，所提出的轨迹跟踪策略在保证良好的跟踪精度前提下，横向稳定性、舒适性方面的表现更优于MPC控制器，且算法在线运行速度提高56.63%。
商用车转向系统的电控化是实现商用车节能化和智能化的必由之路，为此商用车转向系统从传统的液压助力转向系统发展到以电液耦合助力转向系统为代表的电控转向系统。本文将对商用车电控转向技术进行综述，从电控转向系统的典型构型、智能转向控制和功能安全设计3个方面对商用车电控转向技术的研究进行梳理，总结电控转向技术的重点研究领域和未来发展方向。梳理总结发现：（1） 在系统构型方面，商用车电控转向系统以电液耦合转向助力技术为主，着重于实现商用车智能转向功能，同时兼顾节能化需求；商用车电动助力转向系统是未来理想的电控转向技术方案。（2） 在智能控制方面，为了适应商用车智能化的发展，转向执行控制着重于解决液压系统所造成的非线性与时滞性问题以及轨迹跟随过程中的横向动力学控制难题；辅助驾驶功能着重于克服液压系统的非线性导致的转向力矩不连续以及人机控制权的分配；自动驾驶功能着重于提升安全性与燃油经济性。（3）在系统功能安全设计方面，商用车电控转向系统着重于设计符合功能安全标准的故障诊断与容错控制策略。
针对紧急避撞中车辆避开障碍物后回归直线行驶时容易出现过多转向性失控问题，提出一种利用道路空间换取车辆稳定性的解决方案——考虑道路可用宽度的自适应避撞控制方法。首先搭建7自由度车辆模型，基于最优控制和MPC理论设计避撞控制器，并通过大量仿真再现过多转向失控工况，进而对失控工况的车辆输入与车辆状态进行剖析，明晰车辆失控机理。接着基于失控机理设计考虑道路可用宽度的自适应避撞控制系统，其中包括基于深度神经网络的参数自适应控制，基于启动车速的介入准则以及基于Lyapunov保守稳定域的切出时机。仿真实验证明，所提出的自适应避撞控制策略可以充分利用当前道路可用宽度，在避撞后回归直线行驶时提高车辆稳定性，从而达到避免事故发生的效果，弥补了传统定参数控制器无法适应复杂多变工况的缺陷。最后，基于dSPACE硬件在环实验，验证了所提出控制策略的实时性能够满足紧急工况避撞要求。
本文提出一种基于逆模型预测控制的拟人驾驶控制方法，利用模型预测控制产生的实轴轨迹与真实轨迹的损失函数更新控制模块代价函数的权重系数实现拟人化驾驶控制。将拟人驾驶控制构建成一个双层优化问题，在下层利用模型预测控制求解一个典型的最优控制问题产生实轴驾驶轨迹，在上层最小化所产生的实轴轨迹和真实驾驶轨迹的误差更新下层代价函数的权重系数，基于极大值微分原理构造辅助系统求解实轴轨迹关于代价函数权重系数的梯度。实车采集真实驾驶轨迹并进行模仿测试与泛化验证，结果表明：本文所提出的方法相比于两类基于虚轴轨迹的逆最优控制方法，在3个工况下与真实驾驶轨迹最大误差分别平均降低了73.52%和65.03%，驾驶行为更加拟人化，且具备泛化性能。
运动控制研究是实现自动驾驶目标的重要组成部分，针对传统强化学习算法在求解中因单步决策局限而导致控制序列次优的问题，提出了一种基于双估计强化学习算法及前向预测控制方法结合的运动控制框架（DEQL-FPC）。在该框架中引入双估计器以解决传统强化学习方法动作值过估计问题并提高训练优化的速度，设计前向预测多步决策方法替代传统强化学习的单步决策，以有效提高全局控制策略的性能。通过虚拟驾驶环境仿真，证明了该控制框架应用在自动驾驶汽车的路径跟踪以及安全避障的优越性，保证了运动控制中的精确性、安全性、快速性以及舒适性。
随着汽车域集中式架构诞生，搭载智能芯片的汽车域控制器成为新一代电子电气架构的主控单元。域集中式架构依靠车载以太网相连接，计算节点广泛分布在多个域控制器的智能芯片内，需要一套面向服务架构的分布式并行计算模型将计算节点性能充分释放出来。本文开发了一套面向服务架构的轻量级通信中间件，并基于该服务通信中间件实现了分布式并行计算模型，得出了分布式计算分割系数计算表达式，研究了计算节点负载阶跃波动时对分布式并行计算模型的影响。结果表明：域控制器面向服务架构的分布式计算模型具备负载自平衡能力，能够对智能芯片运行时阶跃负载实现快速任务重分配，保证循环任务的计算开销耗时最小，计算周期最短。研究结果为汽车域控架构下分布式计算框架设计与开发提供了重要参考依据。
转矩控制作为整车控制器（VCU）的核心功能，保证其安全性至关重要。为此，本文针对VCU非预期的转矩输出异常的问题，参考ISO 26262标准开展功能安全分析，并提出一种基于EGAS架构的转矩控制3层监控策略。首先，以VCU相关项定义为基础，通过危害分析与风险评估确定汽车安全完整性等级以及安全目标。其次，采用故障树分析方法导出功能安全要求以及技术安全要求。再次，针对安全目标，设计了基于AURIX TC275三核主控芯片与TLF35584电源监控芯片的功能安全机制。此外，通过3层监控策略分配CPU资源，实现转矩控制基本功能与监控功能的分离。最后，进行处理器在环测试，包括UDE调试、UDS诊断以及TLF35584安全状态控制测试。结果表明：该3层监控策略能够实现VCU转矩控制的基本功能并在出现故障时及时进入安全状态，从而达到安全目标。
智能网联汽车技术专题-控制2024年
