本技术涉及自动驾驶技术,提出了一种融合扰动预测的管状模型预测控制方法。该方法整合了参考路径模块、扰动预测模块、管状模型预测控制器和车辆模型,旨在提高无人驾驶汽车的控制精度和稳定性。
背景技术
:
随着车辆增多,交通安全和通勤效率问题日益突出。自动驾驶汽车被视为解决这些问题的关键,其控制技术对此至关重要。路径跟踪是无人驾驶汽车运动控制模块的重要组成部分,其目的是确保汽车能够按预定的轨迹安全、准确、稳定地行驶。在跟踪控制过程中,车辆的动态行为直接受到轮胎与路面之间作用力的影响。由于驾驶环境的复杂多变,这些作用力会因轮胎的气压、载荷以及路面条件的变化而呈现非线性变化。其中,轮胎参数的干扰主要源于两个方面:一是理想系统未能充分考虑轮胎的非线性特性;二是当路面附着状况发生变化时,实际的轮胎侧偏刚度与理想系统中的侧偏刚度不匹配。因此,在跟踪控制中,轮胎侧偏刚度所具有的不确定性因素会对跟踪精度以及车辆的稳定状况产生不利的影响。由于传统模型预测控制(MPC)对模型的依赖性较强,当受到外部扰动时,控制器可能会违背系统约束,无法达到预期的控制效能。针对这一问题,学界展开了关于如何应对未来演化不确定性影响的研究。在此背景下,鲁棒MPC(RMPC)和随机MPC(SMPC)成为两种主流方法,分别采用有界集和概率论来描绘未来的不确定性。然而,模型失配之类的不确定性难以通过概率进行精准描述。因此,在自动驾驶控制领域,RMPC相较于SMPC展现出更广阔的应用前景。目前,最小-最大模型预测控制(Min-max MPC)和管状模型预测控制(Tube-MPC)是实现RMPC的两大主要思路。前者考虑由不确定性引起的“最坏”情况,若系统能在此情况下稳定运行,则对未来任何一种不确定性都能稳定运行。但这种方法计算成本太高,且过于保守可能导致模型求解发散。后者通过分离控制策略,将标称系统从实际系统中分离出来,把对实际系统的控制转化为对标称系统的控制,把系统状态控制在一个状态约束的子集(即Tube)中。通过收紧状态约束和施加扰动反馈控制来解决系统的不确定问题,以较低的计算成本保证约束满足的鲁棒性和稳定性。
管状模型预测控制方法能够适应外部环境变化和内部模型的不稳定性,提升系统的鲁棒性和可靠性。然而,管状集合的大小和形状直接依赖于系统模型的不确定性范围和噪声水平的估计。现有的管状模型预测控制方法,无法得到外界扰动的精确范围。同时,为了提高鲁棒性,管状模型预测控制可能会引入保守性。因此会导致控制器在某些情况下过于保守,限制了控制器的控制性能。
实现思路