无人驾驶研究综述（二）

近年来，智能交通、 人工智能技术快速发展，自动驾驶已成为各领域的研究热点。作为支撑汽车自动驾驶的关键技术之一，轨迹跟踪要求控制车辆使之能够按照参考轨迹行驶，如何确保跟踪的精确性和稳定性一直是无人驾驶控制技术重点与难点[1]。因此在不同工况下确保自动驾驶汽车的跟踪精度和稳定性显得尤为重要。

目前应用在轨迹跟踪横向控制算法主要有：滑模控制[2]、PID 控制[3]、 线性二次调节器控制[４]、 模型预测控制[５]等。由于模型预测控制（model predictive control，MPC）能够系统地处理车辆系统中存在的动力学和运动学约束，被广泛应用于自动驾驶汽车轨迹跟踪横向控制中。

为提高自动驾驶汽车轨迹跟踪精度和稳定性，文献[6-7]中设计一种MPC自适应控制器，基于线性轮胎模型在线实时估计轮胎侧偏刚度并更新控制器预测模型，但未考虑中高速工况下轮胎的非线性特性，文献[8-9]在MPC控制器中加入车辆行驶状态参数估计器，仿真结果表明带参数估计器的 MPC 控制器能够较好地实现智能车辆在恒定车速下的轨迹跟踪，但由于采用了固定控制参数，在车速变化时控制效果并不理想。

文献[10]利用遗传算法(GA)对MPC的预测时域、 控制时域这两个重要参数进行优化，经过GA优化的MPC控制器提高了对速度变化的自适应能力。文献[11]基于模型预测控制算法设计一种可变预测时域的轨迹跟踪控制器，提高了控制器对速度的自适应性。综合目前的研究成果，无人驾驶汽车的模型预测控制器较少考虑预测模型参数失配、 横向车速和纵向车速对轨迹跟踪精度与稳定性的影响。

为此