基于mpc模型预测轨迹跟踪控制：加入四轮侧偏角软约束的仿真实现较好的轨迹跟踪效果，基于MPC模型的轨迹跟踪控制仿真与四轮侧偏角软约束的影响

最新推荐文章于 2024-07-05 16:44:12 发布
最新推荐文章于 2024-07-05 16:44:12 发布
阅读量769 收藏 6
点赞数 12
文章标签： 人工智能 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/okzBulRrbp/article/details/139451468
版权

基于mpc模型预测轨迹跟踪控制，总共包含两套仿真，一套是不加入四轮侧偏角软约束，一套是加入四轮侧偏角的软约束控制，通过carsim与simulink联合仿真发现加入侧偏角软约束在进行轨迹跟踪时，能够通过控制四轮侧偏角的变化，较好的实现轨迹跟踪；而不加入侧偏角软约束的，发现车辆由于失去稳定性, 轨迹跟踪失败

ID:49120762510853969

芒果柚子


基于MPC模型预测轨迹跟踪控制的研究

摘要：

针对车辆轨迹跟踪的问题，本文基于MPC（Model Predictive Control）模型预测控制方法，通过两套仿真来比较不加入和加入四轮侧偏角软约束的情况下的轨迹跟踪效果。通过Carsim与Simulink的联合仿真实验，验证了加入侧偏角软约束能够提高轨迹跟踪的稳定性和精确性的结论。

关键词：MPC，轨迹跟踪，侧偏角软约束，Carsim，Simulink

  1. 引言

汽车轨迹跟踪问题是自动驾驶技术中的一个重要研究内容，其在实际应用中具有广泛的意义。在车辆轨迹跟踪中，MPC模型预测控制方法因其预测准确性和控制性能优良而受到广泛关注。本文基于MPC模型预测控制方法，通过仿真实验来比较不加入和加入四轮侧偏角软约束的轨迹跟踪控制效果，并探究加入侧偏角软约束对轨迹跟踪的影响。

  1. MPC模型预测控制方法

MPC模型预测控制方法是一种基于离散时间动态系统模型的控制方法。它通过对未来一段时间内的状态变化进行预测，优化控制输入，以实现对系统的精确控制。MPC方法在车辆轨迹跟踪问题中的应用较为广泛，其对于动态环境下的多约束问题具有良好的适应性和鲁棒性。

  1. 实验方法

本文通过Carsim与Simulink的联合仿真来比较不加入和加入四轮侧偏角软约束的轨迹跟踪效果。首先，利用Carsim软件建立车辆的运动学模型，并通过将该模型与Simulink进行联合仿真来实现控制策略的验证。然后，分别对不加入和加入侧偏角软约束的情况进行仿真实验，记录并分析两种情况下车辆的轨迹跟踪效果。

  1. 实验结果与分析

实验结果表明，加入侧偏角软约束的轨迹跟踪效果相较于不加入侧偏角软约束的情况更加稳定和精确。通过控制四轮侧偏角的变化，加入侧偏角软约束的控制策略能够更好地实现车辆的轨迹跟踪。而不加入侧偏角软约束的情况下，车辆因失去稳定性而导致轨迹跟踪失败。

  1. 结论与展望

本文通过基于MPC模型预测控制方法的轨迹跟踪控制实验，验证了加入侧偏角软约束能够提高轨迹跟踪的稳定性和精确性。然而，本文的研究结果仅限于仿真实验，实际应用中还需进一步验证和优化。未来的研究可以基于本文的工作，探索更多的约束条件和优化方法，以进一步提高车辆轨迹跟踪的性能和稳定性。

参考文献：

[1] C. Li, H. Zhou, X. Li, et al. Trajectory tracking control of autonomous vehicles based on MPC. Proceedings of the 2020 IEEE Intelligent Vehicles Symposium, 2020: 1-6.

[2] Y. Wang, Z. Wang. Model predictive control with online trajectory preview for autonomous ground vehicles. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(7): 1833-1844.

[3] Z. Li, X. Wang, F. Liu, et al. Robust trajectory tracking control of autonomous ground vehicles based on augmented MPC. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(5): 1917-1929.

以上相关代码,程序地址：http://fansik.cn/762510853969.html

okzBulRrbp
关注
  • 12
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
无人驾驶轨迹跟踪控制(Carsim2020+matlab2020b)实现基于mpc的分布式驱动电动汽车变道轨迹跟踪控制
nyTJLWG的博客
10-17 611
在传统汽车的轨迹跟踪控制中，通常只需要控制车辆的转向角度和加速度，而在分布式驱动电动汽车中，则需要控制每个电机的转速和转矩等参数。仿真结果显示，控制算法能够较好地实现车辆的变道轨迹跟踪控制，控制误差较小，车辆行驶速度较快且稳定，转弯半径较小。无人驾驶轨迹跟踪控制(Carsim2020+matlab2020b)实现基于mpc的分布式驱动电动汽车变道轨迹跟踪控制，仿真效果较好，涉及分布式驱动转矩分配。在仿真中，通过对轨迹跟踪控制的误差、速度、转弯半径等参数进行分析，评估控制算法的性能和效果。
CarSim与Simulink联合仿真，实时检测，动态规划路径，实现超车换道，基于mpc
fKunshn的博客
01-25 579
通过该技术，用户可以通过基于模型预测控制的路径规划和控制算法，实现高效的超车换道，并提升车辆行驶效果。为了帮助用户更好地理解该技术，我们还提供了详细的运行指导视频和模型说明文档，让用户能够迅速上手并实现自己的需求。CarSim与Simulink联合仿真是一种强大的技术工具，可以实现实时检测和动态规划路径，从而实现高效的超车换道功能。CarSim与Simulink联合仿真，实时检测，动态规划路径，实现超车换道，基于mpc，模型预测控制实现，距离效果见视频。提供carsim参数配置文件，导入即可运行。
基于Carsim、Simulink联合仿真的自动驾驶系统：基于MPC算法的ACC自适应巡航控制与期望车速和加速度计算，基于MPC算法的ACC自适应巡航控制：Carsim Simulink联合仿真揭示自
RTIqmIHw的博客
06-12 297
在实现ACC功能中，关键问题是如何根据ACC的要求，求解出期望车速，并利用模型预测控制（Model Predictive Control，简称MPC）算法计算加速度。MPC算法在自动驾驶领域得到了广泛应用，其能够根据当前车速、前车间距和加速度限制等因素，动态调整车辆的加速度，以实现平稳的速度变化和安全的行车距离。自动驾驶，carsim/simulink联合仿真，基于mpc算法的acc自适应巡航控制，根据acc求解出期望车速后，用mpc算法计算加速度。首先，通过Carsim对车辆的动力学特性进行建模和仿真。
ACC自适应巡航控制模型及模拟仿真实现，包含Simulink模型和Carsim设置，附可选购模型说明和操作说明文件
rFkhxqP的博客
04-10 648
首先，我们通过分析ACC的工作原理和算法，设计了合适的控制器和传感器模块。ACC，即自适应巡航控制（Adaptive Cruise Control），是一种先进的汽车驾驶辅助系统，它能够根据车辆与前方车辆的距离和速度差异，自动调整车速和保持安全的车距。通过Simulink模型的设计和Carsim设置，我们能够更好地理解和应用ACC自适应巡航控制模型，提高汽车驾驶的安全性和舒适性。在这篇文章中，我们将深入探讨ACC自适应巡航控制模型的原理和应用，着重介绍其Simulink模型的设计和Carsim设置的优势。
Carsim Simulink联合仿真：多目标优化MPC实现ACC自适应巡航模型预测
VdCgrpFRWiz的博客
05-08 231
包括动力模型，逆制动模型，跟车模型，紧急制动模型，基于mpc算法的全速自适应巡航，或者stateflow的ACC，以上相关代码,程序地址：http://wekup.cn/669892207380.html。Carsim simulink 联合 多目标优化MPC，模型预测。carsim与simulink联合仿真。ACC模型预测ACC设计 自适应巡航。考虑经济性，安全性，动力行等多因素的。
基于MPC的ACC车辆控制策略：模型预测控制与Carsim联防实现速度与间距控制
IRLbIMLOt的博客
04-07 1757
Carsim可以模拟车辆在不同路况下的运动行为和性能，通过建立车辆的数学模型，可以对车辆的加速、制动、转向等行为进行仿真分析，以评估车辆的性能和设计控制策略。ACC系统通过使用雷达、激光等传感器来感知前方车辆的位置和速度，并利用控制算法来计算出最佳的速度和间距控制策略，以保持与前车的安全距离，并提供舒适的驾驶体验。模型预测控制（MPC）：模型预测控制是一种控制方法，它使用系统的数学模型来预测未来的系统行为，并根据这些预测进行控制决策，以实现所需的性能指标。
基于mpc模型预测轨迹跟踪控制，总共包含两套仿真，一套是不加入四轮侧偏角软约束，一套是加入四轮侧偏角的软约束控制，通过carsi
07-13
基于mpc模型预测轨迹跟踪控制，总共包含两套仿真，一套是不加入四轮侧偏角软约束，一套是加入四轮侧偏角的软约束控制，通过carsim与simulink联合仿真发现加入侧偏角软约束在进行轨迹跟踪时，能够通过控制四轮侧偏角...
基于模型预测控制的无人驾驶车辆轨迹跟踪问题研究.zip
06-29
综上所述，基于模型预测控制的无人驾驶车辆轨迹跟踪策略，通过动态优化和实时反馈，能够在满足系统约束的同时实现高精度的轨迹跟随。这一方法在应对复杂环境和不确定性时表现出色，对于提升无人驾驶车辆的安全性和...
基于MPC控制器的无人驾驶车辆模型控制仿真，matlab2021a测试。
04-30
基于MPC控制器的无人驾驶车辆模型控制仿真 %控制系统基本情况介绍 Nx = 3; %状态量个数 Nu = 2; %控制量个数 [Nr,Nc] = size(Xout); %Nr=100,Nc=3 Tsim = 20; %仿真时间 X0 = [1.5 0 -pi/2]; %车辆初始状态 L = 1; %...
基于LQR最优控制算法实现的轨迹跟踪控制，建立了基于车辆的质心侧偏角、横摆角速度，横向误差，航向误差四自由度动力学模型作为控制模
07-06
建立了基于车辆的质心侧偏角、横摆角速度，横向误差，航向误差四自由度动力学模型作为控制模型，通过最优化航向误差和横向误差，实时计算最优的K值，计算期望的前轮转角实现轨迹跟踪，仿真效果良好，有对应的资料 ...
车辆变道实现：Carsim+Simulink联合仿真，结合路径规划算法和MPC轨迹跟踪算法，支持Simulink和C++版本，适用于弯道道路和车道保持
EWNMYnC的博客
04-11 485
本文将介绍一种基于Carsim和Simulink联合仿真的变道系统，该系统包含路径规划算法和MPC轨迹跟踪算法，并可选用Simulink版本和C++版本的算法。此外，该系统可以适用于弯道道路、弯道车道保持和弯道变道场景，并且Carsim内的规划轨迹可视化，支持Carsim2020.0和Matlab2017b版本。MPC轨迹跟踪算法是一种常用的车辆控制算法，它可以根据车辆的动力学模型和当前状态，计算出最优的控制指令。在弯道道路中，车辆需要根据道路的几何形状和车辆的物理参数，进行合理的行驶轨迹规划。
基于mpc模型预测轨迹跟踪控制，通过carsim与simulink联合仿真发现加入侧偏角软约束在进行轨迹跟踪时
CoGIxiVO的博客
03-08 321
基于mpc模型预测轨迹跟踪控制，总共包含两套仿真，一套是不加入四轮侧偏角软约束，一套是加入四轮侧偏角的软约束控制，通过carsim与simulink联合仿真发现加入侧偏角软约束在进行轨迹跟踪时，能够通过控制四轮侧偏角的变化，较好的实现轨迹跟踪；本文基于MPC模型预测控制方法，通过仿真实验来比较不加入和加入四轮侧偏角软约束的轨迹跟踪控制效果，并探究加入侧偏角软约束对轨迹跟踪的影响。本文通过基于MPC模型预测控制方法的轨迹跟踪控制实验，验证了加入侧偏角软约束能够提高轨迹跟踪的稳定性和精确性。
carsim和simulink联合仿真 ACC
weixin_44028636的博客
07-31 6378
1目标车辆模型搭建 设Car1为目标车辆，也就是主车的目标车辆，在其车辆模型参数设置板块中，选择CarSim软件中的B-Class，Sport Car为基准车。 进入B-Class，Sport Car参数设置。其中的车辆模型参数设置主要是对车身、仿真动画、动力系统、制动系统、转向系统、前后悬以及车轮的选型及参数设置。在动力传动系统设置中，目标车辆的动力系统设置为传统传动系统，如图所示，使用内部引擎，也就是发动机进行动力输入，传统传动系统动力传动过程为：发动机→液力变矩器/离合器→变速器→差速器→输出动力。.
【技术博客】Carsim-Simulink联合仿真实现ACC自动巡航跟随及分层控制
lDfLvWSRGl的博客
04-15 547
通过上下层分层控制的方式，实现了对车辆的控制策略。其中，自适应巡航控制（ACC）技术作为一种重要的智能驾驶辅助系统，能够实现车辆与前车的自动跟随，大幅提升行车的安全性和便利性。未来的研究方向可以包括进一步优化上下层控制策略，提高车辆的刹车和加速响应速度，增加系统的容错性和鲁棒性。ACC自动巡航跟随系统的设计基于simulink平台，通过上下层分层控制的方式，实现对车辆的控制策略。包含安全距离模型，逆发动机模型，逆制动模型，制动/驱动策略切换模块，cpar文件，simfile文件和七八篇参考文献。
Carsim Tiretester使用说明
qq_42745595的博客
10-20 1296
carsim tiretester使用说明，如何将魔术公式转换为简单插值模型
ACC自适应协同控制的滑膜控制算法分析及仿真结果评估
FzTPxfm的博客
12-22 458
结果表明，基于滑膜控制的ACC效果优秀，不亚于模型预测控制（MPC），且在实车试验中易于实现。通过对ACC自适应协同控制的滑膜控制算法进行分析和仿真结果评估，本文旨在提供一种基于滑膜控制的ACC实现方案，并通过与MPC算法的对比分析，证明滑膜控制的优越性。该研究不仅提供了详细的建模资料和滑膜控制的学习资料，还通过实车试验的结果验证了滑膜控制在真实环境中的可行性和优势。文件包含acc巡航建模资料和滑膜控制的资料，非常的详细，比一般只给文件仿真详细多啦，还有我本人滑膜控制的总结，对于滑膜控制的学习很有帮助。
开思通智网-科技快报20240704：全球首个，人工智能之城，AI填报志愿
最新发布
opensnn的博客
07-05 769
【本周新进展】【本周国外资讯】【其他】
【遥感语义分割】UNetFormer
m0_53700832的博客
07-05 1295
原文：UNetFormer: An UNet-like Transformer for Efficient Semantic Segmentation of Remotely Sensed Urban Scene Imagery Libo Wang1, 2, Rui Li1, Ce Zhang3, 4, Shenghui Fang1*, Chenxi Duan5, Xiaoliang Meng1, 2 and Peter M. Atkinson3, 6, 7 1) School of Remote Se
基于mpc算法的车辆轨迹跟踪，matlab代码
05-27
以下是基于 MPC 算法实现车辆轨迹跟踪的 MATLAB 代码示例： ```matlab %% 建立车辆动力学模型和环境模型 % 定义车辆动力学参数 m = 1000; % 质量 Cf = 16000; % 前轮侧向刚度 Cr = 18000; % 后轮侧向刚度 Lf = 1.2; % 前轴到重心距离 Lr = 1.8; % 后轴到重心距离 Vx = 10; % 车速 % 定义状态变量和控制变量 x = [0; 0; 0; Vx]; % 初始状态，分别为横向位移、横向速度、偏航角、纵向速度 u = [0; 0]; % 初始控制量，分别为前轮转角和后轮转角 % 定义预测时域和控制时域 Np = 10; % 预测时域 Nc = 2; % 控制时域 % 定义状态权重和控制权重 Q = diag([10, 100, 1, 1]); % 状态权重 R = diag([1, 1]); % 控制权重 % 定义约束条件 delta_max = 0.5; % 前轮转角限制 alpha_max = deg2rad(10); % 前轮侧偏角限制 % 定义 MPC 控制器 mpc_controller = mpc(tf({Cf, Cr}, {m*Lr, m*Lf+ m*Lr, m*Vx, 0}), Vx, Np, Nc, Q, R, [], [], [delta_max; alpha_max], [], []); %% MPC 控制循环 for i = 1:100 % 从传感器获取当前状态 y = [0; 0; 0; Vx]; % 假设当前状态与初始状态相同 % 更新 MPC 控制器并生成控制命令 mpc_controller = mpc_controller.setref({[], [], [], []}, {0, 0, 0, 20}); % 设置期望轨迹 u = mpc_controller(y); % 计算下一时刻状态 x = vehicle_model(x, u); % 更新环境模型 Vx = 10; % 假设车速不变 end %% 车辆动力学模型函数 function x_next = vehicle_model(x, u) % 解算车辆运动学方程 A = [0, 1, 0, 0; 0, 0, -u(1), 0; 0, 0, 0, 1; 0, 0, (u(1)*Lr - u(2)*Lf)/(m*x(4)), 0]; B = [0, 0; Cf/m, -Cr/m; 0, 0; Lf*Cf/(m*x(4)), -Lr*Cr/(m*x(4))]; x_next = A*x + B*u; end ``` 上述代码中，首先定义了车辆动力学模型参数、状态变量和控制变量、预测时域和控制时域、状态权重和控制权重、约束条件等参数。然后，通过 MPC 控制器函数 `mpc()`，建立 MPC 控制器，并在控制循环中不断更新 MPC 控制器并生成控制命令，同时计算下一时刻状态，并更新环境模型。最后，定义了车辆动力学模型函数 `vehicle_model()`，用于解算车辆运动学方程。 需要注意的是，这只是一个简单的示例，实际应用中需要根据具体情况进行参数调整和优化。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值