(本文主要介绍了基于车辆两轮模型的侧向运动建模以及具有稳定性保证的MPC方法)
车道自动保持系统是指通过车辆自动转向,保证车辆在直道和转弯时沿车道中心线行驶。它既是无人驾驶的重要组成部分,也可以作为驾驶员辅助系统帮助以增强驾驶安全。据统计,26%的车辆碰撞事故可以通过车道保持系统来避免[1]。现阶段已有很多公司设计并开发了自己的车道保持系统,比如Nissan公司开发的ProPILOT系统,BMW公司的Main Driver Assistant System,以及Bosch公司的Lane Keep Support等,相关信息可以通过下面的相关连接来获取。
ProPILOTwww.nissan-global.com但无论哪一种自动车道保持系统采用的车辆建模方式都大同小异,在最开始的设计阶段可以通过车辆的两轮模型对车辆侧向运动进行建模。
另一方面,当建立了被控对象的数学模型后,采用何种控制方式便成为下一个需要考虑的问题。
模型预测控制(Model Predictive Control, MPC)在20世纪80年代首先被应用过程控制领域。它是一种闭环优化控制,其主要思想是在某一个采样时刻
,依据当前状态变量,系统模型,价值函数,和约束条件对系统未来的状态变量(或输出)进行预测,计算控制输入序列,并将得到的输入序列的第一个控制输入应用于实际系统。在下一个采样时刻
,重新对系统状态采样并重复k时刻的操作。MPC是一种广泛应用的现代控制算法,通过滚动时域,它在一定程度上能够提供优秀的鲁棒性以弥补模型参数的不确定性或扰动。值得一提的是,在百度公司开源的Apollo项目中,车辆的控制算法也采用了MPC。
早期的MPC控制策略采用一个固定的、有限的步长来预测系统的动态特性,缺乏理论上的稳定性保证。为了满足稳定性要求,研究者给MPC中的控制边界N增加了末端限制条件(
是系统状态的最大不变集),将该最大不变集约束反映到算法中即是MPC的预测边界M。一般来说,
。
这篇文章的主要内容包括基于车辆两轮模型的侧向运动建模以及具有稳定性保证的MPC算法的证明。
首先是基于两轮车辆模型对车辆侧向运动进行建模(未考虑路面坡度)。