自动驾驶汽车路径跟踪学习预测控制器设计

作     者：张旭 

作者单位：吉林大学 

学位级别：硕士

导师姓名：许芳

授予年度：2024年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0802[工学-机械工程] 0835[工学-软件工程] 0823[工学-交通运输工程] 080201[工学-机械制造及其自动化] 

主      题：路径跟踪控制 非线性模型预测控制 数据机理混合模型 径向基神经网络 贝叶斯优化 

摘      要：作为自动驾驶的重要环节,车辆路径跟踪控制对整个行车过程的安全性、舒适性等起着决定性的作用。车辆是一个强耦合、多自由度的非线性系统,模型预测控制作为一种可以处理非线性、多约束和多变量优化问题的控制方法,已经成为了车辆路径跟踪控制领域热门的研究方法之一。然而,模型预测控制对车辆模型精度具有较高要求,一般的简化机理车辆模型只适用于常规工况,而高速大转角等极限工况下的车辆模型难以精确可知。同时,目前大部分的路径跟踪方法采用固定参数的控制器,在复杂场景下的适应能力较弱。针对上述问题,本文以非线性模型预测控制器为基础,分别从数据机理混合车辆模型建立、路径跟踪学习预测控制器设计和控制器参数优化三个方面展开具体研究。 1.为了提升车辆模型的精确度,实现对系统未来动态的准确预测,本文设计了基于神经网络的数据机理混合模型,并进行了模型验证。首先,根据车辆横向、纵向和横摆三个自由度的动力学模型,大地坐标系下车辆横纵向位移和横摆角的运动学模型以及基于轮胎魔术公式线性化后的轮胎模型建立三自由度车辆机理模型。其次,采用对非线性关系具有较强拟合能力的径向基神经网络对车辆模型误差进行建模,建立基于数据的车辆补偿模型。最终,将车辆机理模型与数据补偿模型相结合,得到数据机理混合高精度模型,并通过Simulink-Car Sim联合仿真平台验证了模型的精确性。 2.为了提升高速大转角工况下的路径跟踪控制精度,本文在数据机理混合模型的基础上,设计了路径跟踪学习预测控制器,并进行了仿真实验验证。首先建立在线学习数据集,基于时间触发机制进行神经网络模型参数的在线更新,进而实现数据机理混合模型的在线更新。其次,构建路径跟踪控制优化问题,首先综合考虑车辆路径跟踪控制的精确性和舒适性需求,以跟踪期望纵向速度、横向位移和横摆角速度作为目标函数,同时考虑控制动作增量变化和执行器饱和约束,给出非线性优化问题描述形式,并针对该优化问题实现快速求解。为了验证控制器的有效性,选取湿滑路面的高速弯道工况、拼接路面的蛇形穿杆工况和变摩擦系数的高速弯道工况进行仿真实验验证。实验结果表明,本文设计的学习预测控制器有效提升了高速、大转角工况下的路径跟踪控制精度。 3.考虑到控制器在不同工况下的适应能力,本文提出了基于贝叶斯优化的控制器参数优化方法。首先,采用高斯过程将路径跟踪系统描述为一个黑盒函数,并以期望提升函数作为采集函数实现控制器目标权值的迭代优化。其次,根据道路的曲率、车速和路面摩擦系数三种特征,将常见的中高速弯道场景划分为36种工况,并通过贝叶斯优化得到各工况的最优权值。然后构建不同工况及其对应最优权值的map表,从而实现路径跟踪控制器参数的自适应更新。为了验证提出方法的有效性,在不同工况下对设计的控制器进行了仿真实验验证。实验结果表明,采用贝叶斯优化权值的策略能够有效提升路径跟踪控制器的工况适应性。