无人驾驶车辆路径跟踪控制方法综述

无人驾驶车辆路径跟踪控制方法综述

李美强

重庆交通大学 交通运输学院，重庆 400074

摘要：近年来，路径跟踪控制发展十分迅猛，研究者们发表了大量的研究成果。考虑到在相同或相近工况下的路径跟踪控制存在一些共性的技术问题与解决思路，对路径跟踪控制进行了分类介绍，同时系统的归纳总结了近年来自动驾驶汽车在复杂环境下的精确跟踪路径并保持平稳性、安全性的研究方法。此外，对路径跟踪控制方法在跟踪期望路径过程中存在一些问题提出了建议，为自动驾驶路径跟踪提供一定的参考价值和借鉴意义。

关键词：无人驾驶车辆；路径跟踪；控制方法；MPC控制器

0 引言

随着现代汽车工业和计算机技术的快速发展,人们对自动驾驶汽车的智能化控制的要求越来越高。路径跟踪是自动驾驶汽车的重要组成部分，其目的是通过控制汽车的横向和纵向运动来跟踪期望的路径或轨迹[1]。文章就近年来国内外学者基于路径跟踪技术的最新研究展开了系统的介绍,分别从运动控制的分类，实现自动驾驶汽车在复杂环境下精准跟踪路径并保持平稳性、安全性的最新研究方法进行了归纳总结。最后,对某些路径跟踪控制方法在跟踪期望路径过程中存在的一些问题提出建议,为进一步深入研究提供一定的参考。

1 路径跟踪控制的分类

针对自动驾驶汽车的路径跟踪控制问题，基于控制目标的不同，通常将路径跟踪控制分为 三类，即横向控制、纵向控制、横纵向耦合控制[2]。横向控制是通过控制汽车的转向系统，使汽车沿着期望的参考路径行驶，保证汽车在行驶过程中具有一定的安全性、舒适性和平稳性。纵向控制主要是通过对驱动和制动执行器的协调，实现对纵向车速以及期望距离的精确跟随。横纵向耦合控制就是将横向控制与纵向控制放在一起同时控制，由于车辆在运动过程中，其纵横向系统具有高度的非线性且相互之间存在复杂的耦合关系，在分析车辆路径跟踪过程中的受力以及运动状态的基础上建立车辆自由度动力学模型和非线性轮胎模型，设计分层控制系统的上层最优控制器，以跟踪过程中的跟踪性能和行驶性能为指标建立目标函数。

2  路径跟踪控制方法

2.1线性二次最优控制方法

线性二次型最优控制（LQR）是一种稳定的控制方法，可利用较小的控制能量使系统状态变量维持在零值附近，且同时可以对不稳定系统进行整定。文献[3]提出了一种用于纵向和横向闭环车辆/驾驶员动力学集成的最优控制器，设计的控制器在车轮上施加校正的转向角和扭矩，以使车辆保持在期望的轨迹上，同时改善其操纵性能。

2.2状态反馈控制方法

状态反馈能够根据车辆实时参数，模型预测控制器根据道路信息和车辆约束条件计算出预测时域内前轮转角，状态反馈调节器根据道路参考横摆角和车辆实际横摆角，计算横摆角偏差。文献[4]针对采用传统模型预测控制器的车辆在弯道内跟踪精度难以保证的问题，提出了一种基于状态反馈的路径跟踪横向控制策略。所设计控制器能够有效提高车辆路径跟踪精度，可保证车辆对弯道具有适应性和行驶稳定性。

2.3模型预测控制方法

模型预测控制（MPC）考虑控制系统的非线性动力学模型并预测未来一段时间内系统的输出行为，通过解决带约束的最优控制问题使得系统在未来一段时间内的跟踪误差最小。文献[5]提出了一种基于模糊自适应权值控制的改进 MPC 控制器。该控制器在保证跟踪精度的同时，还考虑了跟踪过程中汽车的动态稳定性，即采用汽车动力学模型作为控制器模型。此外，解决了经典 MPC控制器在汽车偏离目标路径时所带来的驾驶舒适性问题。

2.4 PID控制方法

比例-积分-微分（PID）控制方法具有结构简单、调整方便等优点。在测试设置中运行系统并修改 PID 值以获得最佳响应，但传统 PID 控制器参数的选择主要依赖反复的试验和经验，无法根据状态的变化适时地改变控制参数。文献[6]提出了一种新型的四轮独立转向的电动汽车（4WIS），以蛇形轨迹和双线变道轨迹为参考轨迹，在开放道路上验证了所设计的自适应模糊PID控制算法的可靠性和鲁棒性。

2.5 模糊控制方法

模糊控制是以模糊合论作为理论基础，以传感器技术、计算机技术和自动控制理论作为技术基础的一种新型自动控制理论和方法。其不依赖精确数学模型，且鲁棒性较好。文献[7]提出了一种基于动态预瞄策略的智能车横纵向模糊控制方法。该方法能根据道路曲率和实时车速调节距离，确保驶入弯道前车速控制在安全范围内。

3  结论

文章基于路径跟踪控制目标的不同，对运动控制进行了分类介绍。对路径跟踪当下研究较多的控制方法进行了系统的阐述。针对自动驾驶汽车进行路径跟踪的控制方法尚存在的一些问题提出如下建议：国内大量学者在进行路径跟踪研究中，通常是将运动学模型以及轮胎模型进行简化处理，简化处理后的运动控制仅适合在常规工况下进行路径跟踪。因此自动驾驶汽车的运动控制研究须从常规工况向极限工况拓展。针对当前智能汽车的路径跟踪控制必须处理模型不确定性和非线性的困难，而强化学习（RL）作为一类自适应最优控制方法，在解决复杂控制问题中受到越来越多的关注，且随着机器学习理论和自动驾驶汽车路径跟踪方法计算能力的并行发展，可以将强化学习方法运用到自动驾驶汽车的路径跟踪控制中去。

参考文献

[1]蔡英凤,秦顺琪,臧勇,孙晓强,陈龙.基于可拓优度评价的智能汽车横向轨迹跟踪控制方法[J].汽车工程,2019,41(10):1189-1196.

[2]熊璐,杨兴,卓桂荣,冷搏,章仁夑.无人驾驶车辆的运动控制发展现状综述[J].机械工程学报,2020,56(10):127-143.

[3]Nematollah Tavan,Mehdi Tavan,Rana Hosseini. An optimal integrated longitudinal and lateral dynamic controller development for vehicle path tracking[J]. Latin American Journal of Solids and Structures,2019,12(6):

[4]寇发荣,杨慧杰,张新乾,郑文博,王思俊.采用状态反馈的无人车路径跟踪横向控制[J].机械科学与技术，2021, 34(5):1-13.

[5]Reda Ahmad,Vásárhelyi József. Model-Based Control Strategy for Autonomous Vehicle Path Tracking Task[J]. Acta Universitatis Sapientiae, Electrical and Mechanical Engineering,2020,12(1):

[6]刁勤晴,张雅妮,朱凌云.双预瞄点智能车大曲率路径的横纵向模糊控制[J].中国机械工程,2019,30(12):1445-1452.

[7]Zhang C, Hu J, Qiu J, et al. A novel fuzzy observer-based steering control approach for path tracking in autonomous vehicles[J]. IEEE Transactions on Fuzzy Systems, 2018, 27(2): 278-290.