[发明专利]基于动力学模型的无人驾驶汽车模型预测控制器设计方法

说明书

本发明公开了一种基于动力学模型的无人驾驶汽车模型预测控制器设计方法：建立新型车辆动力学模型；设计基于新型车辆动力学模型的无人驾驶汽车模型预测控制器；①利用在当前工作点线性化得到的新型车辆动力学模型对系统在预测时域内的输出状态进行预测；②利用得到的系统预测输出和给定的参考输出构建优化问题；③求解优化问题，将U(k)的第一个分量作为当前时刻的最优控制量作用到系统上。本发明增加车辆速度作为控制量，同时引入误差补偿项以弥补模型精度、线性化和离散化在预测过程中带来的累积误差，从而使无人驾驶车辆具有更好的轨迹追踪效果。

技术领域

本发明属于无人驾驶汽车控制器设计领域，更具体的说，是涉及一种基于动力学模型的无人驾驶汽车模型预测控制器设计方法。

背景技术

在过去的几年里，作为人工智能最重要的一部分，同时受益于全球定位系统(GPS)、雷达系统和机器视觉的发展，无人驾驶获得了社会各界的广泛关注。无人驾驶可以分为图1所示的四部分：全局路径规划、环境感知、局部路径规划和轨迹追踪。由横向控制器和纵向控制器组成的轨迹追踪控制器是无人驾驶的重要组成部分。

起初，学者们采用比例-积分-微分(PID)控制器来完成轨迹追踪任务。但是，由于汽车是多输入多输出系统，并且周围环境和车辆本身物理结构的限制会带来多种约束，PID控制器的控制效果不能令人满意。随后，模型预测控制器(MPC)依靠其突出的优点被用于无人驾驶车辆的轨迹追踪。

MPC是一种处理多约束和多变量问题的有效方法。它在当前采样时刻使用控制对象的模型来预测系统在预测时域内每个采样时刻的状态。在预测状态的基础上，计算使预测状态和参考状态之间误差最小的控制序列，并且该控制序列需要满足所有的约束条件。最后将序列的第一个分量作为当前时刻的最优输入施加到系统上。在预测过程中使用的预测模型对于控制效果的好坏至关重要。目前，尚未出现一种十分有效的车辆模型来描述车辆的特性，且现有的动力学模型仅以前轮偏角作为控制量，使纵向控制和横向控制不能有机地结合起来。本发明提出的新型动力学模型与现有动力学模型相比，增加了车辆速度作为控制量，可以使车辆根据横向控制的需求改变速度。车辆模型的特性与车辆的实际特性之间的误差不可避免，此外模型的线性化和离散化也会带来状态误差。因此，本发明增加了误差补偿项来补偿预测过程中的累积误差。上述方法不仅具有明确的理论意义，而且具有很强的实际应用价值与现实意义。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种基于动力学模型的无人驾驶汽车模型预测控制器设计方法，增加车辆速度作为控制量，同时引入误差补偿项以弥补模型精度、线性化和离散化在预测过程中带来的累积误差，从而使无人驾驶车辆具有更好的轨迹追踪效果。

本发明的目的是通过以下技术方案实现的。

本发明的基于动力学模型的无人驾驶汽车模型预测控制器设计方法，包括以下步骤：

第一步：建立新型车辆动力学模型

使用由Pacejka提出的轮胎侧向力和牵引力模型，描述纵向力、翻转力矩、回正力矩、阻力矩、侧偏角和滑移率之间的数值关系；轮胎力表示为如下形式：

其中，F_l为轮胎纵向力，C_l为轮胎的纵向刚度，s表示滑移率，F_c为轮胎侧向力，C_c为轮胎的侧向刚度，α表示侧偏角；

忽略汽车在竖直方向的运动，汽车的结构和受力用单轨模型描述，根据牛顿第二定律，得到以下三个方向上的受力平衡方程：