[发明专利]基于事件触发型模型预测控制的无人车路径跟随方法

权利要求书

1.一种基于事件触发型模型预测控制的无人车路径跟随方法：其特征在于：包括以下步骤：

S1：建立车辆的非线性运动学模型，采集无人车辆运动学全局坐标位置信息，并传输给车辆的控制器，建立车辆非线性运动学模型包括：

选择惯性系XOY作为全局坐标系，表示车辆航向角，δ表示前轮偏角，v^r表示后轮速度，v^f表示前轮速度，l表示车辆轴距，上角标r表示后轮中轴相关变量，上角标f表示前轮中轴相关变量，假设车辆前后轴均无横向侧滑，得出相应的运动学约束：

由车辆框架在全局坐标系X、Y方向上的投影得出：

上述运动学约束联立得出车辆在X、Y方向的速度：

通过车辆前后轴中心距离得出前轮位置：

将公式(3)、(4)代入公式(1)，化简得出车辆角速度：

由公式(3)和公式(5)得出车辆的运动学模型为：

其中是车辆的全局位置状态，(X^r，Y^r)是车辆后轮中轴在惯性系XOY中的位置，

分别选取状态向量和控制向量输入量满足输入约束将公式(1)转化为状态空间模型：

将公式(7)转换成带有有界扰动的连续时间非线性模型：

在该模型中存在有界扰动扰动约束集为扰动的上界定义为扰动约束集与输入约束集为紧集，

对车辆路径跟随进行量化：位置状态能够跟随上一条参考路径，参考路径的方程定义如下：

其中，根据目标：lim_t→+∞‖x(t)-p(θ)‖，选取x_e＝x(t)-p(θ)为新的状态量，将公式(8)变换为：

其中是输入约束紧集，

S2：设计事件触发机制，对优化问题求解进行去冗余处理，决定车辆的控制策略是否更新，事件触发机制设计量化处理包括：定义序列为无人驾驶车辆在路径跟随过程中控制器求解优化问题的时刻，t_k+1通过下式得出：

其中，T是预测时域，x(·|t_k)表示t_k时刻之后一段时间内模型状态，u(·|t_k)表示t_k时刻之后一段时间内的控制输入，和代表最优位姿误差状态和最优控制输入，x_e(s)是实际位姿误差状态，

事件触发机制的设计包括上界、下界，其中：上界为t_k+T-t_k＝T；

下界通过如下步骤得到：

由绝对值三角不等式性质和Lipschitz函数的定义可得：

带入可得则有触发间隔下界为βT,和λ(·)分别代表矩阵的最大和最小特征值，

S3：模型预测控制器应用位置信息，结合车辆全局坐标系中的状态约束与输入约束，求解出优化控制策略，

采用模型预测控制方法求解路径跟随问题的控制器，包括：进行成本函数设计：

和代表预测位姿误差状态和预测控制输入，基于公式(12)优化问题的具体模型：

在事件触发条件和优化问题中，满足以下两个条件：

A、系统函数f为二阶连续可微，且有f(0,0)＝0，公式(8)是可以线性化的，线性化后的模型为：

其中分别是系统矩阵和输入矩阵；

当公式(8)在外界扰动输入ω＝0时，存在反馈增益矩阵K，使得状态反馈系统处于稳定状态，公式(8)在u＝-Kx控制下，任意两个对称阵Q0，R0，都有正实数ε0，对称阵P0，使得：

是不变集,且当系统(10)在t_k时刻求解了优化问题(12)，触发条件满足：

αe^β-1＞1 (15)

B、在满足条件A的基础上，满足：

该条件用以保证系统收敛性，状态轨迹可以在有限事件收敛到不变集Ω(ε)中。