[发明专利]基于多步线性化策略的无人驾驶车辆模型预测控制方法

说明书

本发明公开了一种基于多步线性化策略的无人驾驶车辆模型预测控制方法，该方法分为线性时变模型的建立和多步迭代线性化两部分。多步迭代线性化包括，设置初始标称输入轨迹、设置计数器、求解动力学模型的ODE方程、求解线性时变MPC控制问题、收敛检查、更新标称轨迹。本方法通过多次迭代来寻找线性时变模型的最优输出，同时对QP求解问题加以优化，提高了算法求解效率。相对于已有技术，本发明既有效解决了非线性模型预测算法的实时性差的问题，又相对于单步线性化提高了控制品质，使得跟踪效果更加精准，控制器输出更加平稳。

技术领域

本发明涉及无人驾驶车辆的模型预测控制领域，特别是涉及一种基于多步线性化策略的无人驾驶车辆模型预测控制方法。

背景技术

模型预测控制(Model Predictive Control，简称MPC)由于在复杂多变量系统上具有出色的约束优化控制能力，已经在石油，化工等过程领域中获得了广泛的应用。随着在传统领域的广泛应用，近年来越来越多的领域都开始采用MPC进行控制，如自动驾驶领域，机器人领域等等。如今在自动驾驶领域，轨迹跟踪问题一直是研究的热点，轨迹跟踪控制是实现车辆自动驾驶的基础。

对于无人驾驶车辆来说，由于车辆是在高速行驶中，因此需要较高的实时性，采样周期较短(控制动作频率需要在10-100Hz以上)，在无人车跟踪控制领域，常见的一些控制算法有：比例-积分-微分控制、滑模变结构控制、前馈-反馈控制、预瞄跟踪最优控制、线性二次型调节器以及模型预测控制。对于车辆系统来说，是一个多输入多输出的系统，且汽车在运动过程中，受到动力学以及执行机构的约束。对于这样一个问题，模型预测控制能够发挥其出色的控制能力。

目前无人车领域采用的MPC算法通常有非线性MPC算法以及线性MPC算法。对于非线性MPC算法来说，通常构建一个非线性的优化命题，并通过应该的非线性优化方法得到最优解。利用非线性MPC算法通常能够得到较好的跟踪效果，但是通常非线性问题的求解计算都需要耗费较长时间，很难满足无人车控制的实时性。对于线性MPC，由于将无人车的模型线性化，通常只需求解一个带约束的二次规划命题即可，大大缩短了在线计算时间。目前，对于一些已知的无人车的线性MPC算法，通常采用的是单步线性化策略，即将无人车的线性化模型直接当作线性时不变模型来进行MPC算法控制，而实际上无人车模型在线性化过程中产生的是线性时变模型，由此将会造成跟踪效果较差，控制器输出不稳定等等情况。

显然在无人车的模型预测控制领域，非线性MPC无法满足实时性的要求，而目前的一些线性MPC在控制效果上较差，因此需要对目前存在的线性MPC算法进行改进，在保证满足实时性的情况下，让无人车的跟踪效果更加精准，控制器输出更加稳定。

发明内容

基于以上所述的一些研究热点和问题，本发明提出一种基于多步线性化策略的无人驾驶车辆模型预测控制方法，在保证求解速度的前提下，提高控制器的稳定性以及轨迹的跟踪效果。

本发明通过以下技术方案予以实现：

一种基于多步线性化策略的无人驾驶车辆模型预测控制方法，包括以下步骤：

步骤(1)：根据无人车的动力学模型以及目标轨迹，在轨迹点处对动力学模型进行线性化，建立线性时变模型；将线性时变模型中当前的状态变量和上一时刻的控制变量作为新的状态变量，将线性时变模型中控制变量的增量作为新的控制变量，进一步得到状态空间的增量模型；

步骤(2)：根据步骤(1)所建立的状态空间的增量模型，设计一种多步线性化策略的模型预测控制算法，包括设置初始标称输入轨迹、设置计数器、求解动力学模型的ODE方程、求解线性时变MPC控制问题、收敛检查、更新标称轨迹；

步骤(2.1)：设置初始标称输入轨迹：