[发明专利]基于启发式模型预测控制的轨迹跟踪控制方法

说明书

本发明公开了一种基于启发式模型预测控制的轨迹跟踪控制方法，所述方法包括：建立汽车和驾驶机器人的动力学模型，设计动态遗传粒子群优化算法；使用了双参数精确罚函数法将有约束优化问题转为无约束优化，使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解；将优化求解的结果作为控制量，再次输入到汽车上，在轨迹跟踪过程中达到动态优化控制。本发明在驾驶机器人进行轨迹跟踪时，优化其模型预测控制目标函数的求解，减少跟踪误差从而提高控制精度、减少系统的响应时间。

技术领域

本发明涉及自动驾驶机器人轨迹跟踪控制领域，尤其涉及一种基于启发式模型预测控制的轨迹跟踪控制方法。

背景技术

自动驾驶机器人可以代替试驾员做汽车出厂前的性能试验。它相比试驾员具有控制精度高、重复性好、耐久性强等优点。例如：对汽车进行耐久性道路测试，该测试项目要求车辆在各种恶劣的行驶路况下进行长时间的行驶测试，人类驾驶员在该项目容易出现疲劳驾驶、操作方式不稳定等情况，对测试结果会产生负面影响。而驾驶机器人不仅可以大幅降低测试人员的工作强度、减少车辆测试成本和测试时间、提高实验效率，而且能够有效消除人为因素的影响，确保试验数据的有效性和准确度。自动驾驶机器人是指具有自主驾驶车辆行为的机器装置，它可以按照人们给定的指令通过机器人执行机构(例如：方向盘转向机械手、踏板机械腿等)执行相关驾驶操作，例如：起步、加速、制动、换道等，也可以通过环境感知实现自主驾车行为，例如：车道线跟踪、换道、避撞、停车等。

自动驾驶机器人的控制一般分为纵向控制、横向控制和纵横向控制。驾驶机器人的轨迹跟踪控制属于横向控制。横向控制只需要驾驶机器人中的转向机器人来控制方向盘，转向机器人在给定的路径轨迹下，使车辆可以跟随目标轨迹行驶，并满足一定的稳定性、安全性和精确性。在初期，大部分采用PID(比例-积分-微分)控制算法。但是随着车辆动力学参数的增加，高速路况下稳定性、响应速度等性能指标的提高，PID算法已逐渐不适用，同时出现了许多新型控制算法。模型预测控制算法是近年来被广泛讨论的一种先进控制算法，在许多控制领域都得到了广泛的应用。模型预测控制算法根据其系统的模型，在线求解一个优先时域的开环优化问题，并将得到的控制序列的第一个元素作用于被控对象，在下一个时刻继续重复上述过程。

相比于PID控制算法采用的全局最优化目标，模型预测控制通过滚动优化更新在每一时刻的优化性能指标，可以及时弥补干扰因素、模型失配等因素引起的不确定性，具有更好的动态特性。但是模型预测控制使用序列二次型的方法求解非线性优化问题，当非线性优化问题是凸的才能保证收敛到全局最优，这样势必会影响控制精度。对于车辆轨迹跟踪这种以毫秒为单位的快速动态响应系统，控制精度以及响应速度显然是不足的。因此，如何优化模型预测控制中目标函数的计算是一个首要解决的关键问题。

发明内容

本发明提供了一种基于启发式模型预测控制的轨迹跟踪控制方法，本发明在驾驶机器人进行轨迹跟踪时，优化其模型预测控制目标函数的求解，减少跟踪误差从而提高控制精度、减少系统的响应时间，详见下文描述：

一种基于启发式模型预测控制的轨迹跟踪控制方法，所述方法包括：

建立汽车和驾驶机器人的动力学模型，设计动态遗传粒子群优化算法；

使用了双参数精确罚函数法将有约束优化问题转为无约束优化，使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解；

将优化求解的结果作为控制量，再次输入到汽车上，在轨迹跟踪过程中达到动态优化控制。

其中，所述使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解具体为：

根据给定的路径轨迹，在每一个采样时刻下，根据当时动力学模型的状态刷新模型预测控制的目标函数，采用动态遗传粒子群算法对目标函数进行优化求解，得出一个优化求解后的控制序列，再从控制序列中取出第一个控制参数再次作用于汽车，然后进入到下一个采样时刻，重复上述过程。