【技术实现步骤摘要】
本专利技术属于无人驾驶领域，主要涉及一种基于模型预测控制的无人车轨迹跟踪控制技术的研究与实现方法。
技术介绍
1、自动驾驶技术用于交通事故预测对于缓解区域交通管理的安全压力具有重要意义(文献：feifei ye,longhao yang,yingming wang,and haitian lu.adata-drivenrule-based system for china's traffic accident prediction by considering theimprovement of safety efficiency.computers&industrial engineering,176:108924,2023.)。计算机技术和人工智能的不断发展，使得自动驾驶技术的出现成为可能(文献：huansheng ning,rui yin,ata ullah,and feifei shi.a survey on hybridhumanartificial intelligence for autonomous driving.ieee transactions onintelligent transportation systems,23(7):6011-6026,2021.)。轨迹跟踪在自动驾驶中发挥着重要作用，并且针对自动驾驶车辆提出了各种跟踪控制算法，如模型预测控制(文献：woo young choi,seung-hi lee,and chung choo chung.horizonwise model-pr
2、mpc是一种流行的控制技术，它在每个时间步都求解解决优化问题以此确定最优控制序列，而且允许在问题表述中考虑参数的不确定性(文献：mayuresh v.kothare,venkataramanan balakrishnan,and manfred morari.robust constrained modelpredictive control using linear matrix inequalities.automatica,32(10):1361-1379,1996.)。因此，许多工作开始使用mpc方法来解决轨迹跟踪问题。为了提高轨迹跟踪的性能，在mpc优化问题中总是考虑一些实际因素，如障碍物、速度、偏航角、侧翻等。有通过建立考虑车辆横向位置、速度和偏航角的mpc优化问题来研究避障性能的(文献：hongyanguo,chen shen,hui zhang,hong chen,and rui jia.simultaneous trajectoryplanning and tracking using an mpc method for cyber-physical systems:a casestudy of obstacle avoidance for an intelligent vehicle.ieee transactions onindustrial informatics,14(9):4273-4283,2018.)，也有考虑mpc算法的横向偏移、转向频率和实时性来实现预测范围的自适应优化以此提高无人驾驶车辆的路径跟踪性能的(文献：huiran wang,qidong wang,and dongkui tan.path tracking based on modelpredictive control with variable predictive horizon.transactions of theinstitute of measurement and control,43(12):2676-2688,2021.)，也有将采用pid反馈控制律的mpc应用于轨迹跟踪以此来预测和避免车辆侧翻的。
3、尽管这些研究取得了一些非常好的结果，但运用的模型预测控制器异常复杂，因此难以求解。而且，无人驾驶系统中通信网络的加入可能会影响系统的稳定性和轨迹跟踪控制精度，这是因为网络可能会引入一些不利影响，如通信延迟、数据丢失和通信误差等(文献：xiaoheng chang and yi liu.quantized output feedback control of afs forelectric vehicles with transmission delay and data dropouts.ieee transactionson intelligent transportation systems,23(9):16026-16037,2022.)。于是研究人员不得不在可能出现数据量化和丢包的网络环境中，保证mpc在每个采样时刻的鲁棒稳定性。值得注意的是，一些优秀的方法已被应用于解决具有不确定数据和量化的mpc优化问题(文献：andong liu,wenan zhang,and li yu.robust predictive tracking control formobile robots with intermittent measurement and quantization.ieeetransactions on industrial electronics,68(1):509-518,2020.)。尽管在无人车辆轨迹跟踪的mpc领域已经取得了一些不错的研究成果，但同时考虑动态量化和不确定数据的此类问题的解决方案却很少，特别是在求解该类mpc优化问题时使得结果具有解析表达式的计算方法。于是这成为本方法研究的动机。
4、cn113625702b，一种基于二次规划的无人车同时路径跟踪与避障方法，通过获取目标及障碍物在行驶过程中经过的多个离散点坐标，同时得到对应的离散时间点，通过曲线拟合方法分别拟合出目标行驶轨迹坐标与时间之间的关系以及障碍物行驶轨迹坐标与时间之间的关系，利用控制李雅普诺夫函数和控制障碍函数分别构建无人车本体运动模型的软约束和硬约束，利用软约束和硬约束构造二次规划，然后利用计算机编程，迭代求解得到无人车本体运动模型的实时控制输入量，从而达到跟踪目标轨迹的同时避障的目的。与现有技术相比，本专利技术不但跟踪范围大，准确度高，算法速度快，鲁棒性更高，而且能够在跟踪目标轨迹的同时实现准确避开障碍物的功能。
5、cn113625702b中提到的利用控制李雅普诺夫函数的方法构建约束与本专利技术有异曲同工之妙，但是利用该方法之后将带来巨大的计算量，因此会使无人车在进行跟踪目标时的实时性能得不到保证。也就是说如果将该方法运用到实物中时，计算机由于发送控制指令的速度过慢而使车辆达不到理想的跟踪效果，只适用于较低速的车辆。而本专利技术最大的区别在于利用了alm来求解二次规划问题，这使得计算量大大缩减，并且alm在计算准确度上也本文档来自技高网...
【技术保护点】
1.一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤a中，无人驾驶车辆的运动学方程如下所示：
3.根据权利要求2所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤b中，线性时变系统模型的状态量为x表示系统状态，其意义为位置误差；首先建立基于误差的一阶微分方程：
4.根据权利要求3所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤c中的系统模型，通过一阶泰勒展开使系统线性化，从而将其重写为(3)的形式：
5.根据权利要求3所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤d中的动态量化器通过qu(u)进行表示，测量不确定性由γ(k)进行描述，于是系统模型变为：
6.根据权利要求5所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，采用考虑动态量化的鲁棒预测控制器来解决无人驾驶汽车的轨迹跟踪问题的描述如下：
7.根据权利要
8.根据权利要求7述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述使用广义乘子法ALM来解决优化问题的形式为：
9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于模型预测控制的无人车轨迹跟踪实现方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述基于模型预测控制的无人车轨迹跟踪实现方法。
...【技术特征摘要】
1.一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤a中，无人驾驶车辆的运动学方程如下所示：
3.根据权利要求2所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤b中，线性时变系统模型的状态量为x表示系统状态，其意义为位置误差；首先建立基于误差的一阶微分方程：
4.根据权利要求3所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤c中的系统模型，通过一阶泰勒展开使系统线性化，从而将其重写为(3)的形式：
5.根据权利要求3所述的一种基于模型预测控制的无人车轨迹跟踪实现方法，其特征在于，所述步骤d中的动态量化器通过qu(u)进行表示，测量不确定性由γ(k)进行描述，于是系统模型变为：
6.根据权利要求5所...
【专利技术属性】
技术研发人员：唐晓铭，余招进，卿仁波，黄华，王家亮，黄娟，赵坤，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。