广告
探索先进控制方法在自动驾驶车辆精确路径跟踪中的应用：模型预测控制与基于神经网络的前馈策略的重点研究
基于模型预测控制的路径跟踪方法在车辆控制领域中显示出了潜在的应用前景。与传统的控制方法相比，模型预测控制可以在预测时域内指定多个预瞄点，并且可以融入物理约束，从而实现对车辆行驶路径的稳定控制。然而，模型预测控制的性能受到车辆动力学模型的影响。非线性动力学模型可以更好地预测车辆状态，并考虑安全和驱动约束，相对于线性模型预测控制具有更好的跟踪和镇定性能。
然而，采用非线性动力学模型进行模型预测控制引入了一个涉及计算问题的约束非线性优化问题，尤其是在较高驱动速度下。此外，选择预测时域和权重仍然是具有挑战性的任务。为了降低计算代价，一些公式如显式模型预测控制和切换模型预测控制被提出。这些方法在一定程度上减少了计算复杂性，但仍需要进一步的验证和研究。
另一方面，前馈-反馈控制架构已被证明是一种有效的设计方法，可以在保持鲁棒稳定裕度的同时实现精确的路径跟踪。前馈控制律通过路径曲率生成稳态转向角，反馈算法通过横向路径偏差和航向偏差计算补偿后的转向角。然而，前馈控制方法需要合适的模型。传统的基于物理的车辆动力学模型具有直观性，但需要明确的参数化表示和大量的经验参数，这是一项具有挑战性的任务。
近年来，基于神经网络的数据驱动建模方法在车辆系统中得到成功应用。这些方法通过神经网络的通用函数逼近特性和"无模型"结构，能够学习非线性车辆动力学行为。例如，Nathan等人提出了一个两层的人工神经网络结构，通过实验车辆数据学习非线性车辆动力学行为，并通过求解非线性优化问题生成前馈转向和侧滑指令。同时，将稳态侧偏角纳入反馈控制器以提高稳定性。实验证明，基于神经网络模型的路径跟踪方法在测试路径上表现出比基于物理模型更好的跟踪性能，为基于数据驱动的路径跟踪方法提供了良好的指导。
然而，基于离线训练的前馈分量神经网络存在一些限制。由于离线采集的数据无法覆盖所有车辆的驾驶场景，学习到的模型的泛化性有限。因此，设计一种基于在线学习的前馈方法，能够实时捕捉车辆非线性行为的精度和性能，并具有较高的计算效率，是一个值得探索的方向。
综上所述，模型预测控制和前馈-反馈控制是路径跟踪问题中常用的方法。模型预测控制通过预测时域内指定的预瞄点和融入物理约束，实现对车辆行驶路径的稳定控制。前馈-反馈控制通过路径曲率和横向路径偏差、航向偏差计算转向角，实现精确的路径跟踪。基于神经网络的数据驱动建模方法在车辆系统中得到广泛应用，但离线训练的前馈分量神经网络存在泛化性限制。因此，基于在线学习的前馈方法是未来研究的一个方向，旨在实现实时捕捉车辆非线性行为的精确路径跟踪，并具有高计算效率。这些方法的发展和应用将进一步推动自动驾驶技术的发展和实际应用。
广告
最新资讯
-
动力电池行业离职率飙升
2024-05-02 17:19
-
直播｜2024 Keysight世界技术日：汽车自动
2024-05-02 10:17
-
车载无感酒精检测技术
2024-05-02 10:16
-
CATC-ITEC专题工作组会议在慕尼黑成功举办
2024-05-01 21:29
-
初创加速计划 | AI 赋能水面自动驾驶技术，
2024-05-01 21:25
广告
广告
