基于MPC和PID的无人驾驶车辆路径跟踪控制

为提高无人驾驶车辆在变曲率条件下的路径跟踪精度和稳定性,提出一种基于道路曲率车辆模型的MPC横向控制器和双PID纵向速度控制器。MPC横向控制器得到最优前轮转向角输入到无人驾驶车辆,双PID纵向速度控制器根据纵向速度、纵向位置误差环控制车辆稳定快速地达到期望速度。在Simulink-CarSim联合仿真平台对提出的方法进行仿真验证,结果表明,在极限速度工况下,MPC+双PID控制方法在横向控制性能上比传统LQR方法提高53%。

基于改进的模型预测控制无人驾驶车辆路径跟踪控制

为提高无人驾驶车辆路径跟踪精度和稳定性,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)和高斯过程回归(Gaussian Process Regression,GPR)的模型预测控制(Model Predictive Control,MPC)参数自适应方法(PSO-MPC).使用PSO离线优化MPC参数,利用GPR生成最优参数曲面,可在各种工况下提高无人驾驶车辆路径跟踪的性能.仿真结果表明,改进的MPC方法在整个路径跟踪过程中能保持车辆稳定性,同时实现良好的路径跟踪精度.最后,在真实的无人驾驶车辆上验证了改进的MPC方法的有效性.

基于预瞄跟随理论MPC的无人驾驶车辆路径跟踪控制

为提高无人驾驶车辆在变曲率条件下的路径跟踪精度和稳定性,提出一种基于预瞄跟随理论(PFT)的MPC横向控制器(PFT-MPC)。PTF-MPC包括参考路径点生成模块和MPC控制器模块。参考路径点生成模块通过PFT计算预瞄点的横摆角,为MPC控制器提供参考横摆角,在不增加MPC控制器计算量的同时提高预测范围。在双移线工况下,验证了PFT-MPC控制器的准确性和稳定性。

基于LSTM网络预测智能车辆变道的路径规划研究

为了实现自主车辆的避障和变道,提出了一种基于LSTM网络预测终点位置的变道轨迹规划方法。首先,对NGSIM数据集中的变道规则进行重新定义,采用指数加权移动平均法(EWMA)对轨迹点进行平滑处理。利用LSTM网络来预测换道的终点位置,使用均方根误差(RMSE)作为模型的评价指标,在相同指标下模型精度提升约14.25%。同时,定义了车辆换道的安全区域来验证预测轨迹的可行性。最后,基于样条曲线理论,建立了变道轨迹数学模型,综合考虑安全性与舒适性选择最优的变道路径。仿真结果表明,提出的轨迹规划算法可以为自主车辆生成安全无碰撞的最优路径。