基于类脑情感学习回路模型的两点预瞄驾驶员转向模型

为建立一个与真实驾驶员行为规律更加一致的驾驶员转向模型,借鉴心理学、生理学及类脑计算的研究成果,建立了基于大脑情感学习回路的两点预瞄驾驶员转向模型,解决了以往驾驶员模型在车辆速度大跨度变化自适应能力差的问题。为了解决该驾驶员模型对车辆参数变化较大时自适应能力不足的问题,通过横摆动力学模型建立了内部参考模型,基于Narendra稳定自适应控制建立自适应转向模型。仿真结果表明,所建立的驾驶员转向模型具有良好的道路跟随能力和转向平顺性,应对车辆纵向速度和参数变化体现了较强的自适应能力。

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。