智能汽车轨迹跟踪多目标显式模型预测控制

针对现有智能汽车轨迹跟踪控制算法难以同时保证跟踪精确性、横向稳定性、舒适性以及控制实时性的问题,提出了一种基于多目标优化和显式模型预测控制理论的轨迹跟踪控制策略(MO-EMPC)。首先,建立考虑跟踪精确性、横向稳定性、舒适性的多目标函数及约束。然后,针对传统MPC控制实时性低的问题,设计基于EMPC的多目标优化轨迹跟踪控制器,通过引入多参数二次规划(MPQP)理论,将反复在线优化求解过程转化为等价的分段仿射系统(PPWA),离线计算得到最优显式控制律以供实时控制调用,减少在线运算时间。最后,基于CarSim/Simlink联合仿真方法,将所设计控制器的轨迹跟踪多目标优化效果与MPC控制效果进行对比验证。研究结果表明,所提出的轨迹跟踪策略在保证良好的跟踪精度前提下,横向稳定性、舒适性方面的表现更优于MPC控制器,且算法在线运行速度提高56.63%。

基于紧约束鲁棒模型预测控制的无人车辆轨迹跟踪控制

针对无人驾驶车辆的轨迹跟踪问题,基于车辆非线性动力学模型,设计了一种紧约束鲁棒模型预测控制(MPC)方法。首先,利用魔术公式轮胎模型,结合车辆3自由度系统,构建了具有有界干扰的车辆线性离散误差模型;其次,采用紧约束控制策略设计系统的鲁棒优化问题;最后,通过在线优化得到最优控制序列,并离线构造之后多个时刻满足约束条件的可行控制序列。仿真结果表明,所提算法能够使车辆稳定快速跟踪上参考轨迹并有效提高系统计算资源利用率。

用于多目标跟踪的高斯混合轨迹预测模型

针对视频中目标之间的遮挡会增加轨迹关联难度的问题,提出了一种高斯混合轨迹预测模型来改善遮挡情况下的关联效果.该模型采用Transformer结构,从对象的历史运动信息中提取更长的时间依赖性,以便更准确地预测跟踪对象在未来的轨迹分布;同时,将模型的输出设置为高斯混合分布,采用多个高斯分布相加来定义跟踪对象在未来的轨迹分布,以利用轨迹分布来计算检测目标和跟踪对象之间的空间相似性.实验结果表明:该模型能够改善跟踪性能,在MOT17数据集上HOTA达到了56.3%.

基于自适应模型预测的物伞系统速度跟踪控制

针对空投易碎易爆物品无速度跟踪及速度波动大的问题,提出自适应模型预测控制(model predictive control,MPC)方法对物伞系统速度进行控制跟踪。以线性离散化物伞系统动力学模型为基础,通过迭代法构建速度跟踪预测模型,依据实际需求设计目标函数及约束条件,在自适应MPC控制器内进行优化求解;引入卡尔曼滤波作为状态估计器,让系统具备对自身状态量变化的感知,提供估计状态量给控制器,实现系统整体反馈校正。开展无风条件和有风条件下自适应MPC控制的物伞系统速度跟踪性能研究,结果表明,此控制方法能够实现对期望速度的良好跟踪;在随机扰动下进行物伞系统速度跟踪控制鲁棒性研究,对比分析了自适应MPC方法和PID控制方法的速度跟踪性能,结果表明,自适应MPC控制的物伞系统速度振荡小于PID控制,其具有较强的抗非线性扰动能力,为实现物伞系统速度控制提供了新方法。

基于优化动力学模型的路径跟踪控制研究

针对一般路径跟踪模型预测控制器在高速大曲率工况下适应性差的问题,提出了一种基于优化动力学模型的自适应预测时域控制策略。首先,为解决经典动力学模型在较高侧向加速度工况下精度不足的问题,建立了包含侧倾转向和变形转向特性的优化模型,实现了车辆状态的较高精度预测;其次,为解决高速大曲率工况下固定预测时域控制效果不佳的问题,提出了基于二维高斯函数的自适应预测时域策略,以低算法复杂度实现了预瞄距离的实时调整;最后,通过CarSim/Simulink联合仿真实验验证了控制器在双移线道路上的控制效果,结果表明,横向位置峰值误差降低45.1%,横摆角峰值误差降低72.4%,设计的控制器对极限工况有更好的适应性。

基于扩展卡尔曼滤波的交互式多模型跟踪算法研究

在辅助驾驶系统中,行人轨迹跟踪一直是一项有挑战性的任务,因为行人的回波信号中往往存在着许多干扰噪声。此外,行人在运动过程中可能会做出突然转身或其他改变方向的行为,这将直接导致行人运动轨迹呈现出非线性特征。针对上述问题,文中提出一种基于扩展卡尔曼滤波的交互式多模型跟踪(IMM-EKF)方法,适用于毫米波雷达对行人进行轨迹跟踪。首先,在扩展卡尔曼滤波算法(EKF)的基础上重构状态预测协方差矩阵,来补偿EKF非线性化过程中引入的误差;然后将改进的EKF作为交互式多模型算法(IMM)中的滤波器,根据行人运动特性选择匀速模型和协调转弯模型作为跟踪模型,利用所提出的IMM-EKF算法进行轨迹跟踪。实验结果表明,所提出的滤波算法较典型的EKF和改进的EKF算法,在跟踪滤波精度方面均有所提升,同时具备更优的跟踪鲁棒性。

基于预瞄模型的农机路径跟踪模糊PID控制方法

为提高农机路径跟踪控制性能,提出一种基于预瞄模型的模糊PID控制方法。以农机预瞄模型中的预瞄航向角偏差为输入、前轮转角为输出构建农机路径跟踪PID控制律,再将预瞄航向角偏差作为航向角变化量的目标值引入农机运动学模型,得到能够适应速度变化的前轮转角基础值,并替换PID控制律中的比例部分,最后使用模糊控制实时动态调整控制参数。CarSim与Simulink联合仿真分析表明,当初始横向偏差3 m时,在作业速度1.5、2.0和3.0 m/s情况下,农机上线时间分别为10.85、8.35和5.15s。与传统预瞄控制相比,该方法在确保跟踪精度的同时能够显著提高系统的响应速度。

基于模型预测控制的车辆路径跟踪控制技术研究

以车辆三自由度动力学模型为研究对象,对自动驾驶车辆模型预测控制算法进行研究。结合魔术轮胎模型线性区域和小角度假设理论对车辆动力学模型进行简化处理,设计基于模型预测控制算法的路径跟踪控制器。使用MATLAB/CarSim联合仿真平台,选用多组工况进行仿真试验。设定车辆的速度分别为低速、中速、高速3种状态,并且使用线性二次型最优控制器进行换道工况路径跟踪,与模型预测控制器进行控制效果对比与分析,结果表明,模型预测控制算法路径跟踪控制效果更加优秀。

基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator,LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪控制中精确性与鲁棒性之间的两难问题。最后,通过快速原型测试平台对算法进行了进一步的实验验证。结果表明,所提出的多模型自适应算法实时性良好,具有较好的工程应用潜力。

基于学习的无人驾驶车辆模型预测路径跟踪控制研究

针对无人驾驶车辆路径跟踪控制问题中预测模型准确性与计算成本平衡制约问题,本文提出了一种基于学习的模型预测(learning-based model predictive control, LB-MPC)路径跟踪控制策略。建立了车辆2自由度单轨动力学模型,深入分析了其与IPG TruckMaker模型单步响应误差随车速、踏板开度及前轮转向角的变化规律,设计了误差数据集构建和滚动更新方法,基于高斯过程回归(Gaussian process regression, GPR)建立了误差拟合模型,对标称单轨模型进行实时误差补偿修正。将误差修正模型作为预测模型,设计了路径跟踪代价函数,构建了二次规划优化问题,提出了一种基于学习的模型预测路径跟踪控制架构。基于IPG TruckMaker&Simulink联合仿真平台与实车平台,验证了所提GPR模型误差修正与LB-MPC路径跟踪控制策略的实时性与有效性。结果表明,相较于传统模型预测(model predictive control, MPC)路径跟踪控制策略,所提LB-MPC策略路径跟踪平均误差降低了23.64%。

基于模型预测控制的仿生海豚路径跟踪研究

针对水下路径跟踪问题,研究了基于模型预测控制(MPC)的仿生海豚跟踪控制。在误差模型线性化基础上引入MPC,使仿生海豚在满足控制约束的条件下有效地完成路径跟踪,且克服了反步控制算法的速度跳变,超限问题。并建立海流模型,针对有无海流干扰影响情况,进行路径跟踪分析,仿真与实验表明,不同环境下其提出的跟踪算法均有效可行。

基于模型预测控制的无人帆船轨迹跟踪方法

[目的]面向无人帆船在水面、水下跨域异构海洋机器人的协同作业场景,提出基于模型预测控制(MPC)的无人帆船轨迹跟踪方法。[方法]针对“海鸥”号无人帆船,建立其动力学模型及运动学模型,通过分析无人帆船动力学特点及执行器约束条件,构建MPC目标函数及系统约束条件,将无人帆船的轨迹跟踪问题转化为优化问题,并利用Matlab软件开展仿真实验验证。[结果]仿真结果表明,与“帆–舵”分离的PID轨迹跟踪控制方法相比,所提出的无人帆船“帆–舵”联合MPC控制方法更便于添加约束条件,其在风向变化的情况下能以更小的轨迹跟踪误差来更快地收敛于指定轨迹,且其可以实现逆风折线航行。[结论]研究成果可为无人帆船的帆、舵控制提供新的思路,提高其轨迹跟踪能力,进一步为无人帆船与AUV的高效协同作业提供技术保障。

基于前馈非线性模型预测控制的类车机器人路径跟踪

类车机器人由于零件标准化程度低,侧偏刚度等轮胎力学参数难以准确获得,存在动力学建模十分困难的问题,因此现有研究工作通常以运动学模型作为类车机器人的控制模型,但由于其运动学模型存在模型失配,导致类车机器人与参考路径之间的误差、类车机器人的前轮转角和前轮转角速度出现剧烈振荡现象.针对前述问题,本文基于非线性模型预测控制(Nonlinear model predictive control,NMPC)的滚动优化原理,引入基于逆运动学模型的前馈转角信息,将前轮转向角作为预测模型的第四维,提出了一种基于前馈非线性模型预测控制(Feedforward NMPC,FNMPC)的类车机器人路径跟踪控制算法.并通过Simulink和CarSim进行了联合仿真,结果表明FNMPC有效减小了模型失配导致的振荡现象,同时具有较高的跟踪精度.其中前馈非线性模型预测控制器的位移误差幅值不超过0.1106 m,航向误差幅值不超过0.1253 rad.在相同工况下,线性模型预测控制、前馈线性模型预测控制、纯跟踪控制和Stanley控制误差发散,而本文提出的FNMPC相比已有NMPC跟踪精度更高,且控制增量绝对累计值相比NMPC控制器减小67.53%.通过线控类车机器人底盘作为实验平台完成的测试结果表明,NMPC系统在进入弯道时出现控制失控现象,在相同工况下,FNMPC系统能够有效完成对参考路径的跟踪,同时将位移误差幅值控制在0.1624 m以内,航向误差幅值控制在0.1138 rad以内.

基于矢量场制导法和模型预测控制的船舶路径跟踪与避碰

为提高船舶路径跟踪和避碰效果,提出了一种基于矢量场制导法的模型预测控制方法.首先,采用矢量场制导算法将船舶的路径跟踪和船舶避碰问题转换为航向控制问题;然后,采用一阶Nomoto响应模型作为模型预测控制的动力学模型,考虑船舶的舵角输入受限问题,引入干扰观测器对模型误差项和环境扰动进行补偿,并应用Lyapunov理论证明了所设计的路径跟踪控制系统的稳定性;最后,设计了基于矢量场制导法的避碰策略,使船舶在路径跟踪的过程中同时完成自主避碰.仿真计算结果表明,开发的方法可以使船舶在波浪干扰作用下准确地跟踪目标路径并有效实现避碰.

基于运动学模型的自动引导车轨迹跟踪控制

为了使自动引导车在行驶过程中更加精确稳定,本文研究其运行轨迹跟踪问题。针对自动引导车的运动学模型,建立位姿状态误差方程,并基于Lyapunov稳定理论,设计出一种简单有效的轨迹跟踪控制器。仿真结果表明,本文所设计的轨迹跟踪控制器不仅确保系统稳定,同时能够满足自动引导车在不同运行轨迹下的快速纠偏。

基于序贯滤波的三维多模型跟踪算法

在三维机动目标跟踪领域,单模型跟踪算法已经无法满足高机动目标的跟踪要求,而多模型算法因其能够处理多种不同场景和变化,能够更有效地应对目标机动运动的多样性和不确定性。三维高机动目标跟踪相较于二维机动目标跟踪,因其复杂的空间动态特性,需要更多的模型构成模型集来实现精确跟踪。这种情况导致经典的交互式多模型算法设计非常复杂,计算资源消耗过大。而传统的多模型算法,由于没有考虑模型之间的交互性,其跟踪性能不佳。针对以上问题,借鉴序贯滤波的思想,本文提出了一种新的多模型跟踪架构。这一架构将序贯滤波与多模型算法相结合,将上一时刻多模型的融合结果作为下一时刻每一个模型滤波的输入,这一过程极大地简化了交互式多模型算法中复杂的交互实现过程。同时,针对模型集组合问题,将三维运动解耦为几种二维运动模型和一维运动模型的组合集,形成新的三维空间机动目标跟踪模型集。通过对仿真模拟数据和实测数据的跟踪对比结果表明,相较于传统的多模型算法,本文提出的基于序贯滤波修正的多模型算法在跟踪精度上有显著的提升,且其跟踪精度与交互式多模型算法相当,但在运算时间上则远远优于交互式多模型算法,显著降低了运算资源的需求。

自适应时域模型预测控制的轨迹跟踪控制

为了提高自动驾驶车辆轨迹跟踪精度、稳定性和控制器对不同工况的自适应能力,提出了一种模糊自适应预测时域参数模型预测控制轨迹跟踪控制算法。建立车辆运动学模型与模型预测控制器,以实时车速和航向角偏差为模糊输入,通过模糊控制在线优化MPC的预测时域参数和Carsim/Simulink联合仿真,分别在沥青路面和雨雪路面对不同车速的轨迹跟踪控制仿真。仿真结果表明,车辆在沥青路面下,与固定预测时域参数MPC控制器相比,自适应时域MPC控制器纵向绝对偏差均值在低速和高速下分别降低63.16%、55.28%,有效提高了车辆轨迹跟踪精度。车辆在雨雪路面下,低速或中高速时自适应时域控制器最大质心侧偏角均在1°以内,确保车辆控制的鲁棒性。

基于模型预测的AUV轨迹跟踪滑模控制方法

针对自主水下航行器(AUV)在模型参数不确定和外界海流干扰情况下轨迹跟踪误差大的问题,提出一种基于模型预测的滑模控制方法。首先,基于李雅普诺夫稳定性理论,设计一种滑模控制器;其次,为高效利用计算资源,提高AUV的轨迹跟踪性能,设计一种滑模控制器与模型预测控制相结合的控制框架;考虑到执行器饱和问题,利用滑模跟踪控制律,在该控制框架上构造收缩约束,确保闭环系统的稳定性;最后,采用仿真实验验证,实验结果表明所提方法与滑模控制器比较,在模型参数确定且无干扰情况下均方跟踪误差减小了60%以上,在模型恢复力参数不确定和海流扰动情况下均方跟踪误差减小了80%以上,能够克服时变恢复力对系统的影响,并对外界海流干扰有较好的抑制作用,保证了系统的鲁棒性。

基于参考模型的电液伺服位置跟踪控制

针对电液伺服系统中存在的参数不确定性与未知外部扰动等问题,提出一种基于参考模型的电液伺服位置跟踪控制方法。首先根据电液伺服系统的非线性方程建立了系统的状态空间模型,据此构建由理想参考模型和总扰动组成的控制系统结构;然后结合电液伺服系统状态空间模型分别设计理想参考模型和扰动观测器,实现参考模型输出可以精确跟踪给定输入信号和对系统总扰动的观测;最后设计控制律实现对总扰动的有效补偿和实际系统的输出对参考模型输出的精确跟踪。仿真与实验结果表明,基于参考模型的扰动观测器在电液伺服位置跟踪控制方面相比比例积分微分(PID)控制,可以有效地提高系统控制精度并减小系统动态控制误差,实现对给定输入信号准确的跟踪。

机动目标跟踪的交互多模型泊松多伯努利混合滤波

满足共轭先验性质的泊松多伯努利混合(Poisson multi-Bernoulli mixture,PMBM)滤波器将目标状态分为泊松和多伯努利混合两部分,分别对这两部分进行预测和更新,具有较高的跟踪精度和较快的运行速度。在多目标机动场景下,使用单一模型不足以描述目标的运动,将导致跟踪性能的下降。针对这一问题,提出了一种交互多模型(interacting multiple model,IMM)PMBM滤波器,充分利用模型之间的交互信息,可以有效实现多机动目标的跟踪。同时,该算法采用序贯蒙特卡罗(sequential Monte Carlo,SMC)方法实现PMBM滤波,可应用于非线性场景。仿真结果表明,所提的IMM-SMC-PMBM算法可以有效地在非线性环境下跟踪数目变化的多机动目标,与IMM-SMC概率假设密度(probability hypothesis density,PHD)滤波器相比具有更好的跟踪精度和稳定性。