![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于改进的模型预测控制无人驾驶车辆路径跟踪控制.pdf
《基于改进的模型预测控制无人驾驶车辆路径跟踪控制.pdf》由会员分享,可在线阅读,更多相关《基于改进的模型预测控制无人驾驶车辆路径跟踪控制.pdf(9页珍藏版)》请在咨信网上搜索。
1、文章编号:1009 444X(2023)02 0164 09基于改进的模型预测控制无人驾驶车辆路径跟踪控制周义棚,李聪,杨威(上海工程技术大学 机械与汽车工程学院,上海 201620)摘要: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 SwarmOptimization,PSO)和高斯过程回归(Gaussian Process Regression,GPR)的模型预测控制(ModelPredictive 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
2、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.关键词:模型预测控制;粒子群优化算法;路径跟踪;横向控制;高斯过程回归中图分类号:U461.1 文献标志码:APath following control of unmanned vehicle basedon improved model predictive controlZHOUYipeng,LICong,YANGWei(School of Mechanical and Automoti
3、ve Engineering,Shanghai University of Engineering Science,Shanghai 201620,China)Abstract:In order to improve the path following accuracy and stability of unmanned vehicles,a parameteradaptive model predictive control(MPC)method based on particle swarm optimization(PSO)and Gaussianprocess regression
4、(GPR)was proposed.By using PSO to optimize MPC parameters offline and GPR togenerate optimal parametric surfaces,the path following performances of unmanned vehicles can be improvedunder various working conditions.The simulated results show that the improved MPC method achieves goodpath tracking acc
5、uracy while maintaining vehicle stability throughout the path following process.Finally,theeffectiveness of the improved MPC method was verified on a real unmanned vehicle.Key words:model predictive control(MPC);particle swarm optimization(PSO)algorithm;path following;lateral control;Gaussian proces
6、s regression(GPR)自动驾驶汽车是科学技术领域的一个热门研究课题,对社会和经济发展具有重大影响1.随着互联和全自动车辆技术变得越来越可行,自动驾驶汽车的市场需求和经济价值日益突出2.无人驾驶车辆路径跟踪控制是车辆自动化发展的重点研究方向之一,目前已有多种控制方法 收稿日期:2022 08 15作者简介:周义棚(1996 ),男,在读硕士,研究方向为无人驾驶.E-mail:通信作者:李聪(1977 ),女,副教授,博士,研究方向为汽车新能源技术.E-mail: 第 37 卷 第 2 期上 海 工 程 技 术 大 学 学 报Vol.37 No.22023 年 6 月JOURNAL O
7、F SHANGHAI UNIVERSITY OF ENGINEERING SCIENCEJun.2023实现车辆的自动驾驶3 4.路径跟踪控制是一个复杂的过程,在无人驾驶车辆路径跟踪控制中,大多采用基于状态空间方 程 的 模 型 预 测 控 制(Model Predictive Control,MPC),通过滚动求解多约束优化问题实现控制目的,MPC 方法是无人驾驶车辆路径跟踪控制的最优选择之一.另外,其在时变系统控制方面表现出高性能,在业界广泛实施.MPC 在实现过程中,其控制器本身的参数对实际的控制效果有显著影响.关于 MPC 参数优化,许多研究者已经提出研究 思 路.Susuki 等5提
8、 出 一 种 基 于 粒 子 群 优 化(Particle Swarm Optimization,PSO)的 MPC 控制器权重自动调整方法,在单输入单输出和双输入双输出系统中验证该方法的有效性,但该 MPC 控制器设计时只考虑恒定目标值作为参考值,并且忽略 了 控 制 时 域 和 预 测 时 域 对 控 制 效 果 的 影 响.Moumouh 等6提出一种基于人工神经网络的方法,适当调整 MPC 的参数,采用 PSO 方法建立神经网络的数据学习库,并使用在线顺序极端学习机(OSELM)算法来学习神经网络,在一阶电机模型中验证该方法的有效性和鲁棒性,但其只在简单系统验证该方法有效性,并且采用在
9、线神经网络学习会提高控制器的计算量.王银等7提出一种基于自适应 MPC 的轨迹跟踪控制算法,针对低附着条件下轨迹跟踪存在行驶稳定性较差的问题,对车辆动力学模型添加侧偏角软约束,并在不同车速下设计自适应的预测时域,但只采用 4 组预测时域的值进行分析,未考虑控制时域和权重系数对仿真结果的影响.NpNc为提高无人驾驶车辆路径跟踪精度和稳定性,本研究对 MPC 控制器主要参数包括:预测时域()、控制时域()和权重系数()进行离线优 化,提 出 一 种 基 于 PSO 和 高 斯 过 程 回 归(Gaussian Process Regression,GPR)的 MPC 参 数自适应方法,利用 GPR
10、 生成最优参数曲面,研究在各种工况下对无人驾驶车辆路径跟踪的影响.1 车辆横向动力学模型采用考虑横向运动和偏航运动的改进单轨(自行车)动力学模型设计路径跟踪控制器.车辆动力学的示意图如图 1 所示.X Y图中,、分别为车辆在惯性坐标系下的xyeyeA BClflrfrfv横向位置、纵向位置和航向角;、为车身坐标系下的横向位置和纵向位置;、分别为车辆的横向误差和航向误差;、为前后车轮中心;为质心和前后轮的速度瞬心;、分别为车辆质心处到前、后轴的距离;、分别为车辆前轮和后轮的轮胎侧偏角;为前轮转向角;为车辆的质心速度.eye跟踪参考路径时,车辆质心到参考路径的横向误差用表示.偏航角误差定义为e=d
11、es(1)descR des式中:为参考路径所确定的无人驾驶车辆期望航向角.定义逆时针方向为角度的正方向.给定参考路径曲率,车辆的期望横摆角速度为 des=vxcR(2)vxeye式中:为无人驾驶车辆的纵向速度.横向误差和航向误差的倒数8为 e=des(3)ey=vy+vxe(4)e=des(5)ey=vy+vx e(6)ayy车辆横向加速度可由车辆模型 轴方向的力平衡求得,公式为may=Fyf+Fyr(7)FyrFyf式中:、分别为车辆后轮和前轮的轮胎侧向力.车辆动力学模型的非线性特征主要来自轮胎非线性区的轮胎力表达,可采用线性化轮胎模型对轮胎侧向力进行线性化,公式为Fyf=Cff(8)Fy
12、r=Crr(9)CyeeyvABlrrfflfroadXOYx图 1 考虑路径曲率的车辆横向动力学模型Fig.1 Vehicle lateral dynamics model considering pathcurvature第 2 期周义棚 等:基于改进的模型预测控制无人驾驶车辆路径跟踪控制 165 CfCrfr式中:、分别为车辆前轮和后轮的侧偏刚度;、分别为车辆前轮和后轮的轮胎侧偏角.由于线性化轮胎模型只在轮胎侧偏角较小时具有较高的拟合精度,采用小角度假设可近似得到f=arctanvy+lf.vxfvy+lf.vxf(10)r=arctanvylf.vxvylf.vx(11)将式(7)至(
13、11)代入式(3)至(6)可得 ey=CfmfCf+Crmvx(eyvxe)(lfCflrCrmvx+vx)(e+des)+vx e(12)由偏航方向的力矩平衡计算可得参数 为Iz =lfFyflrFyr(13)Iz式中:为车辆绕 z 轴的转动惯量.将式(8)至(11)和式(13)代入式(3)至(6)可得 e=lfCfIzflfCflrCrIzvx(eyvxe)l2fCf+l2rCrIzvx(e+des)des(14)x=ey,ey,e,eTu=f在该动力学模型中,状态量取,控制量取,由上述关系式可得到状态空间方程形式为 x=01000a1mvxa1ma2mvx00010a2Izvxa2Iza
14、3Izvxx+0Cfm0lfCfIzf+0a2mv2x0a3IzcR(15)a1a2a3其中,、分别为a1=Cf+Cr(16)a2=(lfCflrCr)(17)a3=(l2fCf+l2fCr)(18)2 MPC 参数自适应MPC 控制器在路径跟踪控制上的应用需要非常高的在线计算能力.本节采用粒子群优化算法离线优化控制器参数,在不提高控制器计算量的同时,提高路径跟踪性能.2.1 粒子群算法优化控制器参数Np,Nc,为进一步提高 MPC 控制器的性能,在车辆速度变化的情况下,使用粒子群优化算法离线优化MPC 的控制器参数().控制器的参数作为粒子进行优化,使得横向误差收敛至零,粒子群优化算法的更新
15、方法为k+1i=ki+c1r1i(kbestiki)+c2r2i(gbestiki)(19)k+1i=ki+k+1i(20)k+1i=g(k+1i)=2minik+1i,k+1i minik+1i,mini k+1i maxi2maxik+1i,maxi k+1i(21)kikikir1ir2i0,1c1c2kbestigbestikbestigbesti采用式(19)计算参数的变化;为第 次迭代对应的第 个粒子;、为区间内的均匀随机数;、为预设的正数;为局部最优粒子;为全局最优粒子.和的计算公式为kbest=argminkf(k(h)|h=1,l(22)gbest=argmingbestf(
16、kbest)|k=1,P(23)当选择平均横向误差作为路径跟踪性能的评估指标时,PSO 的适应度函数定义为横向位置误差的均方根值,公式为f=vut1NNi=1e2y(i)(24)为了在 PSO 的局部搜索能力和全局搜索能力之间实现折衷,线性减小了更新粒子速度的惯性权重,公式为=max(maxmin)fP(25)Pmaxmin式中:为最大迭代次数;根据经验将最大惯性权重设为 0.9,最小惯性权重设为 0.4.NpNcNp NcNp,Nc,考虑到和必须为正整数且,本研究使用 PSO 对 MPC 控制器的参数()进行 166 上 海 工 程 技 术 大 学 学 报第 37 卷0 25v1=5,10,
17、15,17,20NpNcNpNc两步优化.先设定为一个定常数(),在速度设定点时对和进行迭代寻优,当和迭代至最优时,再使用 PSO 优化的值,参数寻优步骤见算法如图 2 所示.图 2 控制器参数优化Fig.2 Controller parameter optimization v1=5,10,15,17,20NpNc在 速 度 设 定 点处 对和进行迭代寻优,再优化,最后使用 GPR 对不同速度下的进行参数拟合.NpNcNpNcv图 3 为 PSO 优化和的适应度值,得到最优和值后再优化.适应度函数值的计算方法参考式(25),适应度函数值为横向位置误差的均方根值.车辆速度 较高时,PSO 收敛
18、时的适应函vNp,Nc,数值较大;车辆速度为 20 和 10m/s 时,PSO 收敛时的适应度函数值分别为 11.55 和 1.44,自适应度函数 值 越 小,车 辆 的 路 径 跟 踪 精 度 越 高.图 4 为PSO 优化的适应度函数值.由图 4 可知,适应度函数值的初始值与车辆速度 无关,因为 PSO 作为一种随机寻优的算法,粒子()的初始值为随机数.051015202530迭代次数 k246810121416适应度函数值 f5 m/s10 m/s15 m/s17 m/s20 m/sNpNc图 3 PSO 优化和的适应度值NpNcFig.3 Fitness value of PSO at
19、 and 迭代次数 k适应度函数值 f5 m/s10 m/s15 m/s17 m/s20 m/s51015202530024681012141618图 4 PSO 优化 的适应度值Fig.4 Fitness value of PSO at 2.2 高斯过程回归(GPR)高斯过程回归(GPR)的目标是基于输入的训练集及其相应的测试集输出学习函数9.本研究采用 GPR 拟合 MPC 的权重系数,得到速度与权重系数的最优参数曲线.nxdyD=(xi,yi)|i=1,nYG=y1,ynxXG=x1,xnx假设 个观测输入向量(维数为)及其相对应的输出标量 的训练集为,所有输出标量的向量为,所有输入向量
20、 为矩阵,需要进行输出预测的测试输入为.f(x)m(x)k(x,x)GPR 由的 均 值 函 数和 协 方 差 函 数确定9,公式为第 2 期周义棚 等:基于改进的模型预测控制无人驾驶车辆路径跟踪控制 167 m(x)=Ef(x)(26)k(x,x)=E(f(x)m(x)(f(x)m(x)(27)m(x)k(x,x)函数为输入空间任意点的平均值;函数为设置点之间的协方差,即确定函数的尺寸和平滑度10.高斯过程可写为f(x)G(m(x),k(x,x)(28)本研究考虑零均值函数和平方指数协方差型函数,得到ky(xp,xq)=exp(12(xpxq)TL1(xpxq)(29)L(dd)x式中:为的
21、对称矩阵,其维度与观测输入向量 一样.XGxYGf基于先验分布,观测输入和预测输入、观测输出和预测输出服从联合高斯分布,公式为YGf N(0,K(XG,XG)K(XG,x)K(XG,x)TK(x,x)(30)K(XG,XG)i,j=k(xi,xj)K(XG,x)i=k(xi,x)K(x,x)i=k(x,x)式中:;.YGx给定,处的预测平均值和协方差可表示正态分布11为f N(f(x),2f(x)(31)f(x)=K(XG,x)TK(XG,XG)YG(32)2f(x)=K(x,x)K(XG,x)TK(XG,XG)1K(XG,x)(33)vNpNcVNpNcv=5,6,20车速 和控制器参数(,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 模型 预测 控制 无人驾驶 车辆 路径 跟踪
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。