文|于楠说
编辑|于楠说
前言：
智能运动控制策略依托底盘驱动、制动、转向等执行系统，对车辆运动学与动力学状态进行调节，以响应智能驾驶系统输入的各类目标轨迹信号。
在传统智能运动控制策略开发中，为了降低系统设计复杂度，多采用独立的纵向与侧向运动控制方法，并能在纵、侧向加速度较小的稳态工况中获得较好的控制表现。
然而，车辆的纵向与侧向运动之间并非完全独立，而是存在着非线性耦合关系。当纵、侧向加速度超过稳态工况的加速度边界后，车辆会进入一种强瞬态工况。
国内外研究现状概述
智能汽车轨迹跟踪控制策略的基本任务是帮助车辆以设定的期望车速，精确、稳定地跟随目标轨迹进行运动。
目前，已经有较多学者对智能汽车轨迹跟踪控制展开了相关研究，大致上可以划分为基于车辆运动学的轨迹跟踪控制策略和基于车辆动力学的轨迹跟踪控制策略。
纯跟踪控制算法的基本思路是根据车辆当前所处实际位置和目标轨迹上预瞄点之间的几何关系，求解智能汽车轨迹跟踪所需的转向轮转角。
阿姆利塔大学Lal等人针对不同曲率路径上的车辆侧向控制问题，提出了一种纯跟踪控制算法，并在OCTAVE中验证了该算法的性能表现。
Stanley跟踪控制算法根据前轮中心与目标轨迹上最近点之间的侧向距离，近似求解车辆转向轮转角以消解跟踪误差。
北京联合大学靳欣宇等人基于车辆当前航向角、规划路径曲率等信息，设计了一种自适应Stanley跟踪控制算法，应对复杂道路智能驾驶需求。
针对纯跟踪算法随着车速上升而出现跟踪精度降低的问题，伊斯坦布尔科技大学Cibooglu等人基于Stanley和纯跟踪算法设计了一种混合侧向位置控制器，有效避免了车辆轨迹跟踪过程中出现的大转角震荡问题
然而，对于精确显式模型依赖度较高的传统MPC方法，在应对由于智能汽车剧烈运动引发车辆系统参数不确定性问题时，轨迹跟踪的鲁棒性、控制精度等方面性能也面临着一定的挑战。
因此，一些鲁棒性和自适应性较好的理论例如鲁棒H2/H∞控制、自适应SMC、自适应神经网络技术等方法也在轨迹跟踪控制策略中得到了应用。
基于线性变参数（Linear Parameter Varying, LPV）模型和多胞体理论，提出了一种考虑车辆轮胎侧偏刚度、质心位移等不确定性系统参数的鲁棒LPV -H∞轨迹跟踪控制器，在多种扰动实验测试下均展现出了良好的鲁棒性。
综上所述，车辆轨迹跟踪控制受到了大量学者的关注和发展。但是如何帮助智能汽车设计一套能够综合考虑强瞬态工况车辆系统参数不确定性和纵侧向耦合非线性动力学问题，兼顾轨迹跟踪精度、算法复杂度、参数标定可循性等方面性能的轨迹跟踪控制策略，是一个亟待解决的难题。
智能汽车纵侧向耦合运动控制策略架构设计与目标轨迹生成
智能汽车运动控制的基本任务，是通过驱动、制动、转向等底盘执行系统，调节车辆运动学与动力学状态，以准确、稳定地响应智能驾驶系统生成的目标车速、减速度、轨迹等信号请求。
因此，智能汽车运动控制策略一般会包括车速控制、减速度控制、轨迹跟踪控制、稳定性控制等功能。
在传统的智能运动控制策略设计中，为了降低系统设计复杂度，多采用独立的纵向与侧向运动控制方法。
在“适用性”方面，要求设计的运动控制策略能够实现车辆在不同场景的基本功能。
例如在巡航场景中实现纵向车速控制功能，在纵向紧急避撞场景中实现制动减速度控制功能，在侧向换道场景（包含中小侧向加速度的常规换道，和中高侧向加速度的紧急避撞换道）中实现纵向车速控制功能和侧向轨迹跟踪功能，在车辆有失稳趋势场景中实现稳定性控制功能。
在“系统架构”方面，要求设计的运动控制策略能够以较少的控制器响应不同目标轨迹信号请求，减少不同控制器之间为了匹配不同场景车辆运动特点而设计的复杂协调逻辑。
例如设计纵侧向耦合轨迹跟踪控制器既能响应巡航场景的目标车速信号，也能响应侧向换道场景包含车速信息的目标轨迹信号，与纵侧向独立设计的轨迹跟踪控制器相比，减少为了应对车辆动力学特性变化而设计的纵、侧向复杂协调逻辑。
智能汽车纵侧向耦合运动控制策略架构设计
车辆运动控制策略主要用于响应不同车辆运动状态参考信号请求，其内部集成了减速度控制器、纵侧向耦合轨迹跟踪控制器和纵侧向耦合稳定性控制器。
其中，①减速度控制器用于匹配紧急制动工况对减速度响应速率性能要求，将目标减速度信号转换为车辆运动所需的纵向力−，实现减速度控制功能；
②纵侧向耦合的轨迹跟踪控制器采用自适应非线性三步法控制理论，解决了车辆系统系统参数不确定性和纵侧向耦合非线性动力学关系问题，匹配了稳态工况、强瞬态工况对车速与轨迹跟随精度性能要求，通过调整车辆的纵向力−和前轮转角−，跟随目标纵向位置、侧向位置和车速信号，实现了车速控制功能和轨迹跟踪控制功能；
③纵侧向耦合稳定性控制器采用分段T-S模糊理论和鲁棒动态输出反馈控制方法，应对了临界失稳工况下由于车速大幅度变化导致显著的车辆纵侧向耦合非线性动力学关系对车辆运动控制的影响，匹配了行驶稳定性与轨迹跟随精度性能要求，通过调整车辆的纵向力−、侧向力−和横摆力矩−，结合轨迹跟踪控制器输出的前轮转角−，帮助智能汽车完成对目标轨迹(,,)的平稳跟随，实现了稳定性控制功能。
控制分配策略根据车辆稳定性控制的激活状态信号，将车辆运动控制策略输出的纵向力、侧向力、横摆力矩、前轮转角换算成整车底盘执行器可以接收的期望驱动转矩∗、期望轮缸制动压力,∗和期望前轮转角∗。
底层执行器控制层涵盖驱动、制动和转向三个系统。本文重点关注智能汽车纵侧向耦合运动控制对底层集成式线控制动系统的功能要求，因此设计了包含主动制动压力协调策略、动力缸压力控制策略以及轮缸压力控制策略在内的集成式线控制动系统压力控制层。
面向智能汽车纵侧向耦合运动控制的目标轨迹生成
为了测试设计的运动控制策略能否在众多工况中，良好应对从车辆运动控制层到制动压力控制层所面临的诸多控制难点，本节以车辆在同向双车道场景中进行避撞运动为研究背景
提出了如图2.6所示的面向智能汽车纵侧向耦合运动控制的目标轨迹生成方法，涵盖了车速保持行为对应的目标车速信号、纵向紧急制动行为对应的目标减速度信号，以及侧向换道行为对应的目标轨迹(,,)信号。
该方法中，智能汽车多目标行为决策策略根据混合碰撞风险评估模型、临界制动安全距离模型、侧向换道安全约束等条件，为车辆在同向双车道场景中选择车速保持、纵向紧急制动、侧向换道三类驾驶行为；基于纵侧向耦合换道轨迹规划策略根据DDPG强化学习、遗传算法模仿学习和基于五次多项式的换道轨迹曲线，求解了部分侧向换道行为所需的纵侧向耦合换道目标轨迹。
风险评估模型常用距离碰撞时间（Timeto Collision,TTC）模型表示，它表现了主车与目标障碍物维持当前状态运动发生碰撞的时间，被认为符合驾驶员对危险态势的感知。
考虑到两车间的车速接近时，输出值趋于无穷大，因此使用距离碰撞时间的倒数（Timeto Collision inverse,TTCi）建立碰撞风险评估模型
假定交通车在主车运动过程中驾驶意图已知，且始终在当前车道保持直线运动，如图2.8所示。将主车侧向投影至相邻车道，并结合最小纵向安全间距0，可以获得旁车道“投影区”无车辆工况和旁车道“投影区”有车辆工况。
当智能汽车采取侧向换道行为后，需要对侧向换道对应的目标轨迹和交通车行驶轨迹进行碰撞检测。以主车与同车道前方交通车障碍物为例，使用如图2.9所示的长方体表征车辆的轮廓形状，并根据换道过程中每个时刻下主车与交通车障碍物的纵向和侧向距离关系，判断是否发生碰撞。
至于主车与旁车道交通车的碰撞检测与上述相同，满足max(−,−)≥0可以证明不发生碰撞，−和−分别表示主车与旁车纵向与侧向的车间距。此外，侧向换道行为对应的运动轨迹也应该满足车辆动力学约束，因此由目标轨迹推导的车辆纵向加速度与侧向加速度均需要在路面附着提供的加速度极限值约束范围之内，以满足车辆行驶稳定性约束。
总结：
在当前智能驾驶和人工智能等专家学者的前沿探索基础上，本文系统研究了车辆运动学与动力学、非线性控制、自适应控制、智能优化算法、强化学习、神经网络等理论。
提出了考虑系统参数不确定性的车辆纵侧向耦合轨迹跟踪控制策略。首先，根据智能汽车在跟随目标轨迹过程中的运动学和动力学状态，搭建了一种考虑系统参数不确定性的车辆纵侧向耦合非线性轨迹跟踪模型。
接着，基于非线性三步法理论提出一种算法复杂度低、参数标定可循的轨迹跟踪控制器，用于解决车辆在强瞬态工况中面临的纵侧向耦合非线性动力学问题。
参考文献：
[1]万钢. 新时代推进我国新能源汽车发展的新思考[J]. 汽车工程学报, 2018, 8(4): 235-238.
[2]周青, 夏勇, 聂冰冰, 等. 汽车碰撞安全与轻量化研发中的若干挑战性课题[J]. 中国公路学报, 2019, 32(7): 1-14.
[3]国家统计局.2020年交通事故统计[EB/OL]. https://data.stats.gov.cn/search.htm?s=%E4%BA%A4%E9%80%9A%E4%BA%8B%E6%95%85.
[4]张林浩. 从《汽车产业中长期发展规划》看当前汽车的产业发展[J]. 汽车工业研究, 2017(12): 10-11.
[5]熊璐, 杨兴, 卓桂荣, 等. 无人驾驶车辆的运动控制发展现状综述[J]. 机械工程学报, 2020, 56(10): 127-143.
