文|於楠說
編輯|於楠說
前言：
智能運動控制策略依託底盤驅動、制動、轉向等執行系統，對車輛運動學與動力學狀態進行調節，以響應智能駕駛系統輸入的各類目標軌跡信號。
在傳統智能運動控制策略開發中，為了降低系統設計複雜度，多採用獨立的縱向與側向運動控制方法，並能在縱、側向加速度較小的穩態工況中獲得較好的控制表現。
然而，車輛的縱向與側向運動之間並非完全獨立，而是存在着非線性耦合關係。當縱、側向加速度超過穩態工況的加速度邊界後，車輛會進入一種強瞬態工況。
國內外研究現狀概述
智能汽車軌跡跟蹤控制策略的基本任務是幫助車輛以設定的期望車速，精確、穩定地跟隨目標軌跡進行運動。
目前，已經有較多學者對智能汽車軌跡跟蹤控制展開了相關研究，大致上可以劃分為基於車輛運動學的軌跡跟蹤控制策略和基於車輛動力學的軌跡跟蹤控制策略。
純跟蹤控制算法的基本思路是根據車輛當前所處實際位置和目標軌跡上預瞄點之間的幾何關係，求解智能汽車軌跡跟蹤所需的轉向輪轉角。
阿姆利塔大學Lal等人針對不同曲率路徑上的車輛側向控制問題，提出了一種純跟蹤控制算法，並在OCTAVE中驗證了該算法的性能表現。
Stanley跟蹤控制算法根據前輪中心與目標軌跡上最近點之間的側向距離，近似求解車輛轉向輪轉角以消解跟蹤誤差。
北京聯合大學靳欣宇等人基於車輛當前航向角、規劃路徑曲率等信息，設計了一種自適應Stanley跟蹤控制算法，應對複雜道路智能駕駛需求。
針對純跟蹤算法隨着車速上升而出現跟蹤精度降低的問題，伊斯坦布爾科技大學Cibooglu等人基於Stanley和純跟蹤算法設計了一種混合側向位置控制器，有效避免了車輛軌跡跟蹤過程中出現的大轉角震蕩問題
然而，對於精確顯式模型依賴度較高的傳統MPC方法，在應對由於智能汽車劇烈運動引發車輛系統參數不確定性問題時，軌跡跟蹤的魯棒性、控制精度等方面性能也面臨著一定的挑戰。
因此，一些魯棒性和自適應性較好的理論例如魯棒H2/H∞控制、自適應SMC、自適應神經網絡技術等方法也在軌跡跟蹤控制策略中得到了應用。
基於線性變參數（Linear Parameter Varying, LPV）模型和多胞體理論，提出了一種考慮車輛輪胎側偏剛度、質心位移等不確定性系統參數的魯棒LPV -H∞軌跡跟蹤控制器，在多種擾動實驗測試下均展現出了良好的魯棒性。
綜上所述，車輛軌跡跟蹤控制受到了大量學者的關注和發展。但是如何幫助智能汽車設計一套能夠綜合考慮強瞬態工況車輛系統參數不確定性和縱側向耦合非線性動力學問題，兼顧軌跡跟蹤精度、算法複雜度、參數標定可循性等方面性能的軌跡跟蹤控制策略，是一個亟待解決的難題。
智能汽車縱側向耦合運動控制策略架構設計與目標軌跡生成
智能汽車運動控制的基本任務，是通過驅動、制動、轉向等底盤執行系統，調節車輛運動學與動力學狀態，以準確、穩定地響應智能駕駛系統生成的目標車速、減速度、軌跡等信號請求。
因此，智能汽車運動控制策略一般會包括車速控制、減速度控制、軌跡跟蹤控制、穩定性控制等功能。
在傳統的智能運動控制策略設計中，為了降低系統設計複雜度，多採用獨立的縱向與側向運動控制方法。
在“適用性”方面，要求設計的運動控制策略能夠實現車輛在不同場景的基本功能。
例如在巡航場景中實現縱向車速控制功能，在縱向緊急避撞場景中實現制動減速度控制功能，在側向換道場景（包含中小側向加速度的常規換道，和中高側向加速度的緊急避撞換道）中實現縱向車速控制功能和側向軌跡跟蹤功能，在車輛有失穩趨勢場景中實現穩定性控制功能。
在“系統架構”方面，要求設計的運動控制策略能夠以較少的控制器響應不同目標軌跡信號請求，減少不同控制器之間為了匹配不同場景車輛運動特點而設計的複雜協調邏輯。
例如設計縱側向耦合軌跡跟蹤控制器既能響應巡航場景的目標車速信號，也能響應側向換道場景包含車速信息的目標軌跡信號，與縱側向獨立設計的軌跡跟蹤控制器相比，減少為了應對車輛動力學特性變化而設計的縱、側向複雜協調邏輯。
智能汽車縱側向耦合運動控制策略架構設計
車輛運動控制策略主要用於響應不同車輛運動狀態參考信號請求，其內部集成了減速度控制器、縱側向耦合軌跡跟蹤控制器和縱側向耦合穩定性控制器。
其中，①減速度控制器用於匹配緊急制動工況對減速度響應速率性能要求，將目標減速度信號轉換為車輛運動所需的縱向力−，實現減速度控制功能；
②縱側向耦合的軌跡跟蹤控制器採用自適應非線性三步法控制理論，解決了車輛系統系統參數不確定性和縱側向耦合非線性動力學關係問題，匹配了穩態工況、強瞬態工況對車速與軌跡跟隨精度性能要求，通過調整車輛的縱向力−和前輪轉角−，跟隨目標縱向位置、側向位置和車速信號，實現了車速控制功能和軌跡跟蹤控制功能；
③縱側向耦合穩定性控制器採用分段T-S模糊理論和魯棒動態輸出反饋控制方法，應對了臨界失穩工況下由於車速大幅度變化導致顯著的車輛縱側向耦合非線性動力學關係對車輛運動控制的影響，匹配了行駛穩定性與軌跡跟隨精度性能要求，通過調整車輛的縱向力−、側向力−和橫擺力矩−，結合軌跡跟蹤控制器輸出的前輪轉角−，幫助智能汽車完成對目標軌跡(,,)的平穩跟隨，實現了穩定性控制功能。
控制分配策略根據車輛穩定性控制的激活狀態信號，將車輛運動控制策略輸出的縱向力、側向力、橫擺力矩、前輪轉角換算成整車底盤執行器可以接收的期望驅動轉矩∗、期望輪缸制動壓力,∗和期望前輪轉角∗。
底層執行器控制層涵蓋驅動、制動和轉向三個系統。本文重點關注智能汽車縱側向耦合運動控制對底層集成式線控制動系統的功能要求，因此設計了包含主動制動壓力協調策略、動力缸壓力控制策略以及輪缸壓力控制策略在內的集成式線控制動系統壓力控制層。
面向智能汽車縱側向耦合運動控制的目標軌跡生成
為了測試設計的運動控制策略能否在眾多工況中，良好應對從車輛運動控制層到制動壓力控制層所面臨的諸多控制難點，本節以車輛在同向雙車道場景中進行避撞運動為研究背景
提出了如圖2.6所示的面向智能汽車縱側向耦合運動控制的目標軌跡生成方法，涵蓋了車速保持行為對應的目標車速信號、縱向緊急制動行為對應的目標減速度信號，以及側向換道行為對應的目標軌跡(,,)信號。
該方法中，智能汽車多目標行為決策策略根據混合碰撞風險評估模型、臨界制動安全距離模型、側向換道安全約束等條件，為車輛在同向雙車道場景中選擇車速保持、縱向緊急制動、側向換道三類駕駛行為；基於縱側向耦合換道軌跡規劃策略根據DDPG強化學習、遺傳算法模仿學習和基於五次多項式的換道軌跡曲線，求解了部分側向換道行為所需的縱側向耦合換道目標軌跡。
風險評估模型常用距離碰撞時間（Timeto Collision,TTC）模型表示，它表現了主車與目標障礙物維持當前狀態運動發生碰撞的時間，被認為符合駕駛員對危險態勢的感知。
考慮到兩車間的車速接近時，輸出值趨於無窮大，因此使用距離碰撞時間的倒數（Timeto Collision inverse,TTCi）建立碰撞風險評估模型
假定交通車在主車運動過程中駕駛意圖已知，且始終在當前車道保持直線運動，如圖2.8所示。將主車側向投影至相鄰車道，並結合最小縱向安全間距0，可以獲得旁車道“投影區”無車輛工況和旁車道“投影區”有車輛工況。
當智能汽車採取側向換道行為後，需要對側向換道對應的目標軌跡和交通車行駛軌跡進行碰撞檢測。以主車與同車道前方交通車障礙物為例，使用如圖2.9所示的長方體表徵車輛的輪廓形狀，並根據換道過程中每個時刻下主車與交通車障礙物的縱向和側向距離關係，判斷是否發生碰撞。
至於主車與旁車道交通車的碰撞檢測與上述相同，滿足max(−,−)≥0可以證明不發生碰撞，−和−分別表示主車與旁車縱向與側向的車間距。此外，側向換道行為對應的運動軌跡也應該滿足車輛動力學約束，因此由目標軌跡推導的車輛縱向加速度與側向加速度均需要在路面附着提供的加速度極限值約束範圍之內，以滿足車輛行駛穩定性約束。
總結：
在當前智能駕駛和人工智能等專家學者的前沿探索基礎上，本文系統研究了車輛運動學與動力學、非線性控制、自適應控制、智能優化算法、強化學習、神經網絡等理論。
提出了考慮系統參數不確定性的車輛縱側向耦合軌跡跟蹤控制策略。首先，根據智能汽車在跟隨目標軌跡過程中的運動學和動力學狀態，搭建了一種考慮系統參數不確定性的車輛縱側向耦合非線性軌跡跟蹤模型。
接着，基於非線性三步法理論提出一種算法複雜度低、參數標定可循的軌跡跟蹤控制器，用於解決車輛在強瞬態工況中面臨的縱側向耦合非線性動力學問題。
參考文獻：
[1]萬鋼. 新時代推進我國新能源汽車發展的新思考[J]. 汽車工程學報, 2018, 8(4): 235-238.
[2]周青, 夏勇, 聶冰冰, 等. 汽車碰撞安全與輕量化研發中的若干挑戰性課題[J]. 中國公路學報, 2019, 32(7): 1-14.
[3]國家統計局.2020年交通事故統計[EB/OL]. https://data.stats.gov.cn/search.htm?s=%E4%BA%A4%E9%80%9A%E4%BA%8B%E6%95%85.
[4]張林浩. 從《汽車產業中長期發展規劃》看當前汽車的產業發展[J]. 汽車工業研究, 2017(12): 10-11.
[5]熊璐, 楊興, 卓桂榮, 等. 無人駕駛車輛的運動控制發展現狀綜述[J]. 機械工程學報, 2020, 56(10): 127-143.
