基于自适应平滑模型预测控制的车辆轨迹跟踪控制

摘要

针对车辆横向控制中存在的跟踪误差大与转向突变问题，提出一种自适应平滑模型预测(model predictive control,MPC)控制方法。首先建立包含横向位置、航向角、侧偏角与横摆角速度误差的增广车辆动力学模型，并引入自适应机制以动态调整采样周期、预测步长与控制步长；其次在目标函数中引入线性递增的控制量及其变化率的平滑权重项，以抑制转向角波动并提升控制平顺性，进而采用二次规划方法实时求解最优前轮转角控制序列。通过CarSim–Simulink联合仿真，在36,54,72 km/h等3种车速及不同路面附着系数条件下，将所提方法与传统MPC与线性二次最优控制(linear quadratic regulator,LQR)进行性能对比分析。结果表明：在所有工况下，改进MPC控制器性能均显著优于传统MPC与LQR，不仅将最大横向跟踪误差降低37%至70%，且生成的前轮转角指令更为平滑连续，有效避免了高频抖振与执行器过载，即使在低附着系数路面(μ=0.3)仍能保持稳定的路径跟踪能力，验证了所提方法在多工况下具有优良的控制精度与平顺性。本研究通过协同优化预测模型与目标函数，有效平衡了高精度轨迹跟踪与控制平顺性之间的矛盾，为自动驾驶车辆在多变工况下提供了高鲁棒性的控制方案。

关键词

自动驾驶车辆 / 模型预测控制 / 自适应控制 / 轨迹跟踪 / 平滑控制