基于模型预测控制算法的无人驾驶车辆路径识别与跟踪控制.pdf

本文主要探讨了模型预测控制算法在无人驾驶车辆路径识别与跟踪控制中的应用。在当前的计算机技术和传感器技术迅速发展的背景下，智能汽车的需求日益增长，特别是在准确且稳定的轨迹跟踪控制系统方面。文章通过研究如何基于摄像机捕捉到的图像来识别车道线，并通过前轮转向控制确保无人驾驶汽车能够精准地跟踪期望轨迹，展现了无人驾驶车辆的必要技术基础。 研究内容涵盖了三个主要方面：车道线识别、动作决策与路径规划，以及轨迹跟踪控制。在车道线识别部分，通过一系列图像处理技术（如RGB转灰度处理、图像增强处理、动态兴趣区域提取、逆透视变换、霍夫直线检测等）来识别并提取车道线信息，并建立预期的跟踪轨迹模型。动作决策与路径规划则是基于获取的环境信息，做出安全的决策，并制定相应的路径规划。而轨迹跟踪控制则是利用3自由度车辆动力学模型和轮胎线性区域约束，采用模型预测控制算法设计线性时变模型预测控制器，控制前轮转向以实现轨迹跟踪。 研究中使用了Udacity无人驾驶道路数据集，并通过MATLAB图像处理工具来对车道线进行识别，从而收集车道形状信息。同时建立了三自由度动力学车辆模型和魔术轮胎模型，结合两者得到了状态空间方程。针对非线性系统，将其转换为线性时变系统，并推导出线性时变模型预测控制（LTVMPC）算法的公式，建立了模型预测的相关约束条件，并将LTVMPC最优问题转化为标准二次规划问题以易于求解。 为了验证算法的效果，文章搭建了Simulink/Carsim联合仿真平台，并对所采集到的车道线进行轨迹跟踪控制算法仿真验证。仿真结果表明，在预期轨迹跟踪方面效果良好。为了进一步测试控制器性能，设计了更为复杂的双移线工况轨迹，并进行了轨迹跟踪仿真。仿真结果显示，车辆轨迹跟踪效果和车辆稳定性受到车速和路面附着系数的影响。为了提高系统控制精度和稳定性，文中还设计了一个模糊控制器，对前轮转角进行了补偿优化，结果表明位置误差和均方根误差均有显著降低。 在实际行驶过程中，车辆可能遇到障碍物或其他需要换道的情况，因此文章针对换道工况设计了基于目标车道车况的换道策略和相关换道路径规划，并结合前面设计的模型预测控制器进行轨迹跟踪仿真，结果表明控制器展现出了良好的鲁棒性。 关键词方面涵盖了无人驾驶汽车、动力学模型、线性时变模型预测控制（LTVMPC）、轨迹跟踪、换道和适应性以及路径规划等。这些关键词表明了无人驾驶车辆中模型预测控制算法在路径识别与跟踪技术领域的广泛应用和重要性。在无人驾驶汽车的未来发展中，此类技术无疑会成为提升车辆智能性和驾驶安全性的关键技术。