"自动驾驶车辆路径跟踪控制方法研究"
自动驾驶车辆路径跟踪控制是自动驾驶技术中的基本问题之一，也是底盘执行控制的基础。它主要研究如何在保证行驶安全性以及乘坐舒适性的前提下，通过控制自动驾驶车辆转向系统的参数来尽可能减小无人驾驶车辆实际行驶路线与已规划好的目标路径间的横向偏差与方位偏差。
路径跟踪控制技术主要解决的问题和难点一方面要进一步缩小已规划路径与自动驾驶车辆实际行驶路径之间的偏差：如在控制器算法方面对于所建立的汽车运动学模型还需要更加精确完整，深入考虑各种动力学约束；另一方面要解决跟踪控制系统的反馈速度，使其满足实时性和稳定性的要求。
当前应用于路径跟踪控制系统的方法包括了比例-积分-微分（Proportional-Integral-Derivative，PID）控制、线性二次型最优控制（Linear Quadratic Regulator，LQR）、纯跟踪控制、模糊控制、滑模控制、前馈-反馈控制、模型预测控制（Model Predictive Control，MPC）等等。
模型预测控制（MPC）是一种基于模型的预测控制方法，通过在线求解一个有限时间开环优化问题，并将得到的控制序列的第一个元素作用于被控对象。在下一个采样时刻，重复上述过程：用新的测量值作为此时预测系统未来动态的初始条件，刷新优化问题并重新求解，是一个反馈控制策略。
模型预测控制具有预测模型、滚动优化和反馈校正等基本特征。运用MPC算法解决问题一般概括为三个步骤：（1）对系统未来的动态模式进行估计；（2）数值求解开环优化问题；（3）将优化解的第一个元素（或者第一部分）作用于系统。这三步是在每个采样时刻重复进行的，且无论采用什么样的模型，每个采样时刻得到的测量值都作为当前时刻预测系统未来动态的初始条件。
在自动驾驶车辆路径跟踪控制方法研究中，MPC算法已经被广泛应用于解决路径跟踪控制问题。例如，Yuto Owaki 等针对简单电动汽车路径跟踪问题，提出了一种基于非线性模型预测控制的非分层控制器。不考虑轮胎受力在靠近摩擦圈极限时呈现较强的非线性，对其进行了处理，以提高车辆的动态性能，同时防止漂移失去稳定性。
此外，杨胡飞等将路径跟踪预测模型与车辆二自由度动力学模型相结合，基于此设计了 MPC 路径跟踪控制器用于获取横向和偏航路径跟踪误差以及方向盘转角输入，从而实现车辆路径跟踪。最后将系统进行硬件在环仿真试验表明：路径跟踪的偏差在很小的范围内，满足控制精度要求。
Lim H 等提出了六轮非完整无人地面车辆的非线性模型预测跟踪控制方案（UGVs）。它作为一种高水平的制导控制，具有运动近似的 UGV 运动。一种非线性模型预测控制算法通过顺序求解在线数值优化问题解决了轨迹规划和最优控制问题。采用梯度下降优化算法，考虑到 UGV 运动的约束和输入约束，获得了对 UGV 的最优控制输入。
研究了该控制器在跟踪性能和避碰性能方面的特点。在室内和室外环境中，通过实验的六轮 UGV 平台验证了提出的数值优化算法，结果表明该控制器能够实时更新输入。
路径跟踪控制是自动驾驶车辆关键技术的一个重要环节，主要研究如何控制关键的参数使得自动驾驶车辆稳定无偏差地沿着已经规划好的路径行驶。模型预测控制（MPC）是一种基于模型的预测控制方法，通过在线求解一个有限时间开环优化问题，并将得到的控制序列的第一个元素作用于被控对象。MPC 算法已经被广泛应用于解决路径跟踪控制问题，并且取得了良好的效果。
