袁希文，馮江華，胡云卿，張新銳，黃瑞鵬，林 軍，袁 浩

（中車株洲電力機(jī)車研究所有限公司，湖南 株洲 412001）

0 引言

智軌電車車體寬度為2.65 m，若要其在3.5 m寬的車道內(nèi)正常行駛，特別是在狹窄區(qū)域轉(zhuǎn)彎以及靠站停車，則需考慮占用道路寬度問題，以防止刮擦護(hù)欄或其他車輛現(xiàn)象的發(fā)生[1]。如果采用人工駕駛方式，不僅控制精度偏低，而且更容易因誤操作[2]（90%以上的交通事故是由于駕駛員疏忽而導(dǎo)致的）而導(dǎo)致車輛偏離車道，繼而引起交通事故。因此，設(shè)計(jì)一種自動(dòng)控制系統(tǒng)來實(shí)現(xiàn)列車頭軸精確跟隨車道線行駛（即自動(dòng)循跡），具有重要的現(xiàn)實(shí)意義[3]。智軌電車為3節(jié)編組、6軸全輪轉(zhuǎn)向結(jié)構(gòu)，自動(dòng)循跡技術(shù)僅研究其頭軸的路徑跟蹤控制問題；雖然第二軸至第六軸跟隨頭軸軌跡行駛的控制對(duì)智軌電車的正常運(yùn)行也至關(guān)重要（決定了其跟隨性和穩(wěn)定性），但其功能由多軸液壓轉(zhuǎn)向控制系統(tǒng)實(shí)現(xiàn)，因此本文不作詳細(xì)論述。

學(xué)者們對(duì)自動(dòng)循跡的理論進(jìn)行了大量的研究探索[4-6]，如基于車輛動(dòng)力學(xué)模型的線性二次調(diào)節(jié)法（linear quadratic regulator，LQR）和模型預(yù)測控制(model predictive control, MPC)方法，以及基于車輛幾何關(guān)系的Pure Pursuit方法和Stanley方法等。智軌電車是非線性、大延時(shí)的復(fù)雜系統(tǒng)，因此，在普通車輛基礎(chǔ)上，需要特別考慮循跡過程中的感知延遲和控制延遲處理問題。文獻(xiàn)[7-8]針對(duì)視覺延時(shí)對(duì)車輛轉(zhuǎn)向控制的影響進(jìn)行了研究，指出通過增大前視距離方法可以補(bǔ)償相位延時(shí)。文獻(xiàn)[9]利用頻域和時(shí)域方法研究了視覺延時(shí)對(duì)控制系統(tǒng)性能的影響，并給出一個(gè)具有大時(shí)滯的視覺系統(tǒng)的設(shè)計(jì)實(shí)例。文獻(xiàn)[10]在仿真中考慮了從圖像采集到控制執(zhí)行過程中的延時(shí)，所給出的延時(shí)參數(shù)為8 ms。文獻(xiàn)[11]提出了一種基于視覺傳感器的非均勻時(shí)延自動(dòng)駕駛車輛的分級(jí)橫向控制方法。上述文獻(xiàn)雖然關(guān)注了視覺感知延時(shí)的影響，但均未考慮執(zhí)行器的延時(shí)影響問題。

本文對(duì)智軌電車自動(dòng)循跡系統(tǒng)進(jìn)行了研究，介紹了該系統(tǒng)的組成，并闡述了基于深度學(xué)習(xí)的車道線識(shí)別與數(shù)字虛擬軌道生成算法；提出了2種考慮執(zhí)行器延時(shí)的循跡控制方法，即基于視覺感知的PID控制方法和MPC方法；最后通過仿真和實(shí)車試驗(yàn)對(duì)這兩種方法的循跡效果進(jìn)行了驗(yàn)證。

1 自動(dòng)循跡系統(tǒng)組成

自動(dòng)循跡系統(tǒng)是一種通過在列車上增加圖像識(shí)別傳感器以提取車道線特征并進(jìn)行分類、跟蹤，再經(jīng)反饋控制來實(shí)時(shí)調(diào)節(jié)車輛航向、跟蹤期望路徑的閉環(huán)系統(tǒng)[1]。圖1示出智軌電車自動(dòng)循跡系統(tǒng)構(gòu)成，其包括感知子系統(tǒng)、控制子系統(tǒng)以及執(zhí)行子系統(tǒng)。本文僅討論感知子系統(tǒng)和控制子系統(tǒng)。

圖1 智軌電車自動(dòng)循跡系統(tǒng)構(gòu)成Fig.1 Structure of the automatic tracking system for autonomousrail rapid tram

1.1 感知子系統(tǒng)

傳統(tǒng)的循跡導(dǎo)航技術(shù)一般借助于無線通信來獲取GPS全局定位信息，其對(duì)通信質(zhì)量和可靠性要求極高；而逐漸成熟的圖像感知技術(shù)不僅無需依賴于無線通信，而且適應(yīng)性強(qiáng)、成本低，更適用于作為城市公共交通解決方案的智軌電車的定位。

智軌電車的感知子系統(tǒng)采用極簡圖像感知技術(shù)，突破了信息分離、標(biāo)識(shí)、特征提取和連續(xù)數(shù)字軌道生成等難題，實(shí)現(xiàn)了在路面信息殘缺、車輛隨機(jī)振動(dòng)條件下可穩(wěn)定識(shí)別并形成數(shù)字軌道的功能。圖2示出運(yùn)行路徑實(shí)時(shí)感知工作原理。

圖2 運(yùn)行路徑實(shí)時(shí)感知原理Fig.2 Real-time perception principle of digital orbits

1.2 控制子系統(tǒng)

控制子系統(tǒng)根據(jù)感知子系統(tǒng)實(shí)時(shí)感知的車輛與虛擬數(shù)字軌道的距離偏差、角度偏差和道路曲率等信息并結(jié)合車輛狀態(tài)參數(shù)，在中央控制計(jì)算單元進(jìn)行實(shí)時(shí)計(jì)算，得到方向盤轉(zhuǎn)角指令，然后將指令輸入至轉(zhuǎn)向執(zhí)行子系統(tǒng)以調(diào)整車輛航向，使系統(tǒng)能夠在列車架構(gòu)特殊、初始姿態(tài)隨機(jī)的情況下保證頭軸自主、精確地進(jìn)入和跟蹤數(shù)字軌道。圖3示出自動(dòng)循跡控制原理。

圖3 自動(dòng)循跡控制原理Fig.3 Control principle of automatic tracking system

2 車道線識(shí)別與數(shù)字虛擬軌道生成

傳統(tǒng)車道線視覺識(shí)別算法是基于特征和模型檢測機(jī)制，需根據(jù)不同場景調(diào)整檢測算法，因此魯棒性和泛化能力較差，處理的結(jié)果缺乏復(fù)雜多變環(huán)境的語義描述能力[12-14]?；谏疃葘W(xué)習(xí)的車道線識(shí)別算法以最具代表性的深度卷積神經(jīng)網(wǎng)絡(luò)（FCN）為內(nèi)核，利用卷積與池化操作提取圖像的低層特征，將多種簡單特征組合成更加抽象的復(fù)雜特征，并基于此實(shí)現(xiàn)目標(biāo)功能，因此其在實(shí)踐中具有良好的泛化學(xué)習(xí)能力，為復(fù)雜交通場景檢測難題的解決提供了新思路[15]。本文采用深度卷積網(wǎng)絡(luò)技術(shù)實(shí)現(xiàn)智軌電車專用車道線識(shí)別和數(shù)字虛擬軌道生成的功能。

2.1 基于深度學(xué)習(xí)的車道線語義分割算法

圖像的語義分割算法旨在復(fù)雜場景下按照?qǐng)D像隱含的語義進(jìn)行圖像分割，是計(jì)算機(jī)視覺的核心任務(wù)之一，本文采用FCN作為語義分割的基礎(chǔ)網(wǎng)絡(luò)來提取智軌列車前視圖像中的專用車道線。FCN在圖像語義分割任務(wù)中使用卷積-反卷積操作來實(shí)現(xiàn)端到端的圖像像素分類預(yù)測（圖4）。其首先對(duì)圖像進(jìn)行卷積處理，提取圖像的高維度特征圖；然后使用反卷積操作，在高維特征圖的基礎(chǔ)上重建出與原圖像分辨率一致的語義分割圖像。

圖4 FCN的編碼-解碼結(jié)構(gòu)Fig.4 Encoding-decoding architecture of FCN

圖像卷積操作的對(duì)象是前一層特征圖中對(duì)應(yīng)區(qū)域。前一層產(chǎn)生的特征圖通過卷積核的卷積之后產(chǎn)生一個(gè)或多個(gè)特征圖（圖5），卷積流程符合式（1）要求。

圖5 神經(jīng)元卷積流程Fig.5 Schematic diagram of convolution

相比于傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)，F(xiàn)CN主要進(jìn)行了全連接層卷積化、上采樣、卷積與跳級(jí)結(jié)構(gòu)等方面的優(yōu)化；利用反卷積和跳躍支路，算法可以實(shí)現(xiàn)多尺度融合，并將特征圖調(diào)整到指定大小。FCN損失函數(shù)是網(wǎng)絡(luò)最后一層每個(gè)像素的分類損失函數(shù)之和，像素分類損失函數(shù)采用交叉熵，具體如式（2）所示。

式中：yi——標(biāo)注真值；——預(yù)測值。

根據(jù)融合特征圖的數(shù)量，F(xiàn)CN可派生出FCN-32s,FCN-16s及FCN-8s等多種不同預(yù)測精度的結(jié)構(gòu)。FCN主干結(jié)構(gòu)中的5個(gè)卷積層生成5種尺度的特征圖，特征圖從第一級(jí)到第五級(jí)尺度依次減小，而特征抽象程度依次增加。不同尺度的特征圖融合時(shí)，依次從第五級(jí)向前添加，如圖6所示。FCN-32s結(jié)構(gòu)僅對(duì)pool5池化層輸出的特征圖進(jìn)行操作，將尺寸為原圖像1/32大小的特征圖進(jìn)行32倍反卷積輸出，得到較為粗糙的預(yù)測結(jié)果。FCN-16s結(jié)構(gòu)綜合利用了pool4池化層和pool5池化層輸出的特征圖，先將第五級(jí)特征圖進(jìn)行2倍反卷積生成的特征圖與第四級(jí)特征圖疊加后，再進(jìn)行16倍反卷積輸出；相比FCN-32s輸出，精度提高了一倍。FCN-8s進(jìn)一步結(jié)合pool3池化層、pool4池化層和pool5池化層輸出的特征圖進(jìn)行特征圖疊加，再經(jīng)8倍反卷積輸出，精度比FCN-16s的提升了一倍。

圖6 FCN跳躍結(jié)構(gòu)Fig.6 Skipping Net of FCN

本文采用精度最高的FCN-8s結(jié)構(gòu)來實(shí)現(xiàn)專用車道線的精準(zhǔn)分割。FCN網(wǎng)絡(luò)的訓(xùn)練需要采集涵蓋多種天氣光線條件下的智軌電車前視圖像數(shù)據(jù)，以保證算法的泛化性能。智軌電車前視圖像經(jīng)過篩選與整理，去除了不符合條件的圖像數(shù)據(jù)，對(duì)剩余的圖像數(shù)據(jù)進(jìn)行手工標(biāo)定，制作成虛擬軌道識(shí)別訓(xùn)練集。使用訓(xùn)練集對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到用于識(shí)別車道線的FCN網(wǎng)絡(luò)模型。在推理階段，將FCN網(wǎng)絡(luò)模型轉(zhuǎn)化成TensorRT模型，進(jìn)行FP16精度量化，以實(shí)現(xiàn)基于車載平臺(tái)的實(shí)時(shí)推斷部署。

2.2 數(shù)字虛擬軌道生成算法

車道線分割圖像進(jìn)行俯視變換后，受噪點(diǎn)和分割誤差的影響，分割出的車道線不能準(zhǔn)確地表征真實(shí)車道線的實(shí)際位置。為此，本文提取出車道線分割圖像俯視圖中的車道線坐標(biāo)點(diǎn)，基于最小二乘法對(duì)車道線點(diǎn)集進(jìn)行3次曲線擬合，然后再基于得到的3次曲線數(shù)字虛擬軌道方程來計(jì)算路徑偏差。

圖7描述了列車與專用車道線中心線的幾何關(guān)系和攝像頭視野圖像平面。通過圖像處理、特征提取及曲線擬合等方法，可得到基于車輛局部坐標(biāo)系xoy的數(shù)字虛擬軌道，其計(jì)算方程為

式中：x——車輛縱向位置，向前為正；y——車輛橫向位置，向左為正；A0~A3——曲線擬合系數(shù)，它們具有完備的物理意義，其中A0表示當(dāng)前車輛第一軸中心與數(shù)字虛擬軌道的距離偏差，A1表示當(dāng)前車輛航向與數(shù)字虛擬軌道切線方向的偏差斜率，A2表示曲率，A3表示曲率的變化率。

圖7示出車-路幾何關(guān)系和視野圖像平面示意。其中，ld為車輛前視預(yù)瞄距離；φh(t)為車輛初始航向與虛擬軌道中心線切線方向的夾角，本研究中假設(shè)φh(t)為較小值；l為預(yù)瞄距離；y(l)為列車在l處的距離偏差，其包含yv(l)和yc(l)兩部分，前者由前輪轉(zhuǎn)角和車輛距車道線的側(cè)向距離偏差引起，后者由道路曲率變化引起，見式（4）。

3 帶延時(shí)的循跡控制方法

頭軸方向盤輸入與車軸輸出之間一般存在200 ~500 ms的延時(shí)。在高速情況下，如果不考慮延時(shí)的影響，可能會(huì)導(dǎo)致車輛存在較大的橫向偏差，甚至蛇形擺動(dòng)或失去控制。由于減小或消除車輛機(jī)械硬件方面的延時(shí)普遍存在困難，因此本文采用考慮時(shí)間延時(shí)、動(dòng)態(tài)預(yù)測的PID控制方法，通過預(yù)測車輛在延時(shí)后的位置和航向，使得循跡控制既能保證列車?？空镜木珳?zhǔn)性，又可保證高速行駛時(shí)的穩(wěn)定性。圖8示出系統(tǒng)控制原理。

一般而言，PID控制用于計(jì)算相對(duì)于當(dāng)前狀態(tài)的誤差，但控制指令在車輛未來的狀態(tài)執(zhí)行；如果根據(jù)未來的誤差計(jì)算當(dāng)前控制指令，就必須引入車輛模型。因此，文中也介紹了一種顯式地考慮時(shí)延的MPC控制方法，即利用車輛模型從當(dāng)前狀態(tài)預(yù)測延時(shí)后的車輛狀態(tài)并以此作為MPC新的當(dāng)前狀態(tài)。

3.1 車輛運(yùn)動(dòng)學(xué)模型

智軌電車采用簡化的自行車運(yùn)動(dòng)學(xué)模型作為其運(yùn)動(dòng)學(xué)模型，且不考慮輪胎因受力而引起的側(cè)偏[16]，見圖9。其中，lF和lR分別為車輛重心至前軸、后軸的距離；V為車速；β為車輛質(zhì)心側(cè)偏角；ψ為車輛航向角；R為質(zhì)心處轉(zhuǎn)彎半徑；δF為前輪轉(zhuǎn)向角；δR為后輪轉(zhuǎn)向角，其作為輸入?yún)?shù)，由多軸液壓轉(zhuǎn)向控制系統(tǒng)計(jì)算得出。

圖9 車輛運(yùn)動(dòng)學(xué)模型Fig.9 Vehicle kinematics model

如圖9所示，在固定坐標(biāo)系XO’Y下，根據(jù)正弦定理，由ΔOCA得

再結(jié)合航向角公式：

3.2 延時(shí)預(yù)測模型

執(zhí)行器的動(dòng)態(tài)特性是導(dǎo)致延時(shí)的一個(gè)重要因素。例如，從給方向盤發(fā)送期望指令到車輪產(chǎn)生實(shí)際轉(zhuǎn)向角之間的時(shí)間間隔，其可較易被建模并被納入到車輛模型中。圖10示出延時(shí)預(yù)測模型，其假定車輛在延時(shí)時(shí)間內(nèi)恒速移動(dòng)且車輪角度不變，M(0, 0)為車輛當(dāng)前位置，N(xn,yn)為其延時(shí)T時(shí)間后的預(yù)測位置。

圖10 延時(shí)預(yù)測模型Fig.10 Time delay prediction model

經(jīng)過延時(shí)T時(shí)間后，車輛運(yùn)動(dòng)的位移為

式中：RF——前軸中心轉(zhuǎn)彎半徑，且。

根據(jù)圖10中ΔMO′N的幾何關(guān)系：

由此獲得相對(duì)于點(diǎn)M的點(diǎn)N的坐標(biāo)為N(xn,yn)（即相對(duì)于車輛當(dāng)前位置延時(shí)T時(shí)間后的坐標(biāo)）：

在車輛局部坐標(biāo)系xMy下，M(0, 0)點(diǎn)車道線方程系數(shù)分別為A0，A1，A2和A3；延時(shí)T時(shí)間后，N(xn,yn)點(diǎn)相應(yīng)的車道線方程系數(shù)變?yōu)锳0′，A1′，A2和A3。

一般情況下，執(zhí)行系統(tǒng)延時(shí)時(shí)間對(duì)高速行駛車輛影響較大，對(duì)低速行駛車輛的影響較小，且車輛高速行駛往往是在直線或大半徑轉(zhuǎn)彎的路徑上。因此，假設(shè)在延時(shí)時(shí)間T內(nèi)，僅僅橫向偏差和斜率發(fā)生變化，而曲率和曲率變化率的變化量均為0。根據(jù)圖10所示，結(jié)合式（8），得到延時(shí)T時(shí)間后A1′的計(jì)算公式：

3.3 預(yù)瞄PID控制算法

駕駛員駕駛智軌電車時(shí)，通常目視前方一定距離的某個(gè)位置（即預(yù)瞄位置）實(shí)時(shí)調(diào)整方向盤操縱車輛。“預(yù)瞄”即模擬這種駕駛行為，通過圖像識(shí)別方法獲取前方某一距離處與軌道中心線的距離偏差、航向角偏差等信息，從而進(jìn)行頭軸期望轉(zhuǎn)向角的計(jì)算。

根據(jù)延時(shí)T時(shí)間后預(yù)測位置的車道線方程系數(shù)A0′，A1′，A2和A3，得到預(yù)瞄距離l處的距離偏差ecte(k)和角度偏差eha(k)：

預(yù)瞄距離可以自適應(yīng)速度的變化，其取值與速度相關(guān)，本文以車輛第一軸中心為原點(diǎn)，沿著車輛軸線方向的直線距離為預(yù)瞄距離（圖7）。如果跟蹤路徑曲率較大，預(yù)瞄距離可采用弧長距離ld計(jì)算。

對(duì)距離偏差和角度偏差分別進(jìn)行PID反饋控制，得到

式中：ucte(k)為預(yù)瞄點(diǎn)處距離偏差PID控制的控制量；uha(k)為預(yù)瞄點(diǎn)處角度偏差PID控制的控制量；KP,cte，KI,cte和KD,cte分別為距離偏差PID控制的比例、積分和微分系數(shù)；KP,ha，KI,ha和KD,ha分別為角度偏差PID控制的比例、積分和微分系數(shù)。

最終得到前輪轉(zhuǎn)向角的控制量為

3.4 MPC控制

首先采用式（8）所示的車輛運(yùn)動(dòng)學(xué)模型作為預(yù)測模型?？刂葡到y(tǒng)的輸入變量和狀態(tài)變量分別用u(δF)和χ(X,Y,ψ)表示，且其通用形式可表達(dá)為

對(duì)于參考軌跡，使用下標(biāo)“r”表示參考量，將其形式轉(zhuǎn)換為

將式（19） 在參考軌跡點(diǎn)采用泰勒級(jí)數(shù)進(jìn)行展開，并用式（20）減去展開的式（19），可以得到車輛線性誤差模型；再通過離散化，得到

延時(shí)預(yù)測處理：在每個(gè)時(shí)間步長t的基礎(chǔ)上，通過延遲預(yù)測，得到新的t時(shí)刻的狀態(tài)：

以上控制器狀態(tài)變量是基于世界參考系，但是視覺循跡控制必須基于車身與車道線的相對(duì)位置偏差，因此需要將參考路徑世界坐標(biāo)點(diǎn)轉(zhuǎn)換到以車輛為中心的參考系中。

為了確保智軌電車快速平穩(wěn)地跟隨虛擬軌道，在目標(biāo)函數(shù)中考慮了狀態(tài)偏差和控制增量的優(yōu)化目標(biāo)函數(shù)，具體如下：

其中：Q和G為權(quán)重矩陣；Np為預(yù)測時(shí)間域；Nc為控制時(shí)間域；為轉(zhuǎn)換后的ctet和eψt狀態(tài)變量；為控制變量的約束，反映了跟隨目標(biāo)軌跡的能力，=0。

經(jīng)過一系列轉(zhuǎn)換后，可以獲得系統(tǒng)預(yù)測輸出的表達(dá)式：

將式（24）代入式（23），轉(zhuǎn)化目標(biāo)函數(shù)為最優(yōu)問題的標(biāo)準(zhǔn)二次型，并結(jié)合約束條件，求解二次規(guī)劃問題[17]。

在解決每個(gè)控制周期后，可以獲得有關(guān)時(shí)域的一系列控制輸入增量：

在車輛轉(zhuǎn)向系統(tǒng)上執(zhí)行以上控制序列中的第一個(gè)元素，見式（26）；在隨后的控制循環(huán)中重復(fù)該過程。

4 仿真分析與實(shí)車驗(yàn)證

4.1 仿真分析

在Trucksim軟件中建立智軌電車動(dòng)力學(xué)模型，在Matlab/Simulink中建立控制模型，通過聯(lián)合仿真（圖11），驗(yàn)證本文所提控制方法的有效性。仿真時(shí)，車速被設(shè)置為15 km/h。表1示出智軌電車動(dòng)力學(xué)模型中基本尺寸參數(shù)。

圖11 Trucksim與Matlab/Siumlink聯(lián)合仿真模型Fig.11 Joint simulation model with Trucksim and Matlab/Siumlink

表1 基本尺寸參數(shù)Tab.1 Basic dimension parameters

利用正弦曲線仿真工況來驗(yàn)證PID控制方法的有效性（圖12），可以看出，所設(shè)計(jì)的控制器可以較好地跟蹤虛擬軌道。

圖12 自動(dòng)循跡PID控制仿真效果Fig.12 Simulation results of automatic tracking PID control

利用圓周曲線仿真工況來驗(yàn)證3 m/s和5 m/s 車速下MPC控制方法的有效性（圖13）?？梢钥闯觯O(shè)計(jì)的控制器可以穩(wěn)定地追蹤到虛擬軌道。

圖13 自動(dòng)循跡MPC控制仿真效果Fig.13 Simulation results of automatic tracking MPC control

4.2 實(shí)車驗(yàn)證

對(duì)自動(dòng)循跡PID控制策略進(jìn)行低速進(jìn)站和高速行駛穩(wěn)定性實(shí)車驗(yàn)證試驗(yàn)。

4.2.1 車道線識(shí)別測試

首先通過實(shí)車靜態(tài)測量車道線識(shí)別誤差，結(jié)果顯示其識(shí)別精度在±5 cm內(nèi)；然后分別實(shí)車動(dòng)態(tài)測試白天和夜間的車道線識(shí)別效果，如圖14所示?？梢钥闯觯R(shí)別的結(jié)果與真實(shí)車道線吻合得較好，且追蹤穩(wěn)定。

圖14 車道線識(shí)別效果Fig.14 Testing results of lane line identi fi cation

4.2.2 精準(zhǔn)停站測試

精準(zhǔn)停站測試時(shí)，在進(jìn)站前50 m處車輛被降速至15 km/h并保持；待進(jìn)入站區(qū)后，繼續(xù)減速，到停止線時(shí)，車速降為0。精準(zhǔn)停站測試結(jié)果（圖15和圖16）顯示，頭車與站臺(tái)間隙保持在10 cm左右，較好地滿足了乘客上下車的舒適性需求；但由于列車車身較長且進(jìn)站時(shí)車身鉸接處存在微小的角度，使得前后間隙并不完全一致。

圖16 精準(zhǔn)停站離站臺(tái)間隙測量數(shù)據(jù)Fig.16 Measurement data of clearance between precise docking and off-site

4.2.3 高速循跡測試

高速循跡測試時(shí)分別采用考慮延時(shí)和未考慮延時(shí)的控制方法，將列車由靜止?fàn)顟B(tài)直線提速到50 km/h并保持一定時(shí)間，然后減速停車。圖17示出這兩種控制方法下自動(dòng)循跡時(shí)列車橫向偏差的對(duì)比。可以看出，在同等車速條件下，采用考慮延時(shí)的控制方法時(shí)，列車橫向偏差較小且保持穩(wěn)定；而采用未考慮延時(shí)的控制方法時(shí)，列車會(huì)蛇形擺動(dòng)。

圖17 兩種控制方法自動(dòng)循跡時(shí)列車橫向偏差對(duì)比Fig.17 Two automatic steering control methods comparison in lateral deviation

5 結(jié)語

本文詳細(xì)介紹了智軌電車自動(dòng)循跡感知子系統(tǒng)和控制子系統(tǒng)，提出了一種基于深度學(xué)習(xí)的專用車道線識(shí)別與數(shù)字虛擬軌道生成方法，通過實(shí)車動(dòng)態(tài)測試白天和夜間的識(shí)別效果，結(jié)果顯示與真實(shí)車道線吻合得較好。此外，文中還分別提出了考慮智軌電車非線性、大延時(shí)特點(diǎn)的PID控制和MPC控制方法，仿真結(jié)果證實(shí)其跟蹤數(shù)字軌道效果較好。最后，對(duì)所提出的PID控制方法進(jìn)行了實(shí)車驗(yàn)證，結(jié)果表明：在同樣車速條件下，本文所提出的方法使得列車在精準(zhǔn)停站時(shí)，頭車離站臺(tái)間隙控制在10 cm內(nèi)，高速循跡時(shí)橫向偏差保持在±15 cm內(nèi)，控制效果較好。

下一步將對(duì)MPC控制方法進(jìn)行實(shí)車驗(yàn)證，測試其低速和高速的控制效果。未來還將進(jìn)一步深入研究虛擬道岔、自動(dòng)循跡停車入庫等技術(shù)。