吳 晨

（陜西工業(yè)職業(yè)技術(shù)學(xué)院 汽車工程學(xué)院，陜西 咸陽 712000）

汽車產(chǎn)業(yè)的不斷發(fā)展對交通、環(huán)境和能源都造成了很大的壓力，而智能汽車作為未來汽車的發(fā)展方向，能很大程度地緩解這些問題。因此，近年來智能汽車逐漸受到各國政府、研究學(xué)者及企業(yè)的廣泛關(guān)注，智能汽車的最終目標(biāo)是實現(xiàn)自主駕駛，即汽車可以不需要駕駛員的操縱和監(jiān)測，僅通過傳感器、控制單元和其他技術(shù)與設(shè)備就能實時監(jiān)測車輛狀態(tài)并控制車輛安全行駛。橫向控制作為智能汽車研究領(lǐng)域中的重點和難點技術(shù)之一，主要是路徑的跟隨控制，控制車輛能根據(jù)規(guī)劃出的最優(yōu)路徑進(jìn)行行駛，保證乘車的安全性和舒適性。

1 智能汽車動力學(xué)模型

智能汽車橫向控制中許多控制理論的應(yīng)用依賴于車輛動力學(xué)模型。車輛的動力學(xué)模型包括懸架特性模型和車輛-輪胎模型。懸架特性模型一般用來研究車輛的平順性問題，車輛-輪胎模型一般用來研究車輛的穩(wěn)定性問題，本文主要研究車輛在平坦道路上的橫向控制，也就是研究車輛是否能穩(wěn)定、快速地跟隨期望路徑行駛，所以忽略懸架特性模型，僅研究車輛-輪胎模型。雖然系統(tǒng)模型較復(fù)雜時，可更準(zhǔn)確地描述車輛特性，路徑跟蹤也更為精確，但同時會帶來計算量大、參數(shù)調(diào)整復(fù)雜等問題。所以通常在智能汽車橫向控制的研究中，會對車輛模型進(jìn)行簡化，以便更好地分析。

1.1 2自由度模型

2自由度模型是智能汽車橫向控制中應(yīng)用最多的模型，研究表明，當(dāng)車輛側(cè)向加速度小于0.2g時，結(jié)合線性輪胎模型，即可很好地表現(xiàn)車輛的動力學(xué)響應(yīng)。

隋官昇等[1]針對汽車低速行駛軌跡，假設(shè)車身的縱向速度不變，將車輛模型簡化為縱向運(yùn)動和橫擺運(yùn)動，建立車輛的二自由度動力學(xué)模型。

1.2 3自由度模型

3自由度模型將車輛當(dāng)作一個線性的動力學(xué)系統(tǒng)，包括車輛的側(cè)向運(yùn)動、橫擺運(yùn)動和側(cè)傾運(yùn)動，可研究車輛合理的側(cè)傾運(yùn)動。

柴瑞強(qiáng)等[2]針對彎道時車輛進(jìn)行軌跡跟蹤的精度較差，且容易發(fā)生側(cè)滑的現(xiàn)象，建立了3自由度車輛動力學(xué)模型，結(jié)合準(zhǔn)線性輪胎模型，利用控制算法跟蹤軌跡，保證車輛彎道行駛時軌跡跟蹤的高精度和穩(wěn)定性。

1.3 7自由度模型

7自由度模型包括車輛的縱向運(yùn)動、側(cè)向運(yùn)動、橫擺運(yùn)動以及四個車輪的轉(zhuǎn)動，結(jié)合輪胎模型，可在確保車輛行駛穩(wěn)定性的前提下，實現(xiàn)車輛的橫向控制。

滿金[3]建立了車輛的7自由度模型，并使用魔術(shù)公式描述了輪胎模型，保證了車輛對路徑跟蹤實時性和穩(wěn)定性的要求。

2 常見的橫向控制方法

2.1 PID控制

比例-積分-微分（Proportion Integration Diffe- rentiation, PID）控制是應(yīng)用最廣泛的一種經(jīng)典控制方法，為單輸入單輸出的控制方法，通過將車輛的預(yù)期狀態(tài)與實際狀態(tài)之間的偏差按照比例、積分和微分的關(guān)系進(jìn)行控制，實現(xiàn)車輛的橫向控制，如圖1所示。PID控制結(jié)構(gòu)簡單、穩(wěn)定性好、可靠性高，但控制效果取決于控制參數(shù)是否合適，較難應(yīng)用于多變量和時變系統(tǒng)。

圖1 PID控制原理

NETTO等[4]針對大曲率路徑跟蹤問題，基于最優(yōu)路徑檢測數(shù)據(jù)，提出了一種PID控制策略。

HAYAKAWA等[5]設(shè)計了基于PID控制的前饋控制器和反饋控制器，能夠在汽車速度發(fā)生變化時控制車輛穩(wěn)定的轉(zhuǎn)向。

后來隨著控制理論的進(jìn)一步發(fā)展，PID控制法逐漸結(jié)合其他控制方法，針對具有不確定性、非線性和外界干擾的系統(tǒng)進(jìn)行控制器設(shè)計。

韓愛國等[6]綜合考慮橫擺角速度和單點預(yù)瞄模型本身誤差建立駕駛員模型，采用滑?？刂七M(jìn)行路徑跟蹤，同時使用PID控制消除單點預(yù)瞄模型產(chǎn)生的誤差。

2.2 純追蹤控制

純追蹤控制（Pure Pursuit, PP）基于幾何原理進(jìn)行計算，可用來計算車輛從當(dāng)前位置到預(yù)期位置之間走過的弧形軌跡，這種方法不需要建立車輛的動力學(xué)模型，結(jié)構(gòu)簡單，直觀。但需要確定合適的預(yù)瞄距離，才能達(dá)到較好的路徑跟蹤精度。

呂文杰等[7]針對前視距離隨車輛狀態(tài)發(fā)生變化，將純追蹤控制與模糊控制器結(jié)合，通過模糊控制確定前視距離，并能根據(jù)工況實時調(diào)整，仿真結(jié)果表明，路徑跟蹤精度明顯提高。

張?zhí)K才等[8]針對變速和復(fù)雜曲率的路徑，結(jié)合純追蹤控制和模型預(yù)測控制設(shè)計橫向運(yùn)動控制器，當(dāng)車輛縱向車速較低時，使用純追蹤控制，當(dāng)車輛縱向車速較高時，采用模型預(yù)測控制。

2.3 最優(yōu)控制

最優(yōu)控制方法是基于現(xiàn)代控制理論的控制方法，對橫向位置、轉(zhuǎn)向速度等控制參數(shù)分配不同權(quán)重，對作為控制量的車輪轉(zhuǎn)角序列進(jìn)行調(diào)整得到性能指標(biāo)泛函最小值。由于控制器計算量大，主要針對線性定常系統(tǒng)，由于車輛具有非線性特點，所以最優(yōu)控制在車輛橫向控制中具有一定的局限性。

馬瑩等[9]將有限時間內(nèi)的當(dāng)前位置與預(yù)瞄點位置誤差、當(dāng)前角度與預(yù)瞄點角度的誤差作為控制變量，構(gòu)建車輛橫向控制模型，仿真及實車結(jié)果驗證控制器誤差小。

郭景華等[10]針對預(yù)瞄距離不同對橫向控制的影響，基于最優(yōu)控制理論設(shè)計了橫向路徑跟蹤控制系統(tǒng)，主要包括反饋控制和前饋控制，其中前饋控制用來補(bǔ)償路徑曲率干擾。

2.4 滑模控制

滑?？刂葡到y(tǒng)通過設(shè)計控制律，使系統(tǒng)的運(yùn)動軌跡按預(yù)定的滑模軌跡改變，其控制參數(shù)少，響應(yīng)快，不受外界擾動干擾。

姜立標(biāo)等[11]設(shè)計了新的趨近律，建立基于反步控制的滑模控制模型，系統(tǒng)穩(wěn)定性好。

徐明法[12]提出了如何對車輪滑移率進(jìn)行合理分配，基于滑?？刂圃O(shè)計了車輛橫向控制器。

2.5 模型預(yù)測控制

模型預(yù)測控制（Model Predictive Control, MPC）也可叫做滾動時域最優(yōu)控制，針對非線性動力學(xué)模型可預(yù)測未來某段時間內(nèi)車輛的輸出，通過解決帶約束下的最優(yōu)控制問題使車輛按照理想路徑行駛。根據(jù)汽車行駛速度和方向盤轉(zhuǎn)角等車輛信息預(yù)測橫擺角速度，由此計算對應(yīng)的制動力大小和橫擺力矩，從而提高車輛的行駛穩(wěn)定性。該控制魯棒性強(qiáng)，穩(wěn)定性好。但由于非線性系統(tǒng)的計算量較大，MPC需要在控制周期內(nèi)完成大量計算。因此，車輛橫向控制中，車輛需要進(jìn)行線性化后采用模型預(yù)測控制。

江浩斌等[13]針對智能汽車在復(fù)雜路面條件下的自適應(yīng)性，基于模型預(yù)測控制理論，利用遺傳算法優(yōu)化最優(yōu)時域參數(shù)，引入縱向車速和道路曲率，設(shè)計了汽車路徑跟蹤控制器，經(jīng)仿真驗證，提高了路徑跟蹤的魯棒性。

楊陽陽等[14]針對存在較大初始偏差的情況，將模型預(yù)測控制和純追蹤控制混合設(shè)計橫向控制器，當(dāng)橫向偏差較大時，運(yùn)用純追蹤控制法控制車輛，當(dāng)橫向偏差較小且滿足算法約束時，則切換至模型預(yù)測控制，經(jīng)仿真及實車驗證，設(shè)計的橫向控制器魯棒性及跟蹤精度均較高。

2.6 自適應(yīng)控制

自適應(yīng)控制可用來控制不完全確定性的系統(tǒng)，當(dāng)有外部干擾及本身參數(shù)不停發(fā)生變化時，可采用自適應(yīng)控制，通過不斷檢測車輛工作狀態(tài)、優(yōu)化控制準(zhǔn)則，可不斷對系統(tǒng)參數(shù)進(jìn)行調(diào)整，達(dá)到最佳控制效果，通常也與其他控制方法一起使用。

ZHENHAI G等[15]使用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)表示和優(yōu)化控制參數(shù)，設(shè)計自適應(yīng)PID控制器，使用誤差反饋調(diào)整PID參數(shù)。

吳永剛[16]針對不同工況下智能汽車的適應(yīng)性不足的問題，將自適應(yīng)控制與模型預(yù)測控制相結(jié)合，分析時域與約束等參數(shù)對控制器的影響，對模型預(yù)測控制器的參數(shù)進(jìn)行自適應(yīng)優(yōu)化，實現(xiàn)參數(shù)自適應(yīng)，改善車輛路徑跟蹤精度，仿真結(jié)果表明，所涉及的橫向控制器跟蹤精度和穩(wěn)定性都較高。

2.7 模糊控制

模糊控制基于模糊數(shù)學(xué)，包括模糊化、知識庫、模糊推理和解模糊，無需精確的數(shù)學(xué)模型，利用模糊集合和模糊變量模擬人類思維，只要建立正確的模糊規(guī)則，就能達(dá)到較好的控制效果，如圖2所示。由于車輛橫向控制具有非線性的特點，且模型復(fù)雜，所以比較適宜采用模糊控制。但由于模糊控制中規(guī)則參數(shù)需要人為確定，易造成穩(wěn)態(tài)誤差。

圖2 模糊控制結(jié)構(gòu)

李琳輝等[17]建立基于視覺預(yù)瞄距離的車輛橫向控制模型，將模糊和滑模相結(jié)合，以車輛當(dāng)前橫向偏差和方位偏差組成的綜合偏差為參數(shù)設(shè)計滑模面，利用模糊規(guī)則調(diào)整變量大小保證車輛轉(zhuǎn)向的穩(wěn)定性，仿真結(jié)果表明，該橫向控制器保證車輛跟蹤路徑的精確性和穩(wěn)定性。

刁勤晴等[18]針對大曲率路徑轉(zhuǎn)向機(jī)構(gòu)過早轉(zhuǎn)向及駛?cè)胲囁龠^高，提出了雙預(yù)瞄點的策略，并設(shè)計了模糊控制器，經(jīng)仿真驗證后，此橫向控制器在大曲率路徑跟蹤時的控制精度高。

3 總結(jié)和展望

智能汽車正在逐漸走進(jìn)人們的視野，作為智能汽車的核心技術(shù)，橫向控制是決定整車性能的關(guān)鍵。車輛橫向控制經(jīng)過多年發(fā)展，已經(jīng)較為成熟，其關(guān)鍵問題在于考慮極端路況時保證車輛橫向控制的魯棒性與平順性。未來智能汽車的橫向控制將要求在雨雪天氣、積水等復(fù)雜路況下保證控制算法具有強(qiáng)魯棒性，同時實際駕駛過程中，車輛作為一個整體，橫向和縱向的力學(xué)影響是相互耦合的，因此，想要進(jìn)行高精度的車輛控制，必須考慮進(jìn)行車輛橫縱向的耦合控制，另外，隨著車聯(lián)網(wǎng)技術(shù)的發(fā)展，依靠車用無線通信技術(shù)（Vehicle to Everything, V2X）可以獲取車路人的信息，完成車輛高精度的橫向控制，也將是未來的一個研究方向。