引用本文
李润梅, 张立威, 王剑. 基于时变间距和相对角度的无人车跟随控制方法研究. 自动化学报, 2018, 44(11): 2031-2040. doi: 10.16383/j.aas.2018.c170106
LI Run-Mei, ZHANG Li-Wei, WANG Jian. A Control Method of Unmanned Car Following Under Time-varying Relative Distance and Angle. ACTA AUTOMATICA SINICA, 2018, 44(11): 2031-2040. doi: 10.16383/j.aas.2018.c170106
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170106
关键词
无人车跟随控制,领航跟随模式,时变相对距离,时变相对角度,反馈控制法
摘要
本文考虑实际道路上的车辆跟随运行模式,研究了无人车以时变的相对距离和相对角度跟随行驶的控制问题.本文首先采用领航跟随模式建立了领航车与跟随车之间的误差模型,将无人车之间的相对距离和相对角度作为时变量输入.接着使用反馈控制法设计了跟随车速度控制器和角速度控制器.用李雅普诺夫方法证明了控制器的稳定性,用Barbalat引理从理论上证明了跟踪误差渐近收敛.最后用Matlab/Simulink对无人车的跟随控制进行仿真,仿真结果表明在无人车之间的相对距离和相对角度是时变量的条件下,跟随车可以很好地沿着领航车的前进轨迹跟随行驶.
文章导读
近些年来, 车路协同系统(Cooperative vehicle infrastructure system, CVIS)的相关技术发展迅速.车辆之间可以互相感知和通信, 且车辆和道路以及道路和两旁设施之间也能够互相感知和通信[1].在CVIS下, 结合无人驾驶技术必将推动无人车的快速发展和传统交通流的变革.目前, 国内外的自动驾驶技术已经相当成熟, 谷歌无人车项目是这些成功案例之一, 谷歌无人驾驶汽车(Google driverless car)是谷歌公司的Google X实验室研发的全自动驾驶汽车, 不需要驾驶者就能启动、行驶以及停止[2].谷歌的工程人员使用7辆试验车, 其中6辆是丰田普锐斯, 一辆是奥迪TT, 在加州几条道路上进行测试.测试结果表明, 这些车比有人驾驶的车更安全, 因为它们能更迅速、更有效地做出反应.在这些背景下, 无人车编队控制成为了该领域的研究焦点之一.车辆编队行驶能够提高道路交通的容量和安全性, 其中车辆跟随控制是编队行驶的关键问题, 车辆跟随控制包含横向控制、纵向控制以及横纵向综合控制.
在车辆的横向控制研究中, 一个广泛关注的问题是转向控制的精确性[3-5].王家恩等提出了一种跟踪期望横摆角速度的车辆横向控制方法, 基于7个自由度的车辆动力学模型, 设计滑模控制器跟踪期望横摆角速度, 使得车辆稳定地跟踪目标路径[3].刘伟等简化了汽车运动学模型, 设计滑模控制器对无人车的横向运动进行控制, 实现了无人车的路径跟踪[4].田涛涛等提出了一种无模型自适应控制方法控制无人驾驶汽车的横向运动, 获得了很好的效果, 并且实际应用于清华大学无人驾驶汽车实验平台, 在横向控制方面做出了很大的突破[5].王家恩等[3]、刘伟等[4]和田涛涛等[5]都考虑了车辆的横向控制, 可以看出无人车横向控制的研究已经很成熟.
在车辆纵向控制中, 主要是车辆速度和间距的控制. Nouveliere等使用一个二阶滑模技术去控制实验车辆的纵向行驶, 考虑了车辆之间的距离和车辆的速度有关, 使用Matlab仿真软件和一个配有传感器和执行机构的车辆原型进行仿真验证, 可以很好地实现车辆行驶和停止、避障停车以及多车跟随[6]. Li等使用了反馈控制算法实现了两轮驱动型无人车的纵向跟随行驶, 两无人车之间的间距设置为一个固定值, 两无人车之间的相对角度也是恒定的[7]. Peters等考虑了跟随车的行驶不仅和其前面一辆车有关, 还与第一辆车有关.实现了具有恒定间隔策略的循环纵向队列保持稳定行驶.
在实际道路中车辆是沿着任意轨迹前进行驶的, 道路条件复杂, 比如笔直的道路, 弯曲的道路以及颠簸的道路等, 所以考虑车辆的横纵向综合编队行驶更具有实际意义[8].
领航跟随模式对于解决车辆横纵向综合编队行驶是一种简单且有效的建模方法.其原理是将车队中的某一辆车作为领航车, 其他车都作为跟随车, 然后设计跟随车的控制器去实现跟随车跟随领航车的速度和方向.这个模式的核心思想是在车辆行驶过程中, 将编队问题转化为跟随车和领航车保持一个特定的相对距离和角度行驶的问题.所以, 跟随车的速度和方向控制是这个模式的关键所在.领航跟随模式由Wang首次提出, 他使用导航策略对编队中自治移动的机器人进行控制[9].随后, 这个方法被应用到了车辆编队领域. No等使用领航跟随模式结合李雅普诺夫函数实现了车辆的纵向行驶, 具体是用李雅普诺夫稳定性理论去推导出一个控制律, 用它去控制两车之间的距离, 最后仿真了4辆车的列队行驶[10].任殿波等在假定车队中的每个被控车辆能够接收到领航车以及该车前面一个车辆的位移、速度和加速度信息的情况下, 应用滑模变结构控制方法得到了关于车辆间距误差的车辆纵向跟随系统数学模型.然后利用非线性关联大系统的稳定性判定条件来设计控制参数, 保证了车辆纵向跟随控制系统的稳定性[11].任殿波等在之前研究的基础上, 基于非线性车辆纵向动力学模型, 采用固定车辆间距跟随策略, 设计了车辆跟随系统的纵向滑模控制律; 应用向量Lyapunov函数方法和比较原理, 对一类无限维非线性关联系统的稳定性进行研究.仿真结果表明设计的车辆纵向跟随控制律能使车辆速度误差和间距误差具有较快的收敛速度[12]. Xuan和Lu在系统中每个元素只能获得相对局部信息的条件下提出了一个车辆跟随控制方法.并且为了增加车辆跟随系统的可扩展性, 在提出的控制方法上添加了速度约束.他们在微型交通环境下建立了一个包含5辆微型智能车的车辆跟随系统去验证他们提出的控制方法[13].但No等[10]、任殿波等[11-12]和Xuan等[13]的研究都是以两车之间的相对距离和相对角度是常量为前提的.但在实际行驶过程中, 无人车之间的相对距离和角度不是固定的常数.
以往研究者是在两车之间期望相对距离或角度是常数的基础上建立误差模型, 而本文建立的模型是基于时变的两车期望相对距离和时变的期望相对角度建立.将时变的期望相对距离和角度作为输入, 给定领航车的前进轨迹, 让领航车做变加速行驶, 设计控制系统, 输出跟随车的前进速度和横摆角速度, 控制系统的作用是在无人车之间保持期望的相对距离和角度的前提下, 跟随车的速度和角速度可以很好地跟踪领航车的速度和角速度, 而且跟踪误差能够很快地渐近收敛到0.
本文的主要贡献总结如下:结合车辆的实际行驶情况, 将无人车之间的期望相对距离和角度作为时变量输入, 建立无人车的领航跟随误差模型.基于建立的误差模型, 使用反馈控制法结合李雅普诺夫第二法设计出跟随车的速度控制器和角速度控制器.最后, 用Matlab对跟随车的跟随效果进行仿真验证.
本文的结构如下:第一部分建立了无人车的领航跟随误差模型; 第二部分介绍了怎样得到时变的期望相对距离和角度; 第三部分用反馈控制法和李雅普诺夫第二法设计了两个速度控制器, 并且使用李雅普诺夫函数和Barbalat引理从理论上验证了控制器的稳定性和跟踪误差的渐近收敛性; 第四部分展现了仿真背景, 仿真设计和仿真结果分析; 第五部分是总结.
图 1 无人车领航跟随结构
图 2 时变期望相对角度简化示意图
图 3 无人车跟随控制系统
本文在建立无人车误差模型时, 将无人车之间的期望相对距离和角度作为时变量输入, 提出基于时变量的无人车跟随行驶方法.首先采用领航跟随模式建立了领航车与跟随车之间的误差模型, 接着将无人车之间的期望相对距离期望相对角度设为时变量, 使用反馈控制法和李雅普诺夫第二法设计跟随车速度控制器和角速度控制器, 用Barbalat引理从理论上证明了跟踪误差渐近收敛.使用Matlab仿真软件对两无人车的跟随行驶进行仿真, 仿真结果表明了跟随车可以很好地沿着领航车的前进轨迹跟随行驶.在后续的研究中, 将考虑使用滤波方法或者加入抗干扰的控制算法对领航车车速传感器检测的速度中带有的噪声进行处理.
作者简介
张立威
北京交通大学研究生.2011年于北京石油化工学院获得学士学位.主要研究方向为无人车编队系统控制和优化.E-mail:15120226@bjtu.edu.cn
王剑
北京交通大学教授.2007年于北京交通大学获得博士学位.主要研究方向为列车运行控制及卫星导航在铁路领域的理论研究、技术创新.E-mail:jwang@bjtu.edu.cn
李润梅
北京交通大学副教授.2005年于中国科学院自动化研究所获得博士学位.主要研究方向为智能车路协同系统, 无人车控制关键技术研究, 交通大数据处理与预测.本文通信作者.E-mail:rmli@bjtu.edu.cn
转载本文请联系原作者获取授权,同时请注明本文来自欧彦科学网博客。
链接地址:https://wap.sciencenet.cn/blog-3291369-1404890.html?mobile=1
收藏