路徑跟蹤
關注創建者：匿名 創建時間：2021-09-02
路徑跟蹤的視頻教程
路徑跟蹤的實例教程
AGV的縱向運動控制可以描述為跟蹤目標縱向速度1。AGV的側向運動控制可以描述為路徑跟蹤控制，其目的是使AGV自動跟蹤目標路徑2。
AGV的路徑跟蹤控制問題可定義為最小化側向偏移和航向誤差3。各種控制算法已應用于路徑跟蹤控制，包括滑模控制（SMC）4-6、最優控制7,8、模糊控制9,10、模型預測控制（MPC）11-13、魯棒控制14–16和智能控制17,18。然而，大多數路徑跟蹤控制算法是為前輪轉向（FWS）的AGV設計的。與前輪轉向的AGV相比，四輪轉向（4WS）的AGV具有更多的運動控制自由度（DoF）。這表明4WS AGV具有更好的路徑跟蹤性能19。
基于逆推方法為4WS AGV設計了一種路徑跟蹤控制器，該控制器能夠很好地跟蹤具有銳邊的軌跡和圓形軌跡20。為了處理系統不確定性，如轉彎功率擾動、路徑半徑波動和側風干擾，基于SMC為4WS車輛設計了自動的路徑跟蹤控制器，這也表明自動4WS控制器比FWS控制器具有更穩定和更精確的路徑跟蹤能力21。采用MPC和前饋控制設計了一種集成路徑跟蹤控制器，可顯著提高車輛穩定性和對期望路徑的跟蹤性能22。盡管MPC路徑跟蹤控制器表現出良好的性能和魯棒性，但它會帶來大量的計算，并且難以在實際中使用普通硬件實現。為了減少車輛參數不確定性的影響，采用μ綜合法為4WS AGV設計了魯棒路徑跟蹤控制器23。為了減少計算量并使控制器更實用，線性二次調節器（LQR）、比例積分微分（PID）和模糊控制廣泛應用于路徑跟蹤控制器的設計24–26。同時，采用遺傳算法對控制器參數進行優化，使控制器更加具有自適應能力27,28。
由以上分析可知，所設計的控制器應具有良好的路徑跟蹤性能和自適應能力。此外，控制器還應具有很強的魯棒性，以應對系統不確定性和外部干擾。
展開 關鍵詞：四輪轉向，直接橫擺力矩控制，路徑跟蹤，魯棒控制
1 引言
近年來，隨著擁堵、事故等各種交通問題的增多，自動駕駛技術成為智能交通系統（ITS）解決上述問題的新興研究熱點。路徑跟蹤是自主地面車輛（AGV）的基本能力和主要任務，因此為了使車輛自動跟蹤目標路徑，需要設計路徑跟蹤控制器，以實現包括橫向位移和橫擺角誤差等的跟蹤誤差最小。
近年來，許多研究人員對AGV的路徑跟蹤控制問題進行了研究。許多控制算法和策略應用于該領域，例如模糊控制[2]、最優控制[3,4]、滑模控制(SMC)[5,6]、魯棒控制[7]、模型預測控制(MPC)[8,9]自適應神經控制[10]、遺傳算法[11]和輸出約束控制[12]。然而，大多數控制技術是針對具有前輪轉向 (FWS) 的傳統內燃機驅動車輛 (ICV)，而本文提出的四輪轉向 (4WS) 車輛比FWS車輛具有更好的機動性、操縱穩定性和路徑跟蹤能力[13]，因此它們更適合用作 AGV。由于4WS車輛的路徑跟蹤問題比FWS車輛更復雜，因此4WS車輛的路徑跟蹤控制策略的研究仍然相對有限[14]。Mashadi等人[15]將線性二次調節器 (LQR) 技術應用于4WS 車輛的路徑跟蹤控制器設計并得出結論，4WS 車輛顯示出AGV車輛的路徑跟蹤控制潛力。上述設計的 LQR 控制器雖然具有良好的路徑跟蹤能力，但僅適用于沒有參數擾動和外部擾動的名義模型[1]。顯然，參數擾動和外部擾動的存在會增加AGV路徑跟蹤控制的難度。
展開 圖3 算法聯合仿真流程圖
將參考軌跡輸入到模型預測算法中，基于車輛狀態構建目標函數，解算目標函數后，由“預測-跟蹤 ”的流程輸出每一步的最優前輪轉角控制量。然后將前輪轉角、y 軸速度和橫擺角速度輸入到權系數LQR算法中得到最優的后輪轉向角，將得到的前、后輪轉角一同輸入到二自由度車輛模型中得到車輛狀態反饋量，從而形成路徑跟蹤閉環控制。
為了驗證算法效果，采用雙移線工況進行路徑跟蹤仿真，路面附著系數μ取 0.8，模型預測的預測周期取 0.05，預測步長取 20，控制步長取 5，松弛因子取 10，權重系數取 1000。
分別在 30km/h 、60km/h 、110km/h 車速下進行仿真，路徑跟蹤效果如圖所示，從圖中可以看出，在 60km/h 以內的路 徑跟蹤效果基本沒有變化，對速度的魯棒性很好，而在高車速 110km/h 工況下，在轉彎處跟蹤路徑出現了些許波動，出現此現象的原因是模型線性化的累積誤差，使預測路徑偏離。綜合三種工況下的仿真結果可以得出此算法的路徑跟蹤效果良好，且對速度有較強的魯棒性。
結合圖 5-7 , 可以看到車輛在不同工況下的動態響應，隨著車速增大，控制增量也在增大，但始終保持在約束范圍內，滿足高速下自動駕駛車輛操縱穩定性的要求。
展開 成本函數
改進的自動駕駛汽車路徑跟蹤控制器應適應準確和安全的路徑跟蹤，同時生成控制動作，提供對人更自然的運動。此處考慮了參數成本函數，并使用基于特征的學習技術來找到產生與人類駕駛員相似特征的參數的最佳值。對于人工演示或控制器生成的每個軌跡，以下特征用于設計參數成本函數。
a）車道中心距離：該特征表示車輛與車道中心的偏差，可以表示為
其中t為時間，χc(t)=[X, Y]是t時刻車輛在道路上的位置，p(t)=[Xref, Yref]是車道中心距離車輛位置最近的道路點，N是軌跡中的樣本數。
b）與路徑的偏離角：車輛橫擺角與路徑角的偏離由該特征表示。
其中，χψ為車輛航向角，pψ為路徑角度。
c）橫向速度：另一個需要與人工演示進行比較的特征是車輛的橫向速度，它表示為
d）偏航率：對于路徑跟蹤任務，偏航率是影響乘客舒適度的重要特征。此特征可以由下式計算得到
e）橫向加速度：對乘客舒適度有顯著影響的最重要特征之一是車輛的橫向加速度。該特征計算為
最后，利用這些特征，路徑跟蹤任務的成本函數表示為
其中，θ為是需要從人工演示中學習的參數或權重向量，以便使用 MPC 生成的運動與人工演示中的特征相匹配。
C. 逆最優控制
在一般最優控制問題中，目標是找到基于某些特定準則的控制動作或策略。這些準則通常使用提供選擇動作的成本的成本函數來表達。然而，設計一個合適的成本函數很困難，而且通常需要大量的時間進行調整。在 IOC 方法中，目標是基于用戶演示找到合適的成本函數，而不是找到最優策略。
展開 4.4 路徑跟蹤控制
路徑跟蹤控制是自動駕駛汽車的主要控制任務[122]。因此，近年來得到了廣泛的研究，設計了各種控制算法。在[123]中，DYC 用于提高路徑跟蹤性能，并將穩健的控制方法應用于 DYC 控制器設計。在[124]中，提出了一種基于DYC的耦合控制框架，并且速度跟蹤控制和路徑跟蹤控制都與LTV MPC一起考慮。在[125]中，基于LQR技術，4WS和DYC都被用來提高路徑跟蹤性能。為了提高路徑跟蹤控制器的魯棒性，使用反推SMC理論[126]為4WID-4WIS農業機器人車輛設計了一個魯棒的路徑跟蹤控制器。為了提高反步 SMC 的控制精度，將前饋和反步 SMC 相結合的綜合方法應用于 4WID-4WIS EV 的路徑跟蹤控制[127]。在 [128] 中，四輪 SMC 轉向控制器設計用于 4WID-4WIS EV 的路徑跟蹤。同時，縱向速度控制器采用SMC方法設計。
對于低速的自動駕駛考慮路徑跟蹤控制就足夠了，但是隨著車速的提高，車輛的操縱穩定性和防側翻問題就越來越突出。路徑跟蹤問題需要與高速條件下的操縱穩定性問題一同考慮，尤其是在極端條件下。與傳統車輛相比，4WID-4WIS EV有更多的控制自由度，因此更容易實現路徑跟蹤和操縱穩定性的集成控制。文獻[130]中將一種LQR反饋控制器應用于4WS高速緊急避障條件下的路徑跟蹤。除了路徑跟蹤問題，也考慮了操縱穩定性的控制問題。然而LQR方法對系統非線性和不確定性具有較差的魯棒性。文獻[131]通過集成AFS和DYC設計了具有魯棒性的LQR控制器用于路徑跟蹤。基于SMC理論，設計了4WS車輛的自動路徑跟蹤控制器，該控制器對于處理轉向功率擾動、路徑半徑波動、橫向風擾動等系統不確定性具有很強的魯棒性。文獻[133]將哈密頓能量函數控制理論應用于4WS+DYC控制系統的路徑跟蹤和側向穩定性控制。
展開 
路徑跟蹤的相關專題、標簽、搜索
路徑跟蹤的最新內容
目前不支持在CPU上生成重繪光線跟蹤路徑（如果它們已由GPU生成）。
目前不支持使用光線執行基于路徑的分析（例如，分析路徑#X的輻照度分布）。
光線追跡屬性
下表列出了GPU如何處理光線跟蹤屬性的特定屬性。
1. 父光線和光線分裂
a.
該算法可實現平面運動物體的曲線路徑跟蹤。將該算法引入可傾轉旋翼無人機的傾轉過渡過程飛行高度控制系統設計中，可在無須任何位置動力學模型信息情形下，將位置跟蹤誤差轉化為無人機期望的俯仰角控制。
面向海上搜救的UAV與USV集群協同路徑跟蹤控制[J].
圖 3 a，b描述了路徑跟蹤場景的案例研究，其中“跟蹤所需軌跡”用例的狀態機使用實時 UML/SysML 約定的序列和狀態圖顯示。
針對速度不可測、環境干擾以及建模不確定性問題，Wang等提出了一種基于狀態約束的自適應反步模糊動力定位控制器，該控制器可以實現有限時間內的路徑跟蹤，并且保證跟蹤精度。
張玉芳等設計干擾估計器解決干擾問題，并設計反步控制器對干擾進行補償。為解決執行機構故障，有關文獻提出了滑模容錯控制策略，保證船舶在故障情況下的正常運行。
當球形水滴的直徑低于某個閾值（本算例為 5 mm）時，其會轉變為使用拉格朗日多相模型跟蹤其路徑的拉格朗日水滴。VOF 到 Lagrangian 的轉換由 Resolved VOF-Lagrangian Transition 模型處理。當拉格朗日水滴和 VOF 斑點撞擊地面時，會在地面會形成薄膜水坑，可以積聚到水池中。
這些尖峰是光線瞄準失敗造成的，通常是由于算法通過系統中的錯誤路徑跟蹤光線導致的。
另一方面，如果光線瞄準算法對于指定的視場角和光瞳坐標找不到任何有效的光線路徑，則會導致錯誤“無法確定對象坐標”，如圖3所示。當評價函數更新失敗時會彈出類似的錯誤消息“無法啟動光線”。請注意圖3中的兩條錯誤消息并不一定意味著光線瞄準存在問題。
基于ADAS技術、線控底盤技術及Powerpack一體化等技術需求的電動助力轉向控制器產品，直接關系著自動駕駛路徑與方向的精確控制，是智能網聯汽車實現路徑跟蹤與避障避險的關鍵技術。
經緯恒潤智能轉向為滿足自動駕駛L2-L4需求，開發了具備全冗余技術的R-EPS，該產品體積小巧，空間布置更為靈活。
可以說線控轉向是自動駕駛汽車實現路徑跟蹤與避障避險必要的關鍵技術。
當前，線控轉向系統的研究主要集中在路感反饋控制策略研究、轉向執行控制策略研究以及故障診斷與容錯控制策略研究 3 個方面。其中路感反饋控制策略研究是最主要的一個研究方向。
