路徑跟蹤的案例
基于線性變參數系統的四輪轉向自主地面車輛路徑跟蹤控制及實驗驗證
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?？刂疲⊿MC）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 基于四輪轉向和直接橫擺力矩控制的路徑跟蹤集成底盤控制算法設計
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?？刂?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 自動駕駛4WS車輛路徑跟蹤最優控制算法仿真
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 基于學習的自動駕駛汽車路徑跟蹤模型預測控制
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 
面向自動駕駛：四輪獨立驅動/轉向電動汽車配置與控制綜述與展望
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?；赟MC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 Adams Car整車路徑跟蹤參數設置
多無人艇集群協同控制研究進展與未來趨勢
為了避免在控制器設計中使用函數逼近器，Yoo 等[74]提出了指定性能的分布式包含控制器，使得包含跟蹤誤差在暫態和穩態過程中收斂于預設的范圍內。為了改進跟蹤誤差的收斂性，Qin 等[102]提出了自適應有限時間收斂包含控制器，減小了控制信號的抖顫。
2.2 基于路徑導引的協同控制
在基于路徑導引的集群控制方面，控制目標是多艘無人艇跟蹤一條或多條預設的參數化路徑η(θ)，同時保持期望的編隊隊形。與軌跡導引方式相比，除了控制器設計外，基于路徑導引的集群控制需要進行參數化路徑更新律的設計，因此提供了額外的控制自由度。對于群體而言，其空間要求和時間要求是解耦的，可以分別獨立進行控制，如獨立控制無人艇集群的航行速度。如圖4所示，根據參數化路徑個數的不同，現有研究結果可分為全路徑導引的協同路徑跟蹤[11, 22, 35, 47, 77, 85-92]、單路徑導引的分布式路徑跟蹤[17, 46, 80]和多路徑導引的分布式路徑跟蹤[28, 45, 48, 103]。對于全路徑導引的協同路徑跟蹤，每艘船舶跟蹤一條參數化路徑，集群行為通過參數化路徑變量的協同實現。在單路徑導引的分布式路徑跟蹤方面，集群中只存在一條參數化路徑，多無人艇通過局部信息交換實現對參數化路徑的協同跟蹤。與基于多軌跡導引的包含控制類似，多路徑導引的分布式路徑跟蹤跟隨的是參數化路徑上虛擬領航者生成的凸集空間。
圖4 基于路徑導引的集群控制
Fig. 4 Path-guided coordinated control
在全路徑導引方面，Skjetne 等[77]將協同路徑跟蹤分解為幾何任務和動態任務，設計船舶協同路徑跟蹤控制器，其路徑參數更新需要所有船舶的參數信息。Do[35]提出了另一種路徑參數更新律，每艘跟隨船需訪問領航者路徑信息。
展開 一文洞悉Python必備50種算法
相關閱讀：
Frenet Frame中的動態接到場景中的最優路徑生成
https://www.researchgate.net/profile/Moritz_Werling/publication/224156269_Optimal_Trajectory_Generation_for_Dynamic_Street_Scenarios_in_a_Frenet_Frame/links/54f749df0cf210398e9277af.pdf
Frenet Frame中的動態接到場景中的最優路徑生成
https://www.youtube.com/watch?v=Cj6tAQe7UCY
七、路徑跟蹤
7.1 姿勢控制跟蹤
這是姿勢控制跟蹤的模擬。
相關閱讀：
Robotics, Vision and Control - Fundamental Algorithms In MATLAB? Second, Completely Revised, Extended And Updated Edition | Peter Corke | Springer
https://www.springer.com/us/book/9783319544120
7.2 純追跡跟蹤
使用純追跡（pure pursuit）轉向控制和PID速度控制的路徑跟蹤模擬。
紅線為目標路線，綠叉為純追跡控制的目標點，藍線為跟蹤路線。
展開 無人駕駛汽車局部路徑規劃算法研究
［28］ 黃晶，李勇，胡林.基于數據關聯和改進統計模型的激光雷達目標跟蹤研究［J］.汽車工程，2018，40（3）：356-362.
［29］ 謝德勝，徐友春，王任棟，等.基于三維激光雷達的無人車障礙物檢測與跟蹤［J］.汽車工程，2018，40（8）：952-959.
［30］ 段建民，楊晨，石慧.基于Pure Pursuit算法的智能車路徑跟蹤［J］.北京工業大學學報，2016，42（9）：1301-1306.
軍用地面無人機動平臺技術發展綜述
這類方法中PI控制器通常用于無人機動平臺的縱向跟蹤控制,而PD控制器通常用于無人機動平臺的橫向控制。2007年,在DARPA舉辦的城市挑戰賽中,Leonard等使用低頻寬PI控制器對縱向速度進行跟蹤控制[88],Bacha等將map-linearized PID控制器用于車輛的速度控制,采用速率控制PID跟蹤轉向角和轉向速率[89]。
基于幾何分析的路徑跟蹤控制器主要是通過根據車輛與參考路徑或軌跡的幾何位置關系,設計控制律來解決跟蹤問題的一類控制方法。這類方法被主要應用于無人機動平臺的橫向控制。純跟蹤控制器[90-91]是其中典型的代表,其實質是一種將自身位置與預瞄處的期望位置的橫向偏差轉化為橫向控制量的比例控制器。該方法魯棒性較好,即使是在有較大橫向偏差和參考路徑曲率不連續的情況下也能達到很好的跟蹤效果。其缺點是預瞄距離受較多參數（參考路徑曲率、車速、橫向偏差等）的影響,較難選取,很難在保證較強跟蹤能力的同時也保證穩定性。Urmson等將該方法應用于越野環境下CMU兩輛無人車的路徑跟蹤[92]。Leonard等將其應用于城市環境下MIT無人車的橫向跟蹤控制[88]。Valois等將其用于黑騎士無人裝甲車在越野環境下有GPS路點引導的路徑跟蹤[28]。另一種比較有特點的控制器是Stanley橫向跟蹤方法[93],其實質是一種只考慮橫向偏差的非線性反饋控制器。該方法在多數情況下的表現比純跟蹤更好,但是由于它沒有考慮參考路徑的形狀,因此這種方法不適合用于非連續曲率路徑的跟蹤,并且在較大橫向誤差下的效果較差[94]。
前饋-反饋跟蹤控制器是近年來采用較多的一類跟蹤控制方法,主要由一個前饋控制器和一個反饋控制器構成。
展開 我國智能農機的研究進展與無人農場的實踐
1.2.2導航控制
針對不同作物、不同生產環節和不同地塊的導航作業路徑需要優化規劃的問題，孟志軍等[57]提出了面向自動導航和農田全區域覆蓋作業路徑優化規劃方法，實現了農機自動導航系統最優作業方向計算和路徑自動生成。針對農田起伏多變，現有農機自動導航系統的控制精度和上線速度不能滿足精準作業要求的問題，王輝等[58]采用由預瞄跟隨控制器、前視距離自適應調節器、狀態預估器和抗飽和變速積分器構成的農機導航復合路徑跟蹤控制器，顯著地提高了農機導航系統的控制精度和上線速度；針對水田側滑嚴重、農機俯仰橫滾變化頻繁且幅度大的問題，在農機導航復合路徑跟蹤控制器中增加側滑估計補償器，顯著地提高了農機導航系統的水田抗側滑干擾能力。針對現有農機導航系統缺乏避障功能，影響農機自動導航作業安全的問題，苗峻齊等[59]采用基于激光雷達的農田障礙物識別與定位三次樣條函數的路徑規劃和純追蹤算法的路徑跟蹤控制，開發了農機自動避障技術，可以準確識別和繞行農田典型障礙物。針對現代農業生產中需要多機協同作業技術支撐的問題，張聞宇等[60]采用基于無線自組網絡的主從裝備平行跟蹤導航控制技術，使主從裝備旋耕和收獲作業直線行走段的橫向位置誤差小于5 cm、縱向跟蹤誤差小于10 cm。
1.2.3導航集成
針對現有農機缺乏自動導航作業的底盤線控裝置的問題，開發了適用不同農機的車載線控控制裝置，滿足了農機自動導航作業的控制要求。提出了行為決策、動作規劃和反饋控制的多層智能控制策略與方法，智能決策自動導航作業控制量，可以滿足不同種類農機自動導航作業的需要，基于SAE J1939和ISO 11783總線標準，制定了團體標準，實現了農機自動導航作業系統的有效集成[61-62]。
1.3 精準作業
1.3.1精準耕整
精準耕整的目的是為作物生長提供良好的種床。
展開 
有人/無人機編隊指揮控制系統結構設計
此時飛行員下達變換指令,在MAV人機界面上輸入新編隊隊形參數,協調控制層中航跡規劃和軌跡跟蹤模塊根據命令產生控制指令并生成各自理想航跡,如圖8所示。
圖8 編隊隊形變換仿真曲線
Fig.8 Curves of formation transformation simulation results
在整個編隊飛行過程中,MAV/UAV編隊指揮控制系統分別發揮以下作用：編隊以楔形隊形巡航飛行,協調控制層中隊形保持模塊通過PID算法實現隊形保持;MAV檢測到前方雷達和障礙物,信息顯示在人機界面上;飛行員決策編隊變換成縱向編隊通過雷達區,在人機界面上下達新編隊參數;協調控制層收到編隊變換和新編隊參數指令,通過虛擬力路徑跟蹤算法[31]實現隊形變換;航跡規劃與路徑跟蹤模塊根據雷達和障礙物信息，利用MPC算法規劃出一條最優航跡,并實現跟蹤飛行;路徑跟蹤控制律傳給各UAV執行機構,實現飛行員指令與UAV位置、姿態的轉換,成功飛過雷達和障礙地區。
5 結束語
本文以未來空中任務為背景,基于人機合作設計了MAV/UAV編隊協同三層遞階式控制結構,研究了每層關鍵模塊內容,設計了編隊指揮控制人機界面,并針對具體編隊任務進行了仿真實驗,為MAV/UAV編隊指揮控制系統奠定了思路。
控制系統需要成熟的軟硬件支撐,一方面需要降低裝備的使用成本,另一方面需要增強飛行員對于人機交互系統的適應度,做到人機合一,效能最大化;控制系統需要成熟控制算法支撐,一方面設計高精度的編隊控制算法,提高編隊作戰效能,另一方面針對復雜多變的戰場環境,提高編隊穩定性和安全性。隨著MAV/UAV編隊作戰的深入研究,今后應吸收國內外先進技術,不斷完善編隊控制系統,為飛行員提供多種選擇,提高指揮操縱效率。
展開 我國智能農機的研究進展與無人農場的實踐
1.2.2導航控制
針對不同作物、不同生產環節和不同地塊的導航作業路徑需要優化規劃的問題，孟志軍等[57]提出了面向自動導航和農田全區域覆蓋作業路徑優化規劃方法，實現了農機自動導航系統最優作業方向計算和路徑自動生成。針對農田起伏多變，現有農機自動導航系統的控制精度和上線速度不能滿足精準作業要求的問題，王輝等[58]采用由預瞄跟隨控制器、前視距離自適應調節器、狀態預估器和抗飽和變速積分器構成的農機導航復合路徑跟蹤控制器，顯著地提高了農機導航系統的控制精度和上線速度；針對水田側滑嚴重、農機俯仰橫滾變化頻繁且幅度大的問題，在農機導航復合路徑跟蹤控制器中增加側滑估計補償器，顯著地提高了農機導航系統的水田抗側滑干擾能力。針對現有農機導航系統缺乏避障功能，影響農機自動導航作業安全的問題，苗峻齊等[59]采用基于激光雷達的農田障礙物識別與定位三次樣條函數的路徑規劃和純追蹤算法的路徑跟蹤控制，開發了農機自動避障技術，可以準確識別和繞行農田典型障礙物。針對現代農業生產中需要多機協同作業技術支撐的問題，張聞宇等[60]采用基于無線自組網絡的主從裝備平行跟蹤導航控制技術，使主從裝備旋耕和收獲作業直線行走段的橫向位置誤差小于5 cm、縱向跟蹤誤差小于10 cm。
1.2.3導航集成
針對現有農機缺乏自動導航作業的底盤線控裝置的問題，開發了適用不同農機的車載線控控制裝置，滿足了農機自動導航作業的控制要求。提出了行為決策、動作規劃和反饋控制的多層智能控制策略與方法，智能決策自動導航作業控制量，可以滿足不同種類農機自動導航作業的需要，基于SAE J1939和ISO 11783總線標準，制定了團體標準，實現了農機自動導航作業系統的有效集成[61-62]。
1.3 精準作業
1.3.1精準耕整
精準耕整的目的是為作物生長提供良好的種床。
展開 經緯恒潤全面布局面向自動駕駛L2-L4的冗余EPS
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。產品嚴格按照ISO26262流程開發，失效率≤10fit，可實現fail-operational的安全需求，支持信息安全和OTA，在保障駕駛員安全的前提下，滿足整車轉向和自動駕駛功能的使用場景，可滿足L2-L4的自動駕駛需求，以及線控轉向需求，助推自動駕駛技術發展落地。
目前，經緯恒潤全冗余EPS已完成模具樣件開發、并搭載紅旗E-HS9進行了實車路試，與國外EPS頭部供應商同臺競爭，為汽車行業控制器國產化、自主化打下了堅實的基礎。
經緯恒潤自2006年開始研發電動助力轉向控制器，已有16年開發經驗，目前已推出C-EPS、R-EPS、DP-EPS，EHPS等產品，產品覆蓋12V、24V、48V系統，涉及非冗余、半冗余和全冗余方案?，F已給國內外多名主流廠商提供配套產品與服務，目前累計出貨量破160萬套。價值創新，服務客戶，未來，經緯恒潤將繼續堅持自主創新，緊跟汽車行業發展大勢，為更多的客戶提供更好的產品與服務。
經緯恒潤智能駕駛產品線涵蓋環境感知系統、決策規劃系統和控制執行系統，具備向上集成完整智能駕駛方案的軟硬件產品基礎，是目前國內少數能夠實現覆蓋智能駕駛電子產品、研發服務及解決方案、高級別智能駕駛整體解決方案，能夠提供智能駕駛全棧式解決方案的供應商。未來，經緯恒潤將緊跟汽車行業發展大勢，堅持自主創新，努力為國內外客戶提供優質的產品和服務，為汽車工業的發展貢獻自己的一份力量！
展開 無人船路徑跟隨控制方法綜述
因此，USV路徑跟隨控制中的關鍵問題之一是如何補償風浪流造成的不可測隨機干擾，減小其對控制系統的影響；另一關鍵是無人船運動模型由于船速、載重和航行水深等變化導致操縱性變化，及模型不確定問題，使得USV控制性能變差，同時由于USV運動固有的時延性和大慣性特點，增加了提升USV路徑跟隨控制精度和實時性的難度[1-2]。
目前，針對無人船路徑跟隨控制問題，國內外已經積累了大量的控制方法，如自適應比例-積分-微分（proportion integration differentiation,PID）、最優控制、滑?？刂啤⒎答伨€性化、反步法以及智能控制等方法，并取得了較好的控制效果。最優控制、反饋線性化以及反步法通常需要建立精確模型才能獲得較高的控制精度，而USV運動模型復雜，難以精確建模?；？刂茖δＰ途纫蟛桓撸涠墩駟栴}難以消除。自適應PID控制通過估計系統輸出，實現PID參數自整定，但由于模型不確定性和外界擾動，估計系統的輸出與真實輸出存在偏差，控制精度依賴于自適應控制方法和估計系統輸出的精度。
筆者將對各類控制器在無人船路徑跟隨控制中的應用做簡要概述，并針對風、浪、流對無人船運動控制的干擾，以及模型不確定問題，分析這些控制器的解決效果。最后對無人船路徑跟隨控制方可能的發展方向進行展望。
1 路徑跟隨控制方法
USV路徑跟隨控制首先確定控制目標期望值，主要運用幾何跟蹤方法和基于運動模型的跟蹤方法。幾何跟蹤方法包括視距導航（line of sight,LOS）、純追蹤算法和固定方位制導等，將路徑跟隨控制問題轉化為航向跟蹤問題?；谀Ｐ偷?em>跟蹤方法包括模型預測控制（model predictive control,MPC）和滑模控制等，根據運動模型直接構造計劃航跡的期望舵令。
展開 