摘 要：各種智能技術(shù)的出現(xiàn)已經(jīng)極大地改變了現(xiàn)代社會發(fā)展的趨勢，帶來了眾多便利。智能技術(shù)也已經(jīng)成為了眾多社會生產(chǎn)實踐過程中的重點研究對象，具有較強(qiáng)的研究意義。將智能技術(shù)應(yīng)用在車輛路徑跟蹤控制中能夠使得車輛行駛更加智能化，降低駕駛難度，提高車輛安全性以及舒適性，帶來較強(qiáng)的經(jīng)濟(jì)效益。本文將對基于預(yù)瞄的智能車輛路徑跟蹤控制進(jìn)行深入研究。

關(guān)鍵詞：智能技術(shù)；路徑跟蹤控制；預(yù)瞄

隨著社會的不斷發(fā)展，人們的需求日趨增高，要想滿足人們的需求，技術(shù)必須走在前列，而要提高技術(shù)，必須運(yùn)用更智能化的技術(shù)。在研究智能車輛路徑跟蹤控制過程中，首先就需要將車輛的行駛過程進(jìn)行建模，使用動力學(xué)模型中的一些基本知識，將車輛視為四輪的機(jī)器人剛性結(jié)構(gòu)。將車輛行駛過程中輪胎的側(cè)偏過程中發(fā)生的動力學(xué)轉(zhuǎn)變來應(yīng)用最優(yōu)控制理論，使得智能車輛行駛跟蹤偏差明顯降低。使用預(yù)瞄的LQR方法能夠很好地考慮到前方路況特征的情況，使得智能車輛行駛過程更加優(yōu)質(zhì)。

一、車輛以及道路預(yù)瞄模型

在車輛的行駛過程中，涉及到多種因素，為了能夠便于研究分析，這里將車輛看作是一個擁有一定速度向前行駛的剛體，這樣就可以應(yīng)用動力學(xué)進(jìn)行分析。車輛實際的各個行駛過程看作是前輪轉(zhuǎn)角進(jìn)行橫擺旋轉(zhuǎn)或者是側(cè)向平移運(yùn)動。汽車受到的各種力的種類比較多，不同的力都會對汽車的行駛狀況構(gòu)成不同的影響。在建立的模型中，控制器中使用的是離散數(shù)字控制，這樣就能夠得到的方程能夠確定出該車輛的轉(zhuǎn)向盤轉(zhuǎn)角控制量。

在應(yīng)用道路預(yù)瞄模型時，主要是采用的局部坐標(biāo)系方向固定不變，這樣在車輛各種運(yùn)動狀態(tài)以及受力變化的過程中，就能夠更加直觀的反映出車輛坐標(biāo)系以及局部坐標(biāo)系之間的夾角，這也是一個變化的量。但是在這種控制過程中，一旦出現(xiàn)車輛朝向角和x軸夾角過大時，就會出現(xiàn)參考位置的變化，這種方程式的缺陷逐漸凸顯，也就是對環(huán)境的適應(yīng)能力比較差。因此就需要改進(jìn)這一缺陷，針對這一情況，直接將局部坐標(biāo)系使用車體坐標(biāo)系作為參考，這樣就使得在車輛運(yùn)動的過程中，隨著車體坐標(biāo)系的變化，沿x軸的參考位置也會發(fā)生變化。最終呈現(xiàn)出來的優(yōu)勢就是能夠很好的提高算法的適應(yīng)性，使得建立的模型更加合理，能夠得到更加精確的數(shù)據(jù)信息。

二、LQR最優(yōu)預(yù)瞄控制

2.1 算法優(yōu)化過程

通過上述模型方程式的建立，能夠建立起道路預(yù)瞄模型的參考方程式，并相應(yīng)的建立起目標(biāo)函數(shù)，使得構(gòu)成比較系統(tǒng)完善的模型。得到的目標(biāo)函數(shù)中，主要是采用LQR標(biāo)準(zhǔn)的二次型形式，其中比較重要的有兩個方面，分別是路徑跟蹤的橫向與角度的綜合偏差以及車輛航向角和道路朝向角，第一個部分和第二個部分對于研究標(biāo)準(zhǔn)的離散LQR控制問題就有較強(qiáng)的現(xiàn)實意義。在實際的研究過程中，一旦出現(xiàn)道路預(yù)瞄窗口較大的情況時，就會使得建立起的方程式比較復(fù)雜，將這些方程式應(yīng)用代數(shù)知識轉(zhuǎn)換成矩陣形式，也就是說明矩陣的維數(shù)有所增加。那么在本文研究的智能車輛路徑跟蹤控制過程中，會造成系統(tǒng)的計算量大大增加，求解難度加大，計算時間有所延長，因此不利于實現(xiàn)。仔細(xì)研究這一過程，可以發(fā)現(xiàn)在矩陣運(yùn)算變化之后，其中只有車速是動態(tài)變化的，其他的矩陣元素都基本上是固定的。為了解決上一個難題，可以采用查表法，這樣很多參數(shù)都能夠直接通過在線查表的方式獲得。查表法中應(yīng)用的數(shù)據(jù)可以提前經(jīng)過計算得到，這樣就使得實際的控制過程十分便捷，能夠達(dá)到比較好的控制效果，降低計算量，提高算法的實時性。

2.2 對比測試研究

上述內(nèi)容對基于預(yù)瞄的智能車輛路徑跟蹤控制進(jìn)行了說明，建立起了比較合理的動力學(xué)模型以及科學(xué)的算法，從理論上來說，已經(jīng)達(dá)到了比較好的控制效果。為了能夠更加清晰直觀的對這種控制模式帶來的優(yōu)勢進(jìn)行研究，采用了CarSim和Simulink進(jìn)行聯(lián)合仿真，在仿真過程中選用和真實車輛相同的參數(shù)，根據(jù)一些模擬的情況來對車輛路徑跟蹤能力進(jìn)行測試。為了確保這一技術(shù)能夠在更多的環(huán)境下使用，這里在一些常規(guī)的行駛環(huán)境和極限行駛環(huán)境進(jìn)行了仿真測試。設(shè)置LQR控制器預(yù)瞄周期為1s，權(quán)重矩陣系數(shù)為 。經(jīng)過相同條件的對比測試，從結(jié)果中看出，LQR控制器和MPC控制器的跟蹤性能都比較好，但是LQR的最大跟蹤偏差相對比較小，也就是跟蹤性能更好。但是在側(cè)偏角約束方面，LQR的表現(xiàn)情況比較差，在一些極限環(huán)境下，出現(xiàn)了一些側(cè)滑現(xiàn)象。因此最終展現(xiàn)為：在未達(dá)到極限行駛環(huán)境的條件下，LQR控制器的效果更好，優(yōu)化效果更明顯，但是一旦遇到了極限環(huán)境，LQR控制器容易使車輛出現(xiàn)側(cè)滑現(xiàn)象，因此在應(yīng)用該方案時，需要著重注意這一點，否則就有可能出現(xiàn)不良后果。最后，經(jīng)過對紅旗H7轎車進(jìn)行了實車研究，測試的環(huán)境有長直線、長彎、環(huán)島、直角彎等，這些都是車輛在城市行駛過程中經(jīng)常會遇到的情況，最終展現(xiàn)出的跟蹤精度比較高，轉(zhuǎn)向盤轉(zhuǎn)動也持續(xù)處于比較平穩(wěn)的狀態(tài)。

三、結(jié)語

本文對基于預(yù)瞄的智能車輛路徑跟蹤控制進(jìn)行了研究，針對LQR最優(yōu)控制方法存在運(yùn)算量過大的問題，這里采用了查表法，使用離線優(yōu)化的方法，使得計算更快，運(yùn)算量更小，這樣就會使得車輛在行駛過程中對各種道路因素的反應(yīng)更加迅速，并且具有較好的跟蹤精度。但是LQR最優(yōu)控制方法在一些極限行駛情況下，可能會造成出現(xiàn)側(cè)滑的現(xiàn)象，因此就需要著重改善這一問題?？梢酝ㄟ^對輪胎進(jìn)行有針對性設(shè)計，提高輪胎的抓地力，優(yōu)化輪胎模型，這樣能夠很好的確保車輛的穩(wěn)定性，并能夠在一定程度上促進(jìn)智能汽車產(chǎn)業(yè)的發(fā)展。

參考文獻(xiàn)：

[1]高洪波，李升波，謝國濤，成波.智能汽車橫向軌跡跟蹤的離散時間模型預(yù)測控制[J].指揮與控制學(xué)報，2018，4（04）：297-305.

[2]王曉，要婷婷，韓雙雙，曹東璞，王飛躍.平行車聯(lián)網(wǎng)：基于ACP的智能車輛網(wǎng)聯(lián)管理與控制[J].自動化學(xué)報，2018，44（08）：1391-1404.

[3]姜立標(biāo)，吳中偉.基于趨近律滑?？刂频闹悄苘囕v軌跡跟蹤研究[J].農(nóng)業(yè)機(jī)械學(xué)報，2018，49（03）：381-386.

[4]李進(jìn)，徐朝勝，陳杰平，李忠芳.基于集散決策體系結(jié)構(gòu)的智能車輛自主導(dǎo)航[J].控制工程，2012，19（04）：728-732.

[5]高德芝，段建民，鄭榜貴，田炳香.智能車輛環(huán)境感知傳感器的應(yīng)用現(xiàn)狀[J].現(xiàn)代電子技術(shù)，2008（19）：151-156.

[6]王榮本，張榮輝，金立生，郭烈.區(qū)域智能交通車輛系統(tǒng)發(fā)展及其關(guān)鍵技術(shù)綜述[J].汽車工程，2007（03）：179-182.

作者簡介：

王新煒，1997.11.11，男，漢，山東濟(jì)南，聊城大學(xué)本科.