迭代学习控制算法在自动驾驶车辆轨迹跟踪中的应用 _控制

【迭代学习控制算法在自动驾驶车辆轨迹跟踪中的应用】文章译自2015年美国控制年会的会议论文《Pathofvia》原作者：Nitin R.and J.
编者按：随着自动驾驶控制的发展，越来越多的人工智能或者机器学习的算法被应用在智能汽车底盘动力学控制器设计当中。由于实际车辆动力学系统的复杂性，控制器设计过程中往往忽略了系统的高阶动态以及非线性特性，导致车辆跟踪性能的降低。而智能算法恰恰能够补偿车辆动力学特性的变化，在一定程度上提高自动驾驶性能。文章通过一个简单的转角控制例子，验证了迭代学习算法在自动驾驶运动控制中的应用，值得借鉴。
摘要：自动驾驶车辆能够通过激进的驾驶操作在极限条件下尽可能地利用轮胎与路面间的附着能力，从而保持车辆的行驶能力。然而，在附着极限的条件下，车辆动力学的高度非线性和建模难度使控制器设计变得更加困难。其中，一种提高车辆的参考路径跟踪性能的可行办法是通过重复相同的操作，利用迭代学习控制（ILC）算法确定合适的瞬态转向控制输入参数。为探究这一概念的可能性，文章将学习算法应用在自动驾驶赛车的路径跟踪中。对ILC而言，赛车是一种理想的应用场景。因为赛车会在附着极限下沿着同一赛道反复行驶，从而产生多组可复现的非线性车辆动力学数据。仿真结果被用于设计和验证PD和二次最优迭代学习控制算法的收敛性，而奥迪TTS赛车在加州雷山赛道的试验结果也将在下文中展现。结果表明，这两种算法都可以修正路径跟踪的瞬态误差，并显著提高参考前馈控制器的性能。
1、前言
随着感知技术和线控技术的发展，相较于传统人类驾驶员，自动驾驶车辆能够在紧急情况下对车辆进行合理干预，从而提高安全性。类似的情况包括紧急避障[1]和由于驾驶员的误操作引起的车辆打滑[2] 。而在极限条件下驾驶操作的最大难点在于路径跟踪过程中车辆的附着条件和转向响应呈现高度非线性。并且，一些难以测量的干扰（如路面倾角、坡度、局部附着系数突变…）对车辆的瞬态响应都有很大影响[3] 。
ILC是一种确定复杂路径跟踪转向控制参数的有效方法。迭代学习已经成功应用于多种循环控制过程当中。通过利用以往的误差信息，ILC逐渐确定合适的控制输入，从而使得系统输出能够准确跟踪参考轨迹。最新的研究已经将ILC应用于路面自动驾驶车辆和飞行器中。Chen[4]在2006年提出了一种简单的ILC算法来提高全轮转向车辆的路径跟踪能力。2013年，Sun提出了一种ILC方法来保证高速列车的速度稳定性。同时，也在无人机控制中设计了一种利用最小二乘方法的ILC控制器。
本文在自动驾驶赛车的特定场景中实现迭代转向控制算法的应用。由于赛车在相同的赛道上循环行驶，并且行驶工况都迫近路面附着极限，赛车成为自动驾驶初期迭代学习控制的理想对象和场景。因为每一圈赛道的参考路径曲率都保持不变，系统的未知扰动和车辆的动力学特性被认为是可复现的，并且可以用ILC算法进行补偿。然而，值得一提的是，当车辆由于前轴轮胎力丧失而产生强烈的不足转向时，控制器不能有效控制车辆的行驶。在这种情况下，附加额外的转角对车辆的轨迹跟踪不会再有任何作用，因此，车辆的目标车速和转向曲率都需要进行修正。
文章架构如下：第二部分介绍了赛车跟踪参考路径时的平面线性模型。因为方向盘转角输入和车辆的路径跟踪误差之间的传递函数是开环不稳定的，所以需要在转向控制系统中加入一个车道保持的稳定性控制系统，而闭环的动力学系统将在所谓的“-”中体现。第三部分提出了一个PD-ILC控制，并设计了一个低通滤波器来加速控制系统的收敛。利用“-”的办法调整控制增益和小侧向的系统稳定性，而在大侧向工况下则利用非线性仿真预测期望的系统跟踪响应。第四部分提出了一个基于二次最优的Q-ILC控制器，可以准确地考虑车辆的速度变化。第五部分给出了在奥迪TTS试验平台车辆上加速度接近0.8g的时候两种控制器的试验数据。