迭代学习控制算法在自动驾驶车辆轨迹跟踪中的应用( 四 ) _控制

图7给出PD-ILC控制器的控制输入和跟踪误差。车辆的最大加速度为0.8g 。在第一圈，尽管“前馈-反馈”控制器的采样频率很高，极限工况下轮胎的欠阻尼动力学特性仍然造成了跟踪误差的突变。但是，随着两三圈试验过后，迭代学习算法能够有效减小跟踪误差。Q-ILC控制器的表现与此类似。
图8是跟踪不同加速度强度所需速度的结果。结果表明，在较小车辆加速度强度下，线性模型能够较为准确地表征车辆的动力学特性，“前馈-反馈”控制器能够很好地跟踪上期望的参考路径，因此，迭代学习算法的改善空间较小。但是，随着车速逐渐增加，轮胎的非线性特性增强，路径跟踪性能也受到影响，此时迭代学习算法能够有效地提高车辆的路径跟踪性能。实际结果表明，PD-ILC和Q-ILC的控制性能较为接近，而当测试进入结尾阶段，路径跟踪误差的均方根却有轻微的增加。仿真结果中并没有类似的现象，这可能是系统中每一圈未建模的传感器噪声和不同扰动造成的。通过调整增益矩阵中的参数应该可以抑制这一现象，或者可以考虑在车辆性能收敛后停止迭代学习算法。

文章插图
图 7 PD-ILC控制器轨迹跟踪试验结果，峰值侧向加速度约为0.8g

文章插图
图 8 两种控制器在不同加速度下的试验结果
5、结论
本文验证了迭代学习控制算法在自动驾驶赛车转角控制中的应用。两种迭代学习控制器PD-ILC和Q-ILC都经过了仿真和试验验证，可以有效减小由于车辆极限工况下侧向动力学高度非线性变化引起的侧向位移跟踪误差。两种控制器的性能表现接近，而PD-ILC方法的运算负担较轻，能够满足实时需求。虽然文章提出的控制器能够满足自动驾驶赛车在相同赛道上的路径跟踪需求，迭代学习算法在更多自动驾驶场景的应用仍需要更多的研究工作。
6、参考文献
[1] J. Funke and J. C. , “ paths forlaneat theof ,”in ASME 2013and., 2013, pp. –.
[2] V. Turri, A. , H. Tseng, K. H., and F. , “ modelfor laneandon lowroads,” 2013.
[3] N. R.and J. C. , “forpathandatof ,” in 12thon, 2014.
[4] Y. Q. Chen and K. L. Moore, “of an omni-,” Asianof , vol. 4, no. 1, pp. 90–98, 2002.
[5] H. Sun, Z. Hou, and D. Li, “for trainwith ,” IEEE Trans. onand , vol. 10, no. 2,pp. 323–333, 2013.
[6] O.and R. , “using,”, vol. 59, no. 1, pp. 1–11, 2011.
[7] P. A.and J. C. ,“ aline for anusing,” inand, 2011, pp. 853–860.
[8] K. , “at theof ,” Ph.D. ,,2012.
[9] E. J.and J. C. , “ ofunder aforce ,” in Proc.on, , Japan, 2002.
[10] K. L.and J. C. ,“ at theof :viaandwith,” inand,2008, pp. 361– 368.
[11] H. B. , Tire and , 3rd ed. -, 2012.
[12] D. A. , M. , and A. G., “Aof,”, IEEE, vol.26, no. 3, pp. 96–114, 2006.
[13] D. A.and B. , “A q, of norm-,” in 47thonand , 2008. IEEE, 2008, pp. 2380–2384.