无人驾驶研究综述（二）

近年来智能交通及人工智能技术呈现出快速增长态势，在多个领域均取得显著进展。其中作为关键支撑技术之一的自动驾驶系统已逐渐成为当前研究的核心议题。在汽车自动驾驶领域占据重要地位的技术之一则是轨迹跟踪系统，在这一系统中实现车辆按照设定路径平稳运行是其基本要求。然而要保证追踪过程中的精确性与稳定性仍是无人驾驶领域的重要研究方向与挑战[1]。特别是在不同工作状态下提升追踪系统的性能指标具有重要意义

现有技术在轨迹跟踪横向控制领域主要采用以下几种方案：滑模控制方案具有良好的鲁棒性特征，在学术界和工业界均获得广泛关注；而PID调节器则以其结构简单且易于实现著称；线性二次调节器（LQR）则通过状态反馈实现最优控制系统设计；此外，在模型预测控制（MPC）方面也取得了显著的研究成果。基于模型的预测控制系统通过精确建模车辆的动力学与运动学特性来实现对复杂运动过程的有效跟踪。这种先进控制系统方案已在自动驾驶汽车的纵向与侧向运动协同控制中得到广泛应用。

旨在提升自动驾驶汽车轨迹跟踪的精度和稳定性。现有研究中开发了一种基于MPC的自适应控制器，并通过在线实时估计轮胎侧偏刚度来更新预测模型；然而，在高速工况下忽略了轮胎的非线性特性。后续研究则在MPC控制器中引入了车辆行驶状态参数估计器，并通过仿真研究表明，在恒定车速条件下，具有参数估计器的MPC控制器表现出较好的轨迹跟踪性能；然而，在车速变化时采用固定控制参数会导致控制效果不理想。

文献[10]通过遗传算法(GA)对MPC算法中的两个关键参数——即预测时域与控制时域进行优化配置；经此优化后形成的MPC控制系统，在应对车辆速度变化方面展现出更强的自适应性能。文献[11]则基于模型预测控制算法原理开发了一种具有可变预测时域特性的轨迹跟踪控制系统，在提升系统响应速度方面取得了显著进展。综上所述，在现有研究基础上进一步完善无人驾驶汽车系统模型预测控制技术应用时应更加注重克服以下几点：一是避免因模型参数失配而导致系统性能下降的问题；二是未充分考虑横向与纵向车速联合影响所带来的轨迹跟踪精度及系统稳定性方面的制约因素

为此

参考文献:
[1]陈慧岩,陈舒平,龚建伟.智能汽车横向控制方法研究综述[J].兵工学报, 2017, 38(6): 1203-1214.
[2] HWANG C L, MEMBER S. Path tracking of an autonomous ground vehicle with different payloads by hierarchical improved fuzzy dynamic sliding mode control[ J]. EEE Transactions on Fuzzy Systems, 2017, 26(2): 899-914.
[3] SARHADIP, NOEI A R, KHOSRAVI A. Model reference adaptive PID control with anti-windup compensator for an autonomous , underwater vehicle [J]. Robotics and Autonomous Systems, 2016, 83: 87-93.
[4] ALCALA E, VICENC P，QUEVEDO J, et al. Autonomous vehicle control using a kinematic Lyapunov-based technique with LQR-LMI tuning[ J]. Control Engineering Practice, 2018, 73: 1-12.
[5] JI J, KHAJEPOUR A，MELEK W W, et al. Path planning and tracking for vehicle collision avoidance based on model predictive control with multiconstraints[ J]. EEE Transactions on Vehicular Technology, 2017, 66(2): 952- 964.
[6] CHEN B C, LUAN B C, LEE K. Design of lane keeping system using adaptive model predictive control [ C ]// International Conference on Automation Science and Engineering. New Taipei: IEEE, 2014: 922-926.
[7] LIN F, CHEN Y, ZHAO Y, et al. Path tracking of autonomous vehicle based on adaptive model predictive control [J] .International Journal of Advanced Robotic Systems, 2019，16(5): 1-12.
[8] YU H, DUAN J, TAHERI, et al. A model predictive control approach combined unscented Kalman filter vehicle state estimation in intelligent vehicle trajectory tracking [ J]. Advance in Mechanical Engineering, 2015, 7(5): 1-14.
[9] CUI Q, DING R, ZHOU B, et al. Path tracking of an autonomous vehicle via model predictive control and nonlinear filtering [J]. Proceedings of the Institution of Mechanical Engineers Part D Jourmal of Automobile Engineering, 2018, 232(9) : 1237- 1252.
[10] 张严，黄妙华.基于模型预测的自动驾驶汽车路径跟随控制[J].数字制造科学, 2019, 17(1): 25-30.
[11]白国星，孟宇立.基于可变预测时域及速度的车辆路径跟踪控制[J].中国机械工程, 2020, 31(11): 1277-1284.