自动驾驶电动汽车的主动安全控制自动驾驶电动汽车的主动安全控制：基于tube的MPC方法

汽车安全 3个月前 admin

55 0 0

编者按：旨在提高自动电动汽车（AEVs）在驾驶极限下的主动安全性能。通过采用四轮转向协同控制和直接偏航力矩控制，结合基于tube的模型预测控制（MPC）算法，成功设计了集成控制器。该控制器考虑了多种约束，如控制向量约束、横向稳定约束、防翻转约束等，通过优化问题的求解有效提高了车辆的操纵稳定性和路径跟踪性能。硬件在环（HIL）测试结果表明，在两种极端行驶条件下，集成控制器表现出了强大的鲁棒性，证明其在实际驾驶情境中的有效性和可行性。

本文译自：

《Active Safety Control of Automated Electric Vehicles at Driving ] Limits: A Tube-Based MPC Approach》

文章来源：

IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION, VOL. 8, NO. 1, MARCH 2022

作者：

杭鹏、夏新、陈广、陈辛波

作者单位：

同济大学

原文链接：

https://ieeexplore.ieee.org/document/9500239

摘要：为提高自动电动汽车（AEVs）在驾驶极限下的主动安全性能，采用了四轮转向协同控制（4WS）和直接偏航力矩控制（DYC）。为了处理外部干扰和建模误差，采用基于tube的模型预测控制（MPC）进行控制算法设计，考虑了操纵稳定性和路径跟踪性能的提高。考虑到控制矢量约束、横向稳定约束、防侧翻约束和路径跟踪误差约束，通过解决优化问题设计了集成控制器。为了验证集成控制器的有效性和可行性，基于硬件在环（HIL），进行了两种极端行驶条件测试。试验结果表明，该集成控制器能在极限行驶工况下同时提高车辆的操纵稳定性和路径跟踪性能。此外，集成控制器在极端条件下表现出较强的鲁棒性。

关键词：自动驾驶电动汽车（AEV），直接偏航力矩控制（DYC），驾驶极限，四轮转向（4WS），运动控制，基于tube的模型预测控制（tube MPC）

Ⅰ 引言

A.动机

随着电气化和智能技术的发展，自动驾驶电动汽车（AEV）已成为近年来研究的热点问题。AEV不仅可以实现节能减排，还可以推进驾驶安全[1]。关于AEV的驾驶安全，许多研究者对主动安全控制进行了研究。AEV的主动安全控制主要集中在路径跟踪控制、操纵稳定性控制和防侧翻控制[2]上。在正常情况下，路径跟踪控制是AEV的主要任务，其目的是最小化AEV和目标路径[3]之间的横向偏移和航向角误差。然而，在极端情况下，轮胎进入饱和的工作区，不能提供足够的力来保证AEV[4]，[5]的安全运动状态。因此，AEV可能会偏离目标车道，失去稳定性，甚至发生翻转。路径跟踪性能将不是AEV主动安全控制的唯一焦点。在驾驶极限时，需要考虑操作稳定控制和防翻控制。驾驶极限反映了车辆在极端条件下的安全边界，[6]。极端条件的设置与许多因素有关，包括速度、道路附着系数、道路曲率[7]、[8]，如雪道上的双车道变化（DLC）工况和大曲率急转弯。本文主要研究AEV在驾驶极限下的主动安全控制。

B.相关工作

由于路径跟踪控制是 AEV 的主要控制任务，近年来已有很多研究。基于反步法，为四轮独立转向（4WIS）AEV 设计了路径跟踪控制器，可以很好地跟踪有尖锐边缘的路径和圆形轨迹[9]。为了应对车辆固有的非线性和不确定性，采用遗传算法（GA）来优化模糊路径跟踪控制器的参数[10]。为了提高 AEV 的路径跟踪性能，[11] 利用最优控制理论为四轮独立驱动（4WID）车辆设计了 AFS 和 DYC 协作控制器。为了提高对参数不确定性和外部干扰的强鲁棒性，基于μ-合成鲁棒控制[12]、H∞最优控制[13]、[14]等设计了鲁棒路径跟踪控制器。此外，滑模控制（SMC）也被广泛用于路径跟踪控制器的设计。文献[15]设计了一种 4WS 路径跟踪控制器，该控制器对转弯功率扰动、路径半径波动和横风扰动等系统不确定性具有鲁棒稳定性。

此外，模型预测控制（MPC）在 AEV 运动控制方面显示出巨大优势，尤其是在处理复杂和多约束条件时 [16][17]。文献 [18] 设计了一种线性静态 MPC（LS-MPC）算法，用于 4WIS-4WID AEV 的路径跟踪。文献[19]结合 AFS 和差分制动控制，将 MPC 应用于 AEV 的路径跟踪控制，该算法在高速条件下表现出很强的鲁棒性。为了提高 AEV 的路径跟踪性能，研究了线性时变（LTV）MPC 方法，并在低路面摩擦系数条件下进行了验证[20]。

为了解决轮胎-地面附着不确定和道路曲率变化的路径跟踪问题，设计了一种基于MPC的算法，结合AFS和DYC技术的[21]。在[22]中，利用遗传算法作为一种优化技术设计了一种非线性模型预测控制器，其路径跟踪得到了显著的改进。然而，它带来了大量的计算，这是对车辆硬件的一个挑战。为了保证鲁棒稳定性，提出了一种通过扩大终端约束和放宽状态约束[23]的软约束MPC方法。此外，基于tube的MPC比普通的MPC算法具有更好的鲁棒性。在[24]中，设计了一种基于tube的MPC框架，用于半自主地面车辆的车道保持和避障。

除了路径跟踪性能外，操纵稳定性和防翻车性能是AEV的另外两个关键的主动安全性能，特别是在驾驶限制条件下。然而，很少有研究将操纵稳定性控制和翻转防止控制与路径跟踪算法结合起来考虑。考虑到4WID AEV的横向稳定性，DYC用于[25]的集成路径跟踪控制器设计。设计了一种新的输出约束控制器来处理路径跟踪中的横向偏移控制，并在[26]中保持车辆的横向稳定性。在[27]中，H∞控制和区域极点放置方法结合在一起，以解决极端条件下的路径跟踪和操纵稳定性，并通过即时转弯工况和尖锐的变道工况进行验证。在[28]中，设计了一个鲁棒的转向控制器，它能够在轮胎摩擦的物理极限下进行精确的路径跟踪和过转向校正。通过协调自动转向和差速制动，提出了一种具有鲁棒控制方法的集成主动安全控制器，在保持[29]稳定性的同时，提高了路径跟踪的精度。

一般来说，路径跟踪、操纵稳定性和防止侧翻的协调控制是AEV的一个重要问题，特别是在驾驶限制的情况下。与现有的主动安全控制算法相比，除了现有的MPC优点外，基于tube的MPC对处理干扰和系统不确定性具有良好的鲁棒性。它能够以一种可容许的方式引导系统到任何稳健的可容许的设定点。因此，本文基于4WS和DYC的协调控制框架，考虑各种驱动性能指标和约束条件，采用基于tube的MPC方法设计了AEV的主动安全控制器。

C. 贡献

总的来说，本文旨在研究 AEV 的控制框架，以提高其在驾驶极限下的驾驶性能。本文的贡献如下：1）在综合控制算法中考虑了横向稳定性、操控性能、防侧翻和路径跟踪性能等多种驾驶性能指标；2）将 4WS 和 DYC 的协调控制应用于综合控制算法设计中，可提高 AEV 在极端条件下的路径跟踪性能和操控稳定性；3）为确保基于tube式 MPC 的多目标控制的可行性，定义了约束条件的优先级顺序，并制定了约束条件的放松规则。测试结果表明，基于tube的 MPC 在应对干扰和不确定性方面表现出很强的鲁棒性。