智能汽车横向控制方法

吴 晨

（陕西工业职业技术学院 汽车工程学院，陕西 咸阳 712000）

汽车产业的不断发展对交通、环境和能源都造成了很大的压力，而智能汽车作为未来汽车的发展方向，能很大程度地缓解这些问题。因此，近年来智能汽车逐渐受到各国政府、研究学者及企业的广泛关注，智能汽车的最终目标是实现自主驾驶，即汽车可以不需要驾驶员的操纵和监测，仅通过传感器、控制单元和其他技术与设备就能实时监测车辆状态并控制车辆安全行驶。横向控制作为智能汽车研究领域中的重点和难点技术之一，主要是路径的跟随控制，控制车辆能根据规划出的最优路径进行行驶，保证乘车的安全性和舒适性。

1 智能汽车动力学模型

智能汽车横向控制中许多控制理论的应用依赖于车辆动力学模型。车辆的动力学模型包括悬架特性模型和车辆-轮胎模型。悬架特性模型一般用来研究车辆的平顺性问题，车辆-轮胎模型一般用来研究车辆的稳定性问题，本文主要研究车辆在平坦道路上的横向控制，也就是研究车辆是否能稳定、快速地跟随期望路径行驶，所以忽略悬架特性模型，仅研究车辆-轮胎模型。虽然系统模型较复杂时，可更准确地描述车辆特性，路径跟踪也更为精确，但同时会带来计算量大、参数调整复杂等问题。所以通常在智能汽车横向控制的研究中，会对车辆模型进行简化，以便更好地分析。

1.1 2自由度模型

2自由度模型是智能汽车横向控制中应用最多的模型，研究表明，当车辆侧向加速度小于0.2g时，结合线性轮胎模型，即可很好地表现车辆的动力学响应。

隋官昇等[1]针对汽车低速行驶轨迹，假设车身的纵向速度不变，将车辆模型简化为纵向运动和横摆运动，建立车辆的二自由度动力学模型。

1.2 3自由度模型

3自由度模型将车辆当作一个线性的动力学系统，包括车辆的侧向运动、横摆运动和侧倾运动，可研究车辆合理的侧倾运动。

柴瑞强等[2]针对弯道时车辆进行轨迹跟踪的精度较差，且容易发生侧滑的现象，建立了3自由度车辆动力学模型，结合准线性轮胎模型，利用控制算法跟踪轨迹，保证车辆弯道行驶时轨迹跟踪的高精度和稳定性。

1.3 7自由度模型

7自由度模型包括车辆的纵向运动、侧向运动、横摆运动以及四个车轮的转动，结合轮胎模型，可在确保车辆行驶稳定性的前提下，实现车辆的横向控制。

满金[3]建立了车辆的7自由度模型，并使用魔术公式描述了轮胎模型，保证了车辆对路径跟踪实时性和稳定性的要求。

2 常见的横向控制方法

2.1 PID控制

比例-积分-微分（Proportion Integration Diffe- rentiation, PID）控制是应用最广泛的一种经典控制方法，为单输入单输出的控制方法，通过将车辆的预期状态与实际状态之间的偏差按照比例、积分和微分的关系进行控制，实现车辆的横向控制，如图1所示。PID控制结构简单、稳定性好、可靠性高，但控制效果取决于控制参数是否合适，较难应用于多变量和时变系统。

图1 PID控制原理

NETTO等[4]针对大曲率路径跟踪问题，基于最优路径检测数据，提出了一种PID控制策略。

HAYAKAWA等[5]设计了基于PID控制的前馈控制器和反馈控制器，能够在汽车速度发生变化时控制车辆稳定的转向。

后来随着控制理论的进一步发展，PID控制法逐渐结合其他控制方法，针对具有不确定性、非线性和外界干扰的系统进行控制器设计。

韩爱国等[6]综合考虑横摆角速度和单点预瞄模型本身误差建立驾驶员模型，采用滑模控制进行路径跟踪，同时使用PID控制消除单点预瞄模型产生的误差。

2.2 纯追踪控制

纯追踪控制（Pure Pursuit, PP）基于几何原理进行计算，可用来计算车辆从当前位置到预期位置之间走过的弧形轨迹，这种方法不需要建立车辆的动力学模型，结构简单，直观。但需要确定合适的预瞄距离，才能达到较好的路径跟踪精度。

吕文杰等[7]针对前视距离随车辆状态发生变化，将纯追踪控制与模糊控制器结合，通过模糊控制确定前视距离，并能根据工况实时调整，仿真结果表明，路径跟踪精度明显提高。

张苏才等[8]针对变速和复杂曲率的路径，结合纯追踪控制和模型预测控制设计横向运动控制器，当车辆纵向车速较低时，使用纯追踪控制，当车辆纵向车速较高时，采用模型预测控制。

2.3 最优控制

最优控制方法是基于现代控制理论的控制方法，对横向位置、转向速度等控制参数分配不同权重，对作为控制量的车轮转角序列进行调整得到性能指标泛函最小值。由于控制器计算量大，主要针对线性定常系统，由于车辆具有非线性特点，所以最优控制在车辆横向控制中具有一定的局限性。

马莹等[9]将有限时间内的当前位置与预瞄点位置误差、当前角度与预瞄点角度的误差作为控制变量，构建车辆横向控制模型，仿真及实车结果验证控制器误差小。

郭景华等[10]针对预瞄距离不同对横向控制的影响，基于最优控制理论设计了横向路径跟踪控制系统，主要包括反馈控制和前馈控制，其中前馈控制用来补偿路径曲率干扰。

2.4 滑模控制

滑模控制系统通过设计控制律，使系统的运动轨迹按预定的滑模轨迹改变，其控制参数少，响应快，不受外界扰动干扰。

姜立标等[11]设计了新的趋近律，建立基于反步控制的滑模控制模型，系统稳定性好。

徐明法[12]提出了如何对车轮滑移率进行合理分配，基于滑模控制设计了车辆横向控制器。

2.5 模型预测控制

模型预测控制（Model Predictive Control, MPC）也可叫做滚动时域最优控制，针对非线性动力学模型可预测未来某段时间内车辆的输出，通过解决带约束下的最优控制问题使车辆按照理想路径行驶。根据汽车行驶速度和方向盘转角等车辆信息预测横摆角速度，由此计算对应的制动力大小和横摆力矩，从而提高车辆的行驶稳定性。该控制鲁棒性强，稳定性好。但由于非线性系统的计算量较大，MPC需要在控制周期内完成大量计算。因此，车辆横向控制中，车辆需要进行线性化后采用模型预测控制。

江浩斌等[13]针对智能汽车在复杂路面条件下的自适应性，基于模型预测控制理论，利用遗传算法优化最优时域参数，引入纵向车速和道路曲率，设计了汽车路径跟踪控制器，经仿真验证，提高了路径跟踪的鲁棒性。

杨阳阳等[14]针对存在较大初始偏差的情况，将模型预测控制和纯追踪控制混合设计横向控制器，当横向偏差较大时，运用纯追踪控制法控制车辆，当横向偏差较小且满足算法约束时，则切换至模型预测控制，经仿真及实车验证，设计的横向控制器鲁棒性及跟踪精度均较高。

2.6 自适应控制

自适应控制可用来控制不完全确定性的系统，当有外部干扰及本身参数不停发生变化时，可采用自适应控制，通过不断检测车辆工作状态、优化控制准则，可不断对系统参数进行调整，达到最佳控制效果，通常也与其他控制方法一起使用。

ZHENHAI G等[15]使用BP（Back Propagation）神经网络表示和优化控制参数，设计自适应PID控制器，使用误差反馈调整PID参数。

吴永刚[16]针对不同工况下智能汽车的适应性不足的问题，将自适应控制与模型预测控制相结合，分析时域与约束等参数对控制器的影响，对模型预测控制器的参数进行自适应优化，实现参数自适应，改善车辆路径跟踪精度，仿真结果表明，所涉及的横向控制器跟踪精度和稳定性都较高。

2.7 模糊控制

模糊控制基于模糊数学，包括模糊化、知识库、模糊推理和解模糊，无需精确的数学模型，利用模糊集合和模糊变量模拟人类思维，只要建立正确的模糊规则，就能达到较好的控制效果，如图2所示。由于车辆横向控制具有非线性的特点，且模型复杂，所以比较适宜采用模糊控制。但由于模糊控制中规则参数需要人为确定，易造成稳态误差。

图2 模糊控制结构

李琳辉等[17]建立基于视觉预瞄距离的车辆横向控制模型，将模糊和滑模相结合，以车辆当前横向偏差和方位偏差组成的综合偏差为参数设计滑模面，利用模糊规则调整变量大小保证车辆转向的稳定性，仿真结果表明，该横向控制器保证车辆跟踪路径的精确性和稳定性。

刁勤晴等[18]针对大曲率路径转向机构过早转向及驶入车速过高，提出了双预瞄点的策略，并设计了模糊控制器，经仿真验证后，此横向控制器在大曲率路径跟踪时的控制精度高。

3 总结和展望

智能汽车正在逐渐走进人们的视野，作为智能汽车的核心技术，横向控制是决定整车性能的关键。车辆横向控制经过多年发展，已经较为成熟，其关键问题在于考虑极端路况时保证车辆横向控制的鲁棒性与平顺性。未来智能汽车的横向控制将要求在雨雪天气、积水等复杂路况下保证控制算法具有强鲁棒性，同时实际驾驶过程中，车辆作为一个整体，横向和纵向的力学影响是相互耦合的，因此，想要进行高精度的车辆控制，必须考虑进行车辆横纵向的耦合控制，另外，随着车联网技术的发展，依靠车用无线通信技术（Vehicle to Everything, V2X）可以获取车路人的信息，完成车辆高精度的横向控制，也将是未来的一个研究方向。