CN113954833B

CN113954833B - 一种全电驱分布式无人车路径跟踪与稳定性协调控制方法

Info

Publication number: CN113954833B
Application number: CN202010641666.0A
Authority: CN
Inventors: 周枫林; 游雨龙; 邹腾安; 廖海洋; 张智勇; 李光; 孙晓; 张展展
Original assignee: Hunan University of Technology
Current assignee: Hunan University of Technology
Priority date: 2020-07-06
Filing date: 2020-07-06
Publication date: 2023-05-30
Anticipated expiration: 2040-07-06
Also published as: CN113954833A

Abstract

本发明提出了一种全电驱分布式无人车路径跟踪与稳定性协调控制方法，该方法采用上下两层的控制，其中上层控制中设计了基于MPC的路径跟踪控制器和基于自适应模糊PID的横摆力矩控制器，以权值切换函数协调两个控制量输出，在减小路径跟踪横向偏差的同时确保车辆具备良好的响应特性。在下层控制中，设计了基于确定性力矩和基于稳定性滑转率控制的四轮力矩最佳分配原则，用于执行上层控制器计算得到的控制需求，避免无人车产生侧滑并精确产生需求横摆力矩。本发明相较于传统MPC控制在路径跟踪上具备更好的准确性，在车轮滑转率和横摆角速度方面具备更好的稳定性，同时使得使得无人车在对开路面、正弦变波纹路面等复杂路面仍能够有效的进行路径跟踪。

Description

一种全电驱分布式无人车路径跟踪与稳定性协调控制方法

技术领域

本发明涉及无人车运动学研究技术领域，具体涉及一种分布式无人车转向运动学模型。

背景技术

路径跟踪控制是无人车在道路行驶过程中一种常见的控制方案，是无人驾驶汽车运动控制的最基本问题之一，其通常是根据车轮转角、驱动力、制动力等控制量的输入，使无人车能够达到期望的行驶路径。路径跟踪的基本要求是无人车能够有效的跟踪期望路径，并且保证车辆的稳定行驶]。国内外学者对无人车的路径跟踪控制展开了大量研究，目前应用较多的控制算法有PID控制算法、模型预测控制算法等。

现有技术中利用PID算法未对车辆模型的具体状态研究，直接对来自路径规划层面的目标航向角和目标位置进行跟踪控制，取得了不错的跟踪效果，但是调试PID算法控制参数工作量大，而且往往通过实验试凑得到，并且PID算法不能解决控制信号延迟问题，控制量始终是对已经出现的偏差进行纠正难以控制的超调量对于车辆这种大惯性控制对象是一个严重的问题；另外，基于专家PID算法和最优预瞄控制理论建立了预瞄轨迹跟踪器，通过仿真验证该策略在良好路面上有较好的可靠性，但是来地面复杂、地面附着系数较低的情况下，路径跟踪误差较大。

故在现有的基于PID控制算法和模型预测控制算法的研究控制中，有以下问题没有得到解决：

(1))大多数研究者关注无人车路径跟踪控制过程中的准确度性能提升，忽略了车辆行驶过程中的自身稳定性的问题；

(2)应用模型预测控制算法进行路径跟踪控制，由于其计算复杂耗时，造成调整时间过长、抗干扰能力弱的问题并没有得到解决。

(3)模型预测控制算法考虑的状态量为车辆的位置坐标和航向角，未能对复杂路面造成的滑转率波动和过大的横摆力矩进行约束和考虑，产生了无人车失稳现象。

(4)目前大部分现有技术只是集中在传统的前轮转向，并假设只含有一个较小的转向角，解决全电驱分布式无人车的四轮独立转向独立驱动的稳定性问题性并不多见。

发明内容

本发明针对现有技术存在的问题，提出一种既能避免PID控制算法的控制延迟问题，也能解决模型预测控制算法出现的调整时间过长和抗干扰能力弱等问题的全电驱分布式无人车路径跟踪与稳定性协调控制方法。

本发明采用以下技术方案：

一种全电驱分布式无人车路径跟踪与稳定性协调控制方法，其步骤在于，

S1：建立无人车路径跟踪分层运动学模型；所述分层运动学模型包括可由整车速度和前轴转角可映射出整车位置和航向角状态量的上层运动学模型，以及可将整车速度和前轴转向角度映射到各自的四轮速度和四轮转角控制量的下层运动学模型；

S2：设计基于模型预测控制理论的路径跟踪器，将上层运动学模型作为模型预测控制算法的预测模型，搭建MPC路径跟踪控制器，建立预测方程，进行优化求解出最优控制量，并建立反馈机制，得到最优的路径跟踪控制量；同时设计基于自适应模糊PID控制理论的附加横摆力矩控制器，决策出控制所需的附加横摆力矩；引入加权系数，协调两个控制器的输出；

S3：设计基于确定性力矩和基于自适应模糊PID驱动防滑控制的力矩分配原则，重新分配每个车轮上的力矩，并对无人车的滑转率进行控制，精确的生成所需要的横摆力矩。

进一步地，所述上层运动学模型的表达式为，

其中X_G、Y_G为质心坐标，φ为无人车航向角，θ为无人车前轴中心转角，ω为无人车转向角速度，a为前轴到质心的距离；V为整车速度；将所述整车速度V与无人车前轴中心转角θ作为控制量。

进一步地，所述下层运动学模型为四轮阿克曼转向模型，其各轮纵向速度V_i关于车速V与前轴中心转角θ的关系式为，

其中R为整车模型的转向半径；a、b为前、后轴到质心的距离；B为左右两侧轮轮距。

进一步地，所述四轮阿克曼转向模型基于Carsim/Simulink的全电驱分布式无人车仿真平台建立；所述仿真平台包括由Simulink创建的独立驱动系统模型、独立转向系统模型、独立制动系统模型。

进一步地，S2中对增量式PID控制算法进行调整的表达式为，

K_p＝K_p0+ΔK_p

K_i＝K_i0+ΔK_i

K_d＝K_d0+ΔK_d

式中，K_p0、K_i0、K_d0为增量式PID控制器的初始参数；ΔK_p、ΔK_i、ΔK_d为模糊控制器的三个输出参数，K_p、K_i、K_d为自适应模糊PID控制器的最终参数。

进一步地，所述加权系数的定义如下，

T₂＝1

y₁和y₂为侧向偏差两个阈值；

基于该加权系数，航向角和横摆力矩控制为，

θ＝T₁θ；ΔM＝T₂ΔM

进一步地，所述S3中确定性力矩与附加横摆力矩的关系式为：

T_1i＝O_i+M_iε_m；

式中，

T_1i为确定性力矩；T_total等于四个车轮经过上次控制由增量式PID控制产生的四轮力矩总和，r为车轮半径；ε_m为分布式无人车总横摆力矩；R_i为各车轮的转向半径。

进一步地，所述S3中所述基于自适应PID算法的驱动防滑控制通过迅速降低对应轮毂电机的驱动力矩以控制车轮滑转率在目标范围内变化。

进一步地，所述基于自适应PID算法的驱动防滑采用逻辑门限值方法进行整车的驱动防滑控制，将最优滑转率设置为驱动防滑控制的阀值，控制车轮的实时滑转率，将驱动防滑控制后减小的输出力矩，转移至同侧滑转率小的车轮，若同侧另一车轮滑转率也超过阈值，则不进行力矩转移。

本发明的有益效果如下：

(1)本发明根据全电驱分布式无人车四轮独立驱动、独立转向的优势，基于分层控制理论设计了一种分布式无人车路径跟踪与稳定性协调控制方法，其兼顾了无人车路径跟踪控制过程中的准确度性能和自身稳定性，相较于传统MPC控制在路径跟踪具备更好的准确性，在车轮滑转率和横摆角速度方面具备更好的稳定性。

(2)本发明既能避免PID控制算法的控制延迟问题，也能解决模型预测控制算法出现的调整时间过长和抗干扰能力弱等问题，使得无人车在对开路面、正弦变波纹路面、侧坡路面等复杂路面仍能够有效的进行路径跟踪，且同时具备良好的行驶稳定性。

附图说明

图1为本发明提出的全电驱分布式无人车路径跟踪与稳定性协调控制方法框架；

图2为分布式无人车路径跟踪运动学模型；

图3为四轮阿克曼转向运动模型；

图4为自适应模糊控制器工作流程示意图；

图5为参数自整定模糊PID工作流程图；

图6为基于自适应模糊PID控制的附加横摆力矩控制器控制流程图；

图7为左前轮驱动防滑控制流程图；

图8为基于自适应模糊PID滑转率控制流程图；

图9为实施例3中两种控制方式的车轮滑移率对比图；

图10实施例3中两种控制方式的路径跟踪对比及速度跟踪对比图；

图11为实施例3中两种控制方式的横摆角对比图；

图12为实施例3中两种控制方式的航向角对比图；

图13为实施例4中两种控制方式下车轮滑移率对比图；

图14为实施例4中两种控制方式的路径跟踪对比及速度跟踪对比图；

图15为实施例4中两种控制方式的横摆角对比图；

图16为实施例4中两种控制方式的航向角对比图。

具体实施方式

下面结合附图以及实施例对本发明作进一步说明。在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“轴向”、“径向”、等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提出一种全电驱分布式无人车路径跟踪与稳定性协调控制方法，其方法如下：

S1：建立无人车路径跟踪分层运动学模型；分层运动学模型包括可由整车速度和前轴转角可映射出整车位置和航向角状态量的上层运动学模型，以及可将整车速度和前轴转向角度映射到各自的四轮速度和四轮转角控制量的下层运动学模型。

其中上层运动学模型不考虑无人车的四轮独立转向独立驱动的功能，将无人车视作为一个整体，分析其质心速度和前轴中心转角，如图3所示，在惯性坐标系OXY下，(X_r,Y_r)、(X_f,Y_f)、(X_G,Y_G)分别为车辆后轴、前轴轴心以及质心坐标，φ为无人车的航向角，θ为无人车前轴中心转角，V_G表示无人车质心速度，L为轴距，R为转向半径，定义正常速度V与质心速度V_G相等。

在分布式无人车的质心(X_G,Y_G)处，速度为：

前轴和质心约束为

推导运算得到车辆上层运动学模型为：

分布式无人车路径跟踪控制过程中，以V，θ作为控制量，所以该模型可被进一步表示为更为一般的形式:

式中，状态量ξ＝[X,Y,φ]^T,控制量μ＝[V,θ]^T。

由上层运动学可知在整车路径跟踪控制过程中的速度V和前轴转角θ关于状态量[X_G,Y_G,φ]的关系。

而对于下层运动学模型中，本发明基于传统两轮阿克曼转向模型和分布式无人车四轮独立驱动独立转向的优势，设计了四轮阿克曼转向模型，其具有六种转向模式，如图2所示，该模型保证每个车轮在转向时均绕一个瞬时中心做圆周运动，从而使车轮与地面处于纯滚动无滑移状态，以实现车辆顺畅转弯能实现更小的转向半径，并且能较好的保持速度稳定和力学响应特性。

如图3所示的四轮阿克曼转向运动学模型，R为质心G到旋转转向O的距离,即整车模型的转向半径，α₁、α₂、β₁、β₂为各个车轮的转向角度；轴中心到旋转中心的距离；为质心到旋转转向的距离，即车辆的旋转半为左右两侧轮轮距，为前后轴轴距；a、b分别为前、后轴到质心G的距离；R₁、R₂、R₃、R₄分别为各个车轮绕旋转中心O的转向半径；V₁、V₂、V₃、V₄分别为各个车轮的纵向速度，V为质心速度；θ为前轴中点处的转角，本实施例中将θ定义为整车模型前轴的瞬时转角，

由图中几何关系可得，

tanα₁＝a/(R₁+B/2) tanα₂＝b/(R₂+B/2)

tanβ₁＝a/(R₃-B/2) tanβ₂＝b/(R₄-B/2)

由瞬心定理可得

/>

各式联立，可得各轮速度V_i关于车速V与前轴中心转角θ的关系式：

基于以上运动学分析，当四轮转向阿克曼模型得到来自上层运动学模型中的前轴转角θ与整车速度V时，可得到四轮转角α₁、α₂、β₁、β₂和各轮速V₁、V₂、V₃、V₄的控制量，可据此改变四轮转角与轮速，达到期望车速与期望转角，实现分布式无人车的转向控制。

至此，本发明中的无人车路径跟踪分层运动学模型搭建完成。

S2：设计基于模型预测控制理论的路径跟踪控制器，将上层运动学模型作为模型预测控制算法的预测模型，建立预测方程，进行优化求解出最优控制量，并建立反馈机制，提前预知车辆的未来状态量，得到最优的路径跟踪控制量；同时设计基于自适应模糊PID控制理论的附加横摆力矩控制器，决策出控制所需的附加横摆力矩；引入加权系数，协调两个控制器的输出。

此步骤中将模型预测控制算法应用于路径跟踪控制之中，将分层运动学模型中的上层运动学模型作为模型预测控制算法的预测模型，建立预测方程，将分布式无人车实际位置点和路径参考位置点的误差模型离散化处理，可得，

式中，/>

T为采样时间，r为采样点；

据此得到一个离散的线性化的状态空间系统，该系统是建立在本文上层无人车运动学的基础上，根据此系统可设计基于线性时变模型预测控制算法的分布式无人车路程控制策略；之后将离散化的误差模型表达成线性化系统空间方程，并进行转换与推导，可以得到上述系统的预测输出表达式：

Y(t)＝ψ_tξ(t|t)+Θ_tΔU(t)

通过当前时刻的状态量ξ(t|t)和预测时域的控制增量ΔU(t)，可计算出预测时域的状态量(即上述未来状态量)和控制输出量，由此可克服PID算法中的控制延迟的问题。

此外，上述预测输出表达式中的ΔU(t)只有通过设定合适的目标函数，并进行优化求解才能得到，为了保证分布式无人车快速准确的跟踪上期望目标路径，本实施例建立对状态量偏差、控制量、控制增量三个参数进行优化的目标函数。

目标函数具体如下，

式中，ρ为权重系数，ε为松弛因子；

该优化目标函数的功能是使被控对象平稳、迅速的跟踪上期望路径。目标函数第一项反映了控制对象对期望路径的跟踪能力，第二项代表反映了对控制量平稳变化要求，Q、R为这两项的权值数值。此外，在实际控制系统中，需要对控制量、控制增量、状态量偏差进行约束限制，约束条件如下：

控制量约束：

u_min(t+k)≤u(t+k)≤u_max(t+k),k＝0,1Λ,N_c-1

控制增量约束：

Δu_min(t+k)<Δu(t+k)≤u_max(t+k)，k＝0,1,ΛN_c-1

输出约束：

y_min(t+k)≤y(t+k)≤y_max(t+k),k＝0,1,ΛN_c-1

以上各式构成了一个完整的对对控制量、控制增量、状态量偏差的优化目标函数，通过优化求解，可以得到未来一段时间的控制序列，包括预测时域控制增量ΔU(t)序列。

之后将将该控制序列中的第一个元素作为实际控制输入增量作用于系统，即：

u(t)＝u(t-1)+Δu_t*；

系统执行这一控制量直到下一时刻，在新的时刻，系统根据状态信息重新预测下一段时域的输出，通过优化过程得到一个新的控制增量序列，如此循环往复，直至系统完成控制过程，以此形成最优的滚动优化，即建立了反馈机制。

本实施例中，考虑到模型预测控制理论的路径跟踪在复杂路面上的局限性，引入了附加横摆力矩控制来加快路径跟踪控制的响应时间，设计基于自适应模糊PID控制理论的附加横摆力矩控制器，该控制器通过控制偏差和控制偏差变化率在线调整增量式PID控制算法中的比例参数、积分参数、微分参数。从而改善控制器在复杂路面上的路径跟踪性能，提高控制器的自适应能力。

具体而言，如图4所示，自适应模糊PID控制器包括模糊化、模糊推理、清晰化三个工作流程，其中模糊化工作流程对应的工作内容为输入隶属度函数，将无人车期望轮速和实际轮速的差值E以及差值变化率EC作为控制器的输出变量；模糊推理工作流程对应的工作内容为制定控制规则，对增量式PID的参数K_p、K_i、K_d进行自适应整定，以满足不同的E和EC对控制器参数的不同要求，如图5、图6所示；清晰化工作流程对应的工作内容为逻辑判断，确保所需的控制量足够精准，并输出至受控对象。

模糊推理工作流程对增量式PID的参数进行自适应整定的表达式为：

K_p＝K_p0+ΔK_p

K_i＝K_i0+ΔK_i

K_d＝K_d0+ΔK_d

由于全电驱分布式无人车的模型预测路径跟踪控制器和附加横摆力矩路径跟踪控制器都具备对期望路径进行跟踪的能力，为了得到更好的控制效果，引入加权系数T_i，当侧向偏差较大时，同时使用模型预测路径跟踪控制器和附加横摆力矩路径跟踪控制器，当侧向偏差较小时，使用附加横摆力矩路径跟踪控制器。

加权系数的定义如下，

T₂＝1

y₁和y₂为侧向偏差两个阈值；

基于该加权系数，航向角和横摆力矩控制为，

θ＝T₁θ；ΔM＝T₂ΔM。

y₂和y₁为本实施例中的侧向偏差两个阈值，当横向偏差|y|大于y₂时，同时使用模型预测路径跟踪控制器和附加横摆力矩路径跟踪控制器；当y₂>|y|>y₁时，逐渐减弱模型预测路径跟踪控制器的影响；当|y|<y₁时，仅使用附加横摆力矩路径跟踪控制器进行路径跟踪。

至此稳定性协调控制方法中的上层控制就已经构建完成。

S3：设计基于确定性力矩和基于自适应模糊PID驱动防滑控制的最佳四轮力矩力矩分配原则，重新分配每个车轮上的力矩，并对无人车的滑转率进行控制，精确的生成所需要的横摆力矩。

在上层控制中，仅考虑路径跟踪的位置与航向角状态信息进行跟随，并且计算复杂，没有考虑到路面状态信息，所以在对复杂路面进行路径跟随时，不一定能够达到稳定良好的跟踪效果，不能实现快速、稳定、准确的跟踪目标，故本发明在下层控制中，设计了基于确定性力矩分配原则和基于自适应模糊PID驱动防滑控制。

针对全电驱分布式无人车的四轮独立驱动独立转向机构的优势，本发明提出了一种新的横摆力矩控制策略，该策略通过车轮纵向力矩的分配，在明确生成上层控制所需要的横摆力矩基础上保持各个车轮力矩差最小，可避免因为过大的横摆力矩，造成无人车在高速或者复杂路面中可能出现的侧滑或则过度转向现象，达到路径跟踪准确度错误最小化，保持车辆稳定性的目的。

具体而言，本实施例中基于下层运动学模型(即四轮阿克曼转向运动学模型)分析确定性力矩的产生，如图所示；由四轮阿克曼转向原理可知，车轮的纵向力与切向力相等，故由此可得，

总驱动力矩：

T_total＝T₀₁+T₀₂+T₀₃+T₀₄＝F₁r+F₂r+F₃r+F₄r

分布式无人车总横摆力矩ε_m由两部分组成，分别来自上层控制的MPC路径跟踪控制器M^MPC和附加横摆力矩控制器ΔM；

驱动力分解公式为

式中，

以上式中，T_0i为经过上层控制后由增量式PID控制产生的车轮力矩，T_1i为确定性力矩，F_i为各驱动轮的驱动力,T_total等于四个车轮经过上次控制由增量式PID控制产生的四轮力矩总和，r为车轮半径。

因为ε_m、F_total与行驶需求相关，是不固定的，所以驱动力分配有多个解。为了避免产生过大需求力矩导致无人车在转向过度失去控制，本发明在满足需求横摆力矩的同时，使每个车轮上的力矩差别最小，

故最小化：

经过推导求解后，可得到确定性力矩与所需横摆力矩的关系式，

T_1i＝O_i+M_iε_m；

式中，

根据上式，可在精确生成无人车路径跟踪上层控制所需的横摆力矩的同时，控制每个车轮上的力矩分布，保持各个车轮力矩差最小，避免无人车出现转向过度和侧滑造成的失稳现象，这即为实现了确定性力矩分配。

而同时，本实施例在下层控制中还提出一种基于自适应PID算法的驱动防滑控制，该控制的基本原理是当驱动车轮发生过度滑转时，迅速降低对应轮毂电机的驱动力矩，保持车轮滑转率在目标范围内变化，避免车轮出现过度滑转现象和处于失稳的状态。

本实施例中采用逻辑门限值的方法进行整车的驱动防滑控制，主要方式是将最优滑转率设置为驱动防滑控制的阀值，通过控制车轮的实时滑转率来实现驱动防滑控制。同时为了保持内外侧车轮总力矩不变，保持需求横摆力矩，根据上述确定的将驱动防滑控制后减小的输出力矩，转移至同侧滑转率小的车轮，若同侧另一车轮滑转率也超过阈值，则不进行力矩转移；采用同样方法，对另一侧两车轮进行控制，其中左前轮的驱动防滑控制流程如图7所示，其余三个车轮的驱动防滑控制同理，通过此驱动防滑控制策略，将车轮滑转率始终控制在稳定区域内；车轮的滑转率控制同样采用上层控制中所用到的采用自适应模糊PID控制算法，当满足滑转率要求时，将PID增量清0，否则下轮控制将会将前一轮的增量作为初值进行控制量累加，易出现超调现象并以此报错。

故以上的确定性力矩分配以及逻辑门限值的驱动防滑控制，均可重新分配每个车轮上的力矩，达到精确的生成控制所需的横摆力矩和稳定车轮滑转率的目的，在满足上层控制需求的同时，保证无人车行驶的稳定性。

实施例2

本实施例以无人车运动仿真平台上提供的对开路面的测试路况对本发明提出的稳定性协调控制的路径跟踪和现有技术下的MPC控制(模型预测控制)下的路径跟踪进行仿真验证。

无人车进入不同附着系数的对开路面时，地面给予车轮不同的驱动力矩，造成四个车轮出现了不同的速度差值，各轮滑移率出现了波动。仅使用MPC控制器进行路径跟踪时，其各轮滑转率出现了较大的波动，且出现了超过最优滑转率，发生了比较严重的打滑现象，如图9所示；其对期望路径和期望速度跟踪均出现了波动，如图10所示；并且在对路径跟踪控制时，出现了较大的航向角和横摆角速度波动情况，如图11、12所示；因此，无人车在MPC控制下进行路径跟踪控制时其跟踪精度和稳定性均不理想。

采用协调控制策略，滑转率能够维持在0附近，如图9所示，此时，协调控制使车辆滑动成分所占比例很小，说明此时车轮处于纯滚动的理想状态，有助于无人车的稳定性控制。如图10所示，两种控制下路径跟踪对比图所示，协调控制下，无人车的路径跟踪的准确性得到了提高，对于目标路径能够实现稳定准确跟踪。如图10所示，在速度响应中，协调控制比MPC控制快2s达到期望车速。如图11、12所示，在航向角以及横摆角速度控制指标中，协调控制均比MPC控制下更平稳变化，更有利于车辆的安全驾驶。

实施例3

本实施例以无人车运动仿真平台上提供的Sine Sweep路面测试路况对本发明提出的稳定性协调控制的路径跟踪和现有技术下的MPC控制(模型预测控制)下的路径跟踪进行仿真验证。

分布式无人车进入Sine Sweep路面时，由于地面高低不平，造成无人车出现侧滑摆动现象，理论上各轮滑移率将出现波动。

如图13所示，仅适用MPC控制器进行路径跟踪时，其各轮滑转率出现了较大的波动，由于增大了无人车的横摆力矩，其路径跟踪与速度跟踪均出现了波动，并且无人车右转向时，即从低附着系数路面到高附着系数路面时，始终存在横向偏差，如图14所示。

而采用协调控制策略时，考虑了横摆角速度控制的附加力矩控制，以及基于滑转率控制和确定性力的力矩分配，滑转率大体能够维持在0附近，滑转率始终保持在稳定区间，有助于无人车的稳定性控制，如图13所示。无人车对于期望路径的跟踪准确度更好，并且解决了MPC控制下存在的横向偏差现象，如图14所示；速度能够始终稳定的维持在50km/h,无波动现象，如图14所示。无人车的航向角以及横摆角速度控制量均比MPC控制下更平稳，更有利于无人车的行驶安全，如图15、16所示。

实施例4

本实施例中提出一种仿真平台，实施例1中下层运动学模型中所提出的四轮阿克曼转向模型即建立在该基于Carsim与Simulink联合仿真建立的全电驱分布式无人车运动仿真平台上；该仿真平台包括由Carsim创建的车身外形尺寸模型、空气动力学模型、轮胎与悬挂系统模型和由Simulink创建的驱动系统模型、转向系统模型、制动系统模型，故该平台具有的独立驱动与独立转向的优势，具备建立四轮阿克曼转向运动学模型的条件。

显然，上述实例仅仅是为清楚地说明本发明的技术方案所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims

1.一种全电驱分布式无人车路径跟踪与稳定性协调控制方法，其特征在于，其步骤在于，

S1：建立无人车路径跟踪分层运动学模型；所述分层运动学模型包括可由整车速度和前轴转角映射出整车位置和航向角状态量的上层运动学模型，以及可将整车速度和前轴转向角度映射到各自的四轮速度和四轮转角控制量的下层运动学模型；

S2：设计基于模型预测控制理论的路径跟踪控制器，将上层运动学模型作为模型预测控制算法的预测模型，搭建MPC路径跟踪控制器，建立预测方程，进行优化求解出最优控制量，并建立反馈机制，得到最优的路径跟踪控制量；同时设计基于自适应模糊PID控制理论的附加横摆力矩控制器，在线调整增量式PID控制算法中的参数，决策出控制所需的附加横摆力矩；引入加权系数，协调两个控制器的输出；

S3：设计基于确定性力矩和基于自适应模糊PID驱动防滑控制的最佳四轮力矩分配原则，重新分配每个车轮上的力矩，并对无人车的滑转率进行控制，精确的生成所需要的横摆力矩；

其中，S2中所述加权系数的定义如下，

T₂＝1

y₁和y₂为侧向偏差两个阈值；

基于该加权系数，航向角和横摆力矩控制为，

θ＝T₁θ；ΔM＝T₂ΔM；

S3中确定性力矩与附加横摆力矩的关系式为，

T_1i＝O_i+M_iε_m；

式中，

2.根据权利要求1所述的无人车路径跟踪与稳定性协调控制方法，其特征在于，所述上层运动学模型的表达式为，

3.根据权利要求1所述的无人车路径跟踪与稳定性协调控制方法，其特征在于，所述下层运动学模型为四轮阿克曼转向模型，其各轮纵向速度V_i关于车速V与前轴中心转角θ的关系式为，

4.根据权利要求3所述的无人车路径跟踪与稳定性协调控制方法，其特征在于，所述四轮阿克曼转向模型基于Carsim/Simulink的全电驱分布式无人车仿真平台建立；所述仿真平台包括由Simulink创建的独立驱动系统模型、独立转向系统模型、独立制动系统模型。

5.根据权利要求1所述的无人车路径跟踪与稳定性协调控制方法，其特征在于，S2中对增量式PID控制算法调整的方程式为，

K_p＝K_p0+ΔK_p

K_i＝K_i0+ΔK_i

K_d＝K_d0+ΔK_d

6.根据权利要求1所述的无人车路径跟踪与稳定性协调控制方法，其特征在于，S3中所述基于自适应PID算法的驱动防滑控制通过迅速降低对应轮毂电机的驱动力矩以控制车轮滑转率在目标范围内变化。

7.根据权利要求6所述的无人车路径跟踪与稳定性协调控制方法，其特征在于，所述基于自适应PID算法的驱动防滑采用逻辑门限值方法进行整车的驱动防滑控制，将最优滑转率设置为驱动防滑控制的阀值，控制车轮的实时滑转率，将驱动防滑控制后减小的输出力矩，转移至同侧滑转率小的车轮，若同侧另一车轮滑转率也超过阈值，则不进行力矩转移。