<img src="https://www.zjujournals.com/eng/images/1008-973X/images/logo.png" class="img-responsive">

图 1 无人驾驶车辆的路径跟踪模型

Fig.1 Path tracking model for autonomous vehicle

基于δ_f和Δ $\phi $小角度假设，无人驾驶车辆系统动力学模型可以表示为

$ \left. {\begin{array}{*{20}{l}} {\dot \beta = ({F_{y{\rm{f}}}} + {F_{y{\rm{r}}}})/\left( {m{v_x}} \right) - r,}\\ {\dot r = ({F_{y{\rm{f}}}}{l_{\rm{f}}} - {F_{y{\rm{r}}}}{l_{\rm{r}}})/{I_z},}\\ {{{\dot e}_y} = v\sin \Delta {\phi} \approx {v_x}(\beta + \Delta {\varphi} ),}\\ {\Delta \dot {\varphi} = r - \dot s\rho .} \end{array}} \right\}$

(1)

式中：m为车辆的质量，I_z为车辆横摆转动惯量，s为车辆沿期望路径的行驶距离，ρ为道路曲率.

轮胎模型采用魔术公式，轮胎侧向力可由下式计算^[17]：

$ \left. \begin{array}{l} {F_y} = {D_y}\sin \;\left[ {{C_y}\arctan \;({B_y}\alpha - {E_y}({B_y}\alpha - \arctan \;({B_y}\alpha )))} \right],\\ {C_y} = 1.3,\\ {D_y} = \mu ({b_1}{F_z}^2 + {b_2}{F_z}),\\ {B_y} = ({b_3}{F_z}^2 + {b_4}{F_z})\exp\; ( - {b_5}{F_z})/({C_y}{D_y}),\\ {E_y} = {b_6}{F_z}^2 + {b_7}F + {b_8}. \end{array} \right\}$

(2)

式中：μ为路面附着系数；F_z为轮胎垂向载荷；b_i（i=1，···，8）为拟合系数，取值分别为b₁=−22.1，b₂=1011，b₃=1078，b₄=1.82，b₅=0.208，b₆=0，b₇ = −0.354， b₈ = 0.707.

引入等效侧偏刚度概念，轮胎模型可以表述为如下线性形式^[8]：

$ \left. {\begin{array}{*{20}{l}} {{F_{y{\rm{f}}}}{\rm{ = }}{C_{\rm{f}}}{\alpha _{\rm{f}}}{\rm{ = }}({C_{{\rm{f0}}}} + \Delta {C_{\rm{f}}}){\alpha _{\rm{f}}},}\\ {{F_{y{\rm{r}}}}{\rm{ = }}{C_{\rm{r}}}{\alpha _{\rm{r}}}{\rm{ = }}({C_{{\rm{r0}}}} + \Delta {C_{\rm{r}}}){\alpha _{\rm{r}}}.} \end{array}} \right\}$

(3)

式中：F_yf、F_yr分别为前、后轴轮胎侧向力，C_f、C_r分别为前、后轴轮胎的等效侧偏刚度， C_f0、C_r0为前轴和后轴轮胎侧偏角非常小时的标称侧偏刚度，ΔC_f、ΔC_r表示前、后轴轮胎侧偏刚度的不确定部分.

基于小角度假设可知，前、后轴轮胎侧偏角可由下式计算：

$\left. {\begin{array}{*{20}{c}} {{\alpha _{\rm{f}}} = - \left( {\dfrac{{{v_y} + r{l_{\rm{f}}}}}{{{v_x}}} - {\delta _{\rm{f}}}} \right){\rm{ = }} - \beta - \dfrac{{r{l_{\rm{f}}}}}{{{v_x}}} + {\delta _{\rm{f}}},}\\ {{\alpha _{\rm{r}}} = - \left( {\dfrac{{{v_y} - r{l_{\rm{r}}}}}{{{v_x}}}} \right) = - \beta + \dfrac{{r{l_{\rm{r}}}}}{{{v_x}}}.} \end{array}} \right\}$

(4)

前、后轴轮胎侧偏角之间的关系可以表示为

$ {\alpha _{\rm{r}}} = {\alpha _{\rm{f}}} + \frac{{lr}}{{{v_x}}} - {\delta _{\rm{f}}}. $

(5)

式中：l为轴距.

2. 控制器设计

参考文献[7]的前馈-反馈控制器和文献[18]的“三步法”控制器结构，该横向控制器由以下3部分组成（见图2）. 1)基于前向速度、曲率和轮胎模型的前馈控制，当车速和道路曲率发生变化时，相应地对前轮转角进行补偿，提前干预减少反馈需求量和总控制量. 2)基于路径跟踪偏差的反馈控制，考虑车身侧偏的影响，通过消除车辆质心前方距离x_L处的横向位移跟踪误差e_L，来消除车辆航向角偏差Δ $\phi $和侧向位移偏差e_y. 3)后轮侧偏角自抗扰控制，将被控系统转化为积分器串联型系统，通过扩张状态观测器观测未建模动态和未知扰动，将后轮侧偏角控制在期望值附近.

图 2

图 2 横向控制示意图

Fig.2 Diagram of lateral control

通过前馈、轨迹偏差反馈和后轮侧偏角自抗扰控制，改善高速无人驾驶车辆的轨迹跟踪性能和稳定性.

2.1. 前馈和轨迹偏差反馈

将稳态前轮转角作为前馈控制转角^[5]，稳态转向时，将F_y^r = mρv_x²，r = ρv_x， $\dot r = 0$代入式（1），可得

$ \left. {\begin{array}{*{20}{l}} {{F_{y{\rm{f}}}}^{\rm{r}}{\rm{ = }}\dfrac{{{l_{\rm{r}}}}}{{{l_{\rm{f}}}{\rm{ + }}{l_{\rm{r}}}}}{F_y}^{\rm{r}}{\rm{ = }}\dfrac{{{l_{\rm{r}}}}}{l}m\rho {v_x}^2,}\\ {{F_{y{\rm{r}}}}^{\rm{r}}{\rm{ = }}\dfrac{{{l_{\rm{f}}}}}{{{l_{\rm{f}}}{\rm{ + }}{l_{\rm{r}}}}}{F_y}^{\rm{r}}{\rm{ = }}\dfrac{{{l_{\rm{f}}}}}{l}m\rho {v_x}^2.} \end{array}} \right\} $

(6)

式中： F_yf^r和F_yr^r分别为稳态转向时前、后轴轮胎侧向力.

根据式（5），并联合式（3）、（6），可得前馈控制转角为

$ {\delta _{\rm{ff}}} = \frac{{lr}}{{{v_x}}} - {\alpha _{\rm{f}}}^{\rm{r}} + {\alpha _{\rm{r}}}^{\rm{r}} = l\rho + \frac{{m\rho {v_x}^2}}{l}\left(\frac{{{l_{\rm{r}}}}}{{{C_{\rm{f}}}}} - \frac{{{l_{\rm{f}}}}}{{{C_{\rm{r}}}}}\right). $

(7)

式中： ${\alpha _{\rm{f}}}^{\rm{r}} $、 ${\alpha _{\rm{r}}}^{\rm{r}} $分别为稳态转向时前、后轴轮胎侧偏角.

如图3所示为理想的轨迹跟踪状态示意图，图示时刻质心处侧向位移偏差为零. 由于车身侧偏的影响，车辆横摆角偏差为质心侧偏角的相反数；车辆航向角等于期望的路径切线航向角，车辆航向角偏差为零. 质心侧偏角通常可以由多种方法估计出来^[19-20]. 以车辆航向角偏差和侧向位移偏差作为反馈控制量，轨迹跟踪偏差反馈控制转角为

$ {\delta _{{\rm{fb}}}} = - k{e_{\rm{L}}} = - k({e_y} + {x_{\rm{L}}}\sin \Delta \phi ). $

(8)

图 3

图 3 理想的轨迹跟踪状态示意图

Fig.3 Diagram of ideal trajectory tracking state

2.2. 后轮侧偏角自抗扰控制

2.2.1. 被控系统模型

对式（4）中的后轮侧偏角求导，分别代入式（1）、（5），可得

$ \begin{split} &{{\dot \alpha }_{\rm{r}}} = - \dfrac{{{F_{\rm{f}}} + {F_{\rm{r}}}}}{{m{v_x}}} + \dfrac{{{v_x}}}{l}({\alpha _{\rm{r}}} - {\alpha _{\rm{f}}} + {\delta _{\rm{f}}}) + \dfrac{{{l_{\rm{r}}}}}{{{I_z}{v_x}}}\left({l_{\rm{f}}}{F_{\rm{f}}} - {l_{\rm{r}}}{F_{\rm{r}}}\right) \hfill= \\ & \left( - \dfrac{{{C_{\rm{f}}}}}{{m{v_x}}} - \dfrac{{{v_x}}}{l}{\rm{ + }}\dfrac{{{l_{\rm{r}}}{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}{v_x}}}\right){\alpha _{\rm{f}}} + \left( - \dfrac{{{C_{\rm{r}}}}}{{m{v_x}}} + \dfrac{{{v_x}}}{l} - \dfrac{{{l_{\rm{r}}}^2{C_{\rm{r}}}}}{{{I_z}{v_x}}}\right){\alpha _{\rm{r}}} + \dfrac{{{v_x}}}{l}{\delta _{\rm{f}}} \hfill .\\ \end{split} $

(9)

对式（5）求导，并联立式（1）、（3）可得

$ {\dot \alpha _{\rm{f}}} = {\dot \alpha _{\rm{r}}} - \frac{{l\dot r}}{{{v_x}}} + {\dot \delta _{\rm{f}}}{\rm{ = }}{\dot \alpha _{\rm{r}}} + \frac{{l{l_{\rm{r}}}{C_{\rm{r}}}}}{{{I_z}{v_x}}}{\alpha _{\rm{r}}} - \frac{{l{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}{v_x}}}{\alpha _{\rm{f}}} + {\dot \delta _{\rm{f}}}. $

(10)

将式（9）中的α_f用 ${\alpha _{\rm{f}}} = {\alpha _{\rm{f}}}{\rm{(}}{\dot \alpha _{\rm{r}}},{\alpha _{\rm{r}}},{\delta _{\rm{f}}}{\rm{)}}$表示：

$ \begin{split} & {\alpha _{\rm{f}}} = {\left( { - \frac{{{C_{\rm{f}}}}}{{m{v_x}}} - \frac{{{v_x}}}{l}{\rm{ + }}\frac{{{l_{\rm{r}}}{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}{v_x}}}} \right)^{ - 1}} \times \\ & \left[ {{{\dot \alpha }_{\rm{r}}} - \left( { - \frac{{{C_{\rm{r}}}}}{{m{v_x}}} + \frac{{{v_x}}}{l} - \frac{{{l_{\rm{r}}}^2{C_{\rm{r}}}}}{{{I_z}{v_x}}}} \right){\alpha _{\rm{r}}} - \frac{{{v_x}}}{l}{\delta _{\rm{f}}}} \right]. \end{split}$

(11)

对式（9）再求导，并将式（10）、（11）代入，化简可得

$\begin{split} &{{\ddot \alpha }_{\rm{r}}} = \left( { - \dfrac{{{C_{\rm{f}}} + {C_{\rm{r}}}}}{{m{v_x}}} + \dfrac{{{l_{\rm{r}}}{l_{\rm{f}}}{C_{\rm{f}}} - {l_{\rm{r}}}^2{C_{\rm{r}}} - l{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_{{z}}}{v_x}}}} \right){{\dot \alpha }_{\rm{r}}} + \cdots \\ &\left( {\dfrac{{{l^2}{C_{\rm{f}}}{C_{\rm{r}}}}}{{m{I_z}{v_x}^2}} + \frac{{{l_{\rm{f}}}{C_{\rm{f}}} - {l_{\rm{r}}}{C_{\rm{r}}}}}{{{I_z}}}} \right){\alpha _{\rm{r}}} + \dfrac{{{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}}}{\delta _{\rm{f}}} + \left( { - \dfrac{{{C_{\rm{f}}}}}{{m{v_x}}}{\rm{ + }}\dfrac{{{l_{\rm{r}}}{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}{v_x}}}} \right){{\dot \delta }_{\rm{f}}}. \end{split}$

(12)

将式（12）前轮转角系数项C_f中的不确定部分ΔC_f分离出来作为系统扰动，令 ${x_1} = {\alpha _{\rm{r}}},{x_2} = {\dot \alpha _{\rm{r}}}$，可将式（12）写成状态空间表达式：

$ \left. {\begin{array}{*{20}{l}} {{{\dot x}_1} = {x_2},}\\ {{{\dot x}_2} = b{\delta _{\rm{f}}} + f({x_1},{x_2},{\delta _{\rm{f}}},t).} \end{array}} \right\}$

(13)

式中：

$ \begin{split} &b = \frac{{{l_{\rm{f}}}{C_{{\rm{f0}}}}}}{{{I_z}}} ;\\ &{f({x_1},{x_2},{\delta _{\rm{f}}},t){\rm{ = }}\left( { - \dfrac{{{C_{\rm{f}}} + {C_{\rm{r}}}}}{{m{v_x}}} + \dfrac{{{l_{\rm{r}}}{l_{\rm{f}}}{C_{\rm{f}}} - {l_{\rm{r}}}^2{C_{\rm{r}}} - l{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}{v_x}}}} \right){x_2} + \cdots {\rm{ }}}\\ &{\left( {\dfrac{{{l^2}{C_{\rm{f}}}{C_{\rm{r}}}}}{{m{I_z}{v_x}^2}} + \dfrac{{{l_{\rm{f}}}{C_{\rm{f}}} - {l_{\rm{r}}}{C_{\rm{r}}}}}{{{I_z}}}} \right){x_1} + \dfrac{{{l_{\rm{f}}}\Delta {C_{\rm{f}}}{\delta _{\rm{f}}}}}{{{I_z}}} + \left( { - \dfrac{{{C_{\rm{f}}}}}{{m{v_x}}}{\rm{ + }}\dfrac{{{l_{\rm{r}}}{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}{v_x}}}} \right){{\dot \delta }_{\rm{f}}} ;} \end{split} $

δ_f为车辆系统总的控制量，

$ {\delta _{\rm{f}}}{\rm{ = }}{\delta _{\rm{f}}}_{\rm{f}} + {\delta _{{\rm{fb}}}} + {\delta _{\rm{s}}}, $

(14)

其中δ_s为后轮侧偏角自抗扰控制得到的前轮转角.

将式（7）、（8）、（14）代入式（13），将前馈转角项、轨迹偏差反馈转角项作为系统扰动，可将系统（13）转化为控制系统（15）：

$ \left. {\begin{array}{*{20}{l}} {{{\dot x}_1}{\rm{ = }}{x_2},}\\ {{{\dot x}_2}{\rm{ = }}b{\delta _{\rm{s}}} + {f_{\rm{w}}}.} \end{array}} \right\}$

(15)

式中：

$ \begin{split} &{f_{\rm{w}}} = f({x_1},{x_2},{\delta _{\rm{f}}},t) + \\ &\dfrac{{{l_{\rm{f}}}{C_{\rm{f}}}}}{{{I_z}}}\left[ {l\rho + \dfrac{{m\rho {v_x}^2}}{l}\left( {\dfrac{{{l_{\rm{r}}}}}{{{C_{\rm{r}}}}} - \dfrac{{{l_{\rm{f}}}}}{{{C_{\rm{r}}}}}} \right) - k({e_y} + {x_{\rm{L}}}\sin \Delta \phi )} \right] + w(t), \end{split} $

其中w(t)为系统未建模动态和侧向风干扰等内、外界扰动，f_w为系统已知干扰和未知干扰的总和.

2.2.2. 自抗扰控制器设计

自抗扰控器设计包含微分跟踪器、非线性组合及扩张状态观测器3个模块（见图4）. 后轮侧偏角可以通过质心侧偏角估计^[19-20]和式（4）得到，也可以通过直接估计获得^[21]. 参考后轮侧偏角，可以在式（7）的计算过程中得到.

图 4

图 4 自抗扰控制器示意图

Fig.4 Diagram of active disturbance rejection controller

1）微分跟踪器. 微分跟踪器避免了由误差e提取de/dt，利用“快速控制最优综合函数”最快的跟踪微分信号，离散形式为

$ \left. {\begin{array}{*{20}{c}} {{v_1}(k + 1) = {v_1}(k) + h{v_2}(k),}\\ {{v_2}(k + 1) = {v_2}(k) + h{f_{\rm{h}}}.} \end{array}} \right\}$

(16)

由式（16）求得的快速控制最优综合函数为

$\left. {\begin{array}{*{20}{l}} {d = {r_0}h,\;{d_0} = dh;}&{}\\ {c = {v_1} + h{v_2};}&{}\\ {{a_0} = {{({d^2} + 8{r_0}\left| c \right|)}^{1/2}};}&{}\\ {a = \left\{ {\begin{array}{*{20}{c}} {{v_2} + ({a_0} - d)/2,}\\ {{v_2} + c/h,} \end{array}} \right.}&{\begin{array}{*{20}{l}} {\left| c \right| > {d_0};}\\ {\left| c \right| \leqslant {d_0};} \end{array}}\\ {{f_{\rm{h}}} = - \left\{ {\begin{array}{*{20}{c}} {{r_0}a/d,}\\ {{r_0}{\rm{sgn}}\;a,} \end{array}} \right.}&{\begin{array}{*{20}{l}} {\left| a \right| \leqslant d;}\\ {\left| a \right| > d.} \end{array}} \end{array}} \right\}$

(17)

式中：h为积分仿真步长，本文取0.001 s；控制器设计参数r₀为决定跟踪速度的速度因子，一般选取较大的值.

2）扩张状态观测器. 设计扩张状态观测器时，将总扰动f_w作为扩张的状态变量，对系统总的未建模动态和未知扰动给予观测并补偿. 令状态观测器输出为z₁、z₂ 和z₃，分别为x₁、x₂和f_w的观测值，则系统输出的观测误差为 e=z₁−y = z₁−x₁. 观测器的状态方程为

$ \left. {\begin{array}{*{20}{l}} {{z_1}(k + 1) = {z_1}(k) + h({z_2}(k) - {\beta _1}e(k)),}\\ {{z_2}(k + 1) = {z_2}(k) + h\left[ {{z_3}(k) - {\beta _2}{\rm{fa}}{{\rm{l}}_1}(e,{\alpha _1},\delta ) + b{\delta _{\rm{s}}}(k)} \right],}\\ {{z_3}(k + 1) = {z_3}(k) + h( - {\beta _3}{\rm{fa}}{{\rm{l}}_2}(e,{\alpha _1},\delta )).} \end{array}} \right\}$

(18)

式中：

$ {\beta _1} = 3{w_0}, \;{\beta _2} = 3w_0^2,\; {\beta _3} = 3w_0^3. $

(19)

$ {\rm{fal}}_{i}\left( {i = 1,2} \right) = \left\{ {\begin{array}{*{20}{c}} {\left| e \right|{\rm{sgn}}\;e,}\\ {\dfrac{e}{{{\delta ^{1 - {\alpha _{{i}}}}}}},} \end{array}} \right.\begin{array}{*{20}{l}} {\left| e \right| \geqslant \delta ;}\\ {\left| e \right| < \delta .} \end{array} $

(20)

式中：w₀为观测器的宽带，当扩张状态观测器增益按式（19）选取时，观测器可以收敛^[22]；α₁、α₂、δ为设计参数，一般选取为α₁>α₂，可取α₁=0.5， α₂=0.25^[14].

3）非线性组合. 跟踪微分器输出和状态观测器输出之间的偏差为

$ \left. {\begin{array}{*{20}{c}} {{e_1} = {v_1} - {z_1},}\\ {{e_2} = {v_2} - {z_2}.} \end{array}} \right\}$

(21)

利用fal函数具有的小误差产生大增益和大误差产生小增益的特性，设计非线性PD控制器：

$ {\delta _{{\rm{s}}0}} = {k_{\rm{p}}}{\rm{fa}}{{\rm{l}}_3}({e_1},{\alpha _3},\delta ) + {k_{\rm{d}}}{\rm{fa}}{{\rm{l}}_4}({e_2},{\alpha _4},\delta ). $

(22)

式中：α₃、α₄为设计参数，一般选取为0 < α₃< 1 <α₄^[14]，可取α₃=0.75， α₄=1.5；k_p和k_d为设计参数，凭经验选取.

后轮侧偏角自抗扰控制的补偿转角δ_s可由下式求得：

$ \delta_{\mathrm{s}}=\delta_{\mathrm{s} 0}-z_{3} / b. $

(23)

经此变换相当于将不确定系统进行实时“动态线性化”，从而转化成积分器串联型系统：

$ \left. {\begin{array}{*{20}{l}} {{{\dot x}_1} = {x_2},}\\ {{{\dot x}_2} = b{\delta _{{\rm{s}}0}},}\\ {y = {x_1}.} \end{array}} \right\} $

(24)

3. 仿真验证

基于MATLAB/Simulink 10DOF车辆自组织仿真平台^[23]，针对不同车速和不同道路，对本文的控制器进行仿真验证. 仿真所用的主要车辆参数为m=1500 kg，I_z=3000 kg·m²，l_f=1.3 m，l_r=1.5 m，轮胎侧偏角非常小时前、后轴轮胎侧偏刚度分别为58500和55500 N/rad. 控制器参数如下：k=0.3，x_L=20，k_p=2，k_d=0.1，w₀=10，b=50.7， δ=0.002 5. 纵向控制均采用加速度前馈和速度PID反馈的控制方式得到轮胎驱动/制动力矩，轮胎力矩分配方法与文献[24]相同.

3.1. 不同控制器的效果对比

为了验证本文控制器作用下无人驾驶车辆的轨迹跟踪和稳定性控制效果，设计以下2组对比试验. 1）采用车辆横摆角偏差反馈和采用车辆航向角偏差反馈的对比试验，验证轨迹跟踪性能. 2）均采用车辆航向角偏差反馈，无后轮侧偏角控制和有后轮侧偏角控制的对比试验，验证车辆的行驶稳定性.

仿真测试道路采用文献[7]中直线-回旋曲线-圆弧相接的半圆路径，路面附着系数设为0.9. 参考路径的曲率和固定坐标系下的位移如图5所示. 无人驾驶车辆行驶的纵向初速度设为30 m/s，参考纵向速度，根据入弯减速出弯加速的原则进行设计. 从图6所示的不同控制器作用时的速度跟踪结果可见，3个控制器都可以将车速控制在参考值附近.

图 5

图 5 高附着路面仿真道路

Fig.5 Simulation road of high adhesion coefficient

图 6

图 6 不同控制器的纵向速度跟踪结果

Fig.6 Velocity tracking simulation results of different controllers

不同控制器作用下的路径跟踪仿真结果如图7所示. 可以看出，利用横摆角偏差进行反馈时，车辆侧向位移偏差和车辆航向角偏差最大. 利用车辆航向角偏差进行反馈但后轮侧偏角无控制时，侧向位移偏差大幅减小，但车辆的侧向速度、横摆角速度、质心侧偏角和路径跟踪偏差均出现震荡，车辆的行驶稳定性显著下降. 采用车辆航向角偏差反馈，并增加后轮侧偏角自抗扰控制（本文控制器）后，较后轮侧偏角无控制时的车辆侧向位移偏差和车辆航向角偏差都明显减小，侧向位移偏差峰值由0.55 m下降到0.16 m，且弯道内侧向速度、横摆角速度和质心侧偏角都比采用横摆角偏差反馈、采用车辆航向角偏差反馈但无后轮侧偏角控制时小，稳定性更好.

图 7

图 7 不同控制器的路径跟踪仿真结果

Fig.7 Trajectory tracking simulation results of different controllers

如图8所示为不同控制器和扩张状态观测器输出的前轮转角仿真结果. 本文控制器作用时扩张状态观测器可以估计系统总扰动并对前轮转角进行补偿，固定曲率弯道内前轮转角可以迅速收敛. 利用横摆角偏差进行反馈时，前轮转角幅值较大且存在小幅震荡；利用车辆航向角偏差进行反馈但无后轮侧偏角控制时，前轮转角幅值最大且存在明显震荡；本文控制作用时前轮转角幅值最小，基本无震荡. 车辆侧向加速度的仿真结果如图9所示，本文控制器作用下的车辆侧向加速度最平滑，峰值为7.29 m/s²，达到路面附着极限的82.6%. 综合上述分析可知，本文控制器考虑质心侧偏角并对后轮侧偏角进行控制后，无人驾驶车辆的轨迹跟踪性能和稳定性均得到了提升.

图 8

图 8 不同控制器的前轮转角仿真结果

Fig.8 Simulation results for front-wheel steering angle of different controllers

图 9

图 9 不同控制器的侧向加速度仿真结果

Fig.9 Simulation results for lateral acceleration of different controllers

3.2. 控制器对参数变化和干扰的鲁棒性

在保证控制器参数不变的情况下，设计更加复杂的路径，并调低路面附着系数. 参考文献[10]的测试道路，设计如图10所示的3个大曲率连续弯道，路面附着系数设为0.4，车辆纵向初速度设为20 m/s.

图 10

图 10 低附着路面仿真道路

Fig.10 Simulation road of low-adhesion coefficient

为了验证本文控制器对车辆系统参数变化的鲁棒性，将车辆质量和横摆转动惯量进行±30%的调整. 为了验证本文控制器对外界干扰的鲁棒性，在车辆前2次出弯过程中（t=6~8 s，t=15~17 s）施加F_w=±1 000 N的侧向风干扰，不同情况下的仿真结果对比如图11~13所示.

图 11

图 11 不同情况下的纵向速度跟踪结果

Fig.11 Velocity tracking simulation results in different situations

图 12

图 12 不同情况下的路径跟踪仿真结果

Fig.12 Trajectory tracking simulation results in different situations

图 13

图 13 不同情况下前轮转角仿真结果

Fig.13 Simulation results for front-wheel steering angle in different situations

如图11所示为纵向速度跟踪结果，在本文控制器的作用下，当整车质量和横摆转动惯量变为原来的1.3倍、0.7倍或受到侧向风干扰时，曲率变化处纵向速度都有超调，但总体上均能够较好地跟随参考值.

如图12所示为车辆系统参数变化和受到侧向风干扰对应的不同情况下的路径跟踪仿真结果. 当整车质量和横摆转动惯量减少30%时，车辆跟踪期望轨迹的侧向偏差、横摆角偏差和质心侧偏角均减小. 当整车质量和横摆转动惯量增加30%时，车辆跟踪期望轨迹的侧向偏差、横摆角偏差和质心侧偏角均增大，其中侧向偏差峰值由0.03 m增加到0.08 m，质心侧偏角峰值增加0.6°，但是车辆仍能以较低的跟踪偏差稳定地跟踪期望路径行驶. 当车辆在2次出弯过程中受到阵风影响时，车辆的侧向位移跟踪偏差、航向角偏差、质心侧偏角均发生变化，其中侧向位移偏差约增大0.17 m，当风向和转弯方向相同时车辆的质心侧偏角约减小0.6°，当风向和转弯方向相反时车辆的质心侧偏角约增大1°. 总之，在本文控制器的作用下，车辆受到侧向阵风干扰时车辆的路径跟踪偏差小于0.2 m，质心侧偏角始终在稳定区域内，控制器对侧向风干扰的鲁棒性较好.

不同情况下控制器输出的前轮转角如图13所示，车辆质量和横摆转动惯量减少30%时控制器输出前轮转角基本不变；车辆质量和横摆转动惯量增加30%时，固定曲率弯道内前轮转角震荡幅值和范围稍有增加. 当车辆受到侧向风干扰时，由于扩张状态观测器可以对总扰动进行估计，对前轮转角进行补偿，使得车辆受到侧向风干扰时前轮转角发生大幅度变化，但能够在干扰消失后迅速收敛，车辆未发生失稳.

4. 结　论

（1）以修正的轨迹跟踪偏差和后轮侧偏角为控制目标，在现有的前馈-反馈控制基础上，提出后轮侧偏角自抗扰控制方法.

（2）设计扩张状态观测器，对系统的未建模动态和内外侧扰动进行实时估计和补偿，将不确定系统进行实时“动态线性化”.

（3）与采用横摆角偏差反馈控制、采用车辆航向角反馈但无后轮侧偏角控制2个控制器的对比仿真结果表明，设计的控制器可以保证无人驾驶车辆在高速行驶时具有更好的轨迹跟踪性能和稳定性.

（4）对控制器的鲁棒性进行仿真，结果表明，本文控制器能够适应不同的道路条件和比较复杂的道路曲率，对车辆系统参数变化和外界干扰具有较强的鲁棒性.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

陈虹, 郭露露, 宫洵, 等

智能时代的汽车控制

[J]. 自动化学报, 2020, 46 (7): 1313- 1332

CHEN Hong, GUO Lu-lu, GONG Xun, et al

Automotive control in intelligent era

[J]. Acta Automatica Sinica, 2020, 46 (7): 1313- 1332

[2]

熊璐, 杨兴, 卓桂荣, 等

无人驾驶车辆的运动控制发展现状综述

[J]. 机械工程学报, 2020, 56 (10): 143- 159

XIONG Lu, YANG Xing, ZHUO Gui-rong, et al

Review on motion control of autonomous vehicles

[J]. Journal of Mechanical Engineering, 2020, 56 (10): 143- 159

[3]

HU C, WANG R, YAN F, et al

Should the desired heading in path following of autonomous vehicles be the tangent direction of the desired path?

[J]. IEEE Transactions on Intelligent Transportation Systems, 2015, 2015 (6): 1- 11

[4]

RAJAMANI R. Vehicle dynamics and control [M]. 2th ed. Berlin: Springer, 2012: 50-60.

[5]

KAPANIA N R, GERDES J C

Design of a feedback-feedforward steering controller for accurate path tracking and stability at the limits of handling

[J]. Vehicle System Dynamics, 2015, 53 (12): 1- 18

[6]

任殿波, 崔胜民, 吴杭哲

车道保持预瞄控制及其稳态误差分析

[J]. 汽车工程, 2016, 38 (259): 64- 71

REN Dian-bo, CUI Sheng-min, WU Hang-zhe

Preview control for lane keeping and its steady-state error analysis

[J]. Automotive Engineering, 2016, 38 (259): 64- 71

[7]

KRITAYAKIRANA K, GERDES J C

Autonomous vehicle control at the limits of handling

[J]. International Journal of Vehicle Autonomous Systems, 2012, 10 (4): 271- 296

DOI:10.1504/IJVAS.2012.051270 [本文引用: 4]

[8]

NI J, ZHOU J, HU J, et al

Robust path following control at driving/handling limits of an autonomous electric racecar

[J]. IEEE Transactions on Vehicular Technology, 2019, 68 (6): 5518- 5526

DOI:10.1109/TVT.2019.2911862 [本文引用: 1]

[9]

吴海东, 司振立

基于线性矩阵不等式的智能车轨迹跟踪控制

[J]. 浙江大学学报:工学版, 2020, 54 (1): 110- 117

WU Hai-dong, SI Zhen-li

Intelligent vehicle trajectory tracking control based on linear matrix inequality

[J]. Journal of Zhejiang University: Engineering Science, 2020, 54 (1): 110- 117

[10]

刘凯, 陈慧岩, 龚建伟, 等

高速无人驾驶车辆的操控稳定性研究

[J]. 汽车工程, 2019, 41 (5): 514- 521

LIU Kai, CHEN Hui-yan, GONG Jian-wei, et al

A research on handling stability of high-speed unmanned vehicles

[J]. Automotive Engineering, 2019, 41 (5): 514- 521

DOI:10.3969/j.issn.1671-7848.2002.03.003 [本文引用: 3]

[11]

辛喆, 陈海亮, 林子钰, 等

智能汽车的路面附着极限横向轨迹跟踪控制

[J]. 机械工程学报, 2020, 56 (14): 138- 145

DOI:10.3901/JME.2020.14.138 [本文引用: 2]

XIN Zhe, CHEN Hai-liang, LIN Zi-yu, et al

lateral trajectory following for automated vehicles at handling limits

[J]. Journal of Mechanical Engineering, 2020, 56 (14): 138- 145

DOI:10.3901/JME.2020.14.138 [本文引用: 2]

[12]

陈无畏, 刘翔宇, 黄鹤, 等

考虑路面影响的车辆稳定性控制质心侧偏角动态边界控制

[J]. 机械工程学报, 2012, 48 (14): 112- 118

DOI:10.3901/JME.2012.14.112 [本文引用: 1]

CHEN Wu-wei, LIU Xiang-yu, HUANG He, et al

Research on side slip angle dynamic boundary control for vehicle stability control considering the impact of road surface

[J]. Journal of Mechanical Engineering, 2012, 48 (14): 112- 118

DOI:10.3901/JME.2012.14.112 [本文引用: 1]

[13]

熊璐, 曲彤, 冯源, 等

极限工况下车辆行驶的稳定性判据

[J]. 机械工程学报, 2015, 51 (10): 103- 111

DOI:10.3901/JME.2015.10.103 [本文引用: 1]

XIONG Lu, QU Tong, FENG Yuan, et al

Stability criterion for the vehicle under critical driving situation

[J]. Journal of Mechanical Engineering, 2015, 51 (10): 103- 111

DOI:10.3901/JME.2015.10.103 [本文引用: 1]

[14]

韩京清

从PID技术到"自抗扰控制"技术

[J]. 控制工程, 2002, 9 (3): 13- 18

HAN Jing-qing

From PID technology to auto disturbance rejection control technology

[J]. Control Engineering of China, 2002, 9 (3): 13- 18

DOI:10.3969/j.issn.1671-7848.2002.03.003 [本文引用: 3]

[15]

高志强

自抗扰控制思想探究

[J]. 控制理论与应用, 2013, 30 (12): 1498- 1510

DOI:10.7641/CTA.2013.31087 [本文引用: 1]

GAO Zhi-qiang

On the foundation of active disturbance rejection control

[J]. Control Theory and Applications, 2013, 30 (12): 1498- 1510

DOI:10.7641/CTA.2013.31087 [本文引用: 1]

[16]

安部正人. 车辆操纵动力学理论与应用M]. 喻凡, 译. 2版. 北京: 机械工业出版社, 2016: 47-48.

[17]

BAKKER E, NYBORG L, PACEJKA H B. Tyre modeling for use in vehicle dynamics studies [C]// SAE Paper. Detroit: SAE, 1987.

DOI:10.1080/00423114.2013.877148 [本文引用: 2]

[18]

LIU Q F, CHEN H, HU Y F, et al

Modeling and control of the fuel injection system for rail pressure regulation in GDI engine

[J]. IEEE/ ASME Transactions on Mechatronics, 2014, 19 (5): 1501- 1513

DOI:10.1109/TMECH.2013.2285716 [本文引用: 1]

[19]

LI Liang, JIA Gang, RAN Xu, et al

A variable structure extended Kalman filter for vehicle sideslip angle estimation on a low friction road

[J]. Vehicle System Dynamics, 2014, 52 (2): 280- 308

[20]

施树明, LUPKER H, BREMMER P, 等

基于模糊逻辑的车辆侧偏角估计方法

[J]. 汽车工程, 2005, (4): 426- 430

DOI:10.3321/j.issn:1000-680X.2005.04.010 [本文引用: 2]

SHI Shu-ming, LUPKER H, BREMMER P, et al

Estimation of vehicle side slip angle based on fuzzy logic

[J]. Automotive Engineering, 2005, (4): 426- 430

DOI:10.3321/j.issn:1000-680X.2005.04.010 [本文引用: 2]

[21]

CHENG S, LI L, YAN B, et al

Simultaneous estimation of tire side-slip angle and lateral tire force for vehicle lateral stability control

[J]. Mechanical Systems and Signal Processing, 2019, 132: 168- 182

DOI:10.1016/j.ymssp.2019.06.022 [本文引用: 1]

[22]

WU Y, WANG L, ZHANG J, et al

Robust vehicle yaw stability control by active front steering with active disturbance rejection controller

[J]. Proceedings of the Institution of Mechanical Engineers, Part I: Journal of Systems and Control Engineering, 2019, 233 (9): 1127- 1135

DOI:10.1177/0959651818813515 [本文引用: 1]

[23]

向辉, 施树明. 车辆运行自组织仿真平台开发[EB/OL]. (2005-04-11). http://www.paper.edu.cn.

XIANG Hui, SHI Shu-ming. The developing of vehicle operation self-organization simulation platform [EB/OL]. (2005-04-11). http://www.paper.edu.cn.