有关封闭性道路无人驾驶车辆控制的文献综述
1.引言
自动汽车（也被称为无人驾驶汽车和自动驾驶汽车）自 1980 年代中期以来已经得到了全球很多大学、研究中心、汽车公司和其它行业公司的研究和开发。控制器模块根据被避障器修改后的运动规划器轨迹计算并发送工作指令，以控制方向盘、油门和刹车的执行器，使车辆能以物理世界允许的方式尽可能好地执行修改后的轨迹。在自动驾驶汽车领域，控制是指工程开发领域的自动控制背后的理论，这涵盖了没有连续直接人类干预的操作和调节过程的机制的应用。在最简单的自动控制形式中，控制子系统会比较该过程的输出与预期输入，并使用其中的误差（该过程的输出与预期输入的差异）来修改该过程的输入，使得该过程即使在存在扰动时也能保持在设定点。在自动车辆中，通常会将自动控制理论应用于路径跟踪和硬件驱动方法。路径跟踪方法的作用是在汽车模型等地方存在不准确的情况时稳定运动规划的执行。硬件驱动控制的作用是在汽车模型等地方存在不准确的情况时计算执行运动规划的转向角度、油门和刹车制动器输入。路径跟踪方法也被称为控制技术，因为其使用了自动控制理论，并将路径视为所要控制的信号。但是，在自动驾驶领域将其称为路径跟踪方法更合适，以便将它们与硬件驱动方法分开[1]。
2. 无人驾驶车辆控制
这里先概述自动驾驶汽车的自主系统的典型架构，并将介绍感知系统、决策系统以及它们的子系统所负责的任务。
图 1：典型的多层式的自动驾驶汽车架构。TSD 表示交通信号检测，MOT 表示移动目标跟踪。
图 1 展示了自动驾驶汽车的自主系统的典型架构，其中不同颜色的模块分别表示感知系统和决策系统 [PAD16]。感知系统负责估计汽车的状态和创造环境的内部表征（指自动驾驶汽车系统内部），这要用到机载传感器（比如光探测和测距（LIDAR）、无线电探测和测距（RADAR）、相机、全球定位系统（GPS）、惯性测量单元（IMU）、里程表等）收集的数据和有关传感器模型、道路网、交通规则、车辆动态等的先验信息。决策系统负责将车辆从初始位置驾驶到用户定义的终点，这需要考虑汽车的状态和环境的内部表征，还要考虑交通规则和乘客舒适度等情况。其中，控制器（Controller）模块根据被避障器修改后的运动规划器轨迹计算并发送工作指令，以控制方向盘、油门和刹车的执行器，使车辆能以物理世界允许的方式尽可能好地执行修改后的轨迹。对无人驾驶车辆的轨迹跟踪问题，提出了相关的控制模型及控制策略，以实现车辆自主轨迹跟踪控制。
目前，为解决无人驾驶车辆高精度轨迹跟踪问题，一般采用多自由度车辆动力学模型和二自由度车辆动力学模型，来精确刻画车辆各状态之间的动态变化规律，为后续实现车辆基于模型的轨迹跟踪控制器的设计奠定基础。同时，需要采用 CarSim 仿真软件对所建车辆动力学模型进行仿真验证[2]，以此证明所建模型的准确性。其次，结合车辆轨迹跟踪控制中的多状态变量约束问题，有基于模型预测控制(Model Predictive Control, MPC)算法的轨迹跟踪控制器，该控制器面向车辆位姿误差模型，用于实现辆位姿的误差跟踪。同时，相比于传统李雅普诺夫函数的选择困难，利用MPC 算法能够较容易实现控制器的设计[3]。再次，对无人驾驶车辆在轨迹跟踪中需要兼顾运动学和动力学多层次控制问题，一般都提出了分层协调控制策略，例如：轨迹规划层利用 MPC 实现动态轨迹规划、中间控制层利用滑模控制(Sliding Mode Control, SMC)保持对动态轨迹实时跟踪、力矩分配层实现车轮扭矩实时分配。通过车辆自主换道控制仿真验证所提出的分层协调控制策略的有效性。为了解决车辆轨迹跟踪过程中存在不确定性的问题，一般采用基于径向基函数(Radial Basis Function, RBF)神经网络补偿的控制器，实现对车辆系统不确定性的动态估计和补偿。通过控制系统仿真验证RBF神经网络对不确定性估计的有效性。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
