金立生，謝憲毅，司 法，郭柏蒼，石 健

（1. 燕山大學(xué)車輛與能源學(xué)院，秦皇島 066004；2. 吉林大學(xué)交通學(xué)院，長(zhǎng)春 130022；3. 北京理工大學(xué)機(jī)械與車輛學(xué)院，北京 100081）

前言

汽車智能化已經(jīng)成為汽車產(chǎn)業(yè)發(fā)展重要的潮流和趨勢(shì)［1］。目前，路徑跟蹤作為智能汽車領(lǐng)域中一種較為常見(jiàn)的智能駕駛方案，旨在最大程度降低路徑跟蹤過(guò)程中車輛行駛軌跡與理想路徑之間的誤差和速度誤差，已經(jīng)成為汽車智能化的研究熱點(diǎn)。

目前，路徑跟蹤控制方法可分為3大類。第1類是單點(diǎn)預(yù)瞄理論［2-5］，最具有代表性的是郭孔輝提出的最優(yōu)曲率駕駛?cè)四Ｐ停?］。第2 類是基于神經(jīng)網(wǎng)絡(luò)的方法。張炳力等［6］以傳統(tǒng)動(dòng)力學(xué)模型和預(yù)瞄模型為基礎(chǔ)，利用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)車速，將預(yù)測(cè)結(jié)果和側(cè)向偏差等參數(shù)作為模糊神經(jīng)網(wǎng)絡(luò)的輸入量，轉(zhuǎn)向盤轉(zhuǎn)角為輸出量。第3 類是基于現(xiàn)代控制理論的方法［7-11］。葛平淑等［12］根據(jù)橫向偏差和角度偏差設(shè)計(jì)了車體的偏航角速度模糊控制器。Hu 等［13］提出一種融合車道線檢測(cè)與模型預(yù)測(cè)控制的路徑跟蹤控制器，根據(jù)橫擺角和橫擺角速度信息，借助于模糊規(guī)則對(duì)前輪轉(zhuǎn)向角進(jìn)行校正。Ji等［14］將車輛路徑跟蹤任務(wù)轉(zhuǎn)化為多約束模型預(yù)測(cè)控制問(wèn)題，通過(guò)調(diào)整前輪轉(zhuǎn)向角度，實(shí)現(xiàn)在存在移動(dòng)障礙物情況下的路徑跟蹤，該路徑跟蹤控制器具有良好的動(dòng)態(tài)跟蹤性能和良好的機(jī)動(dòng)性。張家旭等［15］將車輛軌跡跟蹤問(wèn)題解耦為路徑跟蹤控制問(wèn)題和速度跟蹤控制問(wèn)題，并基于快速終端滑模設(shè)計(jì)了路徑跟蹤控制律，基于“比例+積分”平滑切換準(zhǔn)則設(shè)計(jì)了車速跟蹤控制律。

在現(xiàn)有的路徑跟蹤控制研究中，大多數(shù)關(guān)注于路徑跟蹤控制性能問(wèn)題，而忽略了智能汽車內(nèi)駕駛?cè)撕统塑嚾说母惺?。?shí)際上，不同駕駛?cè)司哂胁煌鸟{駛習(xí)慣，即體現(xiàn)在所駕駛的車輛在響應(yīng)特性上有所不同的狀態(tài)。因此，對(duì)于智能汽車路徑跟蹤過(guò)程中車輛的響應(yīng)特性需求和乘坐感受也有不同的要求。通過(guò)分析不同駕駛?cè)说鸟{駛數(shù)據(jù)，可將駕駛?cè)颂匦曰蝰{駛?cè)祟愋瓦M(jìn)行辨識(shí)、分類。

在駕駛?cè)颂匦员孀R(shí)研究中，李克強(qiáng)等［16］提出了一種結(jié)合隱馬爾可夫模型和貝葉斯濾波技術(shù)的駕駛?cè)颂匦宰R(shí)別算法。Tatsuya 等［17］采用k均值聚類算法將駕駛?cè)朔诸?，并根?jù)駕駛?cè)颂匦苑诸惤Y(jié)果設(shè)計(jì)了車輛的自適應(yīng)巡航系統(tǒng)。劉璽等［18］采用BP 神經(jīng)網(wǎng)絡(luò)分類器對(duì)駕駛風(fēng)格進(jìn)行辨識(shí)，提出了基于貝葉斯融合決策方法的駕駛?cè)颂匦宰R(shí)別方法，進(jìn)而設(shè)計(jì)了一種適用于不同風(fēng)格駕駛?cè)说碾p離合器換擋控制策略。

綜上所述，一方面現(xiàn)有的關(guān)于駕駛?cè)颂匦宰R(shí)別研究已有一定的理論方法，另一方面，將不同風(fēng)格的駕駛?cè)颂匦匀谌胫林悄荞{駛的控制策略中，有助于提升智能駕駛系統(tǒng)的操控性能和來(lái)自不同風(fēng)格駕駛?cè)说恼J(rèn)可度。對(duì)于路徑跟蹤控制研究來(lái)講，開(kāi)展考慮駕駛?cè)颂匦缘穆窂礁櫩刂蒲芯渴翘嵘悄荞{駛路徑跟蹤的智能化程度和被不同特性駕駛?cè)怂邮?、認(rèn)可而亟待解決的問(wèn)題之一。與此同時(shí)，也是提升智能駕駛系統(tǒng)滿足不同特性駕駛?cè)藢?duì)智能汽車響應(yīng)特性需求的關(guān)鍵所在。因此，考慮駕駛?cè)颂匦缘闹悄荞{駛路徑跟蹤控制具有一定的研究意義和實(shí)際應(yīng)用價(jià)值。

本文中擬通過(guò)實(shí)車試驗(yàn)采集相關(guān)數(shù)據(jù)，將具有不同駕駛習(xí)慣的駕駛?cè)诉M(jìn)行分類，劃分為不同特性的駕駛?cè)祟愋停ㄟ^(guò)考慮不同駕駛?cè)颂匦砸葬槍?duì)性設(shè)計(jì)路徑跟蹤算法，將不同特性駕駛?cè)藢?duì)車輛側(cè)向、縱向行駛狀態(tài)的不同偏好作為智能駕駛路徑跟蹤控制策略的設(shè)計(jì)依據(jù)，根據(jù)駕駛?cè)颂匦院驮囼?yàn)數(shù)據(jù)聚類結(jié)果設(shè)定路徑跟蹤控制器的約束條件和代價(jià)函數(shù)，為智能駕駛路徑跟蹤策略的設(shè)計(jì)提供了一種新的思路。

1 駕駛?cè)颂匦詳?shù)據(jù)采集與分析

1.1 試驗(yàn)方案設(shè)計(jì)

1.1.1 試驗(yàn)場(chǎng)地

在吉林大學(xué)南嶺校區(qū)內(nèi)選取某場(chǎng)地進(jìn)行試驗(yàn)，駕駛?cè)税慈粘５鸟{駛狀態(tài)駕駛車輛，道路行駛環(huán)境包括直線行駛、左轉(zhuǎn)、右轉(zhuǎn)、掉頭和繞環(huán)島行駛等。

1.1.2 受試群體

為充分體現(xiàn)駕駛?cè)说奶匦?，在學(xué)校內(nèi)招募了40名執(zhí)有C1駕駛證并能夠熟練駕駛機(jī)動(dòng)車的駕駛?cè)?，職業(yè)為在校學(xué)生和上班族，受教育程度較高，其中男性25名（占比為62.5%），女性15名（占比為37.5%）。受試者年齡分布在22-40歲，平均駕齡為6年。

1.1.3 試驗(yàn)設(shè)備

試驗(yàn)車輛為大眾牌邁騰轎車。試驗(yàn)過(guò)程中，通過(guò)CAN 總線接口采集車輛的運(yùn)行參數(shù)信息和駕駛?cè)笋{駛操作信息等試驗(yàn)數(shù)據(jù)。

1.2 數(shù)據(jù)處理與駕駛?cè)颂匦员碚鲄?shù)分析

不同駕駛風(fēng)格的駕駛?cè)?，在行車過(guò)程中的操縱特征參數(shù)存在較大的差異，采用聚類方法將相同操縱特征類型的駕駛?cè)藲w類為同組，找到聚類中心，以此來(lái)表征同組駕駛?cè)说鸟{駛習(xí)慣。聚類試圖將采集到的駕駛?cè)笋{駛數(shù)據(jù)集中的樣本劃分為若干個(gè)互不相交的子集（簇），通過(guò)這樣的劃分，每個(gè)簇可能會(huì)對(duì)應(yīng)一些潛在的概念或者類別，如“激進(jìn)型駕駛?cè)恕?、“正常型駕駛?cè)恕焙汀氨Ｊ匦婉{駛?cè)恕薄?/p>

聚類方法采用k 均值算法，其思想是對(duì)聚類所得簇劃分最小化平方誤差E，如式（1）所示。

為體現(xiàn)駕駛?cè)笋{駛過(guò)程中的操縱特征，聚類所選用的駕駛?cè)瞬倏v行為特征參數(shù)為可直接體現(xiàn)駕駛?cè)笋{駛行為輸入的車輛特征參數(shù)，即縱向加速度的最大值與最小值和轉(zhuǎn)向盤轉(zhuǎn)角變化率的極值。表1為40 名駕駛?cè)酥袠?biāo)號(hào)為前18 位的縱向加速度最大值與最小值和轉(zhuǎn)向盤轉(zhuǎn)角變化率極值濾波后的數(shù)據(jù)。

表1 駕駛?cè)笋{駛行為特征數(shù)據(jù)

參照文獻(xiàn)［19］中駕駛?cè)朔诸悢?shù)目，取k 值為3。k均值聚類結(jié)果如表2所示。

表2 聚類結(jié)果

由表2可知：第1類駕駛?cè)丝v向最大加速度的最大值與最小值和轉(zhuǎn)向盤轉(zhuǎn)角變化率在一個(gè)比較小的范圍中波動(dòng)，體現(xiàn)為駕駛?cè)四軌蚪邮苘囕v較小的加速度，對(duì)于方向控制也比較謹(jǐn)慎；第2 類駕駛?cè)说目v向加速度最小值與最大值和轉(zhuǎn)向盤轉(zhuǎn)角變化率在較大的范圍波動(dòng)，經(jīng)常的急加速、急減速、猛打轉(zhuǎn)向盤，駕駛風(fēng)格較為激進(jìn)；第3 類駕駛?cè)说鸟{駛習(xí)慣介于第1類駕駛?cè)撕偷?類駕駛?cè)酥g。因此，本文將駕駛?cè)税凑仗匦圆町惙譃榧みM(jìn)型、保守型和正常型3種類型。相應(yīng)的聚類結(jié)果中第1 類駕駛?cè)藶楸Ｊ匦婉{駛?cè)?，? 類駕駛?cè)藶榧みM(jìn)型駕駛?cè)耍? 類駕駛?cè)藶檎Ｐ婉{駛?cè)?。后文中設(shè)計(jì)的不同特性控制器的約束條件和代價(jià)函數(shù)將參照對(duì)應(yīng)特性駕駛?cè)说木垲惤Y(jié)果進(jìn)行設(shè)置。

2 考慮駕駛?cè)颂匦缘穆窂礁櫩刂破髟O(shè)計(jì)

模型預(yù)測(cè)控制（model predictive control，MPC）可通過(guò)控制某一種性能指標(biāo)或者某幾種性能的綜合指標(biāo)接近最優(yōu)來(lái)實(shí)現(xiàn)滾動(dòng)優(yōu)化和校正確定控制輸出。本文中采用MPC 算法設(shè)計(jì)路徑跟蹤控制器，控制器結(jié)構(gòu)如圖1所示。

圖1 路徑跟蹤控制器結(jié)構(gòu)

2.1 預(yù)測(cè)模型

如圖2 所示，在大地坐標(biāo)系XOY中，F(xiàn)點(diǎn)為前軸的中心點(diǎn)，R點(diǎn)為后軸的中心點(diǎn)，R點(diǎn)的坐標(biāo)為(x，y)，φ為車輛的橫擺角，ω為橫擺角速度，δ為前輪的等效轉(zhuǎn)角，v為后軸速度，l為車輛軸距。

圖2 車輛運(yùn)動(dòng)示意圖

假設(shè)車輛等速圓周行駛，根據(jù)車輛動(dòng)力學(xué)相關(guān)定義，可將車輛穩(wěn)態(tài)橫擺角速度增益表示為

式中：a、b分別為車輛質(zhì)心到前、后軸的距離；k1、k2分別為前、后軸側(cè)偏剛度；為穩(wěn)定性因數(shù)。假設(shè)車輛處于中性轉(zhuǎn)向，取K= 0，則車輛橫擺角速度增益可表達(dá)為

經(jīng)過(guò)離散化處理的車輛模型如式（4）～式（7）所示。

為方便計(jì)算車輛行駛過(guò)程中的車輛位置點(diǎn)與參考路線之間的側(cè)向誤差和橫擺角誤差，將參考點(diǎn)在笛卡爾坐標(biāo)系下的坐標(biāo)點(diǎn)轉(zhuǎn)換為車體坐標(biāo)系下的坐標(biāo)點(diǎn)。在笛卡爾坐標(biāo)下，車輛坐標(biāo)(xcar，ycar)和參考點(diǎn)坐標(biāo)(xref，yref)的橫坐標(biāo)之差為Δx，縱坐標(biāo)之差為Δy，如式（8）和式（9）所示。

設(shè)轉(zhuǎn)化后參考點(diǎn)在車體坐標(biāo)系下的新坐標(biāo)為(xtrans，ytrans)，寫(xiě)成矩陣形式，如式（10）所示。

轉(zhuǎn)化到車體坐標(biāo)系下的坐標(biāo)點(diǎn)用三次多項(xiàng)式進(jìn)行擬合，擬合方程為

則車輛模型的初始側(cè)向誤差為ctet=0=f(0)=a0，初始橫擺角偏差為e_φt=0= arctanf(0)′，在任意時(shí)刻t，側(cè)向誤差和橫擺角誤差分別為

t+1時(shí)刻的側(cè)向誤差和橫擺角誤差分別為

經(jīng)整理后，t+1時(shí)刻的側(cè)向誤差和橫擺角誤差分別為

預(yù)測(cè)模型包含車輛模型和誤差模型，由式（4）～式（7）、式（16）和式（17）聯(lián)立得到。預(yù)測(cè)模型狀態(tài)方程包含6 個(gè)狀態(tài)量：車輛橫坐標(biāo)x、縱坐標(biāo)y、橫擺角φ、車速v、側(cè)向誤差cte、橫擺角誤差e_φ；輸入控制量為前輪轉(zhuǎn)角δ和車輛縱向加速度a。

2.2 基于駕駛?cè)颂匦缘募s束設(shè)計(jì)

為便于計(jì)算預(yù)測(cè)時(shí)域內(nèi)的最優(yōu)輸入，將模型預(yù)測(cè)問(wèn)題轉(zhuǎn)化為非線性規(guī)劃問(wèn)題。設(shè)預(yù)測(cè)時(shí)域?yàn)镹，該非線性規(guī)劃問(wèn)題的變量類型共有8 種，計(jì)6N+(N- 1)× 2 個(gè)，分別為：[x1x2…xN]，[y1y2…yN]，[φ1φ2…φN]， [v1v2…vN]， [cte1cte2…cteN]，[e_φ1e_φ2…e_φN]，[δ1δ2…δN-1]，[a1a2…aN-1]。式（18）和式（19）為約束條件，其中，式（19）中δb、δa分別表示轉(zhuǎn)向盤轉(zhuǎn)角的最小值和最大值。

控制器輸出量為前輪轉(zhuǎn)角與車輛的縱向加速度。不同風(fēng)格的駕駛?cè)嗽隈{駛過(guò)程中對(duì)于車輛縱向加速度的控制有不同的偏好，為在路徑跟蹤過(guò)程中更好地模擬駕駛?cè)说鸟{駛習(xí)慣，故應(yīng)對(duì)模型預(yù)測(cè)控制器的輸出量做出適應(yīng)駕駛?cè)颂匦缘募s束。將表2中不同特性駕駛?cè)丝v向加速度的最大值、最小值作為約束的上、下界，如式（20）所示。

仿真試驗(yàn)中控制器參數(shù)按照表2中駕駛?cè)笋{駛數(shù)據(jù)聚類結(jié)果進(jìn)行設(shè)置。正常型特性控制器加速度的最小值設(shè)置為amin_正常=-2.06 m·s-2，最大值設(shè)置為amax_正常=1.34 m·s-2；保守型特性控制器加速度的最小值設(shè)置為amin_保守=-2.12 m·s-2，最大值設(shè)置為amax_保守=1.18 m·s-2；激進(jìn)型特性控制器加速度的最小值設(shè)置為amin_激進(jìn)=-3.11 m·s-2，最大值設(shè)置為amax_激進(jìn)=1.71 m·s-2。

2.3 基于駕駛?cè)颂匦缘拇鷥r(jià)函數(shù)設(shè)計(jì)

代價(jià)函數(shù)如式（21）所示。式中：cte為車輛預(yù)測(cè)點(diǎn)與軌跡參考點(diǎn)之間的距離誤差；ef為車輛預(yù)測(cè)點(diǎn)和軌跡參考點(diǎn)之間的橫擺角誤差；fc為橫擺角變化率；ve為預(yù)測(cè)車速與參考車速之間的差值；δc為轉(zhuǎn)向盤轉(zhuǎn)角變化率；K1、K2、K3、K4、K5、K6為各代價(jià)項(xiàng)的權(quán)重，代價(jià)函數(shù)中各項(xiàng)系數(shù)所占的權(quán)重可表征不同特性駕駛?cè)说鸟{駛偏好。其中，K6項(xiàng)表征駕駛?cè)藢?duì)于不同轉(zhuǎn)向盤轉(zhuǎn)角變化率的不同偏好。本文中設(shè)定激進(jìn)型駕駛?cè)诉@項(xiàng)系數(shù)較小，保守型駕駛?cè)诉@項(xiàng)系數(shù)較大，如表3所示。

表3 不同特性控制器代價(jià)函數(shù)權(quán)重系數(shù)

3 仿真試驗(yàn)

仿真中將按照不同駕駛?cè)颂匦栽O(shè)計(jì)的路徑跟蹤控制器分別命名為“正常型特性控制器”、“保守型特性控制器”和“激進(jìn)型特性控制器”。

仿真中離散化周期為0.1 s，預(yù)測(cè)時(shí)域和控制時(shí)域設(shè)置為7。仿真中采用的車輛模型的參數(shù)如表4所示。

表4 仿真車輛參數(shù)

3.1 跟蹤直線路徑

仿真中，車輛以XOY坐標(biāo)系中（0，0）為起始點(diǎn)，初始時(shí)車輛以3 m·s-1沿著y=0 直線行駛，橫擺角為0；目標(biāo)狀態(tài)是以10 m·s-1車速跟蹤y=1 直線行駛，理想橫擺角為0，路面附著系數(shù)為0.8。試驗(yàn)結(jié)果如圖3所示。

由圖3（a）可知，3 種不同特性控制器都能夠較快地跟蹤到預(yù)期軌跡，側(cè)向軌跡誤差較小，最大誤差小于0.01 m。由圖3（b）可知不同特性的控制器均能夠準(zhǔn)確地跟蹤期望速度，3 種控制器輸出的最大加速度不同，達(dá)到目標(biāo)車速的時(shí)間也不同。激進(jìn)型特性控制器比保守型、正常型特性控制器提前達(dá)到目標(biāo)車速。在仿真初始階段約0～2 s，加速換道行駛時(shí)，激進(jìn)型特性控制器所產(chǎn)生的橫擺角速度波動(dòng)幅度稍大一些；在4.2～7.8 s 仿真階段，激進(jìn)型特性控制器橫擺角速度波動(dòng)幅度比保守型的要小，這是因?yàn)楸Ｊ匦吞匦钥刂破魈峁┑淖畲蠹铀俣容^小，在此階段保守型特性控制器處于加速與跟蹤目標(biāo)路徑并存的狀態(tài)，但激進(jìn)型特性控制器已經(jīng)達(dá)到目標(biāo)車速并跟蹤上目標(biāo)路徑。

圖3 目標(biāo)車速10 m·s-1的直線路徑跟蹤效果

3.2 跟蹤正弦曲線路徑

仿真中，車輛從3 m·s-1初速度加速至目標(biāo)車速8、10 和12 m·s-1，并跟蹤y=0.5sin（0.1πx）正弦曲線路徑（最小曲率半徑約20 m），路面附著系數(shù)為0.8。路徑跟蹤效果分別如圖4～圖6所示。不同特性控制器達(dá)到目標(biāo)車速時(shí)間如表5所示。

圖4 目標(biāo)車速8 m·s-1的曲線路徑跟蹤效果

從圖4（a）～圖6（a）和圖4（b）～圖6（b）中路徑跟蹤效果圖和速度變化曲線可看出，在不同目標(biāo)車速下，不同特性控制器均能夠快速精確地跟蹤正弦曲線路徑與目標(biāo)車速。穩(wěn)態(tài)速度誤差在2%以內(nèi)，側(cè)向軌跡誤差小于0.13 m。與上述3.1 中直線路徑跟蹤效果類似，不同特性控制器達(dá)到目標(biāo)車速所用時(shí)間是有差異的。由表5 可見(jiàn)，最先達(dá)到目標(biāo)車速的是激進(jìn)型特性控制器，其次是正常型特性控制器，最后是保守型特性控制器。

由圖4（c）～圖6（c）中的加速度曲線可以看出，仿真過(guò)程中激進(jìn)型特性控制器最大加速度在1.75 m·s-2左右，正常型特性控制器最大加速度在1.26 m·s-2左右，保守型特性控制器最大加速度在1.1 m·s-2左右。激進(jìn)型特性控制器比保守型特性控制器更早完成車輛加速過(guò)程，更快達(dá)到目標(biāo)車速。

由圖4（d）～圖6（d）看出，在橫擺角速度響應(yīng)方面，不同特性控制器的橫擺角速度響應(yīng)變化有所差異。其中，激進(jìn)型特性控制器的橫擺角速度相位相對(duì)提前，保守型特性控制器的橫擺角速度相位相對(duì)滯后，正常型特性控制器的相位則介于兩者之間。隨著目標(biāo)車速的提高，3 種控制器之間的橫擺角速度相位差加大。

圖5 目標(biāo)車速10 m·s-1的曲線路徑跟蹤效果

圖6 目標(biāo)車速12 m·s-1的曲線路徑跟蹤效果

表5 不同特性控制器達(dá)到目標(biāo)車速時(shí)間

3.3 低附著路面跟蹤正弦曲線路徑

仿真中，車輛從3 m·s-1初速度加速至目標(biāo)車速10 m·s-1，并跟蹤前述正弦曲線，路面附著系數(shù)為0.3，路徑跟蹤效果如圖7中所示。

從圖7（a）和圖7（b）可以看出，不同類型特性控制器在低附著路面下均可較好地跟蹤理想路徑與目標(biāo)車速。從圖7（b）和圖7（c）可知，在車輛加速過(guò)程中，即使不同特性控制器輸出的加速度存在差異，但是不同特性控制器達(dá)到目標(biāo)車速的加速時(shí)間卻基本相同。這是因?yàn)槁访娓街禂?shù)較低，地面附著力較小，車輛只能以路面實(shí)際提供的驅(qū)動(dòng)力進(jìn)行加速。

圖7 低附著路面條件路徑跟蹤效果

綜上所述，本文中所設(shè)計(jì)的智能駕駛路徑跟蹤控制器在保證軌跡跟蹤精度和速度跟蹤精度的同時(shí)，能夠?yàn)椴煌L(fēng)格駕駛?cè)颂峁┎煌匦缘鸟{駛?cè)瞬倏v特征，也使車輛具有與之相對(duì)應(yīng)的響應(yīng)特性，使不同風(fēng)格駕駛?cè)藢?duì)車輛響應(yīng)需求得到滿足。具體來(lái)講，在車輛縱向響應(yīng)方面，保守型特性控制器速度跟蹤較慢，激進(jìn)型特性控制器速度跟蹤較快，正常型特性控制器速度跟蹤介于兩者之間。在車輛側(cè)向響應(yīng)方面，保守型特性的控制器橫擺角速度曲線相位存在滯后現(xiàn)象，激進(jìn)型特性控制器橫擺角速度相位有一定程度的提前，正常型特性控制器橫擺角速度相位介于兩者之間。這說(shuō)明不同特性控制器能夠體現(xiàn)不同駕駛?cè)说奶匦浴?/p>

4 結(jié)論

（1）本文中研究了智能駕駛路徑跟蹤控制問(wèn)題，考慮在實(shí)現(xiàn)智能車輛路徑跟蹤、速度跟隨控制的同時(shí)，確保不同風(fēng)格駕駛?cè)藢?duì)車輛循跡過(guò)程中響應(yīng)特性的需求。設(shè)計(jì)了考慮駕駛?cè)颂匦缘闹悄荞{駛路徑跟蹤策略，實(shí)現(xiàn)了能夠體現(xiàn)駕駛?cè)颂匦缘闹悄芷嚶窂礁櫩刂坪退俣雀S控制。

（2）分析了真實(shí)駕駛場(chǎng)景下不同風(fēng)格駕駛?cè)瞬倏v特征參數(shù)的規(guī)律性與差異性，采用聚類方法將駕駛?cè)颂匦苑譃椤罢Ｐ汀薄ⅰ氨Ｊ匦汀焙汀凹みM(jìn)型”3 類。基于3 類駕駛?cè)颂匦缘木垲惤Y(jié)果，設(shè)計(jì)路徑跟蹤控制器的代價(jià)函數(shù)和約束條件，完成了模型預(yù)測(cè)控制路徑跟蹤控制器設(shè)計(jì)。

（3）仿真結(jié)果表明，所提出的考慮駕駛?cè)颂匦缘闹悄荞{駛路徑跟蹤算法能夠?qū)崿F(xiàn)精確快速的路徑跟蹤與車速跟蹤功能，同時(shí)路徑跟蹤過(guò)程中能夠體現(xiàn)不同的駕駛?cè)颂匦?，滿足不同風(fēng)格駕駛?cè)说牟煌{駛習(xí)慣和對(duì)車輛響應(yīng)特性的需求。提高了智能駕駛系統(tǒng)路徑跟蹤控制算法的智能化水平。