夏秋，陳龍，徐興，蔡英鳳，陳特，仵曉涵

（1. 江蘇大學(xué) 汽車工程研究院，江蘇, 鎮(zhèn)江 212000；2. 滁州學(xué)院 機(jī)械與電氣工程學(xué)院，安徽, 滁州 239000）

路徑跟蹤是無人車實(shí)際行駛過程中一種較為常見的智能駕駛場景，其控制目標(biāo)是通過車輛動(dòng)力學(xué)控制來實(shí)現(xiàn)航向偏差和橫向偏差的最小化，以期盡可能地趨近參考路徑，近年來在此方面已有許多相關(guān)成果[1-5]. CAI 等[6]考慮了智能車輛的縱向、橫向、橫擺和準(zhǔn)靜態(tài)側(cè)傾運(yùn)動(dòng)，基于模型預(yù)測控制算法設(shè)計(jì)了車輛主動(dòng)安全轉(zhuǎn)向控制方法，從而實(shí)現(xiàn)車輛路徑跟蹤控制. BEHROOZ 等[7]將駕駛員模型與考慮駕駛員時(shí)變特征參數(shù)的車輛動(dòng)力學(xué)模型相結(jié)合，采用增益調(diào)度魯棒控制方法來提高車輛在路徑跟蹤過程中的橫向穩(wěn)定性. GUO 等人[8]考慮到無人車輛的非線性特性，提出了一種新的自適應(yīng)模糊滑?？刂破鱽硗娇刂茻o人車的縱橫向運(yùn)動(dòng).

然而，在無人車路徑跟蹤過程中，一旦其中一個(gè)傳感器或執(zhí)行器發(fā)生故障，車輛將無法按照控制器的指令進(jìn)行轉(zhuǎn)向與驅(qū)動(dòng)控制來跟蹤理想路徑，從而導(dǎo)致所設(shè)計(jì)的路徑跟蹤控制系統(tǒng)無法正常工作，甚至?xí)?dǎo)致車輛嚴(yán)重偏離理想路徑，車輛失穩(wěn)的風(fēng)險(xiǎn)也會增加. 良好的容錯(cuò)控制策略可以幫助無人車輛在出現(xiàn)故障時(shí)仍具有較好的穩(wěn)態(tài)控制性能[9-10]，從而保證車輛的穩(wěn)定性和路徑跟蹤精度. 高度智能化是無人車的最終發(fā)展目標(biāo)之一，應(yīng)要求其具有應(yīng)對突發(fā)故障的能力，從而保證故障發(fā)生時(shí)的路徑跟蹤效果和車輛穩(wěn)定性[11-15]. 而針對無人車路徑跟蹤過程中面對突發(fā)故障時(shí)的容錯(cuò)控制研究還相對較少，因此，無人車輛路徑跟蹤容錯(cuò)控制方法具有十分重要研究價(jià)值，對提高無人車的智能化和控制系統(tǒng)的魯棒性具有重要意義.

現(xiàn)有的相關(guān)研究主要關(guān)注于傳統(tǒng)汽車的容錯(cuò)控制問題以及無人車輛智能駕駛功能的豐富與提升，而面向智能駕駛場景的無人車容錯(cuò)控制研究還不夠充分. 無人車輛控制系統(tǒng)的容錯(cuò)能力是涉及無人駕駛安全性的關(guān)鍵技術(shù)之一. 為解決該問題，文中針對無人車輛路徑跟蹤過程中可能出現(xiàn)的轉(zhuǎn)向系統(tǒng)故障，研究了一種基于故障估計(jì)的無人車路徑跟蹤容錯(cuò)控制方法. 分析且定義了轉(zhuǎn)向控制系統(tǒng)的輸入性故障，同時(shí)考慮了轉(zhuǎn)向控制系統(tǒng)未知干擾的影響，對名義故障進(jìn)行了表征和數(shù)學(xué)建模. 利用自適應(yīng)容積卡爾曼濾波設(shè)計(jì)了車輛質(zhì)心側(cè)偏角和名義故障的估計(jì)方法，并將其作為無人車容錯(cuò)控制器的輸入量. 基于滑模控制方法設(shè)計(jì)了車輛路徑跟蹤容錯(cuò)控制器，使得無人車在面對轉(zhuǎn)向控制系統(tǒng)故障和干擾的情況下，仍能保持良好的控制性能，從而使得無人車在實(shí)現(xiàn)路徑跟蹤的同時(shí)能夠保證車輛自身的穩(wěn)定性.

1 無人車建模

1.1 車輛動(dòng)力學(xué)模型

為了描述無人車路徑跟蹤過程中縱橫向動(dòng)力學(xué)特性，建立了二自由度的單軌車輛模型，如圖1 所示.忽略車輛的俯仰、側(cè)傾及垂直運(yùn)動(dòng)，不考慮懸架系統(tǒng)并認(rèn)為4 個(gè)輪胎的機(jī)械性能相同，將動(dòng)態(tài)坐標(biāo)系xoy的原點(diǎn)固定在車輛上且與車輛質(zhì)心重合，x軸指向車輛前進(jìn)方向，y軸以從右向左為正. 假定前輪轉(zhuǎn)角較小，則兩自由度車輛動(dòng)力學(xué)模型可表示為

圖1 車輛動(dòng)力學(xué)模型Fig. 1 Vehicle dynamics model

式中：β為車輛質(zhì)心側(cè)偏角；γ為橫擺角速度；m為汽車質(zhì)量；Iz為轉(zhuǎn)動(dòng)慣量；lf和lr分別為車輛質(zhì)心距前軸和后軸的距離；ΔMz車輛橫擺力矩且可表示為

式中：δf為車輛前輪轉(zhuǎn)角；bs為前后軸半輪距；Fxi(i=1,2,3,4) 為編號為i的輪胎的縱向力. 輪胎橫向力可表示為

式中：Cf和Cr分別為前后輪側(cè)偏剛度；αf和αr為前后輪側(cè)偏角. 輪胎側(cè)偏角可表示為

1.2 路徑跟蹤模型

路徑跟蹤是常見的無人車的智能駕駛場景，一般考慮車輛橫向偏差和航向偏差，并通過實(shí)時(shí)的車輛動(dòng)力學(xué)控制來消除跟蹤誤差. 為了實(shí)現(xiàn)無人車的路徑跟蹤控制，建立了如圖2 所示的車輛路徑跟蹤模型，其中XOY代表大地坐標(biāo)系，ρ為參考路徑的曲率， ψh為實(shí)際的車輛航向角且表示為=γ， ψh為參考車輛航向角，e為車輛質(zhì)心到參考路徑上最近點(diǎn)P的橫向偏移量即軌跡跟蹤橫向偏差，ψ=ψh-ψd為實(shí)際航向角與參考值之間的差值即航向偏差. 路徑跟蹤模型中采用航向偏差和橫向偏差來表征路徑跟蹤誤差，其中航向偏差微分方程可表示為

圖2 軌跡跟蹤模型Fig. 2 Trajectory tracking model

假定航向偏差較小，則橫向偏差微分方程可改寫為

2 考慮轉(zhuǎn)向控制系統(tǒng)故障和未知干擾的容錯(cuò)控制方法

2.1 名義故障表征

無人車行駛場景復(fù)雜，車輛控制系統(tǒng)需要短時(shí)間處理多源信息并作出精確合理決策. 在一個(gè)完整的控制閉環(huán)中，執(zhí)行器故障將會對控制系統(tǒng)產(chǎn)生不可忽視的影響. 在無人車輛的正常智能駕駛場景中，純機(jī)械傳動(dòng)類執(zhí)行器突發(fā)故障的概率相對較小，而以電信號作為控制命令載體的車輛控制器則有更大的概率受到未知輸入故障的影響. 因此，為提高無人車運(yùn)動(dòng)控制系統(tǒng)的魯棒性，在設(shè)計(jì)容錯(cuò)控制器時(shí)，需要對未知輸入故障進(jìn)行建模. 此外，復(fù)雜多變的駕駛環(huán)境也易引發(fā)接觸不良、電磁擾動(dòng)等干擾因素，對控制器信號也會產(chǎn)生不可避免的影響. 根據(jù)上述分析，考慮無人車轉(zhuǎn)向系統(tǒng)控制器出現(xiàn)輸入性故障的情況，并將故障類型分為增益型故障和偏差型故障. 則當(dāng)車輛轉(zhuǎn)向系統(tǒng)控制器發(fā)生故障時(shí)，車輛轉(zhuǎn)向系統(tǒng)輸出量則相應(yīng)發(fā)生變化，此時(shí)的無人車前輪轉(zhuǎn)角可表示為

式中，τ=τc+τf為名義故障. 可知 τ同時(shí)包括轉(zhuǎn)向系統(tǒng)控制器故障和系統(tǒng)未知干擾. 即使在轉(zhuǎn)向系統(tǒng)控制器無輸入型故障的情況下，系統(tǒng)未知干擾也可能會影響路徑跟蹤的整體控制效果，故其是不可忽略的. 當(dāng)轉(zhuǎn)向系統(tǒng)控制器發(fā)生故障時(shí)，名義故障實(shí)際上表征故障和干擾的共同作用對路徑跟蹤控制系統(tǒng)在控制水平上的負(fù)面影響.

2.2 無人車容錯(cuò)控制策略

根據(jù)上述關(guān)于名義故障的分析，為了確保車輛在轉(zhuǎn)向系統(tǒng)的控制器故障和干擾的影響下仍能維持良好的控制性能，設(shè)計(jì)了如圖3 所示的無人車容錯(cuò)控制策略. 如圖所示，設(shè)計(jì)了基于自適應(yīng)容積卡爾曼濾波的車輛質(zhì)心側(cè)偏角和名義故障估計(jì)方法，利用車輛橫擺角速度、航向偏差和橫向偏差的測量值作為濾波器輸入量進(jìn)行質(zhì)心側(cè)偏角和名義故障的估計(jì)，并將估計(jì)結(jié)果作為容錯(cuò)控制器的輸入量. 基于名義故障估計(jì)，設(shè)計(jì)了無人車路徑跟蹤容錯(cuò)控制方法.在容錯(cuò)控制器中，估計(jì)所得車輛質(zhì)心側(cè)偏角和名義故障都視為偽測量值輸入到容錯(cuò)控制器中，車輛參考模型輸出的參考橫擺角速度為車輛橫擺角速度的跟蹤目標(biāo)，質(zhì)心側(cè)偏角、航向偏差和橫向偏差的跟蹤目標(biāo)皆為0. 容錯(cuò)控制器計(jì)算得到車輛前輪轉(zhuǎn)角和橫擺力矩的控制需求，并作用于無人車輛.

圖3 無人車容錯(cuò)控制策略Fig. 3 Unmanned vehicle fault tolerance control strategy

2.3 名義故障估計(jì)

根據(jù)式（13）中的無人車輛系統(tǒng)方程可知，在設(shè)計(jì)無人車容錯(cuò)控制器之前，首先需要進(jìn)行名義故障估計(jì).觀察式（13）可知，名義故障在控制系統(tǒng)中相當(dāng)于系統(tǒng)的未知輸入量，因此，為了便于觀測器的設(shè)計(jì)，需要將名義故障引入到系統(tǒng)的狀態(tài)量之中. 結(jié)合式（13）中的系統(tǒng)狀態(tài)方程，將名義故障増廣到系統(tǒng)的狀態(tài)量之中，并將系統(tǒng)狀態(tài)量分別表示為x1=β，x2=γ，x3=φ，x4=e，x5=τ，x6= τ˙. 從而，可將用于名義故障估計(jì)的増廣系統(tǒng)方程的離散形式表示為

式中：xk為離散系統(tǒng)狀態(tài)向量；yk為離散系統(tǒng)測量向量；f(·)為離散系統(tǒng)狀態(tài)轉(zhuǎn)移方程；h(·)為離散系統(tǒng)測量方程；wk為系統(tǒng)噪聲；vk為測量噪聲；且wk和vk為互不相關(guān)的白噪聲.

卡爾曼濾波在車輛狀態(tài)估計(jì)中應(yīng)用廣泛且效果良好，容積卡爾曼濾波（cubature Kalman filter, CKF）能有效減小濾波發(fā)散，可進(jìn)一步提升估計(jì)系統(tǒng)的可靠性. 考慮到無人車行駛環(huán)境的復(fù)雜性，非線性干擾或未知的不確定性都會對CKF 算法的估計(jì)精度和魯棒性造成影響. 利用Sage 開窗法和多重次優(yōu)衰減因子，設(shè)計(jì)自適應(yīng)CKF 算法來進(jìn)行系統(tǒng)狀態(tài)估計(jì)，可顯著提升估計(jì)效果. 根據(jù)（13）中的離散狀態(tài)空間方程，自適應(yīng)CKF 算法的迭代步驟可表示為

①初始值選擇.

③時(shí)間更新. 首先進(jìn)行容積點(diǎn)傳播，且容積點(diǎn)可根據(jù)狀態(tài)轉(zhuǎn)移方程得到：

一步狀態(tài)預(yù)測方程可表示為

式中，Qk為系統(tǒng)噪聲的協(xié)方差矩陣.

容積點(diǎn)可表示為

容積點(diǎn)傳播可表示為

測量更新的預(yù)測方程可表示為

測量預(yù)測結(jié)果的協(xié)方差矩陣和互協(xié)方差矩陣可分別表示為

式中，Rk為vk的協(xié)方差矩陣. 預(yù)測誤差可通過計(jì)算實(shí)際測量值與預(yù)測測量值之間的差值得到

式中：yk+1為k+1 采樣點(diǎn)的實(shí)際測量值；y?k+1|k為k+1 采樣點(diǎn)的預(yù)估測量值.

將漸消矩陣Mk+1設(shè)計(jì)為

根據(jù)自適應(yīng)濾波增益，可得系統(tǒng)狀態(tài)估計(jì)結(jié)果及誤差協(xié)方差矩陣分別為

作為系統(tǒng)的未知輸入量，系統(tǒng)中并不包含名義故障的微分項(xiàng)，故可利用高階滑模觀測器的設(shè)計(jì)方式，重新構(gòu)造一個(gè)名義故障的微分項(xiàng). 此外，觀察式（12）和式（13）可知，名義故障在系統(tǒng)中與無人車的橫擺角速度直接相關(guān)，故所構(gòu)造的名義故障微分方程可表示為

2.4 基于故障估計(jì)的無人車容錯(cuò)控制器設(shè)計(jì)

為了有效削弱滑?？刂破魉嬖诘亩墩瘳F(xiàn)象，選取快速冪次趨近律進(jìn)行控制器設(shè)計(jì)

由此可證明所設(shè)計(jì)的控制律能夠保證滑?？刂破鞯氖諗啃?，從而確保無人車在故障和干擾的作用下仍能維持良好的容錯(cuò)控制效果.

3 仿真驗(yàn)證

為了驗(yàn)證文中設(shè)計(jì)的無人車路徑跟蹤容錯(cuò)控制方法的有效性，搭建了CarSim-Simulink 聯(lián)合仿真平臺并進(jìn)行了仿真驗(yàn)證與分析，其中CarSim 軟件用于建立整車動(dòng)力學(xué)模型，Matlab/Simulink 軟件用于搭建所設(shè)計(jì)的估計(jì)方法和控制策略. 仿真中的車輛參數(shù)如表1 所示.圖4 所示為仿真測試中車輛質(zhì)心側(cè)偏角和名義故障的估計(jì)結(jié)果. 如圖4（a）所示，所設(shè)計(jì)的結(jié)合高階滑模觀測器思想和自適應(yīng)容積卡爾曼濾波的估計(jì)方法能夠以較高的估計(jì)精度跟蹤車輛質(zhì)心側(cè)偏角，雖然估計(jì)結(jié)果中存在一定的滯后，約為0.15 s，但根據(jù)整體估計(jì)結(jié)果的量級來看，時(shí)滯相對較小，總體估計(jì)結(jié)果具有較高精度. 在圖4（b）中，所提出的名義故障估計(jì)方法能夠?qū)崟r(shí)計(jì)算名義故障的大小，具有精確的估計(jì)效果. 以上估計(jì)結(jié)果可以為車輛路徑跟蹤容錯(cuò)控制器提供可靠的信息源.

表1 車輛參數(shù)Tab. 1 Parameters of vehicle

圖4 質(zhì)心側(cè)偏角和名義故障估計(jì)仿真結(jié)果Fig. 4 Simulation results of centroid sideslip angle and nominal fault estimation

圖5 所示為路徑跟蹤仿真結(jié)果，其中，為了體現(xiàn)所設(shè)計(jì)的路徑跟蹤容錯(cuò)控制方法的實(shí)際效果，將有容錯(cuò)控制和無容錯(cuò)控制下的車輛路徑跟蹤結(jié)果進(jìn)行了對比. 如圖5 所示，當(dāng)出現(xiàn)故障時(shí)，如果沒有相應(yīng)的容錯(cuò)控制策略，車輛的行駛路徑將嚴(yán)重偏離參考路徑，這主要是因?yàn)楣收虾筌囕v的轉(zhuǎn)向操縱與路徑跟蹤需求的轉(zhuǎn)向程度相差較大，導(dǎo)致車輛偏離理想的行駛方向而無法完成變道行駛. 相比之下，如果采用了容錯(cuò)控制方法，則車輛的路徑跟蹤效果將大大提高，在故障影響下也基本能夠完成變道.

圖5 路徑跟蹤仿真結(jié)果Fig. 5 Simulation results of path tracking

圖6 所示為有容錯(cuò)控制和無容錯(cuò)控制下的路徑跟蹤控制偏差對比. 如圖6（a）所示，有容錯(cuò)控制的情況下，在車輛變道過程中，其航向偏差在-2o～4o的界限內(nèi)波動(dòng)，最終趨于0 并保持穩(wěn)定. 若未采用容錯(cuò)控制方法，則故障發(fā)生后，車輛的航向偏差相比有容錯(cuò)控制明顯增大，且其航向偏差在最大值時(shí)相比有容錯(cuò)控制增加了近10 倍，并最終穩(wěn)定在-3o左右. 通過對車輛路徑跟蹤的對比結(jié)果可知，在-3o處，無容錯(cuò)控制的車輛已經(jīng)遠(yuǎn)遠(yuǎn)偏離了參考路徑. 圖6（b）所示為有無容錯(cuò)控制下的橫向偏差對比結(jié)果. 可知故障發(fā)生后，如果沒有容錯(cuò)控制，橫向偏差量迅速增大，最終達(dá)到了將近-15 m. 相反，有容錯(cuò)控制的車輛橫向偏差則始終保持在一個(gè)相對較小的范圍內(nèi)，當(dāng)換道完成時(shí)，橫向偏差逐漸趨近于0.

圖6 路徑跟蹤偏差仿真結(jié)果Fig. 6 Simulation results of path tracking deviation

圖7 所示為有無容錯(cuò)控制下車輛控制結(jié)果. 由圖7（a）可知，在有容錯(cuò)控制下，車輛的橫擺角速度可以在整個(gè)路徑跟蹤期間以高精度跟蹤參考橫擺角速度以保證車輛穩(wěn)定性. 然而，當(dāng)發(fā)生故障時(shí)，若無容錯(cuò)控制，則車輛橫擺角速度急劇增加并嚴(yán)重偏離參考值.同樣地，如圖7（b）所示，有容錯(cuò)控制下的車輛質(zhì)心側(cè)偏角在-1o～1o的小范圍內(nèi)變化. 但當(dāng)發(fā)生故障時(shí)，若無容錯(cuò)控制，則車輛質(zhì)心側(cè)偏角將明顯增大. 觀察圖7（a）和圖7（b）可知，變道完成后，無容錯(cuò)控制下的車輛橫擺角速度和質(zhì)心側(cè)偏角也逐漸減小并趨近于0. 這并不意味著在名義故障的影響下無容錯(cuò)控制方法可以解決上述問題. 根據(jù)圖5 可以發(fā)現(xiàn)，一旦完成換道過程，車輛將沿直線行駛，即前輪轉(zhuǎn)向角為0.也就是說，此時(shí)車輛無轉(zhuǎn)向操縱，車輛前輪轉(zhuǎn)角為0，其增益故障也為0. 實(shí)際上，即使無容錯(cuò)控制，車輛在換道后仍會沿直線行駛，從而使得車輛的橫擺角速度和質(zhì)心側(cè)偏角最終趨近于0. 圖7（c）所示為有無容錯(cuò)控制下的車輛前輪轉(zhuǎn)角. 故障發(fā)生時(shí)，若無容錯(cuò)控制，則前輪轉(zhuǎn)向突然增大，從而導(dǎo)致車輛穩(wěn)定性下降，并使車輛實(shí)際行駛路徑偏離參考路徑. 相比之下，容錯(cuò)控制下的前輪轉(zhuǎn)向角得到了很好的控制，從而保證車輛穩(wěn)定性和路徑跟蹤效果.

圖7 車輛穩(wěn)定性控制仿真結(jié)果Fig. 7 Simulation results of vehicle stability control

4 硬件在環(huán)平臺試驗(yàn)驗(yàn)證

為進(jìn)一步驗(yàn)證所設(shè)計(jì)的基于故障估計(jì)的無人車容錯(cuò)控制方法在實(shí)際控制器中的應(yīng)用效果，利用硬件在環(huán)仿真平臺進(jìn)行了試驗(yàn)驗(yàn)證，如圖8 所示. 為測試文中方法在實(shí)際控制器中的應(yīng)用效果，根據(jù)所設(shè)計(jì)的無人車容錯(cuò)控制方法，結(jié)合所具備的軟硬件設(shè)施，進(jìn)行無人車硬件在環(huán)測試系統(tǒng)的模塊化搭建，主要包括整車模型搭建、輪轂電機(jī)模型搭建、輪轂電機(jī)控制器搭建以及相應(yīng)控制策略的編寫. 利用多個(gè)板卡來模擬、采集以及輸出不同的控制信號，從而搭建實(shí)際車輛控制器和控制模型之間的信號連接并形成完整的控制閉環(huán). 選取雙移線軌跡作為參考軌跡，參考軌跡可表示為

圖8 硬件在環(huán)試驗(yàn)平臺Fig. 8 Hardware in the loop test platform

圖9 所示為質(zhì)心側(cè)偏角和名義故障估計(jì)試驗(yàn)結(jié)果. 由圖9 可知，文中方法能夠?qū)囕v質(zhì)心側(cè)偏角和名義故障實(shí)現(xiàn)實(shí)時(shí)觀測且具有較高的估計(jì)精度，從而為整車控制提供依據(jù). 圖10 所示為無人車路徑跟蹤試驗(yàn)結(jié)果. 觀察路徑跟蹤對比結(jié)果可知，故障發(fā)生前，車輛基本能夠跟蹤參考路徑并按照期望的方向行駛從而完成換道. 而故障發(fā)生后，無容錯(cuò)控制下的車輛行駛方向則明顯偏離期望值，從而導(dǎo)致行駛路徑嚴(yán)重偏離參考路徑，相比之下，有容錯(cuò)控制下的車輛行駛路徑則能夠基本維持原有的跟蹤性能. 圖11所示為無人車路徑跟蹤偏差試驗(yàn)結(jié)果. 根據(jù)航向偏差和橫向偏差對比結(jié)果可知，在參考路徑曲率較大且車輛行駛方向變化劇烈的行駛工況下，車輛的航向偏差和橫向偏差從整體上來說相對偏大但皆在控制允許范圍內(nèi)，當(dāng)參考路徑曲率較小或車輛完成換道時(shí)，誤差則相對偏小. 此外，故障發(fā)生后，相比無容錯(cuò)控制的情況，有容錯(cuò)控制下的航向偏差和橫向偏差都相對較小，從而保證了車輛路徑跟蹤過程中面對突發(fā)故障的可靠性. 圖12 所示為無人車輛穩(wěn)定性控制試驗(yàn)結(jié)果. 根據(jù)橫擺角速度跟蹤控制結(jié)果可知，容錯(cuò)控制下的車輛橫擺角速度從整體趨勢上能跟蹤參考橫擺角速度，且故障發(fā)生后相比無容錯(cuò)控制方法，有容錯(cuò)控制下的橫擺角速度跟蹤精度相對更高.同樣地，故障發(fā)生后，有容錯(cuò)控制下的車輛質(zhì)心側(cè)偏角也相對更小. 根據(jù)有無容錯(cuò)控制下的車輛前輪轉(zhuǎn)角對比結(jié)果可知，故障發(fā)生后，有容錯(cuò)控制下的車輛前輪轉(zhuǎn)角得到了明顯的抑制，從而削弱了名義故障對無人車轉(zhuǎn)向控制的影響，以此確保了無人車路徑跟蹤和穩(wěn)定性控制效果.

圖9 質(zhì)心側(cè)偏角和名義故障估計(jì)試驗(yàn)結(jié)果Fig. 9 Test results of sideslip angle and nominal fault estimation

圖10 路徑跟蹤試驗(yàn)結(jié)果Fig. 10 Path tracking test results

圖11 路徑跟蹤偏差試驗(yàn)結(jié)果Fig. 11 Test results of path tracking deviation

圖12 車輛穩(wěn)定性控制試驗(yàn)結(jié)果Fig. 12 Vehicle stability control test results

5 結(jié) 論

針對無人車路徑跟蹤控制問題，同時(shí)考慮轉(zhuǎn)向控制系統(tǒng)輸入性故障和未知干擾的影響，研究了一種無人車輛路徑跟蹤容錯(cuò)控制方法，旨在保證無人車輛面對突發(fā)故障和未知干擾時(shí)的路徑跟蹤控制效果和車輛橫向穩(wěn)定性.

分析了無人車輛路徑跟蹤過程中所面對的問題并對轉(zhuǎn)向控制系統(tǒng)故障進(jìn)行表征，結(jié)合未知干擾因素定義了名義故障并對其進(jìn)行數(shù)學(xué)建模. 基于自適應(yīng)容積卡爾曼濾波設(shè)計(jì)了車輛質(zhì)心側(cè)偏角和名義故障估計(jì)方法，從而為整車控制提供信息源. 設(shè)計(jì)了整車路徑跟蹤容錯(cuò)控制策略，其中采用滑?？刂品椒ㄔO(shè)計(jì)了車輛路徑跟蹤容錯(cuò)控制器并證明了其收斂性.

CarSim/Simulink 聯(lián)合仿真和硬件在環(huán)試驗(yàn)結(jié)果表明，所提出的車輛質(zhì)心側(cè)偏角和名義故障估計(jì)方法具有較好的估計(jì)效果，能夠?yàn)檎嚾蒎e(cuò)控制器提供可靠信息輸入. 相比無容錯(cuò)控制，所提出的容錯(cuò)控制方法在出現(xiàn)故障時(shí)能夠及時(shí)應(yīng)對突發(fā)狀況，在實(shí)現(xiàn)車輛路徑跟蹤的同時(shí)確保車輛的穩(wěn)定性.

所提出的容錯(cuò)控制方法可有效抑制信號級的廣義輸入性故障對轉(zhuǎn)向系統(tǒng)控制器的負(fù)面影響，同時(shí)，文中所呈現(xiàn)的未知輸入估計(jì)方法和系統(tǒng)控制思想，對含未知輸入量的非線性車輛系統(tǒng)控制問題，具有通用的借鑒意義.