综述

自动驾驶汽车有一个很有前途的未来，它可以使运输时间变得轻松，并使驾驶员能够参与其他活动，从而改变世界各地的日常生活。它们有可能大大减少由驾驶员的过失造成的撞车事故，包括驾驶积极、补偿过度、经验不足、反应时间慢、注意力不集中以及其他驾驶员的各种缺点。此外，自动驾驶汽车可以为老年人和残疾人提供移动性，增加道路通行能力，节约燃料，降低有害排放[1]。

[1] D. J. Fagnant and K. Kockelman, “Preparing a nationfor autonomous vehicles: 1 opportunities, barriers and policy recommendations for 2 capitalizing on self-driven vehicles 3,” Transportation Research, vol. 20, 2014.

自 20 世纪 20 年代以来，已经在自动驾驶汽车上进行了试验：20 世纪 50 年代进行了有希望的试验，此后工作一直在进行。谷歌（Google）、特斯拉（Tesla）、宝马（BMW）和雷克萨斯（Lexus）等许多大型全球公司正在为自动驾驶汽车的研究投入资金和资源。谷歌联合创始人谢尔盖·布林（Sergey Brin）在加利福尼亚州帕洛斯维尔德斯的 Recode code 会议上描述了自动驾驶汽车的概念[2]。

[2] P . Griffiths and R. B. Gillespie, “Shared control between human and machine: Haptic display of automation during manual control of vehicle heading,” in 12th International Symposium on Haptic Interfaces for Virtual Environment and Teleoperator Systems (HAPTICS04). IEEE, 2004,
pp. 358–366.

自动驾驶汽车的原型依赖于内置传感器和软件系统，无需手动控制即可安全操纵汽车。在自动驾驶汽车成为现实之前要解决的几个关键问题之一是基于感测和映射模块的传感器信息来确定自动驾驶汽车的无碰撞轨迹。通常，自动驾驶车辆控制分为路径规划（轨迹生成）和轨迹跟踪。路径规划问题是为车辆找到一条期望的路径，该路径从初始配置开始并到达目标区域，同时满足给定的全局和局部约束。有效的路径规划算法使自主驾驶真正可行、安全、快速[3]。同时，路径跟踪问题是为单个车辆的执行器设计控制律，以实现选定的轨迹。

[3] B. Paden, M. ˇCáp, S. Z. Y ong, D. Y ershov, and E. Frazzoli, “A survey of motion planning and control techniques for self-driving urban vehicles,” IEEE Transactions on intelligent vehicles, vol. 1, no. 1, pp. 33–55, 2016.

然而，实时路径规划，尤其是在存在障碍的情况下，仍然非常具有挑战性[4]。

[4] C. Shen, Y . Shi, and B. Buckham, “Integrated path planning and tracking control of an AUV: A unified receding horizon optimization approach,” IEEE/ASME Transactions on Mechatronics, vol. 22, no. 3, pp. 1163– 1173, 2017.

存在许多不同的方法来解决路径规划问题。图搜索方法如 Dijkstra 算法[5，6]，A星算法[7]和状态格算法[8]构造车辆状态空间的图形离散化，并使用图搜索方法搜索最短路径。基于增量树的方法从车辆的初始状态逐步构建可到达状态树，然后选择这种树的最佳分支。基于抽样的方法已被证明是一种有效的框架，适用于领域中的大量问题。机器人技术中的现有方法，如概率路线图方法（PRM）[9]和快速探索随机树（RRT）[10]，已广泛用于自动车辆。然而，这些方法在计算上很昂贵。插值曲线规划器通过考虑可行性、舒适性、车辆动力学和自动驾驶领域的其他参数，实现了不同的路径平滑和曲线生成技术[11，12]。

[5] R. Kala and K. Warwick, “Multi-level planning for semi-autonomous vehicles in traffic scenarios based on separation maximization,” Journal of Intelligent & Robotic Systems, vol. 72, no. 3-4, pp. 559–590, 2013.

[6] J. Bohren, T. Foote, J. Keller, A. Kushleyev, D. Lee, A. Stewart, P . V ernaza, J. Derenick, J. Spletzer, and B. Satterfield, “Little ben: The ben franklin racing teams entry in the 2007 darpa urban challenge,” in The DARPA Urban Challenge. Springer, 2009, pp. 231–255.

[7] J. Ziegler, M. Werling, and J. Schroder, “Navigating car-like robots in unstructured environments using an?obstacle sensitive cost function,” in 2008 IEEE Intelligent Vehicles Symposium. IEEE, pp. 787–791.

[8] M. Rufli and R. Siegwart, “On the application of the d* search algorithm to time-based planning on lattice graphs,” in 4th European Conference on Mobile Robotics (ECMR). Eidgen?ssische Technische Hochschule Zürich, 2009, pp. 105–110.

[9] L. Kavraki, P . Svestka, and M. H. Overmars, “Probabilistic roadmaps for path planning in high-dimensional configuration spaces,” IEEE Transactions on Robotics and Automation, vol. 1994, p. 566580.

[10] S. M. LaV alle and J. J. Kuffner Jr, “Randomized kinodynamic planning,” The international journal of robotics research, vol. 20, no. 5, pp. 378–400, 2001.

[11] J. Horst and A. Barbera, “Trajectory generation for an on-road autonomous vehicle,” in Unmanned Systems Technology VIII, vol. 6230. International Society for Optics and Photonics, 2006, p. 62302J.

[12] M. Brezak and I. Petrovi′c, “Real-time approximation of clothoids with bounded error for path planning applica- tions,” IEEE Transactions on Robotics, vol. 30, no. 2, pp. 507–515, 2014.

在路径跟踪控制器中，许多研究假设期望的车辆路径是已知的，或者期望的路径已经由离线轨迹规划器规划。具体地说，自动驾驶车辆计划遵循给定的轨迹，该轨迹假设为无碰撞且可由车辆实现[2]。此外，基于线性化或过度简化的模型设计的跟踪控制器可以忽略重要的非线性动力学，当车辆在接近其处理能力极限的情况下运行时，这些非线性动力学起着主要作用[3]。

这些研究大多分别考虑了自动驾驶汽车的轨迹规划和轨迹控制，其中很少有人将轨迹规划和轨道控制结合在一起，只有少数[4]。

本文采用非线性车辆模型预测控制（MPC）算法，设计了一种路径规划和轨迹跟踪控制相结合的控制方法。路径规划层实时实时预测局部路径并规划出车辆的参考轨迹，轨迹跟踪控制层根据规划层传进来的参考轨迹进行精确的跟踪控制。不再需要附加的跟踪控制器。MPC 算法已广泛应用于实时路径规划和跟踪控制，并已被证明能够生成所需的安全路径。

大多数研究仅使用单点质量模型，并假设车辆具有恒定的纵向速度。与人工驾驶车辆相比，自动驾驶车辆的使用带来了许多优势[13]，并且自动驾驶车辆已经开发和生产用于生产、建设和城市环境。

[13] R. Pepy, A. Lambert, and H. Mounier, “Path planning using a dynamic vehicle model,” in Information and Communication Technologies, ICTTA’06. 2nd, vol. 1. IEEE, pp. 781–786.

《无人驾驶车辆模型预测控制第六章》轨迹规划+跟踪_Jeossirey的博客-CSDN博客_无人驾驶车辆模型预测控制第六章点击下方卡片，加入会员全年无限制学习后台（MPC各矩阵的底层逻辑、MPC纵向控制、模型验证、MPC自适应巡航控制、非线性系统如何线性化及MPC动力学跟踪任何轨迹、约束添加及新求解器的求解、轨迹规划、纵向规划等80个系列）会员专享爆品课程及资源，同时获得分佣资格，可赚回自己的学费！https://blog.csdn.net/m0_50888394/article/details/115357803

无人驾驶车辆规划+轨迹跟踪控制学习笔记（1）相关推荐

无人驾驶车辆路径规划及轨迹跟踪控制学习笔记（2）
目录汇总学习笔记汇总在关键交通场景中,轨迹规划和轨迹跟踪控制是自动驾驶车辆避免碰撞的两个关键.它不仅需要系统功能,而且需要强大的实时性. 我们集成了自动驾驶汽车的轨迹规划器和跟踪控制器,通过轨 ...
带避障功能的MPC局部路径规划+跟踪控制学习笔记
目录 1 轨迹跟踪MPC设计 1.1 非线性模型预测控制算法 1.1.1 非线性MPC概述 1.1.2 基于动力学的车辆点质量模型(非线性.连续) 1.1.3 离散化为预测模型 1.1.4 避障功能函 ...
基于动力学模型的无人驾驶车辆MPC轨迹跟踪算法及carsim+matlab联合仿真学习笔记
目录 1 模型推导及算法分析 1.1 模型推导 1.1.1 车辆动力学模型 1.1.2 线性时变预测模型推导 1.2 模型预测控制器设计 1.2.1 目标函数设计 1.2.2 约束设计 2 代码解析 ...
【Carsim Simulink自动驾驶仿真】基于MPC的轨迹跟踪控制
如果对Carsim的基础使用还不了解,可以参考:[Carsim Simulink自动驾驶仿真]基于MPC的速度控制如果对MPC算法原理不清楚,可以参考:如何理解MPC模型预测控制理论项目介绍: 教 ...
[论文]欠驱动水下机器人的平面轨迹规划与跟踪控制设计
[论文]欠驱动水下机器人的平面轨迹规划与跟踪控制设计摘要研究了欠驱动自主水下航行器在水平面上的轨迹规划与跟踪控制的组合问题.给定光滑的.惯性的二维参考轨迹,规划算法利用车辆动力学计算参考方向和机体 ...
基于CarSim和Simulink的车辆预瞄轨迹跟踪控制模型+carsim设置文件
基于CarSim和Simulink的车辆预瞄轨迹跟踪控制模型+carsim设置文件可选模型说明文件和操作说明 ID:2180642445175030
MPC算法轨迹跟踪控制资源
点击文末卡片,加入会员全年无限制学习后台(MPC各矩阵的底层逻辑.MPC纵向控制.模型验证.MPC自适应巡航控制.非线性系统如何线性化及MPC动力学跟踪任何轨迹.约束添加及新求解器的求解.轨迹规划.纵 ...
基于运动学模型的轨迹跟踪控制
章四基于运动学模型的轨迹跟踪控制 MPC(4)基于运动学模型的轨迹跟踪控制器设计无人驾驶车辆模型预测控制(龚建伟)第四章基于运动学模型的轨迹跟踪控制(仿真部分) 无人车辆在惯性坐标系中,车辆必须 ...
1、MPC 算法（模型预测控制算法（MPC算法）轨迹跟踪控制）
MPC 跟踪圆形轨迹/直线轨迹 MPC 跟踪双移线轨迹 MPC 进行局部路径规划+轨迹跟踪 MPC跟踪直线轨迹 N MPC 对直线轨迹进行跟踪 MPC 算法跟踪五次多项式曲线以上为目录推荐学习的软 ...

无人驾驶车辆规划+轨迹跟踪控制学习笔记（1）

综述

无人驾驶车辆规划+轨迹跟踪控制学习笔记（1）相关推荐

最新文章

热门文章