基于事件触发的无人驾驶汽车路径跟随预测控制.pdf

本文研究的核心内容是利用事件触发模型预测控制（Event-Triggered Model Predictive Control，ET-MPC）算法解决无人驾驶汽车在复杂行驶环境下的路径跟随问题。在介绍这一研究之前，需要先理解文中提及的相关概念。 无人驾驶汽车系统（Unmanned Autonomous Vehicle System）是通过计算机系统和先进的传感器、摄像头等设备，实现对车辆的自动控制，以完成驾驶员的角色，使车辆能够自行在道路上安全行驶。无人驾驶汽车在行驶过程中需要处理的典型任务之一，就是路径跟随（Path Following），它要求车辆能够准确地沿着预先设定的路径或轨迹行驶。 模型预测控制（Model Predictive Control，MPC）是一种高级控制策略，它能够处理控制对象的动态特性和多输入多输出的控制问题。MPC通过预测未来的动态行为，结合当前和未来的信息，计算出最优控制输入。MPC算法的一个关键特点是它的滚动优化（Receding Horizon Optimization）特性，即只考虑最接近的未来一段时间内的控制序列，并在每一个时间点对预测模型进行更新。 事件触发控制（Event-Triggered Control）是一种控制策略，它与传统的周期采样控制不同，事件触发控制不是周期性地执行控制动作，而是在某些预先设定的事件发生时才进行控制。这种策略可以减少控制算法的计算量，降低系统的通信传输量，从而提高系统的效率和实时性。 本文提出了一种基于事件触发的无人驾驶汽车路径跟随预测控制算法。相较于传统的基于时间周期的模型预测控制算法，新提出的算法能够在确保车辆准确跟随参考轨迹的同时，减少求解优化问题的计算量，降低在线实时优化的计算负担。这种方法的主要优势在于它能够在满足路径跟随精度要求的前提下，减少计算资源的消耗，实现更为高效的控制。 通过对无人车运动学模型的仿真结果进行分析，文章对比了提出的控制算法与传统算法。仿真结果验证了新算法的有效性，表明其能够在保证路径跟随精度的同时，显著降低计算负担。 为了更深入理解本文涉及的知识点，我们可以从以下几个方面展开： 1. 无人驾驶汽车系统的技术特点：无人车辆具有复杂的动力学系统，行驶环境动态多变，车载控制单元计算能力有限，因此，需要高度智能化的控制方案来确保车辆安全准确地跟随期望路径行驶。 2. 模型预测控制（MPC）的基本原理和应用：MPC通过预测未来车辆的行为，结合当前和未来的信息，计算最优控制输入。它能够处理有约束的优化问题，并可以应用于无人驾驶领域中解决路径跟随、轨迹跟踪和运动规划等问题。 3. 事件触发控制与周期采样控制的区别：事件触发控制依赖于特定事件的发生来触发控制动作，而非周期性地执行控制。这种控制策略可以减轻计算负担，减少通信传输量，为实现更高效的控制提供了可能。 4. 事件触发模型预测控制（ET-MPC）算法的提出和优势：本文提出的ET-MPC算法结合了事件触发控制和模型预测控制的优点，能够在保证路径跟随精度的同时，降低计算量和通信负担。 5. 研究成果的验证和展望：通过无人车运动学模型的仿真结果，验证了ET-MPC算法的有效性，并指出了该技术未来可能的研究方向和实际应用前景。