智能汽车的车路状态估计轨迹跟踪与稳定性决策控制架构研究
智能汽车的车路状态估计轨迹跟踪与稳定性决策控制架构研究
智能汽车的车路状态估计、轨迹跟踪与稳定性决策控制是实现自动驾驶的关键技术。本文从车辆动力学模型出发，详细介绍了状态估计器设计、路面附着系数识别、鲁棒自适应算法以及轨迹跟踪和稳定性控制策略，为智能汽车的控制架构研究提供了全面的技术参考。
在智能汽车研究中，车辆动力学模型的建立是基础。该模型综合考虑了车辆在纵向、侧向、横摆方向以及车轮旋转运动的特性，构建了一个多自由度的整车系统动力学模型。这个模型不仅反映了车辆的基本运动特征，还通过Car Sim软件进行了验证，确保了其准确性。进一步地，基于Brush轮胎模型，分析了轮胎刚度参数和路面附着系数对轮胎力及车辆动态响应的影响规律。为了能够实时识别车辆的关键状态变量如纵向速度、侧向速度和质心侧偏角，采用平方根容积卡尔曼滤波算法设计了一种状态估计器。这种估计器可以在复杂多变的驾驶环境中提供精确的状态估计，为后续的控制策略提供了坚实的基础。
路面附着系数的准确识别对于保证车辆安全至关重要。由于模型失配和测量噪声的问题，传统的识别方法容易导致误差累积。为此，提出了一种整体式估计方案，通过自适应调整轮胎的纵向和侧向刚度来修正有效附着系数，改进了原有的Brush轮胎模型。同时，引入最大相关熵准则以适应性调整测量噪声协方差，避免异常测量噪声的干扰。结合改进后的SCKF算法与新型轮胎模型，设计了一套新的路面附着系数估计方案，并通过多种工况下的测试证明了其高精度和可靠性。这种方法显著提高了路面附着系数识别的准确性，增强了车辆在不同路况下的操控性能。
针对目标状态跟踪过程中遇到的过程噪声和测量噪声不确定性问题，提出了鲁棒自适应SCKF算法。此算法利用最大后验概率准则来统计估计过程噪声和测量噪声协方差，从而提高在噪声稳定情况下的估计精度。此外，还设计了故障检测规则，用于根据实时测量新息校正噪声协方差，增强了算法对异常噪声的抵抗能力。仿真结果表明，鲁棒自适应SCKF算法能够在不同噪声条件下保持较高的状态跟踪精度，有效地解决了噪声不确定性带来的挑战。
对于分布式智能电动汽车而言，轨迹跟踪控制和稳定性控制是两个关键方面。基于模型预测控制理论，设计了能够实时修正侧偏刚度参数的轨迹跟踪控制器，并通过硬件在环实验验证了其有效性。考虑到轮胎力饱和约束以及横摆角速度和质心侧偏角之间的相对重要性，采用了滑模控制理论设计了稳定性控制器。在此基础上，制定了归一化稳定性指数的权重自适应准则，进而提出了一个用于轨迹跟踪与稳定性控制的协同策略。通过对比分析，在极限工况下展示了该方法的优越性，确保了车辆在复杂环境中的稳定性和安全性。
在高速公路等典型驾驶场景中，智能汽车需要具备良好的决策与控制能力。提出的架构综合考虑了纵向安全和横向稳定性，通过交通环境信息、相对位置、路面附着系数和车辆运动状态等数据，判断是否执行速度控制或换道操作。参考路径的生成充分考虑了道路边界和碰撞避免约束，而最优换道路径的选择则依赖于一个综合评估函数，该函数平衡了安全性和舒适性。使用前述设计的控制器进行轨迹跟踪和稳定性控制，减少了决策规划层对控制层的压力，实现了跟踪精度与车辆稳定性的和谐统一。