您当前所在位置：智能汽车 > 查看内容

面向自动驾驶汽车路径跟踪的在线学习前馈-反馈控制设计

发布：xiaocheng 来源：

PostTime：11-8-2023 09:21

编者按：自动驾驶车辆的研究可分为感知、定位、决策、规划、控制等层面，其中控制层的任务是根据规划层输出的参考轨迹，结合车辆自身状态，控制车辆跟踪参考轨迹形式，实现车辆的纵、侧向控制。车辆的纵向控制主要实 ...

以下为文章全文：(本站微信公共账号:cartech8)

汽车零部件采购、销售通信录 填写你的培训需求，我们帮你找 招募汽车专业培训老师

编者按：自动驾驶车辆的研究可分为感知、定位、决策、规划、控制等层面，其中控制层的任务是根据规划层输出的参考轨迹，结合车辆自身状态，控制车辆跟踪参考轨迹形式，实现车辆的纵、侧向控制。车辆的纵向控制主要实现速度的跟踪，侧向控制则实现路径的跟踪。近年来，一些学者研究将神经网络与自动驾驶车辆控制相结合，通过使用离线学习数据模型实现轨迹跟踪。然而，离线学习的模型会十分受限，难以在复杂路面上实现精确的跟踪。因此，本文引入了循环高阶神经网络模型作为可实时学习参数的前馈环节来表征车辆行为，并与简单的反馈模块结合提出了实时学习、运算高效和跟踪性能好的前馈—反馈控制器。

本文译自：

《OnlineLearning-Informed Feedforward-Feedback Controller Synthesis for Path Trackingof Autonomous Vehicles》
文章来源：

IEEETRANSACTIONS ON INTELLIGENT VEHICLES, VOL. 8, NO. 4, APRIL 2023
作者：

Hao Chen and Chen Lv
原文链接：

https://ieeexplore.ieee.org/abstract/document/10002843

摘要：高性能的路径跟踪是无人驾驶汽车的关键技术。前馈-反馈控制结构适用于具有足够稳定裕度的精确路径跟踪。对于前馈环节中的系统建模，基于学习的方法由于其无模型框架而被证明是一种很有前途的方法。然而，利用采集数据训练的离线学习数据模型受其特征空间的限制，导致泛化能力不足。作为一种解决方案，在本研究中，我们引入一个在线学习网络——循环高阶神经网络(RHONN)来表征车辆行为。使用RHONN以高保真度和灵活的形式及时地对车辆行为进行特征表示。基于在线辨识的RHONN模型找到期望路径上预瞄点处的平衡点，并将其诱导转向角作为前馈指令。对于反馈转向控制器，采用包含稳态车辆质心侧偏角的预瞄点位置控制律，以增强稳定性能。最后，在CarSim/Simulink环境下，分别在双移线和单转向两种典型场景下对所设计的RHONN前馈反馈控制器的性能进行验证。验证结果表明，与其他方法相比，所提出的方法在线性和非线性区域具有更好的跟踪精度。更值得注意的是，平均执行时间(3.55 ms)小于控制器的采样频率(50 ms)，进一步证实了所提方法的适用性和高效性。

关键词：在线学习前馈、转向控制器、路径跟踪、无人驾驶

1 引言

路径跟踪是保障无人驾驶车辆安全运行的主要任务之一。该功能通常与控制框架内的更高级别的路径规划技术一起工作，以完成各种任务，包括超车、换道和避障[1]、[2]、[3]、[4]。因此，自主路径跟踪或轨迹跟踪已经成为一个活跃的研究课题[5]，[6]，[7]。在极端场景下，人类驾驶员对道路信息的获取能力有限，导致车辆因判断能力差或操纵不当而发生失稳。相比之下，自动驾驶汽车可以完全感知道路信息，产生良好的跟踪性能，甚至优于人类驾驶员[8] [9] [10]。这保证了无人驾驶汽车的安全稳定行驶。

在过去的几十年中，人们对这一课题进行了大量的研究。Wallace等人在[13]中首次讨论了纯追求问题。该控制策略包括通过车辆的位置拟合一个半圆到参考路径上与车辆航向角相切的预瞄点。霍夫曼等人[14]提出了一种非线性控制律，通过只考虑前轮，而不考虑车身，来实现自动驾驶车辆对期望路径的轨迹跟踪。该方法在2005年DARPA大赛"斯坦利"上成功实施。这两种基于运动学的方法已经被证明是不可或缺的工具，因为它们具有很高的计算效率和令人满意的性能。然而，随着车速和道路曲率的增加，运动学模型的精度会受到影响，从而使其仅适用于低速跟踪。为了解决这一问题，学者们对基于动态模型的控制技术展开了研究。Liu等[15]和Zhang等[16]建立了包括横向误差和航向误差在内的线性化误差状态空间模型，并设计了线性二次型调节器( LQR )获得方向盘转角指令。针对具有动态曲率的路径，提出了前馈控制器来避免LQR的超调响应[17]，[18]。然而，由于模型的不准确性，线性化会导致关键场景下的性能下降

相比之下，模型预测控制(Model Predictive Control，MPC)可以在预测时域内指定多个预瞄点，同时融入物理约束，有望应用于路径跟踪问题[19] [20]。法尔科内等开创了基于MPC的主动转向控制器，实现了沿期望路径的稳定行驶[21]。车辆动力学模型对MPC的性能有显著影响。相比于线性MPC，采用非线性动力学模型预测车辆状态并考虑安全和驱动约束的非线性MPC ( NMPC )具有更好的跟踪和镇定性能[22] [23]。然而，NMPC方法引入了一个涉及计算问题的约束非线性优化问题，特别是在较高的驱动速度下。此外，预测时域和权重的选择仍然是一项具有挑战性的任务。为了降低计算代价，一些公式被提出，如显式MPC [23]、[24]和切换MPC [25]等。然而，仍需要进一步的验证，也见其中的参考文献。前馈-反馈控制架构已被证明是一种有效的设计方法，可以在保持鲁棒稳定裕度的同时实现精确的路径跟踪，特别是在处理极限情况下[26]，[27]。前馈控制律通过路径曲率生成稳态转向角，反馈算法通过横向路径偏差和航向偏差计算补偿后的转向角。事实上，前馈方法需要合适的模型。车辆动力学是一个典型的非线性时变系统。基于物理的模型具有直观性；然而，它需要明确的表征和大量的经验参数，使其成为一项具有挑战性的任务。近年来，基于神经网络的数据驱动建模方法因其具有通用的函数逼近特性和"无模型"结构而被成功应用于车辆系统[32] [33] [34] [35]。Nathan等人建立了一个两层的人工神经网络( ANN )结构，从实验车辆数据中学习非线性车辆动力学行为。训练好的神经网络通过求解一个非线性优化问题来生成前馈转向和侧滑指令。此外，将稳态侧偏角纳入反馈控制器以提高稳定性。神经网络模型在测试路径上表现出比基于物理的模型更好的跟踪性能[36]。这为基于数据驱动的路径跟踪方法提供了很好的指导。但是，前馈分量的神经网络是离线训练的，其有效域被约束在集合的区域内。具体来说，由于离线采集的数据无法覆盖所有车辆的驾驶场景，因此学习到的模型泛化性有限。因此，设计一种基于在线学习的前馈方法，能够实时捕捉车辆非线性行为的精度和性能，并具有较高的执行计算效率是可取的。

递归高阶神经网络(Recurrent High-Order Neural Network，RHONN)是一种根植于递归神经网络(Recurrent Neural Network，RNN)的神经网络。RHONNs能够通过在状态和输入信号之间构造高阶多项式来表示系统的非线性动力学行为，因其高保真和数据驱动的形式[37]，[38]，[39]，[40]，[41]而具有在数字孪生和并行智能系统中实现的潜力。因此，在本研究中，我们采用RHONN对非线性车辆行为进行实时建模。此外，在预瞄点处定义了平衡态，并通过识别的RHONN作为前馈转向命令找到平衡态。通过基于预瞄点位置的反馈转向控制器进行补偿，所提出的方法有望在满足计算要求的情况下增强自动驾驶车辆在各种条件下的跟踪性能。

2 在线学习--路径跟踪建模

图1 基于车辆平面动力学模型的路径跟踪示意图

图2 RHONN信息反馈-前馈转向控制器示意图

基于车辆平面动力学模型的路径跟踪示意图如图1所示，其中为前轮转向角，为沿车辆中心线的预瞄点。期望路径上距离和前轮中心最近的点分别定义为和。进一步，为到的侧向偏差，为前轮中心到的侧向偏差。表示处车辆中心线与切线之间的航向角误差。前馈加反馈结构因其计算效率高、实现简单而被应用于跟踪期望路径。用于路径跟踪的RHONN反馈前馈转向控制器方案如图2所示。前轮中心当前位置、和车辆航向角由传感器直接测量得到。在和处的参考姿态分别记为(1)式中的和：

其中，为位置（在全局框架中），为处切线的角度，为处的曲率.其定义与的相同。RHONN首先对车辆特征进行及时特征化。前馈转向角将车辆引导到期望路径上的稳定状态，这是通过对RHONN信息模型的求解得到的。此外，为了补偿跟踪误差和提高车辆的稳定性能，采用基于预瞄点位置的控制律，结合车辆稳态质心侧偏角，生成反馈转向角。

非线性行为普遍存在于车辆中。一般的离散时间非线性系统可以定义为：