スマートカーの計画と制御に一般的に使用される制御手法の詳細な説明

コントロールとは、車両を前進させるための戦略です。制御の目標は、実現可能な制御量を使用して、目標軌道からの逸脱を最小限に抑え、乗客の快適性を最大化することなどです。

#上図に示すように、制御モジュールの入力に関連付けられたモジュールには、計画モジュール、測位モジュール、車両情報などが含まれます。測位モジュールは車両の位置情報を提供し、計画モジュールは目標軌道情報を提供し、車両情報にはギア、速度、加速度などが含まれます。制御出力はステアリング、加速、ブレーキ量です。

制御モジュールは主に水平制御と垂直制御に分けられ、結合形式の違いにより独立方式と統合方式の2つに分けられます。

#1 制御方法

1.1 デカップリング制御

つまり、デカップリング制御とは、水平方向と垂直方向の制御方式を独立して制御することをいいます。

1.2 結合制御

結合制御は、水平制御と垂直制御に存在する結合の問題を考慮します。典型的な例は、車が高速でコーナリングできないことです。これは、前後方向の速度が高すぎると、横角速度を制限する必要があり、そうしないと向心力が向心加速度を満たせないためです。

水平垂直積分の代表的な手法は線形時変モデル予測制御であり、これに水平積分と垂直積分を加えた手法です。モデルの予測制御、制約。最大向心加速度の制約など。

#1.3 ラテラル制御

##上記のように、ラテラル制御は幾何学的手法と運動学モデルに分けられます。 -ベースのメソッド、メソッドと動的モデルベースのメソッド。

1.3.1 フィードフォワード制御

いわゆるフィードフォワード制御は、追跡点情報に基づいています。 . 事前に適切な補償が行われるように金額をコントロールします。典型的な例は、追跡シーケンス ポイントの曲率情報を使用して回転角度を補正することです。

1.3.2 連鎖形式

連鎖システムは、非線形システムを複数の層に線形化し、層ごとにシステムを分解します。 、フィルタリング システム [3] と同様に、システムの速度が低下する可能性があります。

フレネ座標でのシステム モデル:

## 逆引き後

##1.3.3 Lyapunov

Lyapunov に基づくNove 安定性手法の設計は、運動学的および動的モデルに適用できます。基本的な考え方は、最初に運動学的または動的モデルを確立し、そのモデルに基づいて追跡方法を提案し、次にリアプノフ関数を確立して、リアプノフ安定性を通じて閉ループシステムの漸近安定性を証明することです[4]。

• 運動学モデル

上図に示すように、自動車の現在点は P です。 、目標点を追跡します。は現在位置と目標点の間の姿勢差、 はそれぞれ基準速度と角速度です。リャプノフ関数の設計:

# 追跡率の設計:

最後に、制約設計パラメータを制限することにより、→ ∞、→ 0 のときの追跡速度の漸近安定性が証明されます。

• 運動モデル

最初に運動モデルを確立します:

#その中:

注文

##エラーは次のとおりです:

# 設計コスト関数:

設計制御率:

#最終的に漸近安定性を証明します。

1.3.4 Pure Pursuit

Pure tracking は、幾何学的なパス トラッキング コントローラーです。このコントローラは、車両の動きと基準経路の間の幾何学的関係を使用して、基準経路のコントローラを追跡します。この制御方法は、車両の後車軸の中心を基準点として使用します。

#上の図によると、前輪回転コマンドを押し出すことができます。

ここで、R は回転半径、L は車両のホイールベース、e は車両の現在の姿勢と目標ウェイポイントの間の横方向誤差、 は前方視距離、 です。

#上の図の実験データによると、前方視距離が増加するにつれて、トラッキング ジッターはますます小さくなります。前視距離が短いほど追跡が正確になり、前視距離が長いほど追跡がスムーズになります。 PurePursuit のもう 1 つの特徴は、前方視距離が長すぎると、ターンをトラッキングするときに「手抜き」が発生する可能性があることです。 Pure Pursuit は、安定性と追跡パフォーマンスの間の難しいトレードオフです。

1.3.5 Stanley

後軸が基準点となる純粋追跡方式とは異なり、Stanley コントローラは前軸を基準点として使用します。 。機首方位誤差と横方向誤差の両方が考慮されます。スタンレーのコントローラーは、機首方位の誤差だけでなく、横方向の誤差も考慮します。

#上の図によると、前輪回転コマンドを押し出すことができます。

上図の実験データによると、k が増加するにつれて、追跡パフォーマンスも向上します。スタンレーは車速が上がるとピュアパースートのような安定感が物足りない。

1.3.6 LQR

車両運動学モデルに基づく手法では、車両の動特性を無視しているため、車両速度が速すぎる、または曲率 変化率が大きすぎる場合、アルゴリズムは車両の安定性制御要件を満たすことができません。車両ダイナミクス モデルに基づく制御方法の場合、主なタスクは車両ダイナミクスをモデル化することです。正確な 2 自由度の動的モデルは非線形であるため、リアルタイムのトラッキング制御計算を容易にするためには、通常、正確な 2 自由度の動的モデルに基づいていくつかの簡略化した近似を行って次の値を得る必要があります。線形 2 自由度の動的モデル。

• 車両 2 自由度動的モデル:

• LQR:

線形二次レギュレータ (LQR) は、車両の状態を使用して次のことを行うモデルベースのコントローラーです。誤差を最小限に抑えます。 LQR 理論は、現代の制御理論において最も初期かつ最も成熟した状態空間設計手法です。 LQR は線形フィードバック状態法則の最適制御が得られ、閉ループ最適制御の構築が容易です。

LQR 最適設計とは、設計された状態フィードバック コントローラー K が二次目的関数 J を最小化する必要があることを意味し、K は重み行列 Q と R によって一意に決定されるため、Q とRは特に重要です。次の式は LQR コスト関数です:

車両ダイナミクス モデルと LQR コスト関数に従って、代数 Licati 方程式を導出できます。

最後に、Ricati方程式を反復してフィードバック行列を計算し、フィードバック行列に基づいて最適な制御量を求めます。

1.3.7 MPC

MPC (モデル予測制御) は、時間範囲を無限時間まで拡張することに特化したメソッドです。最適制御問題は、より短い時間スパンまたは限られた時間スパンを持ついくつかの最適化制御問題に分解され、最適解がある程度追求されます。

MPC は次の 3 つの要素で構成されます:

1. 予測モデル: 予測モデルは、短期間でのシステム ステータスの変化を非常によく予測できます;
2. オンライン ローリング最適化: によって得られた結果予測モデル まだ実際の状況との乖離があるため、ローリング最適化を使用してその時々の局所的な最適解を見つけます 通常、目的(損失)関数を設計し、二次計画問題に変換して最適解を見つけます;
3. フィードバック修正: 次の時点での新しい状態に基づいて再予測し、最適化します。

• 予測モデル:

予測モデルは、LQR の車両ダイナミクス モデルに基づいて導出できます。 。

• #スクロールの最適化:

# #MPC コスト関数:

予測モデル、車両の横方向制約、コスト関数に基づいてソリューションを最適化することで、対応する制御命令を取得できます。 。

1.3.8 水平制御アルゴリズムの比較

1.4 垂直方向

上図に示すように、垂直制御では一般にカスケードpid制御方式が採用されます。

#2 詳細設計

##コントローラの設計は上図のとおりです。ここで、Controller 基本クラスとして、LonController、LonController、および MPCController はこの基本クラスを継承します。 LonController には、LQRController、LyapunovController、StanleyController などの派生サブクラスがあります。

以上がスマートカーの計画と制御に一般的に使用される制御手法の詳細な説明の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。