스마트카 계획 및 제어를 위해 일반적으로 사용되는 제어 방법에 대한 자세한 설명

컨트롤은 차량을 앞으로 나아가게 하는 전략입니다. 제어의 목표는 실현 가능한 제어량을 사용하여 목표 궤도로부터의 편차를 최소화하고 승객의 편안함을 최대화하는 것입니다.

위 그림과 같이 제어모듈의 입력과 관련된 모듈로는 플래닝 모듈, 측위모듈, 차량정보 등이 있습니다. 측위 모듈은 차량 위치 정보를 제공하고, 계획 모듈은 목표 궤적 정보를 제공하며, 차량 정보에는 기어, 속도, 가속도 등이 포함됩니다. 제어 출력은 조향, 가속 및 제동량입니다.

제어 모듈은 주로 수평 제어와 수직 제어로 구분되며, 결합 형태에 따라 독립형과 통합형의 두 가지 방식으로 나눌 수 있습니다.

1 제어 방식

1.1 디커플링 제어

소위 디커플링 제어란 수평 제어 방식과 수직 제어 방식을 독립적으로 제어하는 것을 의미합니다.

1.2 커플링 제어

커플링 제어는 수평 및 수직 제어에 존재하는 커플링 문제를 고려합니다. 전형적인 예는 종방향 속도가 너무 높으면 횡방향 각속도를 제한해야 하기 때문에 자동차가 고속에서 코너링할 수 없다는 것입니다. 그렇지 않으면 구심력이 구심 가속도를 충족할 수 없습니다.

수평 및 수직 통합의 대표적인 대표적인 방법은 선형 시변 모델 예측 제어입니다. 이 방법은 모델 예측 제어를 기반으로 수평 및 수직 관절 제약 조건을 추가합니다. 최대 구심 가속도 제약 등

1.3 측면 제어

위 그림과 같이 측면 제어는 기하학적 방법, 운동학적 모델 기반 방법, 동적 모델 기반 방법으로 나눌 수 있습니다.

1.3.1 피드포워드 제어

피드포워드 제어란 트래킹 포인트 정보를 기반으로 미리 제어량을 적절하게 보상하는 것을 의미합니다. 일반적인 예는 추적 시퀀스 지점의 곡률 정보를 사용하여 회전 각도를 보상하는 것입니다.

1.3.2 Chained Form

연쇄 시스템은 비선형 시스템의 다층 선형화를 수행하며 필터링 시스템과 유사하게 시스템 속도를 높일 수 있습니다[3].

프레넷 좌표의 시스템 모델:

역적분 예산 후 제어율을 얻을 수 있습니다.

1.3.3 Lyapunov

Li Yap을 기반으로 Nove 안정성 방법의 설계는 운동학적 및 동적 모델에 적용될 수 있습니다. 기본 아이디어는 먼저 운동학적 또는 동적 모델을 확립하고, 모델을 기반으로 한 추적 방법을 제안한 후, Lyapunov 안정성을 통해 폐루프 시스템의 점근적 안정성을 증명하기 위해 Lyapunov 함수를 확립하는 것입니다[4].

• Kinematic model

위 그림과 같이 자동차의 현재 지점은 P, 추적 목표 지점은 Pr입니다. 는 현재 위치와 목표점의 자세 차이이고, 는 각각 기준 속도와 각속도입니다. 설계 Lyapunov 함수:

추적률 설계:

마지막으로 제약 조건 설계 매개변수를 제한하여 추적률의 점근적 안정성, 즉 → , → 0일 때 증명되었습니다. .

• 동적 모델

먼저 운동 모델을 설정합니다.

그러면 오류는 다음과 같습니다:

설계비용함수 :

설계관리율 :

최종적으로 점근안정성을 증명하였습니다.

1.3.4 Pure Pursuit

Pure Tracking은 기하학적 경로 추적 컨트롤러입니다. 이 컨트롤러는 차량 모션과 참조 경로 간의 기하학적 관계를 사용하여 참조 경로의 컨트롤러를 추적합니다. 이 제어 방법은 차량의 리어 액슬 중앙을 기준점으로 사용합니다.

위 그림에 따르면 앞바퀴 각도 명령을 도출할 수 있습니다.

여기서 R은 회전 반경, L은 차량의 휠베이스, e는 현재 자세입니다. 차량의 횡방향 목표 웨이포인트와 의 오차는 전방시거와 이다.

위의 실험 데이터에서 볼 수 있듯이 전방 거리가 증가할수록 추적 지터가 점점 작아집니다. 전방 시야 거리가 짧을수록 보다 정확한 추적이 가능하고, 전방 시야 거리가 길수록 보다 부드러운 추적이 가능합니다. PurePursuit의 또 다른 특징은 회전을 추적할 때 과도한 전방 시야 거리로 인해 "코너 절단"이 발생할 수 있다는 것입니다. Pure Pursuit는 안정성과 추적 성능 사이의 어려운 절충안입니다.

1.3.5 Stanley

후면축을 기준점으로 하는 순수추적, 순수추적방식과 달리 Stanley 컨트롤러는 전방축을 기준점으로 사용합니다. 방향 및 측면 오류를 모두 고려합니다. Stanley 컨트롤러는 방향 오류뿐만 아니라 측면 오류도 고려합니다.

위 그림에 따르면 앞바퀴 각도 명령은 다음과 같이 도출될 수 있습니다.

위 그림의 실험 데이터에 따르면 k가 증가함에 따라 추적 성능이 향상됩니다. 또한 개선합니다. 스탠리는 차량 속도가 증가할 때 퓨어 퍼슈트처럼 안정성이 부족합니다.

1.3.6 LQR

차량 기구학 모델 기반 방법은 차량의 동적 특성을 무시하므로 차량 속도가 너무 빠르거나 곡률 변화가 있는 경우 알고리즘이 차량의 안정성 제어를 만족할 수 없습니다. 비율이 너무 큽니다. 차량 동역학 모델을 기반으로 한 제어 방법의 주요 작업은 차량 동역학을 모델링하는 것입니다. 정확한 2자유도 동적 모델은 비선형이므로 실시간 추적 제어 계산을 용이하게 하기 위해 일반적으로 정확한 2자유도 동적 모델을 기반으로 몇 가지 단순화된 근사를 만들어 다음을 얻을 필요가 있습니다. 선형 2자유도 동적 모델.

• 차량 2자유도 동역학 모델:

• LQR:

Linear Quadratic Regulator(LQR)은 모델 기반 컨트롤러는 다음을 사용합니다. 차량의 상태를 확인하여 오차를 최소화합니다. LQR 이론은 현대 제어 이론에서 가장 초기이자 가장 성숙한 상태 공간 설계 방법입니다. LQR은 상태 선형 피드백의 최적 제어 법칙을 얻을 수 있으며 폐쇄 루프 최적 제어를 형성하기 쉽습니다.

LQR 최적 설계는 설계된 상태 피드백 제어기 K가 2차 목적 함수 J를 최소화해야 함을 의미하며, K는 가중치 행렬 Q와 R에 의해 고유하게 결정되므로 Q와 R의 선택이 특히 중요합니다. 다음 공식은 LQR 비용 함수입니다.

차량 동역학 모델과 LQR 비용 함수에 따라 대수적 리카티 방정식을 도출할 수 있습니다.

마지막으로 피드백 행렬은 반복적인 Riccati 방정식을 통해 계산된 후 피드백 매트릭스에 따라 최적의 제어량을 얻습니다.

1.3.7 MPC

MPC(모델 예측 제어)는 긴 시간 범위 또는 무한한 시간을 여러 개의 짧은 시간 범위 또는 유한한 시간 범위로 분해하는 데 사용되는 최적화 제어 문제 유형입니다. 시간 범위 내에서 문제를 해결하고 여전히 어느 정도 최적의 솔루션을 추구합니다.

MPC는 다음 세 가지 요소로 구성됩니다.

1. 예측 모델: 예측 모델은 짧은 시간 내에 시스템 상태의 변화를 매우 잘 예측할 수 있습니다.
2. 온라인 롤링 최적화: 예측 모델을 통해 얻은 결과가 여전히 실제 상황과 다르기 때문에 롤링 최적화는 매 순간을 찾는 데 사용됩니다. 문제 아래의 국소 최적 솔루션을 위해 일반적으로 목표(손실) 함수가 설계되고 최적 솔루션을 찾기 위해 2차 프로그래밍 문제로 변환됩니다.
3. 피드백 수정: 다음에 따라 다시 수행합니다. 다음 시점의 새로운 상태 예측 및 최적화.

• 예측 모델:

LQR의 차량 동역학 모델을 기반으로 예측 모델을 도출할 수 있습니다.

• 롤링 최적화:

MPC 비용 함수:

예측 모델, 차량 측면 제약 조건 및 비용 함수를 기반으로 해당 제어 명령은 최적화하고 해결하여 얻습니다.

1.3.8 수평 제어 알고리즘 비교

1.4 수직

위 그림과 같이 수직 제어는 일반적으로 캐스케이드 PID 제어 방식을 채택합니다.

2 상세 설계

컨트롤러의 디자인은 위 그림과 같으며 Controller가 기본 클래스이고 LonController, LonController, MPCController가 이 기본 클래스를 상속받습니다. LonController에는 LQRController, LyapunovController 및 StanleyController와 같은 하위 클래스가 파생되었습니다.

위 내용은 스마트카 계획 및 제어를 위해 일반적으로 사용되는 제어 방법에 대한 자세한 설명의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!