辛乾 班兵 楊洋 阮加良 管媛媛

摘 要：近些年來，隨著高級輔助駕駛系統(tǒng)（ADAS）在商用車領域的逐漸興起，為實現(xiàn)車道保持輔助系統(tǒng)（LKAS）及無人駕駛等，對車輛的橫擺運動控制要求也越來越高。文章基于模型預測控制（MPC）算法，設計了一種用于半掛牽引車循跡的車輛前輪轉角控制算法。最后通過Trucksim與Matlab聯(lián)合仿真，實現(xiàn)了不同車速下對雙移線路徑的良好循跡。

關鍵詞：橫擺動力學;模型預測控制;聯(lián)合仿真

中圖分類號：U471.15 ?文獻標識碼：A ?文章編號：1671-7988（2019）12-45-04

Abstract： In recent years， with the gradual rise of Advanced driver assistance system（ADAS） in commercial vehicle field， in order to implement Lane Keeping Assistance System（LKAS） and autonomous vehicle ect， the requirements for vehicle yaw motion control are also getting higher and higher. Based on the model predict control（MPC） algorithm， this paper proposed an algorithm to control the front wheel angle of semi-trailer tractor tracking. Finally， Under the operation conditions of double lane change， co-simulation of Trucksim and Matlab ， the results show that the tracking effect is good.

Keywords： yaw motion dynamic; model predictive control; co-simulation

CLC NO.： U471.15 ?Document Code： A ?Article ID： 1671-7988（2019）12-45-04

前言

隨著我國物流業(yè)的飛速發(fā)展，物流市場日趨繁榮，半掛牽引車由于其高效性及較低的噸公里油耗，成為了中長途公路運輸?shù)慕^對主力。而隨著LKAS等高級駕駛輔助系統(tǒng)在商用車領域的逐漸興起，對車輛主動轉向的控制要求也越來越高。

本文的主要內(nèi)容是MPC算法在半掛牽引車轉向控制策略中的應用研究。

1 被控對象建模

本文基于Trucksim建立車輛多體動力學模型用于被控對象的仿真，按照整車實際狀態(tài)及參數(shù)對模型的整車質(zhì)量、慣量及尺寸參數(shù)、空氣動力學參數(shù)，懸架結構尺寸參數(shù)及K&C特性參數(shù)，輪胎參數(shù)，轉向系統(tǒng)傳動比參數(shù)等進行設定，建立的動力學模型如上圖所示。

2 控制策略的理論依據(jù)

2.1 模型預測控制簡介

典型的模型預測控制過程主要包含以下三個步驟：

（1）預測模型：根據(jù)已有的模型、系統(tǒng)當前的狀態(tài)和未來的控制量去預測未來的輸出。

（2）滾動優(yōu)化：輸出的長度是控制周期的整數(shù)倍，通過優(yōu)化條件進行優(yōu)化求解，得到未來的控制量序列。

（3）反饋校正：每一個控制周期結束后，系統(tǒng)根據(jù)當前實際狀態(tài)重新預測系統(tǒng)未來輸出[1]。

MPC工作原理可由上圖表示：

控制器結合當前時刻k的測量值和預測模型，預測未來一段時域內(nèi)[k，k+Np]（Np即預測時域）系統(tǒng)的輸出，通過求解滿足目標函數(shù)以及各種約束的優(yōu)化問題，得到在控制時域內(nèi)的一組最優(yōu)控制序列，并將該控制序列的第一個元素作為受控對象的實際控制量，來到下一個時刻k+1時，重復上述過程?？梢奙PC中每次起作用的只是當前狀態(tài)下最優(yōu)控制序列的第一個值，其余值是為了對未來狀態(tài)的有效預測而給出的，并不直接參與當前時刻控制量的輸出。

模型預測控制中有兩個關鍵核心參數(shù)即控制步長Nc和預測步長Np，傳統(tǒng)觀念上會認為預測的步長越大越好，實際控制過程中筆者發(fā)現(xiàn)預測周期過長不僅顯著增加了計算任務量導致結果輸出變慢，同時由于預測模型的誤差累計原因，當Np，Nc超過一定閾值時其循跡效果反而出現(xiàn)了下降。所以對被控對象進行合理簡化并建立預測模型是影響控制效果的決定性因素。

2.2 模型預測控制的應用

2.2.1 預測模型建立

半掛牽引車是一個多連接形式、非常復雜的多自由度空間運動系統(tǒng)。本文是車輛在橫向受力、運動基礎上建立單軌雙質(zhì)心數(shù)學模型，建立的模型基于以下規(guī)則進行簡化和假設：

（1）根據(jù)1/2模型的單軌特性，在前、后軸中心分別作用一個軸載荷。

（2）汽車做小曲率運動，車輪轉向角和側偏角都較小。

（3）側偏角在小于5度的范圍內(nèi)，輪胎側偏特性處于線性范圍，即側偏剛度為常數(shù)。

（4）牽引車與半掛車為兩個相互耦合的剛體。

（5）將由于懸架側傾引起的車輪側傾轉向角、因轉向系和懸架導向桿系彈性造成的側向力轉向角與輪胎本身的側偏角一同視為前輪或后輪的綜合側偏角，從而可以將懸架和轉向系彈性的影響包含在前、后輪的側偏剛度中。

4 總結與展望

（1）通過仿真結果可知基于MPC的控制算法對速度具有良好的魯棒性。

（2）未來對半掛牽引車轉向時掛車擺動幅值特性進行分析，提升車輛控制的準確性及安全性。

參考文獻

[1] 龔建偉，姜巖，徐威.無人駕駛車輛模型預測控制[M].北京：北京理工大學出版社，2014.

[2] 劉宏飛.半掛汽車列車橫擺動力學仿真及控制策略研究[D].長春：吉林大學，2005.

[3] 龍致宇.基于Trucksim的半掛汽車列車側翻控制算法的研究[D].南寧：廣西大學，2014.

[4] 孫銀健.基于模型預測控制的無人駕駛車輛軌跡跟蹤控制算法研究[D].北京：北京理工大學，2015.

[5] Yiqi Gao，Model Predictive Control for Autonomous and Semiautono -mous Vehicles[D].University of California， Berkele，2014.