线性二次规划在自动泊车控制中的应用

版权申诉
0 下载量 195 浏览量 更新于2024-06-29 收藏 1.04MB DOCX 举报
"基于线性二次规划的自动泊车的控制方法" 自动泊车技术是现代汽车高级辅助驾驶系统(Advanced Driver Assistance Systems, ADAS)的重要组成部分,旨在解决城市停车难和交通拥堵问题。随着汽车保有量的急剧增长,APA系统的需求日益凸显。APA系统主要由三部分构成:环境检测、路径规划和跟踪控制。 路径规划是APA的核心环节之一,它要求生成一条连续光滑且无碰撞的参考路径,确保车辆在泊车过程中平滑转向。文献[2]采用两段相切圆弧设计路径,但存在曲率不连续的问题,可能导致车辆需在连接点停车转向。文献[3]通过5阶多项式改善路径,虽解决了曲率连续性,但未考虑实际环境约束,可能需要更大的泊车空间。文献[4]利用改进蚁群算法处理复杂环境下的路径规划,然而路径曲率连续性不足,影响驾驶舒适度。文献[5-6]则通过二次路径规划和碰撞约束函数找到最短安全路径,但计算复杂,规划时间较长。 跟踪控制方面,APA的目标是使车辆精确跟随规划路径。文献[6-9]借助神经网络学习泊车策略,但需大量实验数据,成本高昂,不适合家用。文献[10]提出基于样本的运动规划器结合双向快速探索随机树*(RRT*)和模型预测控制(MPC),适用于多种停车场景,但样本需求大且MPC在线优化对处理器性能要求高,易受环境影响。文献[11-12]设计了高精度路径跟踪控制器,能适应路径方向变化,但未提及具体的技术细节或性能优化措施。 线性二次规划(Linear Quadratic Regulation, LQR)作为一种优化控制理论,常用于解决动态系统中的最优控制问题,具有计算效率高和稳定性好的特点。在自动泊车控制中,LQR可以用于设计车辆的动态控制策略,通过最小化一个与误差平方相关的性能指标,实现车辆对参考路径的最优跟踪。LQR能够考虑到系统的状态和控制输入,确保在满足约束条件的同时,使车辆的动态性能达到最优。 在实际应用中,LQR与模型预测控制(MPC)相结合,可以在保证实时性的前提下,优化车辆的轨迹跟踪。MPC通过预测未来一段时间内的系统行为,动态调整控制输入,以最小化预期的性能指标。与传统的LQR相比,MPC能更好地处理时变和非线性问题,但计算负担重。通过简化模型和优化算法,可以将LQR与MPC的优势结合起来,为自动泊车提供更高效、舒适的解决方案。 自动泊车领域的研究持续发展,从路径规划的连续性和适应性,到跟踪控制的精确性和实时性,不断寻求平衡性能、安全和用户体验的方法。线性二次规划作为一种成熟的控制理论,有望在未来的APA系统中发挥更大作用,为解决城市停车挑战提供更加智能化的解决方案。