无人驾驶车辆轨迹跟踪：速度、路面附着与控制

"该文件是关于基于模型预测控制算法的无人驾驶车辆路径识别与跟踪控制的研究，作者冉洪亮在重庆大学完成的工程硕士论文。讨论了车速、路面附着系数对轨迹跟踪的影响，并通过三种工况的车辆参数对比分析了车辆性能的变化。" 在无人驾驶汽车领域，路径识别与跟踪控制是关键技术之一，关系到车辆的行驶安全和驾驶舒适度。本研究聚焦于模型预测控制算法在这一问题上的应用。模型预测控制是一种先进的控制策略，它利用对未来状态的预测来优化当前的控制决策，尤其适用于非线性系统如车辆动力学模型。 首先，车道识别是无人驾驶的重要环节。通过摄像头和其他传感器获取的环境信息，尤其是车道线，可以进行图像处理，如RGB转灰度、图像增强、动态兴趣区域提取和霍夫直线检测，以提取车道线信息并建立预期的跟踪轨迹模型。 其次，动作决策与路径规划是基于识别出的环境信息，确定最安全的行驶路径。这一过程需要考虑到各种工况，包括不同的车速和路面条件，以确保车辆能够在各种情况下稳定行驶。 在轨迹跟踪控制方面，研究采用了3自由度车辆动力学模型，结合模型预测控制算法。通过对轮胎线性区域的约束，设计了一个线性时变模型预测控制器。控制器通过调整前轮转角，使车辆能够精确跟踪预设轨迹。特别指出，当车速增加和路面附着系数降低时，车辆的跟踪准确度会下降，车身横摆角、侧向速度和侧向加速度的波动增大，这将影响驾驶稳定性，甚至可能导致交通事故。 通过三种工况的对比分析，可以发现车速增大和路面附着系数降低都会导致性能恶化。具体表现为测试时间缩短，工作效率提高，但车身横摆角虽然变化不大，侧向加速度却显著增大，影响跟踪精度。前轮转角和侧向速度的增加表明车辆需要更大的调整来应对不利条件，而侧向加速度的波动则反映了驾驶稳定性的降低。 本研究揭示了模型预测控制算法在无人驾驶汽车路径识别与跟踪控制中的重要作用，以及车速和路面附着系数对车辆性能的关键影响。这些发现对于优化无人驾驶汽车的控制系统设计和提升行驶安全性具有重要意义。