基于增量线性模型预测控制的无人车轨迹跟踪方法
无人驾驶车辆轨迹跟踪控制
无人驾驶车辆轨迹跟踪控制
无人驾驶车辆的轨迹跟踪控制是指控制车辆沿着规划好的路径运行，并在运行过程中实时调整车辆的行驶方向和速度，以保证车辆能够安全、稳定、高效地行驶。
下面介绍一些无人驾驶车辆轨迹跟踪控制的方法：
1.基于模型预测控制（MPC）：MPC是一种优化控制方法，通过预测未来车辆的运动轨迹和状态变化，然后利用优化算法得出最优的控制策略，从而实现车辆的轨迹跟踪控制。
2.基于模糊控制：模糊控制是一种基于规则的控制方法，它能够对车辆运行过程中的不确定性因素进行有效的处理。
在无人驾驶车辆轨迹跟踪控制中，可以使用模糊控制方法来根据车辆运行状态和环境条件实时调整车辆的速度和方向，以实现轨迹跟踪控制。
3.基于逆向模型控制：逆向模型控制是一种反向控制方法，通过先建立一个反向模型，将目标轨迹映射到车辆控制输入，然后利用这个反向模型进行控制。
这种方法可以提高轨迹跟踪的精度和稳定性。
4.基于增量式PID控制：PID控制是一种经典的控制方法，在无人驾驶车辆轨迹跟踪控制中，可以采用增量式PID 控制方法，通过实时调整车辆的速度和方向来实现轨迹跟
踪控制。
总之，无人驾驶车辆的轨迹跟踪控制需要采用多种控制方法，结合实际情况进行选择和调整，以确保车辆能够稳定、高效地行驶。
同时，需要结合传感器、通信、数据处理等多种技术手段，共同实现无人驾驶车辆的轨迹跟踪控制。
《基于优化人工势场法的无人驾驶汽车路径规划与轨迹跟踪研究》
《基于优化人工势场法的无人驾驶汽车路径规划与轨迹跟踪研究》一、引言随着人工智能和自动驾驶技术的快速发展，无人驾驶汽车已成为当今研究的热点。
路径规划和轨迹跟踪作为无人驾驶汽车的核心技术，其性能直接影响到车辆的行驶安全性和效率。
本文针对无人驾驶汽车的路径规划和轨迹跟踪问题，提出了一种基于优化人工势场法的研究方法。
二、人工势场法概述人工势场法是一种常用的路径规划方法，通过在机器人工作空间构造一个虚拟的势场，利用势场力引导机器人运动。
该方法具有实时性好、计算量小等优点，但传统的人工势场法在局部路径规划中存在一些问题，如目标点不可达、局部最小点等问题。
三、优化人工势场法针对传统人工势场法的不足，本文提出了一种优化的人工势场法。
该方法通过引入动态调整的势场参数和势场力计算方法，有效避免了目标点不可达和局部最小点问题。
同时，该方法还结合了全局路径规划和局部路径规划的优点，提高了无人驾驶汽车的路径规划效率和鲁棒性。
四、路径规划与轨迹跟踪实现1. 路径规划：本文首先利用优化的人工势场法进行全局路径规划，得到一条从起点到终点的初步路径。
然后，结合无人驾驶汽车的传感器信息和环境模型，进行局部路径规划，以适应复杂的道路环境和交通状况。
2. 轨迹跟踪：在得到路径规划结果后，无人驾驶汽车需要对其进行轨迹跟踪。
本文采用了一种基于模型预测控制的轨迹跟踪方法，通过预测未来一段时间内的车辆状态和道路环境信息，生成一条平滑的轨迹，并实时调整车辆的行驶状态以实现轨迹跟踪。
五、实验与分析为了验证本文提出的方法的有效性，我们进行了大量的实验。
实验结果表明，优化的人工势场法在无人驾驶汽车的路径规划和轨迹跟踪中具有较好的性能。
与传统的路径规划方法相比，本文方法在路径长度、行驶时间和鲁棒性等方面均有明显优势。
同时，基于模型预测控制的轨迹跟踪方法也能实现较高的跟踪精度和稳定性。
六、结论与展望本文提出了一种基于优化人工势场法的无人驾驶汽车路径规划与轨迹跟踪方法。
无人车辆轨迹规划与跟踪控制的统一建模方法
无人车辆轨迹规划与跟踪控制的统一建模方法徐杨;陆丽萍;褚端峰;黄子超【摘要】无人车辆的轨迹规划与跟踪控制是实现自动驾驶的关键.轨迹规划与跟踪控制一般分为两个部分,即先根据车辆周边环境信息以及自车运动状态信息规划出参考轨迹,再依此轨迹来调节车辆纵横向输出以实现跟随控制.本文通过对无人车辆的轨迹规划与跟踪进行统一建模,基于行车环境势场建模与车辆动力学建模,利用模型预测控制中的优化算法来选择人工势场定义下的局部轨迹,生成最优的参考轨迹,并在实现轨迹规划的同时进行跟踪控制.通过CarSim与MATLAB/Simulink的联合仿真实验表明,该方法可在多种场景下实现无人车辆的动态避障.【期刊名称】《自动化学报》【年(卷),期】2019(045)004【总页数】9页(P799-807)【关键词】人工势场;模型预测控制;轨迹规划;跟踪控制;无人车辆【作者】徐杨;陆丽萍;褚端峰;黄子超【作者单位】武汉理工大学计算机科学与技术学院武汉 430070;武汉理工大学计算机科学与技术学院武汉 430070;武汉理工大学智能交通系统研究中心武汉430063;武汉理工大学智能交通系统研究中心武汉 430063【正文语种】中文统计显示,90%以上的交通事故都是由驾驶员的失误操作引起.近年来,随着Google、百度等公司在无人驾驶方面的研发推动,使得人们热切期待利用无人车辆来彻底解决交通事故问题.欲完全取代人类驾驶员,无人车辆的自动驾驶系统需足够智能化,以应对复杂的道路交通场景.特别地,无人车辆需在全局路径规划得到的起点与终点之间的最优路径基础上,根据动态交通环境以及自车运动状态,进行局部的轨迹规划,以实现动态避障.轨迹规划在机器人领域已被广泛研究并用于障碍物的规避[1].无人车可看作是一种轮式机器人,因此可借鉴一些机器人领域的轨迹规划方法.当然两者的轨迹规划也有很大的不同,例如,无人车的运行速度相比于普通机器人来说要快得多,行车环境也是动态变化的,无人车的轨迹规划还需要考虑道路的结构信息以及一些交通规则.另外,无人车在轨迹规划的过程中要考虑车辆的运动学、动力学特性以及满足轮胎等因素的约束.目前已经有很多学者对无人车的轨迹规划进行了研究[2−5],常见的无人车轨迹规划算法包括基于特定函数的轨迹规划方法[2]、基于搜索的轨迹规划方法(随机搜索法[3]、栅格法)、基于优化的轨迹规划方法(模型预测方法[4]、人工势场法等).人工势场是最具吸引力的路径规划算法之一,它最早被用于机器人的路径规划[6].通过为障碍物、道路结构以及目标点分配合理的势场函数,人工势场可为车辆规划出一条通往目标点且无碰撞的路径.人工势场的主要优势在于结构简单、可用不同的势场函数比较精确地描述各类障碍物、道路结构等影响因素.目前,已经有许多学者将人工势场用于自动驾驶车辆的轨迹规划.Wang等[7]基于势场理论提出了一种驾驶安全势场模型,包括静止障碍物(静止的车辆、道路边界)势场、运动障碍物势场、驾驶员行为势场,最后根据驾驶安全势场模型可以实现车辆的轨迹规划.Wolf等[8]提出了相应的势场函数来描述行车环境中的各类影响因素,然后用梯度下降法来进行轨迹规划.Cao等[9]根据障碍物、道路边界、目标点的特征设计了谐波函数形式的势场模型,通过梯度下降法得到最优的轨迹.基于这种架构,Ji等[10]先通过构建环境势场,分别用三角函数和指数函数形式来描述道路边界和障碍物,再进行轨迹规划,最后通过模型预测控制实现轨迹跟踪.然而,这些方法在产生最优轨迹时,并未考虑车辆的一些特性,这可能导致规划出的轨迹并不适合于车辆进行跟随.模型预测控制也可用来进行轨迹规划.Abbas等[11]基于障碍物与车辆的间距建立了避障目标函数,然后把它引入到模型预测算法的目标函数中,以实现障碍物的规避.Park等[12]把障碍物信息以视差的形式引入到模型预测控制的框架中进行避障.Mousavi等[13]把障碍物和道路结构以约束条件的形式引入到模型预测控制中实现障碍物规避.从上述文献可知,基于模型预测控制的路径规划方法通常把障碍物、道路等影响因素当作是一种约束或用单一的目标函数来描述所有这些因素.当前的无人车辆或机器人的轨迹规划与跟踪控制通常分为两个独立的单元,即采用人工势场等方法实现轨迹规划,再通过鲁棒控制、最优控制等方法实现对规划出的轨迹进行跟踪.Huang等[14]首次提出了一种基于人工势场的模型预测控制器,兼具轨迹规划与跟踪控制的功能.然而,该研究采用较为简单的车辆运动学模型,其跟踪控制精度有待进一步提高.为此,本文基于车辆动力学模型,利用人工势场与模型预测控制相结合,通过模型预测控制中的优化算法来实现最优轨迹选择,提出一种针对轨迹规划与跟踪的统一建模方法,即在无人车辆轨迹规划的同时,实现对无人车辆的纵横向耦合控制.本文的结构如下:第1节介绍无人车辆轨迹规划的框架,主要根据车道线、环境车、目标点等多影响因素建立势场函数;第2节利用车辆动力学建模,并基于模型预测控制方法设计轨迹跟踪控制器,并实现对最优局部轨迹的规划与跟踪;第3节通过不同的交通场景,对无人车辆轨迹规划与跟踪控制器进行验证分析;第4节分对全文进行总结.1 基于人工势场的行车环境建模行车环境建模主要是对无人车辆在行驶过程中可能遭遇的静态和动态交通环境进行建模,以量化交通环境对无人车辆构成的风险.在正常情况下,车辆应沿着车道中心线以一个稳定的速度前行,当遭遇本车道前方慢行的障碍车辆时,应执行换道超车动作,或在遭遇他车道的干扰车辆时伺机寻找换道时机.在这个过程中,车辆始终必须保证其既不能同其他的环境车(包括障碍车辆和干扰车辆)发生碰撞,也不能驶出道路边界线.假设被控车行驶的路线足够长,那么在行车过程中经历的环境主要包括车道线(包括分道线和道路边界线)、环境车和目标点。
基于最优预瞄和模型预测的智能商用车路径跟踪控制
J Automotive Safety and Energy, Vol. 11 No. 4, 2020462—469基于最优预瞄和模型预测的智能商用车路径跟踪控制李耀华，刘 洋，冯乾隆，南友飞，何 杰，范吉康（长安大学汽车学院，西安710064，中国）摘要：为解决智能商用车路径跟踪问题，采用一种最优预瞄控制策略。
根据商用车航向角与路径曲率的关系，引入航向角偏差反馈控制；根据车速与预瞄距离的关系，提出了变权重因数的多点预瞄距离确定方法。
为了保证商用车路径跟踪的稳定性，采用模型预测控制策略，对车轮侧偏角进行约束。
通过TruckSim与Simulink联合仿真，对比分析了侧向偏差、横摆角速度和前轮侧偏角变化情况。
结果表明：最优预瞄控制策略对车速变化具有较好的适应性，但当路面附着因数较低时，车辆会失去稳定性；模型预测控制策略对车速和路面附着因数变化都具有较好的适应性，行驶稳定性更好，且比最优预瞄控制策略具有更精确的路径跟踪效果。
关键词：智能商用车；路径跟踪；路面附着因数；最优预瞄控制；模型预测控制中图分类号： U 471.15 文献标识码： A DOI： 10.3969/j.issn.1674-8484.2020.04.005Path tracking control for an intelligent commercial vehicle based on optimal preview and model predictiveLI Yaohua, LIU Yang, FENG Qianlong, NAN Youfei, HE Jie, FAN Jikang(School of Automobile, Chang’an University, Xi’an 710064, China)Abstract: An optimal preview control strategy was adopted to solved path tracking problem of intelligent commercial vehicles. According to the relationship between the heading angle and the curvature of the path,the heading angle deviation feedback control was introduced. According to the relationship between the speedand the preview distance, a multi-point preview distance determination method with variable weight coefficientwas proposed. In order to ensure the stability of path tracking, the model predictive control was used to restrictthe wheel sideslip angle. Through co-simulation of TruckSim and Simulink, the lateral deviations, the yaw ratesand the front wheel slip angles were compared. The results show that the optimal preview control has good adaptability to the speed, but when the road adhesion factor is low, the vehicle will lose stability; The model predictive control has better adaptability to speeds and road adhesion factors, and has better driving stability,and has more accurate path tracking effect than the optimal preview control.Key words:i ntelligent commercial vehicles; path tracking; road adhesion factors; optimal preview control;model predictive control收稿日期 / Received ：2020-07-18。
无人驾驶系统的车辆轨迹预测和跟踪
无人驾驶系统的车辆轨迹预测和跟踪无人驾驶技术的快速发展使得无人驾驶系统的车辆轨迹预测和跟踪成为了一个重要的研究领域。
车辆轨迹预测和跟踪是指通过分析车辆行驶的历史数据和环境信息，预测车辆未来的行驶轨迹，并对车辆进行实时跟踪和控制。
这项技术的发展有助于提高无人驾驶系统的安全性和稳定性，为实现自动驾驶提供了重要的支持。
一、车辆轨迹预测的方法车辆轨迹预测是无人驾驶系统中的重要环节，它通过分析车辆行驶的历史数据和环境信息，预测车辆未来的行驶轨迹。
目前，常用的车辆轨迹预测方法主要包括基于统计学的方法和基于机器学习的方法。
基于统计学的方法是通过对大量的历史数据进行统计分析，找出车辆行驶的规律和趋势，从而预测车辆未来的行驶轨迹。
这种方法的优点是简单直观，但是对于复杂的交通环境和车辆行驶状态的变化较为敏感，预测的准确性有限。
基于机器学习的方法是通过训练模型，学习车辆行驶的模式和规律，从而预测车辆未来的行驶轨迹。
这种方法的优点是能够适应复杂的交通环境和车辆行驶状态的变化，预测的准确性较高。
目前，常用的机器学习方法包括神经网络、支持向量机和随机森林等。
二、车辆轨迹跟踪的技术车辆轨迹跟踪是指通过分析车辆的实时数据和环境信息，实时监测和控制车辆的行驶轨迹。
车辆轨迹跟踪技术的发展有助于提高无人驾驶系统的安全性和稳定性。
车辆轨迹跟踪的关键技术包括传感器数据融合、运动估计和路径规划等。
传感器数据融合是指将来自不同传感器的数据进行融合，提高车辆行驶状态的感知能力。
运动估计是指通过分析车辆的实时数据和历史数据，估计车辆的运动状态和行驶轨迹。
路径规划是指根据车辆的当前状态和环境信息，规划合理的行驶路径，实现车辆的自动驾驶。
三、无人驾驶系统的挑战和前景虽然无人驾驶技术取得了长足的进步，但是仍然面临着许多挑战。
首先，无人驾驶系统需要具备高精度的环境感知能力，能够准确地识别和跟踪道路、障碍物和其他车辆等。
其次，无人驾驶系统需要具备高度的决策和控制能力，能够根据实时的环境信息和车辆状态，做出合理的决策和控制车辆的行驶。
智能驾驶车辆轨迹预测方法综述
智能驾驶车辆轨迹预测方法综述
龙皓明;薛振锋;陈卓;刘勇
【期刊名称】《兵工自动化》
【年(卷),期】2024(43)5
【摘要】针对目前车辆轨迹预测难点,对车辆轨迹预测方法的分类和研究现状进行综述。
根据模型实现预测时域的不同,将现有算法分为短时域和长时域的车辆轨迹预测方法;介绍短时域的基于物理模型和传统机器学习预测方法的基本概念及研究现状,总结对比长时域的基于深度学习、神经网络和基于车辆驾驶行为意图识别的预测方法。
分析结果表明:长时域方法能够解决车辆轨迹预测难点问题,保证智能车辆高效、安全驾驶。
【总页数】10页(P43-52)
【作者】龙皓明;薛振锋;陈卓;刘勇
【作者单位】湖州师范学院信息工程学院;浙江大学湖州研究院;中国船舶集团有限公司系统工程研究院
【正文语种】中文
【中图分类】U461.91;TP273
【相关文献】
1.基于模型预测控制的无人驾驶履带车辆轨迹跟踪方法研究
2.智能车辆横向轨迹跟踪的显式模型预测控制方法
3.智能驾驶系统对周边交通车辆预期轨迹的单模态网
络预测方法4.混行交叉口下智能车辆驾驶轨迹控制方法5.基于深度学习的智能车辆轨迹预测综述
因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法研究》范文
《基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法研究》篇一一、引言随着科技的飞速发展，无人驾驶车辆已成为现代交通领域的研究热点。
无人驾驶车辆的核心技术之一是轨迹跟踪控制算法，其性能直接影响到车辆的行驶安全与稳定性。
模型预测控制（MPC）作为一种先进的控制策略，在无人驾驶车辆的轨迹跟踪控制中发挥着重要作用。
本文将重点研究基于模型预测控制的无人驾驶车辆轨迹跟踪控制算法。
二、模型预测控制基本原理模型预测控制（MPC）是一种基于模型的优化控制策略，其基本原理是在一定时间窗口内，根据当前状态和未来输入，预测系统的动态行为，并优化一个性能指标以获得最优控制策略。
MPC具有处理约束、处理多变量系统以及处理不确定性的能力，因此在无人驾驶车辆的轨迹跟踪控制中具有很好的应用前景。
三、无人驾驶车辆轨迹跟踪控制算法研究在无人驾驶车辆的轨迹跟踪控制中，基于模型预测控制的算法通常包括环境感知、路径规划、控制器设计等部分。
本部分将详细介绍这些部分的研究内容。
1. 环境感知环境感知是无人驾驶车辆轨迹跟踪控制的基础。
通过激光雷达、摄像头、超声波等传感器，获取车辆周围的环境信息，如道路标志、障碍物等。
这些信息将被用于后续的路径规划和控制器设计。
2. 路径规划路径规划是根据环境感知信息，为无人驾驶车辆规划出一条从起点到终点的安全、可行的行驶路径。
在路径规划过程中，需要考虑道路约束、交通规则等因素。
此外，为了适应动态环境，路径规划还需要考虑实时交通情况，如其他车辆的行驶情况、行人等。
3. 控制器设计控制器设计是无人驾驶车辆轨迹跟踪控制的核心部分。
基于模型预测控制的控制器需要根据当前车辆状态、目标轨迹以及环境感知信息，计算出最优的控制指令，使车辆能够准确地跟踪目标轨迹。
在控制器设计中，需要考虑车辆的动力学特性、约束条件等因素。
四、算法实现与优化在算法实现过程中，需要选择合适的模型来描述无人驾驶车辆的动态行为。
常用的模型包括动力学模型、运动学模型等。
无人驾驶汽车变速换道轨迹跟踪动态控制
无人驾驶汽车变速换道轨迹跟踪动态控制随着科技的不断发展，无人驾驶汽车正逐渐成为现实生活中的一部分。
作为未来交通领域的重要创新，无人驾驶汽车的发展离不开变速换道轨迹跟踪动态控制技术的支持。
本文将探索无人驾驶汽车变速换道轨迹跟踪动态控制的相关内容，涉及技术原理、挑战和未来发展趋势。
一、技术原理无人驾驶汽车的变速换道轨迹跟踪动态控制需要依靠先进的传感器和计算系统进行实现。
首先，通过激光雷达、摄像头等传感器实时感知周围环境，获取道路信息、障碍物位置和速度等数据。
然后，通过高精度地图和算法，对所获得的数据进行处理和分析，并制定最佳的变速换道轨迹跟踪策略。
在变速换道过程中，控制系统需要根据车速、车身姿态以及环境的变化实时调整引擎功率和刹车力度，以确保车辆平稳、准确地切换车道。
这需要通过控制算法来协调车辆的加速、制动和转向行为。
其中，基于模型预测控制（MPC）的方法常被应用于无人驾驶汽车的动态控制中。
二、技术挑战尽管无人驾驶汽车的变速换道轨迹跟踪动态控制技术已经取得了一定的进展，但仍然面临一些挑战。
首先，变速换道过程中需要准确感知周围车辆和道路状况，对传感器的精度和可靠性有较高要求。
其次，由于动态控制需要实时性和连续性，算法的计算速度和反应能力也是关键因素。
此外，无人驾驶汽车还需要具备高度智能化的决策和规划能力，以应对复杂的交通环境和突发情况。
三、未来发展趋势随着人工智能、深度学习等技术的不断进步，无人驾驶汽车的变速换道轨迹跟踪动态控制将会取得更好的发展。
首先，传感器技术将更加先进，能够提供更加准确、全面的环境感知数据。
其次，计算系统将更加强大，能够处理更复杂的算法和决策模型。
此外，智能化交通基础设施的建设也将为无人驾驶汽车的动态控制提供更好的支持。
总结无人驾驶汽车的变速换道轨迹跟踪动态控制技术是实现自动驾驶的重要组成部分。
通过先进的传感器和算法，无人驾驶汽车能够实时感知和应对复杂的环境和交通情况，确保安全、稳定地变换车道。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2019 年 第 10 期
-1-
邹凯，等：基于增量线性模型预测控制的无人车轨迹跟踪方法
实时性差的不足，提出线性时变模型预测控制，控制效 果较好[12- 。 13] 王秋等人针对车辆动力学建模简化过程 中出现的未建模动态，建立了考虑未建模动态的 2 自由 度模型，根据随机模型预测算法设计控制器[14]。张巍考 虑采样时间对模型预测控制器（Model Predictive Con⁃ troller，MPC）计算时间的影响，提出一种采样时间随道 路曲率可变的方法，提高了控制的实时性[15]。刘凯等人 通过研究地形因素对车辆转向特性和稳定性的影响，提 出一种变步长的模型离散化方法，并利用模型预测控制 进行试验，能够在保证及时动态响应的基础上，实现较 长的轨迹预测时域以及保证计算的实时性[16]。
Linear Model Predictive Control
Zou Kai, Cai Yingfeng, Chen Long, Sun Xiaoqiang （Jiangsu University, Zhenjiang 212013）
【Abstract】To address the deficiency that tire side angles are assumed in the linear region in the self-driving vehicle tracking research, this paper proposes a path tracking method based on incremental linear time- varying model predictive
1 前言
轨迹跟踪控制是无人驾驶车辆运动控制的基本 问题[1]，需要考虑的因素主要有跟踪精度、驾驶稳定性 和 安 全 性 ，国 内 外 学 者 对 此 开 展 了 大 量 研 究 。 目 前 ， 轨迹跟踪控制算法主要包括经典控制方法 、最 [2-3] 优控 制 方 法 [4]、自 适 应 控 制 方 法 [5]、滑 模 控 制 方 法 [6]、模 糊 控 制方法[7]和鲁棒控制[8]。Hayakawa 等人设计了 PID 控制
Simulink platform is used to compare ILTVMPC with the Nonlinear Model Predictive Control (NMPC). The results show that
ILTVMPC based on the tire time-varying model not only performs excellently in tracking accuracy and stability, but also
control. The authors linearize the tire magic formula in each control cycle, and establish the tire time-varying model, and
combine with the simplified vehicle two-degree-of-freedom model to obtain the vehicle time-varying model. Via designing
*基金项目：国家重点研发计划项目（2017YFB0102603）；国家自然科学基金项目（51875255，U1564201，U1664258）；江苏省重点研 发计划项目（BE2016149）；江苏省战略性新兴产业发展重大专项（苏发改高技发（2016）1094 号，（2015）1084 号）；江苏省六大人才 高峰创新团队项目（2018-TD-GDZB-022）；江苏省优秀青年基金项目（BK20180046）。
器，并且将道路曲率作为前馈加入控制器，实现了车辆 在速度变化时的平滑转向[9]。PID 控制器不以模型为基 础，跟踪精度不高，且难以添加行驶约束条件[10]。模型 预测控制作为一种基于模型的控制器具有很高的控制 精度，在过程控制中已经取得较为广泛的应用，且便于 添加约束条件，成为研究的热点方向[11]。Falcone 等人将 模型预测控制应用于车辆轨迹跟踪问题，建立了完整的 3 自由度整车非线性模型，并针对非线性模型预测控制
improves real-time features significantly in computation.
Key words: Self- driving vehicle, Incremental linear model, Tire magic formula, Model
predictive control, Path tracking, Stability
基于时变轮胎模型的 ILTVMPC，不仅在跟踪精度和稳定性上有优异表现，而且计算实时性得到较大幅度提升。
ቤተ መጻሕፍቲ ባይዱ
主题词：无人驾驶车辆 增量线性模型 轮胎魔术公式 模型预测控制 轨迹跟踪 稳定性
中图分类号：U461
文献标识码：A
DOI: 10.19620/ki.1000-3703.20190893
A Path Tracking Method of Self-Driving Vehicle Based on Incremental
型预测控制的轨迹跟踪方法。在每个控制周期内进行轮胎魔术公式的线性化处理，建立时变轮胎模型，并结合车辆二自由
度模型，获得了车辆时变模型，设计增量线性时变模型预测控制器（ILTVMPC），完成了轨迹跟踪，在二次规划求解过程中加
入包括控制量和控制增量等约束。利用 MATLAB/Simulink 平台将该方法与非线性模型预测控制进行仿真对比，结果表明：
汽车技术 · Automobile Technology
·2019 中国汽车工程学会年会（SAECCE 2019）优秀论文专题·
基于增量线性模型预测控制的无人车轨迹跟踪方法*
邹凯 蔡英凤 陈龙 孙晓强
（江苏大学，镇江 212013）
【摘要】针对现有无人车轨迹跟踪研究中假设轮胎侧偏角始终处于线性区域的不足，提出了一种基于增量线性时变模
the Incremental Linear Time-Varying Model Predictive Controller (ILTVMPC), the authors complete the path tracking, and
consider the constraints including control amount and control increment in the quadratic programming process. MATLAB/