英语原文共 18 页
智能小车基于浸入和不变性的鲁棒控制器的横向动力学设计和验证
摘要：本文主要研究智能车辆的横向控制，其目的是使自主车辆相对于给定参考路径的横向位移最小化。控制输入为转向角，输出为横向位移误差。为了保证在驾驶应用程序中遇到参数变化和不确定性方面的稳定性和良好性能，我们提出了一种基于浸入和不变性（Iamp;I）原理的鲁棒横向控制器的设计和验证方法。为了验证我们的控制律，我们在扫描工作室进行了测试。根据几个真实的驾驶场景的一个驾驶模拟引擎拟，穿插使用了胡迪亚西克实验室的标致308车辆获得的实验数据进行实验。验证证明了所提出的控制方法的鲁棒性和良好性能，并清楚地表明了此控制器的改进。
一 介绍
1.1 动机
近年来，技术进步有利于智能汽车的出现。这些车辆有能力预测和补偿故障（可能是驾驶员、车辆或环境的故障），更雄心勃勃地完成自主驾驶。“国防高级研究计划局挑战”（2004、2005、2007）刺激了对自主车辆开发的研究（西西里岛，卡迪和格伦，2009年），激起了研究实验室和商业公司对自动驾驶应用程序越来越多的关注。例如，贝托齐、邦比尼、布罗吉和布佐尼（2011年）。对于这一日益增长的研究领域来说，当今的主要挑战之一是自动高速驾驶。
自动驾驶有三个基本组成部分：
感知和定位：检测动态环境车辆，包括道路，固定和移动的障碍物，由传感器组成的视觉系统，如照相机、激光、雷达和卫星接收器通常用于实现这个目标。它提供了自治区车辆的周围环境的动态地图。
路径规划：根据标准生成和选择一个轨迹参考路径。
车辆控制：通常采用制动器、加速器、刹车、转向轮控制车辆使车辆按照既定方向行驶车辆控制可分离分为两个子任务：纵向控制和横向控制。本文的重点是其中的第三个部分，也就是说车辆控制，更准确地说是横向控制，这是可以追溯到20世纪50年代非常活跃的研究领域。横向控制是让车辆自动转向来遵循参考路径。近年来，许多研究致力于自主车辆的横向制导。文献中提出了几种控制策略，布罗吉，贝尔佐齐与赵、陈、梁梅提出了简单比例（P）和比例积分（PI）控制器。马尼诺、斯卡尔齐、内托提出了一种嵌套式PID控制器。对于此应用程序的自适应控制器也被开发出来了。就像尼托发表的，也应用了其他经典技术这一领域的进展是对拟议控制器进行若干性能比较的动力，例如在柴布、内托和马尔在2004年发表的论文中，他们比较了比例、自适应、H1和模糊控制器，不同的比较表明，自适应控制器对于这种不确定非线性应用是一种非常有前途的技术。一方面考虑到车辆系统的高非线性，另一方面考虑到这种系统的不确定性和干扰，鲁棒性是控制设计中一个非常重要的问题。控制器应能承受干扰（由风、道路摩擦系数等引起）并且能够处理参数的不确定性和变化。 例如，斯坦福大学拉文森等人自主研发的机器人“少年”拥有强大的自主驱动能力。
1.2问题的陈述以及贡献
近年来，为了设计更好、更可靠的智能车辆横向控制系统，提出了基于滑模控制（SMC）方法的广泛控制策略。一阶SMC通过补偿不确定性和遇到的干扰来控制带有微小误差的车辆。它还提供了与线性自整定控制器相当或更好的实验结果。这种方法与其他鲁棒控制方法相比具有产生低复杂度控制律的优点。SMC方法的主要缺点是：（1）它需要了解干扰的边界和不确定性。（2）在滑动面外不坚固。（3）颤振。颤振现象往往导致不良后果。例如，运动机械部件的高磨损，甚至是乘客的不适。正因为这些原因，控制振动幅度在一定的低幅度范围是十分必要的因此，塔基、 塔里和卡拉拉在2013年提出了一种抑制颤振的高阶SMC方法。针对某自主车辆高速行驶时的某一给定参考点，采用过扭转算法将横向位移降到最小。在亚美尼亚和马达尼在2011年采用了超扭曲算法，以确保低速重型车辆主动转向的辅助。
Iamp;I原理是设计非线性和自适应控制器的一种相对较新的方法。该方法基于系统浸入和流形不变性。Iamp;I方法的基本思想是通过将设备动力学浸入（可能是低阶）目标系统，该目标系统捕获所需的行为，从而实现控制目标，这是通过在状态空间中找到一个流形来实现的，这个流形可以被保持不变并具有吸引力（具有反映所需闭环动力学的内部动力学），并且通过设计一个控制律来将系统的状态朝向歧管。换句话说，Iamp;I理论包括定义目标动力学和设计控制律，使目标动力学的流形具有吸引力和不变性。确实，稳定问题中Iamp;I再形成隐含在SMC中，其中目标动力学是系统在滑动面上的动力学，它符合不连续控制律ii和smc最大的区别在于在ii模型中流形不一定要到达歧管而在smc中流形必须在有限时间内到达。
Ii的优势在于和smc相比他允许更好的泛化，它在目标动力学的选择和收敛规律上更加灵活。它还避免了在控制律中使用不连续项来防止颤振（这是SMC的主要缺点之一）。此外，Iamp;I允许我们在控制器设计过程中更多地考虑模型本身。本文的主要贡献在于可以使用浸水和不变性原理设计一个稳健的自适应控制器，使我们有性能更优于SMC的控制器。在塔基、 塔里和卡拉拉的论文中介绍了与Iamp;I控制器设计相关的初步工作。我们开发了一种基于浸入和不变性原理的自动横向轨迹跟踪控制器。该控制器具有基于以下状态变量的自行车模型：横摆角误差、横摆率误差、横向位移误差及其导数。在用实际数据进行验证的过程中，我们注意到在一次重要的车辆请求后，横向位移误差出现了偏移。这种偏移是由于控制输入中使用了横摆角误差，该误差是通过整合测量中噪声较大的横摆率误差来估计的。为了解决这个问题，我们提前添加了一个不连续的控制律中的鲁棒性项delta;rob（如smc中），用于取消横向误差本文针对Iamp;I控制器设计中的问题提出了一种解决方案，该控制器利用其他状态变量来表示车辆动力学。该模型的重构避免了用侧滑角代替横摆角的使用。这种重构将横向动力学解耦，从而证明了闭环系统可以分解为两个级联子系统。新提出的Iamp;I控制器保证了系统的所有正增益的稳定性。在Talj等人的第一版中，情况并非如此。我们用李雅普诺夫函数证明了稳定性。结果是限制性的，隐藏了系统的一些有趣特性。此外，我们还利用不同的非流形变量Z在控制律中提出了一个积分项，以提高对参数不确定性和干扰的鲁棒性。
为了设计控制器，我们为车辆配备了传感器和/或观察员来测量侧滑角、横摆角速度、横向误差及其导数。为了验证控制策略，使用扫描工作室对闭环系统进行了模拟，扫描工作室是一个模拟几种真实驾驶场景的驾驶模拟引擎。模拟也使用胡迪亚西克实验室的标致308车辆获得的实验数据进行。我们的试验表明，所提出的控制方法是鲁棒的，并且表现不错。
1.3论文结构
本文的组织结构如下。第2节介绍了车辆的动态模型。第3节介绍了控制问题定义。第4节介绍了Iamp;I控制器的设计见。第5节给出了结果。最后，我们在第6节结束，并发表一些评论和展望。
二 动态车辆模型
2.1 自行车模型
控制器基于一个简单且广泛使用的动态自行车模型（拉贾尼，2006年）（见图1）。该模型用于表示横向车辆的行为（横向加速度yeuro;、横摆角速度psi;_u和侧滑角beta;）。假设车辆对称，同一车轴上的轮胎侧滑角相等。忽略了横摇和纵摇动力学，假设角度（转向delta;、侧滑beta;、横摆psi;）较小。利用线性轮胎力模型，我们得到一个线性参数变化（LPV）模型，其中纵向速度vx被视为一个变化参数。根据自行车模型的侧滑角和横摆角速率，给出了动力学方程：
其中beta;、psi;和delta;分别代表车辆的侧滑角、横摆角和方向盘角（控制输入）。
表1给出了车辆的参数和术语。其中beta;、psi;和delta;代表侧滑角，横摆角车辆和方向盘角度（控制输入）。表1给出了车辆的参数和术语。
ax和ay分别为纵向和横向加速度；vx和vy分别为纵向和横向速度；fxij和fyij分别为纵向和横向轮胎力，其中ifrac14;1；2为前/后和jfrac14;1；2为左/右；ixx弹簧质量相对于侧倾的车辆惯性矩轴；Ixz：滚动/偏航惯性矩；e：车辆轨道；g：重力常数；h：重心高度；ms：簧载质量；v：滚动角；k f和k r：前后滚动摩擦系数；c f和c r：前后滚动刚度；r：路侧角度；cx：aer动力阻力系数；s为车辆的正面面积，rho;为空气的质量密度。每个轮胎处的垂直力通过方程式计算，以确定每个轮胎的横向和纵向力，我们使用杜戈夫的轮胎模型其中csigma;和calpha;分别是轮胎的纵向刚度和转弯刚度，alpha;是轮胎的滑移角，sigma;x是纵向滑移率，mu;是轮胎/道路摩擦系数，fz是轮胎的垂直载荷。h vomega;x是轮轴处的实际纵向速度；reffomega;轮胎的等效转速，其中omega;为车轮转速和有效轮胎半径。
横向控制的目的是使自主车辆相对于给定参考路径的横向位移最小化。
关于参考路径，车辆重心处的横向误差动力学由下式给出：
其中Ay和Ayref分别代表车辆的横向加速度和沿着参考路径的期望横向加速度。假设车辆所需的横向加速度可以写成Ayr=v2xrho;，其中，rho;是我们假定为常数的道路曲率。
工业AGV的避障
摘要：本文讨论了自动导引车（AGV）的避障问题。我们提出一个自动算法来建立新的无障碍轨道，离开原来的路线图。新的道路也必须遵守与AGV的动态和运动约束。新路径由极性样条曲线、车道变换机动曲线和直线段生成。通过仿真验证了该方法的有效性。
一、引言
本文介绍了一种在工业环境中解决自动导引车避障问题的方法。在处理移动机器人时，避免碰撞是一个基本问题，因此，过去人们对其进行了广泛的研究。我们将下文简要介绍了文献中可以找到的一些主要方法，目的是突出提出方法的动机。一般来说，控制移动机器人从一个位置移动到另一个位置。在真实环境中移动时，可能会发生不可预见的事件：例如，其他非合作移动实体可能共享相同的环境。因此，车辆需要配备合适的传感器[1]、[2]和适当的对策以避免碰撞。通常，这个目标是通过引入一个适当定义的控制动作来实现的，这会使机器人偏离其最初定义的行为。例如，人工势场是一种非常熟悉的避免碰撞的技术（见例[3]–[11]）。用这种方法，机器人被驱动来执行一个适当设计的人工势场的梯度下降，其梯度产生一个排斥力，驱动每个机器人离开障碍物或其他机器人。然而，人工势场的主要缺点是众所周知的局部极小值问题[12]：与移动机器人的主要任务交互，避免碰撞的人工势场可以创建不希望的渐进稳定配置，从而阻止机器人达到所需配置。这对于工业应用来说是很清楚的不可接受的，因为它会阻止执行工作。另一种流行的方法是将避障动作定义为陀螺力。粗略的说，陀螺力总是垂直于机器人的速度：这意味着这些力不起任何作用，也不改变典型期望控制律的收敛特性。类似的方法是基于空空间的行为方法这种方法包括以分层的方式组合不同的行为。事实上，使用此技术，当与最高优先级行为发生冲突时，最高优先级行为完全实现，而最低优先级行为仅部分实现。具体来说，最低优先级的行为是投影到最高优先级行为的空空间。考虑到碰撞避免是最高优先级的行为，那么所有其他任务只有在不干扰碰撞避免本身的情况下才由AGV执行。
虽然这些方法对在任意环境中行驶的通用移动车辆有效，但似乎不适用于工业应用。特别是本文所考虑的操作环境，包括用于工业环境中物流操作的AGV车队在绝大多数现代自动仓库中，AGV被限制沿着一组（虚拟）路径移动，而这组路径是通常称为路线图[24]中介绍了自动构建路线图的算法。多达60辆AGV可以在自动仓库中行驶，路线图的设计方式极大地影响了交通管理的方式，从而影响了整个系统的效率。然后，AGV车队一般由一个集中的主管协调，该主管沿路线图协调AGV，以最大限度地减少交通拥堵，从而最大限度地提高工厂的生产力。在[25]，[26]中提出了一种部分分散的方法来协调AGV车队。在[27]中，基于障碍物的存在，利用概率贝叶斯方法在
资料编号：[3796]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
