基于无模型自适应控制的自动泊车方案

　　摘要:本文提出了一种基于无模型自适应控制的自动泊车方案.该方案,首先通过车载传感器采集车周环境信息用于规划期望路径,然后将自动泊车跟踪问题转化为预瞄偏差角跟踪问题,通过设计相应的无模型自适应控制算法最终实现自动泊车.该方案设计的优点是仅使用了自动泊车过程中生成的前轮转角输入数据和预瞄偏差角输出数据,没有使用任何被控车辆的信息,因此该方案可适用于不同车型.Matlab仿真以及与PID控制方案和Fuzzy控制方案的对比仿真结果验证了该方案的可行性.

　　关键词:无模型自适应控制;自动泊车;预瞄偏差角;路径跟踪

　　随着现在社会的发展以及人们生活水平的提高,汽车保有量不断上升,汽车的普及给人们的出行带来极大便利的同时,也带来了各种各样的问题,其中泊车难是最常见的问题之一;另一方面,由于城市建设的飞速发展以及车辆的增加,使得停车位空间减小,停车难度增大,给新手司机带来了困难.生活中常见的泊车位类型包括平行泊车位、垂直泊车位、斜行泊车位.平行泊车位因在宽度方向上所需空间少,多用于路边停车;垂直泊车位因面积利用率高,多用于大型商场或小区住宅的地下车库;斜行泊车位因快进快出的特点,多用于医院停车场.在繁忙的日常工作中,人们为了出行或工作方便通常会将车辆停放在路边,因而如何快速、安全的泊车成为当前人们十分关注的问题[1].

　　自动泊车系统(APS,AutomatedParkingSystem)的出现不仅提高了泊车成功率,还降低了因泊车而造成的交通事故发生率.APS系统一般由车载传感器系统、计算机系统、自动控制系统组成,计算机系统通过分析车载传感器系统准确采集的车身周围环境信息,计算规划出一条可用最优泊车路径,将路径信息传送给自动控制系统控制车辆准确驶入车位[2].另外,现在市面上的车分为四驱车和两驱车,四驱车拥有较强的越野和操控性,底盘强度高、适应性强,多用于军事、野外公务等用车;两驱车能够根据路面情况及时调整扭矩分配,多用于城市私家车.

　　本文目的是针对城市用车设计一套完整的自动平行泊车系统,故选择两驱车为研究对象.自动泊车一般分为三个步骤[3]:车位探测、路径规划、路径跟踪.司机驾驶车辆行驶到停车位附近时,启动车载传感器系统开始搜集停车位周围环境信息,将信息传送给计算机系统;计算机系统通过分析车载传感器系统准确采集的车身周围环境信息,计算规划出一条可用最优泊车路径并将规划路径传送给自动控制系统;自动控制系统接收信息后控制车辆按照规划路径驶入泊车位[4].目前国内外关于车位探测、路径规划、路径跟踪进行了大量研究.

　　车位探测方面,Suhr等[5]提出了一种融合车位标记和自由空间检测的互补方案,该方案借助车上现有的大量传感器来确定可用车位.Shih等[6]提出了一种利用广角鱼眼镜头或散角摄像机进行车位检测的方案,摄像头检测到车位周围的图像信息后,通过改进的Hough变换和新的Hough单元格累积方案提取车位边界线,最后通过背景减法检测出可用车位.Lee等[7]针对传统周围视图检测(AVM,aroundviewmonitoring)传感器在检测中存在的障碍物遮挡问题,提出了一种概率占用滤波器检测车位的方法.

　　Huang等[8]提出了一种三层贝叶斯层次框架检测车位方案,该方案首先建立一个三维停车场模型并通过图像标记的方式来解释场景内容,然后借助透视摄像头检测出可用停车位,最后通过分层贝叶斯层次框架处理空位检测中出现的阴影、遮挡、亮度变化等问题后确定可用车位.上述车位探测方法虽然已经得到了不同程度的应用,但仍各有不足.超声波测距寻找车位是现在认可度最高的方法,该方法受环境影响小,测量误差小,但需要探测器与被测物体保持垂直才能测得较准确的数据,现在大多采用多个探测器相互配合测距的方式以测得准确数据.采用摄像头或图像测距寻找车位的方法,该方法可以得到车位周围的完整信息,但在大雾、大雪、光线过暗等极端环境下不能准确采集车位信息,成功率会大大降低.

　　路径规划方面,Moon等[9]提出一种前向路径规划方案,该方案分为定位段和进入段,定位段部分通过碰撞约束得出能够驶离车位的最小圆弧期望路径;进入段加入Bezier曲线连接路径中的圆弧段.Vorobieva等[10]提出一种无碰撞圆弧路径,该方案与车辆初始位置和方向无关,只要车位长度和宽度均大于车辆长度和宽度就可以生成一个泊车路径.

　　Wang等[11]提出了一种递归神经网络规划泊车路径的方案,该方案利用TensorFlow训练基于碰撞约束的递归神经网络预测停车轨迹曲线,然后通过训练数据确定最优轨迹.Zips等[12]狭窄环境下的泊车提出了一种基于快速优化的路径规划方案,该方案在基于树的指导原则前提下,首先采用Runge-Kutta方法离散运动学微分方程,然后制定静态优化问题以确定最优泊车路径.

　　上述路径规划方案各有优缺点,前向路径规划方案简单易行;无碰撞圆弧路径规划方案对车辆初始位置和方向没有要求,适用于狭窄空间车位,但上述两种方案容易出现曲率不连续的问题,车辆在跟踪过程中必须停在路径连接处重新调整前轮转角,这会加剧轮胎的磨损.递归神经网络路径规划方案虽然成功率高,但该方案需要大量实验数据进行训练,成本过高.

　　基于快速优化的路径规划算法虽然能够得出最优路径,但该方案需要提前得知周围环境信息.路径跟踪方面,Song等[13]以车辆速度和前轮转角为控制输入,以车辆航向角和位置坐标为控制输出,设计了模型预测控制(MPC,modelpredictivecontrol)算法控制车辆实现路径跟踪.Liang等[14]设计了一种模糊PID(FuzzyPID,fuzzyproportionalintegraldifferential)调节器。

　　输入方向盘角度和车轮速度得到实际运行轨迹,通过一次次与期望轨迹比较得出模糊PID调节器所需的偏差进行调整,以实现路径跟踪.Ji等[15]以方向盘转角为控制输入,车辆的横向位移、侧滑角、偏航率为控制输出,提出多约束模型预测控制(MMPC,multiconstrainedmodelpredictivecontrol)方法,通过对横向位移、侧滑角、偏航率的输出约束和对方向盘转角的输入约束实现路径跟踪.上述跟踪方案大多采用控制车身角与期望轨迹斜率相同的方案来实现路径跟踪,但该方案在实际跟踪过程中可能出现实际运行轨迹与期望轨迹平行而非重合的问题,使汽车不能准确停在目标位置.

　　另外,针对不同的车型,PID(proportionalintegraldifferential)控制器在使用时需要重新整定参数,模型预测控制器在使用时需要重新设定被控对象的模型信息.因此,基于上述控制器的跟踪方案可移植性较差.在汽车泊车过程中,会产生大量的输入输出(I/O,Input/Output)数据,这些I/O数据可以准确反映汽车动力学信息,利用数据驱动的方法实现对汽车自动泊车过程的控制,是目前一个新颖的方法.由于一些系统存在时变、建模难等问题,数据驱动控制逐渐成为研究热点.具有代表性的数据驱动控制方法有虚拟参考反馈整定[16-17]、自适应动态规划[18-22]、无模型自适应控制[22-23]等.

　　无模型自适应控制(MFAC,modelfreeadaptivecontrol)理论与方法是一种典型的数据驱动控制方法[22,24].MFAC针对离散时间非线性系统使用了一种新的动态线性化方法及一个称为伪偏导数(PPD,pseudopartialderivative)的新概念,在闭环系统的每个动态工作点处建立一个等价的动态线性化数据模型,然后基于此等价的虚拟数据模型设计控制器并进行控制系统的理论分析,进而实现非线性系统的自适应控制.

　　目前,MFAC方法已经在无人驾驶[25-27]、无人水面载具[28]、城市交通网络[29]、电力系统阻尼控制[30-31]、绕线式转子同步电机驱动系统[32]、外骨骼机器人控制[33]等领域得到应用.理论分析和实际应用均表明,MFAC计算简单、鲁棒性强,最重要的是不需要任何系统模型信息,仅需系统输入输出数据即可进行控制,适用性强.通过上述分析可知,现在关于自动泊车控制系统的研究大多是通过控制车身角与期望路径斜率相同来实现路径跟踪[13,15,34],但该方法在控制过程中可能出现实际运动轨迹与期望轨迹平行而非重合的问题,使汽车最终不能准确地停在目标位置.因此,本文提出了基于MFAC的预瞄偏差角跟踪控制方案解决该问题.本文的主要贡献为:

　　1)针对现有跟踪方案中可能出现的实际运动轨迹与期望轨迹平行而非重合的问题,本文提出预瞄偏差角跟踪控制方案.预瞄偏差角在计算过程中用到了每一时刻的坐标信息,使得跟踪更加准确.2)针对现有控制器可移植性差的问题,本文设计了MFAC控制器及相应的控制算法、参数估计算法和参数重置算法.MFAC控制器在使用过程中仅需系统产生的I/O数据,不需要任何车辆模型信息,可移植性强.3)目前预瞄偏差角跟踪方案仅在自动驾驶中得到了验证[25-27],本文首次将该跟踪方案应用于自动泊车中.

　　在规划泊车路径的前三段中,Fuzzy控制方案的跟踪误差与PID控制方案的跟踪误差相差不大,且均略小于MFAC控制方案,但在最后圆弧段部分Fuzzy控制方案在y轴方向上的跟踪误差明显增大,MFAC控制方案的跟踪效果明显优于PID控制方案和Fuzzy控制方案.从表6中可以看出,PID控制算法时间代价最小,但跟踪误差介于MFAC控制方案与Fuzzy控制方案之间;MFAC控制算法时间代价介于PID控制算法与Fuzzy控制算法之前,但跟踪效果相对最好;Fuzzy控制算法时间代价最大,跟踪误差也相对较大.

　　对比三种控制方案的路径跟踪情况和跟踪误差,并对比跟踪误差均方根、航向角误差均方根和算法时间代价,说明对于车型奥迪A1,MFAC控制方案优于PID控制方案与Fuzzy控制方案.在v0=80cm/s条件下,通过对一汽-大众CC(2016款)和奥迪A1车型的仿真结果分析可知:针对不同的车型,MFAC控制方案、PID控制方案与Fuzzy控制方案均能较好地完成自动泊车过程,通过分析跟踪误差变化曲线可知,MFAC控制方案的控制效果优于PID控制方案和Fuzzy控制方案,而且MFAC控制方案方法简单、计算负担小、鲁棒性较强,控制参数可以根据控制状态实时更新,自适应性强,通过多次实验发现在一定范围内选取不同参数均能得到较好的跟踪效果.

　　自动化论文范例： 多协议矿山自动化通信平台设计与实现

　　本文针对自动泊车系统提出了基于MFAC的预瞄偏差角跟踪方案,该方案仅需自动泊车过程中生成的前轮转角输入数据和预瞄偏差角输出数据,不需要任何车辆信息;提出的预瞄偏差角跟踪方案在计算过程中使用了每一时刻的坐标信息及车身角信息,使跟踪更加准确.给出了两款不同车型的自动泊车仿真,通过分析对比跟踪误差可知,MFAC控制方案的控制效果优于PID控制方案和Fuzzy控制方案.因此,本文提出的MFAC预瞄偏差角跟踪方案可移植性强,能够针对不同车型使用.

　　参考文献(References)

　　[1]DemirliK,KhoshnejadM.Autonomousparallelparkingofacar-likemobilerobotbyaneuro-fuzzysensor-basedcontroller[J].FuzzySetsandSystems,2009,160(19):2876-2891.

　　[2]宋金泽.自主泊车系统关键技术研究[D].长沙:国防科学技术大学机电工程与自动化学院,2009:9-11.(SongJin-Ze.ResearchontheKeyTechnologyforAuto-ParkingSystem[D].Changsha:SchoolofElectricalandMechanicalEngineeringandAutomation,NationalUniversityofDefenseTechnology,2009:9-11.)

　　作者：王文佳,侯忠生†

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/28014.html