隨著汽車(chē)電子技術(shù)的飛速發(fā)展，國(guó)內(nèi)外眾多學(xué)者對(duì)智能車(chē)輛視覺(jué)導(dǎo)航系統(tǒng)進(jìn)行了深入的研究。由于智能車(chē)輛視覺(jué)導(dǎo)航橫向控制系統(tǒng)在實(shí)際運(yùn)行中將會(huì)受到車(chē)輛參數(shù)的影響，采用何種適宜的橫向控制策略是當(dāng)前研究的熱點(diǎn)^[1]。國(guó)內(nèi)外關(guān)于橫向控制策略的研究主要集中在以下方面：參考文獻(xiàn)[2]以車(chē)輛與路徑上近點(diǎn)作為基準(zhǔn)點(diǎn)，結(jié)合自適應(yīng)PID算法和模糊控制方法，由于對(duì)前方環(huán)境缺乏預(yù)見(jiàn)性而限制了系統(tǒng)的控制有效性和準(zhǔn)確性；參考文獻(xiàn)[3]基于汽車(chē)操縱動(dòng)力學(xué)模型建立了智能車(chē)輛自主導(dǎo)航最優(yōu)控制模型，該模型非常適用于低速行駛車(chē)輛，取得了較好的控制效果，但是在智能車(chē)輛高速行駛過(guò)程中控制效果較差；參考文獻(xiàn)[4]將轉(zhuǎn)向盤(pán)轉(zhuǎn)矩作為主導(dǎo)控制參數(shù)，建立了一個(gè)魯棒控制模型，由于轉(zhuǎn)向盤(pán)轉(zhuǎn)矩與駕駛?cè)说牟倏v行為過(guò)程密切相關(guān)，但是該模型并未將駕駛?cè)诵袨槟Ｐ图{入考慮范疇；參考文獻(xiàn)[5]采用直接橫擺力矩控制策略進(jìn)行車(chē)輛橫向控制，但該控制策略受預(yù)瞄點(diǎn)選擇的影響較大，導(dǎo)致控制效果差異性大；參考文獻(xiàn)[6]建立了駕駛?cè)祟A(yù)瞄行為模型，并結(jié)合專(zhuān)家先驗(yàn)知識(shí)預(yù)測(cè)、預(yù)瞄距離實(shí)現(xiàn)對(duì)智能車(chē)輛的橫向控制，但是在預(yù)瞄控制模型中僅將車(chē)輛速度簡(jiǎn)單劃分為快、中、慢3個(gè)范圍，導(dǎo)致系統(tǒng)的可靠性和適應(yīng)性較差。

    為了大幅提高智能車(chē)輛視覺(jué)導(dǎo)航過(guò)程中橫向控制的精度，進(jìn)一步減少路徑彎度、預(yù)瞄距離等因素的影響，本文建立了橫擺角速度預(yù)測(cè)模型、車(chē)輛7自由度操縱動(dòng)力學(xué)模型，結(jié)合系統(tǒng)辨識(shí)的方法，提出了一種橫擺角速度與橫向偏差的智能車(chē)輛橫向模糊控制策略。仿真結(jié)果驗(yàn)證了本文所提出的智能車(chē)輛視覺(jué)導(dǎo)航橫向模糊控制策略的有效性和良好的適應(yīng)性。

1 控制系統(tǒng)結(jié)構(gòu)設(shè)計(jì)^[7]

    智能車(chē)輛視覺(jué)導(dǎo)航橫向模糊控制策略如圖1所示。根據(jù)空間幾何坐標(biāo)系逆透視投影轉(zhuǎn)換得到的車(chē)輛預(yù)瞄點(diǎn)的相對(duì)位置，建立橫擺角速度預(yù)測(cè)模型以及7自由度車(chē)輛操縱動(dòng)力學(xué)模型。模糊控制系統(tǒng)的設(shè)計(jì)中非常關(guān)鍵的環(huán)節(jié)即模糊控制器的輸入變量的選擇，在智能車(chē)輛視覺(jué)導(dǎo)航過(guò)程中，車(chē)身橫向運(yùn)動(dòng)的控制本質(zhì)上即動(dòng)態(tài)調(diào)整車(chē)輛相對(duì)于行駛路徑的橫向偏差和航向偏差這兩個(gè)運(yùn)動(dòng)參數(shù)。綜上可知，車(chē)輛實(shí)時(shí)位姿信息必須作為重點(diǎn)考慮的因素，因此本文將車(chē)輛的橫擺角速度和橫向偏差作為模糊控制器的兩個(gè)輸入項(xiàng)。

2 橫擺角速度預(yù)測(cè)模型的建立^[8]

    假設(shè)在某一特定時(shí)刻，世界坐標(biāo)系中的車(chē)輛質(zhì)心坐標(biāo)為(X_w，Y_w)，車(chē)輛坐標(biāo)系的縱軸線與橫坐標(biāo)之間的夾角為φ_v。已知車(chē)輛質(zhì)心速度v、車(chē)輛質(zhì)心側(cè)偏角β以及車(chē)輛橫擺角速度ω，則車(chē)輛動(dòng)力學(xué)方程可以用下式表示：

    通過(guò)式(1)不難看出，智能車(chē)輛視覺(jué)導(dǎo)航中的車(chē)身位置姿態(tài)與車(chē)輛橫擺角速度、車(chē)輛質(zhì)心速度、質(zhì)心側(cè)偏角這3個(gè)因素密切相關(guān)。在諸多因素之中，車(chē)輛橫擺角速度的變化對(duì)車(chē)輛的軌跡狀態(tài)影響較大。因此可以在利用車(chē)輛質(zhì)心速度變化率的基礎(chǔ)上，通過(guò)控制車(chē)輛的橫擺角速度進(jìn)一步干涉智能車(chē)輛的運(yùn)動(dòng)狀態(tài)。

    在建立橫擺角速度預(yù)測(cè)模型的過(guò)程中，為了進(jìn)一步提高系統(tǒng)的控制效果，忽略車(chē)輛運(yùn)動(dòng)中的質(zhì)心偏差，并假設(shè)車(chē)輛一直沿視覺(jué)導(dǎo)航路徑行駛，運(yùn)動(dòng)軌跡保持不變，不發(fā)生突變，則橫擺角速度可以通過(guò)下式表示：

3 車(chē)輛操縱動(dòng)力學(xué)模型的建立

    通過(guò)對(duì)車(chē)輛操縱動(dòng)力學(xué)的研究分析以及根據(jù)智能車(chē)輛視覺(jué)導(dǎo)航過(guò)程中橫向控制策略仿真研究的實(shí)際需要，本文建立了一個(gè)包括橫擺、側(cè)傾、俯仰3個(gè)自由度以及車(chē)輪4個(gè)自由度的7自由度車(chē)輛操縱動(dòng)力學(xué)模型^[9]，如圖2所示。

4 模糊控制模型的建立

本文建立了智能車(chē)輛橫向模糊控制器，其中兩個(gè)輸入變量中，將橫擺角速度e的模糊論域定義為[-3，3]，橫向偏差ec的模糊論域定義為[-3，3]。其輸入變量的論域都劃分成7個(gè)模糊子集用NB、NM、NS、ZE、PS、PM、PB表示，輸出控制變量k的論域設(shè)為[-0.06，0.06]，并把它劃分為7個(gè)模糊子集(即NB、NM、NS、ZE、PS、PM、PB)，模糊子集中對(duì)應(yīng)的元素分別表示負(fù)大、負(fù)中、負(fù)小、零、正小、正中、正大。在完成了模糊論域和模糊子集的參數(shù)化過(guò)程之后，需要進(jìn)一步確定模糊論域內(nèi)所包含的元素對(duì)模糊變量的隸屬度函數(shù)。如圖3～圖5所示分別為橫擺角速度e、橫向偏差ec以及控制變量k的隸屬度函數(shù)^[10]。

    綜合考慮智能車(chē)輛視覺(jué)導(dǎo)航橫向控制系統(tǒng)的應(yīng)用特點(diǎn)，如表1所示，本文建立了系統(tǒng)輸出控制變量k的模糊控制規(guī)則表。

    模糊邏輯推理作為模糊控制的核心內(nèi)容，用來(lái)確定控制參數(shù)的模糊向量。本文中采用了模糊控制中普遍使用的Mamdani推理法，它根據(jù)模糊控制算法和規(guī)則計(jì)算出最終控制量。反模糊化過(guò)程采用工業(yè)控制中普遍采用的重心法，以獲取較為滿意的推理控制結(jié)果^[11]。

5 系統(tǒng)模糊控制策略仿真分析

    為了檢驗(yàn)本文所提出的控制策略的有效性和可靠性，以MATLAB/Simmulink作為仿真環(huán)境，建立了智能車(chē)輛視覺(jué)導(dǎo)航中的橫向模糊控制模型，并對(duì)其進(jìn)行了仿真實(shí)驗(yàn)，如表2所示為控制系統(tǒng)的部分仿真參數(shù)。假設(shè)車(chē)輛分別以30 km/h和70 km/h的車(chē)速行駛，設(shè)置虛擬路徑作為模擬仿真的行駛路徑，仿真模擬結(jié)果分別如圖6~圖9所示。

    如圖6所示為車(chē)輛行駛軌跡對(duì)比曲線，從圖中可以看出，采用橫向模糊控制策略控制精度更高，進(jìn)一步減小了車(chē)輛與最近點(diǎn)之間的距離偏差，在常規(guī)路況控制中均能穩(wěn)定地沿目標(biāo)路徑行駛，具有良好的跟蹤特性。如圖7所示為車(chē)輛橫擺角速度對(duì)比曲線，與不加任何控制策略的橫擺角速度曲線相比較，采用橫向模糊控制策略進(jìn)一步降低了系統(tǒng)的響應(yīng)時(shí)間和減小了響應(yīng)峰值，獲得了更加優(yōu)化的動(dòng)態(tài)控制性能，能夠滿足系統(tǒng)控制穩(wěn)定性的需求。

    圖8和圖9分別為車(chē)輛低速和高速行駛過(guò)程中出現(xiàn)的橫向偏差。通常情況下隨著車(chē)輛縱向速度的增加，其橫擺運(yùn)動(dòng)會(huì)出現(xiàn)較大幅度的變化，然而仿真結(jié)果表明，采用橫向模糊控制策略車(chē)輛橫向加速度增大幅度并不明顯，在縱向速度有較大增加時(shí)，智能車(chē)輛趨向行車(chē)路線所需的時(shí)間只是出現(xiàn)略微增加，當(dāng)然實(shí)際行駛的距離肯定會(huì)有明顯增加，但并未對(duì)車(chē)輛橫向控制帶來(lái)不便，最終可以提高智能車(chē)輛對(duì)縱向速度的快速適應(yīng)能力，從而獲得更好的橫向運(yùn)動(dòng)穩(wěn)定性和易操控性。

    因此，采用本文提出的基于橫擺角速度與橫向偏差的智能車(chē)輛橫向模糊控制策略，使得智能車(chē)輛橫向位移控制精度有顯著提高。同時(shí)對(duì)縱向速度具有較好的適應(yīng)能力，取得了非常好的效果，橫向偏差誤差范圍較小，具有較好的穩(wěn)定性和適應(yīng)性。

    本文通過(guò)對(duì)智能車(chē)輛視覺(jué)導(dǎo)航中橫向控制特點(diǎn)的深入分析，針對(duì)目前橫向控制策略存在的問(wèn)題，提出了一種基于橫擺角速度與橫向加速度的智能車(chē)輛視覺(jué)導(dǎo)航橫向模糊控制策略，并建立了7自由度車(chē)輛操縱動(dòng)力學(xué)模型，最后進(jìn)行了仿真實(shí)驗(yàn)驗(yàn)證。仿真結(jié)果表明，本文采取的控制策略不僅較好地滿足了車(chē)輛橫向控制平穩(wěn)性和舒適性要求，并且對(duì)車(chē)輛縱向速度具有令人滿意的適應(yīng)能力，具有廣泛的應(yīng)用前景和實(shí)際意義。

參考文獻(xiàn)

[1] 馬瑩，王建強(qiáng)，徐友春，等.智能車(chē)輛車(chē)道保持系統(tǒng)[J].ITS通訊，2004，19(1)：7-12.

[2] 王京起，陳慧巖，鄭培.應(yīng)用模糊自適應(yīng)PID和預(yù)瞄策略的自主車(chē)輛轉(zhuǎn)向控制[J].汽車(chē)工程，2003，25(4)：367-371.

[3] 王榮本，李兵，徐友春.基于視覺(jué)的智能車(chē)輛自主導(dǎo)航最優(yōu)控制器設(shè)計(jì)[J].汽車(chē)工程，2001，23(2)：97-100.

[4] MASAYASU S，HIROSHI K，ON S，et al.Design of lanekeeping control with steering torque input for a lane-keeping support system[R].SAE，2001-01-0480，2001.

[5] PONGSATHORN R，MASAO N，MOTOKI S.Lane keeping control strategy with direct yaw moment control input by considering dynamics of electric vehicle[J].Vehicle System Dynamics，2006(44)：192-201.

[6] YANAGIYA M，TOMITA K，TSUGAWA S.Effects of field of view on lateral control performance in a vision-based autonomous vehicle[J].JSAE Review，1999，20(4)：499-504.

[7] 丁海濤，郭孔輝，李飛，等.基于加速度反饋的任意道路和車(chē)速跟隨控制駕駛員模型[J].機(jī)械工程學(xué)報(bào)，2010，46(10)：116-120.

[8] 李小勇，張文濤，熊顯名.基于車(chē)輛視覺(jué)的車(chē)道閘桿防撞系統(tǒng)研究[J].微型機(jī)與應(yīng)用，2014，33(1)：40-45.

[9] 王家恩，陳無(wú)畏，王檀彬，等.基于期望橫擺角速度的視覺(jué)導(dǎo)航智能車(chē)輛橫向控制[J].機(jī)械工程學(xué)報(bào)，2012，48(4)：107-114.

[10] 郭孔輝.汽車(chē)操縱動(dòng)力學(xué)[M].長(zhǎng)春：吉林科學(xué)技術(shù)出版社，1991.

[11] 劉金琨.智能控制[M].北京：清華大學(xué)出版社，2005.