论文部分内容阅读
模型预测控制可以处理多种约束下的优化控制问题,近年来在无人驾驶车辆轨迹跟踪控制中得到了广泛应用。然而由于车辆模型参数误差与模型简化,所预测未来的轨迹与实际系统轨迹存在差异,从而影响所求解控制量的精度。针对上述问题,我们提出了一个根据驾驶经验数据可在线迭代学习的集成轨迹跟踪控制框架来提升无人方程式赛车在循迹赛中跟踪控制的精度。所提出的框架包含经典模型预测控制器和模型预测误差估计与前馈补偿器。赛车首先使用参数已调优的模型预测控制进行赛道环境定轨迹跟踪驾驶并记录车辆状态反馈与轨迹预测误差等数据作为训练数据。基于极限学习机的误差估计器可以从历史驾驶数据中迭代学习估计预测误差。最后所设计的前馈补偿器根据估计的预测误差对模型预测控制器的输出进行补偿。所提出方法的仿真验证结果显示,利用第一圈的驾驶数据,模型预测误差可以被精确估计并利用前馈补偿有效减弱,圈速和控制精度均得到可观的提升。