摘要：本研究将预测控制技术应用于智能车的避障任务中，将生成的轨迹作为预测信息构建控制系统。在最优轨迹规划，以及预测控制系统的作用下，智能车能够快速的完成对移动障碍的避障任务，通过实验证明了该方法的有效性。
关键词：预测控制，智能车，避障
Keywords：Predictive control，Mobile robot，Avoid obstacles
1.背景介绍
智能车以其运动特性好，自适应能力强的特点，在各个领域拥有着广泛的应用。无论地铁站，火车站的自动巡检，还是医院对于病房的自动送药，智能车都在扮演着越来越重要的角色。
同时，随着应用场景日趋复杂，对于地图的自适应轨迹规划技术，以及自动避障技术已经成为智能车领域研究的热点。对于环境的自适应难点是如何利用传感器测得的位置信息让智能车生成与跟踪一条前往目标点的最优轨迹。另外，针对人员密集的公共环境如何进行有效的避障同样是智能车必须面对的重要课题。
本研究利用CatMull-Rom样条曲线作为智能车路径生成器，以便生成前往目标点的最优轨迹。将预测控制技术应用于智能车的避障任务中。把生成的轨迹作为预测信息，构建前馈控制模型[1]。在最优轨迹规划以及预测控制系统的作用下，大大增强了智能车的动态响应特性。
2.智能车建模
本文的研究对象是基于红外激光雷达的双轮式智能车。智能车的控制系统由控制器，伺服系统以及一个红外激光雷达组成。伺服系统负责控制两个主动轮的运动，以便实现车体在地图中的精确移动。红外激光雷达能够实时监控车体前方出现障碍物的移动情况。雷达的观测角度为180度，.png)
为雷达的探测半径，其有效观测距离为2米。智能车的安全距离为.png)
，为了避免碰撞在避障过程中，障碍物与车体的距离不得小于安全半径。障碍物可以是固定状态的，也可以在地图上移动。
智能车的运动方程如式（1）所示：
.png)
（1）
式中.png)
，.png)
为智能车在全局坐标.png)
轴与.png)
轴的位移；.png)
为质心的瞬时线速度，.png)
为质心瞬时角速度。基于运动方程式（1）得到系统的状态空间方程如（2）所示：
.png)
（2）
其中.png)
，.png)
，.png)
分别表示.png)
时刻系统的状态，控制输入和输出。控制输入量包含了智能车的线速度与转角速度。我们的目的是通过求取.png)
的最优解，让智能车基于障碍物的移动特性，沿规划的避障路径精确的完成避障任务。
3.预测运动控制
预测控制是一种基于模型的控制算法，是根据被控对象的历史信息和未来模型求取每个时刻的输出。
智能车通过雷达的感知，基于障碍物的运动特点，对系统建立从时间点.png)
到.png)
的预测模型。基于智能车的运动模型对每一个采样瞬间求取主动轮的速度与角速度的最优解。解得的最优控制序列完成该时刻的控制动作后，再反复进行在线优化，进而确定一系列未来的控制信息。通过控制系统采用的这种滚动优化的策略，能及时弥补由于模型的失配与干扰等因素造成的不确定性，以便提高智能车控制系统的稳定性和抗干扰性[2]。
基于预见控制的系统的状态空间方程（2）得到预测模型的增量控制式（3），进而计算出系统在下一个未来时刻的预测输出值。
.png)
（3）
其中，.png)
为系统动态参数矩阵，.png)
为控制量参数矩阵，.png)
表示未来输出增量，.png)
表示未来输入增量，.png)
为预测步数，表达式如式（4）所示：
.png)
.png)
（4）
系统性能指标为式（5）所示，其中.png)
为误差权值矩阵，.png)
为控制量权值矩阵。
.png)
（5）
求出使得性能指标最小化的最优控制增量：
.png)
（6）
其中.png)
为智能车实时规划的避障轨迹。
4.CatMull-Rom曲线轨迹生成设计
CatMull-Rom样条曲线是基于三次曲线方程演变而来，广泛应用于路径规划，图像处理等领域。由于其具有局部性，可以通过所有控制点，因此被本文用来规划智能车避障条件下向目标点行进的最优路径，其公式如下：
.png)
（6）
式中，.png)
表示曲线中第.png)
点的具体坐标位置（.png)
），.png)
为样条函数的参数。从公式可以看出，已知四个点的坐标就可以拟合出一条连接四点，且斜率光滑的曲线。
由于智能车的起始点.png)
与目标点.png)
坐标已知，这样基于车体实时坐标与障碍物的瞬时位置，就可以通过CatMull-Rom样条曲线拟合出经过一条速度变化平缓的智能车实时避障轨迹。
5.实验分析
实验设定在一个平面的地图中进行，智能车已知起始点与目标点的坐标，并且以稳定的线速度行驶。障碍物规定以恒定的速度.png)
运动在地图中，且运行的方向是随机的。具体参数入下表所示：
表1.实验参数表
.png)
.png)
图1.动态响应图
智能车从起始点向目标点坐标过程中，红外线雷达监测到了前方障碍物瞬时的相对位置。轨迹生成器会实时生成避障轨迹。基于未来的轨迹信息，预测控制器对智能车进行运动控制。由于轨迹生成与预测控制都是滚动优化的，所以能够满足对于移动障碍物的躲避任务。动态响应图如图1所示。智能车在短暂的避障阶段后，便进入到了新生成的目标路径中。智能车实时坐标与规划的轨迹点误差趋近于0，表明智能车能够沿着规划的轨迹安全的行驶。
6.结论
本文将预测控制技术应用于智能车的运动控制中。利用CatMull-Rom样条曲线作为智能车路径生成器以生成目标路径。同时将目标轨迹作为未来信息构建预测控制的前馈模型。智能车感知到动态障碍物的实时相对位置后，能够快速的完成避障任务。在最优轨迹规划以及预测控制系统的作用下，智能车的动态响应特性大大增强。通过避障实验证明了该方法的有效性。
参考文献：
[1]席裕庚.预测控制[M].北京：国防工业出版社，1993
[2]舒迪前.预测控制系统及其应用[M].北京：机械工业出版社，1996
张南（杭州市地铁集团有限责任公司运营分公司，浙江杭州，310000）
张南（1985年3月15日）女，浙江杭州人，电气电子硕士、项目管理硕士。杭州市地铁集团有限责任公司运营分公司，资产财务总部资产管理部部长。
研究方向：电气工程、自动化技术、技术管理、设施设备管理等。
论文作者:张南
论文发表刊物:《基层建设》2019年第32期
论文发表时间:2020/4/7
标签：智能论文; 轨迹论文; 障碍物论文; 最优论文; 坐标论文; 控制系统论文; 曲线论文; 《基层建设》2019年第32期论文;