[论文解读] A Tutorial On Autonomous Vehicle Steering Controller Design, Simulation and Implementation

Ali Boyali, Seichi Mita+1 more|arXiv (Cornell University)|Mar 10, 2018

Robotic Path Planning Algorithms被引用 7

一句话总结

本教程介绍了使用运动学与动力学模型，为自动驾驶车辆设计、仿真和实现低层级横向转向控制器的实用方法。它详细说明了从路径数据计算曲率的方法，并在误差坐标系中应用LQR控制，通过仿真和实际应用实验验证，展示了鲁棒的路径跟踪性能。

ABSTRACT

In this tutorial, we detailed simple controllers for autonomous parking and path following for self-driving cars providing practical methods for curvature computation.

研究动机与目标

• 为自动驾驶车辆的低层级横向运动控制器设计提供实用指南。
• 解决从记录的车辆路径数据中准确计算曲率以实现路径跟随的挑战。
• 通过运动学与动力学车辆模型，弥合理论控制设计与实际应用之间的差距。
• 展示在误差坐标系中应用LQR控制器以实现稳定且精确路径跟踪的有效性。
• 通过配套的仿真与实时测试示例代码，支持实际部署。

提出的方法

• 基于后轴中心跟踪，利用Pfaffian约束方程推导运动学车辆模型，输入为转向角和速度。
• 在小滑移角和恒定速度假设下，采用单轨动力学模型，并对轮胎力进行线性化处理。
• 基于状态空间模型，在误差坐标系中设计LQR控制器，以跟踪横向偏差、横向速度、航向误差和偏航率。
• 将代价函数转化为具有半正定Q矩阵和正定R矩阵的二次型，以优化控制能量与跟踪误差。
• 求解离散代数Riccati方程（DARE），以计算保证闭环稳定的最优反馈增益K。
• 将从路径数据中提取的前馈曲率计算集成到运动学控制器中，以提升路径跟随性能。

实验结果

研究问题

• RQ1 如何从记录的车辆路径数据中准确计算曲率，以用于自动驾驶车辆的路径跟随？
• RQ2 在低层级转向控制器设计中，使用运动学模型与动力学模型的关键差异与权衡是什么？
• RQ3 如何在误差坐标系中有效应用LQR控制，以实现稳定且精确的路径跟踪？
• RQ4 在实际自动驾驶车辆中部署这些控制器时面临哪些实际实现挑战？
• RQ5 前馈曲率项如何提升运动学转向控制器的性能？

主要发现

• 在误差坐标系中的LQR控制器实现了渐近稳定，闭环转移矩阵的所有特征值实部均为负。
• 控制器设计成功解耦了横向与纵向运动控制，在不同速度和曲率条件下均能实现鲁棒的路径跟随。
• 从路径数据中计算出的曲率可实现有效的前馈控制，显著提升了运动学控制器的跟踪精度。
• 采用具有线性化轮胎力的单轨动力学模型，能够准确表征车辆横向动力学，适用于控制器综合。
• 实验结果证实，所提出的LQR与运动学控制器在仿真和真实世界测试中均实现了亚米级的路径跟踪误差。
• 配套的示例代码使研究人员和工程师能够复现并扩展控制器设计，以支持实时实现。