一类数据驱动无模型自适应控制方法及在无人车循迹跟踪控制中的应用

The control of self-driving vehicles is an important research hotspot in the intelligent transportation field. These self-driving systems have some properties, such as complex routes, diverse travel tasks, random travel conditions and strong non-linearities of vehicles’ kinematics. Meanwhile, the lateral control and the longitudinal control of the driving systems are interrelated and strongly coupled. For these reasons, the precise mathematical models of the self-driving vehicles are difficult to be established, such that the control systems design for the self-driving vehicles become very hard. The data-driven control methods do not depend on the exact mathematical model of the controlled plants, so that the controller can be designed directly by only using the systems input and output data..In this research, a series of data-driven control methods based on model free adaptive control approach combining with the theories concerning successive projection, lazy learning, smith estimation, and predictIve control, are proposed to adress the the strong nonlinearity of the kinematics process, the randomness of the driving routes, the diversity of the driving tasks and the complexity of traffic conditions of self-driving vehicles. These propsoed methods are applied in the the lateral and the longitudinal control of the self-driving car. Consequently, these methods not only can simultaneously utilize both the online and offline I/O measurement data to real-time adjust the controller parameters during the control process, but also can effectively deal with the delay time and mearement noise of the systems. From the perspective of the application, this research can solve the practical problems of the energy saving, safety, and accurate tracking of the self-driving vehicles. Furthermore, from the academic perspective, by exploring the effective and reasonable data driven control methods for the self-driving vehicles, this resarch will peopose a series of new data driven cocntrol algorithms and strategies for the complex systems.

无人车控制是智能交通领域研究热点。无人车在运行过程中行驶路线复杂、行驶任务多样、行驶路况随机，运动学过程非线性强，且驾驶系统的横向转角和纵向速度之间相互关联、耦合严重。这些因素使无人车的精确数学模型难以建立，给控制系统设计带来困难。数据驱动控制方法不依赖于被控对象精确数学模型，仅利用系统输入输出数据即可进行被控系统的控制器设计。.本项目基于无模型自适应控制理论，针对无人车的运动学过程、行驶路线、行驶任务、路况的复杂性特点，结合连续投影、懒惰学习、smith预估、预测控制等方法，提出一系列能够综合使用被控系统的历史数据和在线数据，且能够有效处理系统滞后时间、输出扰动的数据驱动控制方法，并用于无人车横向转角控制和纵向速度控制问题中。从应用上，解决无人车的节能、安全、准确跟踪等实际问题；从学术上，通过探索合理的无人车数据驱动控制方法，进而提出适用于一般复杂系统的数据驱动控制新方法和新策略。

本项目主要围绕无人车的横向和纵向循迹跟踪控制问题，从数据驱动控制思想的角度进行研究。本项目研究内容为包括无人车的横向控制、横纵向协调控制、无人车多任务实现三大方面。针对无人车横向控制，提出基于预描偏差角的无人车横向动力学描述方法、基于连续投影的无模型自适应控制方法、针对含有扰动和时滞的单入单出系统的无模型自适应控制方法、能够综合使用在线和历时数据的无模型自适应控制方法等。针对无人车横纵向协调控制，提出针对大时滞多入多出系统的无模型自适应控制方法，针对含扰动的多入多出系统的无模型自适应控制方法，针对传统多入多出系统的无模型自适应控制预测方法。针对无人车多任务实现方面，本项目针对无人车漂移问题给出了无模型自适应控制方案，同时研究了一系列能够应用于无人车协调控制方法、传感器融合方法、机器学习建模方法等。本项目所研究的部分算法已经应用于真实无人车中，并在中国智能车未来挑战赛中取得优异成绩。同时，本项目研究成果在无人挖掘机中也得到应用，其控制精度满足厂方要求。本项目的所完成的成果总结如下：1)共发表(含录用)学术论文以及专利16篇(国际权威期刊5篇，EI期刊2篇，国际会议论文6篇，发明专利1项，软件著作权2项);2)培养毕业硕士研究生1名，毕业博士研究生1名,在读硕士研究生2名。本项目在理论方面，本项目将无模型自适应控制方法从理论推导框架(连续投影框架)、理论研究方向(带有扰动的、丢包系统、时滞系统、离线和在线数据的使用)等方面进行了深入的研究，进一步的完善了无模型自适应控制方法的理论体系，为数据驱动控制领域提供了一系列有效的方法。在应用方面，本项目所研究的无人车的各类数据驱动控制算法，在实际的无人车无法进行物理建模的情况下，仅通过无人车产生的系统输入输出数据来进行控制器的设计，这在未来为无人车的研究提供了一条新颖的研究思路，因此该项目在实际应用方面也具有广阔的应用前景。