.png){kind=icon}
返回
Adaptive learning-based model predictive control strategy for drift vehicles
.png){kind=icon}
PRE
AI
DOI：10.1016/j.robot.2025.104941.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
漂移车辆控制为支持极端条件下的安全自主驾驶提供了有价值的见解，其关键在于跟踪特定路径同时将车辆状态维持在漂移平衡点（DEP）附近。然而，由于漂移车辆的转向角和偏航率与常规车辆相反，传统跟踪方法对其并不适用。本文提出了一种自适应路径跟踪（APT）控制方法，用于动态调整漂移状态以跟踪参考路径，并在降低计算负担的同时改进了常用的预测路径跟踪方法。此外，现有控制策略需要精确的系统模型来计算DEP，但由于漂移动力学的高度非线性和车辆参数的敏感性，这一问题可能更为复杂。为解决此问题，基于APT方法提出了一种自适应学习型模型预测控制（ALMPC）策略，其中采用上层贝叶斯优化来学习DEP和APT控制律，以指导下层MPC漂移控制器。这种分层系统架构还能通过将路径跟踪和漂移目标分离到不同层级来解决路径跟踪与漂移之间的固有控制冲突。ALMPC策略在MatlabCarsim平台上得到验证，仿真结果表明，即使在道路摩擦参数识别错误的情况下，该策略也能有效控制漂移车辆跟踪基于 Clothoid 曲线的参考路径。
Keyword:
Learning-based control
Autonomous drifting
Path tracking
Bayesian optimization
Model predictive control
期刊
IF:
5.2
论文数:
765
被引数:
1.0W
机构
引用论文
分享收藏
分享收藏Taking the Human Out of the Loop: A Review of Bayesian Optimization将人类带出循环: 贝叶斯优化的回顾.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏Predictive path following control for mobile robots with automatic parameter tuning移动机器人的预测路径跟踪控制与自动参数调优
PREAI
分享收藏
查看更多内容