基于最小误差法跟踪智能汽车路径
随着传感器技术、芯片计算能力和人工智能技术的飞速发展，以智能化、电气化、网络化和共享为代表的新技术已成为汽车工业先进技术的发展趋势。因为它可以大大减少驾驶员的负荷，提高交通效率，减少道路交通事故。
1 车辆模型
对于路径跟踪问题，采用了包含纵向运动、横向运动和横摆运动的三自由度单轨车辆动力学模型，忽略了纵向运动和横向运动的耦合作用。
2 状态观测方程
由于电动汽车采用线控底盘分布式驱动，电机可以准确地测量汽车行驶时的方向盘角度和四轮驱动/制动力矩。可以得到车辆的纵向、横向加速度和横摆角速度。
3 仿真与结果分析
为了验证本文提出的状态观测算法和路径跟踪控制器的有效性，本部分在carsim/matlab 协同仿真平台上进行了仿真试验。
从图中可以看出，由于转向系统的局部故障，实际输出角小于控制器的输出需求，因此当车辆转向相邻道路并由于系统输入响应不足而转回主干道时，传统的滑模控制器有较大的偏移量，而自适应滑模控制器通过网络识别系统的故障，并给控制器一定的补偿量，使自适应滑动模式控制的路径更平滑，与参考路径的偏移量更小。
4 结论
针对分布式驱动电动智能车辆的自主跟踪问题，设计了一种基于观测器的路径跟踪控制框架。首先，针对车辆关键状态参数的纵向速度和横向速度难以直接精确测量的问题，设计了基于最小模型误差准则的状态观测器，以减小非线性轮胎模型误差对估计精度的影响，得到了可靠的参数估计结果。然后，针对转向控制，提出了一种基于期望横摆响应的自适应滑动模式控制控制策略，并用径向基核函数神经网络逼近转向系统的不确定性。控制系统的鲁棒性是基于李亚普诺夫函数来证明的。最后，采用直接横摆力矩控制器和最优力矩分配策略，进一步提高了车辆在路径跟踪过程中的稳定性。仿真结果表明，当估计模型存在误差时，基于最小模型误差准则的状态观测器可以有效地提高估计精度。当模型存在一定的不确定性时，基于估计结果的自适应路径跟踪控制器可以保证较好的跟踪精度和鲁棒性。
/3 
