智能车辆是可以在复杂环境下实现自动或半自动工作的机器,作为智能交通系统不可或缺的一部分,能够极大地提高机动车驾驶的安全性,大幅地改善公路交通的效率,并且降低资源的消耗。轨迹规划和跟踪控制是确保智能车能够正常行驶的重要组成部分。本文主要针对智能车的轨迹规划和轨迹跟踪进行研究,基于模型预测控制算法,结合原对偶神经网络以及人工势场等方法来设计控制器,以实现智能车轨迹规划和跟踪控制,解决了当前存在的多状态变量约束、实时性差等问题。本文主要研究内容分为以下几个:1.针对车辆的运动学模型,基于模型预测控制算法设计预测控制器,以实现对期望轨迹的跟踪。在车辆运动学模型中考虑了外部扰动,设计了前馈与反馈控制器相结合的控制器。为了提高实时鲁棒性,采用线性跟踪误差模型,线性化的同时保留高阶项。确定目标函数,并在目标函数中设置了控制增量约束和松弛因子。随后将目标函数和约束条件迭代为有约束的二次规划问题,采用原对偶神经网络来解决这一滚动优化。最后通过李亚普洛夫理论对控制器进行了稳定性分析,并利用仿真分析,验证了所提出的控制器对参考轨迹跟踪的有效性。2.针对车辆的动力学模型,研究了基于模型预测控制的轨迹跟踪问题。首先,建立车辆非线性动力学模型,并运用轮胎模型对车辆轮胎特性进行性能分析,求得轮胎的侧向力和纵向力,在小角度假设理论下,简化整车动力学模型。根据车辆动力学模型的状态空间方程,进一步推导得到线性时变模型和预测方程。确定目标函数,除了考虑到控制量、控制增量等约束之外,还加入了质心侧偏角、路面附着系数等动力学约束,以确保行驶的安全性和稳定性。然后将该优化问题转化成带有约束的二次规划问题,采用原对偶神经网络求解该二次规划问题,提高了计算速率。最后进行仿真分析。3.在车辆运动学模型的基础上,利用人工势场法与模型预测控制相结合的方法设计控制器,以实现智能车轨迹规划及跟踪控制。首先采用人工势场法对行车环境进行建模,主要包括道路、环境车以及目标点等环境因素,根据它们与智能车之间的交互关系分别建立相应的势场函数。然后结合模型预测控制算法,将环境势场加入到目标函数中。除了对智能车的输入控制量以及输入控制增量进行约束外,还设置了随时间更新的安全区约束,通过模型预测控制算法中的滚动优化实时更新找出最优轨迹。最后通过仿真对所提出的方法进行验证和分析。