面向无人驾驶车辆的数据-模型混合驱动预测控制方法研究

信息传输、软件和信息技术服务业

提出的前馈扰动补偿模型预测控制方法应用于乘用车台架全球统一轻型车辆测试循环和 10 万公里碳排放测试项目，突破了 8 款车型一键测试技术难题。目前方案已经在国内大型测试车场完成部署。该方案具有适用范围广的特性，该方案综合控制精度超过国外品牌竞品（德国 Stahle 自动驾驶机器人）。实现了对车辆行驶速度的精准控制，达到了在0-120km/h 速度区间内，稳态速度误差小0.3km/h，动态速度误差小于 1.5km/h等指标）。在无人为干预情况下能够满足对 8 款车型的自适应高精度速度控制。另外，该方案对道路坡度具有鲁棒性，在 8%坡度道路测试中，误差小于 2km/h。

需要合作方提供无人驾驶及测试平台。

仅限国内转让

企业采用德国 Stahle 自动驾驶机器人测试平台，该平台对中国只提供租赁服务（200 万元/年*套），且国内无替代产品。应用该技术可实现对德国 Stahle 自动驾驶机器人测试平台的国产化替代。

北京市自然科学基金面上项目

北京市科学技术委员会;中关村科技园区管理委员会

20世纪60年代初期, 为了解决优化控制问题, 经典控制理论已不能满足人们的需求，一种以状态空间法为基础的系统分析与控制的方法应运而生，标志着现代控制理论的形成。然而，随着系统越来越复杂，诸如无人驾驶车辆等，很难利用传统的物理化学机理分析方法来建立精确数学模型。基于模型的控制方法从学科发展和应用层面都难以满足当前的社会发展与应用需求。将基于模型的控制方法的优势和基于数据的控制理论方法有效结合，取二者之长，补二者之短，是提高存在未建模动态系统控制性能的关键技术。另外，在模型和数据并用的情况下，如何使系统达到最优控制是面临的主要挑战。为此，基于理论发展和实际应用两方面考虑，本项目以“预测”控制为手段，解决无人驾驶车辆未建模系统或部分建模系统的最优控制问题。取得的重要成果如下： (1)针对受约束非线性控制系统中离线设计终端条件困难的问题，提出一种新的在线强化学习模型预测控制方法，实现终端条件自主设计。针对在线强化学习模型预测控制方法在值迭代过程中不可避免地存在近似误差的问题，进一步提出一种考虑有限近似误差的在线强化学习模型预测控制方法。拓宽了应用范围。 (2)针对受约束非线性控制系统中建模不精确带来的模型失配问题，提出一种新的基于高斯过程回归的在线学习模型预测控制方法，实现安全性和性能的解耦设计以及预测模型自主调整。引入高斯过程回归在线拟合系统不确定性，并通过将标称模型和学习的模型共同纳入标称鲁棒模型预测控制范式，设计了一套具有安全性保证的在线学习非线性模型预测控制框架。针对在线计算负担较重的问题，提出一种收缩预测时域的事件触发在线学习模型预测控制方法，减轻在线计算负担。提出了基于复合测量??触发策略设计一种预测时域收缩机制，降低每次触发对应的优化问题的复杂度，提升了求解效率。 (3)针对难以通过第一性原理获取系统动态模型的线性及非线性系统，提出了基于行为理论的数据驱动预测控制方法。针对离散时间单输入单输出平坦非线性系统，首先研究了系统可完全反馈线性化的特点，将非线性系统转变为线性系统。然后将基本定理进行扩展，提出了基于数据驱动模型预测控制方法的跟踪控制器，解决了有噪声干扰情况下的输出跟踪问题。针对更具有一般性的离散时间非线性系统，提出了一种基于Koopman算子的的非线性数据驱动模型预测控制方法，预测器使用Koopman算子对非线性系统进行升维线性化，实现了非线性系统的数据驱动最优控制。学科贡献总结如下： (1)针对完全建模系统，提出了强化学习模型预测控制理论框架，依据模型保证安全控制，以数据强化学习提升控制性能。 (2)针对部分建模系统，提出了高斯回归过程补偿的模型预测控制方法，以模型提供优化决策，用数据补偿未建模动态。 (3)针对未建模系统，提出了基于行为理论的数据驱动预测控制方法，挖掘数据与模型关系，以数据驱动间接模型优化控制。 在北京市自然科学基金的支持下，本项目形成一套较为完整的可应用于无人驾驶车辆的数据-模型混合驱动预测控制理论体系。在国内外顶级或重要期刊共发表SCI论文11篇，会议论文3篇，出版英文专著1部。申请人在本项目支撑下，获得国家优青人才项目资助，并获得国防科学进步三等奖1项、中国自动化学会自然科学一等奖1项、北京市自然科学二等奖1项、搭建平台入选中关村国际技术交易大会百项创新项目。以上理论成果在北京现代汽车、京台高速天龙山隧道车流管控系统得到应用，取得了良好的应用效果。