4.3 基于图像识别车道线的车道保持仿真 在得到前文图像识别的车道线之后，本节根据所设计的模型预测控制算法对 其进行车道轨迹跟踪，下图 4.4 为 Carsim 与 Simulink 联合仿真模型图。 y_do t x_do t CarSi m S-Funct ion Vehicle Code: i_i Sco pe y T o W or kspa ce Sco pe1 z 1 Un it De lay M PCCo ntr olle r S-F un ctio n 0 Co nst an t 18 0*u/pi Fcn Sco pe2 u T o W or kspa ce1 Sco pe3 XY G ra ph Sco pe5 Sco pe4 Sco pe6 In2 x_dot phi_dot phi v Sub sys tem yaw ra te u v X Y Ear th-fixe d Sco pe7 XY G ra ph1 Y To W or kspa ce2 X To W or kspa ce3 Y1 To W or kspa ce4 X1 T o W or kspa ce5 Y X phi_dot phi Carsim 模型 MPC控制器 图 4.4 基于图像识别路径的轨迹跟踪模型 Figure 4.4 Trajectory tracking model based on detected lanes 本模型以上文运用计算机图像识别得到的路径曲线方程作为预测模型控制器 的参考轨迹输入，非线性模型预测算法作为控制器。在预测时域内对参考轨迹进 万方数据

3.4 小角度假设下的车辆动力学模型 通过结合车辆空间状态方程和轮胎模型，可以建立非线性状态空间表达式， 但对于模型预测控制器的设计来说过于复杂，因此需要对其进行简化。由轮胎模 型纵向力-滑移率，侧向力-侧偏角和纵向力组合工况，侧向力组合工况曲线可知， 在侧偏角和纵向滑移率较小的时候，轮胎力可以采用线性函数近似描述。在侧向 加速度小于 0.4g 的情况下对常规轮胎具有较高的拟合精度，在这个范围内，可以 用式 3.1 和式 3.2 表示轮胎纵向力和侧向力。 在之前所建立的非线性模型中，存在较多的三角函数，增大了模型简化的难 度。因此在轮胎力的计算中，在小角度假设条件下，满足近似条件： cos 1,sin , tan       （3.23） 式中 可以表示为前轮转角，前、后轮轮胎侧偏角等。 通过简化，轮胎侧偏角的计算式可以表示为： f f y a x       （3.24） r y b x     （3.25） 根据轮胎侧偏角计算公式和线性轮胎模型，前、后轮侧向力计算公式为： ( ) cf cf f cr cr y a F C x b y F C x         （3.26） 前、后轮胎纵向力表达式为： , lf lf f lr lr r F C s F C S  （3.27） 将以上化简结果代入状态空间方程后，得到基于前轮小偏角和线性轮胎模型 假设的车辆动力学非线性模型： cr r cr 2[C ( ) C ] 2[C C ( ) C s ] 2[ ( ) C ] sin cos cos sin cf f lf f cf f lr z cf f y a b y my mx x x y a mx my s x y a b y I aC b x x Y x y X x y                                      （3.28） 在本文控制系统的预测模型中，状态量为  , , , , , T = y x Y X   ，控制量为 f   。 本论文以已有研究成果为基础，将 MPC（Model Predictive Control）算法应用 万方数据