本研究由Rongrong Wang（东南大学机械工程学院）、Chuan Hu（加拿大麦克马斯特大学机械工程系及东南大学机械工程学院）、Fengjun Yan（麦克马斯特大学机械工程系）和Mohammed Chadli（法国皮卡第大学Jules Verne）共同完成，发表于2016年7月的《IEEE Transactions on Intelligent Transportation Systems》第17卷第7期。

学术背景

研究聚焦于四轮独立驱动（Four-Wheel Independently Actuated, FWIA）自动驾驶地面车辆（Autonomous Ground Vehicles, AGV）的路径跟踪控制问题，属于智能交通系统与车辆动力学交叉领域。传统路径跟踪控制存在两大挑战：
1. 时变路径曲率：实际道路的曲率变化会导致稳态误差；
2. 轮胎力饱和：物理执行器的输出限制可能引发控制性能退化。
课题组提出改进的复合非线性反馈（Composite Nonlinear Feedback, CNF）控制策略，通过集成主动前轮转向（Active Front-Wheel Steering, AFS）和直接横摆力矩控制（Direct Yaw-Moment Control, DYC），旨在提升瞬态响应性能并消除稳态误差。

研究流程与方法

1. 车辆建模与路径跟踪误差动力学

• 路径跟踪模型：基于Serret-Frenet方程建立横向偏移（( e )）和航向误差（( \psi )）的动态模型（图1），目标是通过控制横向速度和横摆率使误差收敛。
  
• 车辆动力学模型：采用线性二自由度（2-DOF）模型（图2），包含横摆角速度（( \gamma )）和侧向速度（( v_y )）的状态方程，考虑轮胎线性区域力-滑移关系（式5-6）。
  

2. 改进CNF控制器设计

分四步构建控制器：
- 步骤1：线性反馈设计
引入参考横摆率导数项（式14），解决时变曲率导致的跟踪误差问题。矩阵( F )和( G )通过极点配置确保稳定性（式15-17）。
- 步骤2：非线性反馈补偿
通过Lyapunov方程（式18）设计非线性增益( \rho(r,z) )（式50），动态调节阻尼比以抑制超调。
- 步骤3：降维观测器
因侧向速度难以直接测量，设计基于横摆率反馈的观测器（式24），特征值配置保证快速估计（( k_0 = -7.98 )）。
- 步骤4：控制分配
将外部横摆力矩分配至四轮纵向力（式54），考虑轮胎载荷转移自适应调整分配权重。

3. 仿真验证

通过CarSim-Simulink联合仿真验证两种场景：
- J形弯道（低速低摩擦）：对比CNF与线性二次调节器（LQR），CNF将横向偏移超调降低60%，且无稳态误差（图3）。
- S形弯道（高速高摩擦）：CNF在时变曲率下仍保持跟踪精度，而LQR出现显著稳态误差（图9）。

主要结果与逻辑链条

1. 瞬态性能提升：非线性反馈使系统在接近目标时增加阻尼，J形弯道中侧向加速度超调减少40%（图6）。
   
2. 稳态误差消除：线性部分包含参考导数项，S形弯道中横向偏移误差趋近于零（图9）。
   
3. 执行器饱和处理：控制分配算法确保力矩始终低于4.0 kN·m的饱和限值（图5,11），而LQR在初始阶段超出限制。
   

结论与价值

• 科学价值：首次将改进CNF应用于AGV路径跟踪，解决了时变参考下的控制难题，为非线性控制理论提供了新案例。
  
• 应用价值：算法兼容低成本传感器（仅需横摆率测量），适合工程部署，仿真显示其可提升自动驾驶车辆在复杂路况下的安全性。
  

研究亮点

1. 方法创新：改进CNF通过引入参考导数项，扩展了传统CNF仅适用于恒定参考的局限（式14）。
   
2. 多目标控制：同步优化横向速度与横摆率跟踪，兼顾路径精度与稳定性（图4,10）。
   
3. 工程实用性：降维观测器设计降低硬件成本，控制分配算法避免数值优化计算负担（式54）。
   

其他有价值内容

• 局限性：未考虑参数不确定性和外部扰动，未来可结合鲁棒控制进一步研究。
  
• 扩展性：框架可适配其他执行器配置（如线控转向），为智能车辆控制提供通用方案。
  

（注：全文术语首次出现时标注英文，如“复合非线性反馈（Composite Nonlinear Feedback, CNF）”。）