学术研究报告：基于外源输入神经网络自回归辅助的多约束非线性预测控制在自动驾驶车辆中的应用

第一作者及机构
本文由Hamid Taghavifar（IEEE会员）完成，作者隶属于加拿大蒙特利尔康考迪亚大学（Concordia University）机械与工业工程系。研究发表于2019年7月的《IEEE Transactions on Vehicular Technology》第68卷第7期。

学术背景
本研究聚焦自动驾驶地面车辆（Autonomous Ground Vehicles, AGVs）的路径跟踪控制问题，属于智能交通系统与车辆动力学的交叉领域。背景动机包括：
1. 技术需求：自动驾驶需在高动态环境中实现精确路径跟踪，同时避免侧翻风险，但现有控制器在瞬态性能和多约束处理上存在不足。
2. 理论挑战：传统非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）依赖精确的系统模型，且计算负担大，难以适应实时控制需求。
3. 创新目标：提出结合外源输入神经网络自回归（Neural Network Autoregressive with Exogenous Input, NARX）的系统辨识方法，提升模型预测精度，并集成侧翻预防约束。

研究流程与方法
1. 路径跟踪问题转化：
- 基于Frenet-Serret微分几何框架，将路径跟踪问题转化为横摆稳定性控制问题，建立包含垂直运动模式的7自由度（7-DOF）车辆动力学模型，涵盖横摆、侧倾及悬架动力学。
- 创新点：首次在路径跟踪中引入垂直运动模式以模拟侧翻风险，通过横向载荷转移率（Lateral Transfer Ratio, LTR）量化侧翻倾向。

1. 控制器设计：

   • NMPC框架：设计多约束优化问题，目标函数包含路径跟踪误差（横向偏移、航向角）、控制输入饱和（前轮转向角限制）及LTR约束。
     
   • NARX辅助系统辨识：
     
     • 使用单隐藏层神经网络（10个神经元）预测车辆状态，通过反向传播与阻尼最小二乘法优化权重，训练误差均方根（MSE）达2.39×10⁻⁵。
       
     • 优势：相比传统NMPC，NARX提供更准确的未来状态预测，降低相位滞后。
       

2. 仿真验证：

   • 实验设计：通过CarSim-MATLAB联合仿真平台，在双移线（Double Lane Change, DLC）场景下测试，车速覆盖10–30 m/s，并引入参数扰动（±20%质量、转动惯量）和外部干扰（1500 N横向脉冲力）。
     
   • 对比基准：与传统NMPC及主动抗扰控制（Active Disturbance Rejection Control, ADRC）方法对比。
     

主要结果
1. 路径跟踪性能：
- 最大横向偏移从传统NMPC的0.1954 m降至0.0122 m，航向角误差减少56%。
- NARX预测状态的决定系数（R²）在训练、验证、测试阶段分别超过0.98、0.99、0.95。

1. 侧翻抑制效果：

   • LTR的均方根值降至0.2190，表明载荷分布更均衡，侧倾角波动范围缩小（图7）。
     

2. 鲁棒性验证：

   • 在参数扰动下，控制器仍保持稳定，横向加速度峰值降低56%（从0.8746 m/s²至0.5589 m/s²）。
     

结论与价值
1. 科学价值：
- 提出首个融合NARX与NMPC的框架，解决了非线性系统实时预测的精度问题。
- 通过微分几何路径描述和垂直动力学耦合，拓展了AGV控制的理论边界。

1. 应用价值：
   
   • 为高速自动驾驶（如紧急避障）提供低延迟、高鲁棒性的控制方案，且仅需前轮转向角单输入，降低执行器复杂度。
     

研究亮点
1. 方法论创新：NARX-NMPC联合框架显著减少计算负担，预测耗时仅98个训练周期。
2. 多物理场建模：首次在路径跟踪中整合侧倾动力学与LTR约束，填补了侧翻预防控制的空白。
3. 工程实用性：通过高保真仿真验证，可直接迁移至实际车辆平台。

其他价值
研究对比了ADRC和线性二次调节（LQR）方法（表II、III），证明所提方法在横向偏移和航向误差上的全面优势，为后续研究提供了可复现的基准。