张海亮　张娟萍　池荣虎

摘 要：自动控制系统是自动驾驶汽车的大脑与核心，控制理论和控制算法的研究决定了自动驾驶控制系统的发展与应用。本文以智能自动驾驶车辆为研究对象，简要介绍了经典PID控制方法和自抗扰控制方法等常用控制算法;针对智能汽车系统，分别利用PID和ADRC的控制方法设计控制器，并进行分析;最后，在MATLAB环境对路径跟踪进行了仿真，验证了所提出的两种算法的有效性。

关键词：智能汽车自动驾驶 PID控制 自抗扰控制（ADRC） 路径跟踪

Research on PID Control Method of Automobile Intelligent Autopilot

Zhang Hailiang，Zhang Juanping，Chi Ronghu

Abstract：The automatic control system is the brain and core of the self-driving car. The research of control theory and control algorithm determines the development and application of the automatic driving control system. This article takes the intelligent autonomous vehicle as the research object， briefly introduces the classic PID control method and the auto disturbance rejection control method and other common control algorithms; for the intelligent car system， the paper uses the PID and ADRC control methods to design and analyze the controller; finally the path tracking is simulated in the MATLAB environment to verify the effectiveness of the two proposed algorithms.

Key words：smart car autonomous driving， PID control， active disturbance rejection control （ADRC）， path following

伴隨基础设施的智能化升级、新能源快速发展、人工智能技术进步、互联网技术和共享经济的普及，自动驾驶技术迎来了新的发展机遇。与传统汽车相比，自动驾驶汽车在保障交通安全、缓解交通堵塞、降低燃油消耗、便捷公众出行、改善出行体验等方面有着非常明显的优势。国际汽车制造商如Ford、Audi、Tesla等，以及Google、Baidu等互联网企业，都在积极推进自动驾驶技术研发与应用。控制理论和控制算法的研究决定了自动驾驶控制系统的发展与应用。

1 控制算法

自动驾驶汽车的控制算法决定了控制系统是否可以完成控制任务。从自动驾驶概念提出发展到现在，应用于自动汽车驾驶的控制方法不断发展，许多算法被广泛应用，例如：无模型自适应控制，人工神经网络控制，模型预测控制，模糊自适应控制。

1.1 无模型自适应控制

无模型自适应控制是一种不需要完成繁琐和耗时的建模工作的自适应控制方法，由总部位于美国加州的Bosoft研发。迭代学习控制（ILC）是一种针对重复运行的系统而设计的控制技术，主要应用于非线性系统的路径跟踪过程中。由于迭代学习控制方法基本采用固定学习增益法，池荣虎[1]等学者提出了通过在迭代域中使用动态线性化技术的无模型自适应迭代学习控制法（MFAILC）。

1.2 模型预测控制

模型预测控制是一种专注于研究过程控制的方法，广泛应用在机器人、飞行器、网络系统领域中。模型预测控制是依靠于过程的动态模型，通常情况下利用系统识别来获得线性经验模型，具备其他控制方法没有的预测将来事件的能力，因而它可以提前针对即将发生的事件采取相应的调控行为。R Lenain， B Thuilot等采用了模型预测控制策略[2]，解决了驱动延迟和车辆惯性对汽车自动驾驶路径跟踪的影响，通过实例验证了控制策略的有效性。

1.3 人工神经网络控制

人工神经网络控制是一种由大量人工神经元联结计算，能在外界信息的基础上改变内部结构的自适应系统。神经网络通过训练样本学习，对各个层的权重进行校正，通过创建模型的自动学习过程达到控制目的。在S Baluja[3]提出了一种基于ANN的自动驾驶汽车控制器设计方法，探讨了利用进化算法训练人工神经网络高阶计算的方法。

1.4 模糊自适应控制

模糊自适应控制融合了模糊控制和自适应控制两种控制方法，是一种具备自适应能力的新型控制方法。模糊逻辑可以通过操作人员可以理解的方式来解决问题，可以利用经验实现控制器的设计，大量应用于机器控制。

2 控制系统的设计及分析

随着人工智能和自动控制控制技术等控制领域相关技术和理论的发展，许多新型有效的智能控制算法被设计出来了，它们不断的推进着自动驾驶汽车的全自动化控制能力，使得自动驾驶汽车由遥控控制到半自动控制再到全自动控制的不断发展。

2.1 PID控制

如图1所示，PID控制器由Proportional，Integral，Differential三部分组成，通过三个参数的设定来实现控制任务。PID控制器使用连续计算错误值的作为期望的设定点（SP）和测量的过程变量（PV）之间的差值，并且基于给出控制器名称的比例，积分和微分项（分别表示为P，I和D）应用校正。因此，PID控制的三部分可以看作是对当前误差、过去累计误差和未来误差的处理。

2.2 ADRC控制器

自抗扰控制技术[4]是韩京清于上世纪80年代提出的一种新型控制方法。ADRC控制器基于系统模型的扩展，并附加一个虚拟的状态变量。虚拟状态通过状态观察器在线估计并用于控制信号以便将系统与作用于工厂的实际扰动分离。这种干扰抑制功能允许用户使用更简单的模型处理所考虑的系统，因为建模不确定性的负面影响将得到实时补偿。ADRC控制器由安排过度过程、扩张状态观测器和状态反馈控制律三部分组成，如图2所示。

自抗扰控制器的核心在于它的状态扩张观测器，相比较于PID控制器，ADRC控制器能够更好的完成控制任务。但在实际的设计中，ADRC控制器的参数数量繁多且比较复杂难以调节。纪恩庆，肖维荣[5]通过线性简化和参数整合建立了简化的线性自抗扰控制器，为本文的ADRC控制器设计启发了建设性的思想。

3 控制系统的仿真

虽然在真实环境下自动驾驶汽车实际的行驶过程中路径复杂且具有不确定性，直线行走和变换车道进行正弦函数曲线下的路径跟踪是自动驾驶汽车驾驶过程中的两个基本行为。如果在以上两种情况下，路径跟踪控制能够取得良好的控制效果，那么在复杂环境下曲线路径跟踪控制也是有效的。为了验证控制方法的有效性，在MATLAB平台下对两种自动驾驶汽车控制模型进行仿真研究。

3.1 PID控制器的路径跟踪仿真

自动驾驶汽车在期望路径为椭圆和直线时设初始期望条件分别为xt（0）=2，yt（0）=0，θt（0）=0和xt（0）=0，yt（0）=0，θt （0）=actan2，控制输入为u0 （t）=0，即vc=0，ωc=0。仿真过程中的采样时间ts取0.001s。根據以上条件在MATLAB仿真程序中得到如图3的仿真结果：

3.2 ADRC控制器的路径跟踪仿真

自动驾驶汽车在期望路径为椭圆和直线时设初始期望条件分别为xt（0）=0，yt（0）=0，θt（0）=0和xt（0）=0，yt（0）=0，θt（0）=actan2控制输入为u0 （t）=0，即vc=0，ωc=0。仿真过程中的采样时间ts取0.001s. 由此我们可以得到以下仿真结果，如图4所示。

3.3 仿真结论

ADRC控制器与PID控制器没有本质或者机构上的区别，它是PID控制技术的继承与延伸，或者说ADRC控制器本身就是PID控制器与状态观测器前馈补偿结合的结果。从仿真结果可以看出：ADRC控制器完全能够应对对控制精度相对较高的被控对象模型，提出通过观测缓慢变化的未知项来对其提供前馈补偿的新型提高控制器性能的思路，为控制器的发展起到了积极借鉴作用。

4 结语

目前，国内外相关研究机构和汽车生产商都在围绕自动驾驶、车联网、人机交互技术开展广泛的研发。随着科学技术的发展与市场需求的拓展，自动驾驶的发展趋势已成必然。复杂性和极度不确定性是自动驾驶汽车驾驶过程最明显的特性，过程控制理论与算法的研究对自动驾驶的发展具有极其重要的影响。在未来，人车交互（V2H）、车与车交互（V2V）和车与基础设施交互（V2I）技术的发展将提供更全面、更实时、更精准的信息，基于大数据、人工智能算法和深度学习的控制过程模型将迎来新的发展。

参考文献：

[1]池荣虎，侯忠生，于镭，隋树林.高阶无模型自适应迭代学习控制.控制与决策，2017，23（7）：795-798.

[2]R Lenain，B Thuilot，C Cariou.Model predictive control for vehicle guidance in presence of sliding：application to farm vehicles path tracking[J].IEEE International Conference on Robotics & Automation， 2005：885-890.

[3]S Baluja.Evolution of an artificial neural network based autonomous land vehicle controller IEEE Transactions on Systems[J]. IEEE International Conference on Robotics & Automation，1996，26（3）：450-463.

[4]李杰，齐晓慧，万慧，夏元清.自抗扰控制：研究成果总结与展望.控制理论与应用，2017，34（3）：281-295.

[5]纪恩庆，肖维荣.二阶自抗扰控制器的参数简化.自动化仪表，2007，28（5）：27.