随着计算机技术与半导体技术的发展,人们生活水平的提高,自动驾驶技术越来越受到行业的关注。智能车辆在行驶过程中,道路环境时刻在发生变化,如行驶在不同车道上的其他车辆、禁止通行的交通指示牌等,控制器需要采取有效的控制策略,控制智能车辆躲避障碍物并平稳行驶在车道中。设计智能车辆避障控制策略,不仅要考虑道路安全,满足道路行驶规范,还应考虑车辆本身的动力学及运动学特性,保证行车稳定性,如何在两者之间做出平衡,是本文研究的重点。针对该问题,本文提出基于模型预测控制的避障控制策略,并完成了以下工作:首先,分析障碍车的运动学特性,根据其运动学特性预测短时间内障碍车的运动状态,并基于此确定主车与障碍车的碰撞安全条件。建立包括基于二维高斯分布的障碍车动能场、基于跨道时间的车道保持势场以及目标趋向势场在内的行车风险场数学模型。其次,设计基于模型预测控制的避障控制器。建立主车的动力学与运动学模型,为防止主车与障碍车靠近发生碰撞危险,保证主车行驶在车道内区域,使主车能够驶向目标位置,以主车所受障碍车动能场最小、主车所受车道保持势场最小、目标趋向势场最小为优化目标1;为保证主车在没有干扰的情况下能够维持当前期望车速行驶,以跟踪速度误差最小为优化目标2,以主车为保证车辆在行驶过程中控制变化量不会太大,以主车前轮转角变化量和纵向加速度变化量最小为优化目标3。选取适当的目标权重因子确定最终的优化目标,并考虑主车转向系统饱和以及行车稳定性的因素,分别加入对车辆前轮转角和质心侧偏角的动力学约束。最后,针对避障控制器在危险工况下避障效果不好的问题,建立基于BP神经网络与MPC的避障控制器。考虑行车风险和车辆稳定这两个因素确定行车风险因子和车辆失稳因子,将两个因子作为参数输入BP神经网络进行训练,决策出行车风险权重,并将权重输入至基于MPC的避障控制器。本文借鉴人工势场法的思想建立行车风险场,并通过将行车风险场函数作为优化目标的形式,将行车风险场与模型预测控制算法相互结合,不仅通过行车风险场完成对动态车路环境的建模,还通过模型预测控制算法解决避障控制中的多目标优化问题。