无信号交叉口多智能网联车辆集成运动规划与鲁棒输出反馈轨迹跟踪控制研究

《IEEE Transactions on Vehicular Technology》：Motion Planning and Robust Output-Feedback Trajectory Tracking Control for Multiple Intelligent and Connected Vehicles in Unsignalized Intersections

本文针对无信号交叉口多智能车辆协同驾驶问题，提出了一种集成运动规划与轨迹跟踪控制的创新方法。研究团队设计了基于深度优先生成树的车辆通行序列决策算法，开发了集中式防碰撞速度剖面规划策略，并首次推导出考虑输入输出约束的线性矩阵不等式条件，实现了仅需部分车辆状态测量的静态输出反馈控制器设计。仿真结果表明，该方法可将最后一辆车到达时间减少25.63%，横向偏差和速度跟踪误差降低50%，显著提升了交叉口通行效率和安全性。

　　

在城市交通网络中，无信号交叉口犹如一个个潜在的交通瓶颈，各种方向的交通流在此交汇，形成了复杂多变的冲突点。传统依靠交通信号灯或停车标志的管控方式，在车流量大时容易造成车辆排队等待，降低通行效率。随着智能网联汽车(CAVs)技术的发展，通过车联网(V2X)通信实现车辆协同驾驶，为无信号交叉口的安全高效通行提供了全新解决方案。然而，这一愿景面临三大核心挑战：如何确定车辆通过交叉口的最优序列以避免碰撞；如何确保每辆车能够精确跟踪规划轨迹，防止因跟踪误差产生新的冲突点；如何在车辆状态测量受限、系统参数时变的实际条件下，设计稳定可靠的轨迹跟踪控制器。

针对这些挑战，发表在《IEEE Transactions on Vehicular Technology》上的研究提出了一套完整的集成解决方案。研究团队开发了分层控制架构，上层中央云端协调器负责全局规划，下层分布式控制器负责单个车辆的轨迹跟踪。

研究人员采用改进的深度优先生成树方法确定车辆通行序列，构建冲突有向图(CDG)来建模车辆间的冲突关系。针对仅确定通行序列不足以保证碰撞避免的问题，设计了集中式防碰撞速度剖面规划算法，该算法根据前车状态和潜在碰撞点，为每辆车生成最优速度剖面，确保车辆间始终保持安全距离。

在轨迹跟踪控制方面，研究团队考虑了实际工程约束：轮胎力等参数存在不确定性，横向速度等关键状态难以直接测量，控制输入和车辆状态必须约束在安全范围内。他们建立了考虑道路曲率的车辆动力学模型，将系统转化为包含积分项的七状态模型，以同时优化横向和纵向跟踪性能。通过多项式逼近处理时变参数，推导出基于线性矩阵不等式(LMI)的静态输出反馈控制器设计条件，在保证系统稳定性和H_∞鲁棒性能的同时，严格约束了控制输入和输出变量。

关键技术方法包括：基于冲突有向图的深度优先生成树算法用于车辆通行序列规划；集中式速度剖面优化算法确保防碰撞；建立考虑参数不确定性的车辆动力学多项式模型；推导静态输出反馈控制的LMI设计条件；采用Simulink与Unreal Engine联合仿真验证。

冲突分析与通行序列规划

研究首先对交叉口内12种可能机动行为进行冲突分析，识别出16种交叉冲突组合。通过构建冲突有向图，将车辆冲突关系分为单向冲突和双向冲突两种类型。改进的深度优先生成树算法能够高效确定车辆通行序列，平均计算时间仅需3毫秒，满足实时性要求。

速度剖面生成算法

研究人员设计了考虑车辆动力学约束的速度剖面生成算法。该算法按照车辆通行优先级，依次为每辆车生成速度剖面，通过预测与调整新车的速度剖面，确保与存在冲突的车辆之间始终保持最小安全距离。算法还考虑了不同机动行为的速度限制，如右转弯最大速度设为5m/s，直行和左转弯为10m/s。

轨迹跟踪控制器设计

通过理论推导，研究团队获得了保证系统渐近稳定的LMI条件。控制器仅需测量横摆角速度、横向误差、横摆误差、速度误差等六个状态，无需难以测量的横向速度。仿真结果显示，最大横向跟踪误差为0.21米，最大速度跟踪误差为0.20米/s，均严格满足安全约束条件。

仿真验证与性能比较

在Simulink和Unreal Engine联合仿真环境中，研究人员对12辆执行不同机动行为的车辆进行了测试。与传统的PID控制和LQR控制相比，提出的方法在横向偏差控制方面分别提高了61.8%和36.4%，在速度跟踪方面分别提高了57.4%和44.4%。交叉口清空时间从21.54秒减少到14.50秒，降幅达32.68%，单车平均延误时间从3.11秒降低到1.24秒。

该研究的重要意义在于首次将运动规划与轨迹跟踪控制有机结合，解决了无信号交叉口协同驾驶中的关键难题。提出的静态输出反馈控制方法克服了车辆状态测量受限的工程实际约束，LMI框架下的控制器设计保证了系统的稳定性和鲁棒性。相比现有方法，该方案在通行效率和安全性能方面均有显著提升，为智能网联汽车在城市道路环境中的大规模应用提供了技术支撑。未来研究方向包括考虑能耗优化的速度剖面设计、自适应安全距离调整策略以及通信延迟补偿机制等。