论文解读——MME-EKF-based path-tracking control of autonomous……

《MME-EKF-based path-tracking control of autonomous vehicles considering input saturation》是期刊《IEEE Transactions on Vehicular Technology》在2019年第68卷第6期上刊载的一篇论文。《IEEE Transactions on Vehicular Technology》的中科院大类分区（工程技术）是2区，小类分区（运输科技）2区，2019年影响因子为5.379。

该论文的作者是C Hu、Z Wang、H Taghavifar等人。作者单位包括美国University of Texas at Austin、中国Automotive Technology and Research Center Co., Ltd.、加拿大Concordia University等。

这篇论文从集成（整体）滑模控制（Integral sliding mode control, ISMC）的角度，研究了自主地面车辆的路径跟踪问题。其研究思路主要是将路径跟踪问题转换为偏航稳定问题，采用侧偏角补偿来减少稳态误差，从而生成参考偏航率以实现路径跟踪。论文的主要创新包括三点，其一采用基于最小模型误差算法的鲁棒扩展卡尔曼滤波器提高了横向、侧倾动力学引起的参数不确定性影响下的车辆状态估计的精度，其二开发了一种径向基函数神经网络以补偿垂直运动引起的不确定性，其三考虑前轮转向角的输入饱和，开发了基于径向基函数神经网络和基于复合非线性反馈的ISMC。论文采用Lyapunov函数证明了整体稳定性，最后通过Carsim-MATLAB仿真进行了比较验证。

由于笔者对滑模控制的了解较少，因此难以解读这篇论文的公式推导部分，这里主要想谈一下笔者受这篇论文启发想到的问题。首先，采用卡尔曼滤波等方法建立黑箱模型已经是目前解决参数不确定性问题的一个主要潮流，不过对于车辆而言，其动力学机理模型已经相对成熟，所以我们是否还可以考虑结合机理建模和状态估计，建立更加精确的模型，从而建立有模型的路径跟踪控制器？其次，我们是否还可以用其他状态估算方法，得到更好的控制效果？最后，对于前轮转向角的输入饱和，实际上根据《无人驾驶车辆模型预测控制》的实测结果，还应该存在前轮转向角角速度的输入饱和，那么如果同时考虑这两种约束，我们应该如何设计滑模控制器？

总而言之，这篇论文是参数不确定性影响下的车辆路径跟踪控制的标杆性论文之一，对于这个方向的研究者具有十分重要的参考意义。