基于人工势场与模型预测控制的自动驾驶铰接车辆轨迹规划与跟踪一体化研究

为解决自动驾驶铰接车辆（TTV）在非完整约束下的轨迹规划与跟踪难题，研究人员提出了一种融合人工势场（APF）与模型预测控制（MPC）的一体化方法。通过构建环境势场模型并嵌入MPC目标函数，实现了复杂场景下的动态避障与轨迹优化。仿真结果表明，该方法在超车、紧急制动等多场景中显著提升了TTV的机动性与安全性，为重型车辆自动驾驶提供了创新解决方案。

　　

在物流运输领域，铰接式货车（Tractor-Trailer Vehicles, TTV）因其高载货效率成为主力车型，但其复杂的运动学特性——包括非完整约束（车辆运动方向受限于轮轴朝向）和“折刀效应”（铰接角过大导致的失控风险）——使得自动驾驶技术面临巨大挑战。传统轨迹规划方法如A*算法或快速随机树（RRT）难以兼顾动态障碍物规避与运动学可行性，而模型预测控制（MPC）虽能优化控制输入，却缺乏对环境交互的直观建模。更棘手的是，TTV的轨迹规划和跟踪通常被拆分为独立模块，导致系统响应延迟和轨迹抖动。如何实现安全、平滑且实时的一体化运动规划，成为学术界与工业界亟待突破的难题。

针对这一挑战，河内科学技术大学的研究团队在《Results in Engineering》发表了一项创新研究。他们巧妙地将人工势场（APF）的物理直觉性与MPC的约束优化能力相结合，开发出面向TTV的APF-MPC融合框架。该研究通过五圆几何模型精确描述车辆轮廓，利用APF生成车道吸引力与障碍物排斥力，并将其作为MPC目标函数的组成部分。通过30步预测时域的滚动优化，同步求解最优转向角δ_f和加速度a，同时严格约束铰接角θ_hitch、控制增量等关键参数。

关键技术方面，研究团队采用四阶龙格-库塔法离散化TTV运动学模型，确保预测精度；设计三层障碍物作用区域（包括紧急制动区Area 2和侧向避碰区Area 1），通过高斯势场函数动态调节排斥力强度；利用IPOPT求解器处理非线性优化问题，在AMD Ryzen 5平台实现单步70ms的实时性能。

研究结果
1. 模型验证
通过五圆参考点（如铰接点X_hp和挂车后轴中心X_s）的运动学建模，证实该框架能准确预测TTV的铰接动力学。在ΔT=0.05s的步长下，RK4离散化误差低于0.