《Green Energy and Intelligent Transportation》：Barrier Costs-Embedded MPPI Control for Rollover-Safe Cooperative Payload Transport with All-Wheel-Steering Distributed Electric-Drive Carriers
编辑推荐：
研究人员提出了一种面向配备全轮转向（all-wheel-steering, AWS）分布式电驱动载体的多车协同运输系统（cooperative transport system, CTS）的新型防侧翻控制框架。该框架基于改进的迭代模型预测路径积分（iterat
研究人员提出了一种面向配备全轮转向（all-wheel-steering, AWS）分布式电驱动载体的多车协同运输系统（cooperative transport system, CTS）的新型防侧翻控制框架。该框架基于改进的迭代模型预测路径积分（iterative model predictive path integral, i-MPPI）方法，相比传统模型预测控制（model predictive control, MPC），在处理CTS的高度非线性、高维耦合动力学方面具有显著优势。为实现有效防侧翻，研究人员在基于采样的轨迹评估过程中嵌入了受控屏障函数（control barrier function, CBF）启发的势垒代价，并对i-MPPI输出的控制指令施加一步安全修正。大量仿真结果表明，该框架在典型危险工况下成功避免了侧翻，并在性能上优于多种基线方法：在两个测试场景中，最大横向载荷转移率（load transfer ratio, LTR）相比采用传统ReLU代价分别降低13.33%和18.57%，同时计算速度比传统MPC快7至10倍。此外，AWS分布式驱动架构可灵活调节载荷与载体的位姿，使得防侧翻的实现不显著牺牲轨迹跟踪精度，两个场景中载体的路径跟踪误差分别降低了50%以上和80%以上。
研究背景方面，能源、化工及建筑行业中，不可拆解的超大型载荷常由多辆载运车辆协同运输，这种多载体协同运输系统（CTS）在人工驾驶时因需精确协调各载体运动而极具挑战性。电动化和智能车辆技术有望变革重载运输模式，但自动驾驶CTS的安全保障仍面临重大难题，其中侧翻事故在重载车辆中尤为常见。现有研究多集中于乘用车、卡车或半挂车的防侧翻控制，针对多轴AWS重载CTS的研究十分有限，且传统模型预测控制（MPC）在处理CTS的高度非线性、高维耦合动力学时存在计算负担重、可行性难以保证的问题。模型预测路径积分（MPPI）虽在处理非线性系统上有优势，但在处理硬约束和安全保障方面仍需改进。因此，研究人员针对配备AWS分布式电驱动的CTS，开发了结合迭代优化与双层势垒防护的防侧翻控制方法。
关键技术方法方面，研究人员建立了包含两辆三轴AWS分布式电驱动载体的CTS平面-侧倾耦合动力学模型，采用Udwadia-Kalaba（U-K）公式实现多体约束下的动力学集成，形成可直接用于预测控制的显式方程。设计了基于横向载荷转移率（LTR）的事件触发机制，引入无迹卡尔曼滤波（UKF）融合悬架位移传感器数据与模型预测值，实现侧翻风险的实时估计。控制框架采用迭代MPPI（i-MPPI）以提升采样优化质量，并通过CBF启发的势垒代价与一步二次规划修正构成双层安全防护。仿真平台采用TruckSim与Simulink联合仿真，验证方法在急转弯和小半径90°转弯场景下的有效性。
研究结果方面，在防侧翻性能部分，仿真显示所提方法在U型转弯与90°小半径转弯工况下均能将LTR控制在安全阈值内，避免侧翻，而纯MPPI跟踪控制器则发生侧翻。i-MPPI相比单次更新的MPPI在LTR峰值与波动控制上表现更佳。势垒代价有效性部分，与传统ReLU形式代价相比，CBF启发的势垒代价能够更早激活，避免代价突变导致的控制震荡，在相同权重下平均LTR降低2.28%至39.70%，在高权重下最大LTR平均降低13.33%至18.57%。AWS分布式驱动结构分析部分，AWS配置相比前轮转向驱动（FWSD）在防侧翻的同时，载体路径跟踪误差减少52.23%至82.45%，位置误差保持在1米以内，通过位姿调节而非大幅减速实现安全。与传统MPC比较部分，i-MPPI的计算时间仅为传统非线性MPC的约七分之一到十分之一，且求解稳定性更高，适合高维非线性系统的实时应用。
讨论与结论部分，研究人员指出该方法通过迭代优化与双层防护，有效解决了CTS侧翻预防中的安全性与控制平滑性问题，并利用AWS分布式驱动的冗余执行机构扩展了可行运动边界，实现了安全与效率的平衡。研究验证了在侧翻风险出现前进行平滑干预的可行性，并可扩展至其他安全关键约束。论文发表于《Green Energy and Intelligent Transportation》，展示了其在新能源智能重载运输领域的应用潜力。未来工作将聚焦于硬件在环（HIL）验证，进一步评估通信延迟与嵌入式计算限制下的实时部署可行性。
