基于复合学习的智能车辆有限时间非奇异终端滑模路径跟踪控制

《PLOS One》：Composite learning based finite time nonsingular terminal sliding mode path tracking control for intelligent vehicles

　　

本文研究了智能车辆在参数不确定性、未建模动态和外部干扰下的路径跟踪控制问题，提出了一种基于复合学习的有限时间非奇异终端滑模控制（composite learning-based finite-time nonsingular terminal sliding mode control, CL-FNTSMC）策略。与传统仅依赖跟踪误差进行参数更新、因而需要严格持续激励（persistent excitation, PE）条件的自适应滑模控制器不同，该方案引入串并联估计模型（serial-parallel estimation model, SPEM）构造预测误差，预测误差与跟踪误差共同驱动复合学习律，从而在显著较弱的区间激励（interval excitation）条件下实现对未知参数的精确在线估计。采用连续可微非线性函数构造的非奇异终端滑模面，在固有地避免奇异性的同时保证有限时间收敛。此外，集成非线性扰动观测器（nonlinear disturbance observer, NDOB）实时估计并补偿集总扰动，显著增强鲁棒性。基于Lyapunov的严格分析确立了闭环系统的实际有限时间稳定性。在强扰动和显著参数不确定性下的大量对比仿真表明，与传统NTSMC、自适应快速NTSMC和PID控制器相比，所提出的CL-FNTSMC实现了更优越的跟踪精度、更快的收敛速度和显著改进的扰动抑制能力。结果证实，该框架在快速瞬态响应、高稳态精度和强鲁棒性之间实现了良好平衡。

**研究背景与问题**
智能车辆被视作现代交通系统的变革性技术，有望提升交通安全、效率和环境可持续性。路径跟踪控制（path tracking control, PTC）作为自动驾驶的关键技术之一，直接决定车辆能否精确遵循参考轨迹并保持动态稳定。然而，车辆动力学具有强耦合、非线性特征，且受参数扰动、未建模动态和外部干扰等不确定性影响，使得高性能路径跟踪控制面临持久挑战。已有控制方法各有局限：模型预测控制（MPC）依赖精确模型且计算负担较大；PID与线性二次型调节器（LQR）对显著不确定性鲁棒性不足；滑模控制（SMC）虽对匹配不确定性具有固有鲁棒性，但存在抖振、奇异性和参数收敛需要持续激励（PE）条件等难题。传统跟踪误差驱动的自适应控制器，如自适应快速非奇异终端滑模控制（AFNTSMC），在真实驾驶中难以满足PE条件，导致参数估计无法保证收敛，进而降低模型保真度和跟踪精度。因此，设计一种能在更弱激励条件下实现参数收敛、同时具备有限时间收敛和强抗扰能力的路径跟踪控制策略，成为本研究的核心动机。

**研究内容与意义**
研究人员提出了一种基于复合学习的有限时间非奇异终端滑模控制（CL-FNTSMC）策略，主要贡献包括三个方面：建立显式考虑参数变化、未建模动态和外部干扰的统一路径跟踪误差模型，并通过非线性扰动观测器（NDOB）实现扰动实时估计与前馈补偿；设计复合学习律，同时利用跟踪误差和串并联估计模型（SPEM）产生的预测误差驱动参数更新，在区间激励条件下即可保证参数收敛，显著放宽了对PE条件的要求；构造由连续可微非线性函数构成的非奇异终端滑模面，在避免奇异性的同时实现有限时间收敛。Lyapunov稳定性分析证明闭环系统具有实际有限时间稳定性，跟踪误差、参数估计误差和扰动估计误差能够同时收敛。仿真结果表明，所提方法在跟踪精度、收敛速度和扰动抑制方面均优于PID、传统NTSMC和AFNTSMC。该研究为智能车辆在复杂不确定性环境下的高精度路径跟踪提供了一种兼具快速暂态响应、高稳态精度和强鲁棒性的解决方案，成果发表于《PLOS One》。

**主要技术方法**
研究人员采用如下关键技术方法：基于自行车运动学模型和单