À mesure que la technologie des transports intelligents progresse, l’accent est de plus en plus mis sur la sécurité de conduite des véhicules intelligents. Pour résoudre les problèmes de précision réduite du suivi de trajectoire et de robustesse réduite du contrôle de la stabilité des véhicules pour les véhicules intelligents, la technologie de contrôle coordonné longitudinal et latéral est progressivement devenue un point chaud de la recherche. Cette technologie améliore la précision de suivi et la stabilité des véhicules dans des environnements complexes en coordonnant les systèmes de contrôle longitudinal et latéral. Dans des conditions complexes comme un VS élevé et un RAC faible, les méthodes de contrôle traditionnelles incluent le contrôle proportionnel intégral dérivé [1,2]régulateurs quadratiques linéaires [3,4]SMC [5,6]et modèle de contrôle prédictif [7,8]Les méthodes de contrôle traditionnelles fonctionnent bien dans certains scénarios, mais elles présentent souvent des limites en termes d’adaptabilité et de robustesse lorsqu’elles sont confrontées à des conditions environnementales variables. Par exemple, bien que le contrôle PID soit simple à mettre en œuvre, il a tendance à entraîner des dépassements et des erreurs en régime permanent lorsqu’il s’agit de scénarios non linéaires et hautement dynamiques. Bien que le LQR et le MPC améliorent la précision du suivi de trajectoire, leur complexité de calcul devient une contrainte dans les scénarios avec des exigences de performances en temps réel élevées. Ces méthodes sont souvent confrontées à des défis en termes de robustesse et d’adaptabilité aux conditions routières dynamiques. Cependant, les technologies avancées de contrôle coordonné combinant des modèles de dynamique de véhicule avec des algorithmes de contrôle avancés sont apparues comme des solutions prometteuses. Des techniques telles que le contrôle logique flou [9,10]contrôle adaptatif [11,12]et un contrôle robuste [13,14] Des approches ont été développées pour remédier aux limites des méthodes traditionnelles. Cependant, ces approches présentent encore certaines limites. Par exemple, la conception d’ensembles de règles dans le contrôle flou repose largement sur l’expérience des experts, et bien que le contrôle adaptatif améliore la réactivité du système, il peut encore souffrir d’une précision de contrôle réduite lorsqu’il s’agit de faire face à des perturbations externes.

Ces dernières années, l’apprentissage automatique et les réseaux neuronaux ont été intégrés aux stratégies de contrôle pour améliorer encore l’adaptabilité et la robustesse des systèmes de contrôle des véhicules. Par exemple, Yang a conçu une méthode MPC et PID floue pour obtenir une optimisation coordonnée du contrôle longitudinal et latéral, mais la combinaison des algorithmes a augmenté la complexité du système [15]. Cette étude améliore la précision et la stabilité du contrôle tout en réduisant la complexité du système. Li a conçu un contrôleur de conduite sous LQR, mais il était difficile d’équilibrer les poids de contrôle entre le système de conduite autonome et les intentions du conducteur dans des scénarios de conduite pratiques [16]Ces approches basées sur les données sont de plus en plus utilisées pour optimiser les performances de contrôle, en particulier dans les scénarios impliquant des conditions de vitesse élevée et de faible adhérence. D’autres chercheurs ont exploré des stratégies de contrôle hybrides, combinant des algorithmes de contrôle traditionnels avec des techniques avancées. Chu a proposé une méthode utilisant des pondérations de priorité, combinant la méthode de suivi de chemin LQR avec un contrôleur flou, mais l’ajustement dynamique des pondérations de priorité doit encore être pris en compte dans les applications pratiques [17]. Cependant, l’algorithme DSQP proposé dans cette étude optimise davantage la distribution de la force des pneus, permettant une meilleure stabilité du véhicule dans des environnements complexes. Lhoussain a conçu un contrôleur à mode glissant qui prend en compte les facteurs de perturbation et d’incertitude, mais le contrôleur s’appuie fortement sur les paramètres du modèle et les limites supérieures des perturbations [18]Ces approches hybrides visent à trouver un équilibre entre la précision du contrôle et la complexité du système. Yang a conçu une stratégie MPC pour le contrôle longitudinal, permettant un contrôle précis du comportement dynamique du véhicule grâce à une optimisation multi-objectifs. Cependant, la vitesse de convergence des algorithmes d’optimisation multi-objectifs peut devenir une limitation lorsqu’il s’agit de traiter des environnements routiers complexes et en évolution dynamique [19]. De plus, les stratégies intégrant des méthodes de contrôle prédictif se sont révélées prometteuses dans la gestion d’environnements en évolution dynamique. Zhou a conçu un autoencodeur à mémoire bidirectionnel pour identifier les modèles de conduite, combiné à un contrôleur flou, mais l’expérience pratique nécessite un support de données substantiel [20]. Cette étude réduit la dépendance aux paramètres du modèle en incorporant des réseaux neuronaux RBF, tout en améliorant la robustesse contre les perturbations. Zhang a proposé une stratégie de contrôle utilisant des polynômes quintiques comme chemins de référence, combinés à un contrôle prédictif du modèle d’optimisation multi-objectif, mais la complexité de la planification des chemins et les changements environnementaux dynamiques dans les conditions routières réelles peuvent conduire à des écarts entre les chemins prévus et les chemins réels [21]. Lai a conçu des stratégies LLCC pour les conditions de route courbes, proposant une stratégie de contrôle complète combinant le freinage d’urgence automatique et les systèmes d’assistance au maintien de la voie, mais dans des environnements routiers complexes, la réponse du système de contrôle peut être retardée [22]. Qin a proposé un schéma de contrôle coordonné multi-véhicules, optimisant la coordination entre véhicules à l’aide d’un algorithme de contrôle prédictif de modèle non linéaire hiérarchique, mais il nécessite le traitement d’une grande quantité de données de contrôle de coordination, ce qui entraîne une grande complexité de calcul. [23].

Ces études fournissent diverses stratégies qui permettent de traiter efficacement les problèmes de déviation de trajectoire et de dérapage rencontrés dans le suivi de trajectoire des véhicules intelligents et le contrôle de la stabilité des véhicules lors des virages serrés. [24]. Cependant, pour améliorer encore les performances de contrôle des véhicules intelligents dans des conditions de VS élevées et de RAS faibles, y compris dans des conditions humides, glissantes ou glacées, une technologie de contrôle coordonné longitudinal et latéral [25] est devenu le défi actuel. Wang a étudié un algorithme de contrôle de suivi de trajectoire pour les véhicules électriques sous SMC terminal, réseaux neuronaux RBF et algorithmes de logique floue, améliorant la précision du contrôle latéral tout en réduisant le bavardage du système de contrôle [26]. Wang a conçu une méthode de contrôle non linéaire multi-entrées-sorties en trois étapes pour le LLCC, prouvant rigoureusement la stabilité du système en boucle fermée sous la fonction de Lyapunov. Cependant, cette méthode ne trouve généralement que des solutions optimales locales pour les problèmes d’optimisation non convexes, ce qui peut conduire à des problèmes de bavardage [27]. Feng a proposé une méthode ASMC sans modèle en combinant le contrôle adaptatif sans modèle avec le SMC, ce qui améliore l’efficacité du contrôle et les performances de rejet des perturbations. [28]. Guo a conçu un système de contrôle latéral à rétroaction d’état, gérant efficacement les incertitudes et les perturbations externes pour générer l’angle de braquage de la roue avant et le moment de lacet externe souhaités, améliorant ainsi la robustesse du système de contrôle pour modéliser les incertitudes et les perturbations externes, améliorant la stabilité du véhicule et la précision du contrôle [29].

(1)

Dans le cadre du modèle de dynamique de véhicule à 3 degrés de liberté, un observateur de filtre de Kalman adaptatif flou non parfumé est conçu pour estimer le VS, le YR, le SA et le RAC.

(2)

Pour résoudre les problèmes d’instabilité et de perturbations externes dans le contrôle de suivi des véhicules, un ASMC sous réseaux neuronaux RBF est conçu pour calculer la force longitudinale totale, la force latérale totale et le moment de lacet total requis par le véhicule.

(3)

La force motrice optimale du pneu est obtenue à l’aide d’un algorithme DSQP, améliorant considérablement les performances de suivi de trajectoire.

(4)

L’algorithme d’estimation d’état et l’algorithme de suivi de trajectoire sont validés à l’aide de Carsim et Matlab/Simulink sous différents RAC et VS, améliorant ainsi la précision, la stabilité et la robustesse du suivi du véhicule.