《Biosystems Engineering》：Nonlinear model predictive control for autonomous driving in terrain
编辑推荐：
本文针对林区崎岖地形下自动驾驶车辆的安全高效运行需求，提出了一种结合混合车辆模型与非线性模型预测控制（NMPC）的创新方法。研究通过整合三维地形图信息，实现了对复杂地形的精确路径跟踪，并引入基于预测侧倾角的侧翻规避策略。结果表明，该方法在多种真实测试路径上均能实现稳定控制（平均跟踪误差0.07-0.11米），有效提升了车辆在非结构化环境中的自主性与安全性，为林业机械的自动化升级提供了关键技术支撑。
在林业生产等野外作业场景中，重型机械如采伐机和集材机需要在变化多端、凹凸不平的非结构化地形上长时间工作。目前，这些作业通常依赖人工操作，不仅效率存在瓶颈，驾驶员在恶劣环境下也面临安全风险。实现林业机械的自动化，尤其是能够自主在复杂林间道路安全行驶，是提升作业安全和效率的关键。然而，林区地形起伏大，传统基于平坦地面假设的控制方法难以应对，车辆存在侧翻风险，这对自动驾驶技术的感知、规划和控制系统提出了极高要求。
为了攻克这一难题，研究人员在《Biosystems Engineering》上发表了研究成果，他们开发了一套用于崎岖地形自动驾驶的先进控制架构。该研究的核心是设计一个既能准确描述车辆动力学特性，又满足实时计算要求的控制器，以实现精确的路径跟踪并主动预防侧翻。
为开展研究，作者团队采用了多项关键技术。首先，他们构建了一个用于控制器设计的混合车辆模型，该模型结合了运动学和高散动力学，简化了复杂的6自由度模型。其次，研究采用了非线性模型预测控制作为核心算法，利用该算法预测系统未来状态并优化控制指令。关键技术方法还包括利用实时运动学全球导航卫星系统（RTK-GNSS）和惯性测量单元进行状态估计的连续离散扩展卡尔曼滤波，以及基于B样条插值的三维地形图构建技术，用于为预测模型提供地面高程信息。实验验证在真实林区道路、混凝土测试场和校园道路等多个具有不同地形特征的路径上进行。
研究结果
路径跟踪性能：研究在三种真实路径上测试了所提出的NMPC控制器。在Vakola混凝土路径上，平均跟踪误差为0.07米；在森林路径上，平均跟踪误差为0.11米；在Otaniemi路径上，平均跟踪误差为0.10米。结果表明，该控制方法在不同崎岖度的地形上均能实现稳定且精确的路径跟踪。
侧翻规避能力：通过仿真分析，研究人员验证了NMPC模块的侧翻规避策略。该方法通过预测车辆未来的侧倾角，当预测值超过阈值时，线性降低车速参考值，直至车辆停止。结果显示，该策略能有效将车辆的侧倾角限制在安全范围内，避免了在陡峭侧坡上发生侧翻，而未启用该策略时，侧倾角会达到危险水平。
模型预测准确性：通过对比NMPC模块的预测结果与高保真6自由度模型的实际响应，研究发现混合模型对于车辆俯仰角和侧倾角的预测具有足够的准确性，尽管在高度预测上存在一定的超调。这证明了所采用的简化模型用于预测控制的可行性。
研究结论与意义
该研究成功开发并验证了一套适用于林区崎岖地形的自动驾驶控制方案。其重要意义在于：首先，提出的混合模型与NMPC结合的方法，在保证控制精度的同时，显著降低了计算复杂度，满足了实时性要求，为在资源受限的车载计算平台上实现高级控制算法提供了可能。其次，创新性地将三维地形信息集成到预测控制框架中，并实现了基于预测的主动侧翻规避，极大地提升了车辆在极端地形下的作业安全性。最后，研究在真实林业机械平台上的成功测试，证明了该技术方案的实用性和有效性，为未来林业生产实现“采伐-集材”协同无人化作业奠定了坚实的基础，对推动林业自动化与智能化发展具有重要的参考价值。
