Luận văn Nguyễn Như Toàn: Điều khiển xe tự lái bằng mặt trượt nơ ron thích nghi

Khám phá phương pháp điều khiển xe tự lái vào cua chính xác. Luận văn ứng dụng bộ điều khiển mặt trượt nơ ron thích nghi để tăng độ ổn định và an toàn.

• Tác giả: Nguyen Nhu Toan
• Người hướng dẫn: PTS. Nguyễn Tung Lâm
• Trường học: Hanoi University of Science and Technology
• Chuyên ngành: Control Engineering and Automation
• Đề tài: Adaptive tracking control for autonomous vehicles with system constraints
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Tóm tắt

I. Khám phá phương pháp điều khiển mặt trượt nơ ron cho xe tự lái

Trong bối cảnh Hệ thống Hỗ trợ Lái xe Nâng cao (ADAS) ngày càng phát triển, việc đảm bảo an toàn và ổn định cho xe tự lái, đặc biệt trong các tình huống phức tạp như vào cua ở tốc độ cao, là một ưu tiên hàng đầu. Một trong những phương pháp tiên tiến nhất hiện nay là điều khiển mặt trượt nơ ron (Neural Sliding Mode Control - NSMC). Đây là một kỹ thuật điều khiển phi tuyến kết hợp sự bền vững của thuật toán điều khiển trượt (SMC) với khả năng học và xấp xỉ hàm của mạng nơ ron nhân tạo. Mục tiêu chính của phương pháp này là nâng cao khả năng bám quỹ đạo (trajectory tracking) và duy trì ổn định động học phương tiện (VDS) một cách chính xác. Bằng cách sử dụng mạng nơ ron để bù trừ các yếu tố bất định và nhiễu ngoại cảnh, hệ thống có thể phản ứng linh hoạt và chính xác hơn. Luận văn thạc sĩ của tác giả Nguyễn Như Toàn (2023) đã đề xuất một bộ điều khiển tiên tiến, sử dụng mạng nơ ron hàm cơ sở xuyên tâm (RBFNN) để ước tính và bù trừ các nhiễu loạn tổng hợp, từ đó cải thiện đáng kể hiệu suất của hệ thống điều khiển bám cua. Phương pháp này không chỉ giải quyết các vấn đề của bộ điều khiển truyền thống mà còn đảm bảo các ràng buộc vật lý của hệ thống luôn được tuân thủ, mang lại sự an toàn và thoải mái tối đa cho hành khách.

1.1. Vai trò của ổn định động học phương tiện VDS khi vào cua

Khi một xe tự lái thực hiện các thao tác chuyển làn hoặc vào cua ở tốc độ cao, các lực động học tác động lên xe trở nên cực kỳ phức tạp. Ổn định động học phương tiện (VDS) là yếu tố then chốt để đảm bảo xe không bị trượt, lật hay mất kiểm soát. Các thông số quan trọng như góc trượt ngang, tốc độ góc lệch thân xe (yaw rate) cần được kiểm soát chặt chẽ. Một mô hình động học xe chính xác là nền tảng để thiết kế bộ điều khiển hiệu quả, giúp dự đoán và phản ứng với các thay đổi động học. Việc bỏ qua các yếu tố này có thể dẫn đến sai lệch quỹ đạo nghiêm trọng và gây nguy hiểm. Do đó, một bộ điều khiển mạnh mẽ cần phải xử lý được các đặc tính phi tuyến của lốp xe, thường được mô tả qua mô hình lốp Pacejka, và duy trì sự ổn định trong mọi điều kiện vận hành.

1.2. Giới thiệu bộ điều khiển trượt nơ ron và ưu điểm vượt trội

Để giải quyết các thách thức trên, bộ điều khiển trượt nơ ron (NSMC) đã ra đời như một giải pháp lai ghép thông minh. Nó kế thừa tính điều khiển bền vững từ SMC, đảm bảo hệ thống luôn ổn định ngay cả khi có nhiễu và sai số mô hình. Đồng thời, thành phần mạng nơ ron nhân tạo đóng vai trò như một bộ bù nơ ron, có khả năng học và xấp xỉ hàm phi tuyến phức tạp của các nhiễu loạn tổng hợp (lumped disturbances) theo thời gian thực. Sự kết hợp này giúp loại bỏ hiện tượng trượt (chattering)—một nhược điểm cố hữu của SMC truyền thống—và cải thiện độ chính xác của việc điều khiển góc lái. Nhờ vậy, NSMC mang lại hiệu suất vượt trội, giúp xe tự lái bám sát quỹ đạo mong muốn với sai số tối thiểu và phản ứng mượt mà hơn.

II. Bí quyết khắc phục hạn chế của thuật toán điều khiển trượt cũ

Mặc dù thuật toán điều khiển trượt (SMC) truyền thống nổi tiếng với tính bền vững, nó vẫn tồn tại những nhược điểm cố hữu cản trở việc ứng dụng rộng rãi trên xe tự lái. Vấn đề lớn nhất là hiện tượng trượt (chattering), gây ra bởi tín hiệu điều khiển tần số cao không liên tục. Hiện tượng này không chỉ làm giảm sự thoải mái của hành khách mà còn có thể gây mài mòn và hư hỏng các cơ cấu chấp hành như hệ thống lái. Thêm vào đó, SMC truyền thống thường yêu cầu biết trước giới hạn trên của nhiễu, một điều khó thực hiện trong thực tế. Một thách thức khác là việc không xem xét các ràng buộc vật lý của hệ thống. Các bộ chấp hành như hệ thống lái và phanh đều có giới hạn về biên độ và tốc độ. Bỏ qua các ràng buộc này có thể làm giảm hiệu suất điều khiển và thậm chí gây mất ổn định hệ thống. Do đó, việc phát triển một bộ điều khiển thích nghi có khả năng giảm chattering và tuân thủ các ràng buộc là cực kỳ cần thiết để tối ưu hóa hiệu suất cho xe tự lái khi vào cua.

2.1. Phân tích hiện tượng trượt chattering và tác động tiêu cực

Hiện tượng trượt (chattering) là các dao động tần số cao của tín hiệu điều khiển xung quanh mặt trượt. Nguyên nhân chính là do thành phần chuyển mạch không liên tục (sign function) trong luật điều khiển SMC. Mặc dù thành phần này đảm bảo tính bền vững, nó lại tạo ra các thay đổi đột ngột và liên tục trong tín hiệu đầu ra, ví dụ như lệnh điều khiển góc lái. Những dao động này gây ra rung động không mong muốn, ảnh hưởng tiêu cực đến sự êm ái khi vận hành và sự thoải mái của hành khách. Về lâu dài, chattering có thể dẫn đến mỏi và hỏng hóc các bộ phận cơ khí, làm tăng chi phí bảo trì và giảm tuổi thọ của xe.

2.2. Vấn đề ràng buộc hệ thống và giới hạn của bộ chấp hành

Trong thực tế, mọi hệ thống vật lý đều có giới hạn. Đối với xe tự lái, góc lái không thể xoay vô hạn và tốc độ thay đổi góc lái cũng bị giới hạn. Tương tự, lực phanh/truyền động từ động cơ cũng có giới hạn vật lý. Các bộ điều khiển truyền thống thường bỏ qua những ràng buộc này trong quá trình thiết kế, dẫn đến việc tạo ra các tín hiệu điều khiển không thể thực thi. Khi tín hiệu điều khiển bị bão hòa (saturation), hiệu suất của hệ thống điều khiển bám cua sẽ suy giảm đáng kể, sai số bám quỹ đạo tăng lên và có thể gây mất ổn định. Do đó, việc tích hợp các ràng buộc này vào quá trình thiết kế bộ điều khiển là một yêu cầu cấp thiết.

III. Phương pháp thiết kế bộ điều khiển trượt nơ ron bền vững tối ưu

Để vượt qua các thách thức đã nêu, một phương pháp thiết kế bộ điều khiển tiên tiến được đề xuất, dựa trên sự kết hợp giữa lý thuyết ổn định Lyapunov và mạng nơ ron nhân tạo. Trọng tâm của phương pháp này là sử dụng hàm rào cản Lyapunov tích phân (integral Barrier Lyapunov Function - iBLF) để đảm bảo mọi trạng thái của hệ thống và tín hiệu điều khiển luôn nằm trong giới hạn cho phép. Kỹ thuật này biến bài toán ràng buộc đầu vào thành bài toán ràng buộc trạng thái, giúp bộ điều khiển chủ động tránh vi phạm giới hạn. Đồng thời, một mạng nơ ron nhân tạo (cụ thể là RBFNN) được tích hợp để hoạt động như một bộ điều khiển thích nghi. Nhiệm vụ của mạng nơ ron là học và ước tính các thành phần bất định trong mô hình động học xe, bao gồm cả nhiễu ngoại cảnh và các sai số mô hình hóa. Bộ bù nơ ron này giúp tăng cường độ chính xác và khả năng điều khiển bền vững của hệ thống. Sự kết hợp giữa iBLF và RBFNN tạo ra một bộ điều khiển trượt nơ ron hiệu quả, vừa đảm bảo an toàn, vừa tối ưu hóa khả năng bám quỹ đạo trong các điều kiện vận hành khắc nghiệt.

3.1. Ứng dụng lý thuyết ổn định Lyapunov để đảm bảo bền vững

Lý thuyết ổn định Lyapunov là công cụ toán học nền tảng để chứng minh sự ổn định của các hệ thống động lực phi tuyến. Trong thiết kế này, một hàm Lyapunov đặc biệt (iBLF) được xây dựng. Hàm này sẽ tiến đến vô cùng khi các biến trạng thái (như sai số quỹ đạo, góc lái) tiến đến giới hạn ràng buộc của chúng. Bằng cách thiết kế luật điều khiển sao cho đạo hàm của hàm Lyapunov luôn âm, hệ thống được đảm bảo sẽ không bao giờ vi phạm các giới hạn an toàn. Điều này mang lại một cơ chế điều khiển bền vững và an toàn một cách toán học, khác với các phương pháp chỉ cố gắng tối ưu hóa hiệu suất mà không có sự đảm bảo về ràng buộc.

3.2. Vai trò của mạng nơ ron trong việc xấp xỉ hàm và bù nhiễu

Mạng nơ ron nhân tạo, đặc biệt là mạng RBF (Radial Basis Function), có khả năng xấp xỉ hàm phi tuyến bất kỳ với độ chính xác cao. Trong hệ thống này, RBFNN được sử dụng để ước tính "nhiễu loạn tổng hợp"—một thuật ngữ bao gồm các yếu tố không chắc chắn như sự thay đổi của lực cản không khí, sai số trong mô hình lốp Pacejka, và các nhiễu ngoại cảnh khác. Bằng cách học online từ dữ liệu thực tế, bộ bù nơ ron này cung cấp một tín hiệu bù trừ chính xác cho bộ điều khiển chính, giúp cải thiện đáng kể khả năng bám quỹ đạo (trajectory tracking) và loại bỏ các sai số ở trạng thái xác lập. Đây chính là yếu tố "thông minh" của bộ điều khiển thích nghi.

IV. Ứng dụng thực tiễn qua mô phỏng MATLAB Simulink và CarSim

Để kiểm chứng hiệu quả và tính ưu việt của bộ điều khiển trượt nơ ron được đề xuất, các kịch bản mô phỏng phức tạp đã được thực hiện trên môi trường đồng mô phỏng MATLAB/Simulink và CarSim. CarSim là một phần mềm tiêu chuẩn công nghiệp, cung cấp mô hình động học xe có độ trung thực cao, trong khi MATLAB/Simulink được sử dụng để triển khai thuật toán điều khiển. Các kịch bản kiểm tra bao gồm chuyển làn đôi (Double Lane Change) trên đường trơn trượt (hệ số ma sát thấp) và vào cua gấp (J-turn) trên đường băng giá. Kết quả mô phỏng, được trình bày trong luận văn của Nguyễn Như Toàn (2023), cho thấy bộ điều khiển đề xuất vượt trội hơn hẳn so với các phương pháp SMC truyền thống. Nó không chỉ duy trì sai số bám quỹ đạo ở mức rất thấp mà còn đảm bảo các tín hiệu điều khiển góc lái và tốc độ thay đổi của nó luôn nằm trong giới hạn vật lý. Đặc biệt, khả năng duy trì ổn định động học phương tiện (VDS) trong điều kiện khắc nghiệt đã chứng tỏ tính hiệu quả và tiềm năng ứng dụng thực tiễn của phương pháp NSMC for autonomous vehicle.

4.1. Kịch bản chuyển làn đôi và đánh giá hiệu suất bám quỹ đạo

Trong kịch bản chuyển làn đôi ở tốc độ 80 km/h trên mặt đường ướt (µ = 0.5), bộ điều khiển đề xuất đã chứng tỏ khả năng bám quỹ đạo (trajectory tracking) xuất sắc. So với SMC truyền thống, sai số phương ngang được giữ trong một giới hạn chặt chẽ và hội tụ về không nhanh hơn. Quan trọng hơn, tốc độ thay đổi góc lái không vượt quá giới hạn 25 độ/giây, trong khi bộ điều khiển SMC gây ra các đỉnh nhọn vượt ngưỡng, tiềm ẩn nguy cơ hư hại cơ cấu chấp hành. Điều này cho thấy hiệu quả của hàm rào cản Lyapunov trong việc ràng buộc tín hiệu điều khiển.

4.2. Kịch bản vào cua gấp J turn trên đường băng giá

Kịch bản vào cua gấp trên đường băng giá (µ = 0.3) là một bài kiểm tra khắc nghiệt về điều khiển bền vững. Kết quả cho thấy, nếu không có sự hỗ trợ của điều khiển mô-men lệch hướng (DYC) và bộ điều khiển tiên tiến, xe dễ dàng bị trượt và lệch khỏi quỹ đạo mong muốn. Ngược lại, bộ điều khiển trượt nơ ron tích hợp DYC đã duy trì ổn định một cách ấn tượng. Tốc độ góc lệch thân xe bám sát giá trị tham chiếu, và xe hoàn thành cú cua một cách an toàn. Các kết quả này khẳng định vai trò của bộ bù nơ ron trong việc thích ứng với điều kiện ma sát cực thấp và duy trì ổn định động học phương tiện.

4.3. Phân tích định lượng thông qua chỉ số ISE IAE và ITAE

Để đánh giá một cách khách quan, các chỉ số hiệu suất định lượng như Sai số bình phương tích phân (ISE), Sai số tuyệt đối tích phân (IAE) và Sai số tuyệt đối nhân thời gian tích phân (ITAE) đã được sử dụng. Bảng 5.1 trong tài liệu gốc cho thấy phương pháp đề xuất đạt được giá trị nhỏ nhất ở tất cả các chỉ số này trong cả ba kịch bản thử nghiệm. Điều này chứng tỏ bộ điều khiển trượt nơ ron không chỉ mang lại độ chính xác cao hơn mà còn có khả năng đáp ứng mạnh mẽ và bền vững hơn so với các phương pháp đối chứng, đặc biệt là khi đối mặt với các nhiễu loạn và điều kiện bất lợi.

V. Kết luận và định hướng tương lai cho điều khiển xe tự lái

Bài viết đã trình bày một cách hệ thống về phương pháp điều khiển mặt trượt nơ ron (NSMC) cho xe tự lái khi vào cua. Bằng cách kết hợp tính bền vững của SMC, khả năng học của mạng nơ ron nhân tạo, và cơ chế đảm bảo ràng buộc của hàm Lyapunov, bộ điều khiển đề xuất đã giải quyết hiệu quả các vấn đề cố hữu như hiện tượng trượt (chattering) và vi phạm giới hạn vật lý. Các kết quả mô phỏng MATLAB/Simulink và CarSim đã chứng minh rằng phương pháp này mang lại hiệu suất bám quỹ đạo và ổn định động học phương tiện vượt trội, ngay cả trong những điều kiện vận hành khó khăn nhất. Đây là một bước tiến quan trọng trong việc phát triển các hệ thống điều khiển phi tuyến thông minh và an toàn cho thế hệ xe tự lái tiếp theo. Hướng phát triển trong tương lai có thể tập trung vào việc so sánh phương pháp này với các kỹ thuật khác như Điều khiển dự báo mô hình (MPC) và nghiên cứu các kỹ thuật ước tính trạng thái để giảm sự phụ thuộc vào cảm biến, tiến tới một hệ thống điều khiển tự trị toàn diện và mạnh mẽ hơn.

5.1. Tóm tắt ưu điểm của bộ điều khiển trượt nơ ron thích nghi

Phương pháp điều khiển trượt nơ ron thích nghi đã chứng minh nhiều ưu điểm vượt trội: (1) Đảm bảo tính điều khiển bền vững và hội tụ sai số nhờ nền tảng lý thuyết ổn định Lyapunov. (2) Loại bỏ hiệu quả hiện tượng trượt (chattering) thông qua việc sử dụng bộ bù nơ ron để xấp xỉ hàm nhiễu, giúp tín hiệu điều khiển mượt mà hơn. (3) Luôn tuân thủ các ràng buộc về trạng thái và tín hiệu điều khiển, nâng cao an toàn và tuổi thọ của hệ thống. (4) Khả năng thích ứng cao với các điều kiện vận hành thay đổi và nhiễu loạn nhờ cơ chế học của mạng nơ ron.

5.2. Hướng nghiên cứu mở rộng trong tương lai

Trong tương lai, các nghiên cứu có thể được mở rộng theo nhiều hướng. Đầu tiên, cần thực hiện so sánh toàn diện hơn với các phương pháp điều khiển tiên tiến khác như Model Predictive Control (MPC) để đánh giá sự đánh đổi giữa hiệu suất và chi phí tính toán. Thứ hai, việc phát triển các bộ quan sát (observer) để ước tính các trạng thái không thể đo trực tiếp (như góc trượt ngang) sẽ giúp giảm chi phí và độ phức tạp của hệ thống cảm biến. Cuối cùng, việc kiểm chứng thuật toán trên các nền tảng xe thực nghiệm (Hardware-in-the-Loop và xe thực tế) là bước đi cần thiết để khẳng định tính khả thi và đưa công nghệ này vào ứng dụng thương mại.

Trích đoạn nội dung tài liệu

HANOI UNIVERSITY OF SCIENCE AND TECHNOLOGY MASTER THESIS Adaptive tracking control for autonomous vehicles with system constraints NGUYEN NHU TOAN toan.vn Control Engineering and Automation Supervisor: Assoc. PhD Nguyen Tung Lam Advisor’ signature School: School of Electrical and Electronic Engineering HANOI, 10/2023 ACKNOWLEDGEMENTS I would like to take a moment to extend my deep gratitude to the esteemed individuals who have played pivotal roles in shaping the trajectory of my academic journey and, ultimately, in the successful completion of this comprehensive report. Foremost among these remarkable individuals is Assoc. Tung Lam Nguyen, whose steadfast support and mentorship have been indispensable throughout this endeavor.

His unwavering dedication to my academic growth and his profound commitment to my development as a researcher have been a wellspring of inspira- tion. Tung Lam’s insightful guidance and his willingness to generously share his extensive expertise have proven invaluable, equipping me with the essential tools to navigate the challenges and surmount the obstacles encountered along this academic journey. It is through his unwavering mentorship that I have been able to chart a course toward academic excellence. I would also like to express my heartfelt appreciation to Dr.

Danh Huy Nguyen, whose contributions and support have added significant depth and perspective to my work. Danh Huy’s involvement and mentorship have been instrumental in enriching my academic experience. In the broader context, I wish to convey my profound gratitude for the unwa- vering support of my family. Their unwavering belief in my capabilities and their steadfast encouragement, provided during both the peaks of success and the val- leys of challenges in this academic pursuit, have served as my unwavering driving force.

Their unshakable faith, constant encouragement, and the sacrifices they have made are the bedrock of my motivation, and I am deeply indebted to them for their enduring presence in my life. Lastly, I extend my heartfelt acknowledgment to the broader academic com- munity, my peers, and fellow researchers who have generously provided valuable insights and diverse perspectives that have significantly enriched my work. The dy- namic exchange of ideas and collaborative discussions within this academic com- munity have not only broadened my horizons but have also profoundly shaped my understanding of the subject matter, contributing significantly to the depth and breadth of this report. As I pause to reflect upon this remarkable journey, my heart is filled with profound gratitude for these exceptional individuals who have contributed to the fruition of this report.

For this, I am truly and profoundly thankful. ABSTRACT This thesis investigates the lane following and changing maneuvers of au- tonomous vehicles in the presence of unknown disturbances, taking into account the dynamic system states and input constraints. The integrated longitudinal-lateral and yaw rate dynamics of the vehicle are simultaneously considered to improve the tracking accuracy and system stability when navigating under critical conditions. Then, a novel adaptive asymmetric time-varying integral barrier Lyapunov control scheme is developed to design the steering controller, longitudinal controller, and direct yaw moment control controller, which is capable of constraining the system states and control signals within the predefined boundary.

In addition, the radius basis function neural network is employed to estimate the lumped disturbances caused by the parametric uncertainties, external disturbances, and unmodeled dy- namics, and the command filter system is used to avoid the explosion of terms phenomenon. The optimization-based method is then implemented to effectively allocate the driving/braking torque to each in-wheel motor so as to improve vehicle performance. The stability of the closed-loop system is comprehensively demon- strated by means of the Lyapunov theory. Finally, the quantitative and qualitative comparisons in different driving scenarios using the Carim-Simulink joint environ- ment are carried out to illustrate the effectiveness and validation of the proposed method.

Student’s signature TABLE OF CONTENTS LIST OF FIGURES i LIST OF TABLES ii LIST OF SYMBOLS iii CHAPTER 1. VEHICLE DYNAMIC MODEL 5 CHAPTER 3.1 Steering control formulation .2 Longitudinal and direct yaw control formulation .1 Active front steering control .2 Longitudinal control and Direct yaw moment control. IMPLEMENTATION AND EVALUATION 23 5.3 Results of scenario 1: Double lane change maneuver with constant longitudinal velocity .4 Results of scenario 2: Double lane change maneuver with varying longitudinal speed .5 Results of scenario 3: On curved road. CONCLUSION 39 LIST OF PUBLICATIONS 40 REFERENCES 41 APPENDIX 48 APPENDIX OF CONTROL DESIGN 49 A.1 Proof of Lemma 1 .3 Proof of Theorem 2.

50 APPENDIX OF SLIDING MODE CONTROL 54 LIST OF FIGURES Figure 1.1 Lane changing maneuver in autonomous vehicles .1 Planar vehicle model .1 Double lane change trajectory .2 Curved road trajectory .1 Structure diagram of the proposed Carsim-Simulink co- simulation .3 Wind forces provided by Carsim .5 Yaw rate error (Scenario 1) .11 Rate of steering angle (Scenario 1) .13 Yaw rate error (Scenario 2) .19 Rate of steering angle (Scenario 2) .21 Yaw rate error (Scenario 3) .26 Rate of steering angle (Scenario 3). 38 i LIST OF TABLES Table 1.1 Literature review on the control method and objective .1 The control performance benchmark of three controllers un- der three scenarios. 38 ii LIST OF SYMBOLS Symbols Meaning m Vehicle mass Iz Inertial moment around the yaw axis lf Distance from the front axle to the COG lr Distances from the rear axle to the COG Fx Longitudinal tyre force Fy Lateral tyre force tw Distance from the left to the right tire Mz Direct yaw moment ax Longitudinal acceleration of the COG ay Lateral acceleration of the COG Fres Total resistance force Faero Aerodynamic drag force Froll Rolling resistance force AF Effective frontal area of the vehicle ρ Air density Cd Aerodynamic drag coefficient Crr Rolling friction coefficient h Center of gravity height Iw Moment of inertia of the wheel ω Wheel velocity rw Effective wheel radius Td Total traction torque executed on each wheel Tb Total braking torque executed on each wheel µτ,ε Friction coefficient Cαi j Tire cornering stiffness Cα f Front axle cornering stiffness Cαr Rear axle cornering stiffness Cκi j Longitudinal slip stiffness λxτ,ε Slip ratio of each wheel in longitudinal direction λyτ,ε Slip ratio of each wheel in lateral direction ατ,ε Slip angle of each tire ∆Tτ,ε Lumped disturbances of torque balance equation ∆Fkτ,ε Lumped disturbances of tire force equation iii CHAPTER 1. INTRODUCTION In recent years, the research on the development and application of the Ad- vanced Driver Assistance System (ADAS) has been gaining increasing attraction in many countries, technology companies, and education institutes.

ADAS is con- sidered a breakthrough in the car automation industry because of its significant ad- vantages, including lower energy consumption, the diminution of air pollution, and the improvement of passengers’ comfort. Especially this system plays a crucial role in decreasing car accidents caused mostly by human errors, thus enhancing overall road safety [1,2]. ADAS, in general, composes of a breadth of technologies such as Figure 1.1 Lane changing maneuver in autonomous vehicles lane departure warning, adaptive cruise control, automatic emergency braking, lane change assistance, traction control system, etc, which all incorporate to level up the driving experience [3]. Path tracking control (PTC) and stability handling are es- sential areas of research in ADAS that aim to improve vehicle safety and stability by utilizing the vehicle’s longitudinal, lateral, and yaw dynamics.

While stability handling primarily focuses on the application of active front steering (AFS) and di- rect yaw moment (DYC) control to provide additional control input for improving vehicle stability, path tracking control is designed to minimize the tracking error to precisely follow the path specified by the motion planning layer, thereby ensuring optimal safety, ride comfort, and stability [4–6]. Different control strategies can be found in the literature, as summarized in Figure 1. In a majority of studies, the path tracking control is generally approached as a problem of solely steering, neglecting other complexities of vehicle motion [7,27]. Although the aforementioned works achieve important results, there exists a strong 1 X-Y Plane Motion Control Longitudinal Lateral Control Control Slip ratio Velocity Path Stability control control tracking handling Lateral Yaw rate Slip angle deviation control control Figure 1.2 Control objective Table 1.1 Literature review on the control method and objective References Type Control method Pros Cons [7–10] AFS Fast response, robust to disturbance; It has the problem of chattering; [11–13] AFS+DYC Easily adapt with adaptive mechanisms SMC The system’s states and input signals to eliminate disturbances and enhance [14] PTC+DYC constraints are not concerned control performance.

The tracking error is guaranteed to be It has the problem of chattering; [15, 16] AFS BLF+SMC bounded;Robust to disturbances. The input constraints are not concerned. [6, 17] PTC+DYC It has a complicated solution Robust to disturbance with the H ∞ construction and theoretical derivation; H∞ performance; The parameter uncertainties The system constraints are not concerned; [18–20] AFS+DYC are handled by fuzzy rules. The performance highly depends on the number of fuzzy rules and scheduling variables.

[4, 21, 22] AFS Difficult to analyze system stability; Strong in handling system constraints; Computational burden, especially when [23–26] PTC+DYC The control action is optimized and can the size of the dynamic model increase; MPC adapt to sudden change based on the The prediction process is negatively impacted prediction process. by disturbances, degrading the system [23–26] PTC+DTC+TC performance. interdependence between the lateral and longitudinal motions of a vehicle, and the neglect of either one will adversely impact the vehicle’s performance [28, 29]. Therefore, it is necessary to take into account both the longitudinal and lateral con- trol simultaneously to enhance the control performance in a wide range of driving conditions.

In [29], the interval type-2 fuzzy sets control approach is developed for the integrated dynamic model, enabling the vehicle to robustly track the desired longitudinal speed and reference path simultaneously. Moreover, when navigating through adverse road conditions such as wet roads, or during critical maneuvers such as high-speed lane changes or high-curved roads, the tires will be slipped and express highly nonlinear characteristics, and the dy- 2 namic coupling effects between the longitudinal and lateral motions will be inten- sified. In these cases, direct yaw moment control is proven to be one of the most effective strategies to maintain vehicle stability and passenger comfort [14,31]. It is developed to exert the longitudinal force of each tire such that changes the distribu- tion of the driving/braking torque.

The authors in [14] develop the super-twisting sliding mode controller for path-following maneuvers of the vehicle using the DYC and active front steering integration systems, which enhances the accuracy and sta- bility of the vehicle and eliminates the chattering phenomenon of the traditional SMC method. In [18], the integration model of DYC and AFS are controlled by the Takagi-Sugeno fuzzy control method considering the norm-bounded uncertainties of tire forces and time-varying longitudinal velocity to improve vehicle stability and achieve the H-infinity performance. On the other hand, in practice, autonomous vehicles typically operate under a variety of constraints, stemming from the limitations of actuators such as steer- ing, braking, and throttling systems, as well as the dynamic states of the vehicle, such as speed, acceleration, and yaw rate, in order to meet safety standards and ensure passenger comfort. Disregarding the system constraints can significantly impair the performance of the controller and potentially lead to system instabil- ity [32, 33].

However, in most previous works, these limitations are not taken into account. To deal with the constraints problem, the MPC method is typically consid- ered a promising strategy. The authors in [34] present an improved MPC strategy, which adaptively adjusted the weight of the cost function via the fuzzy system, and the magnitude of the steering angle and its rate are also constrained such that the tracking accuracy and driving comfort is enhanced. In [35], the MPC method is de- veloped for lateral-longitudinal dynamic control problem, which takes into account the constraints of side slip angle and the control signals, hence improving the vehi- cle stability and control smoothness.