即使对于经验丰富的驾驶员来说，停放卡车和拖车组合也是一项挑战。引导拖车进入装货码头通常需要多次操作。当驾驶员在拥挤的狭窄城市街道上行驶时，挑战更加复杂（图1）。
图1。试验跑道上的卡车-拖车组合，代表装货码头场景（顶部）和城市环境（底部）。
为了帮助驾驶员停放卡车拖车车辆，我们在福特奥托桑的团队开发了一个自动停车系统的概念验证原型。原型使用两个轨迹规划算法：人工势场算法，与塞瑞大学合作开发的EU TrestPo车程序的一部分，以及RRT*算法（快速探索随机树的变体，或RRT），由我们自己的内部团队开发。在Simulink中对算法进行了建模和仿真金宝app®我们通过硬件在环（HIL）测试对其进行了验证。然后，我们在一辆真正的卡车上对其进行了测试，结果表明，原型系统能够以较少的操纵进行停车，并且只需多年经验的驾驶员所需时间的一半。
卡车-拖车组合建模及轨迹算法
我们的团队在为乘用车和机器人开发自动驾驶系统和机器人控制系统方面具有丰富的经验，但我们以前从未使用过像卡车和拖车组合这样大的车辆。此外，卡车和拖车是铰接式的，这使控制设计复杂化。因为我们使用基于模型的设计，我们e能够对卡车的动力学进行建模和可视化，并在开发和完善轨迹规划和控制算法时考虑这些动力学（图2）。
图2.铰接式卡车和拖车组合车辆动力学示意图。
我们基于代表纵向、横向和偏航运动的三自由度自行车模型创建车辆简化模型。我们使用测量的参数值（如卡车车轮的质量）配置此模型。
我们将控制设计划分为单独的Simulink组件，不同团队可以独立工作。例如，一个团队负责轨迹规划金宝app组件（实现RRT*或人工势场算法）.另一个团队致力于轨迹控制组件，该组件计算所需的转向角、制动扭矩和加速扭矩，以产生由轨迹规划组件提供的所需横摆率、减速和加速度。该团队最初将轨迹控制组件作为纯追踪控制器来实现，但later将其重新实现为模型预测控制器，以适应更高的速度。
其中一个组件实现了与感知子系统的接口，感知子系统使用激光雷达和雷达定位车辆附近的障碍物和结构。其他组件实现了与Android上运行的监控应用程序的接口™ 平板电脑、卡车的CAN总线以及我们的软件在环（SIL）和HIL测试环境（图3）。
图3。HMI应用程序金宝appUDP接口的Simulink模型。
SIL、HIL和车内测试
在Simulink中运行初始验证模拟后，我们在SIL和HIL环境中执行了更广泛的测试。我们使用Sim金宝appulink编码器从轨迹规划和轨迹控制模型生成代码™ 并进行了SIL测试，其中包括模拟传感器输入、卡车和拖车的动态模型以及环境模型。
在HIL测试中，我们将轨迹规划和控制算法部署到dSPACE®目标硬件。这些HIL测试使我们能够在对卡车本身进行测试之前，验证我们设计的实时性能，包括通过CAN和UDP的实时通信。
车内试验在土耳其Eskişehir的福特Otosan Inönü试验跑道上进行。我们在卡车上安装了dSPACE系统（运行从Simulink模型生成的代码）（图4）。在最初的几次测试中，我们发现我们的卡车物理模型包含某些参数的不准确值，包括转弯刚度。金宝app
图4.安装在车辆中的系统的测试设置。
一旦我们用更精确的测量值更新了这些值，并重新调整了控制器，模拟结果和测量结果就非常吻合，系统的整体性能显著提高（图5）。
图5。位置、横摆率和横向加速度的模拟和测量结果。
事实上，在我们假设至少需要两到三次机动的情况下，卡车只需一次机动就可以停下来。尽管仿真表明这是可能的，但我们惊讶地发现，我们的算法比有15到20年经验的驾驶员更有效地引导卡车。
计划整合
通过开发有效的轨迹规划和控制算法并在实际卡车上进行验证，我们实现了项目的所有目标和关键性能指标。我们现在拥有在自动驾驶模式下停放铰接式车辆的内部专业技术。福特奥托桑正在实施其他几项计划，将利用这种停车能力，其中一项计划侧重于设施管理，另一项计划侧重于卡车的远程控制。我们希望将我们的自动停车系统集成到这些更大的生产系统中。
