💻 computer science

Adaptive Sliding Mode Control for Vehicle Platoons with State-Dependent Friction Uncertainty

本文提出了一种针对轮式移动机器人车队的自适应滑模控制方法，通过分离运动学与动力学并引入自适应机制，有效解决了在缺乏先验知识的情况下对随状态变化的复杂摩擦不确定性及外部干扰的鲁棒控制问题。

原作者： Rishabh Dev Yadav

发布于 2026-03-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Rishabh Dev Yadav

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何让一群自动驾驶小车像“雁群”一样整齐划一地飞行的故事，但这次它们是在地面上跑，而且面临着一个非常棘手的对手：不可预测的摩擦力。

我们可以把这篇论文的核心内容拆解成几个生动的部分来理解：

1. 背景：为什么需要“车队”？

想象一下，如果有一群送货机器人，它们不需要像现在这样一辆辆单独跑，而是可以排成一列纵队（就像大雁南飞或者火车车厢），由领头车带路，后面的车紧紧跟随。

好处：这样能省油（减少风阻）、省人（不需要每个车都配司机）、还能提高道路利用率。
挑战：要让它们保持队形，必须保证每辆车之间的距离是固定的。如果前面的车突然加速，后面的车必须立刻跟上，不能撞上去，也不能掉队。

2. 核心难题：看不见的“摩擦力怪兽”

在控制这些车时，最大的麻烦不是车本身，而是地面和轮胎之间的摩擦力。

传统方法的局限：以前的控制方法就像是一个死记硬背的学生。它假设摩擦力是固定的，或者在一个已知的范围内。比如，它认为“水泥地的摩擦力就是 0.5"。
现实情况：摩擦力是个狡猾的变色龙。
- 轮胎磨损了，摩擦力变了。
- 路面从水泥变成了沙地，摩擦力变了。
- 甚至车速快了，摩擦力也会变（这叫“状态依赖”）。
- 更糟糕的是，这些变化是未知的。你没法提前知道下一块路是湿的还是干的。
后果：如果按照“死记硬背”的方法控制，一旦遇到摩擦力突然变大（比如上坡或湿滑路面），车队就会乱套，要么跟丢了，要么撞在一起。

3. 解决方案：聪明的“自适应滑模控制器” (ASMC)

作者提出了一种新的控制方法，我们可以把它想象成一个经验丰富的老练教练，而不是死记硬背的学生。

这个“教练”有什么绝招？

不依赖说明书（无需先验知识）：
这个教练不需要提前知道路有多滑，也不需要知道轮胎磨损了多少。它就像是一个盲人摸象的高手，通过实时感受车的反应来调整策略。
双重保险机制（两步走）：
- 第一步（看路）：先算出“理想速度”。就像教练喊：“前面路滑，大家减速，保持间距！”这是运动学控制。
- 第二步（发力）：再算出“需要多大的力气”。这是动力学控制。如果路突然变滑，车打滑了，这个控制器会立刻感觉到：“哎呀，摩擦力比我想的大，我得加大油门！”
- 关键点：它能把“摩擦力”这种未知的、变化的因素，像弹簧一样实时压缩和释放，不管它怎么变，都能把它“压”住。
自适应学习（Adaptive）：
这是最厉害的地方。这个控制器有一个自我学习系统。
- 当它发现车走得比预想的慢（说明摩擦力大了），它会自动调整自己的“猜测参数”。
- 它不需要知道摩擦力的具体公式，它只需要知道：“只要我加大这个力，就能抵消那个未知的阻力。”
- 就像你在黑暗中走路，虽然不知道前面是坑还是平地，但你的脚会实时调整力度，让你不会摔倒。

4. 实验：在“虚拟游乐场”里的表现

作者用了一个叫 Gazebo 的超级逼真的机器人模拟器来测试。

场景设置：他们造了一个虚拟场地，把地面分成了四个区域。
- 大部分区域很滑（摩擦力小）。
- 其中一个区域特别滑（摩擦力大，模拟湿滑路面）。
- 路上还放了几个“减速带”，模拟突然的颠簸。
比赛：让旧方法（死记硬背的学生）和新方法（老练教练）各带一队车跑一圈。
结果：
- 旧方法：到了那个特别滑的区域，车开始打滑，队形乱了，跟车距离忽大忽小，误差很大。
- 新方法：到了滑区，它立刻感觉到不对劲，自动调整了动力，车依然稳稳地跟着，队形保持得非常完美。
- 数据：新方法在保持队形距离的准确度上，比旧方法高出了很多（误差减少了一半以上）。

5. 总结：这篇论文到底说了什么？

简单来说，这篇论文发明了一种更聪明的自动驾驶车队控制算法。

以前：我们假设路况是已知的，或者摩擦力是固定的。
现在：我们承认路况是未知的、摩擦力是随时变化的。
方法：用一种能实时自我调整的算法，像经验丰富的老司机一样，不管路面怎么变，都能让车队保持整齐、安全、不撞车。

一句话比喻：
以前的控制方法像是按乐谱演奏，如果乐器（路面）走调了，演奏就乱套了；而这篇论文提出的方法像是爵士乐即兴演奏，不管乐器怎么变，乐手（控制器）都能立刻跟上节奏，完美合奏。

这项技术未来可以让自动驾驶卡车车队在雨雪天、泥泞路上也能像平时一样安全高效地运输货物。

这是一份关于具有状态依赖摩擦不确定性的车辆编队自适应滑模控制（Adaptive Sliding Mode Control for Vehicle Platoons with State-Dependent Friction Uncertainty）的硕士论文技术总结。该论文由印度海德拉巴国际信息技术研究所（IIIT Hyderabad）的 Rishabh Dev Yadav 于 2023 年完成。

以下是该论文的详细技术总结：

1. 研究背景与问题定义 (Problem)

应用场景：多机器人编队控制（Vehicle Platoons），广泛应用于物流运输、车队编队、货物搬运和监控等领域。其核心目标是保持编队中的车辆以协调的方式运动，维持预设的安全间距，并跟随领导车辆或预定轨迹。
核心挑战：
- 摩擦力的不确定性：车轮与地面之间的摩擦力（Friction Forces）是高度不确定的，且随路面状况、轮胎磨损和车速变化。
- 状态依赖性（State-Dependence）：现有的自适应控制方法通常假设不确定性是有界的（a priori bounded）。然而，摩擦力通常与系统状态（如速度）直接相关（例如粘性摩擦与速度成正比），这意味着它无法被预先界定为一个固定的常数上界。
- 现有方法的局限性：传统的自适应滑模控制（ASMC）难以处理这种无界且状态依赖的复杂摩擦行为，导致在复杂路况（如坡道、弯道、粗糙路面）下的跟踪精度和鲁棒性下降。

2. 方法论 (Methodology)

论文提出了一种新的自适应滑模控制器（ASMC），专门针对基于轮式移动机器人（WMR）的车辆编队，旨在无需预先知道系统参数（如惯性、摩擦系数）的情况下，处理未知的状态依赖摩擦力和外部干扰。

2.1 系统建模

运动学模型：采用标准的非完整轮式机器人模型，将机器人的线速度和角速度作为控制输入。
动力学模型：基于拉格朗日方法推导，包含质量矩阵、科里奥利力、重力项以及摩擦力项。
摩擦模型：采用了库仑摩擦（Coulomb friction）与粘性摩擦（Viscous friction）的组合模型。关键创新在于明确承认粘性摩擦项与速度成正比，从而构成了“状态依赖”的不确定性。

2.2 控制架构设计

采用两级控制策略：

运动学控制器（Kinematic Controller）：
- 基于反步法（Backstepping）设计。
- 根据期望轨迹计算所需的线速度（ $v_c$ ）和角速度（ $\omega_c$ ）。
- 负责姿态跟踪误差的收敛。
动力学控制器（Dynamic Controller - 核心贡献）：
- 自适应滑模控制：设计用于生成实际的力（ $F$ ）和力矩（ $\tau$ ）指令，以驱动机器人达到运动学控制器设定的速度。
- 不确定性处理：
  - 定义滑模变量（Sliding Variables） $s_v$ 和 $s_\omega$ 。
  - 推导不确定项（ $\epsilon_v, \epsilon_\omega$ ）的上界结构。关键发现是这些上界不仅包含常数项，还包含与状态误差（ $\xi_v, \xi_\omega$ ）相关的项。
  - 自适应律（Adaptive Laws）：设计了一组自适应更新律，实时估计未知参数（包括摩擦系数和干扰的上界）。这些参数估计值用于动态调整滑模控制器的增益（ $\rho_v, \rho_\omega$ ），从而在不依赖先验知识的情况下补偿状态依赖的摩擦力。
- 力与力矩的协同设计：由于摩擦力和力矩的不确定性结构是相互关联的，控制器的设计是同步进行的，而非独立设计。

2.3 稳定性分析

利用李雅普诺夫（Lyapunov）进行严格证明。
构造包含状态误差和参数估计误差的复合李雅普诺夫函数。
证明了在提出的控制律和自适应律作用下，闭环系统的轨迹是一致最终有界（Uniformly Ultimately Bounded, UUB）的。这意味着系统状态最终会收敛到一个有界的小邻域内，保证了系统的稳定性。

3. 主要贡献 (Key Contributions)

针对状态依赖不确定性的新框架：提出了一种无需先验知识即可处理状态依赖摩擦力的自适应滑模控制框架。这填补了现有文献中无法处理无界、状态依赖动态特性的空白。
无需参数辨识：控制器不需要预先知道机器人的质量、转动惯量或具体的摩擦系数，通过在线自适应律实时估计并补偿这些不确定性。
理论保证：提供了完整的闭环系统稳定性证明（UUB），并详细推导了状态依赖不确定性的上界结构。
高鲁棒性：设计能够同时抵抗外部干扰（如路面突变）和内部参数变化（如轮胎磨损导致的摩擦变化）。

4. 实验结果 (Results)

仿真平台：使用 Gazebo 仿真环境，基于开源的 TurtleBot3 机器人模型和 Teeterbot 插件进行验证。
实验场景：
- 三车编队（Robot 1, 2, 3）跟随“8"字形轨迹。
- 自定义竞技场：分为四个象限，其中第三象限具有更高的摩擦系数（ $\mu=0.13$ vs $\mu=0.1$ ），并设置了减速带（Speed breakers）模拟突发干扰。
对比对象：提出的 ASMC vs. 标准的 ASMC（参考文献 [30]，假设不确定性有界）。
性能指标：
- 轨迹跟踪误差：在第三象限（高摩擦变化区）和经过减速带时，标准 ASMC 的跟踪误差显著增大，出现尖峰；而提出的 ASMC 误差更小，收敛更快。
- 编队间距保持（Gap Error）：在摩擦剧烈变化时，标准 ASMC 的间距误差 RMS 值为 0.026m/0.050m，而提出的 ASMC 仅为 0.014m/0.036m，显著提升了编队保持能力。
- 总体表现：在摩擦变化较小的区域，两者表现相近；但在复杂工况下，提出的方法在稳定性、收敛速度和鲁棒性上均优于现有最先进方法。

5. 意义与展望 (Significance & Future Work)

学术意义：解决了多机器人编队控制中长期存在的“状态依赖不确定性”建模难题，为在未知和时变环境下的机器人控制提供了新的理论工具。
实际应用价值：该方法特别适用于物流车队、自动驾驶卡车编队等实际场景，这些场景中路况复杂、轮胎磨损不一，且难以精确建模摩擦特性。
未来工作：
- 在真实物理平台上进行实验验证。
- 研究不同坡度、不同负载下的性能。
- 优化控制器的能量效率和响应速度。
- 扩展至更多数量的编队（可扩展性研究）及其他类型的自主系统（如无人机、水下机器人）。

总结：该论文通过引入一种创新的自适应机制，成功解决了轮式机器人编队在未知且状态依赖的摩擦环境下的控制难题，显著提升了系统在复杂路况下的鲁棒性和跟踪精度，具有重要的理论价值和工程应用前景。