1.基于模型补偿的智能车辆轨迹跟踪模型预测控制方法，其特征在于包括：建立2自由度车辆动力学模型模拟智能车辆；

构建由线性误差模型、预测模型和目标函数组成的模型预测控制系统，将车辆动力学模型模的微分形式进行离散线性化得到线性误差模型，将其作为模型预测控制器的预测模型，选取状态量 作为线性误差模型的输入，以预测模型的输出 与期望轨迹 之间的偏差设计目标函数，求取最优控制量前轮偏角δf0，同时将最优控制序列反馈给预测模型；vx,vy分别为车辆质心处的纵向、横向速度； 分别为车辆质心处的横摆角、横摆角速度；X,Y分别为全局坐标系下车辆的纵向、横向位置；Yref为车辆横向位置的期望值； 为车辆横摆角的期望值；

所述线性误差模型：

ξ(k+1)＝Ak,tξ(k)+Bk,tu(k)+dk,tq(k)＝Ck,tξ(k)

式中:

式中，ξ(k)为k时刻状态量的值；ξ(k+1)为k+1时刻状态量的值；u(k)为k时刻的控制量的值；q(k)为k时刻输出量的值；dk,t状态量与参考状态量之间的偏差；T为采样时间；

目标函数：

式中： 是在t时刻的优化变量；qdyn(t+i|t)表示的是在t+i时刻的预测方程的输出变量；qref(t+i|t)表示的是在t+i时刻期望轨迹的参考量，ρ为权重系数，ε为松弛因子，ξdyn(t)∈Rn为n状态变量，udyn(t-1)∈Rm为m维控制变量，Np预测时域，Q,R为权重矩阵；

约束条件：

s.t.ξk+1,t＝f(ξdyn,t,udyn,t),k＝t,...t+Np-1Udyn,min≤Uk,t≤Udyn,max,k＝t,...t+Np-1ΔUdyn,min≤ΔUk,t≤ΔUdyn,max,k＝t,...t+Nc-1ε＞0

将车辆当前运动轨迹和期望轨迹的误差e以及误差变化 作为RBF神经网络的输入，RBF神经网络的实际输出为 将 倍乘矩阵-A0得到 其中，δf1为自适应RBF神经网络补偿的前轮偏角； m为整车质量，lf为前轮到车辆质心的距离，ccf为前轮的横向侧偏刚度；

模型预测控制系统输出的最优控制量前轮偏角δf0和自适应RBF神经网络补偿的前轮偏角δf1组成最终智能车辆的输入δf，即δf＝δf0+δf1。

2.根据权利要求1所述基于模型补偿的智能车辆轨迹跟踪模型预测控制方法，其特征在于：所述车辆动力学模型为式中，δf为前轮转角；lf,lr分别为前、后轮到车辆质心的距离； 分别为车辆质心处的纵向加速度；Iz为车辆绕z轴转动惯量；ccf,ccr分别为前、后轮的横向侧偏刚度；为车辆质心处的横摆角加速度； 为全局坐标系下车辆的纵向速度、横向速度。

3.根据权利要求2所述基于模型补偿的智能车辆轨迹跟踪模型预测控制方法，其特征在于：将模型预测控制器中的所述车辆动力学模型转换为如下状态方程：其中，矩阵A0、B0和C0分别为：

4.根据权利要求1或3所述的基于模型补偿的智能车辆轨迹跟踪模型预测控制方法，其特征在于：取 为所述车辆动力学模型不确定部分，式中： 假设真实的车辆动力学模型为 ΔA＝A-A0,ΔB＝B-B0,ΔC＝C-C0。

5.根据权利要求1所述基于模型补偿的智能车辆轨迹跟踪模型预测控制方法，其特征在于：所述RBF神经网络包括输入层、隐含层和输出层；输入层包含2个神经元，隐含层包含5个神经元，输出层有1个神经元；将高斯基函数作为神经元作用函数。