1.一种基于软约束二次规划MPC的无人驾驶车辆路径跟踪控制方法，其特征在于包括如下步骤：

1)系统初始化，包括：

1.1)设置系统采样周期T；

1.2)从路径规划模块获取世界坐标系XOY及参考路径点集Pr＝{(xr(i),yr(i))i＝0,1,

2...}，其中xr(i)表示参考路径第i个点横坐标，yr(i)表示参考路径第i个点纵坐标；

1.3)建立新的参考路径点集 其中 为参考路径点对应的航向角、vr(i)为参考路径点对应的控制车速、δr(i)为参考路径点对应的控制前轮转角；

1.4)设置车辆控制量u和控制增量△u的约束条件；

1.5)设置控制器参数：Q、R、F、ρ、z1min、z2min、z3min、z4min、z1max、z2max、z3max、z4max、m1、m2、m3、m4；

1.6)设置预测时域Np和控制时域Nc；

2)初始化k＝0，其中k表示采样计数变量，用于对每一个采样进行计数；

3)路径跟踪控制器通过高精度卫星差分定位实时采样车辆状态量χ，其中x、y分别为车辆后轴中点横坐标和纵坐标，为车辆航向角；

4)根据车辆状态量χ(k)、u(k‑1)、Yr(k)以及ur(k)预测从第k采样时刻起到未来Np个采样时刻的输出，并以矩阵Y(k)的形式表示；

5)利用带软约束二次规划优化方法计算出未来Nc个采样时刻的控制增量；

所述步骤5)中计算未来Nc个采样时刻的控制增量包括如下步骤：

5.1)在约束条件中加入松弛因子，并设置目标函数，采用如下目标函数：式中： Q为预测状态误差权重矩阵，R为预测控制增量权重矩阵，T

F为预测控制误差权重矩阵，ε＝[ε1 ε2 ε3 ε4]为松弛因子向量，ρ为松弛因子权重矩阵；

经过整理：

5.2)将5.1)中带软约束目标函数整理为可以用二次规划方法求解的形式，过程为：

5.2.1)经过相应的矩阵计算，可以将步骤5.1)中目标函数调整为：式中：

EU(k)＝Ucurrent(k‑1)‑Ur(k)，

5.2.2)这种带约束的优化问题可转化为如下的二次规划问题：其中：

T

M＝[m1 m2 m3 m4]，其中Δumin为采样周期内控制增量下限，Δumax为采样周期内控制增量上限，umin为最小控制量，umax为最大控制量；

5.2.3)完成对5.2.2)求解后，得到未来Nc个时刻的一系列控制增量：

6)对第k个参考点进行跟踪控制，跟踪控制量为上一时刻的控制量加上当前时刻的控制增量，即：

*

u(k)＝u(k‑1)+Δu(k);

7)采样计数加1，即k＝k+1；

8)重复步骤3)到步骤6)，直至完成路径跟踪过程；

所述步骤4)中矩阵Y(k)的计算步骤如下：

4.1)建立车辆运动学模型：其中，v为控制车速，δ为控制前轮转角，L为车辆轴距；

4.2)离散化车辆运动学模型，方法如下：

4.2.1)将步骤4.1)中车辆运动学方程表示为 并将此式在参考点(χr,ur)处进行泰勒展开，消去高阶项可得：式中：A为f(χ,u)相对χ的雅可比矩阵，B为f(χ,u)相对u的雅可比矩阵，T

ur＝[vr δr] ；

4.2.2)令 并离散化，其中 则χ(k+1)＝Akχ(k)+Bku(k)+g(k)其中：

4.2.3)整理上式可得离散化车辆运动学方程：C＝diag(1,1,1)；

4.3)计算从第k采样时刻起到未来Np个采样时刻的输出，分为如下过程：

4.3.1)取新的状态空间方程为：经过整理可得：

式中：

其中I为单位矩阵；

4.3.2)做出如下假设：其中，下标k+j,k表示在k采样时刻对第k+j时刻的预测值，j＝1,2...；

4.3.3)在k时刻，对未来Np个采样时刻的输出值进行预测，将系统未来采样时刻的输出以矩阵的形式表达：

Y(k)＝ψkξ(k)+ΘkΔU(k)+ΦkG(k)式中：

其中，(k+j|k)表示在k采样时刻对第k+j时刻的预测值，j＝1,2...；

相应参考输出为：

2.根据权利要求1所述的基于软约束二次规划MPC的无人驾驶车辆路径跟踪控制方法，其特征在于，所述步骤1.3)中， vr(i)、δr(i)的计数公式如下：L为车辆轴距。

3.根据权利要求1所述的基于软约束二次规划MPC的无人驾驶车辆路径跟踪控制方法，其特征在于，所述步骤1.4)中，控制量和控制增量满足如下约束条件：T T

其中u＝[v δ] 为车辆控制量，v为控制车速，δ为控制前轮转角，Δu＝[Δv Δδ]为采样周期内控制增量，Δv为采样周期内控制车速增量，Δδ为采样周期内控制前轮转角增量，T T

Δumin＝[Δvmin Δδmin]为采样周期内控制增量下限，Δumax＝[Δvmax Δδmax]为采样周期T T

内控制增量上限，umin＝[vmin δmin]为最小控制量，umax＝[vmax δmax]为最大控制量。