1.基于最大相关熵准则的智能车辆路径跟踪方法，其特征在于，包括：S1、构建车辆动力学模型：

其中，为x方向的速度；为y方向的速度； 为航向角速度；ψ为航向角；v为车辆质心速度；δ为前轮偏角；L为车辆轴距长度；

S2、将所述车辆动力学模型转换为系统状态模型：T T

χ＝[x y ψ] ，u＝[v δf]其中， 为所有状态变量对于时间求导；χ为系统状态；u为基于车辆质心速度v和前轮转T向角δf的控制变量；[.]为转置符号；

S3、对系统状态模型进行离散线性化处理，构建形成预测时域的输出模型：y＝ψkξ(k|k)+ΘkΔu

其中，y为预测时域的输出；ψk为状态预测与输出预测的变换矩阵；

为模型预测控制器的状态量；x(k|k)为k时刻的状态；

u(k‑1|k)为k‑1时刻的输入；k为离散时间的第k个时刻；Θk为输入与输出预测的变换矩阵；Δu为多个时刻的预测输入变量；η(k+1|k)为从k时刻对k+1时刻的预测输出；η(k+2|k)为从k时刻对k+2时刻的预测输出；η(k+Np|k)为预测时域Np对应的预测输出量；

为输入与状态量递推的关系；

为k时刻状态与k+1时刻状态的变换；I为单位阵；Ak为线性运动模型状态参数；Bk为线性运动模型输入参数； 为 的Np次方； 为 的Np‑1次方； 为的Np‑NC‑1次方；Δu(k+1|k)为k时刻对k+1时刻的预测输出增量；Δu(k+2|k)为k时刻对k+2时刻的预测输出增量；Δu(k+Np|k)为k时刻对k+Np时刻的预测输出增量；Δu(k|k)为k时刻的预测输出增量；

Δu(k+Nc‑1|k)为k时刻对k+Nc‑1时刻的预测输出增量；ξ(k+Np|k)为预测时域Np对应的预测状态量；

S4、基于最大相关熵准则和半方方法，构建求解控制增量Δuk的路径跟踪模型：s.t.Δumin≤Δuk≤ΔumaxAΔuk≤ub

T T T T

其中，JHQ(Δuk,p)为目标函数；Δuk＝[Δu(k|k) ,Δu(k+1|k) ,...,Δu(k+NC‑1|k)]T为k对后续直到Nc‑1时刻的预测输出增量；Δu(k|k) 为k时刻的预测输出增量的转置；ΔuT T(k+1|k)为k时刻对k+1时刻的预测输出增量的转置；Δu(k+NC‑1|k) 为k时刻对k+Nc‑1时刻的预测输出增量的转置； 为对偶变量； 为所有控制增量的下界； 为每个时刻控制增量下界的转置； 为所有控制增量T T T T

的上界； 为每个时刻控制增量上界的转置；A＝[B ,‑B]为系数矩阵；B是以1＝[1,1]为MCC元素的下三角矩阵； 为以R对角元素的块对角矩阵；R为加权对角矩阵；O (Δuk,p)为以MCC为度量的拟合项； 为对于所有控制增量的正则项；Θki为Θk的第i个行分块；1≤i≤Np为指标集合； 为所有预测时刻的期望误差； 为第1个时刻的期望误差； 为第2个时刻的期望误差； 为第Np个时刻的期望误差；Q为对角加权矩阵；

为pi的对偶函数；pi为第i个对偶变量；ub为线性不等式约束的上界；σ为内核宽度；

S5、求解路径跟踪模型得到基于车辆质心速度v和前轮转向角σf的控制增量Δuk＝[ΔuΤ ΤΤ(k|k) ,...,Δu(k|k+Nc‑1) ] 。

2.根据权利要求1所述的基于最大相关熵准则的智能车辆路径跟踪方法，其特征在于，所述步骤S5进一步包括：t+1

将求解路径跟踪模型转化为迭代更新 和p ：t+1

其中， 为控制增量预测变量第t+1次迭代；p 为对偶变量第t+1次迭代；

当exp(‑x)在z＝‑exp(‑x)取得最大值且 确定时，迭代更新其解为 Γ(.)为映射函数；

t+1 t+1

采用内点法求解 根据得到的 计算p ，之后迭代更新 和p 得到控制增量Τ ΤΤΔuk＝[Δu(k|k) ,...,Δu(k|k+Nc‑1) ] 。

3.根据权利要求1所述的基于最大相关熵准则的智能车辆路径跟踪方法，其特征在于，所述步骤S4进一步包括：S41、将最大相关熵准则作为距离度量，构建求解控制增量Δuk的路径跟踪模型：s.t.Δumin≤Δuk≤ΔumaxAΔuk≤ub；

S42、通过半方方法对路径跟踪模型进行简化，得到最终的求解控制增量Δuk的路径跟踪模型：s.t.Δumin≤Δuk≤ΔumaxAΔuk≤ub。

4.根据权利要求3所述的基于最大相关熵准则的智能车辆路径跟踪方法，其特征在于，在步骤S41构建路径跟踪模型过程中所采用的高斯核函数g(x,σ)为：其中，exp(.)为自然指数函数。

5.根据权利要求1所述的基于最大相关熵准则的智能车辆路径跟踪方法，其特征在于，所述步骤S3进一步包括：对状态模型进行泰勒展开并忽略高阶项得到：其中，fχ、fu分别为f关于χ和u的雅克比矩阵；

根据泰勒展开后的模型，构建车辆的线性误差模型：其中， 为x方向的期望速度； 为x方向的期望速度； 为期望角速度；vref为期望速度； 为期望前轮转角；

对系统状态模型进行离散化处理，得到线性模型：其中， 为k时刻状态对于时间求导； 为k+1时刻的状态； 为k时刻的状态；T为离散化的周期；

根据模型预测控制器的状态量，将线性模型表示为：其中，η为观测数据；

设预测时域和控制时域分别为Np与Nc，根据线性模型得到预测时域Np对应的预测状态量和预测时域Np对应的预测输出量：根据预测时域Np对应的预测状态量和预测时域Np对应的预测输出量，构建形成预测时域的输出模型：y＝ψkξ(k|k)+ΘkΔu。