1.一种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，包括以下步骤：S1、建立智能车辆的车辆运动学模型；

S2、将车辆运动学模型离散化，得到预测时域方程；

S3、对预测时域方程进行优化，得到MPC问题；

S4、采用最大相关熵准则建立MPC问题模型；

S5、求解MPC问题模型，实现对智能车辆的路径跟踪。

2.根据权利要求1所述的智能车辆路径跟踪方法，其特征在于，所述步骤S1中智能车辆的车辆运动学模型基于以下假设：假设一：只考虑车辆在X‑Y水平面方向的运动而忽略车辆在Z轴方向的运动；

假设二：车辆左右轮子在转向时转角相同，因而在建模时可以合并为一个轮子；

假设三：车速变化较慢，可以忽略前后轴的负载转移；

假设四：车体和悬挂系统是刚性的。

3.根据权利要求2所述的智能车辆路径跟踪方法，其特征在于，所述步骤S1具体为：在惯性坐标系下，建立智能车辆的车辆运动学模型为：其中(Xr,Yr)为车辆后轴轴心坐标， 为车辆的航向角，δf为车辆前轮偏角，l为车辆轴距，vr为车辆后轴中心速度，参数上的符号“·”表示该参数的一阶导数；

将车辆运动学模型表示为一般形式：T

其中状态量 控制量u＝[vr,δf]，f(·)表示车辆运动学模型函数；

参考系统的任意时刻的状态和控制量满足：在任意参考点(Xr,ur)处，对公式(2)进行泰勒展开，只保留一阶项，得到：其中Jf(X)为f(X,u)相对于状态量X的雅各比矩阵，Jf(u)为f(X,u)相对于控制量u的雅各比矩阵，ur表示参考点的控制量；

将公式(4)与公式(3)相减得到车辆运动学模型的最终表示形式：其中 表示当前状态量与参考状态量的差， 表示当前控制量与参考控制量的差，A(t)＝Jf(x)表示状态量X的雅各比矩阵，B(t)＝Jf(u)表示控制量u的雅各比矩阵。

4.根据权利要求3所述的智能车辆路径跟踪方法，其特征在于，所述步骤S2具体为：根据车辆运动学模型构建智能车辆的离散线性模型为：x(k+1)＝Akx(k)+Bku(k)        (6)其中Ak＝A(t)T+I表示A(t)离散化后的矩阵，Bk＝B(t)T表示B(t)离散化后的矩阵，I为单位矩阵，T为离散时间，x(k)表示当前状态量，u(k)表示当前控制量；

令：

其中ξ(k|k)表示人为设置的状态参数在离散线性模型中引入的控制增量，x(k|k)表示当前状态量，u(k‑1|k)表示上一时刻的控制量；

将公式(6)表述为它的等价形式：其中η为输出量， 为三阶单位矩阵， 分别为Ak,Bk,Ck的增广矩阵；

假设预测时域为Np，控制时域为Nc，得到预测状态参数ξ(k+Np|k)和输出η(k+Np|k)的表达式分别为：

其中Δu(k|k)为当前时刻控制增量，令：其中y表示预测时域内的输出矩阵，ψk表示预测时域内的状态系数矩阵，Δuk表示预测时域内的控制序列，Θk表示预测时域内的控制增量矩阵，则预测时域方程的紧凑形式表示为：

y＝ψkξ(k|k)+ΘkΔuk        (13)。

5.根据权利要求4所述的智能车辆路径跟踪方法，其特征在于，所述步骤S3具体为：根据预测时域方程，得到整个预测时域的期望输出yref为：其中ηref(k+1|k)表示下一时刻的参考输出量，根据整个预测时域的期望输出得到MPC问题表示为：

其中umin表示控制增量的最小值，umax表示控制增量的最大值，ulb表示控制总量的最小值，uub表示控制总量的最大值，Q表示输出量误差的权重矩阵，R表示控制增量的权重矩阵。

6.根据权利要求5所述的智能车辆路径跟踪方法，其特征在于，所述步骤S4具体为：将最大相关熵准则作为距离矩阵，建立MPC问题模型为：其中σ表示控制带宽的内核函数参数；

根据公式(11)和公式(12)将MPC问题模型表示为：其中ek表示误差矩阵，ek＝yref‑ψkξ(k|k)，eki,Θki,ψki分别为矩阵ek,Θk,ψk的行块，即：T T T T

Δuk＝[Δu(k|k) ,Δu(k+1|k) ,…,Δu(k+Nc‑1|k) ]为控制总量的最小值， 为控制总量的最大值， 是块元素为R的块对角矩阵，B是T

块元素为1＝[1,1]的下三角块矩阵；

简化约束后，将MPC问题模型表示为如下形式：T T T

其中A＝[B ,‑B]表示Δuk的系数矩阵， 表示控制总量的限制条件。

7.根据权利要求6所述的智能车辆路径跟踪方法，其特征在于，所述步骤S5包括以下分步骤：

S51、对MPC问题模型加入惩罚项得到其简化形式：其中ρ为松弛因子，[·]+表示一个函数，当其中每个元素均大于0时则函数值为0；

S52、采用半二次技术对MPC问题模型的简化形式进行重建；

S53、采用BCU加速迭代方法求解重建后的MPC问题模型，实现对智能车辆的路径跟踪。

8.根据权利要求7所述的智能车辆路径跟踪方法，其特征在于，所述步骤S52具体为：令 使得 满足：

其中 表示半二次技术特性函数，z,x均表示函数自变量，sup{·}表示上界函数；

设 得到公式(20)取极大值时z＝‑exp(‑x)，则有：其中pi表示函数自变量z的改写形式，令：其中 表示函数自变量序列，JHQ(·)表示MPC问题模型简化形式的函MCC

数，O (·)表示MPC问题模型简化形式第一项的函数，则将公式(19)重建为：

9.根据权利要求8所述的智能车辆路径跟踪方法，其特征在于，所述步骤S53中的BCU加速迭代方法具体为：

A1、设置Δuk和p的迭代更新式：其中上标t表示迭代次数，Du为 的可行域， 为 关于 的Lipschitz常数， 表示求 关于 的梯度；

ωt表示权重系数且ωt∈[0,1)， 表示有关ωt的一个推测点；

A2、设置迭代次数t＝0，初始化设置 为 的可行域，选取一个正值δω0

<1，并根据 设置p：

其中映射pi＝Γ(Δuk)定义为：A3、判断算法是否收敛，若是则输出得到控制增量Δuk，否则进入步骤A4；

A4、通过矩阵计算得到梯度：对于任意 和 有：

其中 表示Δuk迭代更新式的简化项，||·||M2为谱范数，其值为其中元素的最大奇异值，则根据公式(31)计算得到 的Lipschitz常数为：同时设置权重系数ωt为：

其中 表示迭代计算的权重系数，at表示每一次迭代的变量；

A5、根据Lipschitz常数 和权重系数ωt，由公式(25)计算得到A6、采用更新算法更新得到

A7、判断是否满足 若是则设置 并返回步骤A6，否则进入步骤A8；

t+1

A8、根据公式(27)更新得到p ；

A9、令迭代次数t加1，返回步骤A3。

10.根据权利要求9所述的智能车辆路径跟踪方法，其特征在于，所述步骤A6中的更新算法具体为：

B1、根据公式(24)得到：其中 表示Δuk迭代更新式的简化项；

B2、令 emin＝Δu‑umin,emax＝Δu‑umax，并设置迭代次数i＝1；

B3、若(emin)i<0，则令(Δu)i＝(umin)i，否则若(emax)i>0，则令(Δu)i＝(umax)i；

B4、判断迭代次数i是否达到上限d，若是则进入步骤B5，否则令迭代次数i加1，返回步骤B3；

B5、输出(Δu)d作为