CN110162046B - 基于事件触发型模型预测控制的无人车路径跟随方法 - Google Patents
基于事件触发型模型预测控制的无人车路径跟随方法 Download PDFInfo
- Publication number
- CN110162046B CN110162046B CN201910422256.4A CN201910422256A CN110162046B CN 110162046 B CN110162046 B CN 110162046B CN 201910422256 A CN201910422256 A CN 201910422256A CN 110162046 B CN110162046 B CN 110162046B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- model
- following
- control
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 13
- 238000011217 control strategy Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013461 design Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims 1
- 238000005070 sampling Methods 0.000 abstract description 3
- 230000001960 triggered effect Effects 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 2
- 108010050014 systemin Proteins 0.000 description 2
- 241000207961 Sesamum Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于事件触发型模型预测控制的无人车路径跟随方法:包括建立车辆的非线性运动学模型,采集无人车辆运动学全局坐标位置信息,并传输给车辆的控制器,设计事件触发机制,对优化问题求解进行去冗余处理,决定车辆的控制策略是否更新;模型预测控制器应用位置信息,结合车辆全局坐标系中的状态约束与输入约束,求解出优化控制策略。本发明引入事件触发机制,能够保证减少计算量的同时保证对参考路径的跟随,与传统的周期采样控制相比,事件触发机制只在既定事件发生的时刻进行动作,比如误差超过阈值或者达到了特定时刻,实现了路径跟随控制,同时大大减少计算量。
Description
技术领域
本发明涉及汽车驾驶自适应巡航系统技术领域,特别是涉及一种汽车自适应巡航系统的运动控制系统,具体涉及一种基于事件触发型模型预测控制的无人车路径跟随方法。
背景技术
无人驾驶技术是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标,是利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。集自动控制、体系结构、人工智能、视觉计算等众多技术于一体,是计算机科学、模式识别和智能控制技术高度发展的产物。
自适应巡航系统无人驾驶技术中的核心。而路径跟随控制是自适应巡航的基本问题,可以构成车辆变道、避障、跟车等机动动作。通过车载传感器采集车辆全局坐标系下的位置信息,与全局参考路径信息对比,通过控制车辆方向盘进而控制车辆转角,使车辆能够跟随上参考路径,提高了车辆的自主性。
模型预测控制使用滚动优化和反馈校正的方法,能更好地解决带有约束的优化问题,并且预测模型可以结合被控对象本身,无论被控对象是线性模型还是非线性模型,都可以通过预测实现更精准的控制,因此被广泛应用到无人驾驶领域,模型预测控制的主要缺点是在线优化的计算负担。现有车载硬件水平很难保证优化问题的求解。
发明内容
本发明的目的是提供一种基于事件触发型模型预测控制的无人车路径跟随方法,在车辆运动学建模框架下,通过全局位置信息与运动学约束,通过模型预测控制方法求解路径跟随控制器,并引入事件触发机制减少计算量。
为达到上述目的,本发明采用的技术方案是:
一种基于事件触发型模型预测控制的无人车路径跟随方法:包括以下步骤:
S1:建立车辆的非线性运动学模型,采集无人车辆运动学全局坐标位置信息,并传输给车辆的控制器,
S2:设计事件触发机制,对优化问题求解进行去冗余处理,决定车辆的控制策略是否更新,
S3:模型预测控制器应用位置信息,结合车辆全局坐标系中的状态约束与输入约束,求解出优化控制策略。
优选地,在S1中:建立车辆非线性运动学模型包括:
选择惯性系XOY作为全局坐标系,表示车辆航向角,δ表示前轮偏角,vr表示前轮速度,vf表示后轮速度,l表示车辆轴距,上角标r表示后轮中轴相关变量,上角标f表示前轮中轴相关变量,假设车辆前后轴均无横向侧滑,得出相应的运动学约束:
由车辆框架在全局坐标系X、Y方向上的投影得出:
上述运动学约束联立得出车辆在X、Y方向的速度:
通过车辆前后轴中心距离得出前轮位置:
将公式(3)、(4)代入公式(1),化简得出车辆角速度:
由公式(3)和公式(5)得出车辆的运动学模型为:
进一步优选地,将公式(7)转换成带有有界扰动的连续时间非线性模型:
进一步优选地,对车辆路径跟随进行量化:位置状态能够跟随上一条参考路径,参考路径的方程定义如下:
进一步优选地,根据目标:limt→+∞||x(t)-p(θ)||,选取xe=x(t)-p(θ)为新的状态量,将公式(8)变换为:
进一步优选地,在S2中:事件触发机制的设计包括上界、下界,其中:上界为tk+T-tk=T;
下界通过如下步骤得到:
由绝对值三角不等式性质和Lipschitz函数的定义可得:
进一步优选地,采用模型预测控制方法求解路径跟随问题的控制器,包括:进行成本函数设计:
进一步优选地,在事件触发条件和优化问题中,满足以下两个条件:
A、系统函数f为二阶连续可微,且有f(0,0)=0,公式(8)是可以线性化的,线性化后的模型为:
B、在满足条件A的基础上,满足:
αeβ-1>1 (15)
由于上述技术方案运用,本发明与现有技术相比具有下列优点和效果:
本发明引入事件触发机制,能够保证减少计算量的同时保证对参考路径的跟随,与传统的周期采样控制相比,事件触发机制只在既定事件发生的时刻进行动作,比如误差超过阈值或者达到了特定时刻,实现了路径跟随控制,同时大大减少计算量。
附图说明
附图1为本实施例的流程图;
附图2为本实施例中无人驾驶汽车的运动学模型;
附图3、4为本实施例的效果对比图。
具体实施方式
下面结合附图及实施案例对本发明作进一步描述:
一种基于事件触发型模型预测控制的无人车路径跟随方法:包括以下步骤:
S1:建立车辆的非线性运动学模型,通过车载传感器采集无人车辆运动学全局坐标位置信息,并传输给车载微型控制器。
建立车辆非线性运动学模型包括:
选择惯性系XOY作为全局坐标系,表示车辆航向角,δ表示前轮偏角,vr表示前轮速度,vf表示后轮速度,l表示车辆轴距,上角标r表示后轮中轴相关变量,上角标f表示前轮中轴相关变量,假设车辆前后轴均无横向侧滑,得出相应的运动学约束:
由车辆框架在全局坐标系X、Y方向上的投影得出:
上述运动学约束联立得出车辆在X、Y方向的速度:
通过车辆前后轴中心距离得出前轮位置:
将公式(3)、(4)代入公式(1),化简得出车辆角速度:
由公式(3)和公式(5)得出车辆的运动学模型为:
在实际场景中,往往不能忽视外界的扰动,因此将公式(7)转换成带有有界扰动的连续时间非线性模型:
在该模型中存在有界扰动扰动约束集为扰动的上界定义为扰动约束集与输入约束集为紧集。该模型的建立,引入了对车辆定位位置的扰动,实际场景中,传感器的测量总是带有不确定扰动的,因此车辆真实状态量是理想状态量与扰动的叠加,由于扰动主要来自外界测量误差,而非系统自身误差,所以设计为加性扰动。
对车辆路径跟随进行量化:位置状态能够跟随上一条参考路径,参考路径的方程定义如下:
其中,θ不是先验已知量,而是用一个微分方程来描述根据我们的目标limt→+∞||x(t)-p(θ)||,为了便于分析,可以将分析对象从车辆的运动学方程改为误差状态方程,选取xe=x(t)-p(θ)为新的状态量,将公式(8)变换为:
S2:设计事件触发机制,对优化问题求解进行去冗余处理,决定车辆的控制策略是否更新。
其中,T是预测时域保证了触发条件的具有固定的上界和下界,防止芝诺现象的发生,其中x(·|tk)表示tk时刻之后一段时间内系统状态,同理,u(·|tk)可以表示tk时刻之后一段时间内的控制输入,和代表最优位姿误差状态和最优控制输入,是求解优化问题的结果,xe(s)是实际位姿误差状态。
根据事件触发机制的设计,显然有上界为tk+T-tk=T;下界通过如下步骤得出:
由绝对值三角不等式性质和Lipschitz函数的定义可得:
S3:模型预测控制器应用位置信息,结合车辆全局坐标系中的状态约束与输入约束,求解出优化控制策略。
采用模型预测控制方法求解路径跟随问题的控制器,引入事件触发机制避免大量求解优化问题又会带来计算上的负担,具体形式设计如下:
采用模型预测控制方法求解路径跟随问题的控制器,包括:进行成本函数设计:
事件触发条件和优化问题中,满足以下两个条件:
A、系统函数f为二阶连续可微,且有f(0,0)=0,公式(8)是可以线性化的,线性化后的模型为:
αeβ-1>1 (15)
B、在满足条件A的基础上,满足:
该条件用以保证系统收敛性,状态轨迹可以在有限事件收敛到不变集Ω(ε)中。
实施例中的参数设计满足S3的条件A、B,具体设计为仿真步长设定为420,采样时间为Tm=0.05。车辆的运动学模型为(44)。车辆的初始位姿状态向量为[18,0,0.5π],轴距l=2.85,后轮速度vr=6,预测时域T=0.2,参考轨迹的圆心在(X0,Y0)=(0,0),半径R=20,轨迹参数进一步得到期望轨迹p(θ)=[Rcosθ+X0,R sinθ,θ+0.5π]T。误差阈值σ=1.34×10-3,扰动ρ=0.00004,β=0.6,α=1.7,Lipschitz常数F=1.1,ε=0.3。权重矩阵Q=[10,0,0;0,10,0;0,0,100]T,R=[10],P=[1,0,0;0,1,0;0,0,1]T。从图3、4可以看出在达到跟踪效果的前提下,左边的事件触发型控制器可以减少求解次数,求解次数下降了约70%。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于事件触发型模型预测控制的无人车路径跟随方法:其特征在于:包括以下步骤:
S1:建立车辆的非线性运动学模型,采集无人车辆运动学全局坐标位置信息,并传输给车辆的控制器,建立车辆非线性运动学模型包括:
选择惯性系XOY作为全局坐标系,表示车辆航向角,δ表示前轮偏角,vr表示后轮速度,vf表示前轮速度,l表示车辆轴距,上角标r表示后轮中轴相关变量,上角标f表示前轮中轴相关变量,假设车辆前后轴均无横向侧滑,得出相应的运动学约束:
由车辆框架在全局坐标系X、Y方向上的投影得出:
上述运动学约束联立得出车辆在X、Y方向的速度:
通过车辆前后轴中心距离得出前轮位置:
将公式(3)、(4)代入公式(1),化简得出车辆角速度:
由公式(3)和公式(5)得出车辆的运动学模型为:
将公式(7)转换成带有有界扰动的连续时间非线性模型:
对车辆路径跟随进行量化:位置状态能够跟随上一条参考路径,参考路径的方程定义如下:
事件触发机制的设计包括上界、下界,其中:上界为tk+T-tk=T;
下界通过如下步骤得到:
由绝对值三角不等式性质和Lipschitz函数的定义可得:
S3:模型预测控制器应用位置信息,结合车辆全局坐标系中的状态约束与输入约束,求解出优化控制策略,
采用模型预测控制方法求解路径跟随问题的控制器,包括:进行成本函数设计:
在事件触发条件和优化问题中,满足以下两个条件:
A、系统函数f为二阶连续可微,且有f(0,0)=0,公式(8)是可以线性化的,线性化后的模型为:
αeβ-1>1 (15)
B、在满足条件A的基础上,满足:
该条件用以保证系统收敛性,状态轨迹可以在有限事件收敛到不变集Ω(ε)中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422256.4A CN110162046B (zh) | 2019-05-21 | 2019-05-21 | 基于事件触发型模型预测控制的无人车路径跟随方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910422256.4A CN110162046B (zh) | 2019-05-21 | 2019-05-21 | 基于事件触发型模型预测控制的无人车路径跟随方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110162046A CN110162046A (zh) | 2019-08-23 |
CN110162046B true CN110162046B (zh) | 2022-05-13 |
Family
ID=67631513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910422256.4A Active CN110162046B (zh) | 2019-05-21 | 2019-05-21 | 基于事件触发型模型预测控制的无人车路径跟随方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110162046B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969289B (zh) * | 2019-11-18 | 2023-06-23 | 青岛科技大学 | 一种无人船气象航线连续动态优化方法和系统 |
CN112859826A (zh) * | 2019-11-26 | 2021-05-28 | 北京京东乾石科技有限公司 | 用于控制无人搬运车的方法和装置 |
CN112782978B (zh) * | 2020-12-24 | 2022-01-28 | 北京交通大学 | 一种基于自触发机制的高速列车巡航运行控制方法 |
CN112685835B (zh) * | 2020-12-31 | 2022-08-19 | 中国科学院数学与系统科学研究院 | 车辆自主驾驶的弹性事件触发控制方法及系统 |
CN113031436B (zh) * | 2021-02-25 | 2024-02-02 | 西安建筑科技大学 | 一种基于事件触发的移动机器人模型预测轨迹跟踪控制系统及方法 |
CN113778082B (zh) * | 2021-08-23 | 2023-08-22 | 北京科技大学 | 一种基于自触发机制的无人车轨迹跟踪控制方法及系统 |
CN113788021B (zh) * | 2021-09-03 | 2022-08-12 | 东南大学 | 一种结合前车速度预测的自适应跟车巡航控制方法 |
CN115857315B (zh) * | 2022-11-24 | 2023-12-15 | 西安理工大学 | 基于事件触发的半导体硅单晶生长模型预测控制方法 |
CN116224804A (zh) * | 2023-04-11 | 2023-06-06 | 大连海事大学 | 一种基于切换模型的航空发动机事件触发平滑切换控制系统与方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334086A (zh) * | 2018-01-25 | 2018-07-27 | 江苏大学 | 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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5740033A (en) * | 1992-10-13 | 1998-04-14 | The Dow Chemical Company | Model predictive controller |
US9365162B2 (en) * | 2012-08-20 | 2016-06-14 | Magna Electronics Inc. | Method of obtaining data relating to a driver assistance system of a vehicle |
-
2019
- 2019-05-21 CN CN201910422256.4A patent/CN110162046B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108334086A (zh) * | 2018-01-25 | 2018-07-27 | 江苏大学 | 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 |
Non-Patent Citations (4)
Title |
---|
Event-Based Model Predictive Tracking Control of Nonholonomic Systems With Coupled Input Constraint and Bounded Disturbances;Zhongqi Sun 等;《IEEE Transactions on Automatic Control》;IEEE;20170807;第63卷(第2期);第608-615页 * |
Event-triggered model predictive control of discrete-time linear systems subject to disturbances;Daniel Lehmann 等;《2013 European Control Conference (ECC)》;IEEE;20131202;第1156-1161页 * |
Event-triggered robust model predictive control of continuous-time nonlinear systems;Huiping Li 等;《Automatica》;20140413;第1507-1513页 * |
不确定非线性系统的事件驱动鲁棒跟踪控制;崔黎黎 等;《沈阳师范大学学报(自然科学版)》;20180603;第36卷(第03期);第237-243页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110162046A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110162046B (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
Yao et al. | Control strategies on path tracking for autonomous vehicle: State of the art and future challenges | |
Tang et al. | An improved kinematic model predictive control for high-speed path tracking of autonomous vehicles | |
Hu et al. | Robust H∞ output-feedback control for path following of autonomous ground vehicles | |
CN107415939B (zh) | 一种分布式驱动电动汽车转向稳定性控制方法 | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
CN111007722B (zh) | 一种四轮转向自动驾驶汽车横向鲁棒容错控制系统及方法 | |
CN108646756B (zh) | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 | |
Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
CN107831761A (zh) | 一种智能车的路径跟踪控制方法 | |
Awad et al. | Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles | |
Xu et al. | Model predictive control for lane keeping system in autonomous vehicle | |
CN113581201B (zh) | 一种基于势场模型的无人汽车避撞控制方法及系统 | |
Kebbati et al. | Lateral control for autonomous wheeled vehicles: A technical review | |
Németh et al. | Nonlinear analysis and control of a variable-geometry suspension system | |
Farag | Complex-track following in real-time using model-based predictive control | |
CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
CN112606843A (zh) | 一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法 | |
Guo et al. | Neural-fuzzy-based adaptive sliding mode automatic steering control of vision-based unmanned electric vehicles | |
Meiling et al. | Model predictive control for UGV trajectory tracking based on dynamic model | |
CN110609473A (zh) | 一种不确定模型机器人的控制方法 | |
CN110723207B (zh) | 基于模型重构的智能汽车模型预测转向控制器及其控制方法 | |
Lee et al. | Predictive control of a vehicle trajectory using a coupled vector with vehicle velocity and sideslip angle | |
Lu et al. | Adaptive heading control strategy for unmanned ground vehicle with variable wheelbase based on robust-active disturbance rejection control | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |