CN102658819B - 一种基于仿人智能控制的汽车自动泊车入位方法 - Google Patents

Abstract

本发明涉及汽车自动泊车入位，特别是一种基于仿人智能控制的汽车自动泊车入位方法。该方法第一步是根据汽车参数和泊车位参数确定自动泊车入位路径，并选取该路径上的几个预定关键点作为跟踪目标；第二步，根据汽车泊车入位过程中的位姿相对于当前预定关键点的误差及其误差变化率驱动构建的特征模型确定出当前特征状态；第三步，根据驾驶员泊车入位操作为基础构建的控制模态集，由当前特征状态确定出当前控制模态；第四步，根据当前控制模态控制汽车运动到当前预定关键点；依照第二步至第四步的方法依次控制汽车运动到最后一个预定关键点，即可实现汽车泊车入位。本发明涉及的自动泊车入位方法计算量小、普适性好。

Description

一种基于仿人智能控制的汽车自动泊车入位方法

技术领域

本发明涉及汽车自动泊车入位，特别是一种基于仿人智能控制的汽车自动泊车入位方法。

背景技术

汽车自动泊车入位是在无人操控方向盘的情况下，汽车从行驶车道运动到泊车位的机动行为，根据汽车自身相对于泊车位的方向，可分为平行泊车入位、垂直泊车入位和斜形泊车入位等几种情况。自动泊车入位的主要参数包括：车长L_c、车宽W_c、轴距L、前轮转角最小转半径R_m、车位长L_p、车位宽W_p等。从控制论观点来看，车辆系统是一个多输入多输出的非线性欠驱动耦合系统，研究自动泊车入位的控制问题是提高泊车安全性和减轻驾驶复杂性的有效途径之一，具有重要研究意义和应用价值。

目前，自动泊车入位的控制方法主要有：(1)基于路径规划的方法(参考文献[1]：KangZhi Liu，Minh Quan Dao，Takuya Inoue.An exponentially ε-convergent control algorithm forchained systems and its application to automatic parking systems[J].IEEE Transactions onControl Systems Technology，2006，14(6)：1113-1126)。(2)基于经验知识的方法(参考文献[2]：Tarik Ozkul，Mohammed Moqbel，Suhail B.Aldhaffi.Development of a hierarchical driver aidfor parallel parking using fuzzy biomimetic approach[J].Journal of Computing and InformationTechnology，2010，18(1)：31-44)。(3)基于路径规划和基于经验知识相结合的方法(参考文献[3]：K.Demirli，M.Khoshnejad.Autonomous parallel parking of a car-like mobile robot by aneuro-fuzzy sensor-based controller[J].Fuzzy Sets and Systems，2009，160：2876-2891)。但普遍存在普适性差、计算复杂、计算量大等问题。例如，基于路径规划的方法对传感器和执行器的精确性要求很高，在泊车入位过程中，很难补偿执行过程中和系统的动态性引起的误差，即使位置误差能够被随后的反复迭代运动所补偿，也会增加相应的时间成本，从而影响泊车入位的效果；基于经验知识的方法采用模糊控制及其与神经网络和遗传算法相结合，这类方法样本数据的获得比较困难，模糊化、解模糊化、训练神经网络和参数寻优时计算复杂、计算量大。

综上，研究自动泊车入位方法具有重要研究意义和应用价值，但现有方法存在诸多问题，需要提出一种计算量小、普适性更好的自动泊车入位方法。

发明内容

本发明的目的在于提供一种计算量小、普适性好的自动泊车入位方法，实现汽车自动泊车入位。

为达到上述目的，本发明的构思是：采用仿人智能的方法，通过模仿驾驶员泊车入位的经验技巧，跟踪泊车入位路径上的几个预定关键点实现汽车泊车入位。

基于上述构思，本发明采用如下技术方案：

一种基于仿人智能控制的汽车自动泊车入位方法，其特征在于：该方法第一步是根据汽车参数和泊车位参数确定自动泊车入位路径，并选取该路径上的几个预定关键点作为跟踪目标；第二步，根据汽车泊车入位过程中的位姿相对于当前预定关键点的误差及其误差变化率驱动构建的特征模型确定出当前特征状态；第三步，根据驾驶员泊车入位操作为基础构建的控制模态集，由当前特征状态确定出当前控制模态；第四步，根据当前控制模态控制汽车运动到当前预定关键点；依照第二步至第四步的方法依次控制汽车运动到最后一个预定关键点，即可实现汽车泊车入位。该方法包括以下步骤：

(1)根据车宽W_c、前轮转角最小转半径R_m、车位长L_p、车位宽W_p，确定泊车入位路径上的预定关键点P₁(x₁，y₁)，P₂(x₂，y₂)，P₃(x₃，y₃)，P₄(0，0)作为跟踪目标；

(2)根据汽车泊车入位过程中的位姿(x，y，θ)相对于当前预定关键点P_i(i＝1，2，3，4)的误差e及其误差变化率驱动构建的特征模型Φ确定出当前特征状态

特征模型Φ＝{Φ₁，Φ₂，Φ₃，Φ₄}为：

其中，

为汽车当前位置(x，y)与预定关键点P₁之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₁；

为汽车当前位置(x，y)与预定关键点P₂之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₂；

为汽车当前位置(x，y)与预定关键点P₃之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₃；

为汽车当前位置(x，y)与预定关键点P₄之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₄；

e_θ＝θ为车身方向θ相对于目标方向0°的角度；

描述车身在方向上是远离还是接近目标；

e_θ0＝θ-θ₀为车身方向θ相对于直线l₁的角度；

描述车身在方向上是远离还是接近直线l₁；

d₁、d₂、d₃、d₄、θ_c、θ_c0：为阈值；

(3)由当前特征状态驱动构建的控制模态集Ψ，确定出当前控制模态ψ_ij，根据当前控制模态ψ_ij控制汽车运动到当前预定关键点：

控制模态集Ψ＝{Ψ₁，Ψ₂，Ψ₃，Ψ₄}为：

其中，Ψ_i(i＝1，2，3，4)中k₁、k₂、k₃、k₄、k₅、k₇和k₈为比例系数，k₆和k₉为微分系数，v₀为车速，为前轮转角最大值，sign(e_θ)为e_θ的符号，sign(e_θ0)为e_θ0的符号；

如果汽车当前处于特征状态则采用控制模态ψ_ij进行控制，i＝1，2，3，4；j＝1，2，3，4。

本发明涉及的自动泊车入位方法计算量小、普适性好。

附图说明

图1为靠右自动平行泊车入位示意图；

图中：101为直线l₁，102为直线l₂，103为直线l₁与x轴的夹角θ₀，201为圆O₁，202为圆O₃，203为圆O₁的半径R₁，204为圆O₃的半径R₃，301为预定关键点P₁，302为预定关键点P₂，303为预定关键点P₃，304为预定关键点P₄，401为待泊车入位的汽车，402为车长L_c，403为车宽W_c，404为汽车的轴距L，501为泊车位长L_p，502为泊车位宽W_p。

图2为本发明流程图。

图3为在实验参数设置：车长L_c＝3.5m，车宽W_c＝1.6m，轴距L＝2.4m，前轮转角车位长L_p＝5.0m，车位宽W_p＝2.4m，初始状态为表1中序号1情况下，本发明控制汽车泊车入位的效果图。

图4为在实验参数设置：车长L_c＝4.5m，车宽W_c＝1.8m，轴距L＝2.6m，前轮转角车位长L_p＝6.0m，车位宽W_p＝2.4m，初始状态为表1中序号2情况下，本发明控制汽车泊车入位的效果图。

图5为在实验参数设置：车长L_c＝5.5m，车宽W_c＝2.0m，轴距L＝2.8m，前轮转角车位长L_p＝7.0m，车位宽W_p＝2.4m，初始状态为表1中序号3情况下，本发明控制汽车泊车入位的效果图。

表1实验参数设置值

由图3-图5仿真结果可知，针对不同尺寸的四轮汽车自动泊车入位，本发明控制效果好、普适性好。

具体实施方式

下面根据附图和具体实施对本发明作进一步阐述。以靠右自动平行泊车入位为例进行说明。

(1)根据车宽W_c、前轮转角最小转半径R_m、车位长L_p、车位宽W_p，确定泊车入位路径上的预定关键点P₁(x₁，y₁)，P₂(x₂，y₂)，P₃(x₃，y₃)，P₄(0，0)作为跟踪目标，方法如下：

以预定关键点P₄(0，0)为原点O建立直角坐标系XOY；

取直线l₁：y＝ax+b，(a＝tanθ₀为l₁直线的斜率，为前轮转角最大值， $\sqrt{{\left(\frac{W_p}{2}\right)}^2+{(L_p+\frac{b}{a})}^2}\sin ({\mathrm{\&theta;}}_0-\arctan (\frac{W_p}{2}/(L_p+\frac{b}{a}))>\frac{W_c}{2},b=<0,R_m\sin \frac{{\mathrm{\&theta;}}_0}{2}\&le;-\frac{b}{a}$ )和点P₁(x₁，y₁)，作圆O₁，与直线l₁相切于点P₃，与x轴相切于原点O，圆O₁的圆心O₁在y轴正方向上，且圆O₁的半径R₁满足R₁≥R_m；过点P₁作与x轴平行的直线l₂，作圆O₃，与直线l₁相切于点P₂，与直线l₂相切于点P₁，且圆O₃的半径R₃满足R₃≥R_m；

通过计算得：

$P_2(\frac{y_1-b}{a}-\frac{{\mathrm{ax}}_1-y_1+b}{a}\cos {\mathrm{\&theta;}}_0,y_1-\frac{{\mathrm{ax}}_1-y_1+b}{a}\sin {\mathrm{\&theta;}}_0),$

$P_3(-\frac{b}{a}(1+\cos {\mathrm{\&theta;}}_0),-\frac{b}{a}\sin {\mathrm{\&theta;}}_0);$

(2)根据汽车泊车入位过程中的位姿(x，y，θ)相对于当前预定关键点P_i(i＝1，2，3，4)的误差e及其误差变化率驱动构建的特征模型Φ确定出当前特征状态

构建特征基元集Q＝{Q₁，Q₂，Q₃，Q₄}为：

$Q_1=\left\{\begin{array}{c}{q}_{11}|e_{d1}>d_1\\ q_{12}|e_{d1}\&le;d_1\\ q_{13}|{\stackrel{.}{e}}_{d1}>0\\ q_{14}|{\stackrel{.}{e}}_{d1}\&le;0\\ q_{15}\left|\right|e_{\mathrm{\&theta;}}|>{\mathrm{\&theta;}}_c\\ q_{16}\left|\right|e_{\mathrm{\&theta;}}|\&le;{\mathrm{\&theta;}}_c\\ q_{17}|{\stackrel{.}{e}}_{\mathrm{\&theta;}}>0\\ q_{18}|{\stackrel{.}{e}}_{\mathrm{\&theta;}}\&le;0\end{array}\right\},Q_2=\left\{\begin{array}{c}{q}_{21}|e_{d2}>d_2\\ q_{22}|e_{d2}\&le;d_2\\ q_{23}|{\stackrel{.}{e}}_{d2}>0\\ q_{24}|{\stackrel{.}{e}}_{d2}\&le;0\\ q_{25}\left|\right|e_{\mathrm{\&theta;}0}|>{\mathrm{\&theta;}}_{c0}\\ q_{26}\left|\right|e_{\mathrm{\&theta;}0}|\&le;{\mathrm{\&theta;}}_{c0}\\ q_{27}|{\stackrel{.}{e}}_{\mathrm{\&theta;}0}>0\\ q_{28}|{\stackrel{.}{e}}_{\mathrm{\&theta;}0}\&le;0\end{array}\right\},Q_3=\left\{\begin{array}{c}{q}_{31}|e_{d3}>d_3\\ q_{32}|e_{d3}\&le;d_3\\ q_{33}|{\stackrel{.}{e}}_{d3}>0\\ q_{34}|{\stackrel{.}{e}}_{d3}\&le;0\\ q_{35}\left|\right|e_{\mathrm{\&theta;}0}|>{\mathrm{\&theta;}}_{c0}\\ q_{36}\left|\right|e_{\mathrm{\&theta;}0}|\&le;{\mathrm{\&theta;}}_{c0}\\ q_{37}|{\stackrel{.}{e}}_{\mathrm{\&theta;}0}>0\\ q_{38}|{\stackrel{.}{e}}_{\mathrm{\&theta;}0}\&le;0\end{array}\right\},Q_4=\left\{\begin{array}{c}{q}_{41}|e_{d4}>d_4\\ q_{42}|e_{d4}\&le;d_4\\ q_{43}|{\stackrel{.}{e}}_{d4}>0\\ q_{44}|{\stackrel{.}{e}}_{d4}\&le;0\\ q_{45}\left|\right|e_{\mathrm{\&theta;}}|>{\mathrm{\&theta;}}_c\\ q_{46}\left|\right|e_{\mathrm{\&theta;}}|\&le;{\mathrm{\&theta;}}_c\\ q_{47}|{\stackrel{.}{e}}_{\mathrm{\&theta;}}>0\\ q_{48}|{\stackrel{.}{e}}_{\mathrm{\&theta;}}\&le;0\end{array}\right\}$

其中，

为汽车当前位置(x，y)与预定关键点P₁之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₁；

为汽车当前位置(x，y)与预定关键点P₂之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₂；

为汽车当前位置(x，y)与预定关键点P₃之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₃；

为汽车当前位置(x，y)与预定关键点P₄之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₄；

e_θ＝θ为车身方向θ相对于目标方向0°的角度；

描述车身在方向上是远离还是接近目标；

e_θ0＝θ-θ₀为车身方向θ相对于直线l₁的角度；

描述车身在方向上是远离还是接近直线l₁；

d₁、d₂、d₃、d₄、θ_c、θ_c0：为阈值；

设计关联矩阵为：

$K_1=K_2=K_3=K_4=\left\{\begin{array}{cccccccc}0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 1& 0& 0& 0\\ 1& 0& 0& 1& 0& 1& 0& 0\\ 0& 1& 0& 1& 0& 1& 0& 0\end{array}\right\}$

定义算子为：

$\&CircleTimes;:K_i\&CircleTimes;Q_i=\underset{i,j=1}{\overset{m}{\&cap;}}{k}_{\mathrm{ij}}{q}_{\mathrm{ij}},i=\mathrm{1,2,3,4},j=\mathrm{1,2},...,8$

得特征模型Φ＝{Φ₁，Φ₂，Φ₃，Φ₄}为：

(3)由当前特征状态驱动构建的控制模态集Ψ，确定出当前控制模态ψ_ij，根据当前控制模态ψ_ij控制汽车运动到当前预定关键点：

构建控制模态集Ψ＝{Ψ₁，Ψ₂，Ψ₃，Ψ₄}为：

其中，Ψ_i(i＝1，2，3，4)中k₁、k₂、k₃、k₄、k₅、k₇和k₈为比例系数，k₆和k₉为微分系数，v₀为车速，为前轮转角最大值，sign(e_θ)为e_θ的符号，sign(e_θ0)为e_θ0的符号；

如果汽车当前处于特征状态则采用控制模态ψ_ij进行控制，i＝1，2，3，4；j＝1，2，3，4。

Claims (1)

1.一种基于仿人智能控制的汽车自动泊车入位方法，其特征在于：该方法第一步是根据汽车参数和泊车位参数确定自动泊车入位路径，并选取该路径上的几个预定关键点作为跟踪目标；第二步，根据汽车泊车入位过程中的位姿相对于当前预定关键点的误差及其误差变化率驱动构建的特征模型确定出当前特征状态；第三步，根据驾驶员泊车入位操作为基础构建的控制模态集，由当前特征状态确定出当前控制模态；第四步，根据当前控制模态控制汽车运动到当前预定关键点；依照第二步至第四步的方法依次控制汽车运动到最后一个预定关键点，即可实现汽车泊车入位；具体步骤如下：

(1)根据车宽W_c、前轮转角最小转半径R_m、车位长L_p、车位宽W_p，确定泊车入位路径上的预定关键点P₁(x₁，y₁)，P₂(x₂，y₂)，P₃(x₃，y₃)，P₄(0，0)作为跟踪目标，方法如下：

以预定关键点P₄(0，0)为原点O建立直角坐标系XOY；

取直线l₁：y＝ax+b，(a＝tanθ₀为l₁直线的斜率， 为前轮转角最大值， $\sqrt{{\left(\frac{W_p}{2}\right)}^2+{(L_p+\frac{b}{a})}^2}\sin ({\mathrm{\&theta;}}_0-\arctan (\frac{W_p}{2}/(L_p+\frac{b}{a}))>\frac{W_c}{2},b<0,R_m\sin \frac{{\mathrm{\&theta;}}_0}{2}\&le;-\frac{b}{a})$ 和点P₁(x₁，y₁)，作圆O₁，与直线l₁相切于点P₃，与x轴相切于原点O，圆O₁的圆心O₁在y轴正方向上，且圆O₁的半径R₁满足R₁≥R_m；过点P₁作与x轴平行的直线l₂，作圆O₃，与直线l₁相切于点P₂，与直线l₂相切于点P₁，且圆O₃的半径R₃满足R₃≥R_m；

通过计算得：

$P_2(\frac{y_1-b}{a}-\frac{{\mathrm{ax}}_1-y_1+b}{a}\cos {\mathrm{\&theta;}}_0,y_1-\frac{{\mathrm{ax}}_1-y_1+b}{a}\sin {\mathrm{\&theta;}}_0),$

$P_3(-\frac{b}{a}(1+\cos {\mathrm{\&theta;}}_0),-\frac{b}{a}\sin {\mathrm{\&theta;}}_0);$

(2)根据汽车泊车入位过程中的位姿(x，y，θ)相对于当前预定关键点P_i(i＝1，2，3，4)的误差e及其误差变化率驱动构建的特征模型Ф确定出当前特征状态

构建特征基元集Q＝{Q₁，Q₂，Q₃，Q₄}为：

$Q_1=\left\{\begin{array}{c}{q}_{11}|e_{d1}>d_1\\ q_{12}|e_{d1}\&le;d_1\\ q_{13}|{\stackrel{\&CenterDot;}{e}}_{d1}>0\\ q_{14}|{\stackrel{\&CenterDot;}{e}}_{d1}\&le;0\\ q_{15}\left|\right|e_{\mathrm{\&theta;}}|>{\mathrm{\&theta;}}_c\\ q_{16}\left|\right|e_{\mathrm{\&theta;}}|\&le;{\mathrm{\&theta;}}_c\\ q_{17}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}}>0\\ q_{18}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}}\&le;0\\ \end{array}\right\},Q_2=\left\{\begin{array}{c}{q}_{21}|e_{d2}>d_2\\ q_{22}|e_{d2}\&le;d_2\\ q_{23}|{\stackrel{\&CenterDot;}{e}}_{d2}>0\\ q_{24}|{\stackrel{\&CenterDot;}{e}}_{d2}\&le;0\\ q_{25}\left|\right|e_{\mathrm{\&theta;}0}|>{\mathrm{\&theta;}}_{c0}\\ q_{26}\left|\right|e_{\mathrm{\&theta;}0}|\&le;{\mathrm{\&theta;}}_{c0}\\ q_{27}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}0}>0\\ q_{28}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}0}\&le;0\end{array}\right\},Q_3=\left\{\begin{array}{c}{q}_{31}|e_{d3}>d_3\\ q_{32}|e_{d3}\&le;d_3\\ q_{33}|{\stackrel{\&CenterDot;}{e}}_{d3}>0\\ q_{34}|{\stackrel{\&CenterDot;}{e}}_{d3}\&le;0\\ q_{35}\left|\right|e_{\mathrm{\&theta;}0}|>{\mathrm{\&theta;}}_{c0}\\ q_{36}\left|\right|e_{\mathrm{\&theta;}0}|\&le;{\mathrm{\&theta;}}_{c0}\\ q_{37}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}0}>0\\ q_{38}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}0}\&le;0\end{array}\right\},Q_4=\left\{\begin{array}{c}{q}_{41}|e_{d4}>d_4\\ q_{42}|e_{d4}\&le;d_4\\ q_{43}|{\stackrel{\&CenterDot;}{e}}_{d4}>0\\ q_{44}|{\stackrel{\&CenterDot;}{e}}_{d4}\&le;0\\ q_{45}\left|\right|e_{\mathrm{\&theta;}}|>{\mathrm{\&theta;}}_c\\ q_{46}\left|\right|e_{\mathrm{\&theta;}}|\&le;{\mathrm{\&theta;}}_c\\ q_{47}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}}>0\\ q_{48}|{\stackrel{\&CenterDot;}{e}}_{\mathrm{\&theta;}}\&le;0\end{array}\right\}$

其中，

为汽车当前位置(x，y)与预定关键点P₁之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₁；

为汽车当前位置(x，y)与预定关键点P₂之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₂；

为汽车当前位置(x，y)与预定关键点P₃之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₃；

为汽车当前位置(x，y)与预定关键点P₄之间的距离；

描述汽车在距离上是远离还是接近预定关键点P₄；

e_θ＝θ为车身方向θ相对于目标方向0°的角度；

描述车身在方向上是远离还是接近目标；

e_θ0＝θ-θ₀为车身方向θ相对于直线l₁的角度；

描述车身在方向上是远离还是接近直线l₁；

d₁、d₂、d₃、d₄、θ_c、θ_c0：为阈值；

设计关联矩阵为：

$K_1=K_2=K_3=K_4=\left\{\begin{array}{cccccccc}0& 0& 1& 0& 0& 0& 0& 0\\ 0& 0& 0& 1& 1& 0& 0& 0\\ 1& 0& 0& 1& 0& 1& 0& 0\\ 0& 1& 0& 1& 0& 1& 0& 0\end{array}\right\}$

定义算子为：

$\&CircleTimes;:K_i\&CircleTimes;Q_i=\underset{i,j=1}{\overset{m}{\&cap;}}{k}_{\mathrm{ij}}{q}_{\mathrm{ij}},i=\mathrm{1,2,3,4},j=\mathrm{1,2},...,8$

从而，特征模型Ф＝{Ф₁，Ф₂，Ф₃，Ф₄}为：

(3)由当前特征状态驱动构建的控制模态集Ψ，确定出当前控制模态ψ_ij，根据当前控制模态ψ_ij控制汽车运动到当前预定关键点：

控制模态集Ψ＝{Ψ₁，Ψ₂，Ψ₃，Ψ₄}为：

其中，Ψ_i(i＝1，2，3，4)中k₁、k₂、k₃、k₄、k₅、k₇和k₈为比例系数，k₆和k₉为微分系数，v₀为车速，为前轮转角最大值，sign(e_θ)为e_θ的符号，sign(e_θ0)为e_θ0的符号；

如果汽车当前处于特征状态则采用控制模态ψ_ij进行控制，i＝1，2，3，4；j＝1，2，3，4。