CN106671982A - 基于多智能体的无人驾驶电动汽车自动超车系统及方法 - Google Patents

Abstract

基于多智能体的无人驾驶电动汽车自动超车系统及方法，超车系统设车载传感器，车载传感器用于采集无人驾驶电动汽车行驶前方的道路信息；基于车载感知系统及V2X通信系统提取汽车及其周围环境特征信息，建立最小安全距离模型；设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹；基于期望超车路径与实际路径的偏差，采用自适应模糊滑模控制技术，求出无人驾驶电动汽车自动超车的期望速度和期望横摆角速度；采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力；建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

Description

基于多智能体的无人驾驶电动汽车自动超车系统及方法

技术领域

本发明涉及无人驾驶电动汽车，尤其是涉及一种基于多智能体的无人电动汽车自动超车系统及方法。

背景技术

无人驾驶电动汽车被认为是有效提高道路通行能力、增强车辆行驶安全性、减低车辆燃油消耗量的主要途径，受到了国内外科研机构的广泛关注。自动超车根据车载感知器获取车辆行驶前方的路况信息，判断交通条件是否满足超车，实时动态规划出期望的行驶路径，并实现期望路径的跟踪控制，从而完成自动超车，可有效提高无人驾驶电动汽车综合行驶性能。

无人驾驶电动汽车为具有非线性、强耦合和时变的复杂机电系统。文献[1](JoseE Naranj o etc,Lane-change fuzzy control in autonomous vehicles for theovertaking maneuver IEEE Transaction on Intelligent Transportation Systems,2008,9(3)：438-450.)设计了无人驾驶车自动超车模糊控制方法，文献[2](NikolceMurgovski etc,Predictive cruise control with autonomous overtaking,2015IEEE54^th Annual Conference on Decision and Control,2015,Osaka,Japan)设计了车辆自动超车的预测巡航控制。然而，目前的超车控制设计都局限于传动汽车，为考虑无人驾驶电动汽车的多执行机构独立分布及模型不确定性等特点。

通过多个智能体之间相互协调来实现复杂系统的控制，有助于提高系统的鲁棒性和智能性。

发明内容

本发明的目的是针对无人驾驶电动汽车存在的多独立执行机构分布及模型不确定性特点，提供可有效利用车载传感及V2X通信系统提取的特征信息，解决无人驾驶电动汽车系统的多执行机构独立分布和模型不确定的问题，实现安全、舒适自动超车的一种基于多智能体的无人驾驶电动汽车自动超车系统。

本发明的另一目的是提供无人驾驶电动汽车自动超车的方法。

所述基于多智能体的无人驾驶电动汽车自动超车系统设有：

车载传感器，车载传感器用于采集无人驾驶电动汽车行驶前方的道路信息；

道路特征提取模块，道路特征提取模块用于输入车载传感器采集的无人驾驶电动汽车行驶前方的道路信息，并对采集的图像进行特征提取，再实时计算出汽车前方道路宽度等信息；

最小安全距离分析模块，最小安全距离分析模块用于建立满足无人驾驶电动汽车自动超车的最小安全距离模型；

超车路径规划模块，超车路径规划模块用于设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹；

基于多智能体遗传算法的多执行机构协调模块，基于多智能体遗传算法的多执行机构协调模块用于采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调；

执行控制器，执行控制器用于建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

首先，通过感知及V2X通信系统采集周围环境信息，建立最小安全距离模型，判断当前时刻是否可以执行超车，若可以，则给出基于三角函数形式的超车期望路径。其次，通过期望路径与实际路径的偏差，基于自适应神经网路控制技术，求出所需的无人驾驶电动汽车期望总纵向力和期望横摆力矩。然后，基于多智能体遗传优化算法，计算出各车轮的纵横向力，通过对车轮纵横向力的执行控制，完成无人驾驶电动汽车的自动超车。

所述无人驾驶电动汽车自动超车的方法包括以下步骤：

1)基于车载感知系统及V2X通信系统提取汽车及其周围环境特征信息，建立最小安全距离模型；

在步骤1)中，所述基于车载感知系统及V2X通信系统提取汽车及其周围环境特征信息，建立最小安全距离模型的具体步骤可为：

(1)通过车载毫米波雷达及V2X系统获取无人驾驶电动汽车与前方行驶车辆间的纵向距离信息，通过速度编码器采集车辆行驶速度。

(2)利用视觉传感器采集无人驾驶电动汽车行驶前方道路信息，通过车载微处理器对采集的图像进行特征提取，实时地计算出汽车前方可道路宽度等信息。

(3)基于车载感知系统检测到本车及其前方行驶车辆的位置、速度信息，为避免两车发生追尾碰撞，建立满足无人驾驶电动汽车自动超车的最小安全距离模型。

(4)判断无人驾驶电动汽车当前时刻是否满足超车条件。假如满足进行步骤2，否则，发出不执行超车的指令。

2)设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹；

在步骤2)中，所述设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹的具体步骤可为：

(1)对本车与前方车辆进行几何分析，采用正弦函数拟合方法，建立以时间为自变量的超车路径数学模型及超车路径的边界条件。

(2)将世界坐标系的位姿误差转换到相对于车辆的局部坐标系下的位姿误差，建立步骤2)动态规划的期望超车轨迹与无人驾驶电动汽车相对位置关系的车辆位置误差模型。

(3)建立车辆总纵向外力和横摆力矩与各电动汽车轮胎的横向力、纵向力之间的映射函数。

3)基于期望超车路径与实际路径的偏差，采用自适应模糊滑模控制技术，求出无人驾驶电动汽车自动超车的期望速度和期望横摆角速度；

在步骤3)中，所述基于期望超车路径与实际路径的偏差，采用自适应模糊滑模控制技术，求出无人驾驶电动汽车自动超车的期望速度和期望横摆角速度的具体步骤可为：

(1)针对相对位置运动学模型，为确保位置偏差有界收敛于零，定义滑模面函数，为确保滑模曲面s₁和s₂趋近于零，采用自适应模糊滑模控制技术，推导出无人驾驶电动汽车自动超车需要的期望纵向速度和期望横摆角速度。

(2)采用神经网络系统逼近变结构项，为有效消除变结构引发的抖振现象，则得期望速度和角速度的自适应滑模变结构控制律。

(3)根据期望纵向速度和横摆角速度，基于二自由度动力学模型，推导出无人电动汽车行驶期望的总的纵向力和横摆力矩。

(4)为有效消除变结构引发的抖振现象，采用神经网络系统逼近变结构项，则得总纵向力合横摆力矩的自适应神经网络控制律。

4)采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调。

在步骤4)中，所述采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调的具体步骤可为：

(1)为了达到控制输入量消耗能量最小和动态规划误差最少的目标，建立性能指标函数。

(2)设置遗传优化参数，采用多智能体遗传优化算法动态协调无人驾驶电动汽车各车轮所需要的纵横向力。

5)建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

在步骤5)中，所述建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制的具体步骤可为：

(1)建立基于Pacejka轮胎模型的逆轮胎模型，根据步骤4)优化计算的纵横向力F_xi和F_yi映射出期望轮胎侧偏角α_des,i和滑移率λ_des,i。

(2)采用经典PID控制方法，实现对无人驾驶电动汽车期望滑移率和侧偏角的跟踪控制。

针对无人驾驶电动汽车的多独立执行机构分布及模型不确定性特点，本发明提供一种基于多智能体遗传优化的无人驾驶电动汽车自动超车系统及方法，对提高无人驾驶电动汽车行驶性能有很大作用。

本发明的技术效果如下：

采用基于多智能体的无人驾驶电动汽车自动超车控制方法，有效克服无人驾驶电动汽车复杂系统的多执行机构独立分布及模型不确定性等特性，保证了自动超车控制的鲁棒性和智能性，从而实现安全、舒适的综合行驶性能。

附图说明

图1为本发明的一种基于多智能体的无人驾驶电动汽车自动超车系统示意图。

图2为本发明的一种无人驾驶电动汽车自动超车方法流程图。

图3为无人驾驶自动超车与前车相对位置示意图。

图4为车辆实际位姿和参考位姿示意图。

具体实施方式

如图1所示，所述基于多智能体的无人驾驶电动汽车自动超车系统设有：

车载传感器1，车载传感器1用于采集无人驾驶电动汽车行驶前方的道路信息；

道路特征提取模块2，道路特征提取模块2用于输入车载传感器1采集的无人驾驶电动汽车行驶前方的道路信息，并对采集的图像进行特征提取，再实时计算出汽车前方道路宽度等信息。

最小安全距离分析模块3，最小安全距离分析模块3用于建立满足无人驾驶电动汽车自动超车的最小安全距离模型。

超车路径规划模块4，超车路径规划模块4用于设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹。

基于多智能体遗传算法的多执行机构协调模块5，基于多智能体遗传算法的多执行机构协调模块5用于采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调。

执行控制器6，执行控制器6用于建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

本发明首先通过车载传感采集器提取道路特征，其次建立最小安全距离模型判断当前时刻是否可以自动超车，然后进行超车轨迹规划，采用自适应神经滑模控制方法求出期望的纵向力和期望横摆力矩，最后设计多执行机构执行器，实现对无人驾驶电动汽车的自动超车控制。

如图2所示，本发明包括数据采集设计过程，最小安全距离模型设计过程，自动超车路径规划设计过程，期望力/力矩设计过程和分布式多执行机构调节设计过程等五部分。

步骤1：基于车载感知系统及V2X通信系统提取汽车及其周围环境特征信息，建立最小安全距离模型。

第一步，通过车载毫米波雷达及V2X系统获取无人驾驶电动汽车与前方行驶车辆间的纵向距离信息，通过速度编码器采集车辆行驶速度。

第二步，利用视觉传感器采集无人驾驶电动汽车行驶前方道路信息，通过车载微处理器对采集的图像进行特征提取，实时地计算出汽车前方可道路宽度等信息。

第三步，如图3所示(在图3中，标记P为车道)，基于车载感知系统检测到本车及其前方行驶车辆(简称前车B)的位置、速度信息，为避免两车发生追尾碰撞，建立满足无人驾驶电动汽车自动超车的最小安全距离模型，如下

其中，a_C0，a_C1分别表示本车与超越车辆的加速度，v_C0x，v_C1x分别表示本车与超越车辆的速度，MS为最小无碰撞距离。

第四步，判断无人驾驶电动汽车当前时刻是否满足超车条件S＜MS。假如满足进行步骤2，否则，发出不执行超车的指令。其中S表示当前时刻本车与前方车辆的实际纵向距离。

步骤2：设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹。

第一步，对本车与前方车辆进行几何分析，采用sin函数拟合方法，建立以时间为自变量的超车路径数学模型，如下

其中x(t)和y(t)分别表示X方向和Y方向上的超车轨迹函数，x₀和y₀表示初始时刻车辆在X方向和Y方向上的位置，t表示时间，t_lc表示汽车超车的时间,y_d表示车道宽度。

第二步，定义超车路径的边界条件：超车初始时刻的状态x(0),y(0)和超车结束时刻的状态x(t_f),y(t_f)，如下所示：

其中x(0)，v_x,0和a_x,0分别表示超车初始时刻车辆纵向位置、速度和加速度，y(0)，v_y,0和a_y,0分别表示超车初始时刻车辆横向位置、速度和加速度。x(t_f)，v_x,f和a_x,f分别表示超车结束时刻车辆纵向位置、速度和加速度，y(t_f)，v_y,f和a_y,f分别表示超车结束时刻车辆横向位置、速度和加速度。

第三步，如图4所示，将世界坐标系的位姿误差转换到相对于车辆的局部坐标系下的位姿误差，建立步骤2动态规划的期望超车轨迹与无人驾驶电动汽车相对位置关系的车辆位置误差模型和二自由度动力学模型，分别如下

和

其中，x_e,y_e和θ_e分别表示纵向距离偏差，横向距离偏差和角度偏差，v_xc,v_yc和ω_c为车辆在局部坐标系下的纵向速度、横向速度和角速度，v_r和ω_r为参考纵向速度和角速度，m为车辆质量，c_a为纵向空气阻力系数，F_x和M_z为作用于车辆的总纵向力和横摆力矩。

第四步，建立车辆总纵向外力F_x和横摆力矩M_z与各电动汽车轮胎的纵向力F_xi、横向力F_yi之间的映射关系可表示为：

[F_x M_z]^T＝M_fU

其中，

U＝[F_x1 F_y1 F_x2 F_y2 F_x3 F_y3 F_y4 F_y4]^T；

其中，l_f和l_r为前后轴至车辆质心距离,d_f和d_r为前后轴轮距,F_xi(i＝1,2,3,4)表示各轮胎纵向力；F_yi(i＝1,2,3,4)表示各轮胎横向力。

步骤3：基于期望超车路径与实际路径的偏差，采用自适应模糊滑模控制技术，求出无人驾驶电动汽车自动超车的期望速度和期望横摆角速度。

第一步，针对上式表示的相对位置运动学模型，为确保位置偏差有界收敛于零，定义如下滑模面函数：

其中s₁和s₂为滑模面函数。

第二步，为确保滑模曲面s₁和s₂趋近于零，采用自适应模糊滑模控制技术，推导出无人驾驶电动汽车自动超车需要的期望纵向速度和期望横摆角速度，如下，

v_d＝y_eω+v_r cosθ_e+k₁sgn(s₁)

其中，k₁和k₂为系数，sgn(s₁)和sgn(s₂)表示变结构项。

第三步，采用神经网络系统逼近变结构项，为有效消除变结构引发的抖振现象，则得期望速度和角速度的自适应滑模变结构控制律，如下

其中，和为神经网络逼近系统,用于近似变结构项k₁sgn(s₁)和k₂sgn(s₂)。

第四步，根据期望纵向速度和横摆角速度，基于二自由度动力学模型，推导出无人电动汽车行驶期望的总的纵向力和横摆力矩。

其中，F_xd和M_zd表示期望的总纵向力和横摆力矩，k₃和k₄为常系数，s₃和s₄为滑模面函数，定义为s₃＝v_xcd-v_xc和s₃＝ω_cd-ω_c。

第五步，为有效消除变结构引发的抖振现象，采用神经网络系统逼近变结构项，则得总纵向力合横摆力矩的自适应神经网络控制律：

步骤4：采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力。

第二步，为了达到控制输入量消耗能量最小和动态规划误差最少的目标，建立如下性能指标函数

其中，W_u和W_e为权重矩阵，F_d＝[F_xd M_zd]^T。

第三步，初始化参数，设定交叉概率P_c，变异概率P_m及迭代次数。

第四步，初始化种群，随机产生规模为N的初始群体P₀和空存储集P_b,将P₀中的每个智能体分配至规模为3×3的二维矩形网络的每个格点上，计算格点上每个智能体的函数值。

第五步，对二维矩形网格的每个格点上的个体在其领域中进行Pareto择优选择，记所有Pareto最优个体的集合为种群A_gen。

第六步，将当前代的Pareto解添加至P_b中，同时删除P_b中的劣解。

第七步，对种群A_gen进行交叉、变异操作，令gen＝gen+1，转第二步继续迭代至求出最优的无人电动汽车车轮纵横向力。

步骤5：建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

第一步，建立基于Pacejka轮胎模型的逆轮胎模型，根据步骤4求出的纵横向力F_xi和F_yi映射出期望轮胎侧偏角α_des,i和滑移率λ_des,i。

第二步，采用经典PID控制方法，实现对无人电动汽车期望滑移率和和侧偏角的跟踪控制，控制律如下

其中，T_des,i和δ_des,i表示电动汽车各车轮的期望转矩和期望转角，λ_i和α_i为实际滑移率和侧偏角，K_lP,i和K_dP,i表示滑移率和侧偏角控制的比例系数，K_lI,i和K_dI,i表示滑移率和侧偏角控制的微分系数，R表示车轮半径。

以上内容是结合优选技术方案对本发明所做的进一步详细说明，不能认定发明的具体实施仅限于这些说明。对本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出简单的推演及替换，都应当视为本发明的保护范围。

Claims (7)

1.基于多智能体的无人驾驶电动汽车自动超车系统，其特征在于设有：

车载传感器，车载传感器用于采集无人驾驶电动汽车行驶前方的道路信息；

道路特征提取模块，道路特征提取模块用于输入车载传感器采集的无人驾驶电动汽车行驶前方的道路信息，并对采集的图像进行特征提取，再实时计算出汽车前方道路宽度等信息；

最小安全距离分析模块，最小安全距离分析模块用于建立满足无人驾驶电动汽车自动超车的最小安全距离模型；

超车路径规划模块，超车路径规划模块用于设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹；

基于多智能体遗传算法的多执行机构协调模块，基于多智能体遗传算法的多执行机构协调模块用于采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调；

执行控制器，执行控制器用于建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

2.无人驾驶电动汽车自动超车的方法，其特征在于采用如权利要求1所述基于多智能体的无人驾驶电动汽车自动超车系统，所述方法包括以下步骤：

1)基于车载感知系统及V2X通信系统提取汽车及其周围环境特征信息，建立最小安全距离模型；

2)设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹；

3)基于期望超车路径与实际路径的偏差，采用自适应模糊滑模控制技术，求出无人驾驶电动汽车自动超车的期望速度和期望横摆角速度；

4)采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调；

5)建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制。

3.如权利要求2所述无人驾驶电动汽车自动超车的方法，其特征在于在步骤1)中，所述基于车载感知系统及V2X通信系统提取汽车及其周围环境特征信息，建立最小安全距离模型的具体步骤为：

(1)通过车载毫米波雷达及V2X系统获取无人驾驶电动汽车与前方行驶车辆间的纵向距离信息，通过速度编码器采集车辆行驶速度；

(2)利用视觉传感器采集无人驾驶电动汽车行驶前方道路信息，通过车载微处理器对采集的图像进行特征提取，实时地计算出汽车前方可道路宽度等信息；

(3)基于车载感知系统检测到本车及其前方行驶车辆的位置、速度信息，为避免两车发生追尾碰撞，建立满足无人驾驶电动汽车自动超车的最小安全距离模型；

(4)判断无人驾驶电动汽车当前时刻是否满足超车条件。假如满足进行步骤2，否则，发出不执行超车的指令。

4.如权利要求2所述无人驾驶电动汽车自动超车的方法，其特征在于在步骤2)中，所述设置正弦函数形式作为自动超车期望路径的基函数，实时动态规划出无人驾驶电动汽车自动超车的期望轨迹的具体步骤为：

(1)对本车与前方车辆进行几何分析，采用正弦函数拟合方法，建立以时间为自变量的超车路径数学模型及超车路径的边界条件；

(2)将世界坐标系的位姿误差转换到相对于车辆的局部坐标系下的位姿误差，建立步骤2)动态规划的期望超车轨迹与无人驾驶电动汽车相对位置关系的车辆位置误差模型；

(3)建立车辆总纵向外力和横摆力矩与各电动汽车轮胎的横向力、纵向力之间的映射函数。

5.如权利要求2所述无人驾驶电动汽车自动超车的方法，其特征在于在步骤3)中，所述基于期望超车路径与实际路径的偏差，采用自适应模糊滑模控制技术，求出无人驾驶电动汽车自动超车的期望速度和期望横摆角速度的具体步骤为：

(1)针对相对位置运动学模型，为确保位置偏差有界收敛于零，定义滑模面函数，为确保滑模曲面s₁和s₂趋近于零，采用自适应模糊滑模控制技术，推导出无人驾驶电动汽车自动超车需要的期望纵向速度和期望横摆角速度；

(2)采用神经网络系统逼近变结构项，为有效消除变结构引发的抖振现象，则得期望速度和角速度的自适应滑模变结构控制律；

(3)根据期望纵向速度和横摆角速度，基于二自由度动力学模型，推导出无人电动汽车行驶期望的总的纵向力和横摆力矩；

(4)为有效消除变结构引发的抖振现象，采用神经网络系统逼近变结构项，则得总纵向力合横摆力矩的自适应神经网络控制律。

6.如权利要求2所述无人驾驶电动汽车自动超车的方法，其特征在于在步骤4)中，所述采用多智能体遗传优化算法，计算出无人驾驶电动汽车各车轮所需要的纵横向力，实现对无人驾驶电动汽车多执行机构的动态协调的具体步骤为：

(1)为了达到控制输入量消耗能量最小和动态规划误差最少的目标，建立性能指标函数；

(2)设置遗传优化参数，采用多智能体遗传优化算法动态协调无人驾驶电动汽车各车轮所需要的纵横向力。

7.如权利要求2所述无人驾驶电动汽车自动超车的方法，其特征在于在步骤5)中，所述建立由电动汽车车轮纵横向力到期望侧偏角和滑移率的映射模型，实现对无人驾驶电动汽车轮胎纵横向力的执行控制的具体步骤为：

(1)建立基于Pacejka轮胎模型的逆轮胎模型，根据步骤4)优化计算的纵横向力F_xi和F_yi映射出期望轮胎侧偏角α_des,i和滑移率λ_des,i；

(2)采用经典PID控制方法，实现对无人驾驶电动汽车期望滑移率和侧偏角的跟踪控制。