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
基于多智能体的无人驾驶电动汽车自动超车系统及方法 Download PDFInfo
- Publication number
- CN106671982A CN106671982A CN201710014585.6A CN201710014585A CN106671982A CN 106671982 A CN106671982 A CN 106671982A CN 201710014585 A CN201710014585 A CN 201710014585A CN 106671982 A CN106671982 A CN 106671982A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- driverless electric
- vehicle
- vehicles
- driverless
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/801—Lateral distance
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
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,2015IEEE54th 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Fxi和Fyi映射出期望轮胎侧偏角αdes,i和滑移率λdes,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,aC0,aC1分别表示本车与超越车辆的加速度,vC0x,vC1x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,tlc表示汽车超车的时间,yd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(tf),y(tf),如下所示:
其中x(0),vx,0和ax,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),vy,0和ay,0分别表示超车初始时刻车辆横向位置、速度和加速度。x(tf),vx,f和ax,f分别表示超车结束时刻车辆纵向位置、速度和加速度,y(tf),vy,f和ay,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,xe,ye和θe分别表示纵向距离偏差,横向距离偏差和角度偏差,vxc,vyc和ωc为车辆在局部坐标系下的纵向速度、横向速度和角速度,vr和ωr为参考纵向速度和角速度,m为车辆质量,ca为纵向空气阻力系数,Fx和Mz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Fx和横摆力矩Mz与各电动汽车轮胎的纵向力Fxi、横向力Fyi之间的映射关系可表示为:
[Fx Mz]T=MfU
其中,
U=[Fx1 Fy1 Fx2 Fy2 Fx3 Fy3 Fy4 Fy4]T;
其中,lf和lr为前后轴至车辆质心距离,df和dr为前后轴轮距,Fxi(i=1,2,3,4)表示各轮胎纵向力;Fyi(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,
vd=yeω+vr cosθe+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,Fxd和Mzd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=vxcd-vxc和s3=ωcd-ωc。
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,Wu和We为权重矩阵,Fd=[Fxd Mzd]T。
第三步,初始化参数,设定交叉概率Pc,变异概率Pm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Pb,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Agen。
第六步,将当前代的Pareto解添加至Pb中,同时删除Pb中的劣解。
第七步,对种群Agen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Fxi和Fyi映射出期望轮胎侧偏角αdes,i和滑移率λdes,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,Tdes,i和δdes,i表示电动汽车各车轮的期望转矩和期望转角,λi和αi为实际滑移率和侧偏角,KlP,i和KdP,i表示滑移率和侧偏角控制的比例系数,KlI,i和KdI,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Fxi和Fyi映射出期望轮胎侧偏角αdes,i和滑移率λdes,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014585.6A CN106671982B (zh) | 2017-01-09 | 2017-01-09 | 基于多智能体的无人驾驶电动汽车自动超车系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710014585.6A CN106671982B (zh) | 2017-01-09 | 2017-01-09 | 基于多智能体的无人驾驶电动汽车自动超车系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106671982A true CN106671982A (zh) | 2017-05-17 |
CN106671982B CN106671982B (zh) | 2019-05-17 |
Family
ID=58849494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710014585.6A Active CN106671982B (zh) | 2017-01-09 | 2017-01-09 | 基于多智能体的无人驾驶电动汽车自动超车系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106671982B (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
CN107697045A (zh) * | 2017-09-07 | 2018-02-16 | 厦门大学 | 一种无人驾驶汽车自动刹车控制装置及方法 |
CN107831496A (zh) * | 2017-11-01 | 2018-03-23 | 驭势科技(北京)有限公司 | 一种智能汽车自动获取前车速度的方法及系统 |
CN107901917A (zh) * | 2017-11-16 | 2018-04-13 | 中国科学院合肥物质科学研究院 | 一种基于滑转滑移耦合估计的无人驾驶车辆路径跟踪控制方法 |
CN107943060A (zh) * | 2017-12-29 | 2018-04-20 | 上海司南卫星导航技术股份有限公司 | 一种自动驾驶仪、沿着跟踪直线引导车辆的方法以及计算机可读介质 |
CN108227491A (zh) * | 2017-12-28 | 2018-06-29 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
CN108717268A (zh) * | 2018-06-22 | 2018-10-30 | 南京航空航天大学 | 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法 |
CN108919837A (zh) * | 2018-07-12 | 2018-11-30 | 北京航空航天大学 | 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法 |
CN108958245A (zh) * | 2018-06-29 | 2018-12-07 | 北京理工大学 | 一种基于时间序列的无人车路径跟踪算法 |
CN109032131A (zh) * | 2018-07-05 | 2018-12-18 | 东南大学 | 一种应用于无人驾驶汽车的动态超车避障方法 |
CN109031959A (zh) * | 2018-10-26 | 2018-12-18 | 黑龙江大学 | 一种带有控制参数自适应补偿的非一致非线性系统协同控制方法及控制系统 |
CN109080643A (zh) * | 2017-06-14 | 2018-12-25 | 通用汽车环球科技运作有限责任公司 | 利用协作转向、电子限滑差速器、动力传动系及制动进行整体车辆控制的系统及方法 |
CN109094573A (zh) * | 2017-06-20 | 2018-12-28 | 百度(美国)有限责任公司 | 用于确定自动驾驶车辆的控制器的最佳系数的方法和系统 |
CN109410564A (zh) * | 2018-12-10 | 2019-03-01 | 肇庆学院 | 一种基于信息融合技术的车辆队列纵向冗余控制系统 |
CN109455183A (zh) * | 2018-11-14 | 2019-03-12 | 安徽江淮汽车集团股份有限公司 | 车辆碰撞预判方法及系统 |
CN109733396A (zh) * | 2018-12-29 | 2019-05-10 | 厦门大学 | 过驱动无人驾驶汽车输入饱和自适应分级控制系统及方法 |
CN110103968A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种基于三维激光雷达的无人车自主超车轨迹规划系统 |
CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
CN110654386A (zh) * | 2019-10-10 | 2020-01-07 | 厦门大学 | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 |
CN110962839A (zh) * | 2019-12-18 | 2020-04-07 | 厦门大学 | 无人驾驶电动汽车轨迹跟踪和横向稳定性综合控制方法 |
US10670412B2 (en) | 2018-02-20 | 2020-06-02 | Veoneer Us, Inc. | System and method for generating a target path for a vehicle |
CN111665726A (zh) * | 2020-06-30 | 2020-09-15 | 长春工业大学 | 基于多智能体的asr自适应非奇异终端滑模控制方法 |
CN112238856A (zh) * | 2020-10-13 | 2021-01-19 | 南京航空航天大学 | 一种基于混合粒子群算法的智能车超车轨迹优化方法 |
CN113009829A (zh) * | 2021-02-25 | 2021-06-22 | 清华大学 | 一种智能网联车队纵横向耦合控制方法 |
CN113310702A (zh) * | 2021-04-13 | 2021-08-27 | 哈工大机器人集团(无锡)科创基地研究院 | 一种无人驾驶测试车切车控制方法 |
CN114715093A (zh) * | 2022-04-24 | 2022-07-08 | 郑州轻工业大学 | 一种基于神经网络自适应估计的汽车防抱死制动方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010247563A (ja) * | 2009-04-10 | 2010-11-04 | Toyota Motor Corp | 車両の駆動力制御装置 |
CN103057436A (zh) * | 2012-12-27 | 2013-04-24 | 西安交通大学 | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 |
CN105059285A (zh) * | 2015-08-12 | 2015-11-18 | 江苏大学 | 基于多智能体的分布式驱动汽车集成控制系统及方法 |
CN105644566A (zh) * | 2016-03-02 | 2016-06-08 | 厦门大学 | 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法 |
CN105751999A (zh) * | 2016-03-31 | 2016-07-13 | 汪家琳 | 全智能全自动(无人)驾驶汽车 |
CN105788369A (zh) * | 2016-05-31 | 2016-07-20 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的超车控制方法和装置 |
CN106125731A (zh) * | 2016-07-21 | 2016-11-16 | 上海海事大学 | 一种基于后方车辆行驶意图识别的无人驾驶车辆运动控制系统及方法 |
-
2017
- 2017-01-09 CN CN201710014585.6A patent/CN106671982B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010247563A (ja) * | 2009-04-10 | 2010-11-04 | Toyota Motor Corp | 車両の駆動力制御装置 |
CN103057436A (zh) * | 2012-12-27 | 2013-04-24 | 西安交通大学 | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 |
CN105059285A (zh) * | 2015-08-12 | 2015-11-18 | 江苏大学 | 基于多智能体的分布式驱动汽车集成控制系统及方法 |
CN105644566A (zh) * | 2016-03-02 | 2016-06-08 | 厦门大学 | 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法 |
CN105751999A (zh) * | 2016-03-31 | 2016-07-13 | 汪家琳 | 全智能全自动(无人)驾驶汽车 |
CN105788369A (zh) * | 2016-05-31 | 2016-07-20 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车辆的超车控制方法和装置 |
CN106125731A (zh) * | 2016-07-21 | 2016-11-16 | 上海海事大学 | 一种基于后方车辆行驶意图识别的无人驾驶车辆运动控制系统及方法 |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109080643A (zh) * | 2017-06-14 | 2018-12-25 | 通用汽车环球科技运作有限责任公司 | 利用协作转向、电子限滑差速器、动力传动系及制动进行整体车辆控制的系统及方法 |
CN109094573A (zh) * | 2017-06-20 | 2018-12-28 | 百度(美国)有限责任公司 | 用于确定自动驾驶车辆的控制器的最佳系数的方法和系统 |
CN107697045A (zh) * | 2017-09-07 | 2018-02-16 | 厦门大学 | 一种无人驾驶汽车自动刹车控制装置及方法 |
CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
CN107831496A (zh) * | 2017-11-01 | 2018-03-23 | 驭势科技(北京)有限公司 | 一种智能汽车自动获取前车速度的方法及系统 |
CN107901917A (zh) * | 2017-11-16 | 2018-04-13 | 中国科学院合肥物质科学研究院 | 一种基于滑转滑移耦合估计的无人驾驶车辆路径跟踪控制方法 |
CN107901917B (zh) * | 2017-11-16 | 2019-07-26 | 中国科学院合肥物质科学研究院 | 一种基于滑转滑移耦合估计的无人驾驶车辆轨迹跟踪控制方法 |
CN108227491A (zh) * | 2017-12-28 | 2018-06-29 | 重庆邮电大学 | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 |
CN107943060A (zh) * | 2017-12-29 | 2018-04-20 | 上海司南卫星导航技术股份有限公司 | 一种自动驾驶仪、沿着跟踪直线引导车辆的方法以及计算机可读介质 |
US10670412B2 (en) | 2018-02-20 | 2020-06-02 | Veoneer Us, Inc. | System and method for generating a target path for a vehicle |
CN108717268A (zh) * | 2018-06-22 | 2018-10-30 | 南京航空航天大学 | 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法 |
CN108958245A (zh) * | 2018-06-29 | 2018-12-07 | 北京理工大学 | 一种基于时间序列的无人车路径跟踪算法 |
CN109032131A (zh) * | 2018-07-05 | 2018-12-18 | 东南大学 | 一种应用于无人驾驶汽车的动态超车避障方法 |
CN109032131B (zh) * | 2018-07-05 | 2021-07-27 | 东南大学 | 一种应用于无人驾驶汽车的动态超车避障方法 |
CN108919837A (zh) * | 2018-07-12 | 2018-11-30 | 北京航空航天大学 | 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法 |
CN108919837B (zh) * | 2018-07-12 | 2020-04-17 | 北京航空航天大学 | 一种基于视觉动力学的自动驾驶车辆二阶滑模控制方法 |
CN109031959A (zh) * | 2018-10-26 | 2018-12-18 | 黑龙江大学 | 一种带有控制参数自适应补偿的非一致非线性系统协同控制方法及控制系统 |
CN109031959B (zh) * | 2018-10-26 | 2021-09-07 | 黑龙江大学 | 一种非一致非线性系统协同控制方法及控制系统 |
CN109455183A (zh) * | 2018-11-14 | 2019-03-12 | 安徽江淮汽车集团股份有限公司 | 车辆碰撞预判方法及系统 |
CN109410564A (zh) * | 2018-12-10 | 2019-03-01 | 肇庆学院 | 一种基于信息融合技术的车辆队列纵向冗余控制系统 |
CN109733396A (zh) * | 2018-12-29 | 2019-05-10 | 厦门大学 | 过驱动无人驾驶汽车输入饱和自适应分级控制系统及方法 |
CN109733396B (zh) * | 2018-12-29 | 2020-06-23 | 厦门大学 | 过驱动无人驾驶汽车输入饱和自适应分级控制系统及方法 |
CN110103968A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种基于三维激光雷达的无人车自主超车轨迹规划系统 |
CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
CN110654386A (zh) * | 2019-10-10 | 2020-01-07 | 厦门大学 | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 |
CN110962839A (zh) * | 2019-12-18 | 2020-04-07 | 厦门大学 | 无人驾驶电动汽车轨迹跟踪和横向稳定性综合控制方法 |
CN110962839B (zh) * | 2019-12-18 | 2020-11-10 | 厦门大学 | 无人驾驶电动汽车轨迹跟踪和横向稳定性综合控制方法 |
CN111665726A (zh) * | 2020-06-30 | 2020-09-15 | 长春工业大学 | 基于多智能体的asr自适应非奇异终端滑模控制方法 |
CN111665726B (zh) * | 2020-06-30 | 2022-05-06 | 长春工业大学 | 基于多智能体的asr自适应非奇异终端滑模控制方法 |
CN112238856A (zh) * | 2020-10-13 | 2021-01-19 | 南京航空航天大学 | 一种基于混合粒子群算法的智能车超车轨迹优化方法 |
CN113009829A (zh) * | 2021-02-25 | 2021-06-22 | 清华大学 | 一种智能网联车队纵横向耦合控制方法 |
CN113310702A (zh) * | 2021-04-13 | 2021-08-27 | 哈工大机器人集团(无锡)科创基地研究院 | 一种无人驾驶测试车切车控制方法 |
CN114715093A (zh) * | 2022-04-24 | 2022-07-08 | 郑州轻工业大学 | 一种基于神经网络自适应估计的汽车防抱死制动方法 |
CN114715093B (zh) * | 2022-04-24 | 2023-02-21 | 郑州轻工业大学 | 一种基于神经网络自适应估计的汽车防抱死制动方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106671982B (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106671982B (zh) | 基于多智能体的无人驾驶电动汽车自动超车系统及方法 | |
CN110969848B (zh) | 一种对向双车道下基于强化学习的自动驾驶超车决策方法 | |
CN108454623B (zh) | 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法 | |
Cai et al. | Implementation and development of a trajectory tracking control system for intelligent vehicle | |
Cao et al. | Trajectory tracking control algorithm for autonomous vehicle considering cornering characteristics | |
CN107856737B (zh) | 一种基于危险程度变权重的人机协同转向控制方法 | |
CN102658819B (zh) | 一种基于仿人智能控制的汽车自动泊车入位方法 | |
CN109017778A (zh) | 四轮独立驱动车辆的期望路径主动转向控制方法 | |
CN110162046A (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
CN108725453A (zh) | 基于驾驶员模型和操纵逆动力学的人机共驾控制系统及其切换模式 | |
CN103217899B (zh) | 基于数据的q函数自适应动态规划方法 | |
CN109017760A (zh) | 车辆期望轨迹跟踪方法、装置及滚动时域优化算法 | |
CN103121451A (zh) | 一种弯路换道轨迹的跟踪控制方法 | |
Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
CN107298103A (zh) | 一种智能电动汽车自动换道分层控制系统及方法 | |
CN113650609B (zh) | 基于模糊规则的人机共驾控制权柔性转移方法及系统 | |
CN104881030A (zh) | 基于快速终端滑模原理的无人车侧纵向耦合跟踪控制方法 | |
CN103956045A (zh) | 利用半实物仿真技术手段实现车队协同驾驶的方法 | |
CN108717268A (zh) | 基于最优控制与安全距离的自动驾驶最速操纵控制系统及其控制方法 | |
CN104181923A (zh) | 一种基于直线控制器的智能车辆曲线跟踪方法 | |
CN105644566B (zh) | 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法 | |
CN109017759A (zh) | 期望路径车辆横摆控制方法 | |
CN110096748A (zh) | 一种基于车辆运动学模型的人-车-路模型建模方法 | |
CN115257724A (zh) | 一种插电式混动汽车安全节能决策控制方法和系统 | |
CN109017804A (zh) | 力矩分配控制器为车辆各轮毂电机分配驱动力矩的方法 |
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 |