CN107272707B - 基于ipv6的无人车自动轨迹模糊pid跟随控制方法 - Google Patents

Abstract

本发明公开了一种基于IPV6的无人车轨迹模糊跟踪保持方法，该方法通过IPV6网络，将通过客户手机或其它外部设备设置的期望目的地与路线规划要求发送给无人自动驾驶车辆；无人自动驾驶车辆接收到期望目的地与路线规划要求后，根据目的地、地图以及当前交通状况进行路线规划后开始自动驾驶，然后通过测量车辆横向位置相对道路中心线的位置偏差，并根据位置偏差设计模糊与PID相复合算法对车道中心线进行轨迹跟踪，从而实现车辆的安全自动驾驶并到达希望的目的地。本发明方案简单，需要测量的信息少，而且对车辆信息与环境信息无要求，并且由于模糊方法的采用，有利于提高车辆自动驾驶的舒适度。

Description

基于IPV6的无人车自动轨迹模糊PID跟随控制方法

技术领域

本发明属于无人车轨迹跟踪技术领域，涉及一种基于IPV6网络信息的无人车自动轨迹模糊PID跟随控制方法。

背景技术

随着科学技术的发展，无人自动驾驶的智能车辆在近几年得到了飞速的研究与发展。而随着IPV6网络的研究兴起，采用基于IPV6信息的无人车自动驾驶具有非常良好的应用前景。如用户仅需通过手机等互联网终端设备设定目的地，通过IPV6网络传递给无人车、而无人车通过接收网络信息并进行自动驾驶，即可完成无人驾驶任务，并在不久的将来，将会形成无人出租车，可以大大地节省人力成本。同时无人出租车在遵守交通规则、安全无疲劳驾驶方面有着传统有人出租车所无法媲美的优势。车辆自动驾驶中除了防撞、超车等关键技术外，保持车辆沿车道线的中心线自动安全驾驶是其中的基础问题。

发明内容

为了达到上述目的，本发明提供一种基于IPV6的无人车自动轨迹模糊PID跟随控制方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

本发明所采用的技术方案是，一种基于IPV6的无人车轨迹模糊跟踪保持方法，按照以下步骤进行：

步骤一，设定期望目的地、导航要求以及路线规划；

步骤二，测量位置误差并对所述位置误差进行积分运算；

步骤三，构建所述位置误差的模糊概念以及控制量前轮转角的模糊概念；

步骤四，构建模糊控制的基本原则，并根据所述模糊控制的基本原则建立模糊规则库；根据所述模糊规则库对所述位置误差进行模糊运算与反模糊化，得到模糊控制量；

步骤五，根据所述位置误差构建前轮转向的PID控制规律；

步骤六，根据所述模糊控制量以及所述前轮转向构建构建复合控制规律。

进一步的，所述步骤一包括以下步骤：

首先，通过手机选定期望的目的地，并设置路线规划要求；其次，无人自动驾驶车辆根据所述目的地、地图以及当前交通信息进行路线规划，并将路线规划结果由IPV6网络传递给用户，经用户确认后完成路线规划，开始自动驾驶，向目的地出发。

进一步的，所述步骤二包括以下步骤：

首先，测量车辆横向位置相对道路中心线的位置误差y_s；

其次，测量车辆横向线速度v_x；由于横向线速度v_x和车辆横向位置相对中心线的位置误差y_s的导数相同，则有

最后，根据车辆横向位置相对道路中心线的位置误差y_s，采用计算机积分算法生成位置误差积分∫y_sdt；其中，dt为控制周期，取值为dt<0.005s。

进一步的，所述步骤三包括以下步骤：

首先，构建所述位置误差y_s大小的模糊概念，分为以下五个模糊概念，包括：

y_s＝{NB NM ZO PM PB}

其中，NB表示误差值为负的很大误差、NM表示误差值为负的中等误差、ZO标识误差值几乎为零的零误差、PM表示误差值为正的中等误差、PB表示误差值为正的很大误差；|y_s|＞2为很大误差，0.4＜|y_s|＜2为中等误差，|y_s|＜0.4为几乎为零的零误差；

其次，构建控制量前轮转角δ_z的模糊概念，分为以下五个模糊概念，包括：

δ_z＝{NB_z NM_z ZO_z PM_z PB_z}

其中，NB_z表示控制量前轮转角误差值为负的很大误差、NM_z表示控制量前轮转角为误差值为负的中等误差、ZO_z为控制量前轮转角误差值几乎为零的零误差、PM_z表示控制量前轮转角误差值为正的中等误差、PB_z表示控制量前轮转角误差值为正的很大误差；并且，选取|δ_z|＞10/57.3为很大误差，1/57.3＜|δ_z|＜10/57.3为中等误差，|δ_z|＜1/57.3为几乎为零的零误差。

进一步的，所述步骤四包括以下步骤：

首先，构建如下模糊控制的基本原则：当y_s较大时，δ_z也应当较大；当y_s较小时，δ_z也应当较小；而当y_s几乎为0时，δ_z也应当几乎为0；

其次，根据所述模糊控制的基本原则建立模糊规则库，并根据位置误差y_s进行模糊运算与反模糊化，得到模糊控制量δ_z1。

进一步的，所述步骤五包括：

采用传统的PID控制方法，构造前轮转向δ_z2的PID控制律如下：

δ_z2＝k_p1y_s+k_p2v_s+k_p3∫y_sdt；

其中，v_s为误差微分，与所述横向线速度v_x相同；k_p1、k_p2、k_p3为PID控制中的比例参数、微分参数与积分参数。

进一步的，所述步骤六包括：

在所述模糊控制量δ_z1与前轮转向δ_z2的基础上，采用线性叠形成最终的复合控制规律δ_z＝k_aδ_z1+δ_z2，其中，k_a为两者的叠加系数。

本发明的有益效果是：本发明一种基于IPV6的无人车自动轨迹模糊PID跟随控制方法，通过IPV6网络，将通过客户手机或其它外部设备设置的期望目的地与路线规划要求发送给无人自动驾驶车辆；无人自动驾驶车辆接收到期望目的地与路线规划要求后，根据目的地、地图以及当前交通状况进行路线规划后开始自动驾驶，然后通过测量车辆横向位置相对道路中心线的位置偏差，并根据位置偏差设计模糊与PID相复合算法对车道中心线进行轨迹跟踪，从而实现车辆的安全自动驾驶并到达希望的目的地；其优点在于方案简单，需要测量的信息少，而且对车辆信息与环境信息无要求，并且由于模糊方法的采用，有利于提高车辆自动驾驶的舒适度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的基于IPV6的无人车轨迹模糊PID跟踪方法流程图。

图2是本发明提供的无人车模糊PID复合轨迹跟踪方案原理框图。

图3是本发明提供的初始位置偏差为2m时车道线保持位置误差响应曲线。

图4是本发明提供的初始位置偏差为2m时车辆前轮转角曲线。

图5是本发明提供的初始位置偏差为-2m时车道线保持位置误差响应曲线。

图6是本发明提供的初始位置偏差为-2m时车辆前轮转角曲线。

图7是本发明提供的车辆模型摄动随机摄动下初始位置偏差为2m时车道线保持位置误差10次响应曲线。

图8是本发明提供的车辆模型摄动随机摄动下初始位置偏差为-2m时车辆前轮转角10次响应曲线。

图9是本发明提供车辆轨迹跟踪误差的隶属度函数。

图10是本发明提供车辆前轮转角的隶属度函数(单位度)。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于IPV6的无人车轨迹模糊跟踪方法，参考图1以及图2所示，其思路是：通过IPV6网络，将通过客户手机或其它外部设备设置的期望目的地与路线规划要求发送给无人自动驾驶车辆；无人自动驾驶车辆接收到期望目的地与路线规划要求后，根据目的地、地图以及当前交通状况进行路线规划后开始自动驾驶，然后通过测量车辆横向位置相对道路中心线的位置偏差，并根据位置偏差设计模糊与PID相复合算法对车道中心线进行轨迹跟踪，从而实现车辆的安全自动驾驶并到达希望的目的地。

具体而言，一种基于IPV6的无人车轨迹模糊跟踪保持方法可以按照以下步骤进行：

步骤一：期望目的地的设定、导航要求与路线规划

首先，用户可以通过手机选定期望的目的地，并设置路线规划要求，例如可以包括最小距离或速度最快等要求；其次，经由IPV6网络传递给无人自动驾驶车辆；然后，无人自动驾驶车辆根据上述目的地、地图以及当前交通信息进行路线规划，并将路线规划结果由IPV6网络传递给用户，经用户确认后完成路线规划，开始自动驾驶，向目的地出发。

步骤二：位置误差测量并采用计算机计算位置误差积分

采用摄像头测量车辆横向位置相对道路中心线的位置误差，采用速度传感器测量车辆横向线速度，即可获得上述位置误差的导数。为便于下文说明，将上述测量信息采用如下符号进行描述。

y_s：表示车辆横向位置相对道路中心线的位置误差；

v_x：表示车辆横向线速度；由于横向线速度和车辆横向位置相对中心线的位置误差的导数相同，则有

根据车辆横向位置相对道路中心线的位置误差y_s，采用计算机积分算法生成位置误差积分∫y_sdt。计算机算法实现如下：

在初始时刻附初值：

se＝0；

在控制的每个周期内，进行累加模拟积分运算如下：

se＝se+ys*dt；

其中se代表∫y_sdt，dt为控制周期，一般选取为小于0.005s。

说明，在本步骤中，测量方法采用一般通用方法既可，并非本专利权利要求保护范围。而本专利权利要求重点在于保护下面采用上述策略信息构成的模糊与PID复合控制策略的设计上，也就是下面的步骤三、步骤四与步骤五。

步骤三：模糊概念与模糊集定义

首先定义车辆横向位置相对道路中心线的误差测量值y_s大小的模糊概念，主要分为以下五个模糊概念，即

y_s＝{NB NM ZO PM PB}

即NB表示误差值为负的很大误差、NM表示误差值为负的中等误差、ZO标识误差值几乎为零的零误差、PM表示误差值为正的中等误差、PB表示误差值为正的很大误差。

在设计中一般选取|y_s|＞2为很大误差，0.4＜|y_s|＜2为中等误差，|y_s|＜0.4为几乎为零的零误差；具体可以参考图9所示。

其次，定义控制量前轮转角δ_z的模糊概念，同样分为以下五个模糊概念，即

δ_z＝{NB_z NM_z ZO_z PM_z PB_z}

相应的即NB_z表示控制量前轮转角误差值为负的很大误差、NM_z表示控制量前轮转角为误差值为负的中等误差、ZO_z为控制量前轮转角误差值几乎为零的零误差、PM_z表示控制量前轮转角误差值为正的中等误差、PB_z表示控制量前轮转角误差值为正的很大误差。

在设计中，一般取而选取|δ_z|＞10/57.3(单位弧度)为很大误差，1/57.3＜|δ_z|＜10/57.3为中等误差，|δ_z|＜1/57.3为几乎为零的零误差，具体可以参考图10所示。

步骤四：模糊规则与模糊算法构造

模糊控制的基本原则为：当y_s较大时，δ_z也应当较大；当y_s较小时，δ_z也应当较小；而当y_s几乎为0时，δ_z也应当几乎为0。

最后根据上述模糊控制的基本原则建立模糊规则库，并采用计算机根据输入误差y_s进行模糊运算与反模糊化，得到模糊控制量δ_z1。

对应上述模糊控制的基本原则，建立如下δ_z的模糊规则：

R1：IF y_s is PB thenδ_z is PB。即如果y_s为正大，则δ_z为正大。

R2：IF y_s is PM thenδ_z is PM。即如果y_s为正中，则δ_z为正中。

R3：IF y_s is ZO thenδ_z is ZO。即如果y_s为几乎为0，则δ_z为正几乎为0。

R4：IF y_s is NB thenδ_z is NB。即如果y_s为负大，则δ_z为负大。

R5：IF y_s is NM thenδ_z is NM。即如果y_s为负中，则δ_z为负中。

采用Matlab设置规则矩阵为：

最后根据上述模糊控制的基本原则建立模糊规则库，并采用计算机进行跟进输入误差进行模糊运算与反模糊化，得到模糊控制量δ_z1。详细过程进一步见下面的计算机案例。

步骤五：PID控制算法构造

采用传统的PID控制方法，构造前轮转向PID控制律如下：

δ_z2＝k_p1y_s+k_p2v_s+k_p3∫y_sdt

其中v_s，为误差微分，也就是横向线速度v_x。k_p1、k_p2、k_p3为PID控制中的比例参数、微分参数与积分参数，有待设计调试中认真整定选取。

步骤六：复合自动驾驶规律构造

在上述模糊控制与PID控制规律构造的基础上，最后采用两种的线性叠加即形成最终的复合控制规律δ_z＝k_aδ_z1+δ_z2，其中k_a为两者的叠加系数，并对模糊控制与PID控制的参数进行进一步的调整，直到得到满意的效果。

步骤七：根据具体的车辆参数采用计算机仿真手段建立车辆运动模型

根据上述定义，建立智能车辆自动驾驶的运动模型如下：

其中各参数与变量定义如下。

y：表示车辆横向位移；

表示车辆横向位移的导数；

表示车辆横向位移的二阶导数；

ψ：表示车辆横向摆角；

表示车辆横向摆角的导数；

表示车辆横向摆角的二阶导数；

δ_z表示前轮转角。

v_x：表示车辆行驶速度，由车辆仪表盘信息获得。

I_z：表示车辆的转动惯量，可查阅车辆物理参数获取；

m：表示车辆质量，可查阅车辆物理参数获取；

l_f：表示车辆质心到前轴的距离，可查阅车辆物理参数获取；

l_r：表示车辆质心到后轴的距离，可查阅车辆物理参数获取；

C_f：表示车辆的前轮胎刚度，可查阅车辆物理参数获取；

C_r：表示车辆的后轮胎刚度，可查阅车辆物理参数获取；

步骤八：将步骤六得到的复合控制律代入步骤七的车辆运动模型，进行参数调试，选定最终的PID控制参数与模糊控制参数k_p1、k_p2、k_p3、k_a，控制参数k_p1、k_p2、k_p3、k_a的取值可以为k_p1＝80/57.3、k_p2＝2/57.3、k_p3＝50/57.3；得到满意的车道线保持效果，即完成轨迹自动跟踪设计。

至此，自动驾驶中的对期望轨迹车道线中心线的自动跟踪设计完成，将控制无人车按照预定的路线自动驾驶到第一步设定的目的地。值得说明的时：自动驾驶中的另一大任务即紧急壁障与安全管理功能，由于不是本专利保护的重点技术而没有提及，但其是无人车自动驾驶技术组成中的不可或缺的重要部分。

最后，根据上述模糊PID复合控制原理，采用Matlab软件M语言进行编程如下建立模糊系统：

a＝newfis('smc_fz')；

f1＝2/3；

a＝addvar(a,'input','e',[-3*f1,3*f1])

a＝addmf(a,'input',1,'NB','zmf',[-3*f1,-1*f1])；

a＝addmf(a,'input',1,'NM','trimf',[-3*f1,-2*f1,0])；

a＝addmf(a,'input',1,'ZO','trimf',[-2*f1,0,2*f1])；

a＝addmf(a,'input',1,'PM','trimf',[0,2*f1,3*f1])；

a＝addmf(a,'input',1,'PB','smf',[1*f1,3*f1])；

f2＝10/3；

a＝addvar(a,'output','dk1',[-3*f2,3*f2])

a＝addmf(a,'output',1,'NB','zmf',[-3*f2,-1*f2])；

a＝addmf(a,'output',1,'NM','trimf',[-2*f2,-1*f2,0])；

a＝addmf(a,'output',1,'ZO','trimf',[-1*f2,0,1*f2])；

a＝addmf(a,'output',1,'PM','trimf',[0,1*f2,2*f2])；

a＝addmf(a,'output',1,'PB','smf',[1*f2,3*f2])；

rulelist＝[1 1 1 1；

2 2 1 1；

3 3 1 1；

4 4 1 1；

5 5 1 1

]；

a1＝addrule(a,rulelist)；

ag1＝a1；

showrule(a1)

a1＝setfis(a1,'DefuzzMethod','centroid')；

writefis(a1,'smc_fz')；

a1＝readfis('smc_fz')；

figure(15)

plotmf(a1,'input',1)；

figure(16)

plotmf(a1,'output',1)；

在编写如下程序实现PID控制如下：

kp1＝80/57.3；kp2＝5/57.3；kp3＝50/57.3；

deys＝dys；seys＝sey；

upid＝kp1*eys+kp2*deys+kp3*seys；

其中，k_p1＝80/57.3、k_p2＝2/57.3、k_p3＝50/57.3；

编写如下程序实现模糊与PID复合控制如下：

delt2＝-5*evalfis(eys,ag1)/57.3-1upid；

显然显然k_a＝5/57.3。

注意：由于最后控制量出现复合，相当于前面PID控制参数全部取值为负。

由仿真程序可以看出整个控制方案要调整的参数非常少，一共是四个。同时整个控制方案中，对车辆模型参数、路面参数、轮胎摩擦系数均不要求已知。

因此该控制方案需要测量与已知的信息也非常少，非常便于实现。同时仿真与实验结果表明，由于同时采用了PID与模糊控制，使得方案具有很高的可靠性与安全性，而且还有很好的智能性与舒适性。详见仿真结果如后面图2至图8所示，尤其是图7与图8所展现的车辆模型随机摄动多次仿真曲线，表明了本发明所提供的方法具有良好的实用性。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (1)

1.一种基于IPV6的无人车轨迹模糊跟踪保持方法，其特征在于，按照以下步骤进行：

步骤一，设定期望目的地、导航要求以及路线规划；

步骤二，测量位置误差并对所述位置误差进行积分运算；

步骤三，构建所述位置误差的模糊概念以及控制量前轮转角的模糊概念；

步骤四，构建模糊控制的基本原则，并根据所述模糊控制的基本原则建立模糊规则库；根据所述模糊规则库对所述位置误差进行模糊运算与反模糊化，得到模糊控制量；

步骤五，根据所述位置误差构建前轮转向的PID控制规律；

步骤六，根据所述模糊控制量以及所述前轮转向构建复合控制规律；

所述步骤一包括以下步骤：

首先，通过手机选定期望的目的地，并设置路线规划要求；其次，无人自动驾驶车辆根据所述目的地、地图以及当前交通信息进行路线规划，并将路线规划结果由IPV6网络传递给用户，经用户确认后完成路线规划，开始自动驾驶，向目的地出发；

所述步骤二包括以下步骤：

首先，测量车辆横向位置相对道路中心线的位置误差y_s；

其次，测量车辆横向线速度v_x；由于横向线速度v_x和车辆横向位置相对中心线的位置误差y_s的导数相同，则有

最后，根据车辆横向位置相对道路中心线的位置误差y_s，采用计算机积分算法生成位置误差积分∫y_sdt；其中，dt为控制周期，取值为dt<0.005s；

所述步骤三包括以下步骤：

首先，构建所述位置误差y_s大小的模糊概念，分为以下五个模糊概念，包括：

y_s＝{NB NM ZO PM PB}

其中，NB表示误差值为负的很大误差、NM表示误差值为负的中等误差、ZO标识误差值几乎为零的零误差、PM表示误差值为正的中等误差、PB表示误差值为正的很大误差；|y_s|>2为很大误差，0.4<|y_s|<2为中等误差，|y_s|<0.4为几乎为零的零误差；

其次，构建控制量前轮转角δ_z的模糊概念，分为以下五个模糊概念，包括：

δ_z＝{NB_z NM_z ZO_z PM_z PB_z}

其中，NB_z表示控制量前轮转角误差值为负的很大误差、NM_z表示控制量前轮转角为误差值为负的中等误差、ZO_z为控制量前轮转角误差值几乎为零的零误差、PM_z表示控制量前轮转角误差值为正的中等误差、PB_z表示控制量前轮转角误差值为正的很大误差；并且，选取|δ_z|>10/57.3为很大误差，1/57.3<|δ_z|<10/57.3为中等误差，|δ_z|<1/57.3为几乎为零的零误差；

所述步骤四包括以下步骤：

首先，构建如下模糊控制的基本原则：当y_s较大时，δ_z也应当较大；当y_s较小时，δ_z也应当较小；而当y_s几乎为0时，δ_z也应当几乎为0；

其次，根据所述模糊控制的基本原则建立模糊规则库，并根据位置误差y_s进行模糊运算与反模糊化，得到模糊控制量δ_z1；

所述步骤五包括：

采用传统的PID控制方法，构造前轮转向δ_z2的PID控制律如下：

δ_z2＝k_p1y_s+k_p2v_s+k_p3∫y_sdt；

其中，v_s为误差微分，与所述横向线速度v_x相同；k_p1、k_p2、k_p3为PID控制中的比例参数、微分参数与积分参数；k_p1＝80/57.3、k_p2＝2/57.3、k_p3＝50/57.3；

所述步骤六包括：

在所述模糊控制量δ_z1与前轮转向δ_z2的基础上，采用线性叠形成最终的复合控制规律δ_z＝k_aδ_z1+δ_z2，其中，k_a为两者的叠加系数，k_a＝5/57.3；

其中，所述PID控制中的比例参数、微分参数与积分参数是通过如下方式计算得到的：

首先，根据具体的车辆参数采用计算机仿真手段建立车辆运动模型，具体如下所示：

其中：

y：表示车辆横向位移；

表示车辆横向位移的导数；

表示车辆横向位移的二阶导数；

ψ：表示车辆横向摆角；

表示车辆横向摆角的导数；

表示车辆横向摆角的二阶导数；

δ_z：表示前轮转角；

v_x：表示车辆行驶速度，由车辆仪表盘信息获得；

I_z：表示车辆的转动惯量，通过查阅车辆物理参数获取；

m：表示车辆质量，通过查阅车辆物理参数获取；

l_f：表示车辆质心到前轴的距离，通过查阅车辆物理参数获取；

l_r：表示车辆质心到后轴的距离，通过查阅车辆物理参数获取；

C_f：表示车辆的前轮胎刚度，通过查阅车辆物理参数获取；

C_r：表示车辆的后轮胎刚度，通过查阅车辆物理参数获取；

其次，将步骤六得到的复合控制律代入上述车辆运动模型，进行参数调试，选定最终的PID控制参数。

Images