CN107357168B - 一种基于机会约束模型预测控制的无人车避障方法 - Google Patents
一种基于机会约束模型预测控制的无人车避障方法 Download PDFInfo
- Publication number
- CN107357168B CN107357168B CN201710403342.1A CN201710403342A CN107357168B CN 107357168 B CN107357168 B CN 107357168B CN 201710403342 A CN201710403342 A CN 201710403342A CN 107357168 B CN107357168 B CN 107357168B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- unmanned vehicle
- obstacle avoidance
- model predictive
- 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 22
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- 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
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于机会约束模型预测控制的无人车避障方法,包括以下步骤:1)建立无人驾驶车辆的动力学模型,描述无人驾驶车辆动力学特征;2)构建模型预测控制最优化问题的代价函数和约束条件;3)求解模型预测控制最优化问题,获取无人车避障的最优路径。与现有技术相比,本发明具有环境适应性好、考虑车辆实际占据区域等优点。
Description
技术领域
本发明涉及无人驾驶车辆避障领域,尤其是涉及一种基于机会约束模型预测控制的无人车避障方法。
背景技术
由于无人驾驶车辆在减少交通事故及人员伤亡、缓解降低交通拥堵、减少用户在驾驶上消耗的精力等方面的优势,获得了学术界和产业界的广泛关注。无人驾驶车辆的实施涉及各个领域,包括信息与传感技术、轨迹跟踪技术与避障技术。实现无人车在各种情况下的避障具有十分重要的意义。避障能力是无人车的基础,只有具有良好的避障能力的无人车才有可能真正具有实用性。
无人车避障是通过路径规划算法实现的。路径规划是指寻找一条恰从给定起点到目标点的路径,使得无人车能够安全无碰撞地绕过环境中的障碍物达到目标点。传统的路径规划方法主要包括栅格法与快速扩展随机树法。栅格法,包括知名的A*与D*算法,采用大小相同的栅格对环境地图中的的二维运动空间进行划分,然后将路径规划问题转化为图搜索问题。栅格法的主要缺点在于,实时性能不强,对动态环境中适应性较差,不能够处理车辆动力学约束。快速扩展随机树算法由S.M.LaValle于1999年提出,该方法通过创建随机扩展树来连接起始位姿和目标位姿。快速扩展随机树算法缺点主要包括:需要对全局空间进行随机搜索,由于随机搜索具有不确定性,运算量大,规划时间长,导致算法的实时性较差;路径由多个随机采样点连接而成,导致最终的路径不够光滑;不能处理车辆动力学约束。
模型预测控制算法是一种通过滚动求解优化问题获取控制序列的方法,已经在多个领域得到广泛应用。能够处理车辆动力学约束是模型预测控制算法的突出优势。
在无人驾驶车辆实际应用中,传感系统的测量误差可能突然增大(比如在无人驾驶车辆经过隧道时,定位系统测量误差会突然增大)。避障算法必须考虑这种不确定性。
机会约束模型预测控制能够有效的处理这种不确定性。由于存在不确定性,在机会约束模型预测控制中,部分约束以一定的置信水平满足,该部分约束称之为机会约束。近年来,许多学者提出了一些基于机会约束模型预测控制的避障方法。
文献(L.Blackmore,M.Ono and B.C.Williams,”Chance-constrained optimalpath planning with obstacles”,IEEE Transactions on Robotics,v 27,n6,p 1080-1094,Dec.2011.)针对线性高斯系统,将路径规划的优化问题估计为析取规划,并通过分支界定法求解。但是,该算法的主要不足在于:没有考虑车辆实际占据区域,仅仅将车辆视作质点;只考虑了车辆状态的不确定性,没有考虑障碍物状态的不确定性。
为了能够同时考虑车辆状态与障碍物信息不确定性,文献(N.E.Toit andJ.W.Burdick,”Probabilistic collision checking with chance constraints”,IEEETransactions on Robotics,v 27,n 4,p 809-815,Aug.2011.)提出了一种基于机会约束的碰撞检查方法,在假设车辆半径非常小的前提下,通过积分运算,分别针对车辆状态与障碍物状态的不确定性独立与否的两种情况,该方法将关于不确定变量的约束近似转化为关于均值与方差的替代约束,并通过大量采样的方法验证了估计的精度。由于替代约束关于决策变量是非凸的,使得最终模型预测控制优化问题不易求取。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机会约束模型预测控制的无人车避障方法。
本发明的目的可以通过以下技术方案来实现:
一种基于机会约束模型预测控制的无人车避障方法,包括以下步骤:
1)建立无人驾驶车辆的动力学模型,描述无人驾驶车辆动力学特征;
2)构建模型预测控制最优化问题的代价函数和约束条件;
3)求解模型预测控制最优化问题,获取无人车避障的最优路径。
所述的步骤1)中,无人驾驶车辆的动力学模型为:
u=δf
其中,x为状态向量,u为输入向量,为车身坐标系下的横向速度,为车身坐标系下的纵向速度,为横摆角,为横摆角速度,为全局坐标系下的横向速度,为全局坐标系下的纵向速度,δf为前轮转角,a为质心到前轴的距离,b为质心到后轴的距离,Ccf为轮胎前轮侧偏刚度、Ccr为轮胎后轮侧偏刚度,m为车辆总质量,Iz为车辆的转动惯量,为横向加速度,为横摆加速度。
所述的步骤2)中,将关于目标位置的代价函数作为模型预测控制的代价函数,并将无碰撞机会约束作为约束条件。
所述的步骤2)中,关于目标位置的代价函数为:
min E(h(ΔU,x(t|t),u(t-1|t)))
其中,E(·)表示期望,h(ΔU,x(t|t),u(t-1|t))为关于目标位置的代价函数,xgoal为目标位置,Q和R均为权重矩阵,Np为预测时域的长度,Nc为控制时域的长度,ΔU为控制输入的增量向量,x(t|t)为当前时刻的系统状态,u(t-1|t)为上一时刻系统输入,x(t+i|t)为在t时刻第i个预测时域的车辆状态,Δu(t+i|t)为在t时刻第i个预测时域的控制增量。
所述的步骤2)中,模型预测控制最优化问题的代价函数为:
其中,J(ΔU,x(t|t),u(t-1|t))为优化指标,μi为在第i个预测时域车辆状态信息所服从高斯分布的期望,
约束条件为:
x(t+i+1|t)=Ax(t+i|t)+Bu(t+i|t)+d(t+i|t),i=0,1,...Np-1
x(t|t)~N(μt0,Σt0)
xj~N(μj,Σj)
u(t+i|t)=u(t+i-1|t)+Δu(t+i|t),i=0,1,...Nc-1
ΔU(t)=[Δu(t|t),Δu(t+1|t),…Δu(t+Nc-1|t)]T
ρi,j,k∈{0,1},i∈Zp,j∈Zo,k∈Zv
其中,t为时间,x(t+i|t)为在t时刻第i个预测时域的车辆状态,为在t时刻第i个预测时域的控制输入,为在t时刻第i个预测时域的控制增量,A、B和d为状态空间矩阵,ρi,j,k为0-1变量,M为一足够大的正数,Zv为包含定义车身约束的编序的集合,Zp为包含预测时域序列的集合,Zo为包含障碍物序列的集合,i、j和k分别为集合Zp、Zo和Zv的元素,s、fk、bk均为中间变量,F-1(α)表示标准正态分布累积函数的逆函数,α为给定的置信水平,障碍物位置信息xj的不确定性描述为高斯分布N(μj,Σj),Σi为在第i个预测时域车辆状态信息所服从高斯分布的协方差,lh与lt分别表示车头与车尾到质心的纵向距离,w表示车辆宽度,μt0,Σt0为高斯分布N(μt0,Σt0)的均值和方差,μj、Σj为高斯分布N(μj,Σj)的均值和方差,nΔu为控制输入增量的数目,nu为控制输入的数目。
与现有技术相比,本发明具有以下优点:
一、在以往的研究中,避障算法中仅仅将车辆视作一个质点,车辆实际占据区域被完全忽略了,显然,车辆质心是无碰撞的并不能保证整个车辆是无碰撞的,本发明将车辆实际占据区域视作一系列约束的析取而不是质点,更好地保证了车辆的安全性。
二、本发明能够同时考虑车辆状态信息与障碍物信息的不确定性,因此具有更好的环境适应性。
附图说明
图1为本发明系统流程图。
图2为不同置信水平下车辆轨迹曲线对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于机会约束模型预测控制的无人车避障方法包括以下步骤:
S1:建立车辆动力学模型,该模型用于描述无人驾驶车辆动力学特征:
车辆动力学模型描述如下:
其中,状态向量和输入向量分别为:与u=δf,与分别表示车身坐标系下的横向速度与纵向速度,纵向速度恒定,为横摆角,为横摆角速度,和分别表示全局坐标系下的横向与纵向速度,δf为前轮转角,a和b分别表示质心到前轴距离,质心到后轴距离,Ccf与Ccr分别表示轮胎前轮侧偏刚度与后轮侧偏刚度,m表示车辆总质量,Iz表示车辆的转动惯量。
S2:无碰撞条件设计:
将原车身占据区域约束视作由一系列约束组成的凸多边形。
原无碰撞条件Rcprvs描述如下:
ΔU(t)=[Δu(t|t),Δu(t+1|t),…Δu(t+Nc-1|t)]T (3)
其中,t表示时间。表示在t时刻第i个预测时域的控制增量。x(t|t)表示在t时刻的车辆状态,表示在t-1时刻的车辆控制输入。Zv是包含定义车身约束的编序的集合;Zp是包含预测时域序列的集合;Zo是包含障碍物序列的集合。i,j,k分别是集合Zp,Zo与Zv的元素。预测时域内fi,k(ΔU,x(t|t),u(t-1|t))与bi,k(ΔU,x(t|t),u(t-1|t))可以表述为关于车辆长度与宽度、质心位置和横摆角的函数。由于预测时域内质心位置和横摆角均可以表述为ΔU,x(t|t)与u(t-1|t)的函数,同时车辆长度与宽度是固定的,所以,fi,k(ΔU,x(t|t),u(t-1|t))与bi,k(ΔU,x(t|t),u(t-1|t))可以表述为关于ΔU,x(t|t)与u(t-1|t)的函数,正方向定义为指向车身朝外的方向,具体的表达式通过简单的几何关系计算得出。∧表示逻辑与;∨表示逻辑或。
由于公式(2)具体形式比较复杂,关于决策变量的凸性是未知的,因此本发明提出原无碰撞条件的估计Racprvs,描述如下:
其中lh与lt分别表示车头与车尾到质心的纵向距离,w表示车辆宽度。fk与bk的值如表1所示。xj定义如下:
其中Xo,j与Yo,j分别表示障碍物在全局坐标系下的横向位置与纵向位置。
表1 fk与bk的参数
S3:无碰撞机会约束估计
对应于公式(2)的机会约束记作CCcprvs,该约束具体写成以下形式:
P(Rcprvs)≥c (6)
其中,c为置信水平。
对应于公式(4)的机会约束记作CCacprvs,该约束具体写成以下形式:
P(Racprvs)≥c (7)
其中,c为置信水平。
将障碍物位置信息的不确定性描述为高斯分布xj~N(μj,Σj)。将初始车辆状态信息的不确定性描述为高斯分布x(t|t)~N(μt0,Σt0)且独立于xj。车辆状态信息在预测时域里服从高斯分布x(t+i|t)~N(μi,Σi)。通过递推计算μi与Σi:
S31:单个机会约束转化:
定义一个新的随机变量Xnew=fkx(t+i|t)-bkxj。可知Xnew服从高斯分布N(fkμi-bkμj,fkΣifk T+bkΣjbk T)。利用Xnew的概率分布,即可得到:
S32:CCacprvs的计算:
利用公式(10),避障机会约束CCacprvs计算如下:
其中,c=1-NpNo(1-α),No是障碍物的个数。
公式(11)是从单个置信水平为α的机会约束推出总体置信水平为c的机会约束。α与c都是接近但小于概率1的数值。公式(11)的直观意义是,如果单个机会约束不满足的概率不超过1-α,那么整个无碰撞条件Racprvs满足的概率不低于c=1-NpNo(1-α),即把Racprvs的机会约束转化为单个机会约束。
S33:CCcprvs的计算
事件A与事件B分别定义如下:
为了方便表述,将公式(2)中fk,i(ΔU,x(t|t),u(t-1|t))简写为fk,i,将公式(2)中bk,i(ΔU,x(t|t),u(t-1|t))简写为bk,i。
根据公式(5),事件A与事件B的关系可以描述如下:
根据公式(12)、公式(13)与公式(14),将Rcprvs与Racprvs的关系表述如下:
利用公式(15),进一步得到:
利用公式(16)与公式(11),机会约束CCcprvs计算如下:
其中,c=1-NpNo(1-α)。
S34:析取约束转化:
公式(17)中的析取约束可以通过“大M”方法转化为以下形式:
ρi,j,k∈{0,1},i∈Zp,j∈Zo,k∈Zv (20)
其中,M表示足够大的正数。ρi,j,k为0-1变量,只取值为整数0或者整数1。
S4:代价函数设计:
代价函数设计如下:
minE(h(ΔU,x(t|t),u(t-1|t))) (21)
其中,E(·)表示期望,h(ΔU,x(t|t),u(t-1|t))表示关于目标位置的代价函数:
其中,xgoal表示目标位置,Q和R均为权重矩阵。公式(22)中第一项反映算法趋近于目标位置的能力,也反映了避障算法的经济性和能耗。第二项反映了避障算法要求控制增量的变化较为平滑,也反映了避障轨迹的平顺性。
利用公式(22),将公式(21)重写:
将公式(23)重写如下:
其中,Tr(·)表示矩阵的迹。
将与控制增量无关的常数项舍弃,公式(24)重写如下:
至此,期望的计算完成。
S5:模型预测控制最优化问题设计与求解:
综上,模型预测控制最优化问题设计如下:
s.t.
x(t|t)~N(μt0,Σt0) (28)
xj~N(μj,Σj) (29)
u(t+i|t)=u(t+i-1|t)+Δu(t+i|t),i=0,1,...Nc-1 (30)
ΔU(t)=[Δu(t|t),Δu(t+1|t),…Δu(t+Nc-1|t)]T (33)
ρi,j,k∈{0,1},i∈Zp,j∈Zo,k∈Zv (36)
其中,t表示时间,x(t+i|t)表示在t时刻第i个预测时域的车辆状态,表示在t时刻第i个预测时域的控制输入,表示在t时刻第i个预测时域的控制增量。E(·)表示期望,因为车辆状态与障碍物位置信息包含不确定性,代价函数本身也成为随机变量,所以对包含随机变量的代价函数求取期望,作为优化指标。Np表示预测时域的长度,Nc表示控制时域的长度,A、B和d表示状态空间矩阵,通过对车辆动力学模型线性化离散化得到。优化问题通过cplex工具包求解。求解上述优化问题获取的控制增量,将第一个控制增量代入公式(30),与上一时刻控制量累积,得到控制量,并将它作用于系统。舍弃除第一个控制增量以外的其它控制增量。在下一个优化时刻到来时,重复上述过程,实现滚动优化。
根据具体实施方式进行仿真实验,仿真结果如图2所示;
基于机会约束模型预测控制算法,Σt0=0.2*I5,Σj=0.2*I2,在较高置信水平c=1-10-10与较低置信水平c=0.9两种工况下的车辆避障轨迹的均值图2所示。相对于c=0.9的工况,c=1-10-10工况下的车辆总避障轨迹更长,即具有更高的能耗和经济代价。因此,图2说明,更高的置信水平是以能耗为代价的,即在车辆状态与障碍物位置信息存在不确定性的情况下,如果要获取更高的置信水平的避障轨迹,那么就要付出更高的经济代价。
Claims (2)
1.一种基于机会约束模型预测控制的无人车避障方法,其特征在于,包括以下步骤:
1)建立无人驾驶车辆的动力学模型,描述无人驾驶车辆动力学特征,无人驾驶车辆的动力学模型为:
u=δf
其中,x为状态向量,u为输入向量,为车身坐标系下的横向速度,为车身坐标系下的纵向速度,为横摆角,为横摆角速度,为全局坐标系下的横向速度,为全局坐标系下的纵向速度,δf为前轮转角,a为质心到前轴的距离,b为质心到后轴的距离,Ccf为轮胎前轮侧偏刚度、Ccr为轮胎后轮侧偏刚度,m为车辆总质量,Iz为车辆的转动惯量,为横向加速度,为横摆加速度;
2)构建模型预测控制最优化问题的代价函数和约束条件,关于目标位置的代价函数为:
minE(h(ΔU,x(t|t),u(t-1|t)))
其中,E(·)表示期望,h(ΔU,x(t|t),u(t-1|t))为关于目标位置的代价函数,xgoal为目标位置,Q和R均为权重矩阵,Nc为控制时域的长度,Np为预测时域的长度,ΔU为控制输入的增量向量,x(t|t)为当前时刻的系统状态,u(t-1|t)为上一时刻系统输入,x(t+i|t)为在t时刻第i个预测时域的车辆状态,Δu(t+i|t)为在t时刻第i个预测时域的控制增量;
模型预测控制最优化问题的代价函数为:
其中,J(ΔU,x(t|t),u(t-1|t))为优化指标,μi为在第i个预测时域车辆状态信息所服从高斯分布的期望,
约束条件为:
x(t+i+1|t)=Ax(t+i|t)+Bu(t+i|t)+d(t+i|t),i=0,1,...Np-1
x(t|t)~N(μt0,Σt0)
xj~N(μj,Σj)
u(t+i|t)=u(t+i-1|t)+Δu(t+i|t),i=0,1,...Nc-1
ΔU(t)=[Δu(t|t),Δu(t+1|t),…Δu(t+Nc-1|t)]T
ρi,j,k∈{0,1},i∈Zp,j∈Zo,k∈Zv
其中,t为时间,x(t+i|t)为在t时刻第i个预测时域的车辆状态,为在t时刻第i个预测时域的控制输入,为在t时刻第i个预测时域的控制增量,A、B和d为状态空间矩阵,ρi,j,k为0-1变量,M为一足够大的正数,Zv为包含定义车身约束的编序的集合,Zp为包含预测时域序列的集合,Zo为包含障碍物序列的集合,i、j和k分别为集合Zp、Zo和Zv的元素,s、fk、bk均为中间变量,F-1(α)表示标准正态分布累积函数的逆函数,α为给定的置信水平,障碍物位置信息xj的不确定性描述为高斯分布N(μj,Σj),Σi为在第i个预测时域车辆状态信息所服从高斯分布的协方差,lh与lt分别表示车头与车尾到质心的纵向距离,w表示车辆宽度,μt0,Σt0为高斯分布N(μt0,Σt0)的均值和方差,μj、Σj为高斯分布N(μj,Σj)的均值和方差,nΔu为控制输入增量的数目,nu为控制输入的数目;
3)求解模型预测控制最优化问题,获取无人车避障的最优路径。
2.根据权利要求1所述的一种基于机会约束模型预测控制的无人车避障方法,其特征在于,所述的步骤2)中,将关于目标位置的代价函数作为模型预测控制的代价函数,并将无碰撞机会约束作为约束条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710403342.1A CN107357168B (zh) | 2017-06-01 | 2017-06-01 | 一种基于机会约束模型预测控制的无人车避障方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710403342.1A CN107357168B (zh) | 2017-06-01 | 2017-06-01 | 一种基于机会约束模型预测控制的无人车避障方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107357168A CN107357168A (zh) | 2017-11-17 |
CN107357168B true CN107357168B (zh) | 2019-12-31 |
Family
ID=60271604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710403342.1A Active CN107357168B (zh) | 2017-06-01 | 2017-06-01 | 一种基于机会约束模型预测控制的无人车避障方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107357168B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108426581A (zh) * | 2018-01-08 | 2018-08-21 | 深圳市易成自动驾驶技术有限公司 | 车辆位姿确定方法、装置及计算机可读存储介质 |
CN108897216A (zh) * | 2018-07-03 | 2018-11-27 | 吉林大学 | 一种基于区域虚拟力场的智能汽车模型预测决策方法 |
CN109684702B (zh) * | 2018-12-17 | 2020-04-24 | 清华大学 | 基于轨迹预测的行车风险辨识方法 |
CN110187707B (zh) * | 2019-05-30 | 2022-05-10 | 北京三快在线科技有限公司 | 无人驾驶设备运行轨迹的规划方法、装置及无人驾驶设备 |
CN113671941A (zh) * | 2020-05-15 | 2021-11-19 | 北京京东乾石科技有限公司 | 一种轨迹规划方法、装置、设备和存储介质 |
CN112937605B (zh) * | 2021-03-22 | 2023-03-10 | 京东鲲鹏(江苏)科技有限公司 | 无人车行驶数据确定方法、装置、无人车及存储介质 |
CN113805483B (zh) * | 2021-09-17 | 2022-07-12 | 中国人民解放军国防科技大学 | 基于模型预测的机器人控制方法、装置和计算机设备 |
CN118226758B (zh) * | 2024-05-22 | 2024-07-26 | 吉林大学 | 考虑操纵极限下车辆姿态的分布式车辆模型预测控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608997A (zh) * | 2011-01-25 | 2012-07-25 | 同济大学 | 一种基于人工场的轨迹跟踪控制方法 |
WO2015154918A1 (de) * | 2014-04-08 | 2015-10-15 | Avl List Gmbh | Verfahren und regler zur modellprädiktiven regelung eines mehrphasigen dc/dc-wandlers |
CN105320129A (zh) * | 2015-10-22 | 2016-02-10 | 清华大学 | 一种无人驾驶自行车轨迹跟踪控制的方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN106444370A (zh) * | 2016-06-22 | 2017-02-22 | 上海振华重工集团(南通)传动机械有限公司 | 一种基于运动线性模型和区域性能指标的预测控制算法 |
CN106598055A (zh) * | 2017-01-19 | 2017-04-26 | 北京智行者科技有限公司 | 一种智能车局部路径规划方法及其装置、车辆 |
-
2017
- 2017-06-01 CN CN201710403342.1A patent/CN107357168B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102608997A (zh) * | 2011-01-25 | 2012-07-25 | 同济大学 | 一种基于人工场的轨迹跟踪控制方法 |
WO2015154918A1 (de) * | 2014-04-08 | 2015-10-15 | Avl List Gmbh | Verfahren und regler zur modellprädiktiven regelung eines mehrphasigen dc/dc-wandlers |
CN105320129A (zh) * | 2015-10-22 | 2016-02-10 | 清华大学 | 一种无人驾驶自行车轨迹跟踪控制的方法 |
CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
CN106444370A (zh) * | 2016-06-22 | 2017-02-22 | 上海振华重工集团(南通)传动机械有限公司 | 一种基于运动线性模型和区域性能指标的预测控制算法 |
CN106598055A (zh) * | 2017-01-19 | 2017-04-26 | 北京智行者科技有限公司 | 一种智能车局部路径规划方法及其装置、车辆 |
Non-Patent Citations (2)
Title |
---|
Model predictive control for uncertain nonlinear systems subject to chance constraints;Shuyou Yu,等;《2016 IEEE 55th Conference on Decision and Control (CDC)》;20161229;2751-2756 * |
不确定因素下车辆路径问题建模及优化方法研究;王君;《中国博士学位论文全文数据库 经济与管理科学辑》;20120715(第07期);J145-46 * |
Also Published As
Publication number | Publication date |
---|---|
CN107357168A (zh) | 2017-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107357168B (zh) | 一种基于机会约束模型预测控制的无人车避障方法 | |
Dai et al. | Modeling vehicle interactions via modified LSTM models for trajectory prediction | |
CN107168319B (zh) | 一种基于模型预测控制的无人车避障方法 | |
Kim et al. | Probabilistic and holistic prediction of vehicle states using sensor fusion for application to integrated vehicle safety systems | |
CN104268862B (zh) | 一种自主车三维地形可通行性分析方法 | |
CN107229973A (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
Jeong et al. | Long-term prediction of vehicle trajectory based on a deep neural network | |
CN104764457A (zh) | 一种用于无人车的城市环境构图方法 | |
CN112578673B (zh) | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 | |
CN110412877A (zh) | 一种基于nsp算法的舰载机甲板路径规划最优控制方法 | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN112052802A (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
US11527028B2 (en) | Systems and methods for monocular based object detection | |
Chen et al. | ST-LSTM: Spatio-temporal graph based long short-term memory network for vehicle trajectory prediction | |
Li et al. | Semantic-level maneuver sampling and trajectory planning for on-road autonomous driving in dynamic scenarios | |
US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
Yin et al. | Nonlinear model predictive control for path tracking using discrete previewed points | |
Chaulwar et al. | A hybrid machine learning approach for planning safe trajectories in complex traffic-scenarios | |
Pandita et al. | Preceding vehicle state prediction | |
Cao et al. | Vehicle sideslip trajectory prediction based on time-series analysis and multi-physical model fusion | |
Wang et al. | Extraction of preview elevation information based on terrain mapping and trajectory prediction in real-time | |
CN116136417B (zh) | 一种面向越野环境的无人驾驶车辆局部路径规划方法 | |
Liu et al. | Spatiotemporal Trajectory Planning for Autonomous Vehicle based on Reachable Set and Iterative LQR | |
CN112729326B (zh) | 运动智能体轨迹规划方法、装置、存储介质和电子设备 | |
Wang et al. | A double-layered nonlinear model predictive control based control algorithm for local trajectory planning for automated trucks under uncertain road adhesion coefficient conditions |
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 |