CN108327841B - 一种自平衡无人驾驶自行车及其控制方法 - Google Patents
一种自平衡无人驾驶自行车及其控制方法 Download PDFInfo
- Publication number
- CN108327841B CN108327841B CN201810081132.XA CN201810081132A CN108327841B CN 108327841 B CN108327841 B CN 108327841B CN 201810081132 A CN201810081132 A CN 201810081132A CN 108327841 B CN108327841 B CN 108327841B
- Authority
- CN
- China
- Prior art keywords
- bicycle
- control module
- control
- handlebar
- vehicle body
- 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 193
- 230000033001 locomotion Effects 0.000 claims abstract description 30
- 238000005094 computer simulation Methods 0.000 claims abstract description 18
- 230000005484 gravity Effects 0.000 claims description 113
- 230000007246 mechanism Effects 0.000 claims description 109
- 238000013507 mapping Methods 0.000 claims description 65
- 238000004088 simulation Methods 0.000 claims description 39
- 230000006399 behavior Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract 1
- 238000012986 modification Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 23
- 230000003044 adaptive effect Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000000354 decomposition reaction Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62M—RIDER PROPULSION OF WHEELED VEHICLES OR SLEDGES; POWERED PROPULSION OF SLEDGES OR SINGLE-TRACK CYCLES; TRANSMISSIONS SPECIALLY ADAPTED FOR SUCH VEHICLES
- B62M6/00—Rider propulsion of wheeled vehicles with additional source of power, e.g. combustion engine or electric motor
- B62M6/40—Rider propelled cycles with auxiliary electric motor
- B62M6/45—Control or actuating devices therefor
- B62M6/50—Control or actuating devices therefor characterised by detectors or sensors, or arrangement thereof
-
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Motorcycle And Bicycle Frame (AREA)
Abstract
本发明公开了一种自平衡无人驾驶自行车及其控制方法，该自平衡无人驾驶自行车包括自行车、传感器模块、车把控制模块、车体中部控制模块和车体后部控制模块。该控制方法包括自平衡控制和无人驾驶控制两部分。自平衡的实现包括仿真建模、自动化建模和智能化建模；无人驾驶控制根据目标运动状态，选择期望的自行车变量，实现自行车的无人驾驶。本发明的无人驾驶自行车通过耦合的控制方法可以在多种运动状态下具有自平衡功能，同时采用的是间接驱动的方法，并不需要对普通自行车进行进一步的改装，只需要将三个控制器模块安装在普通自行车上，就可以实现自行车的自平衡和无人驾驶。
Description
技术领域
本发明涉及交通领域，具体涉及一种自平衡无人驾驶自行车及其控制方法。
背景技术
自行车作为一种传统的交通工具，具有车体窄小、机构简单、能作小半径回转、方便灵活、无污染、无噪声、无需能源、售价低廉等优势，在道路拥挤、空气污染、油价上涨等问题日益严重的现代人生活中有着举足轻重的地位。而无人驾驶自行车不仅能够针对一些特殊人群如儿童、老人提供驾驶平衡辅助，更是有望在灾难救援、森林作业中得到广泛应用。
随着人们对智能交通工具和无人驾驶技术的关注度持续提高，无人驾驶自行车或者说自行车机器人在这一智能交通工具概念的基础上有了初步的发展。目前，无人驾驶自行车的研究大部分研究学者都是围绕动力学建模和提出新的控制算法这两方面进行的，对其研究大都停留在理论探讨和初步试验的阶段。由于自行车复杂的动力学特征和一定的侧向不稳定性，自行车的自平衡仍存在很多棘手问题，如何解决静止或低速行驶下自行车的自平衡问题是无人驾驶自行车突破当前发展限制的关键。
现有的应用于摩托车或电动自行车的平衡系统本质上是独轮车平衡系统(即倒立摆平衡系统)和两足平衡系统的叠加。而自行车的前把具有高度的自由度，且两轮没有直接驱动力。所以，在摩托车或电动自行车上导致其平衡的驱动力在自行车上是不存在的，其平衡方法在自行车上无效，这为自行车的自平衡和无人驾驶带来了更多难度。
发明内容
本发明的目的在于针对现有技术的不足，提供一种自平衡无人驾驶自行车及其控制方法。
本发明的目的是通过以下技术方案来实现的：一种自平衡无人驾驶自行车，包括自行车、传感器模块、车把控制模块、车体中部控制模块和车体后部控制模块；所述车把控制模块、车体中部控制模块、车体后部控制模块根据传感器模块提供的信息进行模块各机构的控制，从而进行自行车平衡和行进的间接控制；所述车把控制模块、车体中部控制模块、车体后部控制模块的各机构控制变量是相互耦合的；所述传感器模块用于测量自行车变量，所述自行车变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度
所述车把控制模块位于自行车车把，通过重心调节机构调节车把的重心，实现车把偏转角度α的调节；所述车体中部控制模块位于自行车车体中部，通过重心调节机构调节车体中部的重心；所述车体后部控制模块位于自行车后部，通过重心调节机构调节车体后部的重心，通过旋转轮机构进行自行车后部的平衡控制和后轮旋转控制；通过后轮旋转控制实现自行车后轮转动角度
的调节；所述车把控制模块、车体中部控制模块和车体后部控制模块各自的重心调节机构和车体后部控制模块的平衡控制，共同实现自行车车体偏转角度β的调节；
自平衡无人驾驶自行车的自平衡的实现包括仿真建模、自动化建模和智能化建模；所述仿真建模是构建传感器模块测量的变量与三个控制模块的控制变量间的映射关系，从而实现自行车的仿真自平衡；所述自动化建模通过对仿真建模得到的仿真控制器结合自行车的真实传感器模块测量的变量与真实的控制模块的控制变量间的相关关系，实现自行车的自动化平衡控制；所述智能化建模通过对自动化建模得到的自行车真实控制器，结合进化算法、机器学习算法或深度学习算法中的一种或多种，学习自行车在陌生或复杂环境中的控制参数，实现在陌生环境或复杂环境中的自适应平衡。
进一步地，所述车把控制模块的重心调节机构为横向放置于车把上的滑杆机构，车把控制模块通过调节车把滑杆机构的滑块位置进行车把重心的调节。
进一步地，所述车体中部控制模块的重心调节机构为偏心轮，车体中部控制模块通过调节偏心轮旋转角度进行车体中部重心的调节。
进一步地，所述车体后部控制模块的重心调节机构为偏心轮，车体后部控制模块通过调节偏心轮旋转角度进行车体后部重心的调节；所述车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮：水平旋转轮、竖直旋转轮，竖直旋转轮与水平旋转轮相切，且与自行车后轮平行；车体后部控制模块通过调节两个旋转轮的转速进行自行车后部的平衡控制和后轮旋转控制。
一种自平衡无人驾驶自行车的控制方法，该方法包括平衡控制部分和无人驾驶控制部分；
所述平衡控制部分的实现方法包括以下步骤：
(1)仿真建模：构建传感器模块测量的变量与三个控制模块的控制变量间的映射关系，从而实现自行车的仿真自平衡；
(2)自动化建模：通过对仿真建模得到的仿真控制器结合自行车的真实传感器模块测量的变量与真实的控制模块的控制变量间的相关关系，实现自行车的自动化平衡控制；
(3)智能化建模：通过对自动化建模得到的自行车真实控制器，结合进化算法、机器学习算法或深度学习算法中的一种或多种，学习自行车在陌生或复杂环境中的控制参数，实现在陌生环境或复杂环境中的自适应平衡；
所述无人驾驶控制部分的实现方法：根据目标运动状态，选择期望的自行车变量，实现自行车的无人驾驶控制。
进一步地，所述步骤(1)中，仿真建模可以通过自行车模型驱动的控制方法或数据采集驱动的控制方法来实现；
其中，自行车模型驱动的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车变量和车把控制模块、车体中部控制模块和车体后部控制模块的控制变量；
2)物理建模：以车把控制模块、车体中部控制模块和车体后部控制模块的控制变量为输入，以自行车变量为输出，建立无人驾驶自行车物理模型；
所述无人驾驶自行车物理模型为：
其中，m1为前轮、后轮的质量，m2为车架的质量，m3为车把控制模块的重心调节机构为滑杆机构时，滑块配重的质量，m4为车体中部控制模块的重心调节机构为偏心轮时，偏心轮配重的质量，m5为车体后部控制模块的重心调节机构为偏心轮时，偏心轮配重的质量，m6为车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮时，两个旋转轮的总质量，r为前轮、后轮的半径，r1为车体中部偏心轮的半径，r2为车体后部偏心轮的半径，h2为车架质心的高度，h3为车把滑块配重的高度，h4为车体中部偏心轮配重的高度，h5为车体后部偏心轮配重的高度，h6为车体后部两个旋转轮的重心高度。
3)系统仿真及控制器的建立：以自行车物理模型的输出与期望的自行车变量为控制器的输入，以车把控制模块、车体中部控制模块和车体后部控制模块的控制变量为控制器的输出，通过系统仿真建立控制器，不断修正期望的自行车变量与实际采集的自行车变量之间的偏差，获得控制器参数；
4)实现自平衡：将系统仿真得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车模型驱动的控制方法包括以下步骤：
1)数据采集：传感器模块测量普通人骑自行车时的自行车变量以及人体变量；
2)一次映射：将自行车变量作为输入、将人体变量作为输出，通过机器学习得到人对自行车的控制网络或规则；
3)二次映射及控制器的建立：建立车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系，并将建立的人对自行车的控制网络或规则，通过二次映射得到车把控制模块、车体中部控制模块、车体后部控制模块对自行车的控制规则，获得控制器参数；
所述的车把控制模块控制变量与人体变量的二次映射关系为：
所述的车体中部控制模块控制变量与人体变量的二次映射关系为：
所述的车体后部控制模块控制变量与人体变量的二次映射关系为：
其中，F1、F2分别为车把的压力传感器阵列检测到的车把左右两侧的压力；x1、x2分别为车把左右两侧的压力中心与车把中心的距离；F3、F4分别为左右脚蹬的压力传感器检测到的左右脚蹬的压力；F5、F6分别为车座的压力传感器阵列检测到的左右两侧的压力；α1为人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角；R为人体脊椎上布置的姿态传感器检测到的人体脊椎在水平面上的重心偏转半径；x、m3分别为车把控制模块的重心调节机构为滑杆机构时，车把滑块位置和滑块配重的质量，θ1为车体中部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，θ2为车体后部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，ω1、ω2分别为车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮时，两个旋转轮的转速。
4)实现自平衡：将二次映射得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
进一步地，所述步骤(2)中，自动化建模可以通过自行车行为驱动的控制方法、分解关键平衡的控制方法或等价映射的控制方法来实现；
其中，自行车行为驱动的控制方法包括以下步骤：
1)数据采集：传感器模块测量普通人骑自行车时的自行车各变量以及人体变量；
2)规则建立：将人骑自行车的数据按时间分成若干片段，片段对应相同的自行车变量状态和人体变量状态所属的区间具有相同的规则，以自行车变量当前值和自行车变量下一时刻值为输入，以人体变量当前值为输出，进行规则汇总得到多条主要规则；以自行车变量当前值作为输入，人体变量作为输出，将多条主要规则针对自行车变量状态进行组合，得到人对自行车的控制规则；
3)二次映射及控制器的建立：建立车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系，并将建立的人对自行车的控制网络或规则，通过二次映射得到车把控制模块、车体中部控制模块、车体后部控制模块对自行车的控制规则，获得控制器参数；
所述车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系为：
所述的车把控制模块控制变量与人体变量的二次映射关系为：
所述的车体中部控制模块控制变量与人体变量的二次映射关系为：
所述的车体后部控制模块控制变量与人体变量的二次映射关系为：
其中，F1、F2分别为车把的压力传感器阵列检测到的车把左右两侧的压力；x1、x2分别为车把左右两侧的压力中心与车把中心的距离；F3、F4分别为左右脚蹬的压力传感器检测到的左右脚蹬的压力；F5、F6分别为车座的压力传感器阵列检测到的左右两侧的压力；α1为人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角；R为人体脊椎上布置的姿态传感器检测到的人体脊椎在水平面上的重心偏转半径；x、m3分别为车把控制模块的重心调节机构为滑杆机构时，车把滑块位置和滑块配重的质量，θ1为车体中部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，θ2为车体后部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，ω1、ω2分别为车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮时，两个旋转轮的转速。
4)实现自平衡：将二次映射得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车分解关键平衡的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)分解被控变量：在自行车前中后部分别建立坐标系，并将自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ分别分解到前中后部的坐标系；
3)投影控制变量及控制器的建立：将车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力分别投影到自行车前中后部的坐标系；并建立控制变量与被控变量之间的关系，得到控制器对自行车的控制规则，获得控制器参数；
车把控制模块的重心调节机构为滑杆机构时，车把控制模块中当滑块配重向自行车一侧加速运动时即产生一个沿车把方向向该侧的力；车体中部控制模块的重心调节机构为偏心轮时，车体中部控制模块中当车体偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力；车体后部控制模块的重心调节机构为偏心轮时，车体后部控制模块中当偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力。
4)实现自平衡：将投影得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车等价映射的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)分解被控变量：在自行车后部建立坐标系，并将自行车后轮的倾倒方向分解到后部坐标系；
3)投影控制变量及控制器的建立：将车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力分别投影到自行车后部的坐标系；并建立控制变量与被控变量之间的关系，得到车把控制模块、车体中部控制模块和车体后部控制模块对自行车的控制规则，获得控制器参数；
车把控制模块的重心调节机构为滑杆机构时，车把控制模块中当滑块配重向自行车一侧加速运动时即产生一个沿车把方向向该侧的力；车体中部控制模块的重心调节机构为偏心轮时，车体中部控制模块中当车体偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力；车体后部控制模块的重心调节机构为偏心轮时，车体后部控制模块中当偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力。
所述车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力与自行车后轮的倾倒方向的关系为：
其中，γ为自行车后轮倾倒方向，在自行车后部x、y、z坐标系分解为γx、γy、γz，其中γx为自行车后轮在yz平面上围绕x轴旋转的方向、γy为自行车后轮在xz平面上围绕y轴旋转的方向、γz为自行车后轮在xy平面上围绕z轴旋转的方向，F01、F02、F03分别为车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力，L1为车体中部控制模块中心与车体后部控制模块中心水平距离，L2为车把控制模块中心与车体后部控制模块中心水平距离；h3、h4、h5分别为车把控制模块、车体中部控制模块和车体后部控制模块的高度，r为自行车后轮半径，r1、θ1分别为车体中部控制模块的重心调节机构为偏心轮时，偏心轮半径和偏心轮旋转角度，r2、θ2为车体后部控制模块的重心调节机构为偏心轮时，偏心轮半径和偏心轮旋转角度，kx、ky、kz为正比系数，可以预先设定为常数，建立控制器时再调整；
最终通过自行车后轮的倾倒方向求解得到车把控制模块、车体中部控制模块和车体后部控制模块所需的重心调节机构的重心加速运动产生的力。
4)实现自平衡：将投影得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
进一步地，所述步骤(3)中，智能化建模可以通过自行车自演化的控制方法、环境演化自适应进化的控制方法、竞争与合作的控制方法来实现；
其中，自行车自演化的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)设定基本规则和演化目标：建立关键变量需要遵循的物理规则，并建立自行车平衡需要满足的关键变量的演化目标；
3)基本控制规则集生成：在模拟物理仿真空间进行自行车在平地演化环境下的物理仿真，通过进化算法得到一代能保持基本平衡的自行车控制策略；再通过这些自行车控制策略在模拟物理仿真空间进行自行车骑行，得到能保持基本平衡的自行车控制数据，进行控制规则的建立，并将细化规则逐渐归纳为基本的控制规则集；
4)自演化及控制器的建立：在基本控制规则集的基础上，通过对控制精度的要求不断提高和环境的不断复杂，进行控制规则的不断增加，形成新的控制规则集从而进行迭代，最终得到一个演化后的能够适应一定复杂环境且具有一定控制精度的控制规则集，获得控制器参数；
所述的控制精度是指控制自行车平衡的准确性和稳定性；所述的环境的不断复杂可以为演化环境从平地扩展为坡地，再不断随机出现从少到多的洼地或高地；所述的形成新的控制规则集的方法是控制规则或控制规则组的随机增加，若基本控制规则集加新规则的控制结果不符合目标则重新随机增加，反之则将新的控制规则或控制规则组划入控制规则集；增加控制规则后的规则集是基本控制规则集的迭代演化，且与之前的基本控制规则集存在相似或自相似关系，基本规则对最终演化出的控制规则集有约束引导解空间作用。
5)实现自平衡：将自演化得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车环境演化自适应进化的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)设定基本规则和演化目标：建立关键变量需要遵循的物理规则，并建立自行车平衡需要满足的关键变量的演化目标；
3)环境演化自适应进化及控制器的建立：在模拟物理仿真空间进行自行车在多种演化环境下的物理仿真，通过进化算法使关键变量逐渐建立能够使自行车平衡的关联，获得控制器参数；
所述进化算法包括但不限于遗传算法(优胜劣汰)；所述进化算法中的自行车对环境的适应度通过自行车变量是否在正常区间或是否稳定来衡量；所述的正常区间可以为自行车不接触地面。
4)实现自平衡：将自适应进化得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车竞争与合作的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)基于竞争与合作的实时学习及控制器的建立：在用户进行自行车骑行时，通过控制器给自行车一个随机的控制，不考虑人对自行车控制来预测控制器变量变化应该带来的自行车各变量变化方向，若自行车实际控制结果与预测相反，则优化掉该种控制方法，若自行车实际控制结果与预测相同，则保留该种控制方法，建立当前自行车变量(即当前自行车状态)与控制变量变化的对应关系，在多种自行车状态下基于竞争与合作的原则进行控制器参数的实时学习；
3)实现自平衡：将实时学习得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车竞争与合作的控制方法还可以应用于习惯矫正，学习运动员或教练的健康的骑车习惯后，通过车把控制模块、车体中部控制模块、车体后部控制模块与用户对自行车控制的叠加效果趋向于健康的自行车变量控制方法，当用户的骑车习惯不好，车把控制模块、车体中部控制模块、车体后部控制模块为了健康的骑车模式会产生额外的扰动，用户就会感到费力，从而更趋向于使用该健康的骑车习惯进行骑行。
进一步地，所述无人驾驶控制部分的实现包括：选择目标运动状态，进行目标运动状态下的自行车控制；所述运动状态包括：启动、前进、转弯、后退；
所述的启动状态下的自行车控制具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于一个常数，即使得自行车趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车把偏转角度α趋于0、自行车车体偏转角度β趋于0，即使得自行车从一定偏转角度到竖直站立状态；
所述的前进状态下的自行车控制具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于0，即使得自行车在车把不转的同时趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡；
3)间接驱动：通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度前进；
所述的转弯状态下的自行车控制具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于转弯方向，即使得自行车在车把转动的同时趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡；
3)间接驱动：通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度转弯；
所述的后退状态下的自行车控制方法具体步骤如下：
1)间接驱动：通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度反向变化，即使得自行车后轮以一定速度反向旋转；由于车把与前轮接触地面处存在一个前后关系，当自行车处于倒退状态下，车把及前轮处于被拖动状态，在车把连接处的拖动力在前，消除了自行车前进时产生的车把转动扭矩，可以简化自行车车把偏转角度α的调节，自行车在后退状态会趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡。
进一步地，所述选择目标运动状态具体为：
1)宏观路线确定：通过导航、人工选择等方式确定自行车整体行进路线；
2)路面监控及避障：通过传感器模块进行路面的监控；进行地形扫描，判断地形并选择地形对应的控制方法；判断是否有障碍物，若有障碍物则进行避障，即通过距离、障碍物宽度、障碍物运动情况等路面信息得到自行车需要调整的行进方向从而进行调整。
本发明的有益效果是：
(1)本发明的无人驾驶自行车在静止时具有自平衡功能。
(2)本发明的无人驾驶自行车在多种运动情况下均具有自平衡功能。
(3)本发明的无人驾驶自行车通过耦合的控制方法对一个多变量耦合的系统进行控制，三个控制器模块的控制变量相互耦合，使得无人驾驶自行车成为一个自平衡的整体。
(4)本发明的无人驾驶自行车采用的是间接驱动的方法，只需要将三个控制器模块安装在普通自行车上，就能实现普通自行车的无人驾驶，并不需要对普通自行车进行进一步的改装。
(5)本发明提供了一种无人驾驶自行车自平衡的研究路径，即自行车自平衡从仿真建模到自动化建模再到智能化建模的完整进化一体化方案，为自平衡无人驾驶自行车的实现提供了一种新的思路。
附图说明
图1是本发明无人驾驶自行车的整体结构图；
图2是本发明无人驾驶自行车的俯视图；
图3是本发明无人驾驶自行车的后视图；
图4是本发明无人驾驶自行车自平衡从仿真建模到自动化建模到智能化建模的方案框图；
图5是本发明自行车模型驱动的控制方法的步骤框图；
图6是本发明自行车数据采集驱动的控制方法的步骤框图；
图7是本发明自行车行为驱动的控制方法的步骤框图；
图8是本发明自行车分解关键平衡的控制方法的步骤框图；
图9是本发明自行车等价映射的控制方法的步骤框图；
图10是本发明自演化的控制方法的步骤框图；
图11是本发明环境演化自适应进化的控制方法的步骤框图；
图12是本发明竞争与合作的控制方法的步骤框图；
图13是本发明车座传感器阵列示意图；
图14是本发明车体后部控制模块的重心调节机构变量与人体姿态变量关系示意图；
图15是本发明通过普通人骑自行车的数据得到控制规则的流程示意图；
图16是本发明平衡分解示意图；
图17是本发明自演化的控制方法中自演化具体步骤流程图；
图18是本发明基于地形扫描的环境演化自适应进化控制方案选择具体步骤流程图；
图19是本发明竞争与合作的控制方法具体步骤流程图及学习目标；
图20是本发明无人驾驶自行车的后轮驱动示意图。
具体实施方式
为了更详细地说明本发明的一种自平衡无人驾驶自行车及其控制方法，下面根据附图详细说明本发明。
如图1所示，本发明提供的一种自平衡无人驾驶自行车，包括自行车、传感器模块、车把控制模块、车体中部控制模块、车体后部控制模块。所述的自行车为市面上的普通自行车，包括前轮(质量m1，半径r)、后轮(质量m1，半径r)和车架(质量m2)。
所述的传感器模块用于测量自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ。如图2所示，所述的自行车车把偏转角度α是自行车前轮与自行车车体的夹角，所述的自行车车把偏转角度α为正数时表示自行车车把向右偏转，为负数时表示自行车车把向左偏转；如图3所示，所述的自行车车体偏转角度β是自行车车体与竖直面的夹角，所述的自行车车体偏转角度β为正数时表示自行车车体向右倾斜，为负数时表示自行车车体向左倾斜；所述的自行车后轮转动角度φ是自行车后轮沿后轮轴线的旋转角度，所述的自行车后轮转动角度φ为正数时表示自行车后轮向前转动，为负数时表示自行车后轮向后转动。进一步，所述的传感器模块可以与车把控制模块安装在一处，也可以分别安装在车把控制模块处、车体中部控制模块处和车体后部控制模块处。进一步，所述的传感器模块也可以用于测量人体变量。所述的人体变量包括车把的压力传感器阵列检测到的车把左右两侧的压力F1、F2以及左右两侧的压力中心与车把中心的距离x1、x2，左右脚蹬的压力传感器检测到的左右脚蹬的压力F3、F4，车座的压力传感器阵列检测到的左右两侧的压力F5、F6，人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角α1及在水平面上的重心偏转半径R；
所述的车把控制模块位于自行车车把，包括横向放置于车把上的电动滑杆机构(滑块配重m3)。所述的车把控制模块通过调节车把滑块位置x进行车把重心和车把偏转角度α的调节。所述的车把滑块位置x为滑块与车把中心的距离，所述的车把滑块位置x为正数时表示滑块位于车把中心右侧，为负数时表示滑块位于车把中心左侧。
所述的车体中部控制模块位于自行车车体，包括车体电动偏心轮机构(半径r1，车体偏心轮配重m4)。所述的车体中部控制模块通过调节车体偏心轮旋转角度θ1进行车体重心的调节。所述的车体偏心轮旋转角度θ1为正数时表示偏心轮配重位于车体右侧，为负数时表示偏心轮配重位于车体左侧。
所述的车体后部控制模块位于自行车后轮上方，包括后座电动偏心轮机构(半径r2，后座偏心轮配重m5)以及电动旋转轮机构m6。所述的后座电动偏心轮机构通过调节后座偏心轮旋转角度θ2进行后座重心的调节，所述的后座偏心轮旋转角度θ2为正数时表示偏心轮配重位于车体右侧，为负数时表示偏心轮配重位于车体左侧。所述的电动旋转轮机构m6包括互相垂直的两个旋转轮：水平旋转轮、竖直旋转轮，其中水平旋转轮位于后座偏心轮正上方，水平旋转轮的中心与后座偏心轮的中心位于同一竖直面上，竖直旋转轮与水平旋转轮相切，且与自行车后轮平行；所述的电动旋转轮机构m6通过调节两个旋转轮的转速进行自行车后座部分的辅助平衡和后轮旋转的间接控制。
所述的车把控制模块、车体中部控制模块、车体后部控制模块根据传感器模块提供的信息进行模块各机构的控制，从而进行自行车平衡和行进的间接控制。所述的车把控制模块、车体中部控制模块、车体后部控制模块的各机构控制变量是相互耦合的。
本发明提供的一种自平衡无人驾驶自行车的控制方法包括两部分，一是自平衡的控制方法，二是无人驾驶的控制方法。
所述平衡控制部分的实现方法包括以下步骤：
(1)仿真建模：构建传感器模块测量的变量与三个控制模块的控制变量间的映射关系，从而实现自行车的仿真自平衡；
(2)自动化建模：通过对仿真建模得到的仿真控制器结合自行车的真实传感器模块测量的变量与真实的控制模块的控制变量间的相关关系，实现自行车的自动化平衡控制；
(3)智能化建模：通过对自动化建模得到的自行车真实控制器，结合进化算法、机器学习算法或深度学习算法中的一种或多种，学习自行车在陌生或复杂环境中的控制参数，实现在陌生环境或复杂环境中的自适应平衡；
所述的自平衡的控制方法如图4所示，包括但不限于数据采集驱动的控制方法、自行车模型驱动的控制方法、行为驱动的控制方法、分解关键平衡的控制方法、等价映射的控制方法、自演化的控制方法、环境演化自适应进化的控制方法、竞争与合作的控制方法。
所述步骤(1)中，仿真建模可以通过自行车模型驱动的控制方法或数据采集驱动的控制方法来实现；
所述步骤(2)中，所述自动化建模可以通过自行车行为驱动的控制方法、分解关键平衡的控制方法或等价映射的控制方法来实现；
所述步骤(3)中，智能化建模可以通过自行车自演化的控制方法、环境演化自适应进化的控制方法、竞争与合作的控制方法来实现；
所述的自行车模型驱动的控制方法构建了基于三个控制模块的无人驾驶自行车的机理模型，给出了基于机理模型进行该无人驾驶自行车平衡控制的方法，通过建立机理模型的仿真进行控制器设计。
如图5所示，所述的自行车模型驱动的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数；
2)物理建模：以车把控制模块、车体中部控制模块和车体后部控制模块的控制变量为输入，以自行车变量为输出，建立无人驾驶自行车物理模型；所述的无人驾驶自行车物理模型可以为：
3)系统仿真及控制器的建立：以自行车物理模型的输出与期望的自行车变量为控制器的输入，以车把控制模块、车体中部控制模块和车体后部控制模块的控制变量为控制器的输出，通过系统仿真建立控制器，不断修正期望的自行车变量与实际采集的自行车变量之间的偏差，获得控制器参数；所述系统仿真方法为PID控制方法或神经网络模糊控制方法；
4)实现自平衡：将系统仿真得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡。
所述的数据采集驱动的控制方法给出了基于人骑自行车的数据进行学习得到该无人驾驶自行车平衡控制模型的方法，通过找到人控制与控制器控制的关联，将学习出的人骑自行车的控制模型转化为控制器控制自行车的控制模型。
如图6所示，所述的数据采集驱动的控制方法具体步骤如下：
1)数据采集：传感器模块测量普通人骑自行车时的自行车各变量以及人体变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的人体变量包括车把的压力传感器阵列检测到的车把左右两侧的压力F1、F2以及左右两侧的压力中心与车把中心的距离x1、x2，左右脚蹬的压力传感器检测到的左右脚蹬的压力F3、F4，如图13所示的车座的压力传感器阵列检测到的左右两侧的压力F5、F6，人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角α1及在水平面上的重心偏转半径R以及它们的一次、二次导数；所述的人体脊椎偏转方向与车体的夹角α1为正数时表示人体向自行车右侧倾斜，为负数时表示人体向自行车左侧倾斜；
2)一次映射：通过机器学习等手段得到人对自行车的控制网络或规则；所述的人对自行车的控制网络是将自行车各变量作为输入、将人体变量作为输出、通过神经网络学习得到的映射网络；所述的人对自行车的控制规则是将自行车各变量作为输入、将人体变量作为输出、通过模糊神经网络学习得到的映射模糊规则；所述的人对自行车的控制规则以自行车车体偏转角度β为例，可以为：
3)二次映射及控制器的建立：建立车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系，并将建立的人对自行车的控制网络或规则，通过二次映射得到控制器对自行车的控制规则；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数、后座水平旋转轮转速ω1、后座竖直旋转轮转速ω2及它们的一次导数；
所述的车把控制模块控制变量与人体变量的二次映射关系为：
所述的车体中部控制模块控制变量与人体变量的二次映射关系为：
如图14所示，所述的车体后部控制模块控制变量与人体变量的二次映射关系为：
4)实现自平衡：将二次映射得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述的行为驱动的控制方法给出了基于人骑自行车的数据进行控制规则建立，并通过人体变量与控制变量的二次映射进行无人驾驶自行车平衡直接控制的方法，建立控制器变量与自行车变量间的关联后直接对自行车进行控制。
如图7所示，所述的行为驱动的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度
及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数，后座水平旋转轮转速ω1、后座竖直旋转轮转速ω2及它们的一次导数；
传感器模块测量普通人骑自行车时的自行车各变量以及人体变量；所述的人体变量包括车把的压力传感器阵列检测到的车把左右两侧的压力F1、F2以及左右两侧的压力中心与车把中心的距离x1、x2，左右脚蹬的压力传感器检测到的左右脚蹬的压力F3、F4，如图13所示的车座的压力传感器阵列检测到的左右两侧的压力F5、F6，人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角α1及在水平面上的重心偏转半径R以及它们的一次、二次导数；所述的人体脊椎偏转方向与车体的夹角α1为正数时表示人体向自行车右侧倾斜，为负数时表示人体向自行车左侧倾斜；
2)规则建立：在传感器模块测量的普通人骑自行车时的数据的基础上，进行规则汇总得到多条主要规则；所述的规则汇总是将人骑自行车的数据按时间分成若干片段，然后按片段对应的自行车各变量状态和人体变量状态所属的区间进行分类，同一类具有相同的规则，并按规则出现的频率排序；
如图15所示，传感器模块测量普通人骑自行车的数据也就是β、F5、F6等变量随时间变化的时间序列，以秒为单位在时间上将这些序列分成若干片段，每个片段依照片段对应的变量状态进行分类，如第k个片段如果对应的β(k)属于PL、F5属于L、F6属于S、β(k+1)属于PM，那么将这一片段划分到红色类别。将所有数据进行类别划分后，对类别出现的频率进行统计，并依出现频率从高到低排序；其中，PL、PM、L、S为模糊集，P(Positive)表示正、L(large)表示大、M(Middle)表示中，S(Small)表示小；
将多条主要规则针对自行车变量状态进行组合，从而得到人对自行车的控制规则；如图15所示，若在β属于NS时，出现的片段类别较多为绿色类别和另一其他颜色类别，则将这两个类别对应的控制规则进行组合得到人对自行车的控制规则：
其中，PS、NS、S为模糊集，P(Positive)表示正、N(Negative)表示负、S(Small)表示小；
所述的主要规则由自行车变量当前值、人体变量当前值与自行车变量下一时刻值组成，如：
IF β(k)∈PL & β(k+1)∈PL THEN F5∈L & F6∈S；
IF β(k)∈PM & β(k+1)∈PS THEN F5∈L & F6∈S；
IF β(k)∈PS & β(k+1)∈Z THEN F5∈M & F6∈S；
IF β(k)∈NS & β(k+1)∈Z THEN F5∈S & F6∈M；
其中，PL、PM、PS、NS、L、M、S为模糊集，P(Positive)表示正、N(Negative)表示负、L(large)表示大、M(Middle)表示中，S(Small)表示小、Z(Zero)表示0；
所述的控制规则由自行车变量当前值作为输入，人体变量作为输出；
3)二次映射及控制器的建立：建立车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系，并将建立的人对自行车的控制规则通过二次映射得到控制器对自行车的控制规则；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数、后座水平旋转轮转速ω1、后座竖直旋转轮转速ω2及它们的一次导数；
所述的车把控制模块控制变量与人体变量的二次映射关系为：
所述的车体中部控制模块控制变量与人体变量的二次映射关系为：
如图14所示，所述的车体后部控制模块控制变量与人体变量的二次映射关系为：
4)实现自平衡：将二次映射得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述的分解关键平衡的控制方法给出了通过分解关键平衡进行无人驾驶自行车平衡直接控制的方法，在自行车前中后部分别建立x、y、z坐标系，将自行车变量在该坐标系下进行分解，然后将控制器变量投影到该坐标系建立关联，进行直接控制。
如图8所示，所述的分解关键平衡的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数；
2)分解被控变量：在自行车前中后部分别建立x、y、z坐标系，并将自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ分别分解到前中后部的x、y、z坐标系；所述的x、y、z坐标系的z为竖直坐标轴，xy平面为水平面，y坐标轴位于车身方向；为方便起见，直接在三个控制器上建立极坐标，来代替x、y、z坐标系，极坐标与x、y、z坐标系可以相互转换；
3)投影控制变量及控制器的建立：将三个控制器给出的力分别投影到自行车前中后部的x、y、z坐标系；并建立控制变量与被控变量之间的关系；
三个控制器给出的力是由配重加速运动产生的，车把控制模块中当滑块配重向自行车左侧加速运动时即产生一个沿车把方向向左的力，向右同理；车体中部控制模块中当车体偏心轮配重向左侧加速旋转时及产生一个沿偏心轮切线方向的力，向右同理；车体后部控制模块中当后座偏心轮配重向左侧加速旋转时及产生一个沿偏心轮切线方向的力，向右同理；
若自行车车把偏转角度α为NM、自行车车体偏转角度β为PM、自行车后轮转动角度φ为NS，那么在三个坐标系分解变量需要的力分别为：自行车车把处沿车把旋转方向切线的反向力PL、自行车车体处沿车体偏转方向的反向力NM、自行车后轮上方沿车体偏转方向的反向力NL，这三个力对应到三个控制器给出的力大小和方向分别为PL、NM、NL；其中，PL、PM、PS、NL、NM、NS、L、M、S为模糊集，P(Positive)表示正、N(Negative)表示负、L(large)表示大、M(Middle)表示中，S(Small)表示小、Z(Zero)表示0；
4)实现自平衡：将投影得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述的等价映射的控制方法给出了通过等价映射进行无人驾驶自行车平衡直接控制的方法，将后轮看作一个球并基于此建立x、y、z坐标系，将自行车变量在该坐标系下进行分解，然后将控制器变量投影到该坐标系建立关联，进行直接控制。
如图9所示，所述的等价映射的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2、后座水平旋转轮旋转角加速度a1、后座竖直旋转轮旋转角加速度a2及它们的一次、二次导数；
2)分解被控变量：如图将自行车后轮看做一个球的截面，并建立x、y、z坐标系；将自行车后轮的倾倒方向分解到该x、y、z坐标系上；
3)投影控制变量及控制器的建立：将三个控制器给出的力分别投影到自行车后部的x、y、z坐标系，建立控制变量与被控变量之间的关系；控制变量与自行车后部的x、y、z坐标系的对应关系为如下：
a)车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2控制的是自行车后轮沿x轴的运动；
b)后座竖直旋转轮旋转角加速度a2控制的是自行车后轮沿y轴的运动；
c)后座水平旋转轮旋转角加速度a1控制的是自行车后轮沿z轴的旋转运动；
三个控制器给出的力是由配重加速运动产生的，车把控制模块中当滑块配重向自行车左侧加速运动时即产生一个沿车把方向向左的力，向右同理；车体中部控制模块中当车体偏心轮配重向左侧加速旋转时及产生一个沿偏心轮切线方向的力，向右同理；车体后部控制模块中当后座偏心轮配重向左侧加速旋转时及产生一个沿偏心轮切线方向的力，向右同理；三个控制器给出的力分别为F01、F02、F03；
x、y、z坐标系等价为对应的旋转坐标系，可以分解为分别围绕三个坐标轴旋转的三个方向。
若自行车后轮沿如图16所示方向γ倾倒，则在自行车后部的x、y、z轴上分解为γx、γy、γz，其中γx为自行车后轮在yz平面上围绕x轴旋转的方向、γy为自行车后轮在xz平面上围绕y轴旋转的方向、γz为自行车后轮在xy平面上围绕z轴旋转的方向，需要提供与之方向相反的力为F03x、F03y、F03z；设定车体中部控制模块中心与车体后部控制模块中心水平距离为L1，车把控制模块中心与车体后部控制模块中心水平距离为L2，则三个控制器给出的力与所需力的关系为：
其中，kx、ky、kz为正比系数需要，可以预先设定为常数，建立控制器时再调整，依照方程进行求解即可得到三个控制器需要给出的力的大小和方向。
4)实现自平衡：将投影得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述的自演化的控制方法给出了基于自演化进行无人驾驶自行车平衡控制学习的方法，在设定了基本规则和演化目标后，在一个三维的模拟物理仿真空间进行自行车在平地演化环境下的物理仿真，生成基本控制规则集，并在此基础上通过对控制精度的要求不断提高和环境的不断复杂进行控制规则的自演化。
如图10所示，所述的自演化的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数；
2)设定基本规则和演化目标：设定基本的物理规则，即建立关键变量需要遵守的物理规则；设定演化目标，即建立自行车平衡需要满足的关键变量的演化目标；所述的物理规则包括自行车结构的物理规则和演化环境下的物理规则；所述的演化环境包括平地、各种角度的坡地等基本地形和半管道场地、泥地等复杂地形；
3)基本控制规则生成：在模拟物理仿真空间进行自行车在平地演化环境下的物理仿真，通过进化算法进行筛选，得到一代能保持基本平衡的自行车控制方法。其中，自行车对环境的适应度通过自行车各变量是否在正常区间中的某个值或稳定来衡量；所述的正常区间可以为自行车不接触地面，即自行车车体偏转角度β大于一个阈值B。再通过这些方法产生数据，即让这些“大脑”在模拟物理仿真空间进行自行车骑行，得到能保持基本平衡的自行车控制数据。如图15所示，通过数据进行控制规则的建立，并将细化规则逐渐归纳为基本的控制规则；
4)自演化及控制器的建立：在基本控制规则集的基础上，通过对控制精度的要求不断提高和环境的不断复杂，进行控制规则的不断增加，形成新的控制规则集从而进行迭代，最终得到一个演化后的能够适应一定复杂环境且具有一定控制精度的控制规则集，如图17所示；所述的控制精度是指控制自行车平衡的准确性和稳定性；所述的环境的不断复杂可以为演化环境从平地扩展为坡地，再不断随机出现从少到多的洼地或高地；所述的形成新的控制规则集的方法是控制规则或控制规则组的随机增加，若基本控制规则集加新规则的控制结果不符合目标则重新随机增加，反之则将新的控制规则或控制规则组划入控制规则集；增加控制规则后的规则集是基本控制规则集的迭代演化，且与之前的基本控制规则集存在相似或自相似关系，2)中设定的基本规则对最终演化出的控制规则集有约束引导解空间作用；
5)实现自平衡：将自演化得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述的环境演化自适应进化的控制方法给出了基于环境演化自适应进化进行无人驾驶自行车平衡控制学习的方法，在设定了基本规则和演化目标后，在一个三维的模拟物理仿真空间进行自行车在多种演化环境下的物理仿真，使关键变量逐渐建立能够使自行车平衡的关联。
如图11所示，所述的环境演化自适应进化的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数；
2)设定基本规则和演化目标：设定基本的物理规则，即建立关键变量需要遵守的物理规则；设定演化目标，即建立自行车平衡需要满足的关键变量的演化目标；所述的物理规则包括自行车结构的物理规则和演化环境下的物理规则；所述的演化环境包括平地、各种角度的坡地等基本地形和半管道场地、泥地等复杂地形；
3)环境演化自适应进化：在一个三维的模拟物理仿真空间进行自行车在多种演化环境下的物理仿真，通过环境演化自适应进化方法，使关键变量逐渐建立能够使自行车平衡的关联，即使无人驾驶自行车自己学会平衡；所述的环境演化自适应进化方法是进化算法，包括但不限于遗传算法(优胜劣汰)；所述的环境演化自适应进化方法中的自行车对环境的适应度通过自行车各变量是否在正常区间或时候稳定来衡量；所述的正常区间可以为自行车不接触地面，即自行车车体偏转角度β大于一个阈值B；
4)建立控制器：基于环境演化自适应进化出的关键变量的关联，通过对车把控制模块、车体中部控制模块、车体后部控制模块的参数调试，建立对自行车变量的三个控制器。
所述的竞争与合作的控制方法给出了基于竞争与合作进行无人驾驶自行车平衡控制学习的方法，在人骑自行车的同时控制器实时给出随机控制，通过自行车状态变化实际与预期是否相同来判断其适应度，如此重复从而得到控制与状态的对应关系。
如图12所示，所述的竞争与合作的控制方法具体步骤如下：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数；
2)实时学习：基于竞争与合作的原则进行控制器参数的实时学习。在用户进行自行车骑行时，通过控制器给自行车一个随机的控制，不考虑人对自行车控制来预测控制器变量变化应该带来的自行车各变量变化方向，若自行车实际控制结果与预测相反，则优化掉该种控制方法，若自行车实际控制结果与预测相同，则保留该种控制方法，建立当前自行车变量(即当前自行车状态)与控制变量变化的对应关系，在多种自行车状态下重复上述操作，如图19所示；所述的控制方法可以分多种路况、地形情况收敛到各自的控制方案；
3)建立控制器：基于关键变量的相关关系，通过对车把控制模块、车体中部控制模块、车体后部控制模块的参数调试，建立对自行车变量的三个控制器。
所述的自行车模型驱动的控制方法和/或数据采集驱动的控制方法可进一步归纳为基于模型的具有自平衡功能的无人驾驶自行车的自平衡控制方法，通过机理和/或数据构建模型；所述的行为驱动的控制方法和/或分解关键平衡的控制方法和/或等价映射的控制方法可进一步归纳为基于行为驱动的具有自平衡功能的无人驾驶自行车的自平衡控制方法，都是直接控制自行车平衡；所述的自演化的控制方法和/或环境演化自适应进化的控制方法和/或竞争与合作的控制方法可进一步归纳为基于智能演化的具有自平衡功能的无人驾驶自行车的自平衡控制方法，都是通过离线和/或在线的演化进行平衡学习，同时所述的基于智能演化的具有自平衡功能的无人驾驶自行车还有一种习惯矫正的无人驾驶自行车应用及应用方法。所述的一种习惯矫正的无人驾驶自行车应用及应用方法给出了一种习惯矫正的无人驾驶自行车应用及应用方法，学习运动员或教练的健康的骑车习惯后，通过三个控制器与用户对自行车控制的叠加效果趋向于健康的自行车变量控制方法，进行习惯矫正。
所述的无人驾驶的控制方法包括启动、前进、转弯、后退等多种运行状态下的自行车控制方法及其方法的选择。
所述的启动状态下的自行车控制方法具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于一个常数，即使得自行车趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车把偏转角度α趋于0、自行车车体偏转角度β趋于0，即使得自行车从一定偏转角度到竖直站立状态。
所述的前进状态下的自行车控制方法具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于0，即使得自行车在车把不转的同时趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡；
3)间接驱动：如图20所示，通过车体后部控制模块的后座旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度前进。
所述的转弯状态下的自行车控制方法具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于转弯方向，即使得自行车在车把转动的同时趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡；
3)间接驱动：如图20所示，通过车体后部控制模块的后座旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度转弯。
所述的后退状态下的自行车控制方法具体步骤如下：
1)间接驱动：如图20所示，通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度反向变化，即使得自行车后轮以一定速度反向旋转；由于车把与前轮接触地面处存在一个前后关系，当自行车处于倒退状态下，车把及前轮处于被拖动状态，在车把连接处的拖动力在前，消除了自行车前进时产生的车把转动扭矩，可以简化自行车车把偏转角度α的调节，自行车在后退状态会趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡。
所述的多种运行状态下的自行车控制方法的选择的具体步骤如下：
1)宏观路线确定：通过导航、人工选择等方式确定自行车整体行进路线；
2)路面监控及避障：通过传感器模块进行路面的监控；进行地形扫描，判断地形并选择地形对应的控制方法；判断是否有障碍物，若有障碍物则进行避障，即通过距离、障碍物宽度、障碍物运动情况等路面信息得到自行车需要调整的行进方向从而进行调整。
实施例1
下面以用行为驱动的控制方法进行无人驾驶自行车的平衡控制为例，具体说明一种具有自平衡功能的无人驾驶自行车。
t0时刻，即在投入给用户使用前，将车把控制模块、车体中部控制模块、车体后部控制模块(其中包含传感器模块)这三个装置安装于普通自行车上，并基于行为驱动的控制方法建立控制器，并叠加上无人驾驶的控制方法。
t2时刻，用户乘坐上具有自平衡功能的无人驾驶自行车，进行骑行，而具有自平衡功能的无人驾驶自行车自动进行辅助平衡。
t3时刻，用户自行设定一段路程的自动驾驶，具有自平衡功能的无人驾驶自行车基于多种运行状态下的自行车控制方法的选择进行自行车行进的调整，并采用间接驱动的方式进行驱动。
所述的间接驱动是通过车体后部控制模块的后座旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度前进，如图20所示。
t4时刻，具有自平衡功能的无人驾驶自行车到达指定地点，等待下一步指令。
实施例2
下面以用自演化的控制方法进行无人驾驶自行车在多环境下的平衡控制为例，具体说明一种具有自平衡功能的无人驾驶自行车。
t0时刻，即在投入给用户使用前，将车把控制模块、车体中部控制模块、车体后部控制模块(其中包含传感器模块)这三个装置安装于普通自行车上，并基于自演化的控制方法建立控制器，并叠加上无人驾驶的控制方法。
t1时刻，即建立好具有自平衡功能和无人驾驶功能的控制器后，投入给用户使用。用户打开电源开关，具有自平衡功能的无人驾驶自行车基于启动状态下的自行车控制方法进行启动。
t2时刻，用户乘坐上具有自平衡功能的无人驾驶自行车，进行复杂场地的杂技训练，而具有自平衡功能的无人驾驶自行车直接进行自演化控制规则学习。
所述的自演化控制规则学习是指当控制精度降低时，进行规则演化，增加新的控制规则以适应新的环境。
t3时刻，用户下车，将一些物资放置在无人驾驶自行车上，并设定一段复杂环境的无人自动驾驶，具有自平衡功能的无人驾驶自行车同样能够进行自演化控制规则学习，同时基于多种运行状态下的自行车控制方法的选择进行自行车行进的调整，并采用间接驱动的方式进行驱动。
所述的间接驱动是通过车体后部控制模块的后座旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度前进，如图20所示。
t4时刻，具有自平衡功能的无人驾驶自行车到达指定地点，等待下一步指令。
实施例3
下面以用环境演化自适应进化的控制方法进行无人驾驶自行车在多环境下的平衡控制为例，具体说明一种具有自平衡功能的无人驾驶自行车。
t0时刻，即在投入给用户使用前，将车把控制模块、车体中部控制模块、车体后部控制模块(其中包含传感器模块)这三个装置安装于普通自行车上，并基于环境演化自适应进化的控制方法建立控制器，并叠加上无人驾驶的控制方法。
t1时刻，即建立好具有自平衡功能和无人驾驶功能的控制器后，投入给用户使用。用户打开电源开关，具有自平衡功能的无人驾驶自行车基于启动状态下的自行车控制方法进行启动。
t2时刻，用户乘坐上具有自平衡功能的无人驾驶自行车，进行复杂场地的杂技训练，而具有自平衡功能的无人驾驶自行车进行基于地形扫描的环境演化自适应进化控制方案选择。
所述的基于地形扫描的环境演化自适应进化控制方案选择通过地形扫描来判断地形，若扫描地形是环境演化自适应进化时已经学习过的，则直接按照环境演化自适应进化的控制方法下的对应的控制方案进行控制；若扫描地形并非环境演化自适应进化时学习过的，则进行与服务器的交互，获取地形对应的控制方案；若服务器中的数据库中已经有所扫描的地形，则直接将该地形对应的控制器参数发回无人驾驶自行车，而若服务器中的数据库中没有所扫描的地形，则需要在扫描地形的基础上重新进行环境演化自适应进化，得到该地形对应的控制器参数，发回无人驾驶自行车。所述的基于地形扫描的环境演化自适应进化控制方案选择的具体步骤如图18所示。
t3时刻，用户下车，将一些物资放置在无人驾驶自行车上，并设定一段复杂环境的无人自动驾驶，具有自平衡功能的无人驾驶自行车同样能够进行基于地形扫描的环境演化自适应进化控制方案选择，同时基于多种运行状态下的自行车控制方法的选择进行自行车行进的调整，并采用间接驱动的方式进行驱动。
所述的间接驱动是通过车体后部控制模块的后座旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度φ以一定角速度变化，即使得自行车以一定速度前进，如图20所示。
t4时刻，具有自平衡功能的无人驾驶自行车到达指定地点，等待下一步指令。
实施例4
下面以无人驾驶自行车的驾驶习惯学习为例，具体说明一种具有自平衡功能的无人驾驶自行车。
t0时刻，即在投入给用户使用前，将车把控制模块、车体中部控制模块、车体后部控制模块(其中包含传感器模块)这三个装置安装于普通的自行车上，并通过自平衡的控制方法、无人驾驶的控制方法进行设置。
t1时刻，由运动员或教练使用一段时间，并进行对健康的尽量减少损伤的驾驶习惯的学习，得到一个健康的自行车变量控制方法，即良好的骑车习惯。
t2时刻，投入给用户使用，并进行习惯矫正。所述的习惯矫正是通过三个控制器对自行车的控制叠加在用户对自行车的控制上进行的，使其叠加效果趋向于健康的自行车变量控制方法；这样若用户的骑车习惯不好，控制器给出了一个额外的扰动，用户就会感到费力，从而更趋向于使用该健康的骑车习惯进行骑行，当用户养成了良好的骑车习惯时。
实施例5
下面以无人驾驶自行车的驾驶习惯学习为例，具体说明一种具有自平衡功能的无人驾驶自行车。
t0时刻，即在投入给用户使用前，将车把控制模块、车体中部控制模块、车体后部控制模块(其中包含传感器模块)这三个装置安装于普通的自行车上，并通过自平衡的控制方法、无人驾驶的控制方法进行设置。
t1时刻，投入给用户使用，并进行个性化的驾驶习惯学习。所述的骑行习惯学习是对用户的长期使用该无人驾驶自行车的驾驶习惯的学习。
t2时刻，有其他人(可能为偷车贼)骑走了该用户的自行车，该自行车同样会继续学习其他人的驾驶习惯学习，从而判断出骑行人的变化。之后，该无人驾驶自行车可以通过服务器终端联系该用户进行确认，判断该用户是否把车借出去、租出去，若都不是或超过租借期限可进一步通过服务器终端联系警方或相关机构，并提供其定位。若用户将其无人驾驶自行车进行买卖操作，需要通过相关授权，对上一任用户的驾驶习惯进行清空。
实施例6
下面以共享的无人驾驶自行车的智能叫车、还车的应用为例，具体说明一种具有自平衡功能的无人驾驶自行车。
t0时刻，即在投入给用户使用前，将车把控制模块、车体中部控制模块、车体后部控制模块(其中包含传感器模块)这三个装置安装于普通的共享自行车上，并通过自平衡的控制方法、无人驾驶的控制方法进行设置。
t1时刻，直接投放到街道供用户使用，每辆无人驾驶自行车还应该有自己的停车位和支撑。
t2时刻，用户在街边通过手机软件进行叫车，服务器便搜索出与叫车地点最近的停靠着的共享无人驾驶自行车，该共享无人驾驶自行车启动、自动驾驶至叫车地点。若该无人驾驶自行车处于非竖直状态，则需要无人机管家出动，用钩子吊正自行车，使其回到竖直状态，从而进行启动和自动驾驶。所述的竖直状态是自行车车体偏转角度大小小于等于自行车后轮支撑时的车体偏转角度时的状态。
t3时刻，该共享无人驾驶自行车到达叫车地点，并为叫车用户所使用。
t4时刻，用户使用完共享无人驾驶自行车后，服务器会自动筛选出一定范围内共享无人驾驶自行车密度最低的区域，该共享无人驾驶自行车便会自行自动驾驶至该区域中适合停车的地点，并停车，等待下一次使用需求。
Claims (10)
1.一种自平衡无人驾驶自行车，其特征在于，包括自行车、传感器模块、车把控制模块、车体中部控制模块和车体后部控制模块；
所述传感器模块用于测量自行车变量，所述自行车变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度
所述车把控制模块位于自行车车把，通过重心调节机构调节车把的重心，实现车把偏转角度α的调节；
所述车体中部控制模块位于自行车车体中部，通过重心调节机构调节车体中部的重心；
所述车体后部控制模块位于自行车后部，通过重心调节机构调节车体后部的重心，通过旋转轮机构进行自行车后部的平衡控制和后轮旋转控制；通过后轮旋转控制实现自行车后轮转动角度
的调节；
所述车把控制模块、车体中部控制模块和车体后部控制模块各自的重心调节机构和车体后部控制模块的平衡控制，共同实现自行车车体偏转角度β的调节；
自平衡无人驾驶自行车的自平衡的实现包括仿真建模、自动化建模和智能化建模；
所述仿真建模是构建传感器模块测量的变量与三个控制模块的控制变量间的映射关系，从而实现自行车的仿真自平衡；
所述自动化建模通过对仿真建模得到的仿真控制器结合自行车的真实传感器模块测量的变量与真实的控制模块的控制变量间的相关关系，实现自行车的自动化平衡控制；
所述智能化建模通过对自动化建模得到的自行车真实控制器，结合进化算法、机器学习算法或深度学习算法中的一种或多种，学习自行车在陌生或复杂环境中的控制参数，实现在陌生环境或复杂环境中的自适应平衡。
2.根据权利要求1所述的一种自平衡无人驾驶自行车，其特征在于，所述车把控制模块的重心调节机构为横向放置于车把上的滑杆机构，车把控制模块通过调节车把滑杆机构的滑块位置进行车把重心的调节。
3.根据权利要求1所述的一种自平衡无人驾驶自行车，其特征在于，所述车体中部控制模块的重心调节机构为偏心轮，车体中部控制模块通过调节偏心轮旋转角度进行车体中部重心的调节。
4.根据权利要求1所述的一种自平衡无人驾驶自行车，其特征在于，所述车体后部控制模块的重心调节机构为偏心轮，车体后部控制模块通过调节偏心轮旋转角度进行车体后部重心的调节；所述车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮：水平旋转轮、竖直旋转轮，竖直旋转轮与水平旋转轮相切，且与自行车后轮平行；车体后部控制模块通过调节两个旋转轮的转速进行自行车后部的平衡控制和后轮旋转控制。
5.一种自平衡无人驾驶自行车的控制方法，其特征在于，该方法包括平衡控制部分和无人驾驶控制部分；
所述平衡控制部分的实现方法包括以下步骤：
(1)仿真建模：构建传感器模块测量的变量与车把控制模块、车体中部控制模块和车体后部控制模块的控制变量间的映射关系，从而实现自行车的仿真自平衡；所述的自行车各变量包括自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ及它们的一次、二次导数；所述的控制变量包括车把滑块位置x、车体偏心轮旋转角度θ1、后座偏心轮旋转角度θ2及它们的一次、二次导数；
(2)自动化建模：通过对仿真建模得到的仿真控制器结合自行车的真实传感器模块测量的变量与真实的控制模块的控制变量间的相关关系，实现自行车的自动化平衡控制；
(3)智能化建模：通过对自动化建模得到的自行车真实控制器，结合进化算法、机器学习算法或深度学习算法中的一种或多种，学习自行车在陌生或复杂环境中的控制参数，实现在陌生环境或复杂环境中的自适应平衡；
所述无人驾驶控制部分的实现方法：根据目标运动状态，选择期望的自行车变量，实现自行车的无人驾驶控制。
6.根据权利要求5所述的方法，其特征在于，所述步骤(1)中，仿真建模可以通过自行车模型驱动的控制方法或数据采集驱动的控制方法来实现；
所述自行车模型驱动的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车变量和车把控制模块、车体中部控制模块和车体后部控制模块的控制变量；
2)物理建模：以车把控制模块、车体中部控制模块和车体后部控制模块的控制变量为输入，以自行车变量为输出，建立无人驾驶自行车物理模型；所述无人驾驶自行车物理模型为：
其中，m1为前轮、后轮的质量，m2为车架的质量，m3为车把控制模块的重心调节机构为滑杆机构时，滑块配重的质量，m4为车体中部控制模块的重心调节机构为偏心轮时，偏心轮配重的质量，m5为车体后部控制模块的重心调节机构为偏心轮时，偏心轮配重的质量，m6为车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮时，两个旋转轮的总质量，r为前轮、后轮的半径，r1为车体中部偏心轮的半径，r2为车体后部偏心轮的半径，h2为车架质心的高度，h3为车把滑块配重的高度，4为车体中部偏心轮配重的高度，h5为车体后部偏心轮配重的高度，h6为车体后部两个旋转轮的重心高度；b为车把到前轮转动轴线的间距；
3)系统仿真及控制器的建立：以自行车物理模型的输出与期望的自行车变量为控制器的输入，以车把控制模块、车体中部控制模块和车体后部控制模块的控制变量为控制器的输出，通过系统仿真建立控制器，不断修正期望的自行车变量与实际采集的自行车变量之间的偏差，获得控制器参数；
4)实现自平衡：将系统仿真得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述数据采集驱动的控制方法包括以下步骤：
1)数据采集：传感器模块测量普通人骑自行车时的自行车变量以及人体变量；
2)一次映射：将自行车变量作为输入、将人体变量作为输出，通过机器学习得到人对自行车的控制网络或规则；
3)二次映射及控制器的建立：建立车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系，并将建立的人对自行车的控制网络或规则，通过二次映射得到车把控制模块、车体中部控制模块、车体后部控制模块对自行车的控制规则，获得控制器参数；
所述的车把控制模块控制变量与人体变量的二次映射关系为：
所述的车体中部控制模块控制变量与人体变量的二次映射关系为：
所述的车体后部控制模块控制变量与人体变量的二次映射关系为：
其中，F1、F2分别为车把的压力传感器阵列检测到的车把左右两侧的压力；x1、x2分别为车把左右两侧的压力中心与车把中心的距离；F3、F4分别为左右脚蹬的压力传感器检测到的左右脚蹬的压力；F5、F6分别为车座的压力传感器阵列检测到的左右两侧的压力；α1为人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角；R为人体脊椎上布置的姿态传感器检测到的人体脊椎在水平面上的重心偏转半径；x、m3分别为车把控制模块的重心调节机构为滑杆机构时，车把滑块位置和滑块配重的质量，θ1为车体中部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，θ2为车体后部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，ω1、ω2分别为车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮时，两个旋转轮的转速；
4)实现自平衡：将二次映射得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡。
7.根据权利要求5所述的方法，其特征在于，所述步骤(2)中，自动化建模通过自行车行为驱动的控制方法、分解关键平衡的控制方法或等价映射的控制方法来实现；
所述自行车行为驱动的控制方法包括以下步骤：
1)数据采集：传感器模块测量普通人骑自行车时的自行车各变量以及人体变量；
2)规则建立：将人骑自行车的数据按时间分成若干片段，片段对应相同的自行车变量状态和人体变量状态所属的区间具有相同的规则，以自行车变量当前值和自行车变量下一时刻值为输入，以人体变量当前值为输出，进行规则汇总得到多条主要规则；以自行车变量当前值作为输入，人体变量作为输出，将多条主要规则针对自行车变量状态进行组合，得到人对自行车的控制规则；
3)二次映射及控制器的建立：建立车把控制模块、车体中部控制模块、车体后部控制模块的控制变量与人体变量的映射关系，并将建立的人对自行车的控制网络或规则，通过二次映射得到车把控制模块、车体中部控制模块、车体后部控制模块对自行车的控制规则，获得控制器参数；
所述的车把控制模块控制变量与人体变量的二次映射关系为：
所述的车体中部控制模块控制变量与人体变量的二次映射关系为：
所述的车体后部控制模块控制变量与人体变量的二次映射关系为：
其中，F1、F2分别为车把的压力传感器阵列检测到的车把左右两侧的压力；x1、x2分别为车把左右两侧的压力中心与车把中心的距离；F3、F4分别为左右脚蹬的压力传感器检测到的左右脚蹬的压力；F5、F6分别为车座的压力传感器阵列检测到的左右两侧的压力；α1为人体脊椎上布置的姿态传感器检测到的人体脊椎偏转方向在水平面的投影与车体的夹角；R为人体脊椎上布置的姿态传感器检测到的人体脊椎在水平面上的重心偏转半径；x、m3分别为车把控制模块的重心调节机构为滑杆机构时，车把滑块位置和滑块配重的质量，θ1为车体中部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，θ2为车体后部控制模块的重心调节机构为偏心轮时，偏心轮旋转角度，ω1、ω2分别为车体后部控制模块的旋转轮机构为互相垂直的两个旋转轮时，两个旋转轮的转速；
4)实现自平衡：将二次映射得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述分解关键平衡的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)分解被控变量：在自行车前中后部分别建立坐标系，并将自行车车把偏转角度α、自行车车体偏转角度β、自行车后轮转动角度φ分别分解到前中后部的坐标系；
3)投影控制变量及控制器的建立：将车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力分别投影到自行车前中后部的坐标系；并建立控制变量与被控变量之间的关系，得到控制器对自行车的控制规则，获得控制器参数；
车把控制模块的重心调节机构为滑杆机构时，车把控制模块中当滑块配重向自行车一侧加速运动时即产生一个沿车把方向向该侧的力；车体中部控制模块的重心调节机构为偏心轮时，车体中部控制模块中当车体偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力；车体后部控制模块的重心调节机构为偏心轮时，车体后部控制模块中当偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力；
4)实现自平衡：将投影得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述等价映射的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)分解被控变量：在自行车后部建立坐标系，并将自行车后轮的倾倒方向分解到后部坐标系；
3)投影控制变量及控制器的建立：将车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力分别投影到自行车后部的坐标系；并建立控制变量与被控变量之间的关系，得到车把控制模块、车体中部控制模块和车体后部控制模块对自行车的控制规则，获得控制器参数；
车把控制模块的重心调节机构为滑杆机构时，车把控制模块中当滑块配重向自行车一侧加速运动时即产生一个沿车把方向向该侧的力；车体中部控制模块的重心调节机构为偏心轮时，车体中部控制模块中当车体偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力；车体后部控制模块的重心调节机构为偏心轮时，车体后部控制模块中当偏心轮配重向一侧加速旋转时及产生一个沿偏心轮切线方向向该侧的力；
所述车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力与自行车后轮的倾倒方向的关系为：
其中，γ为自行车后轮倾倒方向，在自行车后部x、y、z坐标系分解为γx、γy、γz，其中γx为自行车后轮在yz平面上围绕x轴旋转的方向、γy为自行车后轮在xz平面上围绕y轴旋转的方向、γz为自行车后轮在xy平面上围绕z轴旋转的方向，F03x、F03y、F03z为之方向相反的力，F01、F02、F03分别为车把控制模块、车体中部控制模块和车体后部控制模块的重心调节机构的重心加速运动产生的力，L1为车体中部控制模块中心与车体后部控制模块中心水平距离，L2为车把控制模块中心与车体后部控制模块中心水平距离；h3、h4、h5分别为车把控制模块、车体中部控制模块和车体后部控制模块的高度，r为自行车后轮半径，r1、θ1分别为车体中部控制模块的重心调节机构为偏心轮时，偏心轮半径和偏心轮旋转角度，r2、θ2为车体后部控制模块的重心调节机构为偏心轮时，偏心轮半径和偏心轮旋转角度，kx、ky、kz为正比系数，预先设定为常数，建立控制器时再调整；
最终通过自行车后轮的倾倒方向求解得到车把控制模块、车体中部控制模块和车体后部控制模块所需的重心调节机构的重心加速运动产生的力；
4)实现自平衡：将投影得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡。
8.根据权利要求5所述的方法，其特征在于，所述步骤(3)中，智能化建模通过自行车自演化的控制方法、环境演化自适应进化的控制方法、竞争与合作的控制方法来实现；
所述自行车自演化的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)设定基本规则和演化目标：建立关键变量需要遵循的物理规则，并建立自行车平衡需要满足的关键变量的演化目标；
3)基本控制规则集生成：在模拟物理仿真空间进行自行车在平地演化环境下的物理仿真，通过进化算法得到一代能保持基本平衡的自行车控制策略；再通过这些自行车控制策略在模拟物理仿真空间进行自行车骑行，得到能保持基本平衡的自行车控制数据，进行控制规则的建立，并将细化规则逐渐归纳为基本的控制规则集；
4)自演化及控制器的建立：在基本控制规则集的基础上，通过对控制精度的要求不断提高和环境的不断复杂，进行控制规则的不断增加，形成新的控制规则集从而进行迭代，最终得到一个演化后的能够适应一定复杂环境且具有一定控制精度的控制规则集，获得控制器参数；
所述的控制精度是指控制自行车平衡的准确性和稳定性；所述的环境的不断复杂为演化环境从平地扩展为坡地，再不断随机出现从少到多的洼地或高地；所述的形成新的控制规则集的方法是控制规则或控制规则组的随机增加，若基本控制规则集加新规则的控制结果不符合目标则重新随机增加，反之则将新的控制规则或控制规则组划入控制规则集；增加控制规则后的规则集是基本控制规则集的迭代演化，且与之前的基本控制规则集存在相似或自相似关系，基本规则对最终演化出的控制规则集有约束引导解空间作用；
5)实现自平衡：将自演化得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述环境演化自适应进化的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)设定基本规则和演化目标：建立关键变量需要遵循的物理规则，并建立自行车平衡需要满足的关键变量的演化目标；
3)环境演化自适应进化及控制器的建立：在模拟物理仿真空间进行自行车在多种演化环境下的物理仿真，通过进化算法使关键变量逐渐建立能够使自行车平衡的关联，获得控制器参数；
所述进化算法为遗传算法；所述进化算法中的自行车对环境的适应度通过自行车变量是否在正常区间或是否稳定来衡量；所述的正常区间为自行车不接触地面；
4)实现自平衡：将自适应进化得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
所述竞争与合作的控制方法包括以下步骤：
1)关键变量选取：选取可控可观的关键变量，包括自行车各变量和车把控制模块、车体中部控制模块、车体后部控制模块的控制变量；
2)基于竞争与合作的实时学习及控制器的建立：在用户进行自行车骑行时，通过控制器给自行车一个随机的控制，不考虑人对自行车控制来预测控制器变量变化应该带来的自行车各变量变化方向，若自行车实际控制结果与预测相反，则优化掉该种控制方法，若自行车实际控制结果与预测相同，则保留该种控制方法，建立当前自行车变量与控制变量变化的对应关系，在多种自行车状态下基于竞争与合作的原则进行控制器参数的实时学习；
3)实现自平衡：将实时学习得到的控制器参数分别输入实际的车把控制模块、车体中部控制模块和车体后部控制模块，并进行微调，建立自行车的三个控制器，从而实现自行车的自平衡；
自行车竞争与合作的控制方法还应用于习惯矫正，学习运动员或教练的健康的骑车习惯后，通过车把控制模块、车体中部控制模块、车体后部控制模块与用户对自行车控制的叠加效果趋向于健康的自行车变量控制方法，当用户的骑车习惯不好，车把控制模块、车体中部控制模块、车体后部控制模块为了健康的骑车模式会产生额外的扰动，用户就会感到费力，从而更趋向于使用该健康的骑车习惯进行骑行。
9.根据权利要求5所述的方法，其特征在于，所述无人驾驶控制部分的实现包括：选择目标运动状态，进行目标运动状态下的自行车控制；所述运动状态包括：启动、前进、转弯、后退；
所述的启动状态下的自行车控制具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于一个常数，即使得自行车趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车把偏转角度α趋于0、自行车车体偏转角度β趋于0，即使得自行车从一定偏转角度到竖直站立状态；
所述的前进状态下的自行车控制具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于0，即使得自行车在车把不转的同时趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡；
3)间接驱动：通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度前进；
所述的转弯状态下的自行车控制具体步骤如下：
1)整体性调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，使得自行车车把偏转角度α趋于转弯方向，即使得自行车在车把转动的同时趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡；
3)间接驱动：通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度变化，即使得自行车以一定速度转弯；
所述的后退状态下的自行车控制方法具体步骤如下：
1)间接驱动：通过车体后部控制模块的旋转轮机构的变量调节，间接驱动自行车后轮，使得自行车后轮转动角度
以一定角速度反向变化，即使得自行车后轮以一定速度反向旋转；由于车把与前轮接触地面处存在一个前后关系，当自行车处于倒退状态下，车把及前轮处于被拖动状态，在车把连接处的拖动力在前，消除了自行车前进时产生的车把转动扭矩，简化自行车车把偏转角度α的调节，自行车在后退状态会趋于一个整体；
2)重心调节：通过车把控制模块、车体中部控制模块、车体后部控制模块的变量调节，调节自行车重心，使得自行车车体偏转角度β趋于0，即使得自行车保持平衡。
10.根据权利要求9所述的方法，其特征在于，所述选择目标运动状态具体为：
1)宏观路线确定：通过导航、人工选择方式确定自行车整体行进路线；
2)路面监控及避障：通过传感器模块进行路面的监控；进行地形扫描，判断地形并选择地形对应的控制方法；判断是否有障碍物，若有障碍物则进行避障，即通过距离、障碍物宽度、障碍物运动情况得到自行车需要调整的行进方向从而进行调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810081132.XA CN108327841B (zh) | 2018-01-26 | 2018-01-26 | 一种自平衡无人驾驶自行车及其控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810081132.XA CN108327841B (zh) | 2018-01-26 | 2018-01-26 | 一种自平衡无人驾驶自行车及其控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108327841A CN108327841A (zh) | 2018-07-27 |
| CN108327841B true CN108327841B (zh) | 2020-10-30 |
Family
ID=62926231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810081132.XA Active CN108327841B (zh) | 2018-01-26 | 2018-01-26 | 一种自平衡无人驾驶自行车及其控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108327841B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020097777A1 (zh) * | 2018-11-13 | 2020-05-22 | 罗魏熙 | 自动驾驶共享两轮电动自行车及其自动驾驶方法 |
| CN109492318B (zh) * | 2018-11-22 | 2023-04-07 | 北京师范大学珠海分校 | 自主平衡行驶自行车机械动力系统及其多刚体动力学模型 |
| CN111009054B (zh) * | 2019-11-25 | 2021-01-15 | 腾讯科技（深圳）有限公司 | 一种上车辆控制装置、数据处理方法及存储介质 |
| CN111275182B (zh) * | 2020-01-13 | 2022-05-31 | 西北工业大学 | 基于云计算的深度学习模拟巩固方法 |
| CN112802356B (zh) * | 2020-12-30 | 2022-01-04 | 深圳市微网力合信息技术有限公司 | 一种基于物联网的车辆自动驾驶方法及终端 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013214517A1 (de) * | 2013-07-25 | 2015-01-29 | Robert Bosch Gmbh | Fahrrad mit elektrischem Lenkeingriff sowie Verfahren zur Stabilisierung des Fahrrads sowie Verfahren zur taktilen Informationsübermittlung an den Fahrer |
| US9718465B2 (en) * | 2015-07-23 | 2017-08-01 | Ford Global Technologies, Llc | Bicycle stability control methods and systems |
| KR102389057B1 (ko) * | 2015-09-07 | 2022-04-22 | 주식회사 만도 | 조향 제어 장치 및 조향 제어 방법 |
| CN105320129B (zh) * | 2015-10-22 | 2018-05-29 | 清华大学 | 一种无人驾驶自行车轨迹跟踪控制的方法 |
| CN106080941B (zh) * | 2016-08-04 | 2018-12-18 | 清华大学 | 一种实现变速平衡控制的无人驾驶自行车 |
-
2018
- 2018-01-26 CN CN201810081132.XA patent/CN108327841B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN108327841A (zh) | 2018-07-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108327841B (zh) | 一种自平衡无人驾驶自行车及其控制方法 | |
| CN108357595B (zh) | 一种基于模型的自平衡无人驾驶自行车及其模型驱动的控制方法 | |
| Guo et al. | Design of automatic steering controller for trajectory tracking of unmanned vehicles using genetic algorithms | |
| CN107340772B (zh) | 一种面向无人驾驶的拟人化参考轨迹规划方法 | |
| US7251638B2 (en) | Intelligent robust control system for motorcycle using soft computing optimizer | |
| CN205906129U (zh) | 自平衡式运输车辆 | |
| US20200272160A1 (en) | Motion Prediction for Autonomous Devices | |
| Chen et al. | Dynamic drifting control for general path tracking of autonomous vehicles | |
| CN108357596B (zh) | 一种基于行为驱动的自平衡无人驾驶自行车及其行为驱动的控制方法 | |
| US8397844B2 (en) | Apparatus and system for efficient and maneuverable vehicle | |
| Cossalter et al. | Development and validation of an advanced motorcycle riding simulator | |
| CN108656962A (zh) | 一种智能网联电动观光车及控制方法 | |
| CN105752246A (zh) | 新式的倒立摆自平衡机车 | |
| CN116134292A (zh) | 用于性能测试和/或训练自动驾驶车辆规划器的工具 | |
| Arioui et al. | From design to experiments of a 2-DOF vehicle driving simulator | |
| CN110641465A (zh) | 一种基于车速的车道保持系统和方法 | |
| 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 | |
| CN110147098A (zh) | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 | |
| CN108298011B (zh) | 一种基于模型的自平衡无人驾驶自行车及其数据采集驱动的控制方法 | |
| CN108341007B (zh) | 一种基于智能演化的自平衡无人驾驶自行车及其环境演化自适应进化的控制方法 | |
| CN105867112A (zh) | 一种基于参数自动优化的控制算法的智能车及其控制方法 | |
| Mohellebi et al. | Adaptive haptic feedback steering wheel for driving simulators | |
| CN108357593B (zh) | 一种基于智能演化的自平衡无人驾驶自行车及其自演化的控制方法 | |
| CN108357594B (zh) | 一种基于智能演化的自平衡无人驾驶自行车及其竞争与合作的控制方法 | |
| Ghafarian et al. | A review of dynamic vehicular motion simulators: Systems and algorithms |
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 |