CN108791290A - 基于在线增量式dhp的双车协同自适应巡航控制方法 - Google Patents

基于在线增量式dhp的双车协同自适应巡航控制方法 Download PDF

Info

Publication number
CN108791290A
CN108791290A CN201810592151.9A CN201810592151A CN108791290A CN 108791290 A CN108791290 A CN 108791290A CN 201810592151 A CN201810592151 A CN 201810592151A CN 108791290 A CN108791290 A CN 108791290A
Authority
CN
China
Prior art keywords
vehicle
acceleration
dhp
network
speed
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
Application number
CN201810592151.9A
Other languages
English (en)
Other versions
CN108791290B (zh
Inventor
徐盺
黄振华
刘大学
易梦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201810592151.9A priority Critical patent/CN108791290B/zh
Publication of CN108791290A publication Critical patent/CN108791290A/zh
Application granted granted Critical
Publication of CN108791290B publication Critical patent/CN108791290B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W30/14—Adaptive cruise control
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects
    • B60W2554/801—Lateral distance
    • 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
    • B60W2554/804—Relative longitudinal speed

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明属于汽车巡航技术领域，公开了一种基于在线增量式DHP的双车协同自适应巡航控制方法，利用目标车辆的位姿信息输出当前车辆跟踪目标车辆的期望路径，由侧向控制模块实现路径跟踪任务。在纵向协同控制中，加速度规划模块需根据目标车辆的速度、加速度以及期望车距等信息输出当前车辆的期望加速度，再由纵向控制模块完成速度跟踪任务。在加速度规划模块中，如何合理地根据两车相对位置和速度等信息输出当前车辆期望加速度是需要解决的问题之一。本发明可根据两车相对位置和速度等信息学习优化得到当前车辆期望加速度，在提高跟踪控制性能的基础上避免使用由人为经验事先定义的逻辑规则，降低了人为因素的影响。

Description

基于在线增量式DHP的双车协同自适应巡航控制方法
技术领域
本发明属于汽车巡航技术领域，尤其涉及一种基于在线增量式DHP的双车协同自适应巡航控制方法。
背景技术
双车协同自适应巡航控制涉及到感知、规划和控制三部分内容。系统利用雷达、图像等传感器获取跟踪车辆的速度、加速度和距离等信息，并规划出跟踪目标车辆所需的期望加速度和期望路径，然后由控制模块调整方向盘和油门、刹车使当前车辆跟踪目标车辆。可以将智能驾驶车辆协同自适应巡航控制解耦为侧向协同控制和纵向协同控制两部分。
车辆纵向跟踪控制也可称为速度跟踪控制，目的是通过控制油门信号和刹车信号使自主车达到期望的速度。车辆速度跟踪控制方法可分为两类：基于模型的速度跟踪控制方法与无模型的速度跟踪控制方法。基于模型的速度跟踪控制方法通常根据车辆动力学先验模型信息给出当前状态下车辆达到期望速度时所应采取的油门或刹车控制量。该类控制方法首先需要对车辆纵向动力学特性进行建模，由于车辆动力学特性的复杂性和非线性特性，研究者通常采用线性化或者简化的方式建立反映车辆纵向动力学特性的参数化解析模型或以图表形式表达的非参数化模型。基于动力学模型的反馈控制方法应用最为广泛，该类方法的控制效果与车辆纵向动力学模型的精度有较大关系。提高模型精度需对车辆的发动机系统、传动系统以及底盘系统等按照串联关系进行建模，然而由于车辆动力学的复杂性，研究者很难获取每一个模型参数的精确值，因此建立高精度的车辆纵向动力学模型是一个难点。有研究者综合考虑了车辆纵向动力学系统，将油门、刹车作为控制量输入，纵向加速度为输出，建立了“刹车-减速度”、“油门-减速度”和“油门-加速度”三个映射关系作为纵向动力学模型，利用基于模型的前馈+PI反馈的控制方法控制车辆跟踪期望速度，获取了较好的控制性能。也有研究者提出的方法基础上增加了路面坡度估计器，以补偿车辆当前加速度值，并采用了非线性PID反馈控制器，提高了适应能力。然而，他们采用的PID反馈控制器的参数调节过程较为复杂。采用机器学习的方法通过车辆数据训练得到了纵向动力学模型，虽然该动力学模型可以反映车辆动力学的非线性特性，但是该模型的适应性有待提高。滑模控制方法也是一种常用的车辆纵向控制方法，该方法具有较强鲁棒性，以变结构控制方式充分利用模型，虽然不需要很高的模型精度，但设计控制器时需车辆动力学模型的解析表达式，而且控制效果与模型精度也存在一定的关系。
无模型的速度跟踪控制方法主要有线性PID控制和非线性PID控制线性PID控制器参数单一固定、结构较为简单，但是由于车辆纵向动力学所具有的非线性特性，难以确定一组具有较强适应能力的控制器参数。尽管研究者尝试采用优化方法学习得到较好的参数，但是速度跟踪控制效果仍然与学习设定的控制器参数有较大关系。非线性PID控制主要包括模糊PID控制和自适应神经网络PID控制。模糊PID控制控制方法主要通过预先设定的模糊逻辑判断规则，根据车辆不同行驶状态采用不同PID参数控制车辆速度。虽然该类方法控制的适应性得到提高，但是控制效果与模糊逻辑规则有较大关系，研究者常设定复杂的逻辑规则以获取较好的控制效果。自适应神经网络PID控制方法利用神经网络调整模糊系统的规则库、成员函数以及输出系数。虽然该类方法不需要提供复杂的逻辑规则，但是如何设计神经网络结构仍需要反复测试。
车辆侧向控制方法主要有PID控制、反馈控制方法、模型预测控制、基于学习的控制方法。当车辆行驶车速较高或者跟踪较大曲率路径时，车辆前轮和后轮均可能存在一定的侧偏角，此时传统的侧向控制方法跟踪精度会有所降低。控制跟踪效果较差，参数的选择对车辆控制性能影响较大，需要人为调整控制参数才能达到较高控制精度。
发明内容
针对现有技术存在的问题，本发明提供了一种基于在线增量式DHP的双车协同自适应巡航控制方法。
本发明是这样实现的，一种基于在线增量式DHP的双车协同自适应巡航控制方法，所述基于在线增量式DHP的双车协同自适应巡航控制方法包括以下步骤：
根据前车与后车位姿关系等信息获取当前车辆所期望的路径以及所期望的转弯半径；根据当前车辆所期望的路径以及所期望的转弯半径，利用侧向控制器产生智能驾驶车辆的转向控制命令；智能驾驶车辆转向伺服模块执行收到的控制命令，控制方向盘使车辆按照期望的路径行驶；
根据前车与后车相对速度、相对距离等信息，获取当前车辆保持期望距离所期望的加速度；根据当前车辆所期望的加速度产生期望速度，利用纵向控制器产生智能驾驶车辆的油门和刹车控制命令；智能驾驶车辆油门和刹车伺服模块执行收到的控制命令，控制油门和刹车使车辆按照期望速度行驶。
进一步，车路关系综合评价或最优转弯半径计算的方法包括：
\\(xi,f(xi)),i＝1,2,···,n：局部路径路点坐标；
\\(xi,l(xi)),i＝1,2,···,n：局部路径左路边点坐标；
\\(xi,r(xi)),i＝1,2,···,n：局部路径右路边点坐标；
\\(xRf,yRf,θf)：车辆连杆R点处位姿；
\\(xFf,yFf,θf)：车辆连杆F点处位姿；
\\Rmin：车辆转向机构的机械特性决定的最小转弯半径；
\\amax：车辆临界侧翻条件允许的最大侧向加速度；
\\v：当前车辆速度；
\\L：车辆轴距。
进一步包括：
(1)根据车辆转向机构的机械特性决定的最小转弯半径Rmin可确定允许车辆转向机构执行的最大曲率κmax1＝1/Rmin；
(2)根据车辆临界侧翻条件允许的最大侧向加速度amax以及当前车速v确定车辆不发生侧翻所允许的最大曲率κmax2＝amax/v2；
(3)取当前车速下车辆所允许的最大曲率为κmax＝[minκmax1,kmax2]；
(4)根据车辆稳态转向模型δ＝atan(Lκ)求得车辆允许的前轮转向角集合为：
[δmin,δmax]＝[-atan(L/κmax),atan(L/κmax)]；
(5)for i＝1,2,···,n do；
(6)分别从车辆连杆R点(xRf,yRf,θf)和F点(xFf,yFf,θf)向局部路径左路边点(xi,l(xi))和右路边点(x2,r(x2))做圆弧，由于R点和F点方向θf确定，则四段圆弧均唯一确定，记圆弧曲率分别为κiRl、κiRr、κiFl和κiFr；
(7)根据车辆稳态转向模型计算相对应的转向角δiRl、δiRr、δiFl和δiFr，取δimax＝min(δiRl,δiFl)，δimin＝max(δiRr,δiFr)，则[δimin,δimax]为车辆经过xi处时与道路边沿不发生碰撞的允许转向角集合；
(8)
(9)则i＝max(i-1,1)，此时车辆能行驶到最远的路点为[xi-1,f(xi-1)]
(10)Break；
(11)else
(12)[δmin,δmax]＝[δimin,δimax]；
(13)end if
(14)end for
(15)根据车辆稳态转向逆模型κ＝tan(δ)/L计算得到前轮转向区间[δmin,δmax]所对应的允许车辆执行的曲率区间[κmin,κmax]；
(16)根据当前车辆连杆R点(xRf,yRf,θf)向局部路径点(xi-1,f(xi-1))做圆弧，可得车辆能行驶最远距离的圆弧曲率为κi-1R。
(17)return车辆在(l(x)，r(x))区域行驶最远距离所执行的最优转弯半径κ-1R。
进一步，智能驾驶车辆速度和加速度分别为vf和af，通过激光测距雷达或者毫米波雷达等传感器测量得到前车与后车之间的相对距离da以及前车速度vp，允许两车之间的最短距离为dmin，两车之间期望车距dd可表示为：
dd＝dmin+hvf；
其中h为时间长度，设为驾驶员的反应时间2ss3s。
进一步，采用对偶启发式动态规划学习算法设计车辆加减速策略，推导出智能驾驶车辆车距保持的误差模型以及代价函数，设计评价器网络和执行器网络分别输出效用值函数和当前状态下所采取的加减速动作策略。
进一步，评价器网络是逼近最优状态协函数λ*(s(k))(5.20)。令评价器网络为一个三层的BP神经网络，神经网络分为输入层、隐含层和输出层。该评价器的输入为状态变量s(k)，评价器网络表示为：
其中νc表示输入层到隐含层的权值，wc表示隐含层到输出层的权值，σ(·)为神经网络的激活函数，设为sigmod函数；根据表达式(5.21)，得k时刻时域差分误差表示为：
其中为状态雅阁比矩阵，可由误差模型(5.11)和(5.12)计算得到。
进一步，执行器网络为一个三层的BP神经网络，分为输入层、隐含层和输出层；控制量满足以下约束条件：
∥u(k)∥≤ˉU, (5.25)
其中ˉU为所允许的最大控制量；
令该执行器的输入为状态变量s(k)，则该执行器网络表示为：
^u(k)＝ˉUΦ(wTaσ(νTa s(k))) (5.26)
其中νa为输入层到隐含层的权值，wa为隐含层到输出层的权值，σ(·)为BP神经网络的激活函数，Φ(·)为一个单调奇函数，并满足∥Φ(·)∥≤1且该函数的一阶导数有界；
执行器网络的训练误差为：
其中为动作雅阁比矩阵，可由误差模型(5.11)和(5.12)计算得到；
根据梯度下降方法，可得执行器网络权值的迭代更新规则为：
其中i为迭代次数，0<β≤1为学习率，和
a可由执行器网络的表达式(5.26)求得；待权值wa和νa收敛后，可根据执行器网络的表达式求得状态s(k)所对应的最优控制量^u(s(k))。
进一步，纵向协同控制学习方法包括：
(1)利用所建立的车距保持误差模型、评价器网络和执行器网络，在加速度规划子模块中在线学习得到与前车保持期望距离和期望车速所应采取的期望加速度策略；
(2)利用学习得到的加速度策略，智能驾驶车辆可根据当前的误差状态产生期望加速度，纵向控制模块根据期望加速度值产生当前车辆达到该期望加速度所需要的油门和刹车来控制智能驾驶车辆不断行驶。
本发明的另一目的在于提供一种应用所述基于在线增量式DHP的双车协同自适应巡航控制方法的汽车。
本发明在侧向协同控制中，利用目标车辆的位姿信息输出当前车辆跟踪目标车辆的期望路径，由侧向控制模块实现路径跟踪任务。在纵向协同控制中，加速度规划模块需根据目标车辆的速度、加速度以及期望车距等信息输出当前车辆的期望加速度，再由纵向控制模块完成速度跟踪任务。在加速度规划模块中，如何合理地根据两车相对位置和速度等信息输出当前车辆期望加速度是本章需要解决的问题之一。本发明可根据两车相对位置和速度等信息学习优化得到当前车辆期望加速度，在提高跟踪控制性能的基础上避免使用由人为经验事先定义的逻辑规则，降低了人为因素的影响。
本发明运用增强学习的方法对车辆进行侧向和纵向控制，是基于机器学习的思想，而传统的控制算法需要人为设置参数，效果不好。另外本发明运用在双车的巡航上，双车的巡航系统的提出属于国内外领先技术。
附图说明
图1是本发明实施例提供的基于在线增量式DHP的双车协同自适应巡航控制方法流程图。
图2是本发明实施例提供的智能驾驶车辆跟踪前车的位姿关系图。
图3是本发明实施例提供的智能驾驶车辆与前车的相对位置和相对速度关系图。
图4是本发明实施例提供的基于DHP的智能驾驶车辆纵向协同控制在线学习方法流程图。
图5是本发明实施例提供的基于DHP学习策略的智能驾驶车辆纵向协同控制流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示，本发明实施例提供的基于在线增量式DHP的双车协同自适应巡航控制方法包括以下步骤：
S101：根据前车与后车位姿关系等信息获取当前车辆所期望的路径以及所期望的转弯半径；根据当前车辆所期望的路径以及所期望的转弯半径，利用侧向控制器产生智能驾驶车辆的转向控制命令；智能驾驶车辆转向伺服模块执行收到的控制命令，控制方向盘使车辆按照期望的路径行驶；
S102：根据前车与后车相对速度、相对距离等信息，获取当前车辆保持期望距离所期望的加速度；根据当前车辆所期望的加速度产生期望速度，利用纵向控制器产生智能驾驶车辆的油门和刹车控制命令；智能驾驶车辆油门和刹车伺服模块执行收到的控制命令，控制油门和刹车使车辆按照期望速度行驶。
下面结合具体实施例对本发明的应用原理作进一步的描述。
1、CACC系统的总体框架
智能驾驶车辆协同自适应巡航控制系统总体框架，主要由局部轨迹生成模块、车辆运动控制模块以及车辆传感器和伺服机构等构成。实现车辆协同自适应巡航控制，智能驾驶车辆首先根据激光测距雷达或者毫米波雷达等传感器精确测量出前车车速(vp)、以及前车与后车之间的相对位置(da)、相对方向等信息(dθ)。与此同时，智能驾驶车辆根据全局定位系统给出当前车辆精确的位置信息(xf，yf，θf)、速度信息(vf)，常用的全局定位系统有差分GPS+惯性导航组合系统等。局部轨迹生成模块又分为局部路径规划和加速度规划两个子模块。局部路径规划子模块根据两车之间的相对位置、相对方向信息以及当前车辆的全局位置信息可以确定前车的全局位置信息(xp，yp)，这样便可确定前车的行驶路径。然后局部路径规划子模块将前车的行驶路径转化为当前车体坐标系下的局部路径，并生成当前车辆的期望转弯半径，输出给车辆运动控制模块。加速度模块根据前车车速、后车车速和前后车之间的相对距离等信息输出期望的加速度(ad)，智能驾驶车辆根据该加速度调节自身车速使当前车辆与被跟踪车辆在保持期望车距(dd)的条件下保持相同车速。车辆运动控制模块包括车辆侧向控制和车辆纵向控制两个子模块。根据局部路径规划得到的期望路径，车辆侧向控制子模块采用第四章节所设计的侧向控制器产生车辆跟踪期望路径的转向控制命令；与此同时，车辆纵向控制子模块将规划得到的期望加速度命令转化为期望的油门或刹车指令。最终，车辆的转向伺服机构、油门伺服机构和刹车伺服机构分别执行车辆运动控制模块产生的转向控制指令、油门和刹车指令。
局部路径规划子模块根据当前车辆位置信息(xf，yf，θf)、以及前车与后车之间的相对位置(da)、相对方向等信息(dθ)，确定出当前车辆要跟踪的路径(不考虑避障)以及当前车辆的期望转弯半径；另外，针对加速度规划模块，本章采用了DHP方法，该方法可根据两车相对位置和速度等信息学习得到当前车辆期望加速度，这样就可避免大量的使用由人为经验事先定义的逻辑规则，降低了人为因素的影响。
将智能驾驶车辆协同自适应巡航控制解耦为两部分研究内容：侧向协同控制和纵向协同控制，其中在侧向协同控制方案模块中将着重介绍局部路径规划子模块，在纵向协同控制方案模块中将着重介绍基于DHP的加速度规划方法。
2、基于车路关系评价的双车侧向协同控制方法
智能驾驶车辆侧向协同控制可分为以下具体步骤：1、根据前车与后车位姿关系等信息获取当前车辆所期望的路径以及所期望的转弯半径，该部分属于局部路径规划子模块内容；2、根据当前车辆所期望的路径以及所期望的转弯半径，利用侧向控制器产生智能驾驶车辆的转向控制命令，该部分属于侧向控制子模块内容；3、智能驾驶车辆转向伺服模块执行收到的控制命令，控制方向盘使车辆按照期望的路径行驶，该部分属于转向伺服控制子模块内容(本发明对底层伺服控制不作深入研究)。
图2给出了智能驾驶车辆跟踪前车的位姿关系图。假设安装在智能驾驶车辆上的传感器设备能够准确给出当前车辆的位姿为(xf，yf，θf)，与前车之间的相对距离为da以及相对方向为dθ，则前车的全局坐标位置(xp，yp)可表示为：
假设在k时刻，局部路径规划子模块得到当前车辆的位姿为(xkf，ykf，θkf)，与前车之间的相对距离为dka以及相对方向为dkθ，则前车的全局坐标位置(xkp，ykp)可表示为：
同理在k+1时刻，局部路径规划子模块也可获得前车的全局坐标位置(xk+1p，yk+1p)。将k、k+1、k+2、...时刻累积记录的前车全局坐标位置集合(xkp，ykp)，(xkp，ykp)，(xkp，ykp)，...}作为当前车辆期望跟踪的全局路径。与此同时，当前车辆将每时刻收集得到的全局路径转化为车体坐标系下的局部路径，作为局部路径规划子模块的输出。
本发明基于路宽约束的车路关系评价方法来近似计算当前车辆所期望的跟踪曲率(曲率＝1/转弯半径)。如图2所示，设虚拟路宽为w，(xi,f(xi))为局部路径上路点坐标，在局部路径上的每个点处根据路宽在左右两边各虚拟一个点，这样在整个期望路径上便虚拟出左、右路边，分别用l(x)和r(x)表示。在有路宽约束的条件下，本发明对如何计算当前车辆所期望的转弯半径问题给出了一般性描述。
算法1给出了车路关系综合评价或最优转弯半径计算的详细步骤。综合上述分析可得，车辆在路宽[lx,rx]约束下沿最优转弯半径κi-1R可行驶最远距离，是综合考虑了车辆的当前位姿、车辆长度、车辆自身转向特性以及道路宽度约束条件的结果，是对车路关系的一个综合评价。局部路径规划子模块利用算法1输出当前车辆期望的最优转弯半径κi-1R。在车辆侧向控制子模块中，最优转弯半径κi-1R被用作基于侧向力补偿的前馈控制器与转向扰动反馈补偿器中的前馈曲率进而求解转向控制率。最后车辆侧向控制子模块将前轮转向控制命令输出给智能驾驶车辆的转向伺服机构，以控制方向盘按照期望的路径行驶。
算法1车路关系综合评价或最优转弯半径计算
\\(xi,f(xi)),i＝1,2,···,n：局部路径路点坐标；
\\(xi,l(xi)),i＝1,2,···,n：局部路径左路边点坐标；
\\(xi,r(xi)),i＝1,2,···,n：局部路径右路边点坐标；
\\(xRf,yRf,θf)：车辆连杆R点处位姿；
\\(xFf,yFf,θf)：车辆连杆F点处位姿；
\\Rmin：车辆转向机构的机械特性决定的最小转弯半径；
\\amax：车辆临界侧翻条件允许的最大侧向加速度；
\\v：当前车辆速度；
\\L：车辆轴距；
1:根据车辆转向机构的机械特性决定的最小转弯半径Rmin可确定允许车辆转向机构执行的最大曲率κmax1＝1/Rmin；
2:根据车辆临界侧翻条件允许的最大侧向加速度amax以及当前车速v确定车辆不发生侧翻所允许的最大曲率κmax2＝amax/v2；
3:取当前车速下车辆所允许的最大曲率为κmax＝[minκmax1,kmax2]；
4:根据车辆稳态转向模型δ＝atan(Lκ)求得车辆允许的前轮转向角集合为
[δmin,δmax]＝[-atan(L/κmax),atan(L/κmax)]；
5:for i＝1,2,···,n do
6:分别从车辆连杆R点(xRf,yRf,θf)和F点(xFf,yFf,θf)向局部路径左路边点(xi,l(xi))和右路边点(x2,r(x2))做圆弧，由于R点和F点方向θf确定，则四段圆弧均唯一确定，记圆弧曲率分别为κiRl、κiRr、κiFl和κiFr；
7:根据车辆稳态转向模型计算相对应的转向角δiRl、δiRr、δiFl和δiFr，取δimax＝min(δiRl,δiFl)，δimin＝max(δiRr,δiFr)，则[δimin,δimax]为车辆经过xi处时与道路边沿不发生碰撞的允许转向角集合；
8:
9:则i＝max(i-1,1)，此时车辆能行驶到最远的路点为[xi-1,f(xi-1)]
10:Break；
11:else
12:[δmin,δmax]＝[δimin,δimax]；
13:end if
14:end for
15:根据车辆稳态转向逆模型κ＝tan(δ)/L计算得到前轮转向区间[δmin,δmax]所对应的允许车辆执行的曲率区间[κmin,κmax]；
16:根据当前车辆连杆R点(xRf,yRf,θf)向局部路径点(xi-1,f(xi-1))做圆弧，可得车辆能行驶最远距离的圆弧曲率为κi-1R。
17:return车辆在(l(x)，r(x))区域行驶最远距离所执行的最优转弯半径κ-1R。
3、基于OI-DHP学习的双车纵向协同控制方法
智能驾驶车辆纵向协同控制可分为以下三个步骤：1、根据前车与后车相对速度、相对距离等信息，获取当前车辆保持期望距离所期望的加速度，该部分属于加速度规划子模块内容；2、根据当前车辆所期望的加速度产生期望速度，利用纵向控制器产生智能驾驶车辆的油门和刹车控制命令，该部分属于纵向控制(也可称作速度跟踪控制)子模块内容；3、智能驾驶车辆油门和刹车伺服模块执行收到的控制命令，控制油门和刹车使车辆按照期望速度行驶，该部分属于油门和刹车伺服控制子模块内容。本发明首先提出一种基于自评价学习的加速度规划方法，再结合纵向控制模块设计了一种纵向协同控制学习方法。
图3给出了智能驾驶车辆与前车的相对距离和相对速度关系图。令智能驾驶车辆速度和加速度分别为vf和af，且可通过激光测距雷达或者毫米波雷达等传感器测量得到前车与后车之间的相对距离da以及前车速度vp，允许两车之间的最短距离为dmin，两车之间期望车距dd可表示为：
dd＝dmin+hvf (5.4)
其中h为时间长度，一般设为驾驶员的反应时间2ss3s。
基于DHP学习的加速度规划方法
本发明采用对偶启发式动态规划(DHP)学习算法设计车辆加减速策略，首先推导出智能驾驶车辆车距保持的误差模型以及代价函数，然后设计评价器网络和执行器网络分别输出效用值函数和当前状态下所采取的加减速动作策略。
评价器学习算法设计
设计评价器网络的目的是逼近最优状态协函数λ*(s(k))(5.20)。令评价器网
络为一个三层的BP神经网络，该神经网络分为输入层、隐含层和输出层。该评价器的输入为状态变量s(k)，则该评价器网络可表示为：
其中νc表示输入层到隐含层的权值，wc表示隐含层到输出层的权值，σ(·)为神经网络的激活函数，设为sigmod函数。根据表达式(5.21)，可得k时刻时域差分误差(temporaldifference(TD)error)可表示为：
其中为状态雅阁比矩阵，可由误差模型(5.11)和(5.12)计算得到。
利用梯度下降方法，可得评价器的权重更新规则为：
其中i为迭代次数，0<α≤1为学习率，和可由评价器网络的表达式(5.22)求得。待权值wc和νc收敛后，可根据评价器网络的表达式求得状态s(k)所对应的状态协函数^λ(s(k))。
执行器学习算法设计
设计执行器网络的目的是逼近最优控制量u*。亦令执行器网络为一个三层的BP神经网络，分为输入层、隐含层和输出层。假设控制量满足以下约束条件
∥u(k)∥≤ˉU, (5.25)
其中ˉU为所允许的最大控制量。
令该执行器的输入为状态变量s(k)，则该执行器网络可表示为：
^u(k)＝ˉUΦ(wTaσ(νTa s(k))) (5.26)
其中νa为输入层到隐含层的权值，wa为隐含层到输出层的权值，σ(·)为BP神经网络的激活函数(设为sigmoid函数)，Φ(·)为一个单调奇函数，并满足∥Φ(·)∥≤1且该函数的一阶导数有界。
根据最优控制量表达式(5.18)，定义执行器网络的训练误差为：
其中为动作雅阁比矩阵，可由误差模型(5.11)和(5.12)计算得到。
根据梯度下降方法，可得执行器网络权值的迭代更新规则为：
其中i为迭代次数，0<β≤1为学习率，和
a可由执行器网络的表达式(5.26)求得。待权值wa和νa收敛后，可根据执行器网络的表达式求得状态s(k)所对应的最优控制量^u(s(k))。
4、纵向协同控制学习方法，主要分为两步：
(1)利用上述所建立的车距保持误差模型、评价器网络和执行器网络，在加速度规划子模块中在线学习得到与前车保持期望距离和期望车速所应采取的期望加速度策略；(2)利用学习得到的加速度策略，智能驾驶车辆可根据当前的误差状态产生期望加速度，纵向控制模块根据期望加速度值产生当前车辆达到该期望加速度所需要的油门和刹车来控制智能驾驶车辆不断行驶。(1)为加速度策略在线学习过程，该过程中评价器网络和执行器网络的权值不断迭代更新至收敛；(2)为学习策略评估阶段，该过程中执行器网络权值保持不变，根据当前车辆与前车的速度误差和期望距离误差产生相应的期望加速度，进而对学习得到的策略进行性能评估。
图4给出了基于DHP的智能驾驶车辆纵向协同控制在线学习方法流程图。智能驾驶车辆通过传感器测量得到前车车速以及其与前车的距离，分别根据式(5.5)和式(5.6)得到当前k时刻误差状态s(k)＝[Δv(k),Δd(k)]，作为评价器网络和执行器网络的输入，车距保持误差模型根据当前误差状态s(k)和执行器网络所产生的动作^u(k)，产生下一时刻误差状态s(k+1)以及状态雅格比 和动作雅格比结合所设计的回报函数(5.13)，评价器网络和执行器网络分别根据迭代规则(5.24)和(5.28)更新权值；速度控制器即为纵向控制器，输入为执行器网络所输出的车辆期望加速度，输出当前所期望的油门和刹车控制量给车辆的油门伺服控制机构和刹车伺服控制机构，控制车辆不断行驶。纵向控制器中常用的方法有PI控制、内模控制，也可采用本发明所提出的基于离线参数化策略学习的执行器-评价器算法，在此不再赘述。整个过程可以不断循环执行至评价器网络和执行器网络的权值达到收敛条件。
图5给出了基于DHP学习策略的智能驾驶车辆纵向协同控制流程图。与在线学习过程不同的是，该过程只需要学习得到的执行器网络，该网络可根据当前误差状态产生相应的期望加速度，结合速度控制器产生当前所期望的油门和刹车以控制车辆与前车保持期望距离和期望车速。在该过程中，可根据车辆误差状态[Δv,Δd]评价学习得到的策略是否具有较好的纵向协同控制性能。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，所述基于在线增量式DHP的双车协同自适应巡航控制方法包括以下步骤：
根据前车与后车位姿关系等信息获取当前车辆所期望的路径以及所期望的转弯半径；根据当前车辆所期望的路径以及所期望的转弯半径，利用侧向控制器产生智能驾驶车辆的转向控制命令；智能驾驶车辆转向伺服模块执行收到的控制命令，控制方向盘使车辆按照期望的路径行驶；
根据前车与后车相对速度、相对距离等信息，获取当前车辆保持期望距离所期望的加速度；根据当前车辆所期望的加速度产生期望速度，利用纵向控制器产生智能驾驶车辆的油门和刹车控制命令；智能驾驶车辆油门和刹车伺服模块执行收到的控制命令，控制油门和刹车使车辆按照期望速度行驶。
2.如权利要求1所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，车路关系综合评价或最优转弯半径计算的方法包括：
\\(xi,f(xi)),i＝1,2,···,n：局部路径路点坐标；
\\(xi,l(xi)),i＝1,2,···,n：局部路径左路边点坐标；
\\(xi,r(xi)),i＝1,2,···,n：局部路径右路边点坐标；
\\(xRf,yRf,θf)：车辆连杆R点处位姿；
\\(xFf,yFf,θf)：车辆连杆F点处位姿；
\\Rmin：车辆转向机构的机械特性决定的最小转弯半径；
\\amax：车辆临界侧翻条件允许的最大侧向加速度；
\\v：当前车辆速度；
\\L：车辆轴距。
3.如权利要求2所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，进一步包括：
(1)根据车辆转向机构的机械特性决定的最小转弯半径Rmin可确定允许车辆转向机构执行的最大曲率κmax1＝1/Rmin；
(2)根据车辆临界侧翻条件允许的最大侧向加速度amax以及当前车速v确定车辆不发生侧翻所允许的最大曲率κmax2＝amax/v2；
(3)取当前车速下车辆所允许的最大曲率为κmax＝[minκmax1,kmax2]；
(4)根据车辆稳态转向模型δ＝atan(Lκ)求得车辆允许的前轮转向角集合为：
[δmin,δmax]＝[-atan(L/κmax),atan(L/κmax)]；
(5)for i＝1,2,···,n do；
(6)分别从车辆连杆R点(xRf,yRf,θf)和F点(xFf,yFf,θf)向局部路径左路边点(xi,l(xi))和右路边点(x2,r(x2))做圆弧，由于R点和F点方向θf确定，则四段圆弧均唯一确定，记圆弧曲率分别为κiRl、κiRr、κiFl和κiFr；
(7)根据车辆稳态转向模型计算相对应的转向角δiRl、δiRr、δiFl和δiFr，取δimax＝min(δiRl,δiFl)，δimin＝max(δiRr,δiFr)，则[δimin,δimax]为车辆经过xi处时与道路边沿不发生碰撞的允许转向角集合；
(8)
(9)则i＝max(i-1,1)，此时车辆能行驶到最远的路点为[xi-1,f(xi-1)]
(10)Break；
(11)else
(12)[δmin,δmax]＝[δimin,δimax]；
(13)end if
(14)end for
(15)根据车辆稳态转向逆模型κ＝tan(δ)/L计算得到前轮转向区间[δmin,δmax]所对应的允许车辆执行的曲率区间[κmin,κmax]；
(16)根据当前车辆连杆R点(xRf,yRf,θf)向局部路径点(xi-1,f(xi-1))做圆弧，可得车辆能行驶最远距离的圆弧曲率为κi-1R；
(17)return车辆在(l(x)，r(x))区域行驶最远距离所执行的最优转弯半径κ-1R。
4.如权利要求1所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，智能驾驶车辆速度和加速度分别为vf和af，通过激光测距雷达或者毫米波雷达等传感器测量得到前车与后车之间的相对距离da以及前车速度vp，允许两车之间的最短距离为dmin，两车之间期望车距dd可表示为：
dd＝dmin+hvf；
其中h为时间长度，设为驾驶员的反应时间2ss3s。
5.如权利要求4所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，采用对偶启发式动态规划学习算法设计车辆加减速策略，推导出智能驾驶车辆车距保持的误差模型以及代价函数，设计评价器网络和执行器网络分别输出效用值函数和当前状态下所采取的加减速动作策略。
6.如权利要求5所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，评价器网络是逼近最优状态协函数λ*(s(k))(5.20)；令评价器网络为一个三层的BP神经网络，神经网络分为输入层、隐含层和输出层；该评价器的输入为状态变量s(k)，评价器网络表示为：
其中νc表示输入层到隐含层的权值，wc表示隐含层到输出层的权值，σ(·)为神经网络的激活函数，设为sigmod函数；根据表达式(5.21)，得k时刻时域差分误差表示为：
其中为状态雅阁比矩阵，可由误差模型(5.11)和(5.12)计算得到。
7.如权利要求5所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，执行器网络为一个三层的BP神经网络，分为输入层、隐含层和输出层；控制量满足以下约束条件：
∥u(k)∥≤ˉU,(5.25)
其中ˉU为所允许的最大控制量；
令该执行器的输入为状态变量s(k)，则该执行器网络表示为：
^u(k)＝-UΦ(wTaσ(νTa s(k))) (5.26)
其中νa为输入层到隐含层的权值，wa为隐含层到输出层的权值，σ(·)为BP神经网络的激活函数，Φ(·)为一个单调奇函数，并满足∥Φ(·)∥≤1且该函数的一阶导数有界；
执行器网络的训练误差为：
其中为动作雅阁比矩阵，可由误差模型(5.11)和(5.12)计算得到；
根据梯度下降方法，可得执行器网络权值的迭代更新规则为：
其中i为迭代次数，0<β≤1为学习率，和
a可由执行器网络的表达式(5.26)求得；待权值wa和νa收敛后，可根据执行器网络的表达式求得状态s(k)所对应的最优控制量^u(s(k))。
8.如权利要求1所述的基于在线增量式DHP的双车协同自适应巡航控制方法，其特征在于，纵向协同控制学习方法包括：
(1)利用所建立的车距保持误差模型、评价器网络和执行器网络，在加速度规划子模块中在线学习得到与前车保持期望距离和期望车速所应采取的期望加速度策略；
(2)利用学习得到的加速度策略，智能驾驶车辆可根据当前的误差状态产生期望加速度，纵向控制模块根据期望加速度值产生当前车辆达到该期望加速度所需要的油门和刹车来控制智能驾驶车辆不断行驶。
9.一种应用权利要求1～7任意一项所述基于在线增量式DHP的双车协同自适应巡航控制方法的汽车。
CN201810592151.9A 2018-08-20 2018-08-20 基于在线增量式dhp的双车协同自适应巡航控制方法 Active CN108791290B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810592151.9A CN108791290B (zh) 2018-08-20 2018-08-20 基于在线增量式dhp的双车协同自适应巡航控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810592151.9A CN108791290B (zh) 2018-08-20 2018-08-20 基于在线增量式dhp的双车协同自适应巡航控制方法

Publications (2)

Publication Number Publication Date
CN108791290A true CN108791290A (zh) 2018-11-13
CN108791290B CN108791290B (zh) 2020-10-20

Family

ID=64088932

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810592151.9A Active CN108791290B (zh) 2018-08-20 2018-08-20 基于在线增量式dhp的双车协同自适应巡航控制方法

Country Status (1)

Country Link
CN (1) CN108791290B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612162A (zh) * 2020-06-02 2020-09-01 中国人民解放军军事科学院国防科技创新研究院 一种强化学习方法、装置、电子设备及存储介质
CN112224214A (zh) * 2020-10-15 2021-01-15 北京航天发射技术研究所 车辆速度控制方法、装置、设备及计算机可读存储介质
CN113002542A (zh) * 2021-04-01 2021-06-22 英博超算(南京)科技有限公司 一种车辆速度自适应控制方法
CN113104035A (zh) * 2021-05-10 2021-07-13 武汉光庭信息技术股份有限公司 一种车辆控制方法、系统、电子设备及存储介质
CN113353077A (zh) * 2021-06-11 2021-09-07 中汽创智科技有限公司 车辆行驶控制方法、装置及设备
CN113391553A (zh) * 2021-06-15 2021-09-14 东北大学秦皇岛分校 具有执行器饱和的异构cacc系统的自适应最优控制方法
JP2022106261A (ja) * 2021-01-06 2022-07-19 北京科技大学 二次元平面でのインテリジェント車両隊列制御方法
CN115195730A (zh) * 2021-04-13 2022-10-18 广州汽车集团股份有限公司 一种车辆行驶控制方法、装置及控制器

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105667509A (zh) * 2015-12-30 2016-06-15 苏州安智汽车零部件有限公司 一种用于汽车自适应巡航控制系统的弯道控制系统及方法
CN106660553A (zh) * 2014-09-05 2017-05-10 三菱电机株式会社 自动行驶管理系统、服务器及自动行驶管理方法
US20170183013A1 (en) * 2015-12-25 2017-06-29 Toyota Jidosha Kabushiki Kaisha Vehicular control apparatus
CN107000745A (zh) * 2014-11-28 2017-08-01 株式会社电装 车辆的行驶控制装置以及行驶控制方法
CN107031631A (zh) * 2016-02-04 2017-08-11 株式会社斯巴鲁 车辆的行驶控制装置
US20170286826A1 (en) * 2016-03-30 2017-10-05 Nec Laboratories America, Inc. Real-time deep learning for danger prediction using heterogeneous time-series sensor data
DE102016215046A1 (de) * 2016-08-12 2018-02-15 Audi Ag Verfahren zur Unterstützung eines Fahrers bei einer Kurvenfahrt oder zur automatischen Durchführung der Kurvenfahrt
CN107867283A (zh) * 2016-09-26 2018-04-03 浙江亚太机电股份有限公司 基于预测模型的集成式fcw/acc/aeb系统及车辆
JP2018070021A (ja) * 2016-11-01 2018-05-10 トヨタ自動車株式会社 運転支援装置
US20180136332A1 (en) * 2016-11-15 2018-05-17 Wheego Electric Cars, Inc. Method and system to annotate objects and determine distances to objects in an image
CN108162967A (zh) * 2017-12-29 2018-06-15 北京航空航天大学 车辆自主跟踪方法、装置及系统
WO2018113857A1 (de) * 2016-12-21 2018-06-28 Continental Teves Ag & Co. Ohg System für ein fahrzeug

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106660553A (zh) * 2014-09-05 2017-05-10 三菱电机株式会社 自动行驶管理系统、服务器及自动行驶管理方法
CN107000745A (zh) * 2014-11-28 2017-08-01 株式会社电装 车辆的行驶控制装置以及行驶控制方法
US20170183013A1 (en) * 2015-12-25 2017-06-29 Toyota Jidosha Kabushiki Kaisha Vehicular control apparatus
CN105667509A (zh) * 2015-12-30 2016-06-15 苏州安智汽车零部件有限公司 一种用于汽车自适应巡航控制系统的弯道控制系统及方法
CN107031631A (zh) * 2016-02-04 2017-08-11 株式会社斯巴鲁 车辆的行驶控制装置
US20170286826A1 (en) * 2016-03-30 2017-10-05 Nec Laboratories America, Inc. Real-time deep learning for danger prediction using heterogeneous time-series sensor data
DE102016215046A1 (de) * 2016-08-12 2018-02-15 Audi Ag Verfahren zur Unterstützung eines Fahrers bei einer Kurvenfahrt oder zur automatischen Durchführung der Kurvenfahrt
CN107867283A (zh) * 2016-09-26 2018-04-03 浙江亚太机电股份有限公司 基于预测模型的集成式fcw/acc/aeb系统及车辆
JP2018070021A (ja) * 2016-11-01 2018-05-10 トヨタ自動車株式会社 運転支援装置
US20180136332A1 (en) * 2016-11-15 2018-05-17 Wheego Electric Cars, Inc. Method and system to annotate objects and determine distances to objects in an image
WO2018113857A1 (de) * 2016-12-21 2018-06-28 Continental Teves Ag & Co. Ohg System für ein fahrzeug
CN108162967A (zh) * 2017-12-29 2018-06-15 北京航空航天大学 车辆自主跟踪方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
汪明磊: "智能车辆自主导航中避障路径规划与跟踪控制研究", 《合肥工业大学博士学位论文》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111612162A (zh) * 2020-06-02 2020-09-01 中国人民解放军军事科学院国防科技创新研究院 一种强化学习方法、装置、电子设备及存储介质
CN112224214A (zh) * 2020-10-15 2021-01-15 北京航天发射技术研究所 车辆速度控制方法、装置、设备及计算机可读存储介质
JP2022106261A (ja) * 2021-01-06 2022-07-19 北京科技大学 二次元平面でのインテリジェント車両隊列制御方法
JP7226721B2 (ja) 2021-01-06 2023-02-21 北京科技大学 二次元平面でのインテリジェント車両隊列制御方法
CN113002542A (zh) * 2021-04-01 2021-06-22 英博超算(南京)科技有限公司 一种车辆速度自适应控制方法
CN113002542B (zh) * 2021-04-01 2022-03-15 英博超算(南京)科技有限公司 一种车辆速度自适应控制方法
CN115195730A (zh) * 2021-04-13 2022-10-18 广州汽车集团股份有限公司 一种车辆行驶控制方法、装置及控制器
CN115195730B (zh) * 2021-04-13 2024-05-17 广州汽车集团股份有限公司 一种车辆行驶控制方法、装置及控制器
CN113104035A (zh) * 2021-05-10 2021-07-13 武汉光庭信息技术股份有限公司 一种车辆控制方法、系统、电子设备及存储介质
CN113353077A (zh) * 2021-06-11 2021-09-07 中汽创智科技有限公司 车辆行驶控制方法、装置及设备
CN113391553A (zh) * 2021-06-15 2021-09-14 东北大学秦皇岛分校 具有执行器饱和的异构cacc系统的自适应最优控制方法
CN113391553B (zh) * 2021-06-15 2022-04-01 东北大学秦皇岛分校 具有执行器饱和的异构cacc系统的自适应最优控制方法

Also Published As

Publication number Publication date
CN108791290B (zh) 2020-10-20

Similar Documents

Publication Publication Date Title
CN108791290A (zh) 基于在线增量式dhp的双车协同自适应巡航控制方法
Wang et al. Lateral control of autonomous vehicles based on fuzzy logic
CN112622903B (zh) 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法
Heil et al. Adaptive and efficient lane change path planning for automated vehicles
Fan et al. Study on path following control method for automatic parking system based on LQR
CN114967676A (zh) 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法
CN112429004B (zh) 一种车辆自动换道控制方法
CN114942642A (zh) 一种无人驾驶汽车轨迹规划方法
Kebbati et al. Lateral control for autonomous wheeled vehicles: A technical review
Peicheng et al. Intelligent vehicle path tracking control based on improved MPC and hybrid PID
CN115285145A (zh) 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法
Abdullahi et al. Adaptive cruise control: A model reference adaptive control approach
Cheng et al. Planning and control for a fully-automatic parallel parking assist system in narrow parking spaces
Fu et al. Nmpc-based path tracking control strategy for autonomous vehicles with stable limit handling
CN110723207B (zh) 基于模型重构的智能汽车模型预测转向控制器及其控制方法
Li et al. A unified trajectory planning and tracking control framework for autonomous overtaking based on hierarchical mpc
Fehér et al. Proving ground test of a ddpg-based vehicle trajectory planner
Cao et al. Trajectory planning and tracking control of unmanned ground vehicle leading by motion virtual leader on expressway
Duan et al. Implementing trajectory tracking control algorithm for autonomous vehicles
Li et al. Path tracking control based on the prediction of tire state stiffness using the optimized steering sequence
CN115447615A (zh) 基于车辆运动学模型预测控制的轨迹优化方法
CN114291112A (zh) 一种应用于自动驾驶汽车的决策规划协同增强方法
Meng et al. Model predictive automatic lane change control for intelligent vehicles
Zhou Adaptive preview based control system for unmanned vehicle path tracking
Xie et al. Research on longitudinal control algorithm for intelligent automatic driving

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Xu Xin

Inventor after: Huang Zhenhua

Inventor after: Liu University

Inventor after: Yi Menglong

Inventor before: Xu Bao

Inventor before: Huang Zhenhua

Inventor before: Liu University

Inventor before: Yi Menglong