CN108803322A - 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法 - Google Patents
一种时域变权重的驾驶员-自动驾驶系统柔性接管方法 Download PDFInfo
- Publication number
- CN108803322A CN108803322A CN201810537648.0A CN201810537648A CN108803322A CN 108803322 A CN108803322 A CN 108803322A CN 201810537648 A CN201810537648 A CN 201810537648A CN 108803322 A CN108803322 A CN 108803322A
- Authority
- CN
- China
- Prior art keywords
- driver
- unit
- vehicle
- index
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种时域变权重的驾驶员‑自动驾驶系统的柔性接管方法,其通过模糊评价指标判断危险程度,然后通过时域中权重的改变,使驾驶员的意图逐渐转移到自动驾驶控制器意图上,实现自动驾驶控制器到驾驶员的平滑接管。包括以下步骤:步骤一、设计MPC自动驾驶控制器;步骤二、基于模糊规则的车辆危险程度评估:采用模糊化方法建立车辆危险指数Γ与驾驶环境危险指数和驾驶员操作危险指数的模糊规则,获得车辆危险指数Γ关于和的三维map;实时确定驾驶环境危险指数和驾驶员操作危险指数,利用所述三维map得到车辆危险指数;步骤三、驾驶员‑自动驾驶系统柔性接管。
Description
技术领域
本发明涉及一种时域变权重的驾驶员-自动驾驶系统柔性接管方法,是考虑了驾驶员-自动驾驶控制器接管过程中平滑性的一种方法,属于无人驾驶汽车领域。
背景技术
由于驾驶员操作的限制,在一些危险情况下驾驶员已经没有能力保持车辆继续安全行驶,这时就需要自动驾驶控制器进行接管。传统的接管方式往往都是以“开关方式”进行接管的,即当判断车辆有潜在的驾驶危险后,自动驾驶控制器立即接管,获得驾驶权。但是这种接管方式很难保证接管瞬间的平滑过渡,甚至可能在接管过程中造成车辆状态突变,导致车辆失稳。由此可见接管过程的平滑性对于无人驾驶汽车安全接管是至关重要的。
发明内容
为了解决现有技术存在的上述问题,本发明提供一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法,其通过模糊评价指标判断危险程度,然后通过时域中权重的改变,使驾驶员的意图逐渐转移到自动驾驶控制器意图上,实现自动驾驶控制器到驾驶员的平滑接管。
本发明得目的是通过以下技术方案实现的:
一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法,包括以下步骤:
步骤一、设计MPC自动驾驶控制器:通过车辆动力学和运动学关系模型,经过约束和优化,得到自动驾驶控制器为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵;
步骤二、基于模糊规则的车辆危险程度评估:
分别计算驾驶员操作危险指数Edriver和驾驶环境危险指数Eroad;采用模糊化方法建立车辆危险指数Γ与驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver的模糊规则,获得车辆危险指数Γ关于Eroad和Edriver的三维map;最后实时确定驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver,利用所述三维map得到车辆危险指数Γ;
步骤三、驾驶员-自动驾驶系统柔性接管:
(3.1)参数初始化:设计危险评估阈值Γth,接管持续时间Ttransmit;驾驶员权重函数WR和自动驾驶控制器权重函数WF;
(3.2)危险评估:根据模糊规则得到的车辆危险指数Γ来进行危险程度评估,判断是否触发接管;
(3.3)接管触发:当T≥Γth时,开始触发接管,记录下此时的时刻为Tt0;
(3.4)接管过程:设定接管持续时间为Ttransmit,在接管时间段内完成从驾驶员意图到自动驾驶控制器意图的平滑过渡;
(3.5)接管完成:当接管时间结束时,驾驶权已经完全转移到自动驾驶控制器,进入自动驾驶模式。
进一步地,所述步骤一设计MPC自动驾驶控制器包括以下具体步骤:
(1.1)自动驾驶控制器设计模型建立
根据动力学和运动学关系,可以得到如下表达式:
其中,β为质心侧偏角,单位,rad;v为车辆质心处的纵向速度,单位,m/s;ψ为车辆的横摆角,单位:rad;r为车辆的横摆角速度,单位,rad/s;Cf为车辆前轮轮胎的侧偏刚度,单位,N/rad;Cr为车辆后轮轮胎的侧偏刚度,单位,N/rad;m为车辆的质量,单位,kg;Iz为车辆绕z轴的转动惯量,单位,kg·m2;a为车辆质心o到车辆前轴的距离,单位,m;b为车辆质心o到车辆后轴的距离,单位,m;δf为车辆前轮转向角,单位,rad;
我们选取[yψβr]作为系统状态变量,选取前轮转角δf作为系统控制输入,得到系统状态方程如式(3)所示:
其中:
其中,x为系统的状态向量;u为系统控制量;A为系统矩阵;B为输入矩阵;
将式(3)离散化,得到离散时间的车辆系统模型:
x(k+1)=Acx(k)+Bcu(k) (4)
式中,其中Ts为采样时间;
假定预测时域为P,控制时域为N,且满足N≤P;同时假定控制时域之外的控制量保持不变,即u(k+N)=u(k+N+1)=…=u(k+P-1),可推导出P步的状态预测方程:
定义:
为自动驾驶控制器预测的输出量;
(1.2)自动驾驶控制器约束:
自动驾驶控制器约束如下:
式中,ψ(k+i)=[0 1 0 0]x(k+i),yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位,m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位,m;LF为车辆前端到质心的距离,单位,m;LR为车辆后端到质心的距离,单位,m;ω为车身的宽度;单位:m;
(1.3)优化目标函数确定:
目标函数中包含驾驶员意图项J1和自动驾驶控制器意图项J2:
最终,自动驾驶控制器整理为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵。
进一步地,所述步骤二基于模糊规则的车辆危险程度评估包括以下具体步骤:
(2.1)驾驶环境危险指数表达式:
其中,Yv表示车辆质心当前坐标;Yc表示道路中心线坐标;ER是一个大于0的确定系数;
(2.2)驾驶员操作危险指数表达式:
其中,δd表示驾驶员期望的前轮转角;δprediction表示系统预测的前轮转角,它是由上一时刻预测控制中预测得到的,ED是调节系数;
(2.3)车辆危险指数Γ关于驾驶环境危险指数和驾驶员操作危险指数的三维map:利用驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver,采用模糊化方法,获得车辆危险指数Γ关于Eroad和Edriver的三维map;
(2.4)车辆危险指数Γ的实时确定:实时确定驾驶环境危险指数和驾驶员操作危险指数,利用上述的三维map得到车辆危险指数Γ。
进一步地,所述步骤(2.3)的具体过程为:
首先将驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver分别模糊化为5个集合:S(安全),MS(较安全),M(中),MD(较危险),D(危险);利用调节参数EA将Eroad变化范围设定为[0,1],建立驾驶员操作危险指数的隶属度函数;利用调节参数EB将Edriver的变化范围设为[0,1],建立驾驶环境危险指数的隶属度函数;
同样将车辆危险指数Γ也模糊化为5个集合:S(小),MS(较小),M(中),MB(较大),B(大)。建立车辆危险指数的隶属度函数;
然后建立车辆危险指数与驾驶员操作危险指数和驾驶环境危险指数的模糊规则;
通过模糊规则与各隶属度函数确定车辆危险指数Γ关于Eroad和Edriver的三维map。
通过以上方案的实施,本发明的有益效果为:
1、对车辆行驶的危险程度做出了评估。
2、通过自动驾驶控制器对驾驶员的接管,保证了车辆的安全行驶。
3、通过时域中驾驶权重的改变,实现了平滑接管。
附图说明
图1为本发明所述的一种时域变权重的驾驶员-自动驾驶系统柔性接管方法流程图
图2为车辆模型示意图
图3为本发明简化车辆与道路关系模型示意图
图4为道路危险指数隶属度函数示意图
图5为驾驶员危险指数隶属度函数示意图
图6为车辆危险指数隶属度函数示意图
图7为车辆危险指数关于环境危险指数和驾驶员操作危险指数的三维map示意图
图8为驾驶员权重与自动驾驶控制器权重函数变化示意图
具体实施方式
以下结合附图对本发明进行详细说明:
本发明是一种时域变权重的驾驶员-自动驾驶系统柔性接管方法,方法流程图如图1所示,具体实施步骤如下:
步骤一、设计MPC(Model Predictive Control模型预测控制)自动驾驶控制器
(1)自动驾驶控制器设计模型建立
车辆模型如图2所示,根据动力学和运动学关系,可以得到如下表达式:
其中,β为质心侧偏角,单位,rad;v为车辆质心处的纵向速度,单位,m/s;ψ为车辆的横摆角,单位:rad;r为车辆的横摆角速度,单位,rad/s;Cf为车辆前轮轮胎的侧偏刚度,单位,N/rad;Cr为车辆后轮轮胎的侧偏刚度,单位,N/rad;m为车辆的质量,单位,kg;Iz为车辆绕z轴的转动惯量,单位,kg·m2;a为车辆质心o到车辆前轴的距离,单位,m;b为车辆质心o到车辆后轴的距离,单位,m;δf为车辆前轮转向角,单位,rad;
我们选取[y ψ β r]作为系统状态变量,选取前轮转角δf作为系统控制输入。于是我们可以得到系统状态方程如式(3)所示:
其中:
x=[y ψ β r]T,u=δf.
其中,x为系统的状态向量;u为系统控制量;A为系统矩阵;B为输入矩阵;
为用于MPC自动驾驶控制器设计,需将式(3)离散化,得到离散时间的车辆系统模型,如式(4)所示:
x(k+1)=Acx(k)+Bcu(k) (4)
式中,其中Ts为采样时间。
假定预测时域为P,控制时域为N,且满足N≤P。同时假定控制时域之外的控制量保持不变,即u(k+N)=u(k+N+1)=…=u(k+P-1),可推导出P步的状态预测方程,如式(5):
定义:
为自动驾驶控制器预测的输出量。
(2)自动驾驶控制器约束:
如图3所示为简化的车辆与道路的模型示意图,通过位置坐标关系,可以得到自动驾驶控制器约束如下:
式中,ψ(k+i)=[0 1 0 0]x(k+i),yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位,m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位,m。LF为车辆前端到质心的距离,单位,m;LR为车辆后端到质心的距离,单位,m。ω为车身的宽度;单位:m。
(3)优化目标函数确定:
目标函数中包含驾驶员意图项J1和自动驾驶控制器意图项J2。
最终自动驾驶控制器整理为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵。
步骤二、基于模糊规则的车辆危险程度评估
(1)驾驶环境危险指数表达式如式(9)所示:
其中,Yv表示车辆质心当前坐标;Yc表示道路中心线坐标;ER是一个大于0的确定系数。这样将车辆的位置转化为安全程度的具体表达。驾驶环境危险指数越大代表车辆距离道路边界越近,危险程度越高。
(2)驾驶员操作危险指数表达式如式(10)所示:
其中,δd表示驾驶员期望的前轮转角,δprediction表示系统预测的前轮转角,它是上一时刻预测控制中预测得到的,ED是调节系数。该指数表征了驾驶员实际操作符合系统预期操作的程度。
(3)车辆危险指数Γ关于驾驶环境危险指数和驾驶员操作危险指数的三维map:利用驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver,采用模糊化方法,获得车辆危险指数Γ关于Eroad和Edriver的三维map。
首先将驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver分别模糊化为5个集合:S(安全),MS(较安全),M(中),MD(较危险),D(危险)。如图4、图5所示,利用调节参数EA将Eroad变化范围设定为[0,1],其隶属度函数的表达式如式(11)所示;利用调节参数EB将Edriver的变化范围设为[0,1],其隶属度函数的表达式如式(12)所示:
同样将车辆危险指数Γ也模糊化为5个集合:S(小),MS(较小),M(中),MB(较大),B(大)。如图6所示,其对应的隶属度函数表达式如式(13)所示:
其中Aij、Bij、Cij(i=1,2,3;j=1,2,3,4,5)为常数。
然后进行模糊规则的建立。具体模糊规则如表1所示:
表1模糊规则
最后,通过模糊规则与上述隶属度函数确定车辆危险指数Γ关于Eroad和Edriver的三维map,如图7所示;
(4)车辆危险指数Γ的实时确定
最后实时确定驾驶环境危险指数和驾驶员操作危险指数,利用上述的三维map得到车辆危险指数Γ;
步骤三、驾驶员-自动驾驶系统柔性接管
(1)参数初始化:设计危险评估阈值Γth,接管持续时间Ttransmit。驾驶员权重和自动驾驶权重如图8所示:具体表达式如下:
驾驶员权重表达式:
自动驾驶控制器权重表达式:
(2)危险评估:
在驾驶员进行驾驶操作时,实时的利用上介绍的模糊规则来进行危险评估得到危险系数Γ,当T<Γth时,求解只有驾驶员操作的目标函数,此时完全是由驾驶员意图来进行驾驶车辆的。
(3)接管触发:
当T≥Γth时,开始触发接管,记录下此时的时刻为Tt0。
(4)接管过程:
在接管触发之后的Tt0-Ttransmit时间段内,预测窗随时间进行移动,利用预测窗内截取权重函数作为驾驶员和自动系统在MPC自动驾驶控制器中的优化目标的权重,这样就实现了从驾驶员意图平滑的过渡到自动驾驶控制器意图上。
(5)接管完成:
当预测窗移动到Ttransmit时停止移动,此时已经完全有驾驶员意图过渡到自动驾驶控制器意图,接管完成,进入自动驾驶模式。
Claims (4)
1.一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法,其特征在于,包括以下步骤:
步骤一、设计MPC自动驾驶控制器:通过车辆动力学和运动学关系模型,经过约束和优化,得到自动驾驶控制器为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵;
步骤二、基于模糊规则的车辆危险程度评估:
分别计算驾驶员操作危险指数Edriver和驾驶环境危险指数Eroad;采用模糊化方法建立车辆危险指数Γ与驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver的模糊规则,获得车辆危险指数Γ关于Eroad和Edriver的三维map;最后实时确定驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver,利用所述三维map得到车辆危险指数Γ;
步骤三、驾驶员-自动驾驶系统柔性接管:
(3.1)参数初始化:设计危险评估阈值Γth,接管持续时间Ttransmit;驾驶员权重函数WR和自动驾驶控制器权重函数WF;
(3.2)危险评估:根据模糊规则得到的车辆危险指数Γ来进行危险程度评估,判断是否触发接管;
(3.3)接管触发:当T≥Γth时,开始触发接管,记录下此时的时刻为Tt0;
(3.4)接管过程:设定接管持续时间为Ttransmit,在接管时间段内完成从驾驶员意图到自动驾驶控制器意图的平滑过渡;
(3.5)接管完成:当接管时间结束时,驾驶权已经完全转移到自动驾驶控制器,进入自动驾驶模式。
2.如权利要求1所述的一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法,其特征在于,所述步骤一设计MPC自动驾驶控制器包括以下具体步骤:
(1.1)自动驾驶控制器设计模型建立
根据动力学和运动学关系,可以得到如下表达式:
其中,β为质心侧偏角,单位,rad;v为车辆质心处的纵向速度,单位,m/s;ψ为车辆的横摆角,单位:rad;r为车辆的横摆角速度,单位,rad/s;Cf为车辆前轮轮胎的侧偏刚度,单位,N/rad;Cr为车辆后轮轮胎的侧偏刚度,单位,N/rad;m为车辆的质量,单位,kg;Iz为车辆绕z轴的转动惯量,单位,kg·m2;a为车辆质心o到车辆前轴的距离,单位,m;b为车辆质心o到车辆后轴的距离,单位,m;δf为车辆前轮转向角,单位,rad;
我们选取[y ψ β r]作为系统状态变量,选取前轮转角δf作为系统控制输入,得到系统状态方程如式(3)所示:
其中:
x=[y ψ β r]T,u=δf.
其中,x为系统的状态向量;u为系统控制量;A为系统矩阵;B为输入矩阵;
将式(3)离散化,得到离散时间的车辆系统模型:
x(k+1)=Acx(k)+Bcu(k) (4)
式中,其中Ts为采样时间;
假定预测时域为P,控制时域为N,且满足N≤P;同时假定控制时域之外的控制量保持不变,即u(k+N)=u(k+N+1)=…=u(k+P-1),可推导出P步的状态预测方程:
定义:
为自动驾驶控制器预测的输出量;
(1.2)自动驾驶控制器约束:
自动驾驶控制器约束如下:
式中,ψ(k+i)=[0 1 0 0]x(k+i),yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位,m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位,m;LF为车辆前端到质心的距离,单位,m;LR为车辆后端到质心的距离,单位,m;ω为车身的宽度;单位:m;
(1.3)优化目标函数确定:
目标函数中包含驾驶员意图项J1和自动驾驶控制器意图项J2:
最终,自动驾驶控制器整理为:
满足:x(k+i+1)=Acx(k+i)+Bcu(k+i)
式中:
Cψ=[0 1 0 0].
其中,J为优化函数的目标函数;δh为驾驶员输入的前轮转角,单位:rad;β(k+i)为k+i时刻质心侧偏角的采样值,单位:rad;ψ(k+i)为k+i时刻车辆横摆角的采样值,单位:rad;LF为车辆质心o到车辆前端点F的距离,单位:m;LR为车辆质心o到车辆后端点R的距离,单位:m;u(k)为k时刻系统控制量,单位:rad;Δu(k+i)为k+i时刻的系统控制量增量,单位:rad;x(k+i)为k+i时刻的系统状态向量;y(k+i)为k+i时刻的系统输出量;P为预测时域,N为控制时域;WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数;yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值,单位:m;yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值,单位:m;yc(k+i)为道路中心线在k+i时刻采样值,单位:m;Ts为采样时间,单位:s;τ为系统时刻,单位:s;x为系统的状态向量;A为系统矩阵;Ac为离散后的系统矩阵;B为输入矩阵;Bc为离散后的输入矩阵。
3.如权利要求1所述的一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法,其特征在于,所述步骤二基于模糊规则的车辆危险程度评估包括以下具体步骤:
(2.1)驾驶环境危险指数表达式:
其中,Yv表示车辆质心当前坐标;Yc表示道路中心线坐标;ER是一个大于0的确定系数;
(2.2)驾驶员操作危险指数表达式:
其中,δd表示驾驶员期望的前轮转角;δprediction表示系统预测的前轮转角,它是由上一时刻预测控制中预测得到的,ED是调节系数;
(2.3)车辆危险指数Γ关于驾驶环境危险指数和驾驶员操作危险指数的三维map:利用驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver,采用模糊化方法,获得车辆危险指数Γ关于Eroad和Edriver的三维map;
(2.4)车辆危险指数Γ的实时确定:实时确定驾驶环境危险指数和驾驶员操作危险指数,利用上述的三维map得到车辆危险指数Γ。
4.如权利要求3所述的一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法,其特征在于,所述步骤(2.3)的具体过程为:
首先将驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver分别模糊化为5个集合:S(安全),MS(较安全),M(中),MD(较危险),D(危险);利用调节参数EA将Eroad变化范围设定为[0,1],建立驾驶员操作危险指数的隶属度函数;利用调节参数EB将Edriver的变化范围设为[0,1],建立驾驶环境危险指数的隶属度函数;
同样将车辆危险指数Γ也模糊化为5个集合:S(小),MS(较小),M(中),MB(较大),B(大)。建立车辆危险指数的隶属度函数;
然后建立车辆危险指数与驾驶员操作危险指数和驾驶环境危险指数的模糊规则;
通过模糊规则与各隶属度函数确定车辆危险指数Γ关于Eroad和Edriver的三维map。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810537648.0A CN108803322B (zh) | 2018-05-30 | 2018-05-30 | 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810537648.0A CN108803322B (zh) | 2018-05-30 | 2018-05-30 | 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108803322A true CN108803322A (zh) | 2018-11-13 |
CN108803322B CN108803322B (zh) | 2021-11-30 |
Family
ID=64089383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810537648.0A Active CN108803322B (zh) | 2018-05-30 | 2018-05-30 | 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108803322B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435466A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及系统 |
CN112435464A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103863364A (zh) * | 2014-03-27 | 2014-06-18 | 北京清软英泰信息技术有限公司 | 一种基于调度信号的货运机车自动操纵实时优化控制系统 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN107856737A (zh) * | 2017-11-06 | 2018-03-30 | 吉林大学 | 一种基于危险程度变权重的人机协同转向控制方法 |
CN108025742A (zh) * | 2016-07-14 | 2018-05-11 | 百度(美国)有限责任公司 | 使用电极的自动驾驶车辆人类驾驶员接管机制 |
-
2018
- 2018-05-30 CN CN201810537648.0A patent/CN108803322B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103863364A (zh) * | 2014-03-27 | 2014-06-18 | 北京清软英泰信息技术有限公司 | 一种基于调度信号的货运机车自动操纵实时优化控制系统 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN108025742A (zh) * | 2016-07-14 | 2018-05-11 | 百度(美国)有限责任公司 | 使用电极的自动驾驶车辆人类驾驶员接管机制 |
CN107856737A (zh) * | 2017-11-06 | 2018-03-30 | 吉林大学 | 一种基于危险程度变权重的人机协同转向控制方法 |
Non-Patent Citations (3)
Title |
---|
HONGYAN GUO 等: "Hazard-evaluation-oriented Moving Horizon Parallel Steering Control for Driver-Automation Collaboration During Automated Driving", 《IEEE/CAA JOURNAL OF AUTOMATICA SINICA》 * |
陈虹 等: "基于驾驶状态预测的人机力矩协同转向控制器设计", 《控制与决策》 * |
鲁光泉 等: "自动驾驶中视觉次任务对年轻驾驶人接管时间的影响", 《中国公路学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435466A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及系统 |
CN112435464A (zh) * | 2020-10-23 | 2021-03-02 | 江苏大学 | 一种基于q强化学习的高速路主线行驶车辆的接管时间预测系统及预测方法 |
CN112435466B (zh) * | 2020-10-23 | 2022-03-22 | 江苏大学 | 混合交通流环境下cacc车辆退变为传统车的接管时间预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108803322B (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107856737B (zh) | 一种基于危险程度变权重的人机协同转向控制方法 | |
CN106671982B (zh) | 基于多智能体的无人驾驶电动汽车自动超车系统及方法 | |
Sentouh et al. | A sensorimotor driver model for steering control | |
CN103754221B (zh) | 一种车辆自适应巡航控制系统 | |
CN104176054B (zh) | 一种汽车主动防碰撞自动换道控制系统及其工作方法 | |
CN110356404A (zh) | 一种具有自主换道功能并提高侧向安全性的智能驾驶系统 | |
CN111016893B (zh) | 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法 | |
Dahmani et al. | Observer-based robust control of vehicle dynamics for rollover mitigation in critical situations | |
Cai et al. | Implementation and development of a trajectory tracking control system for intelligent vehicle | |
WO2021073079A1 (zh) | 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 | |
Attia et al. | Coupled longitudinal and lateral control strategy improving lateral stability for autonomous vehicle | |
CN108569336A (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN110091868A (zh) | 一种人机协同控制的纵向避撞方法及其系统、智能汽车 | |
CN107885932A (zh) | 一种考虑人机和谐的汽车紧急避撞分层式控制方法 | |
CN106314430B (zh) | 一种应用于智能汽车的纵向主动安全防撞系统及其方法 | |
CN107380162B (zh) | 基于功能分配与多目标模糊决策的协同避撞方法 | |
CN109991974A (zh) | 自动驾驶路径跟随方法、装置及控制设备 | |
CN113104048B (zh) | 一种考虑车内乘员晕动的车辆控制系统与方法 | |
CN109291932A (zh) | 基于反馈的电动汽车横摆稳定性实时控制装置及方法 | |
CN107832517A (zh) | 基于相对运动关系的acc纵向运动学建模方法 | |
CN113009829B (zh) | 一种智能网联车队纵横向耦合控制方法 | |
Yu et al. | Design of an acceleration redistribution cooperative strategy for collision avoidance system based on dynamic weighted multi-objective model predictive controller | |
CN108803322A (zh) | 一种时域变权重的驾驶员-自动驾驶系统柔性接管方法 | |
CN105644566B (zh) | 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法 | |
CN112109705A (zh) | 增程式分布驱动电动车辆避撞优化控制系统及控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |