CN109405846A - 一种自适应调整前视距离与延迟参数的路径追踪方法 - Google Patents
一种自适应调整前视距离与延迟参数的路径追踪方法 Download PDFInfo
- Publication number
- CN109405846A CN109405846A CN201811168540.5A CN201811168540A CN109405846A CN 109405846 A CN109405846 A CN 109405846A CN 201811168540 A CN201811168540 A CN 201811168540A CN 109405846 A CN109405846 A CN 109405846A
- Authority
- CN
- China
- Prior art keywords
- forward sight
- calculated
- neural network
- sight distance
- delay time
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自适应调整前视距离与延迟参数的路径追踪方法,利用神经网络获取纯追踪算法中的前视距离参数以及利用神经网络获取延迟时间以算出这段时间内的航向角变化,以矫正期望转向角。具体包括以下步骤:(1)计算车辆当前运行的各项参数;(2)建立起一个BP神经网络模型,并进行神经网络的训练;(3)将车辆位置参数输入训练后的神经网络,得到前视距离和延迟时间,使用纯追踪算法计算出期望转向角并利用延迟时间进行纠正。本发明使用神经网络来动态确定前视距离和延迟时间,来获取更精确的期望转向角,能有效减小各种运行参数下尤其是高速运行中横向误差偏大的问题。
Description
技术领域
本发明涉及使用纯追踪算法进行路径追踪的车辆的领域,特别是涉及基于神经网络的自适应调整前视距离与延迟参数的路径追踪算法。
背景技术
在车辆自动驾驶的路径追踪算法中,纯追踪算法是一种经典且有效的算法,而整个算法中唯一的不确定量即前视距离,故确定前视距离这个参数一直是研究的重点;同时在实际运行中,车辆产生转向控制信号和实际执行存在一定的延迟时间,故确定这个延迟时间并求出该时间内的运行角度变化并加以修正期望转向角是提高纯追踪算法精度的一种办法。
目前针对纯追踪算法的前视距离的确定主要有以下的不足:1、若全程采用一个定值前视距离,没有更具实际车辆情况的变化而做出变化,若采用较小的前视距离使得车辆沿着较大曲率的行驶路径驶向期望路径,控制响应较短但会产生较大的振荡,且过小的前视距离会导致无法收敛。而较大的前视距离使得车辆沿着较小曲率的行驶路径驶向期望路径,会产生较小的振荡但控制响应较长。因此若采用定值的前视距离会有适应性差的缺点。2、若采用模糊PID控制对前视距离动态调整,能够根据当前车辆的运行参数动态调整前视距离的大小,这种办法的缺点是参数的变化收到人的主观性决定,导航精度的稳定性差。
同时,目前针对延迟时间的研究存在延迟时间一般全程采用一个固定值,例如0.3倍的采样周期,这样的方法在大质量车辆高速运行时的效果有限。
发明内容
发明目的:本发明提出了一种可提高追踪精度的自适应调整前视距离与延迟参数的路径追踪方法。
技术方案:本发明所述的一种自适应调整前视距离与延迟参数的路径追踪方法,包括以下步骤:
(1)计算车辆当前运行的各项参数;
(2)建立BP神经网络模型,并进行神经网络的训练;
(3)将车辆位置参数输入训练后的神经网络,得到前视距离和延迟时间,使用纯追踪算法计算出期望转向角并利用延迟时间计算该时间内的航向角变化并修正期望转向角。
步骤(1)所述各项参数主要包括车辆速度、横向误差、航向误差。
所述步骤(1)包括以下步骤:
(11)将第一个参考点的经度纬度作为坐标转换矩阵的参数:
其中,λ0、L0分别为第一个参考点的经度和纬度;
(12)计算当前点在ECEF坐标系下的坐标值:
e=fWGS84(2-fWGS84) (2)
其中,fWGS84为WGS84标准中地球的偏心率;RWGS84为WGS84标准中地球的长轴半径,λ为当前点的经度,L为当前纬度,h为当前点的高度;
(13)计算当前点在导航坐标系下的值:
其中,[xECEF0 yECEF0 zECEF0]T为第一个点在ECEF坐标系下的值;
(14)计算横向误差,即当前点到预设路径的距离,定义在参考路径前进方向右侧为正:
其中,A、B、C为预设路径所在直线在n系中的参数;
(15)计算车辆当前点的航向误差:
θe=θd-θc (7)
其中,θd为预设路径的角度。
所述步骤(2)包括以下步骤:
(21)确定BP神经网络模型:输入层有三个节点,有一个隐含层,输出层两个节点,隐含层的节点数由下式决定:
其中,l为隐含层节点数,m为输出层节点数,n为输入层节点数,a为0~10 之间的常数;
(22)通过下式计算隐含层的输出:
其中,ωij为隐含层的权值,i可以取1,2,3,j可以取1,2…5,xi为输入参数,分别为:x1为车辆速度,x2为横向误差,x3为航向误差,αj为隐含层的阈值,f(x)为激励函数,为:
(23)通过下式计算输出层输出:
其中,δjk为输出层权值,j可以取1,2…5,k可以取1,2,βk为输出层阈值,Ok为输出参数,分别为O1为延迟时间td,O2为前视距离Lsd;
(24)根据网络的期望输出和实际输出计算误差:
ek=Yk-Ok (12)
其中,Yk为该节点的期望输出;
(25)根据网络的误差ek,计算并更新个网络的权值
其中,η为学习速率,p当前学习样本的序号。
所述步骤(3)包括以下步骤:
(31)利用步骤(2)训练出的神经网络,得到延迟时间和前视距离
[td Lsd]T=network([v dXTE θe]T) (15)
其中,network(x)为S2的神经网络;
(32)计算当前转弯半径:
(33)计算没有延迟时间的期望转向角度:
其中,Lw为车辆宽度;
(34)计算在延迟时间内,车辆的航向角变化:
(35)计算带延迟时间的期望转向角度:
θw′=θw+θctp。 (19)
步骤(21)所述的神经网络模型输入层有三个节点,有一个隐含层包含五个节点,输出层两个节点。
有益效果:与现有技术相比,本发明的有益效果:使用神经网络可以通过训练,自主的将横向误差,航向误差,速度等车辆运行的参数与前视距离和延迟时间进行结合,通过神经网络能够动态自主的确定一个最佳的前视距离和延迟时间,大大提高追踪精度且脱离人的主观性的影响。
附图说明:
图1为本发明的流程图;
图2为本发明的神经网络结构图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
如图1所示,本发明所述的一种自适应调整前视距离与延迟参数的路径追踪方法,包括以下步骤:
1、计算车辆当前运行的各项参数。
将获取的经、纬、高的数值转换成导航坐标系的值,导航坐标系n系采用东北天地理坐标系,并将第一个点作为导航坐标系的坐标原点。具体包括以下过程:
(1)将第一个参考点的经度纬度作为坐标转换矩阵的参数:
其中,λ0、L0分别为第一个参考点的经度和纬度;
(2)计算当前点在ECEF坐标系下的坐标值:
e=fWGS84(2-fWGS84) (2)
其中,fWGS84为WGS84标准中地球的偏心率;RWGS84为WGS84标准中地球的长轴半径,λ为当前点的经度,L为当前纬度,h为当前点的高度;
(3)计算当前点在导航坐标系下的值:
其中,[xECEF0 yECEF0 zECEF0]T为第一个点在ECEF坐标系下的值;
(4)计算横向误差,即当前点到预设路径的距离,定义在参考路径前进方向右侧为正:
其中,A、B、C为预设路径所在直线在n系中的参数;
(5)计算车辆当前点的航向误差:
θe=θd-θc (7)
其中,θd为预设路径的角度。
2、建立起一个BP神经网络模型,并进行神经网络的训练,将步骤(1)的必要参数输入进一个BP神经网络进行训练,具体包括以下过程:
(1)确定BP神经网络模型,该神经网络的输入层有三个节点,有一个隐含层,输出层两个节点,隐含层的节点数一般由式(8)决定:
其中,l为隐含层节点数,m为输出层节点数,n为输入层节点数,a为0~10 之间的我常数。
最终确定神经网络为一个3-5-2模型,如图2所示,即输入层有三个节点,有一个隐含层包含五个节点,输出层两个节点。
(2)通过式(9)计算隐含层的输出:
其中,ωij为隐含层的权值,i可以取1,2,3,j可以取1,2…5,xi为输入参数,分别为:x1为车辆速度,x2为横向误差,x3为航向误差,αj为隐含层的阈值,f(x)为激励函数,为:
(3)通过式(11)计算输出层输出:
其中,δjk为输出层权值,j可以取1,2…5,k可以取1,2,βk为输出层阈值,Ok为输出参数,分别为:O1为延迟时间td,O2为前视距离Lsd。
(4)根据网络的期望输出和实际输出计算误差
ek=Yk-Ok (12)
其中,Yk为该节点的期望输出。
(5)根据网络的误差ek,计算并更新个网络的权值
其中,η为学习速率,p当前学习样本的序号。
3、将车辆速度、横向误差、航向误差输入进步骤(2)所训练的神经网络,得到前视距离和延迟时间,利用得到的前视距离计算不带延迟矫正的期望转向角,利用延迟时间计算需矫正的航向角,并用来纠正不不带延迟矫正的期望转向角,最终得到带延迟纠正的期望转向角。具体包括以下过程:
(1)利用步骤(2)训练出的神经网络,得到延迟时间和前视距离
[td Lsd]T=g([v dXTE θe]T) (15)
其中,g(x)为S2的神经网络。
(2)计算当前转弯半径:
(3)计算没有延迟时间的期望转向角度:
其中,Lw为车辆宽度。
(4)计算在延迟时间内,车辆的航向角变化:
(5)计算带延迟时间的期望转向角度:
θw'=θw+θctp。 (19)。
Claims (6)
1.一种自适应调整前视距离与延迟参数的路径追踪方法,其特征在于,包括以下步骤:
(1)计算车辆当前运行的各项参数;
(2)建立BP神经网络模型,并进行神经网络的训练;
(3)将车辆位置参数输入训练后的神经网络,得到前视距离和延迟时间,使用纯追踪算法计算出期望转向角并利用延迟时间计算该时间内的航向角变化并修正期望转向角。
2.根据权利要求1所述的一种自适应调整前视距离与延迟参数的路径追踪方法,其特征在于,步骤(1)所述各项参数主要包括车辆速度、横向误差、航向误差。
3.根据权利要求1所述的一种自适应调整前视距离与延迟参数的路径追踪方法,其特征在于,所述步骤(1)包括以下步骤:
(11)将第一个参考点的经度纬度作为坐标转换矩阵的参数:
其中,λ0、L0分别为第一个参考点的经度和纬度;
(12)计算当前点在ECEF坐标系下的坐标值:
e=fWGS84(2-fWGS84) (2)
其中,fWGS84为WGS84标准中地球的偏心率;RWGS84为WGS84标准中地球的长轴半径,λ为当前点的经度,L为当前纬度,h为当前点的高度;
(13)计算当前点在导航坐标系下的值:
其中,[xECEF0 yECEF0 zECEF0]T为第一个点在ECEF坐标系下的值;
(14)计算横向误差,即当前点到预设路径的距离,定义在参考路径前进方向右侧为正:
其中,A、B、C为预设路径所在直线在n系中的参数;
(15)计算车辆当前点的航向误差:
θe=θd-θc (7)
其中,θd为预设路径的角度。
4.根据权利要求1所述的一种自适应调整前视距离与延迟参数的路径追踪方法,其特征在于,所述步骤(2)包括以下步骤:
(21)确定BP神经网络模型:输入层有三个节点,有一个隐含层,输出层两个节点,隐含层的节点数由下式决定:
其中,l为隐含层节点数,m为输出层节点数,n为输入层节点数,a为0~10之间的常数;
(22)通过下式计算隐含层的输出:
其中,ωij为隐含层的权值,i可以取1,2,3,j可以取1,2…5,xi为输入参数,分别为:x1为车辆速度,x2为横向误差,x3为航向误差,αj为隐含层的阈值,f(x)为激励函数,为:
(23)通过下式计算输出层输出:
其中,δjk为输出层权值,j可以取1,2…5,k可以取1,2,βk为输出层阈值,Ok为输出参数,分别为O1为延迟时间td,O2为前视距离Lsd;
(24)根据网络的期望输出和实际输出计算误差:
ek=Yk-Ok (12)
其中,Yk为该节点的期望输出;
(25)根据网络的误差ek,计算并更新个网络的权值
其中,η为学习速率,p当前学习样本的序号。
5.根据权利要求1所述的一种自适应调整前视距离与延迟参数的路径追踪方法,其特征在于,所述步骤(3)包括以下步骤:
(31)利用步骤(2)训练出的神经网络,得到延迟时间和前视距离
[td Lsd]T=network([v dXTE θe]T) (15)
其中,network(x)为S2的神经网络;
(32)计算当前转弯半径:
(33)计算没有延迟时间的期望转向角度:
其中,Lw为车辆宽度;
(34)计算在延迟时间内,车辆的航向角变化:
(35)计算带延迟时间的期望转向角度:
θ′w=θw+θctp。 (19)。
6.根据权利要求4所述的一种自适应调整前视距离与延迟参数的路径追踪方法,其特征在于,步骤(21)所述的神经网络模型输入层有三个节点,有一个隐含层包含五个节点,输出层两个节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168540.5A CN109405846B (zh) | 2018-10-08 | 2018-10-08 | 一种自适应调整前视距离与延迟参数的路径追踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168540.5A CN109405846B (zh) | 2018-10-08 | 2018-10-08 | 一种自适应调整前视距离与延迟参数的路径追踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109405846A true CN109405846A (zh) | 2019-03-01 |
CN109405846B CN109405846B (zh) | 2021-02-26 |
Family
ID=65466082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811168540.5A Active CN109405846B (zh) | 2018-10-08 | 2018-10-08 | 一种自适应调整前视距离与延迟参数的路径追踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109405846B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262506A (zh) * | 2019-07-02 | 2019-09-20 | 华人运通(上海)自动驾驶科技有限公司 | 预瞄点的确认方法、车辆行驶控制方法、装置及设备 |
CN110481635A (zh) * | 2019-08-13 | 2019-11-22 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
CN110689779A (zh) * | 2019-09-03 | 2020-01-14 | 福建百信信息技术有限公司 | 一种vr学车抗眩晕的方法及系统 |
CN111176284A (zh) * | 2020-01-02 | 2020-05-19 | 东南大学 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
CN114137971A (zh) * | 2021-11-25 | 2022-03-04 | 北京轻舟智航科技有限公司 | 一种转向系统延迟的离线辨识方法 |
GB2602478A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Motor control in an electric power steering |
GB2602477A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Automotive vehicle control circuit |
GB2604321A (en) * | 2020-12-31 | 2022-09-07 | Zf Automotive Uk Ltd | Steer |
CN115035396A (zh) * | 2022-08-09 | 2022-09-09 | 北京东方通网信科技有限公司 | 一种机器人视距路径确定方法和装置 |
CN115675637A (zh) * | 2022-12-28 | 2023-02-03 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040217883A1 (en) * | 2003-03-31 | 2004-11-04 | Judge John H. | Technical design concepts to improve helicopter obstacle avoidance and operations in "brownout" conditions |
CN101078935A (zh) * | 2007-06-28 | 2007-11-28 | 华南农业大学 | 基于神经网络的农业机械路径跟踪控制方法 |
CN101966846A (zh) * | 2009-05-08 | 2011-02-09 | 通用汽车环球科技运作公司 | 通过物体检测优化的检测车辆行驶的畅通路径的方法 |
CN103940446A (zh) * | 2014-04-10 | 2014-07-23 | 哈尔滨工程大学 | 一种基于横坐标系的极区航行船舶捷联惯性导航系统重调方法 |
CN103942398A (zh) * | 2014-05-05 | 2014-07-23 | 江苏物联网研究发展中心 | 基于遗传算法及广义回归神经网络的交通仿真校正方法 |
US20170169705A1 (en) * | 2015-12-15 | 2017-06-15 | Nissan North America, Inc. | Traffic signal timing estimation using an artificial neural network model |
CN108137006A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的系统延迟校正控制方法 |
-
2018
- 2018-10-08 CN CN201811168540.5A patent/CN109405846B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040217883A1 (en) * | 2003-03-31 | 2004-11-04 | Judge John H. | Technical design concepts to improve helicopter obstacle avoidance and operations in "brownout" conditions |
CN101078935A (zh) * | 2007-06-28 | 2007-11-28 | 华南农业大学 | 基于神经网络的农业机械路径跟踪控制方法 |
CN101966846A (zh) * | 2009-05-08 | 2011-02-09 | 通用汽车环球科技运作公司 | 通过物体检测优化的检测车辆行驶的畅通路径的方法 |
CN103940446A (zh) * | 2014-04-10 | 2014-07-23 | 哈尔滨工程大学 | 一种基于横坐标系的极区航行船舶捷联惯性导航系统重调方法 |
CN103942398A (zh) * | 2014-05-05 | 2014-07-23 | 江苏物联网研究发展中心 | 基于遗传算法及广义回归神经网络的交通仿真校正方法 |
US20170169705A1 (en) * | 2015-12-15 | 2017-06-15 | Nissan North America, Inc. | Traffic signal timing estimation using an artificial neural network model |
CN108137006A (zh) * | 2016-09-28 | 2018-06-08 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的系统延迟校正控制方法 |
Non-Patent Citations (4)
Title |
---|
刘进一: "基于速度自适应的拖拉机自动导航控制系统研究", 《中国博士学位论文全文数据库 农业科技辑》 * |
卓金武 等: "《MATLAB在数学建模中的应用》", 30 April 2011, 北京航空航天大学出版社 * |
赵建辉 等: "基于时间延迟动态预测的自动驾驶控制", 《清华大学学报(自然科学版)》 * |
韩明 等: "《数学建模案例》", 30 June 2012, 同济大学出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262506A (zh) * | 2019-07-02 | 2019-09-20 | 华人运通(上海)自动驾驶科技有限公司 | 预瞄点的确认方法、车辆行驶控制方法、装置及设备 |
CN110481635A (zh) * | 2019-08-13 | 2019-11-22 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
CN110481635B (zh) * | 2019-08-13 | 2021-12-10 | 中山大学 | 基于卷积神经网络和传统几何控制器的拟人化转向系统及其方法 |
CN110689779A (zh) * | 2019-09-03 | 2020-01-14 | 福建百信信息技术有限公司 | 一种vr学车抗眩晕的方法及系统 |
CN111176284A (zh) * | 2020-01-02 | 2020-05-19 | 东南大学 | 一种用于无人驾驶的车辆路径追踪自适应控制方法和系统 |
GB2602478A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Motor control in an electric power steering |
GB2602477A (en) * | 2020-12-31 | 2022-07-06 | Zf Automotive Uk Ltd | Automotive vehicle control circuit |
GB2604321A (en) * | 2020-12-31 | 2022-09-07 | Zf Automotive Uk Ltd | Steer |
CN114137971A (zh) * | 2021-11-25 | 2022-03-04 | 北京轻舟智航科技有限公司 | 一种转向系统延迟的离线辨识方法 |
CN114137971B (zh) * | 2021-11-25 | 2023-06-09 | 北京轻舟智航科技有限公司 | 一种转向系统延迟的离线辨识方法 |
CN115035396A (zh) * | 2022-08-09 | 2022-09-09 | 北京东方通网信科技有限公司 | 一种机器人视距路径确定方法和装置 |
CN115675637A (zh) * | 2022-12-28 | 2023-02-03 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109405846B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109405846A (zh) | 一种自适应调整前视距离与延迟参数的路径追踪方法 | |
EP4068039A1 (en) | Method and apparatus for controlling lateral motion of self-driving vehicle, and self-driving vehicle | |
CN108725585B (zh) | 车辆自主泊车的轨迹跟踪控制方法及装置 | |
CN105936294B (zh) | 车辆的行驶控制装置 | |
CN111016891B (zh) | 一种车辆行驶的路线跟踪控制方法及装置 | |
CN104615144B (zh) | 基于目标规划的高超声速飞行器再入轨迹在线优化方法 | |
CN108609014A (zh) | 智能车辆的横向控制方法及装置 | |
CN110502009A (zh) | 基于航向预估的无人驾驶车辆路径跟踪控制方法 | |
CN109358621B (zh) | 自动驾驶汽车轨迹跟踪控制方法 | |
CN108279563B (zh) | 一种速度自适应的无人车轨迹跟踪pid控制方法 | |
CN109017793A (zh) | 基于前后轴融合参考的自主招车导航及控制方法 | |
CN106476883A (zh) | 车辆的行驶控制装置 | |
CN111681452A (zh) | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 | |
CN106004857A (zh) | 车辆的驾驶辅助系统 | |
CN108001447A (zh) | 一种智能车辆路径跟踪前轮转角补偿控制方法 | |
CN108646743A (zh) | 用于移动载具的路径跟踪方法 | |
CN108045435B (zh) | 一种路面自适应的智能车辆横向混合控制方法 | |
JP2008143269A (ja) | 車両用制御装置 | |
CN111158379B (zh) | 一种方向盘零偏自学习的无人车轨迹跟踪方法 | |
CN108710294A (zh) | 一种无人车路径跟踪前馈控制方法 | |
CN117572476B (zh) | 一种基于行驶轨迹的自动驾驶车辆定位调整方法及装置 | |
CN113844535B (zh) | 基于方向盘转矩的主动转向控制方法 | |
CN104908638B (zh) | 一种控制车辆的前大灯的方法和装置 | |
CN113325849A (zh) | 一种针对高地隙植保机的运动控制方法 | |
JP2012206606A (ja) | 車両運動制御装置及びプログラム |
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 |