CN109407677A - 自动驾驶车辆的轨迹跟踪方法 - Google Patents
自动驾驶车辆的轨迹跟踪方法 Download PDFInfo
- Publication number
- CN109407677A CN109407677A CN201811585050.5A CN201811585050A CN109407677A CN 109407677 A CN109407677 A CN 109407677A CN 201811585050 A CN201811585050 A CN 201811585050A CN 109407677 A CN109407677 A CN 109407677A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- automatic driving
- formula
- driving vehicle
- loop control
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011217 control strategy Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000017105 transposition Effects 0.000 claims description 9
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 230000009897 systematic effect Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 3
- 239000013643 reference control Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0255—Control of position or course in two dimensions specially adapted to land vehicles using acoustic signals, e.g. ultra-sonic singals
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Acoustics & Sound (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种自动驾驶车辆的轨迹跟踪方法,该方法包括:S1,确定参考轨迹及建立车辆单轨动力学模型、跟踪误差性能指标计算模型、轨迹跟踪控制模式;S2,在参考轨迹上选择与实时的车辆位置和航向角的偏差加权最小的最近参考点;S3,基于车辆单轨动力学模型,利用闭环控制策略预测在未来时域内的车辆状态;S4,基于车辆单轨动力学模型,利用开环控制策略预测在未来时域内的车辆状态;S5,计算S3和S4的车辆状态各自对应的跟踪误差性能指标,选择跟踪误差性能指标小对应的轨迹跟踪控制模式作为车辆的控制模式输出。本发明提出的轨迹跟踪方法基于组合导航或SLAM高精度定位,适用于多种轨迹、多种车型和全工况(极限和非极限工况)的轨迹跟踪。
Description
技术领域
本发明涉及一种智能车安全驾驶技术领域,特别是关于一种自动驾驶车辆的轨迹跟踪方法。
背景技术
随着我国汽车工业的进步和汽车保有量的增加,由此带来的交通事故日益严重。究其原因,是因为人类驾驶员的违法行驶和操作不当导致。自动驾驶车辆可以显著减少交通事故、缓解交通拥堵,近年来受到广泛研究。轨迹跟踪方法是自动驾驶车辆的关键技术之一,其作用是通过车辆的执行结构(如方向盘、制动踏板等)跟踪期望的行驶轨迹。在自动驾驶过程中,轨迹跟踪的准确率将会直接影响车辆的行驶轨迹,继而影响自动驾驶系统的整体性能和行车安全。如何通过技术手段提高轨迹跟踪的准确率,覆盖车辆在不同场景下的性能指标要求,是一个亟待解决的问题。
申请号是201110261083.6的专利文献公开了一种基于预瞄的轨迹跟踪方法,该方法是根据预瞄点与参考轨迹之间的航向偏差和位置偏差控制车辆的横向执行机构。申请号是201710313031.5的专利申请公开了一种基于模型预测算法的轨迹跟踪方法,该方法采用了线性化的车辆动力学模型,通过求解一个最优控制问题计算横向执行器的控制量。申请号是201110407082.8的专利文献公开了一种预瞄和比例-积分-微分相结合的轨迹跟踪方法,该方法基于当前车速设计预瞄点距离,在根据预瞄点的位置设计出车辆运动曲率和前轮转角控制量。
上述技术对于自动驾驶车辆轨迹跟踪的准确率有积极作用,但其仅适用于车辆的常规驾驶工况。当车辆的附着力到达饱和,存在严重侧滑时,无法满足轨迹跟踪的要求。上述技术中涉及到的车辆模型无法反映车辆在极限工况下的动力学特性。而高阶、更为复杂的动力学模型参数繁多,难以在实际工况下测量,计算实时性难以保证。因此,目前技术无法满足车辆在全场景中的轨迹跟踪要求。
因此,希望有一种技术方案来克服或至少减轻现有技术的至少一个上述缺陷。
发明内容
本发明的目的在于提供一种自动驾驶车辆的轨迹跟踪方法来克服或至少减轻现有技术的中的至少一个上述缺陷。
为实现上述目的,本发明提供一种自动驾驶车辆的轨迹跟踪方法,自动驾驶车辆的轨迹跟踪方法包括以下步骤:S1,确定参考轨迹以及建立车辆单轨动力学模型、跟踪误差性能指标计算模型以及轨迹跟踪控制模式,该轨迹跟踪控制模式包括闭环控制策略和开环控制策略;S2,在S1中的参考轨迹上选择与实时的车辆位置和航向角的偏差加权最小的最近参考点;S3,基于S1 中的车辆单轨动力学模型,利用闭环控制策略预测在未来时域内的车辆状态; S4,基于S1所建立的车辆单轨动力学模型,利用开环控制策略预测在未来时域内的车辆状态;S5,根据S1中的跟踪误差性能指标计算模型,计算S3和 S4的车辆状态各自对应的跟踪误差性能指标,并选择其中跟踪误差性能指标小对应的轨迹跟踪控制模式作为车辆的控制模式,并输出。
进一步地,S1中的车辆单轨动力学模型表示为下面式(1)~式(6),系统状态向量表示为z=[Ux,Uy,r,X,Y,ψ]T,系统控制向量表示为
其中,X为自动驾驶车辆1在大地坐标系的纵向位置;为X的一阶导数; Y为自动驾驶车辆1在大地坐标系的横向位置;为Y的一阶导数;ψ为自动驾驶车辆1在大地坐标系的航向角;Ux为自动驾驶车辆1在车辆坐标系下的纵向速度;为Ux的一阶导数;Uy为自动驾驶车辆1在车辆坐标系下的横向速度;为Uy的一阶导数;m为自动驾驶车辆1的质量;r为自动驾驶车辆1在车辆坐标系下的横摆角速度;为r的一阶导数;δ为自动驾驶车辆1的前轮转角控制量;Iz为自动驾驶车辆1沿z轴的转动惯量;Mz为自动驾驶车辆1沿z轴的力矩;为自动驾驶车辆1的后轮驱动力控制量;Fx为自动驾驶车辆1所行驶的路面对轮胎施加的纵向力;Fy为自动驾驶车辆1所行驶的路面对轮胎施加的横向力;FyF为自动驾驶车辆1所行驶的路面对前轮施加的横向力;FyR为自动驾驶车辆1所行驶的路面对前轮施加的横向力;a和b为自动驾驶车辆1 的质心距前轴中点和后轴中点的距离;T表示转置。
进一步地,S1中的闭环控制策略的获取方法具体包括以下步骤:
S11,根据车辆单轨动力学模型,沿参考轨将非线性的车辆单轨动力学模型进行线性化,得到偏差系统的动力学方程ferror,其动力学方程表示为式(7):
式(7)中,Δz为系统状态偏差向量;Δu为系统控制量偏差;A为系统状态矩阵;B为系统控制矩阵;A和B表示为:
S12,根据S11得到的动力学方程ferror以及A和B,基于式(8)表示的二次型性能指标J,获得S1中的式(9)表示的闭环控制策略:
ucl(i)=uref(i)+Δu(i) (9)
式(8)中,J为性能指标;t为系统时间;ΔzT为系统状态偏差向量的转置;ΔuT为系统控制量偏差的转置;Q为跟踪误差的权重矩阵;R为系统控制量的权重矩阵;
式(9)中,ucl(i)为i时刻的闭环控制量;uref(i)为i时刻的参考控制量;Δu(i)为i时刻的反馈控制量;i为时刻。
进一步地,S3中所预测在未来时域内的车辆状态表示为式(10)和式(11):
式(10)中,为采用闭环控制策略下第i个预测步长下的系统状态向量;为采用闭环控制策略下第i+1个预测步长下的系统状态向量;Ts为预测步长;为闭环控制率下的系统状态演化;N为总预测步数,i为第i个预测步长,k为最近参考点的编号;
式(11)中,ucl(i)为第i个预测步长的闭环控制量;uref(i+k)为第i+k个参考点的控制量;KLQ(i+k)为闭环控制中的反馈控制率;zref(i+k)为第i+k 个参考点的状态量。
进一步地,S1中的开环控制策略采用最近参考点的控制量,其表示为式 (12):
uol(i)=uref(i+k) (12)
式(12)中,uol(i)为第i个预测步长的开环控制量;uref(i+k)为第i+k 个参考点的控制量。
进一步地,S4中所预测在未来时域内的车辆状态表示为式(12)和式(13):
uol(i)=uref(i+k) (12)
式(13)中,为采用开环控制策略下第i个预测步长下的系统状态向量;为采用开环控制策略下第i+1个预测步长下的系统状态向量; Ts为预测步长;为开环控制率下的系统状态演化。
进一步地,S1中的跟踪误差性能指标计算模型表示为式(14):
式(14)中,Jmode为某一轨迹跟踪控制模式下的性能指标;某一轨迹跟踪控制模式下所预测的在未来时域内的车辆状态;zref(i+k)为第 i+k个参考点的状态量;n为预测步数表示每个状态量的偏差权重组成的矩阵。
进一步地,参考轨迹的确定方式为:记录车辆漂移过程中的车辆运动轨迹,该次车辆运动轨迹作为参考轨迹。
本发明提出的轨迹跟踪方法基于组合导航或SLAM高精度定位,适用于多种轨迹、多种车型和全工况(极限和非极限工况)的轨迹跟踪。本发明的主要优势在于:
(1)本发明的轨迹跟踪算法适用于轮胎附着力达到饱和的工况。驾驶比赛中专业驾驶人员的漂移轨迹,本发明的轨迹跟踪算法也能够进行跟踪,扩大了现有轨迹跟踪方法的范围和适应度。
(2)本发明不依赖高维度、准确的车辆动力学模型,提高了轨迹跟踪算法的实际应用效果。可以代替人类驾驶员完成车辆性能测试实验,重复性好。
(3)本发明可以模仿人类驾驶员的操作习惯和驾驶技巧,通过模型预测算法判断控制模式,兼顾人类驾驶员的主观感受和控制精度的要求。
附图说明
图1是是应用本发明轨迹跟踪方法的自动驾驶系统硬件方案示意图;
图2是应用本发明轨迹跟踪方法的自动驾驶软件架构示意图;
图3是本发明轨迹跟踪方法的流程框图;
图4是本发明实施中使用的车辆动力学模型;
图5是本发明实施中轨迹跟踪效果图。
具体实施方式
在附图中,使用相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面结合附图对本发明的实施例进行详细说明。
如图1和图2所示,本实施例提供的自动驾驶车辆轨迹跟踪系统用于控制的自动驾驶车辆1上安装有执行机构11和多源传感器12,其中:
执行机构11包括下位控制器111、伺服电机控制器112、电机控制器113 和电池114,其中,下位控制器111可以采用Arduino控制器,但不限于此。下位控制器111与伺服电机控制器112通讯,下位控制器111向伺服电机控制器112输出前轮转角控制量,用于控制前轮4的转角。下位控制器111还与电机控制器113通讯,下位控制器111向电机控制器113输出后轮驱动力控制量,用于控制后轮5的驱动力。
多源传感器12用于获取自动驾驶车辆1的相关信息,本实施例中的多源传感器12包括惯性传感器121、摄像头122和定位传感器123。其中:
通过惯性传感器121,测量自动驾驶车辆1的车辆航向角、三轴加速度和三轴角速度,用于后续获取自动驾驶车辆1的航向角和横摆角速度。惯性传感器121可以采用ameriDriod的myAHRS+系列的传感器,但不限于此。
本实施例将摄像头122的拍摄方向朝上安装,通过摄像头122观测自动驾驶车辆1的顶部场景的特征变化,利用光流法测量自动驾驶车辆1的速度,用于后续获取自动驾驶车辆1的纵向速度和横向速度。当然,本实施例给出的速度获取方法也可以由现有技术中其它测速方法替代。
定位传感器123基于超声波雷达设置,用于测量自动驾驶车辆1的位置,用于后续获取自动驾驶车辆1的纵向位置和横向位置。本实施例使用的定位传感器123的精度为±2cm。当然,本实施例给出的定位方法也可以由现有技术中其它定位方法替代。
本实施例提供的自动驾驶车辆轨迹跟踪系统即为图1中示出的中央控制器2,中央控制器2可以采用Odroid XU4处理器,下位控制器111接收来自中央控制器2的车辆控制指令,该车辆控制指令包括下文提及的系统控制量u,以控制自动驾驶车辆1的加减速与转弯。自动驾驶车辆轨迹跟踪系统包括环境感知模块21、融合定位模块22、行为预测模块23、规划模块24和轨迹跟踪模块25,下面将对各模块一一详细说明。
环境感知模块21通过多源传感器12获得车辆相关信息,并基于扩展卡尔曼滤波(EKF)方法对输入的车辆相关信息集中融合滤波处理,并输出系统状态信息,“系统状态信息”包括自动驾驶车辆1的纵向位置、横向位置、航向角、纵向速度、横向速度和横摆角速度。
融合定位模块22用于接收环境感知模块21输出的系统状态信息,根据系统状态信息中的纵向位置、横向位置,输出准确的车辆位置信息。
行为预测模块23用于接收融合定位模块22输出的车辆位置信息,预测周围障碍物在一定时域的空间位置信息。其中,“障碍物“可以是行人、车辆和自行车等。
规划模块24用于接收行为预测模块23输出的周围障碍物在一定时域的空间位置信息,并基于周围障碍物的行为和车道信息,结合自动驾驶车辆1 自身的目的地信息,利用路径规划算法,输出参考轨迹和期望速度。
轨迹跟踪模块25接收规划模块24输出的参考轨迹和期望速度,通过轨迹跟踪算法,输出系统控制量u,系统控制量u包括前轮转角控制量和后轮驱动力控制量,前轮转角控制量用于控制控制自动驾驶车辆1的转弯,后轮驱动力控制量用于自动驾驶车辆1的加减速。
利用上述实施例提供的自动驾驶车辆轨迹跟踪系统,自动驾驶车辆轨迹跟踪方法包括如下步骤:
S1,确定参考轨迹以及建立车辆单轨动力学模型、跟踪误差性能指标计算模型以及轨迹跟踪控制模式,该轨迹跟踪控制模式包括闭环控制策略和开环控制策略;
S2,在S1中的参考轨迹上选择与实时的车辆位置和航向角的偏差加权最小的最近参考点;
S3,基于S1中的车辆单轨动力学模型,利用闭环控制策略预测在未来时域内的车辆状态;
S4,基于S1所建立的车辆单轨动力学模型,利用开环控制策略预测在未来时域内的车辆状态;
S5,根据S1中的跟踪误差性能指标计算模型,计算S3和S4的车辆状态各自对应的跟踪误差性能指标,并选择其中跟踪误差性能指标小对应的轨迹跟踪控制模式作为车辆的控制模式,并输出。
在一个实施例中,如图4所示,图4示出了六自由度的车辆单轨动力学模型f2w,S1中的车辆单轨动力学模型f2w表示为下面式(1)~式(6),六自由度对应于系统状态信息中的六个属性,系统状态向量表示为 z=[Ux,Uy,r,X,Y,ψ]T,系统控制向量表示为
其中,X为自动驾驶车辆1在大地坐标系的纵向位置;为X的一阶导数; Y为自动驾驶车辆1在大地坐标系的横向位置;为Y的一阶导数;ψ为自动驾驶车辆1在大地坐标系的航向角;Ux为自动驾驶车辆1在车辆坐标系下的纵向速度;为Ux的一阶导数;Uy为自动驾驶车辆1在车辆坐标系下的横向速度;为Uy的一阶导数;m为自动驾驶车辆1的质量;r为自动驾驶车辆1在车辆坐标系下的横摆角速度;为r的一阶导数;δ为自动驾驶车辆1的前轮转角控制量;Iz为自动驾驶车辆1沿z轴的转动惯量;Mz为自动驾驶车辆1沿z轴的力矩;为自动驾驶车辆1的后轮驱动力控制量;Fx为自动驾驶车辆1所行驶的路面对轮胎施加的纵向力;Fy为自动驾驶车辆1所行驶的路面对轮胎施加的横向力;FyF为自动驾驶车辆1所行驶的路面对前轮施加的横向力;FyR为自动驾驶车辆1所行驶的路面对前轮施加的横向力;a和b为自动驾驶车辆1 的质心距前轴中点和后轴中点的距离;T表示转置。
在一个实施例中,S1中的闭环控制策略的获取方法具体包括以下步骤:
S11,根据车辆单轨动力学模型,沿参考轨将非线性的车辆单轨动力学模型进行线性化,得到偏差系统的动力学方程ferror,其动力学方程表示为式(7):
式(7)中,Δz为系统状态偏差向量;Δu为系统控制量偏差;A为系统状态矩阵;B为系统控制矩阵;A和B表示为:
即:
其中,系统状态矩阵A和系统控制矩阵B中的非零元素的值如下:
a41=cosψ,a42=-sinψ,a46=-Uxsinψ-Uycosψ
a51=sinψ,a52=cosψ,a56=Uxcosψ-Uysinψ
上述表达式中,CαF为自动驾驶车辆1的前轮侧偏刚度;CαR为自动驾驶车辆1的后轮侧偏刚度。
S12,根据S11得到的动力学方程ferror以及A和B,基于式(8)表示的二次型性能指标J,获得S1中的式(9)表示的闭环控制策略ucl:
式(8)中,J为性能指标;t为系统时间;ΔzT为系统状态偏差向量的转置;ΔuT为系统控制量偏差的转置;Q为跟踪误差的权重矩阵,Q的具体数值,只要保证经过加权后的系统系统状态偏差在同一数量级即可,没有严格要求。 R为系统控制量的权重矩阵,R的具体数值,只要保证经过加权后的控制量系统系统状态偏差在同一数量级即可,没有严格要求。
性能指标J可以保证系统控制量和跟踪偏差的加权指标达到最小。使得性能指标J达到最小的控制输入表示为如下:
Δu=-R-1BTPΔz
其中P=PT>0,可以通过求解代数Raccati方程得到。对于每一个参考状态和参考输入序列,存在对应的闭环反馈策略如下:
ucl(i)=uref(i)+Δu(i) (9)
式(9)中,ucl(i)为i时刻的闭环控制量;uref(i)为i时刻的参考控制量;Δu(i)为i时刻的反馈控制量;i为时刻。
在一个实施例中,S3中所预测在未来时域内的车辆状态表示为式(10) 和式(11):
式(10)中,为采用闭环控制策略下第i个预测步长下的系统状态向量;为采用闭环控制策略下第i+1个预测步长下的系统状态向量;Ts为预测步长;为闭环控制率下的系统状态演化;N为总预测步数,i为第i个预测步长,k为最近参考点的编号;
式(11)中,ucl(i)为第i个预测步长的闭环控制量;uref(i+k)为第i+k个参考点的控制量;KLQ(i+k)为闭环控制中的反馈控制率,其可以通过求解代数Raccati方程得到;zref(i+k)为第i+k个参考点的状态量。
在一个实施例中,S1中的开环控制策略采用最近参考点的控制量,其表示为式(12):
uol(i)=uref(i+k) (12)
式(12)中,uol(i)为第i个预测步长的开环控制量;uref(i+k)为第i+k 个参考点的控制量。
在一个实施例中,S4中所预测在未来时域内的车辆状态表示为式(12) 和式(13):
uol(i)=uref(i+k) (12)
式(13)中,为采用开环控制策略下第i个预测步长下的系统状态向量;为采用开环控制策略下第i+1个预测步长下的系统状态向量; Ts为预测步长;为开环控制率下的系统状态演化。
在一个实施例中,S1中的跟踪误差性能指标计算模型表示为式(14):
式(14)中,Jmode为某一轨迹跟踪控制模式下的性能指标;某一轨迹跟踪控制模式下所预测的在未来时域内的车辆状态;zref(i+k)为第 i+k个参考点的状态量;n为预测步数;表示每个状态量的偏差权重组成的矩阵。
利用式(14)表示的跟踪误差性能指标计算模型,闭环控制模式的跟踪误差性能指标表示为式(15):
利用式(14)表示的跟踪误差性能指标计算模型,开环控制模式的跟踪误差性能指标表示为式(16):
选择跟踪误差性能指标较小的控制模式作为控制输出。通常,控制器在单轨动力学模型能够反映车辆动力学特性的区域选择闭环控制策略,在模型无法反映车辆动力学特性的区域选择开环控制策略。
在一个实施例中,S1中确定参考轨迹方式为:记录专业驾驶人员驾驶车辆漂移过程中的车辆运动轨迹zref和系统控制量uref,并将该次车辆运动轨迹 zref作为参考轨迹。比如:记录专业驾驶员在漂移过程中车辆运动轨迹zref和系统控制量uref,数据记录的频率为10Hz,数据集由若干数据点组成,每一个数据点的属性包括:纵向位置、横向位置、航向角、纵向速度、横向速度、横摆角速度、前轮转角控制量和后轮驱动力控制量。本实施例提供的参考轨迹获取方法有利于提高轨迹跟踪的精准性。当然,还可以采用其它方式获取参考轨迹,只要保证轨迹是满足车辆动力学约束,可跟踪即可。
在一个实施例中,如图3所示,选择参考轨迹上与实时车辆纵向位置、横向位置和航向角的偏差加权最小的最近参考点zpick,其选择方法具体如下:
首先,在每一个控制步长内,按照如下所示的优化方式,计算出最近参考点(Xref,Yref,ψref):
其中,Xref为最近参考点在大地坐标系下的纵向位置;Yref为最近参考点在大地坐标系下的横向位置;ψref为最近参考点在大地坐标系的航向角; (Xt,Yt,ψt)为自动驾驶车辆1的当前系统状态信息,Xt为自动驾驶车辆1的当前纵向位置,Yt为自动驾驶车辆1的当前横向位置,ψt为自动驾驶车辆1的当前航向角;ωX为自动驾驶车辆1的纵向位置的权重;ωY为自动驾驶车辆1 的横向位置的权重;ωψ为自动驾驶车辆1的航行角的权重。
然后,开闭环相结合的轨迹跟踪方法选择开环或闭环的控制模式。轨迹跟踪方法以当前车辆状态为起始状态,根据单轨动力学模型预测时域范围为 N·Ts的系统状态信息。其中,N=10为预测步数,Ts=0.2s为预测时长。控制器按照不同控制模式分两次进行积分,首先根据参考轨迹的输入进行积分,然后根据闭环控制策略进行积分,分别得到开环控制模式下的车辆在预测时域内状态和闭环控制模式下的车辆在预测时域内状态。
图5为本发明实施中轨迹跟踪效果图。其中,曲线S代表参考轨迹,方框V代表采用本发明轨迹跟踪方法的车辆实际运动轨迹,L1和L2代表道路边界。从图5中可以看出,参考轨迹和实际轨迹两者几乎重合,车辆在弯道处存在漂移现象,说明本发明方法在包括极限工况的全工况内具有很高的轨迹跟踪精度。
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种自动驾驶车辆的轨迹跟踪方法,其特征在于,包括以下步骤:
S1,确定参考轨迹以及建立车辆单轨动力学模型、跟踪误差性能指标计算模型、轨迹跟踪控制模式,该轨迹跟踪控制模式包括闭环控制策略和开环控制策略;
S2,在S1中的参考轨迹上选择与实时的车辆位置和航向角的偏差加权最小的最近参考点;
S3,基于S1中的车辆单轨动力学模型,利用闭环控制策略预测在未来时域内的车辆状态;
S4,基于S1所建立的车辆单轨动力学模型,利用开环控制策略预测在未来时域内的车辆状态;
S5,根据S1中的跟踪误差性能指标计算模型,计算S3和S4的车辆状态各自对应的跟踪误差性能指标,并选择其中跟踪误差性能指标小对应的轨迹跟踪控制模式作为车辆的控制模式输出。
2.如权利要求1所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,S1中的车辆单轨动力学模型表示为下面式(1)~式(6),系统状态向量表示为z=[Ux,Uy,r,X,Y,ψ]T,系统控制向量表示为
其中,X为自动驾驶车辆1在大地坐标系的纵向位置;为X的一阶导数;Y为自动驾驶车辆1在大地坐标系的横向位置;为Y的一阶导数;ψ为自动驾驶车辆1在大地坐标系的航向角;Ux为自动驾驶车辆1在车辆坐标系下的纵向速度;为Ux的一阶导数;Uy为自动驾驶车辆1在车辆坐标系下的横向速度;为Uy的一阶导数;m为自动驾驶车辆1的质量;r为自动驾驶车辆1在车辆坐标系下的横摆角速度;为r的一阶导数;δ为自动驾驶车辆1的前轮转角控制量;Iz为自动驾驶车辆1沿z轴的转动惯量;Mz为自动驾驶车辆1沿z轴的力矩;为自动驾驶车辆1的后轮驱动力控制量;Fx为自动驾驶车辆1所行驶的路面对轮胎施加的纵向力;Fy为自动驾驶车辆1所行驶的路面对轮胎施加的横向力;FyF为自动驾驶车辆1所行驶的路面对前轮施加的横向力;FyR为自动驾驶车辆1所行驶的路面对前轮施加的横向力;a和b为自动驾驶车辆1的质心距前轴中点和后轴中点的距离;T表示转置。
3.如权利要求2所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,S1中的闭环控制策略的获取方法具体包括以下步骤:
S11,根据车辆单轨动力学模型,沿参考轨迹将非线性的车辆单轨动力学模型进行线性化,得到偏差系统的动力学方程ferror,其动力学方程表示为式(7):
式(7)中,Δz为系统状态偏差向量;Δu为系统控制量偏差;A为系统状态矩阵;B为系统控制矩阵;A和B表示为:
S12,根据S11得到的动力学方程ferror以及A和B,基于下式(8)表示的二次型性能指标J,获得S1中的式(9)表示的闭环控制策略:
ucl(i)=uref(i)+Δu(i) (9)
式(8)中,J为性能指标;t为系统时间;ΔzT为系统状态偏差向量的转置;ΔuT为系统控制量偏差的转置;Q为跟踪误差的权重矩阵;R为系统控制量的权重矩阵;
式(9)中,ucl(i)为i时刻的闭环控制量;uref(i)为i时刻的参考控制量;Δu(i)为i时刻的反馈控制量;i为时刻。
4.如权利要求3所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,S3中所预测在未来时域内的车辆状态表示为式(10)和式(11):
式(10)中,为采用闭环控制策略下第i个预测步长下的系统状态向量;为采用闭环控制策略下第i+1个预测步长下的系统状态向量;Ts为预测步长;为闭环控制率下的系统状态演化;N为总预测步数,i为第i个预测步长,k为最近参考点的编号;
式(11)中,ucl(i)为第i个预测步长的闭环控制量;uref(i+k)为第i+k个参考点的控制量;KLQ(i+k)为闭环控制中的反馈控制率;zref(i+k)为第i+k个参考点的状态量。
5.如权利要求2所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,S1中的开环控制策略采用最近参考点的控制量,其表示为式(12):
uol(i)=uref(i+k) (12)
式(12)中,uol(i)为第i个预测步长的开环控制量;uref(i+k)为第i+k个参考点的控制量。
6.如权利要求5所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,S4中所预测在未来时域内的车辆状态表示为式(12)和式(13):
uol(i)=uref(i+k) (12)
式(13)中,为采用开环控制策略下第i个预测步长下的系统状态向量;为采用开环控制策略下第i+1个预测步长下的系统状态向量;Ts为预测步长;
为开环控制率下的系统状态演化。
7.如权利要求4或6所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,S1中的跟踪误差性能指标计算模型表示为式(14):
式(14)中,Jmode为某一轨迹跟踪控制模式下的性能指标;某一轨迹跟踪控制模式下所预测的在未来时域内的车辆状态;zref(i+k)为第i+k个参考点的状态量;n为预测步数;表示每个状态量的偏差权重组成的矩阵。
8.如权利要求1所述的自动驾驶车辆的轨迹跟踪方法,其特征在于,参考轨迹的确定方式为:记录车辆漂移过程中的车辆运动轨迹,该次车辆运动轨迹作为参考轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585050.5A CN109407677A (zh) | 2018-12-24 | 2018-12-24 | 自动驾驶车辆的轨迹跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811585050.5A CN109407677A (zh) | 2018-12-24 | 2018-12-24 | 自动驾驶车辆的轨迹跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109407677A true CN109407677A (zh) | 2019-03-01 |
Family
ID=65460816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811585050.5A Pending CN109407677A (zh) | 2018-12-24 | 2018-12-24 | 自动驾驶车辆的轨迹跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109407677A (zh) |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813319A (zh) * | 2019-03-07 | 2019-05-28 | 山东大学 | 一种基于slam建图的开环优化方法及系统 |
CN110095983A (zh) * | 2019-04-22 | 2019-08-06 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
CN110147098A (zh) * | 2019-04-30 | 2019-08-20 | 杭州飞步科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
CN110398979A (zh) * | 2019-06-25 | 2019-11-01 | 天津大学 | 一种基于视觉与姿态融合的无人驾驶工程作业设备循迹方法及装置 |
CN110568758A (zh) * | 2019-09-12 | 2019-12-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN110598311A (zh) * | 2019-09-06 | 2019-12-20 | 广东工业大学 | 一种自动驾驶车辆轨迹跟踪方法 |
CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
CN110794851A (zh) * | 2020-01-06 | 2020-02-14 | 中智行科技有限公司 | 车辆远程控制安全防护方法、装置和无人驾驶车辆 |
CN110794830A (zh) * | 2019-10-14 | 2020-02-14 | 广东工业大学 | 一种自动驾驶汽车的运动目标跟踪方法 |
CN110908284A (zh) * | 2019-12-06 | 2020-03-24 | 苏州智加科技有限公司 | 一种自动驾驶卡车的横向控制方法及系统 |
CN111007861A (zh) * | 2019-12-24 | 2020-04-14 | 北京旷视机器人技术有限公司 | 轨迹跟踪控制方法、装置、系统及移动机器人 |
CN111025907A (zh) * | 2019-12-20 | 2020-04-17 | 苏州智加科技有限公司 | 一种自动驾驶卡车的横向控制方法、系统及存储介质 |
CN111038477A (zh) * | 2019-11-29 | 2020-04-21 | 苏州智加科技有限公司 | 车辆控制方法、装置和设备 |
CN111216738A (zh) * | 2020-02-19 | 2020-06-02 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN111221338A (zh) * | 2020-01-20 | 2020-06-02 | 广东博智林机器人有限公司 | 一种路径跟踪的方法、装置、设备及存储介质 |
CN111240187A (zh) * | 2020-01-16 | 2020-06-05 | 南京理工大学 | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 |
CN111857152A (zh) * | 2020-07-31 | 2020-10-30 | 北京京东乾石科技有限公司 | 用于生成车辆控制信息的方法和装置 |
CN112148016A (zh) * | 2020-09-30 | 2020-12-29 | 深兰人工智能(深圳)有限公司 | 基于模型预测控制算法横纵向解耦的车辆控制方法和装置 |
CN112764421A (zh) * | 2020-12-28 | 2021-05-07 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
CN112859863A (zh) * | 2021-01-15 | 2021-05-28 | 北京科技大学 | 一种基于预测的路径跟踪控制关键参考点选取方法及系统 |
CN112918490A (zh) * | 2021-03-19 | 2021-06-08 | 吉林大学 | 一种分布式驱动车辆的轨迹跟踪控制策略 |
CN113064412A (zh) * | 2019-12-31 | 2021-07-02 | 北京车和家信息技术有限公司 | 路径跟踪方法、装置、车辆及可读存储介质 |
CN113467470A (zh) * | 2021-07-23 | 2021-10-01 | 西安理工大学 | 一种无人自主小车的轨迹跟踪控制方法 |
CN113734182A (zh) * | 2020-05-29 | 2021-12-03 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN115993797A (zh) * | 2023-03-23 | 2023-04-21 | 禾多科技(北京)有限公司 | 虚拟环境下的自动驾驶车辆模拟方法及系统 |
CN116131618A (zh) * | 2022-12-13 | 2023-05-16 | 深圳市麦格米特驱动技术有限公司 | 一种老化测试装置、方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6325684B1 (en) * | 1999-06-11 | 2001-12-04 | Johnson Outdoors, Inc., | Trolling motor steering control |
CN103085816A (zh) * | 2013-01-30 | 2013-05-08 | 同济大学 | 一种用于无人驾驶车辆的轨迹跟踪控制方法及控制装置 |
CN107200020A (zh) * | 2017-05-11 | 2017-09-26 | 江苏大学 | 一种基于混杂理论的无人驾驶汽车自主转向控制系统和方法 |
CN108622104A (zh) * | 2018-05-07 | 2018-10-09 | 湖北汽车工业学院 | 一种用于无人驾驶车辆的轨迹跟踪控制方法 |
-
2018
- 2018-12-24 CN CN201811585050.5A patent/CN109407677A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6325684B1 (en) * | 1999-06-11 | 2001-12-04 | Johnson Outdoors, Inc., | Trolling motor steering control |
CN103085816A (zh) * | 2013-01-30 | 2013-05-08 | 同济大学 | 一种用于无人驾驶车辆的轨迹跟踪控制方法及控制装置 |
CN107200020A (zh) * | 2017-05-11 | 2017-09-26 | 江苏大学 | 一种基于混杂理论的无人驾驶汽车自主转向控制系统和方法 |
CN108622104A (zh) * | 2018-05-07 | 2018-10-09 | 湖北汽车工业学院 | 一种用于无人驾驶车辆的轨迹跟踪控制方法 |
Non-Patent Citations (1)
Title |
---|
FANG ZHANG,JON GONZALES,SHENGBO EBEN LI,FRANCESCO BORRELLI: "Drift control for cornering maneuver of autonomous vehicles", 《MECHATRONICS》 * |
Cited By (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109813319A (zh) * | 2019-03-07 | 2019-05-28 | 山东大学 | 一种基于slam建图的开环优化方法及系统 |
CN110095983A (zh) * | 2019-04-22 | 2019-08-06 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
CN110095983B (zh) * | 2019-04-22 | 2021-11-23 | 浙江工业大学 | 一种基于路径参数化的移动机器人预测跟踪控制方法 |
CN110147098A (zh) * | 2019-04-30 | 2019-08-20 | 杭州飞步科技有限公司 | 自动驾驶车辆的控制方法、装置、设备及可读存储介质 |
CN110398979A (zh) * | 2019-06-25 | 2019-11-01 | 天津大学 | 一种基于视觉与姿态融合的无人驾驶工程作业设备循迹方法及装置 |
CN110398979B (zh) * | 2019-06-25 | 2022-03-04 | 天津大学 | 一种基于视觉与姿态融合的无人驾驶工程作业设备循迹方法及装置 |
CN110598311A (zh) * | 2019-09-06 | 2019-12-20 | 广东工业大学 | 一种自动驾驶车辆轨迹跟踪方法 |
CN110598311B (zh) * | 2019-09-06 | 2022-08-02 | 广东工业大学 | 一种自动驾驶车辆轨迹跟踪方法 |
CN110568758A (zh) * | 2019-09-12 | 2019-12-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN110568758B (zh) * | 2019-09-12 | 2022-07-01 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN110794830A (zh) * | 2019-10-14 | 2020-02-14 | 广东工业大学 | 一种自动驾驶汽车的运动目标跟踪方法 |
CN111038477A (zh) * | 2019-11-29 | 2020-04-21 | 苏州智加科技有限公司 | 车辆控制方法、装置和设备 |
CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
CN110908284A (zh) * | 2019-12-06 | 2020-03-24 | 苏州智加科技有限公司 | 一种自动驾驶卡车的横向控制方法及系统 |
CN111025907A (zh) * | 2019-12-20 | 2020-04-17 | 苏州智加科技有限公司 | 一种自动驾驶卡车的横向控制方法、系统及存储介质 |
CN111007861A (zh) * | 2019-12-24 | 2020-04-14 | 北京旷视机器人技术有限公司 | 轨迹跟踪控制方法、装置、系统及移动机器人 |
CN111007861B (zh) * | 2019-12-24 | 2023-11-17 | 北京旷视机器人技术有限公司 | 轨迹跟踪控制方法、装置、系统及移动机器人 |
CN113064412A (zh) * | 2019-12-31 | 2021-07-02 | 北京车和家信息技术有限公司 | 路径跟踪方法、装置、车辆及可读存储介质 |
CN110794851A (zh) * | 2020-01-06 | 2020-02-14 | 中智行科技有限公司 | 车辆远程控制安全防护方法、装置和无人驾驶车辆 |
CN111240187A (zh) * | 2020-01-16 | 2020-06-05 | 南京理工大学 | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 |
CN111221338B (zh) * | 2020-01-20 | 2023-06-09 | 广东博智林机器人有限公司 | 一种路径跟踪的方法、装置、设备及存储介质 |
CN111221338A (zh) * | 2020-01-20 | 2020-06-02 | 广东博智林机器人有限公司 | 一种路径跟踪的方法、装置、设备及存储介质 |
CN111216738A (zh) * | 2020-02-19 | 2020-06-02 | 北京百度网讯科技有限公司 | 车辆的控制方法、装置、电子设备及车辆 |
CN111216738B (zh) * | 2020-02-19 | 2022-02-01 | 阿波罗智能技术(北京)有限公司 | 自动驾驶中车辆的控制方法、装置、电子设备及车辆 |
CN113734182A (zh) * | 2020-05-29 | 2021-12-03 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN113734182B (zh) * | 2020-05-29 | 2023-11-14 | 比亚迪股份有限公司 | 一种车辆自适应控制方法及其装置 |
CN111857152A (zh) * | 2020-07-31 | 2020-10-30 | 北京京东乾石科技有限公司 | 用于生成车辆控制信息的方法和装置 |
CN112148016B (zh) * | 2020-09-30 | 2024-05-10 | 深兰人工智能(深圳)有限公司 | 基于模型预测控制算法横纵向解耦的车辆控制方法和装置 |
CN112148016A (zh) * | 2020-09-30 | 2020-12-29 | 深兰人工智能(深圳)有限公司 | 基于模型预测控制算法横纵向解耦的车辆控制方法和装置 |
CN112764421A (zh) * | 2020-12-28 | 2021-05-07 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
CN112764421B (zh) * | 2020-12-28 | 2022-12-23 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 无人深潜器自主导航轨迹预测积分控制方法及装置 |
CN112859863B (zh) * | 2021-01-15 | 2022-02-25 | 北京科技大学 | 一种基于预测的路径跟踪控制关键参考点选取方法及系统 |
CN112859863A (zh) * | 2021-01-15 | 2021-05-28 | 北京科技大学 | 一种基于预测的路径跟踪控制关键参考点选取方法及系统 |
CN112918490A (zh) * | 2021-03-19 | 2021-06-08 | 吉林大学 | 一种分布式驱动车辆的轨迹跟踪控制策略 |
CN113467470B (zh) * | 2021-07-23 | 2023-03-03 | 西安理工大学 | 一种无人自主小车的轨迹跟踪控制方法 |
CN113467470A (zh) * | 2021-07-23 | 2021-10-01 | 西安理工大学 | 一种无人自主小车的轨迹跟踪控制方法 |
CN116131618A (zh) * | 2022-12-13 | 2023-05-16 | 深圳市麦格米特驱动技术有限公司 | 一种老化测试装置、方法及系统 |
CN116131618B (zh) * | 2022-12-13 | 2024-04-19 | 深圳麦格米特电气股份有限公司 | 一种老化测试装置、方法及系统 |
CN115993797A (zh) * | 2023-03-23 | 2023-04-21 | 禾多科技(北京)有限公司 | 虚拟环境下的自动驾驶车辆模拟方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109407677A (zh) | 自动驾驶车辆的轨迹跟踪方法 | |
CN108819951B (zh) | 一种考虑驾驶员驾驶技能的人机共驾横向驾驶权分配方法 | |
Gao et al. | Robust lateral trajectory following control of unmanned vehicle based on model predictive control | |
Ding et al. | Event-triggered vehicle sideslip angle estimation based on low-cost sensors | |
CN103085816B (zh) | 一种用于无人驾驶车辆的轨迹跟踪控制方法及控制装置 | |
CN103121451B (zh) | 一种弯路换道轨迹的跟踪控制方法 | |
US9090285B2 (en) | Method for providing a lanekeeping assistance based on modifying mechanical sources of steering torques | |
CN101837781B (zh) | 用于自动车道对正或换道的控制系统的基于模型的预测控制 | |
Kapania et al. | Path tracking of highly dynamic autonomous vehicle trajectories via iterative learning control | |
CN109597308A (zh) | 基于动力学模型的无人驾驶汽车模型预测控制器设计方法 | |
CN107161207A (zh) | 一种基于主动安全的智能汽车轨迹跟踪控制系统及控制方法 | |
CN110187639A (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN108058615A (zh) | 车辆制动能量的回收方法和装置 | |
Hima et al. | Trajectory tracking for highly automated passenger vehicles | |
WO2008072515A1 (ja) | 車両用制御装置 | |
CN108725585A (zh) | 车辆自主泊车的轨迹跟踪控制方法及装置 | |
CN108569336A (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
CN109823393A (zh) | 一种智能驾驶车辆轨迹跟踪控制方法 | |
CN107885932A (zh) | 一种考虑人机和谐的汽车紧急避撞分层式控制方法 | |
CN110341715A (zh) | 无人车坡道速度控制方法及装置 | |
Petrov et al. | Adaptive steering control for autonomous lane change maneuver | |
Hima et al. | Controller design for trajectory tracking of autonomous passenger vehicles | |
CN109808695A (zh) | 一种车辆行驶模式调整方法及装置 | |
CN109094644A (zh) | 极限工况下的主动后轮转向与直接横摆力矩控制方法 | |
CN110525433A (zh) | 基于驾驶员意图识别的转向力矩引导分配曲线设计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190301 |