CN109733474A - 一种基于分段仿射分层控制的智能车转向控制系统及方法 - Google Patents

Abstract

本发明公开了一种基于分段仿射分层控制的智能车转向控制系统及方法，通过对于轮胎非线性力的分段仿射描述，从而建立侧向动力学PWA模型，进而根据此模型在不同车速下切换不同控制方式达到精准转向。本发明采用分段仿射方法描述车轮力的非线性特性，进而建立车辆侧向动力力学PWA模型。基于此动力学模型在不同车速和工况下选取不同的控制方法，在决策时着重考虑模糊速度分界、发散型切换延时和动力性能指标，提升控制精度。此外，在传统执行模块处添加车身稳定模块，检测质心侧偏角与横摆角速度，并针对不同工况提出质心侧偏角软约束，施加相应的横摆力矩使得质心侧偏角与横摆角速度保持稳定，从而提升车辆稳定性。

Description

一种基于分段仿射分层控制的智能车转向控制系统及方法

技术领域

本发明属于智能车控制领域，特别涉及了一种智能汽车在分段仿射下的橫向控制系统及方法。

背景技术

行驶智能化作为汽车技术变革核心技术在全球范围内深入展开。现有的汽车动力学模型忽略的轮胎侧偏力的非线性特性，当当车辆高速行驶且路面附着系数很低时，车辆容易出现失稳现象。因此现有的动力学模型并不能准确反应车辆的状态。

面向无人驾驶的终极目标，要求智能汽车横向控制系统在多工况条件下，具有精确、高效、可靠的控制能力，保证车辆转向稳定性、行驶安全以及乘坐舒适，传统的单一的转向控制算法不能解决和协调自主转向控制系统在不同工况下的控制需求和控制功能。

发明内容

本发明提出了一种智能汽车的横向控制方法，通过对于轮胎非线性力的分段仿射描述，从而建立侧向动力学PWA模型，进而根据此模型在不同车速下切换不同控制方式达到精准转向。本发明采用分段仿射方法描述车轮力的非线性特性，进而建立车辆侧向动力力学PWA模型。基于此动力学模型在不同车速和工况下选取不同的控制方法，在决策时着重考虑模糊速度分界、发散型切换延时和动力性能指标，提升控制精度。此外，在传统执行模块处添加车身稳定模块，检测质心侧偏角与横摆角速度，并针对不同工况提出质心侧偏角软约束，施加相应的横摆力矩使得质心侧偏角与横摆角速度保持稳定，从而提升车辆稳定性。本发明采样的技术方案如下：

一种基于分段仿射分层控制的智能车转向控制系统，包括：环境感知模块，路径规划模块，分段仿射模块，决策模块，车身稳定模块，执行模块；所述环境感知模块分别与所述路径规划模块、分段仿射模块相连，所述路径规划模块、分段仿射模块与所述决策模块相连，所述分段仿射模块与所述车身稳定模块相连，所述决策模块，车身稳定模块与所述执行模块相连；

所述环境感知模块实时采集智能汽车的前方道路信息，横摆角速度γ车速Vx、以及质心侧偏角β；

所述路径规划模块根据感知模块所传递的数据规划出一条无障碍的期望路径；

所述分段仿射模块能够对轮胎侧偏角与测偏力关系进行分段仿射化处理，建立侧向动力学PWA模型；

所述决策模块在建立侧向动力学PWA模型后运用分层控制方法对车辆实施控制，输出前轮转角控制信息；

所述车身稳定模块采用基于模型预测控制的车辆稳定性控制算法，通过采集方向盘转角信号，判断驾驶员的操作意图，输出车辆稳定行驶所需要的理想横摆角速度，再结合车辆实际状态的横摆角速度与质心侧偏角最终得到附加的横摆力矩，将横摆力矩值传递给执行模块实现相应的横摆力矩使得车身稳定。

所述执行模块根据决策模块输出的前轮转角值和车身稳定模块输出的附加横摆力矩值，驱动操纵执行机构，实现无人驾驶汽车自主转向控制。

进一步，所述分段放射模块的具体功能：

采集各类工况下轮胎侧偏角与侧向力的试验数据，对轮胎侧偏特性的分段仿射模型进行参数辨识；对于子空间的划分采取G-K聚类算法求解，使得聚类结果满足如下目标函数：

其中，m∈[1,∞)表征聚类模糊程度的可调参数，代表各类别之间的重叠程度，取m＝2。d(z_j，v_i)表示样本z_j与聚类中心v_i之间的距离；

基于聚类方法获得数据子空间划分之后，子模型参数辨识问题简化为线性优化问题，采用加权最小二乘法进行计算；根据该子类数据集的输入输出数据，以实际系统与子模型之间的输出偏差平方和构成准则函数，该准则的极小值对应子模型参数向量θ_i的估计值；

之后进行切换面系数估计，由于各作用域的凸多面体除公共边界外没有重叠部分，其切换面方程系数辨识可转化为聚类数据的线性分割问题；采用基于支持向量机的方法进行超平面方程系数的求解，折衷考虑最大分类间隔和最少错分样本，建立广义最优分类面，选择满足Mercer条件的线性核函数构成支持向量，从而得到系统超平面方程系数h；

通过以上的处理将轮胎侧偏角与轮胎侧向力的实际关系曲线分成三段线性表示

其中，C_i1和C_i2为第i个轮胎侧向力分段仿射表达式的侧偏刚度，f_i1和f_i2为第i个车轮侧向力分段仿射表达式的常数项；

基于此建立车辆侧向动力学模型

进一步，所述参数辨识包括数据子空间分割、各子空间线性模型参数估计和切换面方程系数估计。

进一步，所述决策模块的分层控制包括四种模式，分别为低速模式、中速模式、高速模式和人工控制模式；

在低速模式下，车辆行驶速度较低，安全性较高，采样PID控制算法；

在中速情况下，车辆多行驶于城市道路，交通复杂，对转向控制精度要求较高，采用最优控制算法；

在高速模式下，车辆行驶速度较高，采用模型预测控制算法；

在人工模式下，驾驶员将驾驶模式切换成人工控制，不需要进行自主转向控制。

进一步，所述低速模式和中速模式的切换点设为20km/h，中速模式和高速模式的切换点设为60km/h。

进一步，在所述20km/h和60km/h的速度切换处建立分界速度模糊控制，对分界速度形成软约束，采用在20km/h处形成±3km/h的软约束，在60km/h处形成±5km/h的软约束；形成软约束之后从低速往高速必须越过软约束上界才进行控制模式的切换，从高速往低速时必须经过软约束下界才进行控制模式的切换。

基于上述系统，本发明提出了一种基于分段仿射分层控制的智能车转向控制方法，包括如下步骤：

Step1：利用环境感知模块实时采集智能汽车的前方道路信息，横摆角速度γ、车速v_x、以及质心侧偏角β；

Step2：利用路径规划模块根据感知模块所传递的数据规划出一条无障碍的期望路径；

Step3：利用分段仿射模块对于非线性侧向力模型进行分段仿射化处理，建立侧向动力学PWA模型；

Step4：利用决策模块针对车辆在低速模式、中速模式、高速模式和人工控制模式时实施分层控制；

Step5：利用车身稳定模块检测车辆质心侧偏角和横摆角速度，结合车辆实际状态的横摆角速度与质心侧偏角输入得到附加的横摆力矩；

Step6：利用执行模块根据决策模块输出的前轮转角值和车身稳定模块输出的附加横摆力矩值，驱动操纵执行机构，执行无人驾驶汽车自主转向，实现无人驾驶汽车跟踪期望轨迹。

进一步，所述Step3的具体过程如下：

采集各类工况下轮胎侧偏角与侧向力的试验数据，对轮胎侧偏特性的分段仿射模型进行参数辨识.对于子空间的划分采取G-K聚类算法求解，使得聚类结果满足如下目标函数：

其中，m∈[1,∞)表征聚类模糊程度的可调参数，代表各类别之间的重叠程度，取m＝2，d(z_j,v_i)表示样本z_j与聚类中心v_i之间的距离；

基于聚类方法获得数据子空间划分之后，子模型参数辨识问题可简化为线性优化问题，采用加权最小二乘法进行计算；根据该子类数据集的输入输出数据，以实际系统与子模型之间的输出偏差平方和构成准则函数，该准则的极小值对应子模型参数向量θ_i的估计值；

在此基础上进行切换面系数估计，将切换面方程系数估计转化为聚类数据的线性分割问题；采用基于支持向量机的方法进行超平面方程系数的求解，折衷考虑最大分类间隔和最少错分样本，建立广义最优分类面，选择满足Mercer条件的线性核函数构成支持向量，从而得到系统超平面方程系数h；

通过以上处理将轮胎侧偏角与轮胎侧向力的实际关系曲线分成三段线性表示

其中，C_i1和C_i2为第i个轮胎侧向力分段仿射表达式的侧偏刚度；f_i1和f_i2为第i个车轮侧向力分段仿射表达式的常数项；

基于此建立车辆侧向动力学模型

其中，δ_s为方向盘转角引起的前轮轮胎转向角，ΔT＝T₂-T₁+T₄-T₃为内外侧车轮驱动扭矩差，j为状态分区的第j个区。

进一步，所述Step4的分层控制包含：

在低速模式下，车辆行驶速度较低，安全性较高，而PID控制算法简单、参数调整较容易、控制效果好等优点，因此，低速模式可采用PID控制算法；

在中速情况下，车辆多行驶于城市道路，交通复杂，对转向控制精度要求较高,因此中速模式下可采用最优控制算法；

在高速模式下，车辆行驶速度较高，因此高速模式下可采用模型预测控制算法；

在人工模式下，驾驶员将驾驶模式切换成人工控制，不需要进行自主转向控制；

上述低速模式、中速模式、高速模式的切换点分别设置为：采用20km/h中低速切换点，60km/h作为中高速切换点；在20km/h和60km/h的速度切换点处建立分界速度模糊控制，对分界速度形成软约束，在20km/h处形成±3km/h的软约束，在60km/h处形成±5km/h的软约束；形成软约束之后从低速往高速必须越过软约束上界才进行控制模式的切换；从高速往低速时必须经过软约束下界才进行控制模式的切换。

进一步，所述Step5的具体过程包括：

步骤1，根据侧向动力学PWA模型建立控制模型

其中

步骤2，实际车辆的运动特性为

其中M为附加的横摆力矩，

步骤3，两式相减并离散化得

其中C_c＝(0 1)

步骤4，以质心侧偏角β和横摆角速度γ作为状态变量，附加横摆力偶矩M为控制量；选取横摆角速度γ和质心侧偏角β为控制输出和约束输出y；

步骤5，在(k)时刻,测量值为y(k)的优化目标描述如下

Q(y(k),ΔU(k))＝||β_y(Y(k+1|k)-R(k+1))||²+||β_uΔU(k)||²

其中

(k+1)时刻的参考序列采用参考模型在k时刻输出的横摆角速度

约束为u_min(k+j)≤u(k+j)＜＜u_max(k+j)，j＝0,1,…m-1

步骤6，经过以上转换，在每个采样周期求的优化解的第一个元素即为约束模型预测控制算法输出的控制量。

本发明的有益效果：

1.本发明提出的分层控制的思想，将复杂工况下的控制问题转换成多模式控制以及控制算法之间的切换问题加以解决。以车速作为不同控制模式之间的划分依据。在此基础之上，在切换车速点处提出速度模糊分界，做出切换速度软约束，能够避免车速因在弯道行驶或者载荷的变化而在切换点处反复切换，提高系统的稳定性。添加动力性能指标和切换延时，是的智能汽车在加速超车时限定在一种控制模式和控制算法下，提高行驶稳定性和安全性。

2.本发明提出的通过对于轮胎非线性力的分段仿射描述，用分段仿射思想将轮胎侧偏力与侧偏角关系中非线性化的部分线性化，从而建立侧向动力学PWA模型。解决汽车在高速低附着路面下横向控制偏差较大的问题。

3.本发明提出的车身稳定方法通过对于理想和实际横摆角速度与质心侧偏角的测量比较，施加相应的横摆力矩使得质心侧偏角与横摆角速度保持稳定，从而提升车辆稳定性。

附图说明

图1基于分段仿射分层控制的智能车转向控制原理示意框图；

图2车身稳定原理示意框图。

具体实施方式

下面结合附图对本发明作进一步说明。

Step1：环境感知模块

实时采集智能汽车的前方道路信息，横摆角速度γ、车速v_x、以及质心侧偏角β；

Step2：路径规划模块

根据感知模块所传递的数据规划出一条无障碍的期望路径；

Step3：分段仿射模块

对于轮胎侧偏角与测偏力关系进行分段仿射化处理，分段仿射系统的模型参数辨识包括数据子空间分割、各子空间线性模型参数估计和切换面方程系数估计。利用多维力传感器采集各类工况下轮胎侧偏角与侧向力的试验数据，对轮胎侧偏特性的分段仿射模型进行参数辨识。基于前轮侧偏特性分段仿射模型，构建回归方程：y(k)＝f(x(k))+e(k)，其中，x(k)为回归向量，由系统的历史输入和输出向量构成，x(k)＝[y(k-1)...y(k-n_a),u(k-1)...u(k-n_a)]；e(k)为已知概率密度分布的加性噪声，y(k)为实测输出信号，u(k)为实测输入信号。

对于子空间的划分采取G-K聚类算法求解，使得聚类结果满足如下目标函数：

其中，m∈[1,∞)表征聚类模糊程度的可调参数，代表各类别之间的重叠程度，取m＝2。d(z_j,v_i)表示样本z_j与聚类中心v_i之间的距离。

基于聚类方法获得数据子空间划分之后，子模型参数辨识问题可简化为线性优化问题，本发明采用加权最小二乘法进行计算。根据该子类数据集的输入输出数据，以实际系统与子模型之间的输出偏差平方和构成下式所示准则函数，该准则的极小值对应子模型参数向量θ_i的估计值。

其中μ_i,k(j)表示表示第j个元素属于第i类的隶属度，y_i(j)为实际系统输出，x_i(j)为子模型之间的输出，θ_i为各子模型参数。在此基础上进行切换面系数估计，由于各作用域的凸多面体除公共边界外没有重叠部分，其切换面方程系数辨识可转化为聚类数据的线性分割问题。具体：

采用基于支持向量机的方法进行超平面方程系数的求解，对于子模型作用域的凸多面体区间：切换面方程可描述为：h_ji＝{w_ix(k)+b_i＝0}，其中w_i为第i个特征的权重，b_i为参数，折衷考虑最大分类间隔和最少错分样本，建立广义最优分类面，选择满足Mercer条件的线性核函数构成支持向量，从而得到系统超平面方程系数h。

由于分段仿射系统的子空间个数c是由优化指标的极值确定，可能会出现过估计的情况，采用事后校验的方法对各子模型的相似性进行评判，实现相似子模型的合并以及模型参数的重新辨识。

通过以上三个步骤将轮胎侧偏角F_yi与轮胎侧向力α_i的实际关系曲线分成三段线性表示

其中，α_pi1、α_pi2分别代表侧向力分段仿射模型在第一段和第二段、第二段和第三段处切换点对应的轮胎侧偏角。C_i1和C_i2为第i个轮胎侧向力分段仿射表达式的侧偏刚度。f_i1和f_i2为第i个车轮侧向力分段仿射表达式的常数项。

基于此建立车辆侧向动力学PWA模型

其中，δ_s为方向盘转角引起的前轮轮胎转向角，ΔT＝T₂-T₁+T₄-T₃为内外侧车轮驱动扭矩差，j为状态分区的第j个区，C_fj、分别表示前后轮的侧偏刚度，即分别为第i个轮胎纵向力，T_rw1、T_rw2、T_rw3、T_rw4即T_rwi分别为第i个轮胎滚动力矩和风阻力矩，即分别为第i个轮胎的侧向力，l_r、l_f分别为质心到后、前轮的距离，v_x表示纵向速度，f_fj、分别表示前后车轮滚动阻力系数，r_eff表示有效半径，I_z表示转动惯量。

Step4：决策模块

在建立此模型后运用分层控制方法进行控制，在决策模块当中，分段控制器包含四种模式，分别为低速模式、中速模式、高速模式和人工控制模式。采用20km/h作为中低速切换点，60km/h作为中高速切换点，车辆速度在0-20km/h之间为低速模式、20-60km/h之间为中速模式，60km/h以上为高速模式，在系统故障的时候采用人工控制模式。

在低速模式下，车辆行驶速度较低，安全性较高，而PID控制算法简单、参数调整较容易、控制效果好等优点，因此，低速模式可采用PID控制算法。

在中速情况下，车辆多行驶于城市道路，交通复杂，对转向控制精度要求较高,因此中速模式下可采用最优控制算法。

在高速模式下，车辆行驶速度较高，因此高速模式下可采用模型预测控制算法。

在人工模式下，驾驶员将驾驶模式切换成人工控制，不需要进行自主转向控制。

与此同时，在20km/h和60km/h的速度切换处建立分界速度模糊控制，对分界速度形成软约束。在20km/h处形成±3km/h的软约束，在60km/h处形成±5km/h的软约束。形成软约束之后从低速往高速必须越过软约束上界(23km/h,65km/h)才进行控制模式的切换；从高速往低速时必须经过软约束下界(17km/h,55km/h)才进行控制模式的切换。这样设置的优点是避免因在城市复杂工况下行驶、弯道行驶或是因车辆载荷变化引起的在速度分界处反复切换所造成的系统不稳定的现象。

此外，在以动力性能为指标，例如进行超车时，车速从低到高，对系统反应时间要求更加精确，为避免由控制模式的切换而引起的不稳定，应该尽量减少切换，在超车完成速度稳定时再切换到对应速度的控制方法下。相对应的时切换延时，采用发散型切换延时，即同时检测速度与加速度值，切换延时随加速度的增大而增大。

Step5：车身稳定模块

此模块提出了基于模型预测控制的一种车辆稳定性控制算法，侧向动力学PWA模型通过采集方向盘转角信号，判断驾驶员的操作意图，输出车辆稳定行驶所需要的理想横摆角速度；根据理想横摆角速度和车辆的实际状态，在有限时域内滚动计算出车辆稳定行驶所需的附加横摆力矩；根据当前输出和控制量计算预测输出，进一步根据预测输出和期望值求取优化控制量，达到及时控制。

车辆的稳定性与质心侧偏角和横摆角速度的关系最为密切，所以包含质心侧偏角和横摆角速度的侧向动力学PWA模型为参考模型，提供控制器设计需要的理想值。方向盘的转角为动力学模型的输入，得到理想的横摆角速度与质心侧偏角，再结合车辆实际状态的横摆角速度与质心侧偏角输入到车身稳定模块中的模型预测控制器，最终得到附加的横摆力矩，具体：

步骤1.根据侧向动力学PWA模型建立控制模型

其中

，β_d、γ_d分别表示理想质心侧偏角与横摆角速度。

步骤2.实际车辆的运动特性为

其中M为附加的横摆力矩，

步骤3.两式相减并离散化得

其中C_c＝(0 1)

步骤4.

以质心侧偏角β和横摆角速度γ作为状态变量，附加横摆力偶矩M为控制量。选取横摆角速度γ和质心侧偏角β为控制输出和约束输出y。

步骤5.

在(k)时刻,测量值为y(k)的优化目标描述如下

Q(y(k),ΔU(k))＝||β_y(Y(k+1|k)-R(k+1))||²+||β_uΔU(k)||²

其中

β_y、β_u为各自权重矩阵；

(k+1)时刻的参考序列采用参考模型在k时刻输出的横摆角速度

约束为u_min(k+j)≤u(k+j)＜＜u_max(k+j)，j＝0,1,…m-1

步骤6

经过以上转换,在每个采样周期求的优化解的第一个元素就是约束模型预测控制算法的控制量。

将此横摆力矩值传递给执行模块实现相应的横摆力矩使得车身稳定。

Step6：执行模块

操纵执行模块根据决策模块输出的前轮转角值和车身稳定模块输出的附加横摆力矩值，驱动操纵执行机构，执行无人驾驶汽车自主转向，从而使无人驾驶汽车跟踪期望轨迹。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于分段仿射分层控制的智能车转向控制系统，其特征在于，包括：环境感知模块，路径规划模块，分段仿射模块，决策模块，车身稳定模块，执行模块；所述环境感知模块分别与所述路径规划模块、分段仿射模块相连，所述路径规划模块、分段仿射模块与所述决策模块相连，所述分段仿射模块与所述车身稳定模块相连，所述决策模块，车身稳定模块与所述执行模块相连；

所述环境感知模块实时采集智能汽车的前方道路信息，横摆角速度γ车速Vx、以及质心侧偏角β；

所述路径规划模块根据感知模块所传递的数据规划出一条无障碍的期望路径；

所述分段仿射模块能够对轮胎侧偏角与测偏力关系进行分段仿射化处理，建立侧向动力学PWA模型；

所述决策模块在建立侧向动力学PWA模型后运用分层控制方法对车辆实施控制，输出前轮转角控制信息；

所述车身稳定模块采用基于模型预测控制的车辆稳定性控制算法，通过采集方向盘转角信号，判断驾驶员的操作意图，输出车辆稳定行驶所需要的理想横摆角速度，再结合车辆实际状态的横摆角速度与质心侧偏角最终得到附加的横摆力矩，将横摆力矩值传递给执行模块实现相应的横摆力矩使得车身稳定。

所述执行模块根据决策模块输出的前轮转角值和车身稳定模块输出的附加横摆力矩值，驱动操纵执行机构，实现无人驾驶汽车自主转向控制。

2.根据权利要求1所述的一种基于分段仿射分层控制的智能车转向控制系统，其特征在于，所述分段放射模块的具体功能：

采集各类工况下轮胎侧偏角与侧向力的试验数据，对轮胎侧偏特性的分段仿射模型进行参数辨识；对于子空间的划分采取G-K聚类算法求解，使得聚类结果满足如下目标函数：

其中，m∈[1，∞)表征聚类模糊程度的可调参数，代表各类别之间的重叠程度，取m＝2。d(z_j，v_i)表示样本z_j与聚类中心v_i之间的距离；

基于聚类方法获得数据子空间划分之后，子模型参数辨识问题简化为线性优化问题，采用加权最小二乘法进行计算；根据该子类数据集的输入输出数据，以实际系统与子模型之间的输出偏差平方和构成准则函数，该准则的极小值对应子模型参数向量θ_i的估计值；

之后进行切换面系数估计，采用基于支持向量机的方法进行超平面方程系数的求解，折衷考虑最大分类间隔和最少错分样本，建立广义最优分类面，选择满足Mercer条件的线性核函数构成支持向量，从而得到系统超平面方程系数h；

通过以上的处理将轮胎侧偏角与轮胎侧向力的实际关系曲线分成三段线性表示

其中，C_i1和C_i2为第i个轮胎侧向力分段仿射表达式的侧偏刚度，f_i1和f_i2为第i个车轮侧向力分段仿射表达式的常数项；

基于此建立车辆侧向动力学模型

3.根据权利要求2所述的一种基于分段仿射分层控制的智能车转向控制系统，其特征在于，所述参数辨识包括数据子空间分割、各子空间线性模型参数估计和切换面方程系数估计。

4.根据权利要求1所述的一种基于分段仿射分层控制的智能车转向控制系统，其特征在于，所述决策模块的分层控制包括四种模式，分别为低速模式、中速模式、高速模式和人工控制模式；

在低速模式下，车辆行驶速度较低，安全性较高，采样PID控制算法；

在中速情况下，车辆多行驶于城市道路，交通复杂，对转向控制精度要求较高，采用最优控制算法；

在高速模式下，车辆行驶速度较高，采用模型预测控制算法；

在人工模式下，驾驶员将驾驶模式切换成人工控制，不需要进行自主转向控制。

5.根据权利要求4所述的一种基于分段仿射分层控制的智能车转向控制系统，其特征在于，所述低速模式和中速模式的切换点设为20km/h，中速模式和高速模式的切换点设为60km/h。

6.根据权利要求5所述的一种基于分段仿射分层控制的智能车转向控制系统，其特征在于，在所述20km/h和60km/h的速度切换处建立分界速度模糊控制，对分界速度形成软约束，采用在20km/h处形成±3km/h的软约束，在60km/h处形成±5km/h的软约束；形成软约束之后从低速往高速必须越过软约束上界才进行控制模式的切换，从高速往低速时必须经过软约束下界才进行控制模式的切换。

7.一种基于分段仿射分层控制的智能车转向控制方法，其特征在于，包括如下步骤：

Step1：利用环境感知模块实时采集智能汽车的前方道路信息，横摆角速度γ车速Vx、以及质心侧偏角β；

Step2：利用路径规划模块根据感知模块所传递的数据规划出一条无障碍的期望路径；

Step3：利用分段仿射模块对于非线性侧向力模型进行分段仿射化处理，建立侧向动力学PWA模型；

Step4：利用决策模块针对车辆在低速模式、中速模式、高速模式和人工控制模式时实施分层控制；

Step5：利用车身稳定模块检测车辆质心侧偏角和横摆角速度，结合车辆实际状态的横摆角速度与质心侧偏角输入得到附加的横摆力矩；

Step6：利用执行模块根据决策模块输出的前轮转角值和车身稳定模块输出的附加横摆力矩值，驱动操纵执行机构，执行无人驾驶汽车自主转向，实现无人驾驶汽车跟踪期望轨迹。

8.根据权利要求7所述的一种基于分段仿射分层控制的智能车转向控制方法，其特征在于，所述Step3的具体过程如下：

采集各类工况下轮胎侧偏角与侧向力的试验数据，对轮胎侧偏特性的分段仿射模型进行参数辨识.对于子空间的划分采取G-K聚类算法求解，使得聚类结果满足如下目标函数：

其中，m∈[1，∞)表征聚类模糊程度的可调参数，代表各类别之间的重叠程度，取m＝2，d(z_j，v_i)表示样本z_j与聚类中心v_i之间的距离；

基于聚类方法获得数据子空间划分之后，子模型参数辨识问题可简化为线性优化问题，采用加权最小二乘法进行计算；根据该子类数据集的输入输出数据，以实际系统与子模型之间的输出偏差平方和构成准则函数，该准则的极小值对应子模型参数向量θ_i的估计值；

在此基础上进行切换面系数估计，采用基于支持向量机的方法进行超平面方程系数的求解，折衷考虑最大分类间隔和最少错分样本，建立广义最优分类面，选择满足Mercer条件的线性核函数构成支持向量，从而得到系统超平面方程系数h；

通过以上处理将轮胎侧偏角与轮胎侧向力的实际关系曲线分成三段线性表示

其中，C_i1和C_i2为第i个轮胎侧向力分段仿射表达式的侧偏刚度；f_i1和f_i2为第i个车轮侧向力分段仿射表达式的常数项；

基于此建立车辆侧向动力学模型

其中，δ_s为方向盘转角引起的前轮轮胎转向角，ΔT＝T₂-T₁+T₄-T₃为内外侧车轮驱动扭矩差，j为状态分区的第j个区。

9.根据权利要求7所述的一种基于分段仿射分层控制的智能车转向控制方法，其特征在于，所述Step4的分层控制包含：

在低速模式下，车辆行驶速度较低，安全性较高，而PID控制算法简单、参数调整较容易、控制效果好等优点，因此，低速模式可采用PID控制算法；

在中速情况下，车辆多行驶于城市道路，交通复杂，对转向控制精度要求较高，因此中速模式下可采用最优控制算法；

在高速模式下，车辆行驶速度较高，因此高速模式下可采用模型预测控制算法；

在人工模式下，驾驶员将驾驶模式切换成人工控制，不需要进行自主转向控制；

上述低速模式、中速模式、高速模式的切换点分别设置为：采用20km/h中低速切换点，60km/h作为中高速切换点；在20km/h和60km/h的速度切换点处建立分界速度模糊控制，对分界速度形成软约束，在20km/h处形成±3km/h的软约束，在60km/h处形成±5km/h的软约束；形成软约束之后从低速往高速必须越过软约束上界才进行控制模式的切换；从高速往低速时必须经过软约束下界才进行控制模式的切换。

10.根据权利要求7所述的一种基于分段仿射分层控制的智能车转向控制方法，其特征在于，所述Step5的具体过程包括：

步骤1，根据侧向动力学PWA模型建立控制模型

其中

步骤2，实际车辆的运动特性为

其中M为附加的横摆力矩，

步骤3，两式相减并离散化得

其中C_c＝(0 1)

步骤4，以质心侧偏角β和横摆角速度γ作为状态变量，附加横摆力偶矩M为控制量；选取横摆角速度γ和质心侧偏角β为控制输出和约束输出y；

步骤5，在(k)时刻，测量值为y(k)的优化目标描述如下

Q(y(k)，ΔU(k))＝||β_y(Y(k+1|k)-R(k+1))||²+‖β_uΔU(k)‖²

其中

(k+1)时刻的参考序列采用参考模型在k时刻输出的横摆角速度

约束为u_min(k+j)≤u(k+j)＜＜u_max(k+j)，j＝0，1，…m-1

步骤6，经过以上转换，在每个采样周期求的优化解的第一个元素即为约束模型预测控制算法输出的控制量。