CN109808707B - 一种基于随机模型预测的汽车转向控制方法及控制器 - Google Patents

一种基于随机模型预测的汽车转向控制方法及控制器 Download PDF

Info

Publication number
CN109808707B
CN109808707B CN201910122104.2A CN201910122104A CN109808707B CN 109808707 B CN109808707 B CN 109808707B CN 201910122104 A CN201910122104 A CN 201910122104A CN 109808707 B CN109808707 B CN 109808707B
Authority
CN
China
Prior art keywords
vehicle
control
coordinate system
steering
driving style
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.)
Active
Application number
CN201910122104.2A
Other languages
English (en)
Other versions
CN109808707A (zh
Inventor
褚端峰
高蒙
吴超仲
邓泽健
刘世东
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910122104.2A priority Critical patent/CN109808707B/zh
Publication of CN109808707A publication Critical patent/CN109808707A/zh
Application granted granted Critical
Publication of CN109808707B publication Critical patent/CN109808707B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Steering Control In Accordance With Driving Conditions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供一种基于随机模型预测的汽车转向控制方法，根据获得的信息进行车辆动力学建模，构建线性的车辆系统；对线性的车辆系统离散化处理；使用双移线作为测试工况，设计轨迹方程；将能够体现驾驶风格的参数量化，并假设保守型和激进型驾驶员的参数服从对应的正态分布，采用随机模型预测控制算法建立考虑驾驶风格的转向模型，并通过最小化目标函数条件期望的方法获得驾驶员的最优控制序列，对汽车进行转向控制。本发明使得车辆可以准确的跟踪参考轨迹，实现精确的车辆控制，提高车辆转弯安全性。

Description

一种基于随机模型预测的汽车转向控制方法及控制器
技术领域
本发明属于无人驾驶汽车控制领域，尤其涉及一种基于随机模型预测的汽车转向控制方法及控制器。
背景技术
自主车辆完成各项指定任务时，都必须解决最基本且最重要的轨迹跟踪控制问题。车辆系统是一个高度耦合的复杂非线性系统，实际上存在着相当多的不确定性因素，这会对控制器性能产生严重影响，然而，传统的模型预测控制模型未能考虑这些不确定性因素。
发明内容
本发明要解决的技术问题是：提供一种基于随机模型预测的汽车转向控制方法及控制器，提高转向控制精度和安全。
本发明为解决上述技术问题所采取的技术方案为：一种基于随机模型预测的汽车转向控制方法，其特征在于：它包括以下步骤：
S1、获取车辆结构参数信息和车辆运行状态信息；
S2、根据获得的信息进行车辆动力学建模，构建线性的车辆系统；
S3、对线性的车辆系统离散化处理；
S4、使用双移线作为测试工况，设计轨迹方程；将能够体现驾驶风格的参数量化，并假设保守型和激进型驾驶员的参数服从对应的正态分布，采用随机模型预测控制算法建立考虑驾驶风格的转向模型，并通过最小化目标函数条件期望的方法获得驾驶员的最优控制序列，对汽车进行转向控制；
所述的保守型和激进型驾驶员的参数通过实车实验获得。
按上述方法，所述的S2按以下公式进行车辆动力学建模：
Figure BDA0001972277330000011
其中
Figure BDA0001972277330000012
描述了惯性坐标系与车身坐标系下车辆的位置状态；δf是控制器输出的车辆控制变量；
Figure BDA0001972277330000013
为车辆的横摆角；
Figure BDA0001972277330000014
为车辆的横摆角速度；
Figure BDA0001972277330000015
分别为车辆在车身坐标系下的纵向速度和横向速度；Y为车辆在惯性坐标系下的横向位移；δf为前轮转向角；C1、C2为车辆前后轮的侧偏刚度；a、b分别为质心到前后轴的距离；IZ为车辆的转动惯量；m为车身质量。
按上述方法，所述的S3按以下公式进行离散化：
x2(k+1)＝Ak,tx2(k)+Bk,tu2(k)
y(k)＝Cx2(k)
其中：
Figure BDA0001972277330000021
x2(k+1)和x2(k)为k+1时刻和k时刻的状态量；Ak,t为离散化后的系统矩阵，B k,t为离散化后的输入矩阵，u2(k)为控制量，y(k)为输出量，C为输出矩阵，I为单位矩阵，T为采样周期；t为离散时间的采样时刻；A(t)为连续的系统矩阵，B(t)为连续的输入矩阵，k为步长。
按上述方法，所述的轨迹方程如下：
Figure BDA0001972277330000022
Figure BDA0001972277330000023
Figure BDA0001972277330000024
Figure BDA0001972277330000025
式中，Yref是参考轨迹的横向位移，X是参考轨迹的纵向位移；
Figure BDA0001972277330000026
是参考横摆角；z1、z2为中间参量；shape、dx1、dx2、dy1、dy2、Xs1、Xs2均为预设值。
按上述方法，所述的S4选取如下目标函数对系统状态量、控制量及控制增量进行优化：
Figure BDA0001972277330000027
且
Figure BDA0001972277330000031
Figure BDA0001972277330000032
即目标函数可写为：
J(k)＝[E(k)+ΘkΔU(k)]TQe[E(k)+ΘkΔU(k)]+ΔU(k)TReΔU(k)
其中：J(k)为目标函数；Np为预测时域；i为第i个步长；η为系统输出量；ηref为系统参考输出量；Nc表示控制时域；Q、R表示系统输出量偏差和控制增量的权重；Δu为控制增量；E(k)＝Ψkε(k|k)-Yref(k)，表示输出量偏差，其中，
Figure BDA0001972277330000033
Yref(k)为参考轨迹的横向位移；
Figure BDA0001972277330000034
表示在k时刻Nc+1步长内的控制增量的集合；
Figure BDA0001972277330000035
其中，
Figure BDA0001972277330000036
ε(k|k)＝(x1,δf)T，即
Figure BDA0001972277330000037
由于
Figure BDA0001972277330000041
Figure BDA0001972277330000042
所以
Figure BDA0001972277330000043
式中，ay为惯性坐标系下的横向加速度，
Figure BDA0001972277330000044
为车身坐标系下的横向加速度，
Figure BDA0001972277330000045
为车身坐标系下的纵向速度，
Figure BDA0001972277330000046
为车辆的横摆角速度；Im为单位矩阵；
使用：
N保～(μ保,σ2)
N激～(μ激,σ2)
用于描述驾驶风格的随机化特性；式中，N保和N激分别为保守型和激进型驾驶风格的ay的正态分布函数，μ保为保守型驾驶风格的ay的均值；μ激为激进型驾驶风格的ay的均值；且μ保和μ激通过实车实验数据计算得到；建立所述的目标函数与μ保和μ激的关系式并通过最小化目标函数期望值的方法得到最优控制序列，即：
ΔU*(k)＝argminE[J(k)]
式中，arg min表示为函数取最小值时的自变量取值，ΔU*(k)为最优控制序列；
按上述方法，所述的最优控制序列具体按以下公式求解：
Figure BDA0001972277330000047
且记为ω(ΔU(k))
其中，
Figure BDA0001972277330000048
p(ay)为ay的概率密度函数；ω(ΔU(k))为目标函数期望值函数；
令ω(ΔU(k))一阶导数为零，可得到最优控制序列
ΔU*(k)＝-(θk TQeθk+Re)-1θk TQeE(E(k))；
其中，
Figure BDA0001972277330000049
E(E(k))为E(k)的期望值；E(ε(k|k))为ε(k|k)的期望值。
一种汽车转向控制器，包括存储器，存储器中存有计算机程序，供整车控制器调用，以实现所述的基于随机模型预测的汽车转向控制方法。
本发明的有益效果为：通过建立车辆动力学模型，以动力学模型作为预测模型，然后建立转向控制器，并生成参考轨迹，通过求解目标函数，使得车辆可以准确的跟踪参考轨迹，实现精确的车辆控制，提高车辆转弯安全性。
附图说明
图1为本发明一实施例的原理框图。
具体实施方式
下面结合具体实例和附图对本发明做进一步说明。
本发明所设计的基于随机模型预测控制方法的汽车转向控制器应满足以下3方面的需求：
(1)无人驾驶车辆的目标是能够安全准确的到达目标点，这就要求无人驾驶车辆能够在不同工况下仍能保证准确平稳的轨迹跟踪。
(2)基于随机模型预测控制算法的轨迹跟踪控制器，需要求在进行控制器设计时将随机化参数考虑在内，并通过最小化目标函数条件期望的方法获得驾驶员的最优控制序列。
(3)约束的极限值要合理设计，需要保证约束值在车辆的运行极限值以内。
综上，本研究针对无人驾驶领域，提出了一种基于随机模型预测控制方法的汽车转向控制器，充分考虑了驾驶风格的随机性对车辆跟踪效果的影响，以此来模拟不同驾驶风格驾驶员的转向技能。
本发明提供一种基于随机模型预测的汽车转向控制方法，如图1所示，包括以下步骤：
S1、获取车辆结构参数信息和车辆运行状态信息，包括车辆轴距、车速、航向角等。
S2、根据获得的信息进行车辆动力学建模，构建线性的车辆系统。
S2按以下公式进行车辆动力学建模：
Figure BDA0001972277330000051
其中
Figure BDA0001972277330000052
描述了惯性坐标系与车身坐标系下车辆的位置状态；δf是控制器输出的车辆控制变量；
Figure BDA0001972277330000053
为车辆的横摆角；
Figure BDA0001972277330000054
为车辆的横摆角速度；
Figure BDA0001972277330000055
分别为车辆在车身坐标系下的纵向速度和横向速度；Y为车辆在惯性坐标系下的横向位移；δf为前轮转向角；C1、C2为车辆前后轮的侧偏刚度；a、b分别为质心到前后轴的距离；IZ为车辆的转动惯量；m为车身质量。
S3、对线性的车辆系统离散化处理。
S3按以下公式进行离散化：
x2(k+1)＝Ak,tx2(k)+Bk,tu2(k)
y(k)＝Cx2(k)
其中：
Figure BDA0001972277330000061
x2(k+1)和x2(k)为k+1时刻和k时刻的状态量；Ak,t为离散化后的系统矩阵，B k,t为离散化后的输入矩阵，u2(k)为控制量，y(k)为输出量，C为输出矩阵，I为单位矩阵，T为采样周期；t为离散时间的采样时刻；A(t)为连续的系统矩阵，B(t)为连续的输入矩阵，k为步长。
S4、使用双移线作为测试工况，设计轨迹方程；将能够体现驾驶风格的参数量化，并假设保守型和激进型驾驶员的参数服从对应的正态分布，采用随机模型预测控制算法建立考虑驾驶风格的转向模型，并通过最小化目标函数条件期望的方法获得驾驶员的最优控制序列，对汽车进行转向控制。所述的保守型和激进型驾驶员的参数通过实车实验获得。
由于转向控制器所设置的控制目标是尽量减小轨迹跟踪偏差，同时需保证车辆的稳定性，所以实际车辆行驶稳定性测试中，大多使用双移线作为测试工况，所述的轨迹方程如下：
Figure BDA0001972277330000062
Figure BDA0001972277330000063
Figure BDA0001972277330000064
Figure BDA0001972277330000065
式中，Yref是参考轨迹的横向位移，X是参考轨迹的纵向位移；
Figure BDA0001972277330000071
是参考横摆角；z1、z2为中间参量；shape、dx1、dx2、dy1、dy2、Xs1、Xs2均为预设值，本实施例赋值如下：
shape＝6.5,dx1＝40,dx2＝40,dy1＝3.8348,dy2＝3.8348,
Xs1＝150,Xs2＝170
为了保证无人驾驶车辆准确、平稳地跟踪期望轨迹，需要对系统状态量、控制量及控制增量进行优化，选取如下目标函数：
Figure BDA0001972277330000072
且
Figure BDA0001972277330000073
Figure BDA0001972277330000074
即目标函数可写为：
J(k)＝[E(k)+ΘkΔU(k)]TQe[E(k)+ΘkΔU(k)]+ΔU(k)TReΔU(k)
其中：J(k)为目标函数；Np为预测时域；i为第i个步长；η为系统输出量；ηref为系统参考输出量；Nc表示控制时域；Q、R表示系统输出量偏差和控制增量的权重；Δu为控制增量；E(k)＝Ψkε(k|k)-Yref(k)，表示输出量偏差，其中，
Figure BDA0001972277330000075
Yref(k)为参考轨迹的横向位移；
Figure BDA0001972277330000076
表示在k时刻Nc+1步长内的控制增量的集合；
Figure BDA0001972277330000081
其中，
Figure BDA0001972277330000082
ε(k|k)＝(x1,δf)T，即
Figure BDA0001972277330000083
由于
Figure BDA0001972277330000084
Figure BDA0001972277330000085
所以
Figure BDA0001972277330000086
式中，ay为惯性坐标系下的横向加速度，
Figure BDA0001972277330000087
为车身坐标系下的横向加速度，
Figure BDA0001972277330000088
为车身坐标系下的纵向速度，
Figure BDA0001972277330000089
为车辆的横摆角速度。
在轨迹跟踪控制器设计的过程中将能够体现驾驶风格的参数量化，并假设保守型和激进型驾驶员的参数服从不同的正态分布，以建立考虑驾驶风格的转向模型，使用：
N保～(μ保,σ2)
N激～(μ激,σ2)
用于描述驾驶风格的随机化特性；式中，N保和N激分别为保守型和激进型驾驶风格的ay的正态分布函数，μ保为保守型驾驶风格的ay的均值；μ激为激进型驾驶风格的ay的均值；且μ保和μ激通过实车实验数据计算得到；建立所述的目标函数与μ保和μ激的关系式并通过最小化目标函数期望值的方法得到最优控制序列，即：
U*(k)＝arg min E[J(k)]
式中，arg min表示为函数取最小值时的自变量取值，U*(k)为最优控制序列。
所述的最优控制序列具体按以下公式求解：
Figure BDA0001972277330000091
且记为ω(ΔU(k))
其中，
Figure BDA0001972277330000092
p(ay)为ay的概率密度函数；ω(ΔU(k))为目标函数期望值函数。
令ω(ΔU(k))一阶导数为零，可得到最优控制序列
ΔU*(k)＝-(θk TQeθk+Re)-1θk TQeE(E(k))。
其中，
Figure BDA0001972277330000093
E(E(k))为E(k)的期望值；E(ε(k|k))为ε(k|k)的期望值。
本发明还提供一种汽车转向控制器，包括存储器，存储器中存有计算机程序，供整车控制器调用，以实现所述的基于随机模型预测的汽车转向控制方法。
本发明基于随机模型预测控制算法，针对无人驾驶车辆在行车过程中轨迹跟踪控制问题，设计了一种基于随机模型预测控制方法的汽车转向控制器。在分析人、车、路、环境的基础上，考虑人类驾驶员的驾驶风格，并将能够体现驾驶风格的参数随机化处理，在考虑不同驾驶风格驾驶员具有不同的分布特性、不确定性对控制模型产生影响的同时，充分考虑到驾驶员的行为特性，提高其行车安全性与舒适性。与现有的转向控制器进行比较，本发明基于随机模型预测控制方法的汽车转向控制器，具有考虑全面、适应性强、可靠性高等优点。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (3)

1.一种基于随机模型预测的汽车转向控制方法，其特征在于：它包括以下步骤：
S1、获取车辆结构参数信息和车辆运行状态信息；
S2、根据获得的信息进行车辆动力学建模，构建线性的车辆系统；
S3、对线性的车辆系统离散化处理；
S4、使用双移线作为测试工况，设计轨迹方程；将能够体现驾驶风格的参数量化，并假设保守型和激进型驾驶员的参数服从对应的正态分布，采用随机模型预测控制算法建立考虑驾驶风格的转向模型，并通过最小化目标函数条件期望的方法获得驾驶员的最优控制序列，对汽车进行转向控制；
所述的保守型和激进型驾驶员的参数通过实车实验获得；
所述的S2按以下公式进行车辆动力学建模：
Figure FDA0002583162220000011
其中
Figure FDA0002583162220000012
描述了惯性坐标系与车身坐标系下车辆的位置状态；δf是控制器输出的车辆控制变量；
Figure FDA0002583162220000013
为车辆的横摆角；
Figure FDA0002583162220000014
为车辆的横摆角速度；
Figure FDA0002583162220000015
分别为车辆在车身坐标系下的纵向速度和横向速度；Y为车辆在惯性坐标系下的横向位移；δf为前轮转向角；C1、C2为车辆前后轮的侧偏刚度；a、b分别为质心到前后轴的距离；IZ为车辆的转动惯量；m为车身质量；
所述的S3按以下公式进行离散化：
x2(k+1)＝Ak,tx2(k)+Bk,tu2(k)
y(k)＝Cx2(k)
其中：
Figure FDA0002583162220000016
x2(k+1)和x2(k)为k+1时刻和k时刻的状态量；Ak,t为离散化后的系统矩阵，Bk,t为离散化后的输入矩阵，u2(k)为控制量，y(k)为输出量，C为输出矩阵，I为单位矩阵，T为采样周期；t为离散时间的采样时刻；A(t)为连续的系统矩阵，B(t)为连续的输入矩阵，k为步长；
所述的轨迹方程如下：
Figure FDA0002583162220000021
Figure FDA0002583162220000022
Figure FDA0002583162220000023
Figure FDA0002583162220000024
式中，Yref是参考轨迹的横向位移，X是参考轨迹的纵向位移；
Figure FDA0002583162220000025
是参考横摆角；z1、z2为中间参量；shape、dx1、dx2、dy1、dy2、Xs1、Xs2均为预设值；
所述的S4选取如下目标函数对系统状态量、控制量及控制增量进行优化：
Figure FDA0002583162220000026
且
Figure FDA0002583162220000027
Figure FDA0002583162220000028
即目标函数可写为：
J(k)＝[E(k)+ΘkΔU(k)]TQe[E(k)+ΘkΔU(k)]+ΔU(k)TReΔU(k)
其中：J(k)为目标函数；Np为预测时域；i为第i个步长；η为系统输出量；ηref为系统参考输出量；Nc表示控制时域；Q、R表示系统输出量偏差和控制增量的权重；Δu为控制增量；E(k)＝Ψkε(k|k)-Yref(k)，表示输出量偏差，其中，
Figure FDA0002583162220000031
Yref(k)为参考轨迹的横向位移；
Figure FDA0002583162220000032
表示在k时刻Nc+1步长内的控制增量的集合；
Figure FDA0002583162220000033
其中，
Figure FDA0002583162220000034
ε(k|k)＝(x1,δf)T，即
Figure FDA0002583162220000035
由于
Figure FDA0002583162220000036
Figure FDA0002583162220000037
所以
Figure FDA0002583162220000038
式中，ay为惯性坐标系下的横向加速度，
Figure FDA0002583162220000039
为车身坐标系下的横向加速度，
Figure FDA00025831622200000310
为车身坐标系下的纵向速度，
Figure FDA00025831622200000311
为车辆的横摆角速度；Im为单位矩阵；
使用：
N保～(μ保,σ2)
N激～(μ激,σ2)
用于描述驾驶风格的随机化特性；式中，式中，N保和N激分别为保守型和激进型驾驶风格的ay的正态分布函数，μ保为保守型驾驶风格的ay的均值；μ激为激进型驾驶风格的ay的均值；且μ保和μ激通过实车实验数据计算得到；建立所述的目标函数与μ保和μ激的关系式并通过最小化目标函数期望值的方法得到最优控制序列，即：
ΔU*(k)＝argminE[J(k)]
式中，arg min表示为函数取最小值时的自变量取值，ΔU*(k)为最优控制序列，J(k)为目标函数。
2.根据权利要求1所述的基于随机模型预测的汽车转向控制方法，其特征在于：所述的最优控制序列具体按以下公式求解：
Figure FDA0002583162220000041
且记为ω(ΔU(k))
其中，
Figure FDA0002583162220000042
p(ay)为ay的概率密度函数；ω(ΔU(k))为目标函数期望值函数；
令ω(ΔU(k))一阶导数为零，得到最优控制序列ΔU*(k)；
ΔU*(k)＝-(θk TQeθk+Re)-1θk TQeE(E(k))；
其中，
Figure FDA0002583162220000043
E(E(k))为E(k)的期望值；E(ε(k|k))为ε(k|k)的期望值。
3.一种汽车转向控制器，其特征在于：它包括存储器，存储器中存有计算机程序，供整车控制器调用，以实现权利要求1或2所述的基于随机模型预测的汽车转向控制方法。
CN201910122104.2A 2019-02-19 2019-02-19 一种基于随机模型预测的汽车转向控制方法及控制器 Active CN109808707B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910122104.2A CN109808707B (zh) 2019-02-19 2019-02-19 一种基于随机模型预测的汽车转向控制方法及控制器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910122104.2A CN109808707B (zh) 2019-02-19 2019-02-19 一种基于随机模型预测的汽车转向控制方法及控制器

Publications (2)

Publication Number Publication Date
CN109808707A CN109808707A (zh) 2019-05-28
CN109808707B true CN109808707B (zh) 2020-12-08

Family

ID=66606782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910122104.2A Active CN109808707B (zh) 2019-02-19 2019-02-19 一种基于随机模型预测的汽车转向控制方法及控制器

Country Status (1)

Country Link
CN (1) CN109808707B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110539752B (zh) * 2019-06-26 2020-12-18 江苏大学 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及系统
CN110398969B (zh) * 2019-08-01 2022-09-27 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置
CN111532339B (zh) * 2020-04-20 2021-11-12 合肥工业大学 一种智能车辆个性化侧向辅助驾驶方法及其系统
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
CN112193318A (zh) * 2020-10-15 2021-01-08 北京航天发射技术研究所 车辆路径控制方法、装置、设备及计算机可读存储介质
CN112477855B (zh) * 2020-11-10 2023-01-06 浙江吉利控股集团有限公司 一种车辆转向辅助方法、装置及设备
CN112622895B (zh) * 2020-12-30 2022-07-08 采埃孚商用车系统(青岛)有限公司 一种应用于自动驾驶的轨迹控制的预估控制方法
CN112947294B (zh) * 2021-02-22 2023-10-20 长春汽车工业高等专科学校 一种基于数字孪生的汽车装配车间监控仿真系统
CN113076641B (zh) * 2021-03-31 2022-09-20 同济大学 基于风险评估的智能车人机协同转向控制并行计算方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105705395B (zh) * 2013-12-11 2019-01-11 英特尔公司 个人驾驶偏好适应的车辆的计算机辅助或自主驾驶
US9623878B2 (en) * 2014-04-02 2017-04-18 Magna Electronics Inc. Personalized driver assistance system for vehicle
US10802484B2 (en) * 2016-11-14 2020-10-13 Baidu Usa Llc Planning feedback based decision improvement system for autonomous driving vehicle
US10699305B2 (en) * 2016-11-21 2020-06-30 Nio Usa, Inc. Smart refill assistant for electric vehicles
EP3549044A4 (en) * 2016-12-02 2020-07-22 Starsky Robotics, Inc. VEHICLE CONTROL SYSTEM AND METHOD OF USE
JP6658484B2 (ja) * 2016-12-09 2020-03-04 トヨタ自動車株式会社 車両の制御装置
US10095234B2 (en) * 2017-03-07 2018-10-09 nuTonomy Inc. Planning for unknown objects by an autonomous vehicle
CN107544496A (zh) * 2017-08-25 2018-01-05 江苏大学 一种改进余弦换道模型的轨迹规划方法
CN107521496B (zh) * 2017-09-08 2018-11-13 吉林大学 一种无人车辆的横纵向协调控制轨迹跟随控制方法
US10173586B1 (en) * 2017-09-11 2019-01-08 Stanislav D Kashchenko System and method for automatically activating turn indicators in a vehicle
CN107993453B (zh) * 2017-12-28 2020-04-21 武汉理工大学 一种基于车路协同的弯道安全车速计算方法
US10870430B2 (en) * 2018-01-10 2020-12-22 Intel Corporation Communicating the autonomy status of vehicles
CN108569336B (zh) * 2018-04-26 2020-08-04 武汉理工大学 在动力学约束下基于车辆运动学模型转向控制方法
CN108646734B (zh) * 2018-04-27 2021-04-02 天津大学 基于量子粒子群算法的非线性模型预测控制方法
CN108732921B (zh) * 2018-04-28 2021-05-25 江苏大学 一种自动驾驶汽车横向可拓预瞄切换控制方法
CN109318905B (zh) * 2018-08-22 2020-06-09 江苏大学 一种智能汽车路径跟踪混合控制方法

Also Published As

Publication number Publication date
CN109808707A (zh) 2019-05-28

Similar Documents

Publication Publication Date Title
CN109808707B (zh) 一种基于随机模型预测的汽车转向控制方法及控制器
Chai et al. Design and implementation of deep neural network-based control for automatic parking maneuver process
CN110989576B (zh) 速差滑移转向车辆的目标跟随及动态障碍物避障控制方法
CN112356830B (zh) 一种基于模型强化学习的智能泊车方法
Sentouh et al. A sensorimotor driver model for steering control
US20210263526A1 (en) Method and device for supporting maneuver planning for an automated driving vehicle or a robot
CN112987577B (zh) 一种无人车数据驱动自适应控制方法和装置
Liu et al. Finite-time optimized robust control with adaptive state estimation algorithm for autonomous heavy vehicle
CN110879595A (zh) 一种基于深度强化学习的无人矿卡循迹控制系统及方法
CN113515038A (zh) 一种车辆换道方法、装置、设备及可读存储介质
Wang et al. Lane keeping assist for an autonomous vehicle based on deep reinforcement learning
Chen et al. An improved IOHMM-based stochastic driver lane-changing model
CN112193318A (zh) 车辆路径控制方法、装置、设备及计算机可读存储介质
CN114779641A (zh) 基于新航向误差定义的环境自适应mpc路径追踪控制方法
Xu et al. Modeling Lateral Control Behaviors of Distracted Drivers for Haptic-Shared Steering System
WO2019155511A1 (en) Inverse model predictive control system, inverse model predictive control method, and inverse model predictive control program
CN116901932A (zh) 车辆纵横向稳定性控制方法及装置、电子设备及存储介质
Wang et al. Application of stochastic model predictive control to modeling driver steering skills
CN112685835B (zh) 车辆自主驾驶的弹性事件触发控制方法及系统
CN115062539A (zh) 基于强化学习转角权重分配的人车协同转向控制方法
CN117519129A (zh) 一种轨迹跟踪控制方法、装置、计算机设备和存储介质
Liang et al. Coordinated control of yaw and roll stability in heavy vehicles considering dynamic safety requirements
CN117048639B (zh) 一种车辆自适应路径控制方法、存储介质及计算机
Thoresson Efficient gradient-based optimisation of suspension characteristics for an off-road vehicle
CN112989499B (zh) 一种无人车数据驱动控制方法和装置

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