CN109991856A - 一种机器人驾驶车辆集成协调控制方法 - Google Patents
一种机器人驾驶车辆集成协调控制方法 Download PDFInfo
- Publication number
- CN109991856A CN109991856A CN201910338665.6A CN201910338665A CN109991856A CN 109991856 A CN109991856 A CN 109991856A CN 201910338665 A CN201910338665 A CN 201910338665A CN 109991856 A CN109991856 A CN 109991856A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- driver
- model
- speed
- 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
Abstract
本发明提供了一种机器人驾驶车辆集成协调控制方法,包括:建立机器人驾驶车辆动力学模型;建立考虑模型不确定性和外部干扰的机器人驾驶车辆动力学模型;建立驾驶员车速控制行为模型和驾驶员转向操纵行为模型;采用模糊滑模理论设计机器人驾驶车辆的车速控制器;采用鲁棒反演理论设计机器人驾驶车辆的转向控制器;分别为车速控制和转向控制设计干扰观测器;设计将发动机驱动力控制转换为油门机械腿控制、制动力控制转换为制动机械腿控制、以及前轮转角控制转换为转向机械手控制的控制转换函数;设计用于协调控制机器人驾驶车辆车速与转向的策略。
Description
技术领域
本发明涉及一种汽车自动驾驶技术,特别是一种机器人驾驶车辆集成协调控制方法。
背景技术
无人机器驾驶技术是自动驾驶技术的一种新的解决方案,其与自动驾驶技术的主要区别在于,其采用驾驶机器人来自动驾驶车辆。驾驶机器人是指无需改装现有车辆,就能实现各种车型的自动驾驶。自动驾驶车辆是由普通车辆改装而来。一旦完成改装,就难以将改装零部件从普通自动驾驶车辆上拆除,即使拆除了,由于不同车型结构性能不同,也无法将改装零部件再次用于改装其他车型。相比于自动驾驶车辆,机器人驾驶车辆的优点在于其具有独特的易拆装性和通用性。易拆装性体现在驾驶机器人能在驾驶室内方便地进行安装和拆卸。安装时,将驾驶机器人安放在驾驶员座椅上,将其操纵机构与车辆操纵机构相连接和固定。拆卸时,只需解除固定,并将驾驶机器人移出驾驶室。通用性体现在一台驾驶机器人适用于多种车型。同种类型的车辆,驾驶机器人只需对其中一辆进行性能自学习,就具备驾驶该类型所有车辆的能力,节约了大量时间。因此,无人机器驾驶技术能广泛应用于战场运输、抢险救灾、车辆试验等军警民用领域。
目前,国内研究驾驶机器人的并不多见,已经公开且较成熟的是由油门机械腿、离合机械腿、制动机械腿、转向机械手、换挡机械手组成的驾驶机器人,其结构如中国专利201310361723“电磁驱动汽车驾驶机器人”所述。该类型驾驶机器人的驾驶机械腿和换挡机械手均采用直线驱动单元来直接驱动,不需要中间传动机构,具有传动效率高和传动速度快等优点。此类驾驶机器人要实现自动驾驶操纵车辆,则需要进行机器人驾驶车辆集成协调控制进行研究。
目前大多研究的是车辆的集成协调控制,如湖南大学硕士学位论文“车辆主动前轮转向与主动横向稳定杆集成协调控制”对车辆主动前轮转向和主动横向稳定杆系统进行了协调控制,又如陈无畏等人在《机械工程学报》杂志发表的论文“基于功能分配的EPS与ESP集成协调控制”对EPS最优控制器和ESP最优控制器进行了协调分配,但关于机器人驾驶车辆集成协调控制的研究寥寥无几。
发明内容
本发明的目的在于提供一种机器人驾驶车辆集成协调控制方法,此方法是基于驾驶员驾驶行为、模糊滑模理论、鲁棒反演理论以及干扰观测器的纵横向协调控制方法,用于精确稳定地控制机器人驾驶车辆的车速跟踪与路径跟踪。
实现本发明目的的技术方案为:一种机器人驾驶车辆集成协调控制方法,包括以下步骤:
步骤1,建立机器人驾驶车辆动力学模型;
步骤2,建立考虑模型不确定性和外部干扰的机器人驾驶车辆动力学模型;
步骤3,建立驾驶员车速控制行为模型和驾驶员转向操纵行为模型;
步骤4,采用模糊滑模理论设计机器人驾驶车辆的车速控制器;
步骤5,采用鲁棒反演理论设计机器人驾驶车辆的转向控制器;
步骤6,分别为车速控制和转向控制设计干扰观测器;
步骤7,设计将发动机驱动力控制转换为油门机械腿控制、制动力控制转换为制动机械腿控制、以及前轮转角控制转换为转向机械手控制的控制转换函数;
步骤8,设计用于协调控制机器人驾驶车辆车速与转向的策略。
本发明与现有技术相比,其显著优点:相比于自动驾驶车辆,机器人驾驶车辆的优点在于其具有独特的易拆装性和通用性。基于驾驶员驾驶行为的机器人驾驶车辆协调控制方法结合了驾驶员车速控制策略和驾驶员转向操纵策略,既弥补了机器人驾驶车辆协调控制研究的不足,也弥补了目前车辆控制方法缺乏考虑驾驶员驾驶行为的缺点。采用此方法控制的机器人驾驶车辆转向和车速控制更加精确稳定,能够避免油门和制动的频繁切换,并能保证大曲率转弯时的安全性。
下面结合说明书附图对本发明作进一步描述。
附图说明
图1为本发明一种机器人驾驶车辆集成协调控制方法的一个示范性流程图。
图2为机器人转向机械手结构图。
图3为机器人驾驶机械腿受力分析图,其中a)为驾驶机械腿左半部分受力分析示意图,b)为驾驶机械腿右半部分受力分析示意图。
图4为换挡机械手选挡时受力分析。
图5为换挡机械手挂挡时受力分析。
图6为驾驶员转向操纵行为模型框图。
图7为驾驶员车速控制行为模型框图。
图8为车速跟踪控制对比曲线。
图9为车速跟踪控制误差对比曲线。
图10为双移线路径跟踪曲线对比图。
图11为双移线路径跟踪侧向误差对比图。
图12为采用本文提出方法中油门和制动切换操纵策略时的油门和制动操纵,其中,a)为油门操纵示意图,b)为制动操纵示意图。
图13为试验工况的目标车速。
图14为试验工况的目标路径。
图15为有不同道路曲率下操纵调整策略时的车速跟踪和路径跟踪,其中a)为车速跟踪示意图,b)为路径跟踪示意图。
具体实施方式
一种机器人驾驶车辆集成协调控制方法,包括以下步骤:
步骤1,分析了机器人驾驶车辆的系统结构;
步骤2,根据机器人操纵机构的特点,建立了机器人操纵机构动力学模型,并考虑模型不确定性和外部干扰建立了机器人驾驶车辆的动力学模型;
步骤3,分析了驾驶员操纵车辆时的车速控制行为和转向操纵行为,建立了驾驶员驾驶行为模型;
步骤4,基于机器人驾驶车辆动力学模型和驾驶员驾驶行为模型,采用鲁棒反演理论、模糊滑模理论以及观测器设计了机器人驾驶车辆的集成协调控制方法。
步骤2中的车辆动力学模型包括转向机械手动力学模型、换挡机械手动力学模型为式、驾驶机械腿动力学模型为式、考虑模型不确定性和外部干扰的机器人驾驶车辆动力学模型。
步骤2中,建立机器人的转向机械手动力学模型。转向机械手结构如图2所示,主要由方向盘卡盘、减速器、驱动电机、万向节组成。机器人转向机械手动力学模型为:
式中,δh为方向盘卡盘输出转角,i0为减速器传动比,Tm为驱动电机输出转矩,Th为方向盘卡盘受到来自车辆方向盘的回正转矩,Jh为方向盘卡盘的转动惯量,Kh为转向机械手的扭转刚度,s是拉式变换中的一种表达符号。
步骤2中,建立机器人的驾驶机械腿动力学模型。驾驶机械腿受力分析如图3所示。图3(a)中,Fm是直线电机输出的驱动力,△C为直线电机输出位移,α2为连杆l3的转角,T3是由Fm转换而来驱动力矩,θ0为连杆l4与竖直方向的夹角,M5为踩踏时驾驶机械腿受到来自踏板的阻力矩。F3是由T3转换而来力,方向垂直连杆l3。F31和F32为F3的垂直分解力。
图3(b)中,由于驾驶机械腿在工作时转动的角度并不是很大,故可认为θ0为定值。相比于摇杆l3,摇杆l5的转动惯量较小,对建模的影响小,故可认为摇杆l5与水平线的夹角为定值,不妨假定为α40。因此,为了简化建模的过程,在对图3(b)中的驾驶机械腿建模时,仅考虑摇杆l3的转动惯量I3,以及连杆l4的质量m4。图3(b)中驾驶机械腿的动力学方程为:
图3(a)中,由于直线电机推杆轴与连杆l1的质量与转动惯量均较小,故忽略其动能,仅考虑摇杆l2(摇杆l2为虚构的,实际上应该考虑摇杆l3)的动能。因此图3(a)中驾驶机械腿的动力学方程可表示为:
步骤2中,建立机器人换挡机械手动力学模型。换挡机械手选挡和挂挡受力分析如图4和图5所示。图4中,T21为选挡力矩,vPx为选挡时手柄抓手的运动速度。FPx为手柄抓手受到的选挡阻力,方向与vPx相反。图5中,T31为挂挡力矩,vPy为挂挡时手柄抓手的运动速度。FPy为手柄抓手受到的挂挡阻力,方向与vPy相反。
选挡过程的换挡机械手动力学模型为:
式中:为角位移量,△xPx为换挡机械手在选挡方向的位移量,LPF为杆长,ILPF为杆LPF绕F点的转动惯量。
挂挡过程的换挡机械手动力学模型为:
式中:为角位移量,△xPy为换挡机械手在挂挡方向的位移量,mLPF杆LPF的质量。
步骤2中,根据机器人操纵机构动力学模型和车辆动力学模型,考虑模型不确定性和外部干扰的机器人驾驶车辆动力学模型为:
其中,与为模型考虑的不确定性引起的车辆质心侧偏角速度与横摆角速度的变化量,IZ为车辆绕自身坐标系Z轴的转动惯量,
式中,Fe(s)是Fe拉式变换的表达形式,ux为纵向车速,为纵向加速度的不确定性,Ff为道路滚动阻力,f为滚动阻力系数,m为整车质量,g为重力加速度,Fw为空气阻力,CD为空气阻力系数,Fi为坡道阻力,α为坡道角度。Fj为加速阻力,δ为车辆旋转质量换算系数,lf、lr分别为车辆质心到前后车轴的距离,δf为前轮转角,β为质心侧偏角,r为横摆角速度,Fwind为侧风干扰,lw为侧风干扰的力臂,cf、cr分别为前后车轮的侧偏刚度;Fp为制动踏板踩踏力,Az、Al为制动主缸和轮缸的活塞面积,xz、xl为制动主缸和轮缸的活塞位移,kz、kl为制动主缸和轮缸的回位弹簧刚度,i0转向机械手减速器传动比,is车辆转向系统中齿轮与轮胎主轴销的传动比,Tm转向机械手电机输出转矩,MZ前轮回正力矩,Jeq车辆转向系统的等效转动惯量,Keq车辆转向系统的等效扭转刚度,ka、kb为比例系数,τ发动机时间常数,Ta、Tb分别为发动机和制动系数的一阶惯性环节系数,CD空气阻力系数,ρ制动液密度,kth为常数,kxb为常数,f(ΔC)为驾驶机械腿电机位移ΔC与踏板角度位移α4的函数关系,f(xZ)制动主缸位移xz与制动力Fp的函数关系。
转向机械手动力学模型转动方向盘给车辆一个转角,对车辆进行横向控制与换挡机械手动力学模型是根据车速变化对车辆进行换档,驾驶机械腿动力学模型根据车速与加速度变化,通过给踏板一个角位移对车辆进行速度跟踪ux。
步骤3,通过分析驾驶员转向操纵行为,建立的驾驶员转向操纵行为模型,用于帮助机器人平稳地操纵车辆进行转向。驾驶员转向操纵行为模型框图如图6所示。通过分析驾驶员车速控制行为,建立的驾驶员车速控制行为模型,用于帮助驾驶员精确稳定地控制车速,避免机器人频繁地切换油门和制动,并在车辆侧向加速度过大时保证车辆的行驶安全性。驾驶员车速控制行为模型如图7所示。
驾驶员转向操纵行为模型包括驾驶员自适应预瞄模型、虚拟路径规划与期望横摆角速度跟踪模型:
(1)驾驶员自适应预瞄模型
式中,为预瞄环节,fe为有效目标路径输入,w11、w22、w33、w44均为权重系数,1/K0为比例系数,1/Gay为侧向加速度增益,为车轮车辆侧向加速度与方向盘转角的比值,td和th分别为驾驶员神经和手臂的反应时间,和分别为理想和实际的车辆侧向加速度,δsw分别为实际的车辆方向盘转角。
(2)虚拟路径规划
式中,y(x)为车辆子啊虚拟路径上的纵坐标,x为车辆在虚拟路径上的纵坐标,xe预瞄点横坐标,ye为预瞄点纵坐标,v为无人驾驶机器人车辆质心处实际车速,r为车辆质心横摆角速度。
(3)期望横摆角速度生成
式中,ε为与控制时间间隔相关的比例系数,r为当前横摆角速度,rr为期望横摆角速度。
驾驶员车速控制行为模型有油门和制动切换操纵策略与不同道路曲率下操纵调整策略:
(1)油门和制动切换操纵策略
式中,ad为驾驶员根据目标车速的导数,are为发动机输出驱动力和地面制动力均为0时的残余减速度,s为切换操纵策略的缓冲层厚度,相当于给油门和制动切换操纵策略引入一个不操纵的中间区域。
(2)不同道路曲率下操纵调整策略
[aymax]为车辆最大安全侧向加速度,na为安全系数,0<na<1。na值的大小与驾驶员的驾驶风格有关。na值越大,表示驾驶员能承受的最大安全侧向加速度越大,驾驶风格越冒进。na值越小,表示驾驶员能承受的最大安全侧向加速度越小,驾驶风格越谨慎。Y=f(x)为曲率变化的目标路径,ux为车辆实际纵向车速。根据车辆行驶处的路径曲率和纵向车速,可以得出车辆实际侧向加速度ay。若ay大于[aymax]·na时,则需要进行操纵调整。具体调整动作为,松油门,踩制动,并保持精确的转向控制;若ay小于等于[aymax]·na时,则驾驶员没有调整动作,按照原先操纵策略驾驶。
步骤4中采用模糊滑模理论设计用于控制机器人驾驶车辆车速的车速控制器。机器人驾驶车辆的车速控制器包括发动机驱动力模糊滑模控制u1FS和制动力模糊滑模控制u2FS
其中,Feq为发动机驱动力等效控制律,Fev为发动机驱动力变结构控制律,Fxbq为制动力等效控制律,Fxbv为制动力变结构控制律,δ为车辆旋转质量换算系数,m为整车质量,ux为纵向车速,ud为理想纵向车速,λ1、λ2为滑模面系数。CD为空气阻力系数,f为滚动阻力系数,g为重力加速度,α为坡道角度,k1、k2为变结构控制律的反馈增益系数,s1、s2切换面函数。
在所述的驾驶员转向操纵行为模型的基础上,采用鲁棒反演理论设计用于控制机器人驾驶车辆转向的转向控制器为:
式中,u,为等效控制输入,z1为跟踪误差,果b1、b2、z1、z2均为中间量,x1、x2均为控制过程中的状态变量,rr为期望横摆角速度,c1、c2为鲁棒反演控制的系数。
利用干扰观测器对油门、制动、转向控制过程中的模型不确定性和外部干扰进行观测和补偿。干扰观测器包括油门干扰器、制动干扰器、转向干扰观测器;其中
(1)油门干扰器
其中,g1(x)=1/δm,f1(x)=-g1(x)·(CDx2+mgf+mgsinα),p1(x)为待设计函数且z1为观测器的状态变量,为纵向加速度干扰d1的估计,L1(x)为观测器增益,u1为发动机驱动力控制输入(即油门非线性模糊滑模补偿控制量)。
(2)制动干扰器
其中,p2(x)为待设计函数且z2为观测器的状态变量,为纵向加速度干扰d2的估计,L2(x)为观测器增益,u2为制动力控制输入(即制动非线性模糊滑模补偿控制量)。
(3)转向干扰观测器
其中,k1、k2、k3均为干扰观测器状态方程系数,的为干扰观测器状态方程。
设计将发动机驱动力控制转换为油门机械腿控制、制动力控制转换为制动机械腿控制、以及前轮转角控制转换为转向机械手控制的控制转换函数;转换函数包括:
(1)油门控制转换函数
踏板转角α4与发动机驱动力Fe之间的关系为(1)
f(ΔC1)=α4
式中,Ta为发动机一阶惯性环节常数,Fe为发动机输出的驱动力,ka为一阶惯性环节的比例常数,τ为发动机的时间常数,kth为常数,ΔC1为油门机械腿直线电机输出位移;
(2)制动控制转换函数
制动踏板转角α4与踏板踩踏力Fp之间的关系为(2)
f(ΔC2)=α4
式中,△C2为通过控制直线电机输出位移△C2来控制踏板转角,Az、Al为制动主缸和轮缸的活塞面积,xz、xl为制动主缸和轮缸的活塞位移,kz、kl为制动主缸和轮缸的回位弹簧刚度,kxb为常值,ρ为制动液密度;
(3)转向控制转换函数
用于控制无人驾驶机器人转向机械手的转矩Tm为(3)
式中,i0为减速器传动比,is为从小齿轮到车轮主轴销的传动比,MZ为前轮回正力矩,δf为前轮转角,Jeq是车辆转向系等效转动惯量,Keq为车辆转向系等效扭转刚度
最后,设计用于协调控制机器人驾驶车辆车速与转向的策略油门和制动切换控制策略为:
式中,are为发动机输出驱动力和地面制动力均为0时的残余减速度,ad为目标车速(驾驶员期望车速)的导数,s为切换操纵策略的缓冲层厚度。
不同道路曲率下操纵调整策略为:
式中,[aymax]为车辆最大安全侧向加速度,na为安全系数,0<na<1。
为了说明机器人驾驶车辆集成协调控制方法的有效性,本专利将本方法与其他方法进行对比,从而分析本方法的优越性。
为了说明本方法在机器人驾驶车辆纵向控制中的有效性,进行了机器人驾驶车辆车速跟踪控制仿真与试验,以及人类驾驶员车辆车速跟踪试验。车速跟踪控制仿真分别采用了本方法和模糊免疫PID进行。根据试验标准,车速跟踪控制试验由PID控制机器人在BOCO NJ 150/80型底盘测功上进行。此外,利用人类驾驶员做同样的车速跟踪试验。
车速跟踪控制的结果如图8和图9所示。人类驾驶员车速跟踪结果不理想。PID控制驾驶机器人比人类驾驶员得到的车速跟踪结果好,但车速误差超过了±2km/h,且车速波动较大。但本文提出方法的控制效果更好,车速误差波动很小,能够做出准确、快速的响应。
为了说明本方法横向控制的有效性,进行了双移线试验。由于机器人未定位装置,故无法完成室外道路的实车试验。因此,实车试验采用人类驾驶员在交通部公路交通试验场上进行,机器人驾驶车辆则进行双移线仿真试验。仿真试验采用本方法和PID控制进行。试验时,车速控制在50km/h。
机器人驾驶车辆与人类驾驶员车辆双移线试验对比如图10和图11所示。人类驾驶员车辆试验的误差较大,很难精确地跟踪目标路径。本方法比PID控制的精度高,能够将侧向误差减少到0.2m之内。此外,在目标路径X=40m,75m,120m,155m四个转弯处,采用本方法和PID控制得到的侧向误差都较大,这是因为四处正好是目标路径的弯道。然而,即使是弯道,本方法也能较平稳地完成转弯,进一步证明了本方法横向控制的有效性。
为了说明本方法中油门和制动切换操纵策略的有效性,机器人驾驶车辆采用了本方法中油门和制动切换操纵策略来进行车速跟踪,结果如图12所示。图中,纵坐标为“1”时表示采取该操纵(即操纵油门或制动),为“0”时表示不采取该操纵(即不操纵油门或制动)。由图12可知,采用本文提出方法中油门和制动切换操纵策略进行车速跟踪时,油门与制动间仅进行了两次操纵切换,能够有效地避免油门和制动的频繁切换。
为了说明本方法中不同道路曲率下操纵调整策略的有效性,机器人驾驶车辆在采用以及不采用不同道路曲率下操纵调整策略的情况下,按照图13所示的目标车速行驶,同时沿着图14所示的目标路径行驶。
在仿真试验的结果如图15所示。图中,在不同道路曲率下操纵调整策略的作用下,当侧向加速度大于最大安全侧向加速度时,机器人驾驶车辆油门被释放,制动被踩下,此时车速明显下降(见图15的a图),从而使侧向加速度减小。此外,由图15的b图可得,在整个路径跟踪过程中,机器人驾驶车辆并没有像人类驾驶员一样受到侧向加速度过大的影响时,而是始终保持精确稳定的路径跟踪。因此,试验结果表明了本方法中不同道路曲率下操纵调整策略的有效性。
Claims (8)
1.一种机器人驾驶车辆集成协调控制方法,其特征在于,包括以下步骤:
步骤1,建立机器人驾驶车辆动力学模型;
步骤2,建立考虑模型不确定性和外部干扰的机器人驾驶车辆动力学模型;
步骤3,建立驾驶员车速控制行为模型和驾驶员转向操纵行为模型;
步骤4,采用模糊滑模理论设计机器人驾驶车辆的车速控制器;
步骤5,采用鲁棒反演理论设计机器人驾驶车辆的转向控制器;
步骤6,分别为车速控制和转向控制设计干扰观测器;
步骤7,设计将发动机驱动力控制转换为油门机械腿控制、制动力控制转换为制动机械腿控制、以及前轮转角控制转换为转向机械手控制的控制转换函数;
步骤8,设计用于协调控制机器人驾驶车辆车速与转向的策略。
2.根据权利要求1所述的方法,其特征在于,步骤1中的机器人驾驶车辆动力学模型包括转向机械手动力学模型、换挡机械手动力学模型、驾驶机械腿动力学模型;其中
(1)转向机械手动力学模型为式(4)
其中,δh为方向盘卡盘输出转角,i0为减速器传动比,Tm为驱动电机输出转矩,Th为方向盘卡盘受到来自车辆方向盘的回正转矩,Jh为方向盘卡盘的转动惯量,Kh为转向机械手的扭转刚度;
(2)换挡机械手动力学模型为式(5)
其中,T21为选挡力矩,为角位移量,FPx为选挡阻力,△xPx为换挡机械手在选挡方向的位移量,vPx为选挡时手柄抓手的运动速度,LPF为杆长,为杆LPF绕F点的转动惯量;
(3)驾驶机械腿动力学模型为式(6)
其中,T3是驾驶机械腿驱动电机的驱动力转换而来驱动力矩,Fm是直线电机输出的驱动力,△C为驾驶机械腿驱动电机输出的位移,I3为连杆转动惯量,α2为连杆转角。
3.根据权利要求1所述的方法,其特征在于,步骤2中建立考虑模型不确定性和外部干扰的机器人驾驶车辆动力学模型为式(7)
其中,与为模型考虑的不确定性引起的车辆质心侧偏角速度与横摆角速度的变化量,IZ为车辆绕自身坐标系Z轴的转动惯量,
式中,Fe(s)是Fe拉式变换的表达形式,ux为纵向车速,为纵向加速度的不确定性,Ff为道路滚动阻力,f为滚动阻力系数,m为整车质量,g为重力加速度,Fw为空气阻力,CD为空气阻力系数,Fi为坡道阻力,α为坡道角度。Fj为加速阻力,δ为车辆旋转质量换算系数,lf、lr分别为车辆质心到前后车轴的距离,δf为前轮转角,β为质心侧偏角,r为横摆角速度,Fwind为侧风干扰,lw为侧风干扰的力臂,cf、cr分别为前后车轮的侧偏刚度;Fp为制动踏板踩踏力,Az、Al为制动主缸和轮缸的活塞面积,xz、xl为制动主缸和轮缸的活塞位移,kz、kl为制动主缸和轮缸的回位弹簧刚度,i0转向机械手减速器传动比,is车辆转向系统中齿轮与轮胎主轴销的传动比,Tm转向机械手电机输出转矩,MZ前轮回正力矩,Jeq车辆转向系统的等效转动惯量,Keq车辆转向系统的等效扭转刚度,ka、kb为比例系数,τ发动机时间常数,Ta、Tb分别为发动机和制动系数的一阶惯性环节系数,CD空气阻力系数,ρ制动液密度,kth为常数,kxb为常数,f(ΔC)为驾驶机械腿电机位移ΔC与踏板角度位移α4的函数关系,f(xZ)制动主缸位移xz与制动力Fp的函数关系。
4.根据权利要求1所述的方法,其特征在于,步骤3的具体过程为:
步骤3.1,通过分析驾驶员转向操纵行为,建立的驾驶员转向操纵行为模型;驾驶员转向操纵行为模型包括驾驶员自适应预瞄模型、虚拟路径规划与期望横摆角速度跟踪模型:
(1)驾驶员自适应预瞄模型
式中,为预瞄环节,fe为有效目标路径输入,w11、w22、w33、w44均为权重系数,1/K0为比例系数,1/Gay为侧向加速度增益,为车轮车辆侧向加速度与方向盘转角的比值,td和th分别为驾驶员神经和手臂的反应时间,和分别为理想和实际的车辆侧向加速度,δsw分别为实际的车辆方向盘转角。
(2)虚拟路径规划
式中,y(x)为车辆子啊虚拟路径上的纵坐标,x为车辆在虚拟路径上的纵坐标,xe预瞄点横坐标,ye为预瞄点纵坐标,v为无人驾驶机器人车辆质心处实际车速,r为车辆质心横摆角速度。
(3)期望横摆角速度生成
式中,ε为与控制时间间隔相关的比例系数,r为当前横摆角速度,rr为期望横摆角速度。
步骤3.2,通过分析驾驶员车速控制行为,建立的驾驶员车速控制行为模型;驾驶员车速控制行为模型有油门和制动切换操纵策略与不同道路曲率下操纵调整策略:
(1)油门和制动切换操纵策略
式中,ad为驾驶员根据目标车速的导数,are为发动机输出驱动力和地面制动力均为0时的残余减速度,s为切换操纵策略的缓冲层厚度,相当于给油门和制动切换操纵策略引入一个不操纵的中间区域。
(2)不同道路曲率下操纵调整策略
其中,[aymax]为车辆最大安全侧向加速度,na为安全系数,0<na<1,ay为车辆实际侧向加速度。
5.根据权利要求1所述的方法,其特征在于,步骤4中机器人驾驶车辆的车速控制器包括发动机驱动力模糊滑模控制u1FS和制动力模糊滑模控制u2FS
其中,Feq为发动机驱动力等效控制律,Fev为发动机驱动力变结构控制律,Fxbq为制动力等效控制律,Fxbv为制动力变结构控制律,δ为车辆旋转质量换算系数,m为整车质量,ux为纵向车速,ud为理想纵向车速,λ1、λ2为滑模面系数。CD为空气阻力系数,f为滚动阻力系数,g为重力加速度,α为坡道角度,k1、k2为变结构控制律的反馈增益系数,s1、s2切换面函数。
6.根据权利要求1所述的方法,其特征在于,步骤5中的机器人驾驶车辆的转向控制器为
其中,u’为等效控制输入,z1为跟踪误差,果b1、b2、z1、z2均为中间量,x1、x2均为控制过程中的状态变量,rr为期望横摆角速度,c1、c2为鲁棒反演控制的系数。
7.根据权利要求1所述的方法,其特征在于,步骤6中的干扰观测器包括油门干扰器、制动干扰器、转向干扰观测器;其中
(1)油门干扰器
其中,g1(x)=1/δm,f1(x)=-g1(x)·(CDx2+mgf+mgsinα),p1(x)为待设计函数且z1为观测器的状态变量,为纵向加速度干扰d1的估计,L1(x)为观测器增益,u1为发动机驱动力控制输入;
(2)制动干扰器
其中,p2(x)为待设计函数且z2为观测器的状态变量,为纵向加速度干扰d2的估计,L2(x)为观测器增益;
(3)转向干扰观测器
其中,k1、k2、k3均为干扰观测器状态方程系数,的为干扰观测器状态方程。
8.根据权利要求1所述的方法,其特征在于,步骤8中的转换函数包括:
(1)油门控制转换函数
踏板转角α4与发动机驱动力Fe之间的关系为(1)
f(ΔC1)=α4
式中,Ta为发动机一阶惯性环节常数,Fe为发动机输出的驱动力,ka为一阶惯性环节的比例常数,τ为发动机的时间常数,kth为常数,ΔC1为油门机械腿直线电机输出位移;
(2)制动控制转换函数
制动踏板转角α4与踏板踩踏力Fp之间的关系为(2)
f(ΔC2)=α4
式中,△C2为通过控制直线电机输出位移△C2来控制踏板转角,Az、Al为制动主缸和轮缸的活塞面积,xz、xl为制动主缸和轮缸的活塞位移,kz、kl为制动主缸和轮缸的回位弹簧刚度,kxb为常值,ρ为制动液密度;
(3)转向控制转换函数
用于控制无人驾驶机器人转向机械手的转矩Tm为(3)
式中,i0为减速器传动比,is为从小齿轮到车轮主轴销的传动比,MZ为前轮回正力矩,δf为前轮转角,Jeq是车辆转向系等效转动惯量,Keq为车辆转向系等效扭转刚度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910338665.6A CN109991856B (zh) | 2019-04-25 | 2019-04-25 | 一种机器人驾驶车辆集成协调控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910338665.6A CN109991856B (zh) | 2019-04-25 | 2019-04-25 | 一种机器人驾驶车辆集成协调控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109991856A true CN109991856A (zh) | 2019-07-09 |
CN109991856B CN109991856B (zh) | 2022-04-08 |
Family
ID=67135230
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910338665.6A Active CN109991856B (zh) | 2019-04-25 | 2019-04-25 | 一种机器人驾驶车辆集成协调控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109991856B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110716550A (zh) * | 2019-11-06 | 2020-01-21 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN110865641A (zh) * | 2019-10-30 | 2020-03-06 | 吉首大学 | 一种反演滑模控制的轮式移动机器人的轨迹跟踪方法 |
CN110989597A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
CN110989346A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成驾驶员决策行为的智能操纵方法 |
CN111460590A (zh) * | 2020-03-30 | 2020-07-28 | 南京理工大学 | 一种驾驶机械腿机构的动力传递性能优化方法 |
CN113075881A (zh) * | 2021-03-29 | 2021-07-06 | 三一重机有限公司 | 一种pid控制器的参数调节方法、装置及电子设备 |
CN113359764A (zh) * | 2021-07-02 | 2021-09-07 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN113805495A (zh) * | 2021-09-24 | 2021-12-17 | 北京五一视界数字孪生科技股份有限公司 | 远程自动驾驶仿真控制方法、装置、系统及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040138796A1 (en) * | 2003-01-13 | 2004-07-15 | Visteon Global Technologies, Inc. | System and method of controlling a vehicle steer-by-wire system applying robust control |
CN102358287A (zh) * | 2011-09-05 | 2012-02-22 | 北京航空航天大学 | 一种用于车辆自动驾驶机器人的轨迹跟踪控制方法 |
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
CN107804315A (zh) * | 2017-11-07 | 2018-03-16 | 吉林大学 | 一种考虑驾驶权实时分配的人车协同转向控制方法 |
CN108062024A (zh) * | 2017-12-15 | 2018-05-22 | 陕西理工大学 | 一种考虑阻力的移动机器人反演滑模控制方法 |
CN108725453A (zh) * | 2018-06-11 | 2018-11-02 | 南京航空航天大学 | 基于驾驶员模型和操纵逆动力学的人机共驾控制系统及其切换模式 |
CN109522666A (zh) * | 2018-11-27 | 2019-03-26 | 袁小芳 | 一种分布式电动汽车稳定性控制方法 |
-
2019
- 2019-04-25 CN CN201910338665.6A patent/CN109991856B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040138796A1 (en) * | 2003-01-13 | 2004-07-15 | Visteon Global Technologies, Inc. | System and method of controlling a vehicle steer-by-wire system applying robust control |
CN102358287A (zh) * | 2011-09-05 | 2012-02-22 | 北京航空航天大学 | 一种用于车辆自动驾驶机器人的轨迹跟踪控制方法 |
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
CN107804315A (zh) * | 2017-11-07 | 2018-03-16 | 吉林大学 | 一种考虑驾驶权实时分配的人车协同转向控制方法 |
CN108062024A (zh) * | 2017-12-15 | 2018-05-22 | 陕西理工大学 | 一种考虑阻力的移动机器人反演滑模控制方法 |
CN108725453A (zh) * | 2018-06-11 | 2018-11-02 | 南京航空航天大学 | 基于驾驶员模型和操纵逆动力学的人机共驾控制系统及其切换模式 |
CN109522666A (zh) * | 2018-11-27 | 2019-03-26 | 袁小芳 | 一种分布式电动汽车稳定性控制方法 |
Non-Patent Citations (3)
Title |
---|
于靖 等: "基于干扰观测器的非线性不确定系统自适应滑模控制", 《控制理论与应用》 * |
吴俊 等: "驾驶机器人车辆的多模式切换控制", 《汽车工程》 * |
郭景华 等: "基于模糊逻辑的无人驾驶车纵向多滑模控制", 《中国公路学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110865641A (zh) * | 2019-10-30 | 2020-03-06 | 吉首大学 | 一种反演滑模控制的轮式移动机器人的轨迹跟踪方法 |
CN110716550A (zh) * | 2019-11-06 | 2020-01-21 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN110716550B (zh) * | 2019-11-06 | 2022-07-22 | 南京理工大学 | 一种基于深度强化学习的换挡策略动态优化方法 |
CN110989597A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
CN110989346A (zh) * | 2019-12-05 | 2020-04-10 | 南京理工大学 | 一种集成驾驶员决策行为的智能操纵方法 |
CN110989597B (zh) * | 2019-12-05 | 2022-06-10 | 南京理工大学 | 一种集成模糊神经网络的自适应路径跟踪方法 |
CN111460590A (zh) * | 2020-03-30 | 2020-07-28 | 南京理工大学 | 一种驾驶机械腿机构的动力传递性能优化方法 |
CN111460590B (zh) * | 2020-03-30 | 2022-10-28 | 南京理工大学 | 一种驾驶机械腿机构的动力传递性能优化方法 |
CN113075881A (zh) * | 2021-03-29 | 2021-07-06 | 三一重机有限公司 | 一种pid控制器的参数调节方法、装置及电子设备 |
CN113359764A (zh) * | 2021-07-02 | 2021-09-07 | 合肥工业大学 | 一种基于gru的驾驶员模型优化方法 |
CN113805495A (zh) * | 2021-09-24 | 2021-12-17 | 北京五一视界数字孪生科技股份有限公司 | 远程自动驾驶仿真控制方法、装置、系统及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109991856B (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109991856A (zh) | 一种机器人驾驶车辆集成协调控制方法 | |
Min et al. | Trajectory optimization of an electric vehicle with minimum energy consumption using inverse dynamics model and servo constraints | |
Chebly et al. | Coupled longitudinal and lateral control for an autonomous vehicle dynamics modeled using a robotics formalism | |
Németh et al. | Nonlinear analysis and control of a variable-geometry suspension system | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
Balachandran et al. | Artificial steering feel design for steer-by-wire vehicles | |
Liu et al. | Coordinated motion control and event-based obstacle-crossing for four wheel-leg independent motor-driven robotic system | |
Lee | Design of stability augmentation systems for automotive vehicles | |
Barthelmes et al. | An all-terrain-controller for over-actuated wheeled mobile robots with feedforward and optimization-based control allocation | |
Lucet et al. | Stabilization of a road-train of articulated vehicles | |
Chucholowski et al. | Real time simulation and online control for virtual test drives of cars | |
Kim et al. | Experimental verification of the power slide driving technique for control strategy of autonomous race cars | |
Zhiwei et al. | Simulation research on trajectory tracking controller based on MPC algorithm | |
Haidar et al. | Integrated Vehicle Dynamics Modeling, Path Tracking, and Simulation: A MATLAB Implementation Approach | |
Nok To et al. | Improvement of the autodriver algorithm for autonomous vehicles using roll dynamics | |
Chen et al. | Neural Active Disturbance Rejection Adaptive Lateral Manipulation Control Method for Unmanned Driving Robot | |
Hoogterp et al. | Differential torque steering for future combat vehicles | |
Apetaur et al. | Assessment of the driver's effort in typical driving manoeuvres for different vehicle configurations and managements | |
Du et al. | Control strategy for four-wheel steering vehicle based on collaborative simulation | |
Costa | Application of multibody system (MBS) techniques to automotive vehicle chassis simulation for motion control studies | |
Yazar et al. | Path Tracking Methods Employed in Lane Centering Systems | |
Wang | Vehicle Dynamics Development Process With Offline and Driver-in-the-loop (DIL) Simulation | |
Wegner | Development of a vehicle dynamics control system for a driverless racing vehicle | |
Aparow et al. | Virtual Simulation Testing of Formula Student Vehicles in Sepang Circuit Using Internal Combustion Engine and Electrical Powertrains | |
Chen et al. | Technical Report TR-2019-06 |
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 |