CN110027547B - 车辆横向控制方法和装置 - Google Patents
车辆横向控制方法和装置 Download PDFInfo
- Publication number
- CN110027547B CN110027547B CN201910353985.9A CN201910353985A CN110027547B CN 110027547 B CN110027547 B CN 110027547B CN 201910353985 A CN201910353985 A CN 201910353985A CN 110027547 B CN110027547 B CN 110027547B
- Authority
- CN
- China
- Prior art keywords
- control
- vehicle
- output
- model
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000013598 vector Substances 0.000 claims abstract description 102
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 58
- 238000005457 optimization Methods 0.000 claims description 23
- 238000013016 damping Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 33
- 238000004891 communication Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 241001643392 Cyclea Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种车辆横向控制方法及装置。所述方法包括:利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的;利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量;利用所述最优控制量对车辆进行横向控制。本发明所提供的车辆横向控制方法及装置能够使得计算车辆横向控制的控制量时,依据的参数变量更容易获取,从而简化计算条件及泛化算法能力。
Description
技术领域
本发明涉及车辆技术领域,尤其涉及一种车辆横向控制方法和装置。
背景技术
无人驾驶汽车是目前新兴的人工智能技术产品,主要依靠车内的智能驾驶仪实现无人驾驶的目的。无人驾驶汽车集合多种高新技术,包括自动控制、体系结构、人工智能、视觉计算等,是计算机科学、模式识别和智能控制技术高度发展与结合的产物,也是衡量一个国家科研实力和工业水平的一个重要标志,在国防和国民经济领域具有广阔的应用前景。
在无人驾驶汽车的智能驾驶仪中,车辆控制系统是无人驾驶系统中最核心的部分之一,用于对车辆进行控制,使得车辆按照期望的轨迹行驶。车辆控制系统对车辆的控制可分为横向控制和纵向控制,纵向控制的控制目标为车辆的速度,而横向控制的控制目标为车道状况和行驶方向。横向控制用于保持车辆直线行驶、控制车辆转向、变换车辆所在的车道等。尤其是在于高速行驶场景中,横向控制直接关系到车辆和乘客的安全。自动驾驶对横向控制的精度和稳定性都有较高的要求。
无人驾驶横向控制思路,基本上是以车身当前位置与轨迹线上的期望位置的横向偏差和航向角偏差为输入信息,通过预设的算法将这些偏差转化为方向盘转角指令下发到执行机构,从而减小期望值和实际值之间的偏差。
目前横向控制思路的主流应用模型进行横向控制的方案中,大都会应用横向车辆动力学模型将规划轨迹期望位置直接转化为方向盘转角。然而车辆动力学模型包含大量车身状态以及与车辆本身有关的参数,不仅计算量大且有些车身参数难以获得,比如侧偏刚度系数对于非主机厂的制造单位较难获取。此外,车辆动力学模型包含的状态量较多,对无人驾驶计算平台的性能要求高。
发明内容
本发明实施例提供一种车辆横向控制方法和装置,以解决现有技术中的一个或多个技术问题。
第一方面,本发明实施例提供了一种基于车辆横向控制方法,包括:
利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的;
利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量;
利用所述最优控制量对车辆进行横向控制。
在一种实施方式中,所述横向控制模型为:
X(k+1)=A×X(k)+B×U(k);
Y(k+1)=C×X(k+1);
X(k)为k个时刻车辆的状态向量,Y(k)为k个时刻车辆的输出向量;A为系统矩阵;B为输入矩阵;C为输出矩阵;U(k)为输出给下游的偏航角速度控制量;为偏航角度,为的一阶导数,为的二阶导数;y为车体坐标系下车辆与参考轨迹线的横向偏差。
在一种实施方式中,所述系统矩阵是利用运动学模型和理想动力学模型构建的。
在一种实施方式中,所述系统矩阵为:
在一种实施方式中,利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量,包括:
将所述代价函数的导函数取值为0得到优化方程;
将所述横向控制模型中的输出向量Y(k)值代入所述优化方程,求解所述优化方程得到的U(k)为所述最优控制量。
在一种实施方式中,所述代价函数为:
在一种实施方式中,利用所述最优控制量对车辆进行横向控制之前,包括:
确定预测域和控制域;
所述预测域用于限定车辆的状态向量、输出向量的个数;所述控制域表示所述最优控制量的计算个数。
在一种实施方式中,所述预测域为:
其中,s为预测域长度的最大值;Pm为预测域的最大值;V×T为当前车速在一个控制周期内前进的距离;
所述控制域为:M=P/n;
其中,n为按照控制需求选取的倍数关系。
第二方面,本发明实施例提供了一种车辆横向控制装置,包括:
横向控制模型计算模块:用于利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的;
最优控制量计算模块:用于利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量;
控制模块:用于利用所述最优控制量对车辆进行横向控制。
在一种实施方式中,所述横向控制模型为:
X(k+1)=A×X(k)+B×U(k);
Y(k+1)=C×X(k+1);
X(k)为k个时刻车辆的状态向量,Y(k)为k个时刻车辆的输出向量;A为系统矩阵;B为输入矩阵;C为输出矩阵;U(k)为输出给下游的偏航角速度控制量;为偏航角度,为的一阶导数,为的二阶导数;y为车体坐标系下车辆与参考轨迹线的横向偏差。
在一种实施方式中,所述系统矩阵是利用运动学模型和理想动力学模型构建的。
在一种实施方式中,所述系统矩阵为:
在一种实施方式中,所述最优控制量计算模块包括:
优化方程构建单元:用于将所述代价函数的导函数取值为0得到优化方程;
优化方程求解单元:用于将所述横向控制模型中的输出向量Y(k)值代入所述优化方程,求解所述优化方程得到的U(k)为所述最优控制量。
在一种实施方式中,所述代价函数为:
在一种实施方式中,所述装置还包括:
预测范围确定模块:用于确定预测域和控制域;
所述预测域用于限定车辆的状态向量、输出向量的个数;所述控制域表示所述最优控制量的计算个数。
在一种实施方式中,所述预测域为:
其中,s为预测域长度的最大值;Pm为预测域的最大值;V×T为当前车速在一个控制周期内前进的距离;
所述控制域为:M=P/n;
其中,n为按照控制需求选取的倍数关系。
第三方面,本发明实施例提供了一种车辆横向控制装置,所述装置的功能可以通过硬件实现,也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个与上述功能相对应的模块。
在一个可能的设计中,所述装置的结构中包括处理器和存储器,所述存储器用于存储支持所述装置执行上述属性冲突发现方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。所述装置还可以包括通信接口,用于与其他设备或通信网络通信。
第四方面,本发明实施例提供了一种计算机可读存储介质,用于存储属性冲突发现装置所用的计算机软件指令,其包括用于执行上述车辆横向控制方法所涉及的程序。
上述技术方案中的一个技术方案具有如下优点或有益效果:通过横向控制模型表示车辆的状态向量、输出向量与控制量之间的关系,利用代价函数计算最优控制量,从而摆脱了对车辆动力学模型的依赖,参数的获取无需依赖于车辆的型号、结构,使得参数容易获取。从而简化计算条件,泛化算法能力。通过确定预测域和控制域,能够对一个以上的时刻进行预测,从而使得不同时刻的控制量能够较为平滑的变化,提高了车辆控制的平滑性和乘车体验。
上述概述仅仅是为了说明书的目的,并不意图以任何方式进行限制。除上述描述的示意性的方面、实施方式和特征之外,通过参考附图和以下的详细描述,本发明进一步的方面、实施方式和特征将会是容易明白的。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本发明公开的一些实施方式,而不应将其视为是对本发明范围的限制。
图1示出根据本发明实施例的横向控制方法的流程图。
图2示出根据本发明实施例的横向控制方法的流程图。
图3示出根据本发明实施例的横向控制方法的流程图。
图4示出根据本发明实施例的横向控制方法的流程图。
图5示出根据本发明实施例的横向控制装置的结构框图。
图6示出根据本发明实施例的横向控制装置的结构框图。
图7示出根据本发明实施例的横向控制装置的结构框图。
具体实施方式
在下文中,仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样,在不脱离本发明的精神或范围的情况下,可通过各种不同方式修改所描述的实施例。因此,附图和描述被认为本质上是示例性的而非限制性的。
图1示出根据本发明实施例的车辆横向控制方法的流程图。如图1所示,该车辆横向控制方法,具体可以包括:
步骤S11、利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的。
步骤S12、利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量。
步骤S13、利用所述最优控制量对车辆进行横向控制。
在本发明实施例中,车辆横向控制方法基于MPC算法构建。MPC是一种进阶过程控制方法与多变量控制策略。MPC可以考虑空间状态变量的各种约束,能够对预测对象进行较为准确的预测控制。
横向控制模型可根据至少一种物理模型建立,例如运动学模型、理想动力学模型等。例如,综合利用运动学模型和理想动力学模型来建立横向控制模型。横向控制模型中车辆的状态向量和输出向量可采用预测值,预测的步数至少为一步。由于输出向量和控制向量为无人驾驶车辆运行过程中的可测量,可根据测量获得的初始值进行预测,因此,对于无人驾驶车辆制造企业来说更加容易获取。从而简化计算条件,泛化算法能力。同时,本发明实施例的横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的,包含的状态量较少,对无人驾驶计算平台的性能要求较低,实现时更加容易。横向控制模型中,除了车辆的状态向量、输出向量与控制量之外,还可以包括多种参数变量。
在一种实施方式中,横向控制模型具体可以包括:
X(k+1)=A×X(k)+B×U(k);
Y(k+1)=C×X(k+1);
X(k)为k个时刻车辆的状态向量,Y(k)为k个时刻车辆的输出向量;A为系统矩阵;B为输入矩阵;C为输出矩阵;U(k)为即输出给下游的偏航角速度控制量;为偏航角度,为的一阶导数,为的二阶导数;y为车体坐标系下车辆与参考轨迹线的横向偏差。
在实际应用中,使用准确的车辆动力学模型可以提高参数的获取难度,但也会导致算法通用性下降。因为每种车型的参数不同,建立的模型也就不同,为无人驾驶车辆制造企业带来不便。本发明实施例中采用了一种新的建模思路,建立车辆的状态向量、输出向量和偏航角速度之间的关系模型,以偏航角速度控制量为输出控制量,因此不需要具体的车辆动力学模型,从而本发明实施例中所建立的模型具有较高的通用性。
通过上述实施方式中的横向控制模型表达式可以推导得知,输出向量可根据状态向量计算,下一个时刻的状态向量可根据当前时刻的状态向量计算。因此,车辆的状态向量与状态量之间的关系包括:
X(k+1)=A×X(k)+B×U(k);
X(k+2)=A×X(k+1)+B×U(k+1);
…
本发明实施例中的横向控制模型,给定状态向量的初始值,可以得到未来任意时刻的状态向量、输出向量与控制量之间的关系表达式。因此,无需依赖于车辆动力学模型,计算时需要的数据更加容易获取。状态向量的初始值可通过传感器反馈信息计算或者采用自己计算的形式进行计算。因此,当k>1时,除了初始值X(1)、Y(1),其余的状态向量和输出向量均为预测值。
在一种实施方式中,系统矩阵是利用运动学模型和理想动力学模型构建的。
运动学模型和理想动力学模型与车辆本身无关,而与车辆的运行状态有关,从而摆脱对车辆动力学模型的依赖,模型中所采用的参数相对更容易获取,为制造单位提供方便。系统矩阵中根据运动学模型构建的部分,具体可以采用横向运动的几何关系描述;系统矩阵中根据理想动力学构建的部分,具体可以使用理想二阶模型近似描述车辆的横摆角速度响应。
在一种实施方式中,系统矩阵为:
本发明上述实施方式中构建的系统矩阵,是在假定车辆在一个计算周期内做匀速运动、且轨迹曲率变化比较小的情况下近似得到的。这样的系统矩阵并未考虑到变速运动或曲率变化较大的情况,在较为理想的控制过程中,车辆能够在一定时间内保持匀速运动且运动轨迹的曲率变化较小。采用这样的方式构建的系统矩阵可以保证系统矩阵在一个计算周期内不变,减小计算量和内存占用。
在一种实施方式中,系统矩阵为:
在车辆实际运行过程中,常常会出现加速运动、减速运动、通过大曲率弯道等情况,在构建系统矩阵时考虑变速运动、弯道运动状况,可以减少计算结果的偏差。因此,在上述实施方式中,在系统矩阵中引入速率期望值和偏航角速度期望值,而不改变输入矩阵和输出矩阵,使得模型更加接近于实际情况中的车辆运动轨迹,数据计算更加精确。
本发明实施方式中模型具体包括:下一个时刻的状态向量,为当前时刻的状态向量与系统矩阵的乘积,以及控制量与输入矩阵的乘积之和。下一个时刻的输出向量为输出矩阵和状态向量的乘积。
在一种实施方式中,利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量,包括:
将所述代价函数的导函数取值为0得到优化方程;
将所述横向控制模型中的输出向量Y(k)值代入所述优化方程,求解所述优化方程得到的U(k)为所述最优控制量。
本发明实施例中,代价函数又称为损失函数或成本函数,所反映的物理意义是希望输出状态与期望状态尽量接近,同时输出控制量又尽量小以提高舒适感,从而将损失最小化。
本发明实施例中,可以采用二次规划,(Quadratic Programming,QP)的算法来构造代价函数,进一步计算得到最优控制量。
在一种实施方式中,所述代价函数为:
上述优化函数采取二次规划的算法构造。在优化计算时,对等式两边分别求导,然后令右边的表达式取值为0,计算所得的U(k)值即最优控制量。
在本发明一种实施方式中,如图2所示,利用所述最优控制量对车辆进行横向控制之前,包括:
步骤S21:确定预测域和控制域。
所述预测域用于限定车辆的状态向量、输出向量的个数;所述控制域表示所述最优控制量的计算个数。
在上述实施方式中,预测域用于表示预测的时刻数的最大值,即从当前时刻开始向前预测多少个时刻。在本发明实施方式所提供的横向控制模型中,预测域用于限定k的最大取值。控制域用于表示在预测的时刻数中,需要施加控制量的时刻的个数。
例如,当预测域为10、控制域为2时,k的最大取值为10,表示预测10个时刻的状态向量和输出向量,并计算这10个时刻需要施加控制量的第1个时刻、第2个时刻的控制量。根据本发明实施方式中提供的横向控制模型,如果每次计算出的最优控制量为10行1列矩阵,取其中第1个最优控制量作为当前时刻进行横向控制的最优控制量。
在无人驾驶的经典控制方案,一般采用PID(Proportion-Integral-Differential,比例-积分-微分控制器)算法,该算法将偏差乘以适当参数后直接转化为指令。但是,PID算法调参不包含实际物理意义,且其输出指令往往不太平滑,会导致体感不佳。本发明实施方式中,可将参数代入横向控制模型中,预测多个时刻的状态向量和输出向量,从而使得控制量与多个时刻预测的状态向量和输出向量有着一定的关联,从而提高控制量之间的平滑性,避免控制量变化过大导致车辆运行状态出现激烈的改变,提高乘客的舒适度。
在本发明一种实施方式中,所述预测域为:
其中,s为预测域长度的最大值;Pm为预测域的最大值;V×T为当前车速在一个控制周期内前进的距离。
所述控制域为:M=P/n。
其中,n为按照控制需求选取的倍数关系,例如n=4。
根据上述公式,预测域可以表示从当前时刻开始向前预测P步。控制域可以表示在预测域的P步中有M步是施加控制量的。由于施加控制量的时刻数总是不会超过预测的时刻总数,因此,总有M≤P。P的大小与希望向前预测多少距离、即期望预测的距离有关。在实际工程应用中可采用多种方法确定期望预测的距离。同时,P也受车速影响,在预测的距离不变的情况下,车速越大,预测域相应越小。
在一种示例中,如果当前感知在40-60米以内较准确,根据控制需求确定这个距离为60米。同时,由于P也受车速影响,在固定距离的情况下可能出现车速小时P过大导致计算量增大的情况。因此,将s=60,Pm=40代入P的表达式由于V×T为当前车速在一个控制周期内前进的距离,因此,可限制预测域长度最多为60米,且预测域最多为40步。
理论上,M和P的差距越大,表示需要施加控制量的时刻数比例越小,从而在多个时刻,车辆运行状态发生变化的比例越小,乘车体验越佳。因此在上述实施方式中,M根据预测域和选取的倍数关系确定。在实际应用中,可根据控制的需要选择倍数关系。比如当行车道路基本上为直线时,需要施加控制量的时刻数可能较少,可将倍数关系的取值选择为较大值。当行车道路较为曲折时,需要施加控制量的时刻数可能较多,可将倍数关系的取值选择为较小值。
在本发明一种实施方式中,如图3所示,确定预测域和控制域之后、获得车辆的输出向量与控制量之间的关系之前,还包括:
所述规划轨迹线为理想状态下,无人驾驶车辆的行驶轨迹线。
在本发明一种实施方式中,利如图4所示,用所述最优控制量对车辆进行横向控制之后,还包括:
步骤S41:当判断当前计算控制量不是控制域内最后一次计算时,根据控制结果计算状态向量初始值,用于下一次计算控制向量。
本发明实施例通过MPC算法与横向控制模型结合,计算控制量,用于横向控制。
在本发明一种实施方式中,根据控制结果计算状态向量初始值,具体包括:
读取车身可测参数,作为计算所述状态向量初始值的依据。
或者,在本发明一种实施方式中,根据控制结果计算状态向量初始值,具体包括:
根据本次计算的最优控制量,根据所述横向控制模型计算所述状态向量初始值。
状态向量初始值也可通过其它方式确定。
图5示出根据本发明实施例的车辆横向控制装置的结构框图。如图5所示,该装置可以包括:
横向控制模型计算模块51:用于利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的;
最优控制量计算模块52:用于利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量;
控制模块53:用于利用所述最优控制量对车辆进行横向控制。
在本发明实施例中,车辆横向控制方法基于MPC算法构建。MPC是一种进阶过程控制方法与多变量控制策略。MPC可以考虑空间状态变量的各种约束,能够对预测对象进行较为准确的预测控制。
在一种实施方式中,所述横向控制模型为:
X(k+1)=A×X(k)+B×U(k);
Y(k+1)=C×X(k+1);
X(k)为k个时刻车辆的状态向量,Y(k)为k个时刻车辆的输出向量;A为系统矩阵;B为输入矩阵;C为输出矩阵;U(k)为输出给下游的偏航角速度控制量;为偏航角度,为的一阶导数,为的二阶导数;y为车体坐标系下车辆与参考轨迹线的横向偏差。
在一种实施方式中,所述系统矩阵是利用运动学模型和理想动力学模型构建的。
在一种实施方式中,所述系统矩阵为:
在一种实施方式中,所述最优控制量计算模块包括:
优化方程构建单元:用于将所述代价函数的导函数取值为0得到优化方程;
优化方程求解单元:用于将所述横向控制模型中的输出向量Y(k)值代入所述优化方程,求解所述优化方程得到的U(k)为所述最优控制量。
在一种实施方式中,所述代价函数为:
在一种实施方式中,如图6所示,所述装置还包括:
预测范围确定模块61:用于确定预测域和控制域;
所述预测域用于限定车辆的状态向量、输出向量的个数;所述控制域表示所述最优控制量的计算个数。
在一种实施方式中,所述预测域为:
其中,s为预测域长度的最大值;Pm为预测域的最大值;V×T为当前车速在一个控制周期内前进的距离;
所述控制域为:M=P/n;
其中,n为按照控制需求选取的倍数关系。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
图7示出根据本发明实施例的横向控制装置的结构框图。如图7所示,该装置包括:存储器910和处理器920,存储器910内存储有可在处理器920上运行的计算机程序。所述处理器920执行所述计算机程序时实现上述实施例中的车辆横向控制方法。所述存储器910和处理器920的数量可以为一个或多个。
该装置还包括:
通信接口930,用于与外界设备进行通信,进行数据交互传输。
存储器910可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
如果存储器910、处理器920和通信接口930独立实现,则存储器910、处理器920和通信接口930可以通过总线相互连接并完成相互间的通信。所述总线可以是工业标准体系结构(ISA,Industry Standard Architecture)总线、外部设备互连(PCI,PeripheralComponent)总线或扩展工业标准体系结构(EISA,Extended Industry StandardComponent)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器910、处理器920及通信接口930集成在一块芯片上,则存储器910、处理器920及通信接口930可以通过内部接口完成相互间的通信。
本发明实施例提供了一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现上述实施例中任一所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器,磁盘或光盘等。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (18)
1.一种车辆横向控制方法,其特征在于,包括:
利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的;
利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量;
利用所述最优控制量对车辆进行横向控制;
所述横向控制模型为:
X(k+1)=A×X(k)+B×U(k);
Y(k+1)=C×X(k+1);
2.根据权利要求1所述的方法,其特征在于,所述系统矩阵是利用运动学模型和理想动力学模型构建的。
5.根据权利要求1所述的方法,其特征在于,利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量,包括:
将所述代价函数的导函数取值为0得到优化方程;
将所述横向控制模型中的输出向量Y(k)值代入所述优化方程,求解所述优化方程得到的U(k)为所述最优控制量。
7.根据权利要求1所述的方法,其特征在于,利用所述最优控制量对车辆进行横向控制之前,包括:
确定预测域和控制域;
所述预测域用于限定车辆的状态向量、输出向量的个数;所述控制域表示所述最优控制量的计算个数。
9.一种车辆横向控制装置,其特征在于,包括:
横向控制模型计算模块:用于利用横向控制模型,获得车辆的输出向量与控制量之间的关系,所述横向控制模型是根据车辆的状态向量、输出向量与控制量之间的关系建立的;
最优控制量计算模块:用于利用代价函数以及所述车辆的输出向量与控制量之间的关系,计算最优控制量;
控制模块:用于利用所述最优控制量对车辆进行横向控制;
所述横向控制模型为:
X(k+1)=A×X(k)+B×U(k);
Y(k+1)=C×X(k+1);
10.根据权利要求9所述的装置,其特征在于,所述系统矩阵是利用运动学模型和理想动力学模型构建的。
13.根据权利要求9所述的装置,其特征在于,所述最优控制量计算模块包括:
优化方程构建单元:用于将所述代价函数的导函数取值为0得到优化方程;
优化方程求解单元:用于将所述横向控制模型中的输出向量Y(k)值代入所述优化方程,求解所述优化方程得到的U(k)为所述最优控制量。
15.根据权利要求9所述的装置,其特征在于,所述装置还包括:
预测范围确定模块:用于确定预测域和控制域;
所述预测域用于限定车辆的状态向量、输出向量的个数;所述控制域表示所述最优控制量的计算个数。
17.一种车辆横向控制装置,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1至8中任一项所述的方法。
18.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353985.9A CN110027547B (zh) | 2019-04-29 | 2019-04-29 | 车辆横向控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910353985.9A CN110027547B (zh) | 2019-04-29 | 2019-04-29 | 车辆横向控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110027547A CN110027547A (zh) | 2019-07-19 |
CN110027547B true CN110027547B (zh) | 2020-11-06 |
Family
ID=67240591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910353985.9A Active CN110027547B (zh) | 2019-04-29 | 2019-04-29 | 车辆横向控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110027547B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113508350B (zh) * | 2020-01-23 | 2024-06-07 | 百度时代网络技术(北京)有限公司 | 基于反馈的实时转向校准系统 |
CN112572473B (zh) * | 2020-12-09 | 2022-06-10 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN113415276B (zh) * | 2021-07-30 | 2022-10-14 | 东风商用车有限公司 | 一种智能驾驶预瞄控制方法、装置和存储介质 |
EP4159591A1 (en) * | 2021-09-29 | 2023-04-05 | Aptiv Technologies Limited | Methods and systems for lateral control of a vehicle |
EP4223616A1 (en) * | 2022-02-02 | 2023-08-09 | Aptiv Technologies Limited | Methods and systems for lateral control of a vehicle |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
CN108569336A (zh) * | 2018-04-26 | 2018-09-25 | 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 |
CN109017778A (zh) * | 2018-07-31 | 2018-12-18 | 大连民族大学 | 四轮独立驱动车辆的期望路径主动转向控制方法 |
KR20190035166A (ko) * | 2017-09-26 | 2019-04-03 | 현대위아 주식회사 | 차량의 무게중심 속도 추정방법 |
-
2019
- 2019-04-29 CN CN201910353985.9A patent/CN110027547B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
KR20190035166A (ko) * | 2017-09-26 | 2019-04-03 | 현대위아 주식회사 | 차량의 무게중심 속도 추정방법 |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
CN108569336A (zh) * | 2018-04-26 | 2018-09-25 | 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 |
CN109017778A (zh) * | 2018-07-31 | 2018-12-18 | 大连民族大学 | 四轮独立驱动车辆的期望路径主动转向控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110027547A (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110027547B (zh) | 车辆横向控制方法和装置 | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
CN114655248A (zh) | 自动驾驶车辆的横向控制方法、装置及车辆 | |
WO2014149043A1 (en) | Smart cruise control system | |
CN110341715A (zh) | 无人车坡道速度控制方法及装置 | |
WO2014149042A1 (en) | Smart cruise control system | |
WO2014149044A1 (en) | Smart cruise control system | |
CN108791290A (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
CN115805939B (zh) | 智能电动汽车路径跟踪控制方法及装置 | |
CN113325691A (zh) | 一种无人车双闭环纵向控制方法、系统及设备 | |
CN113655794A (zh) | 基于鲁棒模型预测控制的多车协同控制方法 | |
CN115285145A (zh) | 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法 | |
CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
CN117472046A (zh) | 一种智能驾驶车辆路径跟踪方法、装置、设备及存储介质 | |
Wu et al. | Multi-objective dynamic coordinated Adaptive Cruise Control for intelligent electric vehicle with sensors fusion | |
CN115871720A (zh) | 车辆的控制方法、装置、存储介质和车辆 | |
Kalabis et al. | A model predictive approach for a fuel efficient cruise control system | |
CN115675459A (zh) | 一种智能车辆及其路径跟踪的控制方法、装置和存储介质 | |
CN115447615A (zh) | 基于车辆运动学模型预测控制的轨迹优化方法 | |
Liu et al. | Distributed Drive Autonomous Vehicle Trajectory Tracking Control Based on Multi-Agent Deep Reinforcement Learning | |
CN112590815B (zh) | 基于act-r的自动驾驶预测节能认知模型的构建方法 | |
CN114684109A (zh) | 一种电动汽车横摆稳定性控制方法及装置 | |
Korus et al. | Robust design of a complex, perturbed lateral control system for automated driving | |
Meng et al. | Variable step MPC trajectory tracking control method for intelligent vehicle | |
CN113064412B (zh) | 路径跟踪方法、装置、车辆及可读存储介质 |
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 |