CN110155081A - 一种智能驾驶汽车的自适应避障控制系统 - Google Patents

Abstract

本发明公开了一种智能驾驶汽车的自适应避障控制系统。信息采集层包括车辆行驶状态感知模块和车辆行驶环境感知模块，采集车辆行驶状态信息和环境信息并传递给信息处理层；信息处理层包括不确定性避障模型和区间安全距离模型，不确定性避障模型计算避障时的边值约束条件并传递给运动控制层，区间安全距离模型计算适于不同驾驶特性驾驶员的安全距离并传递给运动控制层；运动控制层根据运动处理层传递的信息计算最优避障操纵输入指令并传递给执行层；执行层包括控制器和转向电机，控制器根据最优避障操纵输入指令控制转向电机的转角，实现自适应避障。本发明考虑了避障环境的不确定性和驾驶员的个体差异性，有利于提高复杂道路交通环境下的安全性。

Description

一种智能驾驶汽车的自适应避障控制系统

技术领域

本发明属于汽车智能化技术领域，特别涉及了一种汽车避障系统。

背景技术

汽车电动化、智能化、网联化、共享化已经成为世界汽车工业发展的主要趋 势。其中，汽车智能化是解决复杂交通环境下的汽车的安全、拥堵和环保等诸多 问题的关键技术途径，也是汽车主动安全技术发展的必然趋势。

实现快速准确的避障是汽车智能化研究的难点和重点。由于实际道路环境十 分复杂，而复杂交通环境下的障碍物具有动态性和随机性的特点；车辆本身存在 着强非线性，驾驶员也存在个体差异，使得避障路径规划和运动控制面临巨大的 挑战。因此，考虑避障环境的不确定性和驾驶员的个体差异性，求得最优避障操 控输入，是智能驾驶汽车发展过程中亟待解决的关键问题。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种智能驾驶汽车的 自适应避障控制系统。

为了实现上述技术目的，本发明的技术方案为：

一种智能驾驶汽车的自适应避障控制系统，包括信息采集层、信息处理层、 运动控制层和执行层；所述信息采集层包括车辆行驶状态感知模块和车辆行驶环 境感知模块，分别用于采集车辆行驶状态信息和车辆行驶环境信息并传递给信息 处理层，所述车辆行驶状态信息包括车速信息，所述车辆行驶环境信息包括周围 障碍物信息；所述信息处理层包括不确定性避障模型和区间安全距离模型，所述 不确定性避障模型根据信息采集层采集到的周围障碍物信息，计算避障时的边值 约束条件并传递给运动控制层，所述区间安全距离模型根据信息采集层采集到的 车速信息和周围障碍物信息，计算适于不同驾驶特性驾驶员的安全距离并传递给 运动控制层；所述运动控制层根据运动处理层传递的信息，计算最优避障操纵输 入指令并传递给执行层；所述执行层包括控制器和转向电机，控制器根据运动控 制层传递的最优避障操纵输入指令控制转向电机的转角，实现自适应避障。

进一步地，所述车辆行驶状态感知模块包括车速传感器、车轮传感器、侧滑 传感器、侧向加速度传感器和质心侧偏角传感器。

进一步地，所述车辆行驶环境感知模块包括视觉识别传感器、雷达传感器、 超声波传感器和红外传感器。

进一步地，通过不确定性避障模型计算避障时的边值约束条件的方法如下：

4.1、建立障碍物运动不确定性模型

设障碍物运动速度的范围，每过一个周期T障碍物移动速度的大小和方向会 改变，障碍物速度的变化量Δv和角度的变化量Δθ用正态分布描述；

4.2、估计正态随机样本的参数

进行实车试验，采集移动障碍物的速度和方向信息，以采集到的数据为样本 值，采用极大似然法对Δv和Δθ的期望和方差进行估计，为提高估计的准确性， 应不断用新采集的数据对样本值进行更新；

4.3、对障碍物的不确定性的处理

根据3σ规则，根据i时刻障碍物的运动状态，描述i+1时刻障碍物的位置、 速度、方向的不确定性；确定下一时刻障碍物的位置范围后，只要本车不与该位 置范围相交，即能够避免与障碍物发生碰撞。

进一步地，根据区间安全距离模型计算出的安全距离范围为 L_S ,分别为安全距离的下限和上限：

上式中，t_r 和分别为驾驶员制动反应时间的下限和上限；t_d 和分别为车辆制动器作用时间的下限和上限；a_f 和分别为车辆制动减速度的下限和上限；t_di 和分别为车辆制动器的制动力增长时间的下限和上限；u₁为车速；L为当车辆 经制动停车后车辆与障碍物之间的期望距离。

进一步地，在运动控制层中，通过多阶段操纵逆动力学模型计算最优避障操 纵输入指令，所述多阶段操纵逆动力学模型包含多个单阶段操纵逆动力学模型， 通过设定相与相之间的链接方式组成多阶段操纵逆动力学模型。

进一步地，所述相与相之间的链接方式如下：

连接点处的链接方式：

X_{f_left}＝X_{0_right}

其中，X_{f_left}为前一相的终端状态，X_{0_right}为后一相的初始状态。

同时，相与相之间的时间是连续的，因此：

t_{f_left}＝t_{0_right}

其中，t_{f_left}为前一相的终端时刻，t_{0_right}为后一相的初始时刻。

进一步地，所述单阶段操纵逆动力学模型如下：

8.1、建立三自由度车辆模型：

上式中，v为汽车的侧向速度；u为汽车的纵向速度；ω_r为汽车的横摆角速度； m为整车总质量；I_z为整车绕铅垂轴转动惯量；a、b分别为整车质心至前、后 轴的距离；δ为前轮转角；F_yf为前轮侧偏力；F_yr为后轮侧偏力；F_xf为前轮驱 动力/制动力，F_xf≥0为驱动力，F_xf<0为制动力；F_xr为后轮驱动力/制动力，F_xr≥0 为驱动力，F_xr<0为制动力；F_f为滚动阻力，且F_f＝mgf，g为重力加速度，f 为滚动阻力系数；F_w为空气阻力，F_w＝C_DA(3.6u)²/21.15，C_D为空气阻力系 数，A为迎风面积；

8.2、建立最优控制模型：

状态变量x(t)＝[v(t) ω(t) u(t) x(t) y(t) θ(t)]^T，v(t)、ω_r(t)、u(t)、x(t)、y(t)、 θ(t)分别为t时刻的侧向速度、横摆角速度、纵向速度、横向位移、纵向位移、 航向角；上标T表示矩阵转置；

控制变量Z(t)为t时刻的方向盘转角δ_sw(t)和前轮驱动力/制动力F_xf(t)；

控制任务是以最短时间通过给定路径；

8.3、求解最优控制问题；

8.4、求得最优避障操纵输入。

进一步地，求解最优控制问题的方法如下：

将状态变量和控制变量在一组Legendre Gauss Radau点上离散化，构造全局Lagrange插值多项式来逼近状态变量和控制变量，再通过对状态变量求导来代替 动力学微分方程，将连续的最优控制问题转化为受一系列代数约束的非线性规划 问题，并利用hp自适应算法通过细分时间网格或增加插值多项式阶数来更新非 线性规划问题，直至满足精度要求；最后求解非线性规划问题，得到最优避障操 纵输入。

采用上述技术方案带来的有益效果：

本发明考虑了避障环境的不确定性和驾驶员的个体差异性对最优避障操控 输入的影响，有利于提高复杂环境下汽车避障的安全性。本发明系统设计方法简 单，便于实现和推广。本发明中控制指令的求解方法计算精度高，实时性较好。

附图说明

图1为本发明控制系统的整体框图；

图2为本发明中多阶段操纵逆动力学中各阶段之间的连接示意图；

图3为本发明中汽车操纵逆动力学方法原理图；

图4为本发明中汽车操纵逆动力学模型流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示，本发明设计一种智能驾驶汽车的自适应避障控制系统，包括信 息采集层、信息处理层、运动控制层和执行层；所述信息采集层包括车辆行驶状 态感知模块和车辆行驶环境感知模块，分别用于采集车辆行驶状态信息和车辆行 驶环境信息并传递给信息处理层，所述车辆行驶状态信息包括车速信息，所述车 辆行驶环境信息包括周围障碍物信息；所述信息处理层包括不确定性避障模型和 区间安全距离模型，所述不确定性避障模型根据信息采集层采集到的周围障碍物 信息，计算避障时的边值约束条件并传递给运动控制层，所述区间安全距离模型 根据信息采集层采集到的车速信息和周围障碍物信息，计算适于不同驾驶特性驾 驶员的安全距离并传递给运动控制层；所述运动控制层根据运动处理层传递的信 息，计算最优避障操纵输入指令并传递给执行层；所述执行层包括控制器和转向 电机，控制器根据运动控制层传递的最优避障操纵输入指令控制转向电机的转角，实现自适应避障。

在本实施例中，所述信息采集层采用如下优选方案实现：

车辆行驶状态感知模块包括车速传感器、车轮传感器、侧滑传感器、侧向加 速度传感器和质心侧偏角传感器。

车辆行驶环境感知模块包括视觉识别传感器、雷达传感器、超声波传感器和 红外传感器。

在本实施例中，信息处理层采用如下优选方案实现：

不确定性避障模型根据信息采集层所采集到的障碍物信息，采用模糊理论、 概率分析建立考虑障碍物出现位置、尺寸及运动规律不确定时的安全避障模型。

下文以障碍物速度的大小和方向时刻发生变化为例，采用概率分析对不确定 性进行表达：

建立障碍物运动不确定性模型：

假设移动障碍物运动速度的范围为[v_min,v_max]，每过一个周期T障碍物移动速 度的大小和方向会改变，障碍物速度的变化量Δv和角度的变化量Δθ可用正态分 布描述；

估计正态随机样本的参数：

进行实车试验，车辆通过信息采集系统采集到移动障碍物的速度和方向信 息，以采集到的数据为样本值，采用极大似然法对Δv，Δθ的期望和方差进行估 计，为提高估计的准确性，应不断用新采集的数据对样本值进行更新；

对障碍物的不确定性的处理：

根据3σ规则，可根据i时刻障碍物的运动状态，描述i+1时刻障碍物的位置、 速度、方向的不确定性；确定下一时刻障碍物的位置范围后，从安全避障的角度 出发，为避免所有碰撞可能，车辆只要不与这一范围相交，即可避免与障碍物发 生碰撞。

根据信息采集模块采集到的车速以及障碍物信息，计算可以反映不同驾驶特 性的驾驶员所需的区间安全距离，过程如下：

当驾驶员发现障碍物以后，开始制动直到停车一般需要经过3个阶段：

1)驾驶员的制动反应时间t_r；

2)车辆制动器的作用时间t_d；

3)持续制动时间t_c；

3个阶段内车辆的行驶距离分别记为L_r、L_d、L_c。

车辆在驾驶员制动反应时间内行驶的距离为

L_r＝u₁t_r

式中u₁为车速。

车辆制动器的作用时间t_d可以看成由制动延迟时间t_dd和制动力增长时间t_di构成。

在制动力增长时间t_di内，车辆作减速运动,可求得该时间段内行驶的距离为

式中a_f为车辆的制动减速度。

在车辆制动器的作用时间t_d内，车辆的行驶距离为

L_d＝L_dd+L_di

其中L_dd＝u₁t_dd。

在持续制动时间t_c内，车辆的行驶距离为

因此，车辆的总制动距离为

当车辆经制动停车以后,为使车辆与障碍物之间的距离为L(一般取 L≥3m)，则安全距离为

将上式中的t_r，t_d，t_di和a_f用其对应的变化区间和替代得

式中，为车辆的区间安全距离，为车辆的总制动距离。

对上式进行区间四则运算，可得到车辆行驶安全距离的变化范围为

在本实施例中，所述运动控制层采用如下优选方案实现：

通过多阶段操纵逆动力学模型计算最优避障操纵输入指令，所述多阶段操纵 逆动力学模型包含多个单阶段操纵逆动力学模型，通过设定相与相之间的链接方 式组成多阶段操纵逆动力学模型。

如图2所示，所述相与相之间的链接方式如下：

连接点处的链接方式：

X_{f_left}＝X_{0_right}

其中，X_{f_left}为前一相的终端状态，X_{0_right}为后一相的初始状态。

同时，相与相之间的时间是连续的，因此：

t_{f_left}＝t_{0_right}

其中，t_{f_left}为前一相的终端时刻，t_{0_right}为后一相的初始时刻。

如图3所示，所述单阶段操纵逆动力学模型如下：

(1)建立三自由度车辆模型：

上式中，v为汽车的侧向速度；u为汽车的纵向速度；ω_r为汽车的横摆角速度； m为整车总质量；I_z为整车绕铅垂轴转动惯量；a、b分别为整车质心至前、后 轴的距离；δ为前轮转角；F_yf为前轮侧偏力；F_yr为后轮侧偏力；F_xf为前轮驱 动力/制动力，F_xf≥0为驱动力，F_xf<0为制动力；F_xr为后轮驱动力/制动力，F_xr≥0 为驱动力，F_xr<0为制动力；F_f为滚动阻力，且F_f＝mgf，g为重力加速度，f 为滚动阻力系数；F_w为空气阻力，F_w＝C_DA(3.6u)²/21.15，C_D为空气阻力系 数，A为迎风面积；

(2)建立最优控制模型：

状态变量x(t)＝[v(t)ω(t)u(t)x(t)y(t)θ(t)]^T，v(t)、ω_r(t)、u(t)、x(t)、y(t)、θ(t)分别为t时刻的侧向速度、横摆角速度、纵向速度、横向位移、纵向位移、 航向角；上标T表示矩阵转置；

控制变量Z(t)为t时刻的方向盘转角δ_sw(t)和前轮驱动力/制动力F_xf(t)；

控制任务是以最短时间通过给定路径；

(3)求解最优控制问题；

(4)求得最优避障操纵输入。

如图4所示，求解最优控制问题的具体方法为：

将状态变量和控制变量在一组Legendre Gauss Radau(LGR)点上离散化， 构造全局Lagrange插值多项式来逼近状态变量和控制变量，再通过对状态变量 求导来代替动力学微分方程，这样，连续的最优控制问题就被转化为受一系列代 数约束的非线性规划(NLP)问题，并利用hp自适应算法通过细分时间网格或 增加插值多项式阶数来更新NLP问题，直至满足精度要求；最后求解非线性规 划问题，得到最优避障操纵输入。

1)由于Radau伪谱法的配点都分布在区间(-1,1]上，因此采用Radau伪谱法 对以上最优控制问题进行求解时需将最优控制问题的时间区间t∈[t₀,t_e]转换成 τ∈[-1,1]，对时间变量t作变换：τ＝2t/(t_e-t₀)-(t_e+t₀)/(t_e-t₀)，将运动微分方 程、性能指标和约束条件转换为如下形式：

minJ＝ψ(x(τ_e),t_e)

C[x(τ),z(τ),τ；t₀,t_e]≤0

K阶LGR点是多项式P_K(τ)-P_K-1(τ)的根，其中P_K(τ)即为K阶Legendre多 项式。为使节点能覆盖区间端点，Radau伪谱法的节点为配点与初始时间点 τ₀＝-1。当节点个数为N时，则配点个数为K(K＝N-1)，即配点取N-1阶LGR 点。

2)采用N个拉格朗日插值多项式L_i(τ)(i＝0,1,…,N-1)为基函数来近似变量：

其中，Lagrange插值多项式函数

使得节点上的近似状态与实际状态相等，即x(τ_i)＝X(τ_i)。

3)采用Lagrange插值多项式L^* _i(τ)，(i＝1,…,N-1)作为基函数来近似控制 变量，即：

式中，

4)将动力学微分方程约束转换为代数约束，即：

其中微分矩阵D_ki表达式为：

其中，g(τ_i)＝(1+τ_i)[P_K(τ_i)-P_K-1(τ_i)]，式中τ_i为节点，τ_k为配点。将步骤1)中 的公式步骤一种的那些公式还是所有的公式在配点τ_k处离散。这样，可将最优控 制问题的动力学微分方程约束转换为代数约束，对于k＝1,…,N有：

5)逼近精度设定

假设在第k个区间内，第s个配点处态变量一阶微分残差为:

过程约束残差为:

则第k个区间的最大残差为:

式中i＝1,…,m；j＝1,…,l。i为状态变量维度，j为控制变量维度。

设置最大允许误差为ε，如果则表明第k个时间子区间内配点处状 态、控制变量值。

已满足精度要求，则停止该区间内迭代计算；否则，则需通过细分时间网格 或增加插值多项式阶数来提高精度。

6)自适应的判据

自适应的区间划分或自适应的差值多项式阶数是通过曲率确定的。设子区间 k上的相对曲率为：

其中分别为子区间k上状态变量曲率的最大值和平均值。

假设为第k个区间上第m个点的状态，则m点的曲率：

设置相对曲率阈值r_max，若r^(k)＞r_max，说明该段轨迹过于震荡，此时需细分 时间区间；反之，说明该段轨迹较平滑，可通过增加插值多项式阶数提高逼近精 度。

7)确定差值多项式的阶数

差值多项式的阶数由下式确定：

其中ceil[·]表示向上取整。A为大于零的整数，是一个可调因子。

8)确定网格数目和位置

子区间数目由下面公式确定：

B是大于零的整数，是一个可调因子。

定义第k个时域区间的曲率密度系数常数c^(k)使得:

则第k个区间中的第i个网格点的位置应设在τ_p处，使得:

9)利用非线性规划算法对离散的最优控制问题进行求解，得到智能汽车的 最优避障操纵输入。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是 按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明 保护范围之内。

Claims (9)

1.一种智能驾驶汽车的自适应避障控制系统，其特征在于：包括信息采集层、信息处理层、运动控制层和执行层；所述信息采集层包括车辆行驶状态感知模块和车辆行驶环境感知模块，分别用于采集车辆行驶状态信息和车辆行驶环境信息并传递给信息处理层，所述车辆行驶状态信息包括车速信息，所述车辆行驶环境信息包括周围障碍物信息；所述信息处理层包括不确定性避障模型和区间安全距离模型，所述不确定性避障模型根据信息采集层采集到的周围障碍物信息，计算避障时的边值约束条件并传递给运动控制层，所述区间安全距离模型根据信息采集层采集到的车速信息和周围障碍物信息，计算适于不同驾驶特性驾驶员的安全距离并传递给运动控制层；所述运动控制层根据运动处理层传递的信息，计算最优避障操纵输入指令并传递给执行层；所述执行层包括控制器和转向电机，控制器根据运动控制层传递的最优避障操纵输入指令控制转向电机的转角，实现自适应避障。

2.根据权利要求1所述智能驾驶汽车的自适应避障控制系统，其特征在于：所述车辆行驶状态感知模块包括车速传感器、车轮传感器、侧滑传感器、侧向加速度传感器和质心侧偏角传感器。

3.根据权利要求1所述智能驾驶汽车的自适应避障控制系统，其特征在于：所述车辆行驶环境感知模块包括视觉识别传感器、雷达传感器、超声波传感器和红外传感器。

4.根据权利要求1所述智能驾驶汽车的自适应避障控制系统，其特征在于：通过不确定性避障模型计算避障时的边值约束条件的方法如下：

4.1、建立障碍物运动不确定性模型

设障碍物运动速度的范围，每过一个周期T障碍物移动速度的大小和方向会改变，障碍物速度的变化量Δv和角度的变化量Δθ用正态分布描述；

4.2、估计正态随机样本的参数

进行实车试验，采集移动障碍物的速度和方向信息，以采集到的数据为样本值，采用极大似然法对Δv和Δθ的期望和方差进行估计，为提高估计的准确性，应不断用新采集的数据对样本值进行更新；

4.3、对障碍物的不确定性的处理

根据3σ规则，根据i时刻障碍物的运动状态，描述i+1时刻障碍物的位置、速度、方向的不确定性；确定下一时刻障碍物的位置范围后，只要本车不与该位置范围相交，即能够避免与障碍物发生碰撞。

5.根据权利要求1所述智能驾驶汽车的自适应避障控制系统，其特征在于：根据区间安全距离模型计算出的安全距离范围为 L_S ,分别为安全距离的下限和上限：

上式中，t_r 和分别为驾驶员制动反应时间的下限和上限；t_d 和分别为车辆制动器作用时间的下限和上限；a_f 和分别为车辆制动减速度的下限和上限；t_di 和分别为车辆制动器的制动力增长时间的下限和上限；u₁为车速；L为当车辆经制动停车后车辆与障碍物之间的期望距离。

6.根据权利要求1所述智能驾驶汽车的自适应避障控制系统，其特征在于：在运动控制层中，通过多阶段操纵逆动力学模型计算最优避障操纵输入指令，所述多阶段操纵逆动力学模型包含多个单阶段操纵逆动力学模型，通过设定相与相之间的链接方式组成多阶段操纵逆动力学模型。

7.根据权利要求6所述智能驾驶汽车的自适应避障控制系统，其特征在于：所述相与相之间的链接方式如下：

连接点处的链接方式：

X_{f_left}＝X_{0_right}

其中，X_{f_left}为前一相的终端状态，X_{0_right}为后一相的初始状态。

同时，相与相之间的时间是连续的，因此：

t_{f_left}＝t_{0_right}

其中，t_{f_left}为前一相的终端时刻，t_{0_right}为后一相的初始时刻。

8.据权利要求6所述智能驾驶汽车的自适应避障控制系统，其特征在于：所述单阶段操纵逆动力学模型如下：

8.1、建立三自由度车辆模型：

上式中，v为汽车的侧向速度；u为汽车的纵向速度；ω_r为汽车的横摆角速度；m为整车总质量；I_z为整车绕铅垂轴转动惯量；a、b分别为整车质心至前、后轴的距离；δ为前轮转角；F_yf为前轮侧偏力；F_yr为后轮侧偏力；F_xf为前轮驱动力/制动力，F_xf≥0为驱动力，F_xf<0为制动力；F_xr为后轮驱动力/制动力，F_xr≥0为驱动力，F_xr<0为制动力；F_f为滚动阻力，且F_f＝mgf，g为重力加速度，f为滚动阻力系数；F_w为空气阻力，F_w＝C_DA(3.6u)²/21.15，C_D为空气阻力系数，A为迎风面积；

8.2、建立最优控制模型：

状态变量x(t)＝[v(t) ω(t) u(t) x(t) y(t) θ(t)]^T，v(t)、ω_r(t)、u(t)、x(t)、y(t)、θ(t)分别为t时刻的侧向速度、横摆角速度、纵向速度、横向位移、纵向位移、航向角；上标T表示矩阵转置；

控制变量Z(t)为t时刻的方向盘转角δ_sw(t)和前轮驱动力/制动力F_xf(t)；

控制任务是以最短时间通过给定路径；

8.3、求解最优控制问题；

8.4、求得最优避障操纵输入。

9.根据权利要求8所述智能驾驶汽车的自适应避障控制系统，其特征在于：求解最优控制问题的方法如下：

将状态变量和控制变量在一组Legendre Gauss Radau点上离散化，构造全局Lagrange插值多项式来逼近状态变量和控制变量，再通过对状态变量求导来代替动力学微分方程，将连续的最优控制问题转化为受一系列代数约束的非线性规划问题，并利用hp自适应算法通过细分时间网格或增加插值多项式阶数来更新非线性规划问题，直至满足精度要求；最后求解非线性规划问题，得到最优避障操纵输入。