CN110398969B - 自动驾驶车辆自适应预测时域转向控制方法及装置 - Google Patents
自动驾驶车辆自适应预测时域转向控制方法及装置 Download PDFInfo
- Publication number
- CN110398969B CN110398969B CN201910707300.6A CN201910707300A CN110398969B CN 110398969 B CN110398969 B CN 110398969B CN 201910707300 A CN201910707300 A CN 201910707300A CN 110398969 B CN110398969 B CN 110398969B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- sampling period
- prediction
- curve
- 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 82
- 238000005070 sampling Methods 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 24
- 238000013461 design Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 5
- 230000008602 contraction Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 26
- 230000015654 memory Effects 0.000 description 13
- 238000004088 simulation Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000010355 oscillation Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- NFLLKCVHYJRNRH-UHFFFAOYSA-N 8-chloro-1,3-dimethyl-7H-purine-2,6-dione 2-(diphenylmethyl)oxy-N,N-dimethylethanamine Chemical compound O=C1N(C)C(=O)N(C)C2=C1NC(Cl)=N2.C=1C=CC=CC=1C(OCCN(C)C)C1=CC=CC=C1 NFLLKCVHYJRNRH-UHFFFAOYSA-N 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请实施例公开了一种自动驾驶车辆自适应预测时域转向控制方法及装置，其中方法包括：获取车辆行驶的参考轨迹，将该轨迹形成全局坐标系下的车辆行驶参考轨迹；基于车辆GPS和差分系统采集的地图信息，拟合形成车辆行驶期望轨迹曲线；基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；设计自适应变化的采样周期；基于采样周期，对车辆在行驶过程中的轨迹进行周期性调整，实现轨迹跟踪。本申请实施例通过采用自适应周期的预测控制方式对参考轨迹进行跟踪，在模型预测控制中采用考虑道路曲率变化的自适应周期后，车辆具有很好的轨迹跟踪控制效果，提高了控制精度并且在控制过程中具有较好的稳定性。
Description
技术领域
本申请涉及自动驾驶中的车辆控制领域，尤其涉及一种自动驾驶车辆自适应预测时域转向控制方法、装置、设备及计算机可读存储介质。
背景技术
随着自动驾驶技术的不断发展，自动驾驶汽车越来越受到人们的关注，车辆的转向系统是自动驾驶技术中的重要组成部分。路径跟踪控制是无人驾驶车辆转向运动控制的主要研究内容，即根据路径规划系统给出的参考路径及定位定向系统获得的车辆实时位置、车速等信息按照一定的控制算法计算获得方向盘执行机构的控制量，使得车辆可以快速地跟踪规划路径。目前主流的轨迹跟踪控制方法主要有：预瞄控制算法、模型预测控制、PID控制、前馈反馈控制以及线性二次型调节器LQR控制器等。
在现有技术中，各学者多基于最优预瞄控制理论模拟驾驶员驾驶特性，根据车辆位置与参考轨迹的误差设计轨迹跟踪的预瞄距离，其中预瞄控制分为单点预瞄和多点预瞄，预瞄点的增加使得轨迹跟踪的过程更加精确，但由此也带来了计算量大和系统实时性的问题。PID控制算法在工业领域应用广泛，在自动驾驶车辆的轨迹跟踪控制中因其简单易行的特点也被大量使用，但在控制过程中需要不断的试凑参数，尤其在车速变化或道路曲率变化明显时，PID控制算法需要重新调整参数，因此该种方法具有较差的适应性难以实现曲率不断变化的平稳轨迹跟踪。模型预测控制方法因其具有较好控制稳定性和跟踪能力在轨迹跟踪中的应用广泛，但在现有技术中较少考虑了道路弯曲和道路曲率变化程度的影响，多采用固定周期预测时域状态，当车辆在具有较大道路曲率变化和弯曲程度的路面行驶时轨迹跟踪的精确性和稳定性都较低，难以达到期望的轨迹跟踪效果。有学者针对这一问题结合预瞄控制方法和模型预测方法对控制器进行优化，采用轨迹重规划的方式减小轨迹对车辆跟踪控制的影响，但该种方法设计复杂且需对车辆上层进行重新设计，难以保证车辆在实际问题中的应用。
因此，如何在模型预测控制理论的基础上改进控制算法实现车辆在大弯曲度和大曲率变化的路面行驶的稳定性和跟踪精确性是函待解决的问题。
发明内容
本申请实施例提供一种自动驾驶车辆自适应预测时域转向控制方法，通过建立车辆的预测距离模型，结合自设计的自适应变化的采样周期方式，对轨迹进行非固定周期的调整，实现轨迹跟踪，有效提高自动驾驶车辆在轨迹跟踪过程中的跟踪精度，提高转向系统的控制能力。
第一方面，本申请实施例提供了一种自动驾驶车辆自适应预测时域转向控制方法，该方法包括：
获取车辆行驶的参考轨迹，将该轨迹形成全局坐标系下的车辆行驶参考轨迹；
基于车辆GPS和差分系统采集的地图信息，拟合形成车辆行驶期望轨迹曲线；
基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；
基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期；
基于采样周期，设计自动驾驶车辆轨迹跟踪模型预测控制器，实现轨迹跟踪。
作为一种可选的实施方式，所述拟合形成车辆行驶期望轨迹曲线包括：
采集车辆GPS和差分系统采集的地图信息；
根据所采集的信息，设计自动驾驶车辆轨迹规划层，将道路参数进行拟合形成一条平滑的车辆行驶期望轨迹曲线；
在拟合过程中，利用多项式曲线对道路测量坐标点进行拟合。
作为一种可选的实施方式，所述车辆运动学模型中，车辆状态通过CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角，在对车辆行驶过程中的轨迹进行调整；
所述预测模型的建立以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型。
作为一种可选的实施方式，所述采样周期的设计根据参考路径的平均曲率，基于Round函数形成采样周期的波动函数。
作为一种可选的实施方式，所述基于采样周期对车辆在行驶过程中的轨迹进行周期性调整包括：
根据采样周期函数建立车辆轨迹的横向偏差目标函数，并对车辆左侧偏差和右侧偏差进行目标约束；
在控制过程中，以期望轨迹曲线作为参考曲线，控制器结合预测模块和当前的测量值，通过对目标函数以及目标约束的优化问题，对下一个采样周期内的轨迹的调整策略进行预测；
控制器根据调整策略对车辆进行适时调整，在采样周期更新后重新对调整策略做出预测。
第二方面，本申请实施例提供了一种自动驾驶车辆自适应预测时域转向控制装置，该装置包括：
获取单元，用于获取车辆行驶的参考轨迹；
计算单元，用于基于车辆GPS和差分系统采集的地图信息拟合形成车辆行驶期望轨迹曲线；
生成单元，用于基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；
更新单元，用于基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期；
匹配单元，用于基于自适应变化的采样周期，设计自动驾驶车辆轨迹跟踪模型预测控制器，实现轨迹跟踪。
作为一种可选的实施方式，所述计算单元，具体用于基于车辆GPS和差分系统采集的地图信息，计算自动驾驶车辆轨迹规划层，将道路参数进行拟合形成一条平滑的车辆行驶期望轨迹曲线。
作为一种可选的实施方式，所述生成单元，具体用于以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型，其中，生成单元在基于车辆运动学模型时，具体基于CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角，在对车辆行驶过程中的轨迹进行调整。
作为一种可选的实施方式，所述更新单元，用于基于参考路径的平均曲率以及基于Round函数形成采样周期的波动函数，并进行采样周期的更新。
作为一种可选的实施方式，所述匹配单元包括：
计算子单元，用于根据采样周期函数建立车辆轨迹的横向偏差目标函数，并对车辆左侧偏差和右侧偏差进行目标约束；
确定子单元，用于在控制过程中以期望轨迹曲线作为参考曲线，控制器结合预测模块和当前的测量值，通过对目标函数以及目标约束的优化问题，对下一个采样周期内的轨迹的调整策略进行预测；
调整子单元，控制器根据调整策略对车辆进行适时调整。
第三方面，本申请实施例提供了一种定位设备，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述第一方面的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述第一方面的方法。
在本申请实施例中，获取车辆行驶的参考轨迹，将该轨迹形成全局坐标系下的车辆行驶参考轨迹；基于车辆GPS和差分系统采集的地图信息，拟合形成车辆行驶期望轨迹曲线；基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期；基于采样周期，对车辆在行驶过程中的轨迹进行周期性调整，实现轨迹跟踪。本申请实施例通过采用自适应周期的预测控制方式对参考轨迹进行跟踪，在模型预测控制中采用该考虑道路曲率变化的自适应周期后车辆具有很好的轨迹跟踪控制效果，提高了轨迹跟踪的控制精度并且在控制过程中不存在振荡。
附图说明
为了更清楚地说明本申请实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。
图1是本发明的自适应周期轨迹跟踪控制方法的方法流程图；
图2是本发明的自适应周期轨迹跟踪控制器控制框图；
图3是本发明的车辆与期望轨迹关系示意图；
图4是本发明的一种自动驾驶车辆自适应预测时域转向控制装置的结构图；
图5是本发明的一种自动驾驶车辆自适应预测时域转向控制设备的结构图；
图6是本发明的轨迹跟踪控制在采样周期0.05s时的仿真结果图；
图7是本发明的轨迹跟踪控制在采样周期0.15s时的仿真结果图；
图8是本发明的轨迹跟踪控制在采样周期0.20s时的仿真结果图；
图9是本发明的轨迹跟踪控制在自适应采样周期时的仿真结果图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
本申请实施例主要应用于无人驾驶汽车中，以用于自动驾驶车辆在驾驶过程中的自适应预测时域转向预测控制，实现高精准度地自动驾驶。
在现有技术中，各学者多基于最优预瞄控制理论模拟驾驶员驾驶特性，根据车辆位置与参考轨迹的误差设计轨迹跟踪的预瞄距离，其中预瞄控制分为单点预瞄和多点预瞄，预瞄点的增加使得轨迹跟踪的过程更加精确，但由此也带来了计算量大和系统实时性的问题。PID控制算法在工业领域应用广泛，在自动驾驶车辆的轨迹跟踪控制中因其简单易行的特点也被大量使用，但在控制过程中需要不断的试凑参数，尤其在车速变化或道路曲率变化明显时，PID控制算法需要重新调整参数，因此该种方法具有较差的适应性难以实现曲率不断变化的平稳轨迹跟踪。
针对这个问题，本申请实施例设计了一种自动驾驶车辆自适应预测时域转向控制方法，通过采用自适应周期的预测控制方式对参考轨迹进行跟踪，在模型预测控制中采用该考虑道路曲率变化的自适应周期后车辆具有很好的轨迹跟踪控制效果，提高了轨迹跟踪的控制精度并且在控制过程中不存在振荡。
参见图1，图1是本申请实施例提供一种控制方法的示意流程图，如图所示该方法可包括：
101：获取车辆行驶的参考轨迹，将该轨迹形成全局坐标系下的车辆行驶参考轨迹。
在本申请实施例中，在无人驾驶平台上搭载GPS系统和千寻网络差分设备，采集一条高精度地图信息作为车辆行驶的参考轨迹，并将该轨迹按固定周期保存成全局坐标系下的车辆行驶参考轨迹。
配置无人驾驶底层控制平台，车辆状态通过CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角。
102：基于车辆GPS和差分系统采集的地图信息，拟合形成车辆行驶期望轨迹曲线；
在本申请实施例中，根据车辆GPS和差分系统采集的地图信息，设计自动驾驶车辆轨迹规划层，将道路参数进行拟合形成期望轨迹曲线，考虑到驾驶习惯，期望轨迹曲线尽量采用一条平滑的车辆行驶期望轨迹曲线。
拟合形成车辆行驶期望轨迹曲线的过程包括：
102-1：采集车辆GPS和差分系统采集的地图信息；
102-2：根据所采集的信息，设计自动驾驶车辆轨迹规划层，将道路参数进行拟合形成一条平滑的车辆行驶期望轨迹曲线；
103-3：在拟合过程中，利用多项式曲线对道路测量坐标点进行拟合。
在车辆GPS中所获得的经纬度信息，需要对应转换为WGS84大地坐标，完成坐标转换后进行轨迹规划和拟合，具体的拟合方法有很多，下面的实例给出了其中一种。
作为一个具体的实施例，规划控制常用的两个坐标系是UTM坐标(WGS84标准)和车体坐标系，车辆的运动学模型状态都是表示成x，y,yaw形式,在此过程中需要将从GPS获得的经纬度坐标转换为WGS84大地坐标，WGS84是参照椭球模型与实际地球关系的大地测量基准，地球椭球模型通常由半长轴和扁平率来定义，可以从这两个参数中推导出其他相关的常数。两个坐标系的转换方法属于现有技术，在这里不进行赘述。
本实施例作为一个具体的实例，本发明采用三次多项式曲线对道路测量坐标点进行拟合，设拟合多项式为：
y＝f(x)＝a0+a1x+a2x2+a3x3
系统接收来自传感器测量的m个数据点pi(xi，yi)，i＝1，2，3，...，m，采用最小二乘法计算近似曲线，已知数据点到拟合曲线之间的偏差平方和
为求解拟合曲线方程中的系数ai(i＝0，1，2，3)，对上述等式中ai(i＝0，1，2，3)求偏导数，经过变化简化后可得：
根据系统在车辆局部路径规划中GPS所获取到的全局坐标系下的坐标点，通过上式可求得系数矩阵A，由此得到三次拟合曲线的横纵坐标，作为车辆局部坐标，完成坐标的转换。
103：基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；
其中，车辆运动学模型中的车辆状态通过CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角，在对车辆行驶过程中的轨迹进行调整。预测模型的建立以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型。
以所建立的自动驾驶仿真平台建立车辆运动学模型，在车辆局部坐标系OXY下，定义车辆的前轴中心坐标为(Xf，Yf)，后轴中心坐标为(Xr，Yr)，假设转向过程中车辆质心侧偏角保持不变，即车辆瞬时转向半径与道路曲率半径相同，以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型，在此定义车辆横向偏差为ΔY＝Yr-f(Xr)，f(x)为多项式拟合轨迹函数，航向角偏差为
车辆的状态方程如下所示：
上式中，
为车体的横摆角(航向角)，v(t)为时刻t车辆后轴中心速度，δ为车辆前轮偏角，l为轴距，b为轨迹多项式曲线的二次项系数，t为时刻，z(t)＝k/(1+k2)，k＝f′(v(t)dt)，f(x)为多项式拟合轨迹函数，k为规划轨迹上任意一点P的斜率。
将上述车辆状态线性化得到状态空间方程：
x(t)表示车辆状态，u(t)表示控制量，z(t)表示横摆角倒数解析时求得的公式。其中，
104：基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期，即设计轨迹跟踪模型预测控制方法的自适应预测时域。
由于当前应用模型预测控制算法的轨迹跟踪控制均为固定预测周期计算方式，该种方式难以在曲率变化大的道路中实现良好的跟踪控制性能。
采样周期hk与预测时域Np和速度的乘积为车辆预测控制器的预测距离，车辆的预测距离计算公式如下：Dpre＝hk·Np·vr。
当道路的曲率变化较大时，应减小该预测距离，保证车辆在每一步的前瞻预测距离中都能尽可能多的获取道路的曲率变化信息，保证车辆的精准控制。同理，当车辆在长直路或道路曲率变化不明显的良好路况行驶时，因其不存在较多的道路变化可将车辆的预测距离增长，该变化不会对轨迹跟踪的控制效果产生较大影响，仍可保证车辆的精确控制能力。
在本申请实施例中，设计了一种自适应变化的采样周期，其计算方法如下：hk＝(round(10+10e-wPGC))/100，式中，PGC参考路径平均曲率，w为收缩因子，w的取值依据经验值设定，通过上式可根据车辆当前行驶道路的曲率自适应的调整采样周期。
105：基于采样周期，对车辆在行驶过程中的轨迹进行周期性调整，实现轨迹跟踪。
在本申请中，通过设计设计自动驾驶车辆轨迹跟踪模型预测控制器来实现，包括目标函数和控制器约束条件两部分。
为满足车辆在行驶过程中的轨迹跟踪性能，需要保证车辆在行驶时与期望轨迹之间的横向偏差和航向角偏差最小，同时保证车辆轨迹跟踪过程的舒适和横向稳定性建立如下目标函数：
式中，wy是横向位移偏差ΔY的权重因子，wθ为航向角偏差
的权重因子，wk为系统控制量u的权重因子，wy、wθ、wk是在设定目标函数时就设定好的权重因子，车辆控制的效果与权重因子的取值有关。
作为一个具体的实施例，考虑模型预测控制的计算问题将目标函数转换为二次规划形式进行求解，则该最优问题可以表示为：
其中，
式中，k表示预测步数，sr(k)表示车辆运行至参考路径时的位移，由此对应计算出车辆质心与期望轨迹之间的垂直距离，di，min和di，max分别表示车辆在行驶过程中每一时刻允许车辆近似圆移动的左侧偏差和右侧偏差，umin和umax分别为车辆自身转向机构的转向角限制条件。
在控制过程中，始终存在一条期望轨迹。以k时刻作为当前时刻，控制器结合当前的测量值和预测模型，预测系统未来一段时域内[k，k+Np]的系统输出。通过求解满足目标函数以及各种约束的优化问题，得到在控制时域内[k，k+Nc]的控制序列，并将该控制序列的第一个元素作为被控对象的实际控制量。当来到下一个时刻k+1时，重复上述过程，如此滚动的完成带约束的优化问题，实现对被控对象的持续控制。由此保证车辆行驶过程中轨迹的精确和稳定跟踪的能力。
本申请实施例还提供一种自动驾驶车辆自适应预测时域转向控制装置，该装置用于执行前述任一项上述。具体地，参见图3，图3是本申请实施例提供的一种自动驾驶车辆自适应预测时域转向控制装置的示意框图。本实施例的装置包括：获取单元310、计算单元320、生成单元330、更新单元340、匹配单元350。
获取单元310，用于获取车辆行驶的参考轨迹，通过传感器获取多个数据点；
计算单元320，用于基于车辆GPS和差分系统采集的地图信息拟合形成车辆行驶期望轨迹曲线；
生成单元330，用于基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；
更新单元340，用于基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期；
匹配单元350，用于基于采样周期，设计自动驾驶车辆轨迹跟踪模型预测控制器，实现轨迹跟踪。
作为一种可选的实施方式，上述计算单元320，具体用于基于车辆GPS和差分系统采集的地图信息，计算自动驾驶车辆轨迹规划层，将道路参数进行拟合形成一条平滑的车辆行驶期望轨迹曲线。
作为一种可选的实施方式，上述生成单元330，具体用于以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型，其中，生成单元在基于车辆运动学模型时，具体基于CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角，在对车辆行驶过程中的轨迹进行调整。
作为一种可选的实施方式，上述更新单元340，用于基于参考路径的平均曲率以及基于Round函数形成采样周期的波动函数，并进行采样周期的更新。
作为一种可选的实施方式，上述匹配单元350包括：
计算子单元，用于根据采样周期函数建立车辆轨迹的横向偏差目标函数，并对车辆左侧偏差和右侧偏差进行目标约束；
确定子单元，用于在控制过程中以期望轨迹曲线作为参考曲线，控制器结合预测模块和当前的测量值，通过对目标函数以及目标约束的优化问题，对下一个采样周期内的轨迹的调整策略进行预测；
调整子单元，控制器根据调整策略对车辆进行适时调整。
可以看出，在本申请实施例中，车辆通过自车配置传感器获取自身状态信息和道路曲率以及经纬度信息，通过CAN总线将其传输至车辆控制器，车辆控制器接收来自传感器的信息后根据模型预测控制的计算原理设计车辆的预测模型并由此在预测时域内预测车辆的状态，根据车辆轨迹跟踪的需求设计车辆目标函数及约束以保证其在目标路径上轨迹跟踪的功能，同时本申请根据车辆在轨迹跟踪过程中的误差大和跟踪能力延迟的现象对系统采样周期进行设计实现采样周期随道路曲率的自适应调整，最终采用二次规划方法求解线性优化问题，得到系统的最优控制序列，并将控制序列的第一个元素下发给车辆自动转向系统，实现车辆的转向控制。
图4是本申请实施例提供的一种自动驾驶车辆自适应预测时域转向控制的结构示意图。该对象检测设备4000包括处理器41，还可以包括输入装置42、输出装置43和存储器44。该输入装置42、输出装置43、存储器44和处理器41之间通过总线相互连接。
存储器包括但不限于是随机存储记忆体(random access memory，RAM)、只读存储器(read至only memory，ROM)、可擦除可编程只读存储器(erasable programmable readonly memory，EPROM)、或便携式只读存储器(compact disc read至only memory，CD至ROM)，该存储器用于相关指令及数据。
输入装置用于输入数据和/或信号，以及输出装置用于输出数据和/或信号。输出装置和输入装置可以是独立的器件，也可以是一个整体的器件。
处理器可以包括是一个或多个处理器，例如包括一个或多个中央处理器(centralprocessing unit，CPU)，在处理器是一个CPU的情况下，该CPU可以是单核CPU，也可以是多核CPU。处理器还可以包括一个或多个专用处理器，专用处理器可以包括GPU、FPGA等，用于进行加速处理。
存储器用于存储网络设备的程序代码和数据。
处理器用于调用该存储器中的程序代码和数据，执行上述方法实施例中的步骤。具体可参见方法实施例中的描述，在此不再赘述。
可以理解的是，图5仅仅示出了对象检测设备的简化设计。在实际应用中，动作识别装置还可以分别包含必要的其他元件，包含但不限于任意数量的输入/输出装置、处理器、控制器、存储器等，而所有可以实现本申请实施例的动作识别装置都在本申请的保护范围之内。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，该单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。所显示或讨论的相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者通过该计算机可读存储介质进行传输。该计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是只读存储器(read至onlymemory，ROM)，或随机存储存储器(random access memory，RAM)，或磁性介质，例如，软盘、硬盘、磁带、磁碟、或光介质，例如，数字通用光盘(digital versatile disc，DVD)、或者半导体介质，例如，固态硬盘(solid state disk，SSD)等。
作为一个具体的实施例，如图6-9所示，本实施例的车辆载入上述模型预测控制算法程序，实现车辆在自适应预测周期下的更准确的轨迹跟踪控制。
根据上述控制器的建立，本实施例以跟踪参考路径y＝a sin wx为例，分别在固定采样周期0.05s，0.15s和0.2s和本发明提出的自适应采样周期中进行仿真测试。如图6所示为车辆在采样周期为0.05s下的轨迹跟踪效果，可以看出车辆跟踪曲率不断变化的轨迹时虽然能够保证趋势的一致性，但跟踪过程存在振荡不能达到很好的稳定跟踪效果。如图7所示为车辆在采样周期为0.15s下的轨迹跟踪效果，在控制器增大采样周期即增大预测距离的时车辆的跟踪振荡现象消失但车辆的实际轨迹跟踪存在延迟，难以保证实时的轨迹跟踪。如图8所示为车辆在采样周期为0.20s下的轨迹跟踪效果，可以看到当再次增大车辆的预测距离时，难以保证轨迹跟踪的控制精度，车辆在预测过程中缺失了对于部分道路曲率信息的预测和控制导致车辆在实际的轨迹跟踪控制过程存在较大的误差难以保证其控制的精确性。基于以上三种固定周期下的车辆轨迹跟踪控制结果，本发明采用提出的自适应周期的预测控制方法对该参考轨迹进行跟踪，其结果如图9所示，图中可以看出当车辆在通过获取参考轨迹的平均曲率后，通过计算自身的自适应采样周期，在模型预测控制中采用该考虑道路曲率变化的自适应周期后车辆具有很好的轨迹跟踪控制效果，提高了轨迹跟踪的控制精度并且在控制过程中不存在振荡。
根据上述仿真结果分析，采样周期对控制的结果由重要影响，当采样周期过小时，离散的模型就越接近连续的模型，但是容易出现震荡，导致车辆侧向稳定性降低，而采样周期过大虽然可以保证侧向稳定性但容易导致收敛较慢。因此本发明提出的自适应采样周期的模型预测控制方法可有效解决该问题。
以上上述，仅为本申请的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种自动驾驶车辆自适应预测时域转向控制方法，其特征在于，包括：
获取车辆行驶的参考轨迹，将该轨迹形成全局坐标系下的车辆行驶参考轨迹；
基于车辆GPS和差分系统采集的地图信息，拟合形成车辆行驶期望轨迹曲线；
基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；
基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期，其中，采样周期hk与预测时域Np和速度的乘积为车辆预测控制器的预测距离，车辆的预测距离计算公式如下：Dpre＝hk·Np·vr；所述自适应变化的采样周期，其计算方法如下：hk＝(round(10+10e-wPGC))/100，式中，PGC参考路径平均曲率，w为收缩因子，w的取值依据经验值设定，通过上式可根据车辆当前行驶道路的曲率自适应的调整采样周期；
基于采样周期，设计自动驾驶车辆轨迹跟踪模型预测控制器，实现轨迹跟踪。
2.根据权利要求1所述的方法，其特征在于，
所述拟合形成车辆行驶期望轨迹曲线包括：
采集车辆GPS和差分系统采集的地图信息；
根据所采集的信息，设计自动驾驶车辆轨迹规划层，将道路参数进行拟合形成一条平滑的车辆行驶期望轨迹曲线；
在拟合过程中，利用多项式曲线对道路测量坐标点进行拟合。
3.根据权利要求1所述的方法，其特征在于，
所述车辆运动学模型中，车辆状态通过CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角，在对车辆行驶过程中的轨迹进行调整；
所述预测模型的建立以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型。
4.根据权利要求1所述的方法，其特征在于，
所述采样周期的设计根据参考路径的平均曲率，基于Round函数形成采样周期的波动函数。
5.根据权利要求3所述的方法，其特征在于，
所述基于采样周期对车辆在行驶过程中的轨迹进行周期性调整包括：
根据采样周期函数建立车辆轨迹的横向偏差目标函数，并对车辆左侧偏差和右侧偏差进行目标约束；
在控制过程中，以期望轨迹曲线作为参考曲线，控制器结合预测模块和当前的测量值，通过对目标函数以及目标约束的优化问题，对下一个采样周期内的轨迹的调整策略进行预测；
控制器根据调整策略对车辆进行适时调整，在采样周期更新后重新对调整策略做出预测。
6.一种自动驾驶车辆自适应预测时域转向控制装置，其特征在于，所述装置包括：
获取单元，用于获取车辆行驶的参考轨迹；
计算单元，用于基于车辆GPS和差分系统采集的地图信息拟合形成车辆行驶期望轨迹曲线；
生成单元，用于基于车辆运动学模型以及车辆行驶期望轨迹曲线，以车辆行驶路径与参考轨迹的航向偏差建立预测模型；
更新单元，用于基于车辆的预测距离与采样周期、预测时域和速度的关系，设计自适应变化的采样周期；其中，采样周期hk与预测时域Np和速度的乘积为车辆预测控制器的预测距离，车辆的预测距离计算公式如下：Dpre＝hk·Np·vr；所述自适应变化的采样周期，其计算方法如下：hk＝(round(10+10e-wPGC))/100，式中，PGC参考路径平均曲率，w为收缩因子，w的取值依据经验值设定，通过上式可根据车辆当前行驶道路的曲率自适应的调整采样周期；
匹配单元，用于基于自适应变化的采样周期，设计自动驾驶车辆轨迹跟踪模型预测控制器，实现轨迹跟踪。
7.根据权利要求6所述的装置，其特征在于，
所述计算单元，具体用于基于车辆GPS和差分系统采集的地图信息，计算自动驾驶车辆轨迹规划层，将道路参数进行拟合形成一条平滑的车辆行驶期望轨迹曲线。
8.根据权利要求7所述的装置，其特征在于，
所述生成单元，具体用于以后轴中心到参考路径的距离、车辆位姿、车辆与参考轨迹的航向偏差建立预测模型，其中，生成单元在基于车辆运动学模型时，具体基于CAN总线向其他部件传送车辆油门开度、制动踏板角度、档位以及方向盘转角，在对车辆行驶过程中的轨迹进行调整。
9.根据权利要求8所述的装置，其特征在于，
所述更新单元，用于基于参考路径的平均曲率以及基于Round函数形成采样周期的波动函数，并进行采样周期的更新。
10.根据权利要求9所述的装置，其特征在于，
所述匹配单元包括：
计算子单元，用于根据采样周期函数建立车辆轨迹的横向偏差目标函数，并对车辆左侧偏差和右侧偏差进行目标约束；
确定子单元，用于在控制过程中以期望轨迹曲线作为参考曲线，控制器结合预测模块和当前的测量值，通过对目标函数以及目标约束的优化问题，对下一个采样周期内的轨迹的调整策略进行预测；
调整子单元，控制器根据调整策略对车辆进行适时调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707300.6A CN110398969B (zh) | 2019-08-01 | 2019-08-01 | 自动驾驶车辆自适应预测时域转向控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910707300.6A CN110398969B (zh) | 2019-08-01 | 2019-08-01 | 自动驾驶车辆自适应预测时域转向控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110398969A CN110398969A (zh) | 2019-11-01 |
| CN110398969B true CN110398969B (zh) | 2022-09-27 |
Family
ID=68327037
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910707300.6A Active CN110398969B (zh) | 2019-08-01 | 2019-08-01 | 自动驾驶车辆自适应预测时域转向控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110398969B (zh) |
Families Citing this family (45)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021077090A (ja) * | 2019-11-08 | 2021-05-20 | 三菱重工業株式会社 | 複数のビークルの移動制御方法、移動制御装置、移動制御システム、プログラム及び記録媒体 |
| CN111121777A (zh) * | 2019-11-26 | 2020-05-08 | 北京三快在线科技有限公司 | 无人驾驶设备轨迹规划方法、装置、电子设备和存储介质 |
| CN111038477B (zh) * | 2019-11-29 | 2021-07-02 | 苏州智加科技有限公司 | 车辆控制方法、装置和设备 |
| CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
| CN111127586B (zh) * | 2019-12-14 | 2021-10-29 | 深圳先进技术研究院 | 一种动脉输入函数曲线生成方法及装置 |
| CN111123935B (zh) * | 2019-12-26 | 2023-10-27 | 未来机器人（深圳）有限公司 | 应用于无人叉车的控制信号生成装置及方法 |
| CN111060126B (zh) * | 2019-12-31 | 2022-06-07 | 东软睿驰汽车技术（沈阳）有限公司 | 定位方法、装置及车辆 |
| CN111123950B (zh) * | 2019-12-31 | 2023-08-29 | 东软睿驰汽车技术（沈阳）有限公司 | 行车控制方法、装置及车辆 |
| CN113064412B (zh) * | 2019-12-31 | 2023-04-25 | 北京车和家信息技术有限公司 | 路径跟踪方法、装置、车辆及可读存储介质 |
| CN111137298B (zh) * | 2020-01-02 | 2021-11-16 | 中车株洲电力机车有限公司 | 一种车辆自动驾驶方法、装置、系统和存储介质 |
| CN111240327B (zh) * | 2020-01-16 | 2022-10-28 | 江苏大学 | 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法 |
| CN111260950B (zh) * | 2020-01-17 | 2021-03-26 | 清华大学 | 一种基于轨迹预测的轨迹跟踪方法、介质和车载设备 |
| CN111186445B (zh) * | 2020-01-20 | 2021-11-30 | 北京主线科技有限公司 | 自动驾驶车辆横向控制方法及其系统 |
| CN111583636B (zh) * | 2020-04-29 | 2022-03-11 | 重庆大学 | 一种基于车路协同的混合交通横纵耦合控制方法 |
| 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 |
| CN113805572B (zh) * | 2020-05-29 | 2023-12-15 | 华为技术有限公司 | 运动规划的方法与装置 |
| CN111609866B (zh) * | 2020-06-04 | 2023-09-12 | 山东交通学院 | 基于差分gps的园区车辆智能驾驶路径拟合跟踪控制方法 |
| CN111665850B (zh) * | 2020-06-29 | 2022-02-01 | 合肥工业大学 | 一种无人驾驶方程式赛车轨迹跟踪横向控制方法及装置 |
| CN111857152B (zh) * | 2020-07-31 | 2024-07-19 | 北京京东乾石科技有限公司 | 用于生成车辆控制信息的方法和装置 |
| CN111703436B (zh) * | 2020-08-18 | 2020-11-24 | 北京主线科技有限公司 | 一种自动驾驶车辆的控制方法及装置 |
| CN112180927B (zh) * | 2020-09-27 | 2021-11-26 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶时域构建方法、设备、存储介质及装置 |
| CN112179368B (zh) * | 2020-09-27 | 2022-12-13 | 广州小鹏自动驾驶科技有限公司 | 一种路径数据的处理方法、装置、车辆、可读介质 |
| CN114312770B (zh) * | 2020-10-09 | 2023-07-07 | 宇通客车股份有限公司 | 一种车辆、车辆行驶轨迹预测方法及装置 |
| CN113753060B (zh) * | 2020-10-30 | 2023-05-30 | 北京京东乾石科技有限公司 | 车辆的控制方法、装置、计算设备及介质 |
| CN112256037B (zh) * | 2020-11-03 | 2021-07-30 | 智邮开源通信研究院(北京)有限公司 | 应用于自动驾驶的控制方法、装置、电子设备及介质 |
| 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 |
| CN112925310B (zh) * | 2021-01-22 | 2023-08-08 | 广州大学 | 一种智能除虫系统的控制方法、装置、设备及存储介质 |
| CN113065240B (zh) * | 2021-03-19 | 2023-04-07 | 成都安智杰科技有限公司 | 一种自适应巡航仿真方法、装置、电子设备和存储介质 |
| CN112977478B (zh) * | 2021-04-13 | 2021-08-24 | 北京主线科技有限公司 | 一种车辆控制方法及系统 |
| CN113204236B (zh) * | 2021-04-14 | 2022-05-20 | 华中科技大学 | 一种智能体路径跟踪控制方法 |
| CN113212455A (zh) * | 2021-05-24 | 2021-08-06 | 福建盛海智能科技有限公司 | 一种提高无人驾驶循迹精度的方法及终端 |
| CN113306570B (zh) * | 2021-05-25 | 2022-07-05 | 京东鲲鹏(江苏)科技有限公司 | 用于控制自动驾驶车辆的方法、装置和自动驾驶配送车 |
| CN113548047B (zh) * | 2021-06-08 | 2022-11-11 | 重庆大学 | 一种基于深度学习的个性化车道保持辅助方法及装置 |
| CN113554712B (zh) * | 2021-06-29 | 2024-06-18 | 北京百度网讯科技有限公司 | 自动驾驶车辆的配准方法、装置、电子设备和车辆 |
| CN113611109B (zh) * | 2021-07-26 | 2022-08-16 | 上海德衡数据科技有限公司 | 基于雾计算的智能交通管控方法及系统 |
| CN113561994B (zh) * | 2021-08-13 | 2022-04-05 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、存储介质及电子设备 |
| CN113619604B (zh) * | 2021-08-26 | 2023-08-15 | 清华大学 | 自动驾驶汽车的集成式决控方法、装置及存储介质 |
| CN113963537A (zh) * | 2021-10-19 | 2022-01-21 | 东软睿驰汽车技术（上海）有限公司 | 一种针对路口的车辆轨迹预测方法和相关装置 |
| CN114137971B (zh) * | 2021-11-25 | 2023-06-09 | 北京轻舟智航科技有限公司 | 一种转向系统延迟的离线辨识方法 |
| CN114610068A (zh) * | 2022-03-16 | 2022-06-10 | 广州极飞科技股份有限公司 | 无人机控制方法、装置、设备及存储介质 |
| CN114895677B (zh) * | 2022-05-17 | 2023-06-16 | 华南理工大学 | 一种车辆轨迹跟踪方法、系统、装置及存储介质 |
| CN114967697A (zh) * | 2022-05-31 | 2022-08-30 | 上海影谱科技有限公司 | 一种基于mpc控制的agv路径跟踪方法及系统 |
| CN115129069B (zh) * | 2022-08-31 | 2022-12-20 | 福思(杭州)智能科技有限公司 | 行驶设备的控制方法和装置、存储介质及电子装置 |
| CN115432009B (zh) * | 2022-10-09 | 2023-09-05 | 海南大学 | 一种自动驾驶车辆轨迹跟踪控制系统 |
| CN118524414A (zh) * | 2024-07-23 | 2024-08-20 | 中机科(北京)车辆检测工程研究院有限公司 | 一种无人车队轨迹跟踪误差测试方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CA2863229A1 (en) * | 2012-01-13 | 2013-07-18 | Pulse Function F6 Limited | Telematics system with 3d inertial sensors |
| JP6075453B2 (ja) * | 2013-07-19 | 2017-02-08 | 日産自動車株式会社 | 運転状態推定装置 |
| CN104925063A (zh) * | 2015-04-12 | 2015-09-23 | 北京理工大学 | 机电复合传动车辆的模型预测控制方法 |
| CN107963126B (zh) * | 2016-10-19 | 2020-03-17 | 中车株洲电力机车研究所有限公司 | 一种多轴转向车辆大曲率自动驾驶转向控制方法 |
| CN106681327B (zh) * | 2017-01-11 | 2019-05-24 | 中南大学 | 一种大惯性电动客车的智能驾驶横纵向解耦控制方法及系统 |
| CN107161207B (zh) * | 2017-05-08 | 2023-08-22 | 江苏大学 | 一种基于主动安全的智能汽车轨迹跟踪控制系统及控制方法 |
| 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 |
| CN109808707B (zh) * | 2019-02-19 | 2020-12-08 | 武汉理工大学 | 一种基于随机模型预测的汽车转向控制方法及控制器 |
-
2019
- 2019-08-01 CN CN201910707300.6A patent/CN110398969B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110398969A (zh) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110398969B (zh) | 自动驾驶车辆自适应预测时域转向控制方法及装置 | |
| JP6683805B2 (ja) | 自律走行モードへ再進入する自律走行車の制御のための方法及びシステム | |
| JP2019128962A (ja) | 自動運転車のための経路及び速度の最適化フォールバックメカニズム［ｐａｔｈ ａｎｄ ｓｐｅｅｄ ｏｐｔｉｍｉｚａｔｉｏｎ ｆａｌｌｂａｃｋ ｍｅｃｈａｎｉｓｍ ｆｏｒ ａｕｔｏｎｏｍｏｕｓ ｖｅｈｉｃｌｅｓ］ | |
| CN110816528B (zh) | 用于自主系统中嵌入式实时受约束最优控制问题的求解器 | |
| CN106197428B (zh) | 一种利用测量信息优化分布式ekf估计过程的slam方法 | |
| US20180364657A1 (en) | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles | |
| CN112733270A (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
| EP2856273B1 (en) | Pose estimation | |
| US20110029235A1 (en) | Vehicle Control | |
| CN114945885A (zh) | 自主或半自主车辆的自适应控制 | |
| JP2019532858A5 (zh) | ||
| KR102396290B1 (ko) | 초 저고도 바람 예측 정보 제공 방법 | |
| CN111930015A (zh) | 一种无人车控制方法及装置 | |
| Zhang et al. | A hybrid intelligent algorithm DGP-MLP for GNSS/INS integration during GNSS outages | |
| CN112149484B (zh) | 基于车道线确定消失点 | |
| Nourmohammadi et al. | Design and experimental evaluation of indirect centralized and direct decentralized integration scheme for low-cost INS/GNSS system | |
| CN110609539B (zh) | 路径跟踪控制方法、装置和系统及存储介质 | |
| Liu et al. | A new multi-sensor hierarchical data fusion algorithm based on unscented Kalman filter for the attitude observation of the wave glider | |
| Wang et al. | A support vector regression-based integrated navigation method for underwater vehicles | |
| CN110162037A (zh) | 一种车辆自身轨迹的预测方法 | |
| CN117141520A (zh) | 一种实时轨迹规划方法、装置和设备 | |
| CN109855623A (zh) | 基于Legendre多项式和BP神经网络的地磁模型在线逼近方法 | |
| Ma et al. | A robust fusion terrain-aided navigation method with a single Beam Echo Sounder | |
| JP4684591B2 (ja) | 追尾装置及び追尾処理方法 | |
| CN117826799A (zh) | 一种无人驾驶车队横纵方向耦合协同控制方法及装置 |
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 |