CN110456634B

CN110456634B - 一种基于人工神经网络的无人车控制参数选取方法

Info

Publication number: CN110456634B
Application number: CN201910582845.9A
Authority: CN
Inventors: 李仲兴; 窦国伟; 柳亚子; 江洪
Original assignee: Jiangsu University
Current assignee: Hefei Jiuzhou Longteng Scientific And Technological Achievement Transformation Co ltd; Xi'an Shensi Software Technology Co.,Ltd.
Priority date: 2019-07-01
Filing date: 2019-07-01
Publication date: 2022-06-21
Anticipated expiration: 2039-07-01
Also published as: CN110456634A

Abstract

本发明公开一种基于人工神经网络的无人车控制参数选取方法，从已有无人车试验数据中收集前一段时间内的车况与路况信息，对信息进行整理分类，获得不同的车况与路况信息，建立时间段内的初始数据训练集，构建人工神经网络控制参数选取模型，模型的六个输入量是横向速度、纵向速度、横向位移误差、纵向速度误差、路面曲率半径以及路面附着系数，模型的两个期望输出量是预测时域和预测周期；采集无人车实时行驶的车况与路况信息，作为人工神经网络控制参数选取模型的输入，得到两个最优的控制参数预测时域与预测周期；将人工神经网络模型运用到无人车控制参数的选取中，通过考虑车辆行驶车况与路况，实现控制参数对行驶车况与路况的自适应。

Description

一种基于人工神经网络的无人车控制参数选取方法

技术领域

本发明涉及无人驾驶汽车的控制领域，具体涉及一种基于人工神经网络的无人车控制参数的选取方法。

背景技术

地面无人车在运动过程中受到运动学约束以及执行机构的约束，在高速情况下还需要考虑相应的动力学约束，模型预测控制(MPC)的轨迹跟踪算法对未来轨迹的预测和处理多目标约束条件的能力较强。模型预测控制在实现过程中主要有三个关键步骤，分别是预测模型、滚动优化和反馈校正步骤。在控制过程中，始终存在一条期望参考轨迹，从当前时刻控制动作，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系统的输出，通过求解满足目标函数以及各种约束的优化问题，得到在控制时域内的一系列的控制序列，并将该控制序列的第一个元素作为受控对象的实际控制量。但在传统的模型预测控制中，预测时域和预测周期为固定值(预测时域与预测周期的乘积为预测时间)，而在无人车实际的运行过程中，由于实际运行工况较为复杂，环境多变，固定的预测时域和预测周期的轨迹跟踪控制器很难达到精准的轨迹跟踪以及在此基础上保证车辆的平顺性。

目前，已有很多关于无人车轨迹跟踪控制的相关技术，例如中国专利申请号为201810857861.X的文献中公开了一种基于滚动时域优化算法的轨迹跟踪主动转向控制器，通过考虑前轮转角、质心偏侧角等约束对控制量进行时域滚动优化，以此来减小车辆实际轨迹与期望轨迹之间的误差和使控制量尽量小，不产生过大的横向加速度来保证车辆行驶平顺性，但是该控制器的预测时域是固定的，忽略了预测时域对跟踪能力以及跟踪实时性的影响，若预测时域过小，将引起跟踪能力下降，若预测时域过大，将影响跟踪实时性降低。又如在中国专利申请号为201610351859.6的文献中提出了一种考虑多目标的车辆自适应巡航控制方法，其中利用模型预测控制算法决策出跟踪该期望车间距所需要的期望加速度，但所用的预测时域也为固定值，这忽略了不同速度对预测时域的不同要求，低速对预测时域要求较短，高速对预测时域要求较长。

发明内容

本发明针对上述问题，提供了一种基于人工神经网络的无人车控制参数选取方法，使得预测时域与预测周期的大小能随着无人车行驶车况与路况的改变且实时做出最优调整，使无人车达到精准的轨迹跟踪控制。

本发明一种基于人工神经网络的无人车控制参数选取方法采用的技术方案是包括以下步骤：

(1)从已有的无人车试验数据中收集前一段时间内的车况与路况信息，包括前一段时间内的横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k、路面附着系数μ_k、预测时域Tp_k与预测周期T_k；

(2)对所收集的信息进行整理分类，获得不同的车况与路况信息，根据不同的车况与路况信息建立时间段内的初始数据训练集；

(3)构建人工神经网络控制参数选取模型，模型的六个输入量是横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k以及路面附着系数μ_k，模型的两个期望输出量是预测时域Tp_k和预测周期T_k。

(4)采集无人车实时行驶的车况与路况信息，包括横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k以及路面附着系数μ_k；将获取的车况与路况信息作为人工神经网络控制参数选取模型的输入，得到两个最优的控制参数预测时域Tp_k与预测周期T_k。

本发明的有益效果是：本发明将人工神经网络模型运用到无人车控制参数的选取中，通过考虑车辆行驶车况与路况，实现控制参数对行驶车况与路况的自适应，从而提高无人车的轨迹跟踪精度与行驶的平顺性。

附图说明

图1是人工神经网络无人车控制参数选取的建立流程图；

图2是基于人工神经网络的无人车控制参数选取模型；

图3是基于图2所示模型的无人车控制参数实时选取方法的流程图。

具体实施方式

如图1所示，本发明分为两个阶段实施，第一阶段是基于人工神经网络建立无人车控制参数选取模型，第二阶段是通过建立的模型选取无人车实时行驶的控制参数，具体是：

参见图1，第一阶段，建立无人车控制参数选取模型的具体步骤如下：

步骤一：从已有的无人车试验数据中收集车辆在各控制周期前一段时间内的车况与路况信息，对所收集的信息进行整理分类。本发明是收集前0.5s内的车况与路况信息。具体包括前一段时间内车辆横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k、路面附着系数μ_k、预测时域Tp_k与预测周期T_k。

对以上信息整理分类，进一步获得以下不同的车况与路况信息：

对Tp_k整理分类为从小到大的{Tp₁ Tp₂ Tp₃Tp₄ Tp₅ Tp₆}。

对T_k整理分类为从小到大的{T₁ T₂ T₃ T₄}。

V_k整理分类为{V₁ V₂ V₃ V₄ V₅ V₆ V₇}，V₁表示横向速度小于1m/s，V₂表示横向速度在[1～2)m/s之间，V₃表示横向速度在[2～3)m/s之间，V₄表示横向速度在[3～4)m/s之间，V₅表示横向速度在[4～5)m/s之间，V₆表示横向速度在[5～6]m/s之间，V₇表示横向速度大于6m/s。

S_k整理分类为{S₁ S₂ S₃ S₄ S₅ S₆ S₇}，S₁表示纵向速度小于5m/s，S₂表示纵向速度在[5～8)m/s之间，S₃表示纵向速度在[8～11)m/s之间，S₄表示纵向速度在[11～17)m/s之间，S₅表示纵向速度在[17～22)m/s之间，S₆表示纵向速度在[22～28]m/s之间，S₇表示纵向速度大于28m/s。

Δy_k整理分类为{Δy₁ Δy₂ Δy₃ Δy₄ Δy₆ Δy₆}，Δy₁表示横向位移误差小于0.1m，Δy₂表示横向位移误差在[0.1～0.2)m之间，Δy₃表示横向位移误差在[0.2～0.3)m之间，Δy₄表示横向位移误差在[0.3～0.5)m之间，Δy₆表示横向位移误差在[0.5～0.7]m之间，Δy₆表示横向位移误差大于0.7m。

ΔV_k整理分类为{ΔV₁ ΔV₂ ΔV₃ ΔV₄}，ΔV₁表示纵向速度误差小于0.1m/s，ΔV₂表示纵向速度误差在[0.1～0.2)m/s之间，ΔV₃表示纵向速度误差在[0.2～0.3]m/s之间，ΔV₄表示纵向速度误差大于0.3m/s。

R_k整理分类为{R₁ R₂ R₃ R₄ R₆ R₆ P₇ R₈}，R₁表示路面曲率半径小于30m，R₂表示路面曲率半径在[30～60)m之间，R₃表示路面曲率半径在[60～100)m之间，R₄表示路面曲率半径在[100～200)m之间，R₅表示路面曲率半径在[200～300)m之间，R₆表示路面曲率半径在[300～600)m之间，R₇表示路面曲率半径在[600～1000]m，R₈表示路面曲率半径大于1000m。

μ_k整理分类为{μ₁ μ₂μ₃ μ₄ μ₅}，μ₁表示路面附着系数小于0.2，μ₂表示路面附着系数在[0.2～0.4)之间，μ₃表示路面附着系数在[0.4～0.6)之间，μ₄表示路面附着系数在[0.6～0.8]之间，μ₅表示路面附着系数大于0.8。

其中，所述无人车各控制周期前0.5s内的车况与路况信息V_k、S_k、Δy_k、ΔV_k、R_k、μ_k数据都是利用车载传感器GPS/INS等获得。

步骤二：根据步骤一得到的信息数据建立时间段内的初始数据训练集，此处训练数据集称为初始数据训练集，如表1所示，具体包括各控制周期内车辆的控制参数预测时域Tp_k＝{Tp₁ Tp₂ Tp₃ Tp₄ Tp₅ Tp₆}，控制参数预测周期T_k＝{T₁ T₂ T₃ T₄}，横向速度V_k＝{V₁V₂ V₃ V₄ V₅ V₆ V₇}，纵向速度S_k＝{S₁ S₂ S₃ S₄ S₅ S₆ S₇}，横向位移误差Δy_k＝{Δy₁ Δy₂Δy₃ Δy₄ Δy₅ Δy₆}，纵向速度误差ΔV_k＝{ΔV₁ ΔV₂ ΔV₃ ΔV₄}，路面曲率半径R_k＝{R₁R₂ R₃ R₄ R₅ R₆ R₇ R₈}，路面附着系数μ_k＝{μ₁ μ₂ μ₃ μ₄ μ₅}。

表1各周期内的初始数据训练集

步骤三：构建各控制周期内的人工神经网络控制参数选取模型，如图2所示，模型具体包括人工神经网络的六个输入量横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k、路面附着系数μ_k，两个期望输出量预测时域Tp_k、预测周期T_k。

利用参数学习方法，基于步骤二中建立的初始数据训练集进行参数学习，得到输出量预测时域Tp_k、预测周期T_k与输入量横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k、路面附着系数μ_k之间的函数关系式：(Tp_k，T_k)＝adaptive(V_k，S_k，Δy_k，ΔV_k，R_k，μ_k)

第二阶段，采用第一阶段建立的选取模型选取无人车实时运行的控制参数，具体步骤如下：

步骤一：采集无人车实时行驶的车况与路况信息，采样时间为0.5s，具体包括横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k、路面附着系数μ_k。

步骤二：将获取的车况与路况信息作为选取模型的输入，通过函数关系式(Tp_k，T_k)＝adapttve(V_k，S_k，Δy_k，ΔV_k，R_k，μ_k)得到两个控制参数预测时域Tp_k与预测周期T_k，并对预测时域Tp_k作取整处理，对预测周期T_k作保留三位有效数字处理。

步骤三：将以上选取并处理后的结果上传至无人车控制器，以此实现控制参数对行驶车况与路况的自适应。

Claims

1.一种基于人工神经网络的无人车控制参数选取方法，其特征是包括以下步骤：

(3)构建人工神经网络控制参数选取模型，模型的六个输入量是横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k以及路面附着系数μ_k，模型的两个期望输出量是预测时域Tp_k和预测周期T_k；

(4)采集无人车实时行驶的车况与路况信息，包括横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k以及路面附着系数μ_k；将采集的车况与路况信息作为人工神经网络控制参数选取模型的输入，得到两个最优的控制参数预测时域Tp_k与预测周期T_k。

2.根据权利要求1所述的一种基于人工神经网络的无人车控制参数选取方法，其特征是：步骤(2)中，对Tp_k整理分类为从小到大的{Tp₁ Tp₂ Tp₃ Tp₄ Tp₅ Tp₆}；T_k整理分类为从小到大的{T₁ T₂ T₃ T₄}；V_k整理分类为{V₁ V₂ V₃ V₄ V₅ V₆ V₇}，V₁表示横向速度小于1m/s，V₂表示横向速度在[1～2)m/s之间，V₃表示横向速度在[2～3)m/s之间，V₄表示横向速度在[3～4)m/s之间，V₅表示横向速度在[4～5)m/s之间，V₆表示横向速度在[5～6]m/s之间，V₇表示横向速度大于6m/s；S_k整理分类为{S₁ S₂ S₃ S₄ S₅ S₆ S₇}，S₁表示纵向速度小于5m/s，S₂表示纵向速度在[5～8)m/s之间，S₃表示纵向速度在[8～11)m/s之间，S₄表示纵向速度在[11～17)m/s之间，S₅表示纵向速度在[17～22)m/s之间，S₆表示纵向速度在[22～28]m/s之间，S₇表示纵向速度大于28m/s；Δy_k整理分类为{Δy₁ Δy₂ Δy₃ Δy₄ Δy₅ Δy₆}，Δy₁表示横向位移误差小于0.1m，Δy₂表示横向位移误差在[0.1～0.2)m之间，Δy₃表示横向位移误差在[0.2～0.3)m之间，Δy₄表示横向位移误差在[0.3～0.5)m之间，Δy₅表示横向位移误差在[0.5～0.7]m之间，Δy₆表示横向位移误差大于0.7m；ΔV_k整理分类为{ΔV₁ ΔV₂ ΔV₃ ΔV₄}，ΔV₁表示纵向速度误差小于0.1m/s，ΔV₂表示纵向速度误差在[0.1～0.2)m/s之间，ΔV₃表示纵向速度误差在[0.2～0.3]m/s之间，ΔV₄表示纵向速度误差大于0.3m/s；R_k整理分类为{R₁R₂ R₃ R₄ R₅ R₆ R₇ R₈}，R₁表示路面曲率半径小于30m，R₂表示路面曲率半径在[30～60)m之间，R₃表示路面曲率半径在[60～100)m之间，R₄表示路面曲率半径在[100～200)m之间，R₅表示路面曲率半径在[200～300)m之间，R₆表示路面曲率半径在[300～600)m之间，R₇表示路面曲率半径在[600～1000]m，R₈表示路面曲率半径大于1000m；μ_k整理分类为{μ₁ μ₂ μ₃ μ₄μ₅}，μ₁表示路面附着系数小于0.2，μ₂表示路面附着系数在[0.2～0.4)之间，μ₃表示路面附着系数在[0.4～0.6)之间，μ₄表示路面附着系数在[0.6～0.8]之间，μ₅表示路面附着系数大于0.8。

3.根据权利要求1所述的一种基于人工神经网络的无人车控制参数选取方法，其特征是：步骤(4)中，对预测时域Tp_k作取整处理，对预测周期T_k作保留三位有效数字处理。

4.根据权利要求3所述的一种基于人工神经网络的无人车控制参数选取方法，其特征是：步骤(4)中，将处理后的结果上传至无人车控制器，实现控制参数对行驶车况与路况的自适应。

5.根据权利要求1所述的一种基于人工神经网络的无人车控制参数选取方法，其特征是：步骤(1)中，收集前0.5s内的车况与路况信息。

6.根据权利要求1所述的一种基于人工神经网络的无人车控制参数选取方法，其特征是：步骤(4)，采集无人车实时行驶的车况与路况信息的采样时间为0.5s。