CN110588633A - 一种智能汽车极限工况下路径跟踪与稳定控制方法 - Google Patents

Abstract

本发明公开了一种智能汽车极限工况下路径跟踪与稳定控制方法，包括纵向控制、横向控制与稳定性控制。纵向控制采取前馈控制和反馈控制，前馈控制根据车辆加速度得出前馈纵向力；反馈纵向控制通过控制滑移率和侧偏角之间的关系得到反馈纵向力；再由前馈纵向力和反馈纵向力得到总的纵向力，再由总的纵向力得到汽车节气门开度和制动主缸压力，从而达到充分利用轮胎附着力的极限工况；横向控制采用自适应模型预测控制；稳定性控制运用博弈控制方法将纵向力与轨迹跟踪控制和横向稳定性控制进行博弈，获取附加横摆力矩和前轮转角、纵向力均衡解，优化弯道运动过程中车辆运动速度和前轮转角。本发明能够提高轨迹跟踪精度的同时提升车辆横向稳定性。

Description

一种智能汽车极限工况下路径跟踪与稳定控制方法

技术领域

本发明属于智能汽车控制领域，特别涉及了一种智能汽车在极限工况下的控制方法。

背景技术

随着计算机信息处理技术进的快速发展，基于高效环境感知的无人驾驶车辆技术迅速提高，其中一个重要目标就是提高无人驾驶车辆的行驶速度，使之在高速条件下具有良好的稳定性和安全性。而在高速行驶状况下，许多交通事故是由于驾驶员无法控制车辆在其摩擦极限下引起的，面向无人驾驶的终极目标，要求智能汽车控制系统在复杂工况条件下，具有精确、高效、可靠的控制能力，保证车辆转向稳定性、行驶安全。传统的控制器无法满足智能车在极限工况下的轨迹跟踪与稳定性的要求。

发明内容

针对上述问题，本发明提出了一种智能汽车在极限工况下的控制方法，在摩擦极限下跟踪路径，控制方法包括纵向控制、横向控制与稳定性控制。在建立参考路径的基础上，纵向控制方面采取前馈和反馈的控制策略，前馈纵向控制根据车辆加速度得出前馈纵向力；反馈纵向控制通过控制滑移率和侧偏角之间的关系得到反馈纵向输入，由反馈纵向输入得到轮胎饱和和不饱和情况的下的反馈纵向力；再由前馈纵向力和反馈纵向力得到总的纵向力，再由总的纵向力得到汽车的节气门开度和制动主缸压力，从而能够达到充分利用轮胎附着力的极限工况。侧偏角和滑移率的关系采用滑动圆来进行表示。此外，若是轮胎并未在极限工况下运行，反馈纵向控制会发出额外的纵向力命令使得车辆充分利用可用摩擦力。横向控制，即路径跟踪控制采用自适应模型预测控制，车速的急剧变化让传统的模型预测控制产生模型失配，所以采用自适应模型预测控制的办法进行横向控制。此外针对极限工况下跟踪精度与横向稳定性差的问题，稳定性控制运用博弈控制方法将纵向力与轨迹跟踪控制和横向稳定性控制进行博弈，获取附加横摆力矩和前轮转角、纵向力均衡解，优化弯道运动过程中车辆运动速度和前轮转角。提高轨迹跟踪精度同时提升车辆横向稳定性。

本发明的有益效果：

1、本发明提出的纵向前馈反馈控制的思想，将智能汽车极限工况下侧偏角与滑移率包含在其中，提高智能汽车在极限工况下的纵向速度跟踪能力；

2、本发明提出的自适应模型预测控制的思想，实时根据当前车速更新车辆状态模型，提高路径跟踪精度；

3、本发明提出的协调博弈的思想，运用博弈控制方法将纵向力与轨迹跟踪控制和横向稳定性控制进行博弈，获取附加横摆力矩和前轮转角、纵向力均衡解，优化弯道运动过程中车辆运动速度和前轮转角。提高轨迹跟踪精度同时提升车辆横向稳定性。

附图说明

图1是控制系统流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

纵向控制

纵向控制器由前馈控制和反馈控制组成。前馈控制根据加速度来决定加速和制动，而反馈控制则根据滑移率与侧偏角等相关参数来调节车速。

通过下式计算出沿路径的期望纵向加速度a_x，U_x为纵向车速，因此，根据牛顿第二定律，沿路径的前馈纵向力F_x,ff可以计算得出：

F_xff=ma_x

反馈纵向控制通过控制滑移率和侧偏角之间的关系得到反馈纵向输入轮胎的滑移率s定义为：

其中V_ω＝rω为车轮速度，ω为车轮滚动角速度；r为车轮半径，V是车轮中心沿轮胎纵轴的速度。当s＝s_peak时，轮胎产生最大纵向力，相对应于最大加速或者最大制动。s_peak是驱动力或制动力峰值对应的滑移率。

(1)在没有轮胎饱和的情况下采用速度反馈的方法，此情况对应的反馈纵向力为：

其中U_x,d是期望速度，k_speed是速度反馈增益，通过提高速度反馈增益k_speed，可以实现更快的速度跟踪的功能，可是，如果速度反馈增益k_speed过大，则过大的纵向引起车身的俯仰振荡，这是不期望的。

(2)当由轮胎饱和时，若反馈纵向力与沿着轴点到滑动圆边缘的距离成比例；若反馈纵向力与沿着轴与轴距离的和成比例，此时对应的反馈纵向力F_x,slip为：

其中s_s与k_α分别是纵向滑移与侧偏角的增益，增益值的选取必须协调跟踪精度与俯仰振荡；α是实际侧偏角，s是实际滑移率，α_ref与s_ref分别是峰值侧偏角与峰值滑移率。

因此，总的纵向力F_x是由加速度计算出的前馈纵向力与滑动圆计算出的反馈纵向力的和。纵向力F_x表示为：

所求的F_x若为正值，则为驱动力F_x,t，负值则为制动力F_x,b。

再由F_x,b＝Z_bβ_p计算出相对应的油门开度和制动主缸压力，其中Z_t是驱动力需求增益，为油门开度；Z_b是制动力需求增益，β_p为制动主缸压力。

横向控制

横向控制，即路径跟踪控制，采用自适应模型预测控制，车速的急剧变化让传统的模型预测控制产生模型失配，所以采用自适应模型预测控制的方法进行横向控制。

因为在极限工况下，汽车的横向动力学因为速度随时间快速变化而变化，自适应模型预测控制能够在线不断根据车速的变化更新车辆的状态模型，避免模型失配，从而提高跟踪精度与稳定性。在每一时间步长内，针对车速变化，更新车辆状态

其中x为侧向速度、横摆角、横摆角速度和侧向位置等状态量，u是前轮转角，A为状态量矩阵，B为控制量矩阵；离散化得

其中T_s是采样时间。状态量矩阵中含有车速变化量，通过预先处理状态量矩阵，使得控制在每一时间步长内的模型不失配，再将处理好后的车辆动力学模型输入到控制器当中，有效提高控制性能。

稳定性控制

稳定性控制采用博弈协调控制，主要在上述纵向控制计算出的纵向力、自适应模型预测控制决策前轮转角的基础上，将纵向力、前轮转角与车辆横摆力矩作为三个博弈对象，通过反馈车辆实际状态进行内环博弈优化控制。

假设初始状态x(t₀)＝x₀，其中状态量x＝[β,γ]^T，β为质心侧偏角γ为横摆角速度，博弈对象为下式表述的状态空间方程

A_c为状态量矩阵，B₁、B₂、B₃分别为对应的控制量矩阵；

将纵向力F(t)、前轮转角δ_f(t)和横摆力矩M(t)作为三个博弈方u_i(t)＝[δ_f,M,F_x]^T,i＝1,2,3，对于三个博弈对象可建立以下二次型代价函数

其中权重矩阵Q_i≥0，R_ij>0为正对称矩阵。

根据纳什均衡原理，博弈双方最优解对于所有的可能解(u₁,u₂,u₃)必须满足：

对于上述线性二次型微分博弈问题可以求解出一个特有的开环纳什均衡解：

其中，中间量P_i、S_i满足以下黎卡提方程：

Φ(t,0)满足以下传递函数：

P_iA+A^TP_i+Q_i-P_iS_iP_i＝0(i＝1,2,3)

通过上述博弈控制求解到纳什均衡解M^*,并将其输入给智能车实现控制。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (9)

1.一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，包括纵向控制、横向控制与稳定性控制；所述纵向控制采取前馈控制和反馈控制，前馈纵向控制根据车辆加速度得出前馈纵向力；反馈纵向控制通过控制滑移率和侧偏角之间的关系得到反馈纵向输入，再由反馈纵向输入分别得到在轮胎饱和和不饱和情况下的反馈纵向力；由前馈纵向力和反馈纵向力得到总纵向力，再由总纵向力得到汽车的节气门开度和制动主缸压力；所述横向控制采用自适应模型预测控制；所述稳定性控制运用博弈控制方法，将纵向力与轨迹跟踪控制和横向稳定性控制进行博弈，获取附加横摆力矩和前轮转角、纵向力均衡解，优化车辆运动速度和前轮转角。

2.根据权利要求1所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，所述前馈纵向控制根据车辆加速度得出前馈纵向力是根据下式得到：

F_x，ff＝ma_xv。

3.根据权利要求1所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，所述反馈纵向控制的反馈纵向输入为轮胎的滑移率s，其定义为：

其中V_ω＝rω，为车轮速度，ω为车轮滚动角速度；r为车轮半径，V是车轮中心沿轮胎纵轴的速度；当s＝s_peak时，轮胎产生最大纵向力，相对应于最大加速或者最大制动；s_peak是驱动力或制动力峰值对应的滑移率。

4.根据权利要求3所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，在轮胎不饱和情况下的反馈纵向力由下式计算得到：

5.根据权利要求4所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，在轮胎饱和情况下的反馈纵向力由下式计算得到：

其中s_s与k_α分别是纵向滑移与侧偏角的增益。

6.根据权利要求5所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，所述总纵向力F_x表示为：

所求的F_x若为正值，则为驱动力F_x，t，负值则为制动力F_x，b。

7.根据权利要求6所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，由总纵向力得到汽车的节气门开度和制动主缸压力由下式计算得到：

其中Z_t是驱动力需求增益，为油门开度；Z_b是制动力需求增益，β_p为制动主缸压力。

8.根据权利要求1所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，所述横向控制方法如下：

在每一时间步长内，针对车速变化，更新车辆状态

其中x为侧向速度、横摆角、横摆角速度和侧向位置等状态量，u是前轮转角，A为状态量矩阵，B为控制量矩阵；离散化得

其中T_s是采样时间；状态量矩阵中含有车速变化量，通过预先处理状态量矩阵，使得控制器在每一时间步长内的模型不失配，再将处理好后的车辆动力学模型输入到控制器当中，提高控制器性能。

9.根据权利要求1所述的一种智能汽车极限工况下路径跟踪与稳定控制方法，其特征在于，所述稳定性控制采用的博弈控制方法如下：

假设初始转态x(t₀)＝x₀，其中状态量x＝[β，γ]^T，博弈对象为下式表述的状态空间方程

将纵向力F(t)、前轮转角δ_f(t)和横摆力矩M(t)作为三个博弈方u_i(t)＝[δ_f，M，F_x]^T，i＝1，2，3，针对三个博弈对象建立以下二次型代价函数

其中权重矩阵Q_i之0，R_ij＞0均为正对称矩阵；

根据纳什均衡原理，博弈双方最优解对于所有的可能解(u₁，u₂，u₃)须满足：

利用上述线性二次型微分求解出一个开环纳什均衡解：

其中，P_i满足以下黎卡提方程：

Φ(t，0)满足以下传递函数：

P_iA+A^TP_i+Q_i-P_iS_iP_i＝0(i＝1，2，3)

通过上述博弈控制求解到纳什均衡解M^*，并将其输入给智能车实现控制。