CN110780674A - 一种提高自动驾驶轨迹跟踪控制的方法 - Google Patents

一种提高自动驾驶轨迹跟踪控制的方法 Download PDF

Info

Publication number
CN110780674A
CN110780674A CN201911225736.8A CN201911225736A CN110780674A CN 110780674 A CN110780674 A CN 110780674A CN 201911225736 A CN201911225736 A CN 201911225736A CN 110780674 A CN110780674 A CN 110780674A
Authority
CN
China
Prior art keywords
vehicle
control
tracking
model
vehicle speed
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.)
Pending
Application number
CN201911225736.8A
Other languages
English (en)
Inventor
徐雳
白世超
吴石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin University of Science and Technology
Original Assignee
Harbin University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin University of Science and Technology filed Critical Harbin University of Science and Technology
Priority to CN201911225736.8A priority Critical patent/CN110780674A/zh
Publication of CN110780674A publication Critical patent/CN110780674A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明涉及了一种提高自动驾驶轨迹跟踪控制的方法，包括以下步骤：建立上层控制器，用以实现自动驾驶车辆跟踪规划的轨迹并保持车辆的稳定性；建立下层控制器，用以保持自动驾驶车辆车速的决策与车速跟踪。在上层控制器采用中可变权重系数与可变预测时域的模型预测控制，增强了轨迹跟踪精度的同时也使算法的实时性加强，在模型预测控制中考虑了复杂的动力学约束，增强了车辆在高速或低附着路面的稳定性。在下层控制器中设计车速决策模型和车速控制模型，车速决策主要以横向跟踪偏差、道路曲率、障碍物信息和当前车速等来决定下一时刻期望车速，而车速控制模型主要用来跟踪车辆期望车速。本发明设计的控制器不仅能实时改变车速保证精确的进行轨迹跟踪，而且能增强车辆行驶的稳定性，同时保证了算法的实时性。

Description

一种提高自动驾驶轨迹跟踪控制的方法
技术领域
本发明提供了一种提高自动驾驶轨迹跟踪控制的方法，属于自动驾驶运动控制领域。
背景技术
近年来，自动驾驶技术得到了空前的发展和广泛的关注。自动驾驶不仅能缓解高峰时段的交通拥堵，更重要的是提高了车辆的行驶安全。自动驾驶目前来说主要是由环境感知、决策规划和运动控制三大模块组成，它涉及到人工智能、自动控制、车辆工程、机器视觉等多个交叉学科，激光雷达、毫米波雷达和摄像头等传感器感知周围环境，然后规划出一条可行的道路，再去控制车辆的转角和车速等跟踪规划出的轨迹。
轨迹跟踪控制是自动驾驶中的关键技术之一，自动驾驶运动控制主要分为横向控制和纵向控制，横向控制主要进行轨迹跟踪，纵向控制主要调整控制当前的车速，来更加精确的进行轨迹跟踪，避障等。
现在许多研究的是基于运动学模型的低速下的跟踪控制，而对于高速且低附着路面的跟踪控制研究较少，另一方面很多情况下都是横向控制与纵向控制分开考虑的，事实上它们是必须耦合考虑的。在这些情况下提出更高效的纵横向耦合控制策略是解决轨迹跟踪问题的关键。
发明内容
针对自动驾驶车辆在高速，低附着路面车辆的稳定性差，算法实时性不好，以及轨迹跟踪精度不高的问题，本发明目的是提出了一种提高自动驾驶轨迹跟踪控制的方法，提高了轨迹跟踪精度，保证了车辆行驶的安全性，而且使算法的实时性更好。
一种提高自动驾驶轨迹跟踪控制的方法，包括以下步骤。
A、建立上层控制器，对车辆前轮转角进行控制。
A1、把车辆简化为二轮模型，建立横向、纵向、横摆三自由度车辆动力学模型，如下：
Figure 389329DEST_PATH_IMAGE001
Figure 45570DEST_PATH_IMAGE002
Figure 30843DEST_PATH_IMAGE003
式中，
Figure 871760DEST_PATH_IMAGE004
和分别为质心到前、后轴的距离，
Figure 402416DEST_PATH_IMAGE006
为车辆的整备质量，
Figure 773354DEST_PATH_IMAGE007
为车辆绕
Figure 254014DEST_PATH_IMAGE008
轴的转动惯量。
A2、考虑到轮胎纵向力、横向力对车辆的平顺性、操稳性和安全性起着重要作用，所以采用小角度动力学模型，并将其转化为状态空间表达的形式为
Figure 952980DEST_PATH_IMAGE009
；
在该系统中，状态量选取为
Figure 810078DEST_PATH_IMAGE010
，控制量选取为
Figure 35523DEST_PATH_IMAGE011
；
其中，
Figure 90679DEST_PATH_IMAGE012
为横向速度，
Figure 135995DEST_PATH_IMAGE013
为纵向速度，
Figure 62363DEST_PATH_IMAGE014
为横摆角，
Figure 611156DEST_PATH_IMAGE015
为横摆角速度，
Figure 105722DEST_PATH_IMAGE016
为车辆的纵向位移，
Figure 372756DEST_PATH_IMAGE017
为车辆的横向位移，
Figure 102814DEST_PATH_IMAGE018
为车辆的前轮转角。
A3、将非线性动力学模型用泰勒展开方式线性化得到：；
式中
Figure 171581DEST_PATH_IMAGE020
，
Figure 457069DEST_PATH_IMAGE021
，
Figure 194081DEST_PATH_IMAGE022
和
Figure 123991DEST_PATH_IMAGE023
分别为函数相对于状态量的雅可比矩阵；
将动力学模型离散化处理得
Figure 553835DEST_PATH_IMAGE024
；
式中：
Figure 61040DEST_PATH_IMAGE025
，。
A4、为了在控制过程中防止控制量的突变，用控制增量
Figure 651738DEST_PATH_IMAGE027
来代替控制量，求解满足约束条件的目标函数，并在优化目标中加入松弛因子，如下式：
Figure 246985DEST_PATH_IMAGE029
；
式中，
Figure 732324DEST_PATH_IMAGE030
为预测时域，
Figure 230301DEST_PATH_IMAGE031
为控制时域，
Figure 267527DEST_PATH_IMAGE032
为权重系数，
Figure 890270DEST_PATH_IMAGE033
为松弛因子，为预测时域权重矩阵，
Figure 656418DEST_PATH_IMAGE035
为控制时域权重矩阵。
A5、由于对车辆动力学模型和轮胎模型进行了线性近似表达，所以需要对质心侧偏角、车辆附着条件和轮胎侧偏角进行约束，例如车辆行驶在良好路面上时质心侧偏角为-12°<
Figure 443425DEST_PATH_IMAGE036
<12°，冰雪路面上-2°<<2°，侧向加速度约束为
Figure 119235DEST_PATH_IMAGE038
，轮胎侧偏角
Figure 44466DEST_PATH_IMAGE039
为-2.5°<<2.5°。
A6、在每个控制周期内完成目标函数求解后，得到控制时域内一系列控制输入增量，将控制序列中的第一个元素与上一时刻对应的控制量结合作为该时刻的前轮转角
Figure 127009DEST_PATH_IMAGE040
，进入下个控制周期后，重复上述过程，实现对期望轨迹的跟踪控制。
A7、为了防止在跟踪轨迹中存在较大的初始误差，所以采用变权重的方法，当开始存在较大的初始误差时，预测时域内的
Figure 817884DEST_PATH_IMAGE041
采取线性权重值，前面采样点采用较小权重，后面采用较大的权重，同时应减小整体的权重值；
例如，传统模型预测控制中固定权重为
Figure 230411DEST_PATH_IMAGE041
Figure 523989DEST_PATH_IMAGE042
,
Figure 705572DEST_PATH_IMAGE043
改进后的算法权重可表示为：
Figure 98507DEST_PATH_IMAGE044
；
Figure 998330DEST_PATH_IMAGE043
；
式中，为状态量的个数。
A8、为了增加弯道上的跟踪精度，采用可变模型预测控制预测时域
；
式中：
Figure 164366DEST_PATH_IMAGE047
为缩放系数，
Figure 551485DEST_PATH_IMAGE048
为1000；为道路曲率。
B建立下层控制器，对车辆速度进行控制。
B1、在下层控制器中建立车速决策模型，车速决策主要根据当前道路曲率、跟踪偏差、前方障碍物等信息决策出下个时刻合适的期望车速。
B2、在下层控制器中建立车速跟踪模型，车速跟踪模型主要通过加速踏板或制动踏板跟踪期望车速，以达到更加精确的跟踪参考轨迹。
与现有技术相比，本发明的有益效果如下；
1.本发明设计的一种提高自动驾驶轨迹跟踪控制的方法，通过上层控制器对车辆前轮转角进行控制，考虑了一系列约束条件，保证了车辆的横向稳定性，同时也考虑了一种变权重系数与可变预测时域，能够减小在轨迹跟踪中加大的初始误差，而且还能减小算法的运算时间。
2.本发明通过下层控制器建立了车速决策模型与车速跟踪模型，车速决策模型能根据当前横向偏差、障碍物信息以及道路曲率变化等决策出最佳期望车速，然后由车速跟踪模型进行期望车速跟踪，有效解决车速的实时变化，加强轨迹跟踪精度，同时也能保证车辆的安全性。
3.本发明将上层控制器与下层控制器有效的结合起来，解决了单一控制中轨迹跟踪精度不高的问题，也使车速根据外界条件不断变化。
4.该发明中的算法简单有效，求解输入控制量的时间比较短，而且实时性比较好。
附图说明
附图1为一种自动驾驶轨迹跟踪控制的方法的整体框架图。
附图2为三自由度车辆动力学模型。
附图3为侧向力与侧偏角关系图。
附图4为下层控制器的控制策略。
具体实施方式
下面结合附图对本发明作进一步描述。
如图1所示，一种提高自动驾驶轨迹跟踪控制的方法，包括以下步骤：
建立上层控制器，对车辆前轮转角进行控制，得到期望前轮转角，建立下层控制器，对车辆速度进行控制。
.如图2所示，进行车辆动力学建模，建立横向、纵向、横摆三自由度车辆动力学模型，如下：
Figure 546620DEST_PATH_IMAGE051
Figure 561980DEST_PATH_IMAGE052
式中，
Figure 735473DEST_PATH_IMAGE053
和
Figure 277312DEST_PATH_IMAGE054
分别为质心到前、后轴的距离，
Figure 245268DEST_PATH_IMAGE055
为车辆的整备质量，
Figure 747925DEST_PATH_IMAGE056
为车辆绕
Figure 193950DEST_PATH_IMAGE057
轴的转动惯量。
如图3所示，侧偏角在
Figure 855875DEST_PATH_IMAGE058
内，侧偏力与侧偏角呈线性关系，考虑到轮胎纵向力、横向力对车辆的平顺性、操稳性和安全性起着重要作用，所以采用小角度动力学模型，并将其转化为状态空间表达的形式为
Figure 401257DEST_PATH_IMAGE059
；
在该系统中，状态量选取为
Figure 984685DEST_PATH_IMAGE060
，控制量选取为
Figure 765560DEST_PATH_IMAGE061
；
其中，
Figure 750833DEST_PATH_IMAGE062
为横向速度，
Figure 464187DEST_PATH_IMAGE063
为纵向速度，
Figure 66069DEST_PATH_IMAGE064
为横摆角，
Figure 119476DEST_PATH_IMAGE065
为横摆角速度，
Figure 365781DEST_PATH_IMAGE066
为车辆的纵向位移，
Figure 846441DEST_PATH_IMAGE067
为车辆的横向位移，
Figure 670040DEST_PATH_IMAGE040
为车辆的前轮转角。
将非线性动力学模型用泰勒展开方式线性化得到：
Figure 527138DEST_PATH_IMAGE068
；
式中，
Figure 76248DEST_PATH_IMAGE070
，
Figure 121564DEST_PATH_IMAGE071
和分别为函数相对于状态量的雅可比矩阵；
将动力学模型离散化处理得
Figure 206512DEST_PATH_IMAGE073
；
式中：
Figure 825712DEST_PATH_IMAGE074
，
Figure 92745DEST_PATH_IMAGE075
。
为了在控制过程中防止控制量的突变，用控制增量
Figure 432591DEST_PATH_IMAGE076
来代替控制量
Figure 632628DEST_PATH_IMAGE077
，求解满足约束条件的目标函数，并在优化目标中加入松弛因子，如下式：
Figure 891571DEST_PATH_IMAGE078
式中，
Figure 52425DEST_PATH_IMAGE079
为预测时域，
Figure 142434DEST_PATH_IMAGE080
为控制时域，为权重系数，为松弛因子，
Figure 743814DEST_PATH_IMAGE041
为预测时域权重矩阵，
Figure 550096DEST_PATH_IMAGE083
为控制时域权重矩阵。
为了保证车辆的稳定性、安全性与乘坐舒适性，需要对质心侧偏角、车辆附着条件和轮胎侧偏角进行约束，例如在良好路面上质心侧偏角
Figure 600091DEST_PATH_IMAGE036
为-12°<
Figure 200837DEST_PATH_IMAGE036
<12°，在冰雪路面上-2°<<2°，侧向加速度约束
Figure 539731DEST_PATH_IMAGE037
为
Figure 178654DEST_PATH_IMAGE084
，轮胎侧偏角可设置
Figure 684722DEST_PATH_IMAGE039
为-2.5°<<2.5°。
在每个控制周期内完成目标函数求解后，得到控制时域内一系列控制输入增量，将控制序列中的第一个元素与上一时刻对应的控制量结合作为该时刻的前轮转角
Figure 721128DEST_PATH_IMAGE040
，进入下个控制周期后，重复上述过程，实现对期望轨迹的跟踪控制。
为了防止在跟踪轨迹中存在较大的初始误差，所以采用变权重的方法，当开始存在较大的初始误差时，预测时域内的采取线性权重值，前面采样点采用较小权重，后面采用较大的 权重，同时应减小整体的权重值；例如，传统模型预测控制中固定权重为
Figure 547319DEST_PATH_IMAGE041
Figure 985253DEST_PATH_IMAGE042
,
Figure 77974DEST_PATH_IMAGE043
改进后的算法权重可表示为：
Figure 550544DEST_PATH_IMAGE044
；；
式中，
Figure 261328DEST_PATH_IMAGE045
为状态量的个数。
为了增加弯道上的跟踪精度，采用可变模型预测控制预测时域；
Figure 485636DEST_PATH_IMAGE046
式中：
Figure 343870DEST_PATH_IMAGE047
为缩放系数，
Figure 628221DEST_PATH_IMAGE048
为1000；
Figure 181693DEST_PATH_IMAGE049
为道路曲率。
如图4所示，在下层控制器中建立车速决策模型，车速决策主要根据当前道路曲率、跟踪偏差、前方障碍物等信息决策出下个时刻合适的期望车速。
如图4所示，在下层控制器中建立车速跟踪模型，车速跟踪模型主要通过加速踏板或制动踏板跟踪期望车速，以达到更加精确的跟踪参考轨迹。

Claims (1)

1.一种提高自动驾驶轨迹跟踪控制的方法，其特征在于：包括以下步骤：
A、建立上层控制器，对车辆前轮转角进行控制；
A1、把车辆简化为二轮模型，建立横向、纵向、横摆三自由度车辆动力学模型，如下：
Figure 81799DEST_PATH_IMAGE001
Figure 185201DEST_PATH_IMAGE003
式中，
Figure 580410DEST_PATH_IMAGE004
和分别为质心到前、后轴的距离，为车辆的整备质量，
Figure 421961DEST_PATH_IMAGE007
为车辆绕轴的转动惯量；
A2、考虑到轮胎纵向力、横向力对车辆的平顺性、操稳性和安全性起着重要作用，所以采用小角度动力学模型，并将其转化为状态空间表达的形式为
Figure 820899DEST_PATH_IMAGE009
；
在该系统中，状态量选取为，控制量选取为；
其中，
Figure 243287DEST_PATH_IMAGE012
为横向速度，
Figure 766672DEST_PATH_IMAGE013
为纵向速度，
Figure 603041DEST_PATH_IMAGE014
为横摆角，
Figure 844667DEST_PATH_IMAGE015
为横摆角速度，
Figure 650949DEST_PATH_IMAGE016
为车辆的纵向位移，
Figure 294419DEST_PATH_IMAGE017
为车辆的横向位移，
Figure 36111DEST_PATH_IMAGE018
为车辆的前轮转角；
A3、将非线性动力学模型用泰勒展开方式线性化得到：
Figure 765032DEST_PATH_IMAGE019
；
式中
Figure 375005DEST_PATH_IMAGE020
，
Figure 872982DEST_PATH_IMAGE021
，
Figure 644629DEST_PATH_IMAGE022
和
Figure 1792DEST_PATH_IMAGE023
分别为函数相对于状态量的雅可比矩阵；
将动力学模型离散化处理得
Figure 884298DEST_PATH_IMAGE024
；
式中： ，
Figure 710488DEST_PATH_IMAGE026
；
A4、为了在控制过程中防止控制量的突变，用控制增量
Figure 552018DEST_PATH_IMAGE027
来代替控制量
Figure 972635DEST_PATH_IMAGE028
，求解满足约束条件的目标函数，并在优化目标中加入松弛因子，如下式：
Figure 976363DEST_PATH_IMAGE029
式中，为预测时域，为控制时域，
Figure 645876DEST_PATH_IMAGE032
为权重系数，
Figure 238531DEST_PATH_IMAGE033
为松弛因子，
Figure 522882DEST_PATH_IMAGE034
为预测时域权重矩阵，为控制时域权重矩阵；
A5、由于对车辆动力学模型和轮胎模型进行了线性近似表达，所以需要对质心侧偏角、车辆附着条件和轮胎侧偏角进行约束，例如在良好路边上质心侧偏角
Figure 369932DEST_PATH_IMAGE036
为-12°<
Figure 82673DEST_PATH_IMAGE036
<12°，冰雪路面上-2°<
Figure 272346DEST_PATH_IMAGE036
<2°，侧向加速度约束
Figure 578694DEST_PATH_IMAGE037
为
Figure 144804DEST_PATH_IMAGE038
，轮胎侧偏角可以设置为
Figure 977631DEST_PATH_IMAGE039
为-2.5°<<2.5°；
A6、在每个控制周期内完成目标函数求解后，得到控制时域内一系列控制输入增量，将控制序列中的第一个元素与上一时刻对应的控制量结合作为该时刻的前轮转角
Figure 131849DEST_PATH_IMAGE018
，进入下个控制周期后，重复上述过程，实现对期望轨迹的跟踪控制；
A7、为了防止在跟踪轨迹中存在较大的初始误差，所以采用变权重的方法，当开始存在较大的初始误差时，预测时域内的
Figure 501651DEST_PATH_IMAGE034
采取线性权重值，前面采样点采用较小权重，后面采用较大的权重，同时应减小整体的权重值；
例如，传统模型预测控制中固定权重为
Figure 923405DEST_PATH_IMAGE034
,
改进后的算法权重可表示为：
Figure 909312DEST_PATH_IMAGE042
；
Figure 451152DEST_PATH_IMAGE041
；
式中，
Figure 419108DEST_PATH_IMAGE043
为状态量的个数；
A8、为了增加弯道上的跟踪精度，采用可变模型预测控制预测时域； ；
式中：
Figure 633369DEST_PATH_IMAGE045
为缩放系数，
Figure 29715DEST_PATH_IMAGE046
为1000；
Figure 168572DEST_PATH_IMAGE047
为道路曲率；
B、建立下层控制器，对车辆速度进行控制；
B1、在下层控制器中建立车速决策模型，车速决策主要根据当前道路曲率、跟踪偏差、前方障碍物等信息决策出下个时刻合适的期望车速；
B2、在下层控制器中建立车速跟踪模型，车速跟踪模型主要通过加速踏板或制动踏板跟踪期望车速，以达到更加精确的跟踪参考轨迹。
CN201911225736.8A 2019-12-04 2019-12-04 一种提高自动驾驶轨迹跟踪控制的方法 Pending CN110780674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911225736.8A CN110780674A (zh) 2019-12-04 2019-12-04 一种提高自动驾驶轨迹跟踪控制的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911225736.8A CN110780674A (zh) 2019-12-04 2019-12-04 一种提高自动驾驶轨迹跟踪控制的方法

Publications (1)

Publication Number Publication Date
CN110780674A true CN110780674A (zh) 2020-02-11

Family

ID=69393786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911225736.8A Pending CN110780674A (zh) 2019-12-04 2019-12-04 一种提高自动驾驶轨迹跟踪控制的方法

Country Status (1)

Country Link
CN (1) CN110780674A (zh)

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324146A (zh) * 2020-03-09 2020-06-23 河海大学常州校区 一种水下巡检机器人的轨迹跟踪控制方法
CN111381597A (zh) * 2020-05-14 2020-07-07 吉林大学 一种基于高斯伪谱法的车辆避障轨迹规划方法
CN111532285A (zh) * 2020-04-01 2020-08-14 北京三快在线科技有限公司 一种车辆控制方法及装置
CN111538328A (zh) * 2020-04-03 2020-08-14 浙江工业大学 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法
CN111665850A (zh) * 2020-06-29 2020-09-15 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
CN112053571A (zh) * 2020-08-25 2020-12-08 浙江省机电设计研究院有限公司 一种高速公路车辆轨迹跟踪方法及跟踪系统
CN112109705A (zh) * 2020-09-23 2020-12-22 同济大学 增程式分布驱动电动车辆避撞优化控制系统及控制方法
CN112193318A (zh) * 2020-10-15 2021-01-08 北京航天发射技术研究所 车辆路径控制方法、装置、设备及计算机可读存储介质
CN112965498A (zh) * 2021-02-23 2021-06-15 上海电机学院 一种智能扫路车运行轨迹跟踪控制方法
CN113076596A (zh) * 2021-03-31 2021-07-06 同济大学 融合车辆模型和轮胎力曲线的轨迹跟随并行预测方法
CN113110500A (zh) * 2021-05-10 2021-07-13 的卢技术有限公司 一种自动驾驶汽车低速自动泊车横向控制方法
CN113110489A (zh) * 2021-04-30 2021-07-13 清华大学 一种轨迹规划方法、装置、电子设备和存储介质
CN113306545A (zh) * 2021-07-15 2021-08-27 吉林大学 一种车辆轨迹跟踪控制方法及系统
CN113306573A (zh) * 2021-06-23 2021-08-27 湖南大学 一种自动驾驶车辆学习型路径跟踪预测控制方法
CN113805572A (zh) * 2020-05-29 2021-12-17 华为技术有限公司 运动规划的方法与装置
CN114379583A (zh) * 2021-12-10 2022-04-22 江苏大学 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法
CN114415522A (zh) * 2022-03-29 2022-04-29 北京理工大学 一种履带车辆平台路径跟踪控制方法及系统
CN115407659A (zh) * 2022-08-31 2022-11-29 浙江工业大学 一种基于eso的车辆轨迹跟踪预测控制方法
CN115454086A (zh) * 2022-09-27 2022-12-09 江苏大学 一种基于模型预测控制算法的车辆主动避撞控制方法
CN116540527A (zh) * 2023-05-12 2023-08-04 中国矿业大学 一种矿用卡车模型预测变速轨迹跟踪控制方法
CN116627044A (zh) * 2023-07-26 2023-08-22 华东交通大学 行驶轨迹预测控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201600109633A1 (it) * 2016-10-31 2018-05-01 Magneti Marelli Spa Procedimento e sistema di controllo adattivo in un veicolo terrestre per l'inseguimento di un percorso, particolarmente in uno scenario di guida autonoma.
CN108454623A (zh) * 2018-01-22 2018-08-28 大连理工大学 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法
CN109017760A (zh) * 2018-07-31 2018-12-18 大连民族大学 车辆期望轨迹跟踪方法、装置及滚动时域优化算法
CN109407677A (zh) * 2018-12-24 2019-03-01 清华大学 自动驾驶车辆的轨迹跟踪方法
CN109955664A (zh) * 2019-03-14 2019-07-02 哈尔滨理工大学 水陆两用电动平衡车结构装置及其集成控制方法
CN109976159A (zh) * 2019-04-09 2019-07-05 台州学院 基于安全可控域的智能车辆横向控制方法
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT201600109633A1 (it) * 2016-10-31 2018-05-01 Magneti Marelli Spa Procedimento e sistema di controllo adattivo in un veicolo terrestre per l'inseguimento di un percorso, particolarmente in uno scenario di guida autonoma.
CN108454623A (zh) * 2018-01-22 2018-08-28 大连理工大学 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法
CN109017760A (zh) * 2018-07-31 2018-12-18 大连民族大学 车辆期望轨迹跟踪方法、装置及滚动时域优化算法
CN109407677A (zh) * 2018-12-24 2019-03-01 清华大学 自动驾驶车辆的轨迹跟踪方法
CN109955664A (zh) * 2019-03-14 2019-07-02 哈尔滨理工大学 水陆两用电动平衡车结构装置及其集成控制方法
CN109976159A (zh) * 2019-04-09 2019-07-05 台州学院 基于安全可控域的智能车辆横向控制方法
CN110398969A (zh) * 2019-08-01 2019-11-01 北京主线科技有限公司 自动驾驶车辆自适应预测时域转向控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘凯;陈慧岩;龚建伟;陈舒平;张玉;: "高速无人驾驶车辆的操控稳定性研究", 汽车工程, no. 05, 25 May 2019 (2019-05-25) *

Cited By (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111324146A (zh) * 2020-03-09 2020-06-23 河海大学常州校区 一种水下巡检机器人的轨迹跟踪控制方法
CN111532285A (zh) * 2020-04-01 2020-08-14 北京三快在线科技有限公司 一种车辆控制方法及装置
CN111532285B (zh) * 2020-04-01 2021-09-07 北京三快在线科技有限公司 一种车辆控制方法及装置
CN111538328A (zh) * 2020-04-03 2020-08-14 浙江工业大学 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法
CN111538328B (zh) * 2020-04-03 2022-07-26 浙江工业大学 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法
CN111381597B (zh) * 2020-05-14 2021-08-03 吉林大学 一种基于高斯伪谱法的车辆避障轨迹规划方法
CN111381597A (zh) * 2020-05-14 2020-07-07 吉林大学 一种基于高斯伪谱法的车辆避障轨迹规划方法
CN113805572A (zh) * 2020-05-29 2021-12-17 华为技术有限公司 运动规划的方法与装置
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
CN111665850A (zh) * 2020-06-29 2020-09-15 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
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
CN112053571A (zh) * 2020-08-25 2020-12-08 浙江省机电设计研究院有限公司 一种高速公路车辆轨迹跟踪方法及跟踪系统
CN112109705A (zh) * 2020-09-23 2020-12-22 同济大学 增程式分布驱动电动车辆避撞优化控制系统及控制方法
CN112193318A (zh) * 2020-10-15 2021-01-08 北京航天发射技术研究所 车辆路径控制方法、装置、设备及计算机可读存储介质
CN112965498A (zh) * 2021-02-23 2021-06-15 上海电机学院 一种智能扫路车运行轨迹跟踪控制方法
CN113076596A (zh) * 2021-03-31 2021-07-06 同济大学 融合车辆模型和轮胎力曲线的轨迹跟随并行预测方法
CN113110489A (zh) * 2021-04-30 2021-07-13 清华大学 一种轨迹规划方法、装置、电子设备和存储介质
CN113110500A (zh) * 2021-05-10 2021-07-13 的卢技术有限公司 一种自动驾驶汽车低速自动泊车横向控制方法
CN113306573A (zh) * 2021-06-23 2021-08-27 湖南大学 一种自动驾驶车辆学习型路径跟踪预测控制方法
CN113306545B (zh) * 2021-07-15 2022-01-14 吉林大学 一种车辆轨迹跟踪控制方法及系统
CN113306545A (zh) * 2021-07-15 2021-08-27 吉林大学 一种车辆轨迹跟踪控制方法及系统
CN114379583A (zh) * 2021-12-10 2022-04-22 江苏大学 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法
CN114379583B (zh) * 2021-12-10 2024-05-14 江苏大学 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法
CN114415522A (zh) * 2022-03-29 2022-04-29 北京理工大学 一种履带车辆平台路径跟踪控制方法及系统
CN114415522B (zh) * 2022-03-29 2022-07-05 北京理工大学 一种履带车辆平台路径跟踪控制方法及系统
CN115407659A (zh) * 2022-08-31 2022-11-29 浙江工业大学 一种基于eso的车辆轨迹跟踪预测控制方法
CN115454086A (zh) * 2022-09-27 2022-12-09 江苏大学 一种基于模型预测控制算法的车辆主动避撞控制方法
CN116540527A (zh) * 2023-05-12 2023-08-04 中国矿业大学 一种矿用卡车模型预测变速轨迹跟踪控制方法
CN116540527B (zh) * 2023-05-12 2024-02-06 中国矿业大学 一种矿用卡车模型预测变速轨迹跟踪控制方法
CN116627044A (zh) * 2023-07-26 2023-08-22 华东交通大学 行驶轨迹预测控制方法
CN116627044B (zh) * 2023-07-26 2023-10-31 华东交通大学 行驶轨迹预测控制方法

Similar Documents

Publication Publication Date Title
CN110780674A (zh) 一种提高自动驾驶轨迹跟踪控制的方法
CN111806427B (zh) 一种四轮毂电机驱动车辆的综合控制方法
Chatzikomis et al. Comparison of path tracking and torque-vectoring controllers for autonomous electric vehicles
CN110568758B (zh) 一种自动驾驶汽车的参数自适应横向运动lqr控制方法
CN112622903B (zh) 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法
CN108556680B (zh) 一种用于轮毂电机驱动车辆的稳定性控制方法
Zha et al. A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics
WO2021073079A1 (zh) 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
CN104881030B (zh) 基于快速终端滑模原理的无人车侧纵向耦合跟踪控制方法
CN111260956B (zh) 一种基于模型预测控制的车辆自动换道规划与控制方法
CN107015477A (zh) 基于状态反馈的车辆路径跟踪h∞控制方法
CN114312848B (zh) 基于双层mpc的智能驾驶汽车轨迹规划与跟踪控制方法
CN110262229B (zh) 基于mpc的车辆自适应路径追踪方法
CN103085816A (zh) 一种用于无人驾驶车辆的轨迹跟踪控制方法及控制装置
CN113608530B (zh) 一种带有pid转角补偿的参数自整定lqr路径跟踪方法
CN113009829B (zh) 一种智能网联车队纵横向耦合控制方法
CN105644566B (zh) 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法
CN115042770B (zh) 一种基于分布式鲁棒模型预测的车辆队列横向控制方法
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
CN113183953B (zh) 基于分布式驱动底盘的车辆碰后主动安全控制方法及系统
CN114348021A (zh) 基于强化学习的车辆自主极限驾驶规划控制方法及系统
CN111845738B (zh) 基于双模型复合的车辆路径跟踪控制方法
CN117518779A (zh) 一种参数自适应的智能巡逻车高精度轨迹跟踪控制方法
CN115447615A (zh) 基于车辆运动学模型预测控制的轨迹优化方法
Zhao et al. Integrated longitudinal and lateral control system design and case study on an electric vehicle

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