CN110816528A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110816528A
CN110816528A CN201910727714.5A CN201910727714A CN110816528A CN 110816528 A CN110816528 A CN 110816528A CN 201910727714 A CN201910727714 A CN 201910727714A CN 110816528 A CN110816528 A CN 110816528A
Authority
CN
China
Prior art keywords
sensor
controller
vehicle
estimator
constraints
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.)
Granted
Application number
CN201910727714.5A
Other languages
English (en)
Other versions
CN110816528B (zh
Inventor
D·M·廖-迈弗森
M·X·黄
K·M·扎塞克
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.)
Toyota Motor Engineering and Manufacturing North America Inc
Original Assignee
Toyota Motor Engineering and Manufacturing North America Inc
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 Toyota Motor Engineering and Manufacturing North America Inc filed Critical Toyota Motor Engineering and Manufacturing North America Inc
Publication of CN110816528A publication Critical patent/CN110816528A/zh
Application granted granted Critical
Publication of CN110816528B publication Critical patent/CN110816528B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/0088—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/10—Path keeping
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions

Abstract

本申请涉及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。提供用于控制自主车辆的系统。该系统包括控制器。在每个采样周期内，该控制器输入传感器值以及基于传感器值与动态模型计算的估计器，并将传感器值与估计器记录在控制器的存储器中。控制器将传感器值与估计器结合到与受约束最优控制问题相关联的最优条件中，使用Fischer‑Burmeister函数将最优条件映射到非平滑系统，在近似非平滑系统的平滑系统上执行牛顿方法迭代以便在解上收敛，以及在车辆操作期间发出控制致动器的命令。

Description

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
相关申请
本申请涉及于2017年9月15日提交的申请No.15/705,934和于2018年1月10日提交的申请No.15/866,767，这些申请的全部内容通过引用并入本文。
技术领域
本公开一般而言涉及用于自主系统的方法和控制，并且更特别地，涉及控制自主车辆的方法，包括在与表示车辆安全限制的致动器限制相关的约束下最小化路径跟踪误差。这些方法与控制应用正则化且平滑化Fischer-Burmeister技术来实时建模和最小化车辆与目标路径的距离。
背景技术
自主车辆正在被开发，其中车辆的致动器通过控制器利用来自传感器的输入来控制。目前，车辆子系统的控制的改进正在被实现。例如，通常一个或多个控制器可以被嵌入在引擎控制单元(ECU)中，以响应于检测车辆性能的传感器而控制各种致动器，以便最优化车辆引擎的控制。用于检测车辆性能的传感器可以包括检测引擎速度和车辆速度的传感器。诸如相机和各种类型的雷达之类的其它传感器正被越来越多地安装在车辆中作为驾驶员辅助系统的一部分。视频相机正被用于在车辆正在倒退时提供来自车辆后方的视野。雷达天线用于提供附近物体的指示。附加类型的传感器技术正在被开发用于和车辆一起使用。示例附加传感器技术是LIDAR，其利用激光灯照射目标。LIDAR可以测量到物体的距离，以及可以用于障碍物检测。LIDAR已经被用作主动驾驶员辅助技术的一部分，诸如用作转向和加速度补偿；例如，对于车辆正在过于接近地跟随另一车辆的情况或者车辆正在转入另一车道或接近道路边缘时的情况，可以实现转向和加速度补偿。
车辆控制可以采取从简单的规则到完备的最优化处理的多种形式。借助于求解最优化问题的控制可能在时间和所需计算能力方面是禁止的。换句话说，最优化问题的解可能需要大量的计算能力并且可能无法实时执行。目前，正在进行解决实时求解最优化问题方面的问题的研究。
实时嵌入式最优化问题的重要示例是模型预测控制(MPC)，其中在滚动时域上的最优控制问题是在每个采样周期期间被求解的。参见L.Grüne和J.Pannek，“NonlinearModel Predictive Control”，“Nonlinear model predictive control”，第43到66页，Springer，2011；J.B.Rawlings和D.Q.Mayne，“Model predictive control:Theory anddesign”，Nob Hill Pub.，2009；以及G.C.Goodwin、M.M.Seron和J.A.De Doná，“Constrained control and estimation:an optimisation approach”，SpringerScience&Business Media，2006，每一个都通过引用整体并入本文。离散时间线性二次MPC公式化的最优控制问题可以表示为凸二次规划(QP)。此外，凸QP形成用在诸如序列二次规划(SQP)之类的非线性模型预测控制(NMPC)或者每个时间步长仅求解一个QP的实时迭代方案中的多种算法的基础。参见P.T.Boggs和J.W.Tolle，“Sequential quadraticprogramming”，Acta numerica，第4卷，第1至51页，1995；S.Gros、M.Zanon、R.Quirynen、A.Bemporad和M.Diehl，“From linear to nonlinear mpc:bridging the gap via thereal-time iteration”，International Journal of Control，第1至19页，2016；以及M.Diehl、H.G.Bock、J.P.Schloder、R.Findeisen、Z.Nagy和F.
Figure BDA0002159483090000021
“Real-timeoptimization and nonlinear model predictive control of processes governed bydifferential-algebraic equations”，Journal of Process Control，第12卷，第4期，第577至585页，2002，每一个都通过引用整体并入本文。
模型预测控制(MPC)已被应用到诸如引擎控制之类的车辆子系统。例如，基于速率的MPC方法通过将附加积分状态添加到预测控制模型来结合积分类型动作以确保零稳态误差。MPC模型使用多个不同引擎操作范围(燃料率和引擎速度)，并产生用于每个范围的控制器以控制引擎致动器。
在应用于柴油引擎气流的模型预测控制的具体示例中，引擎中的流量通过使用可变几何涡轮(VGT)、EGR节流阀和EGR阀门致动器来控制。这些系统是强耦合的并且是高度非线性的。
然而，用于嵌入式汽车应用中的受约束最优控制的现有方法已经不能在要求的时间段内执行要求的计算。在用于柴油引擎的示例控制系统中，引擎控制单元(ECU)对输入信号进行采样、记录来自传感器的测量、执行计算和发出命令。所有这些操作必须在输入信号采样周期内被执行。特别地，将采样周期的固定百分比分配给ECU用于完成所有要求的计算，这被称作计算预算。
近年来，对开发用于在线求解QP和更一般的最优化问题的快速可靠的算法的大量研究已经极大地提高了技术水平。然而，管理在线最优化算法的计算负担仍然是挑战。
期望提供一种模型预测控制器，用于在周期内控制自主车辆的操作，特别在车辆安全限制内控制致动器，其足够快以至于能够在计算预算内完成所有要求的计算。
前述“背景技术”描述是为了总体上呈现本公开的上下文。在本背景技术部分中描述的发明人的工作，以及本描述的否则不能作为提交时的现有技术的各方面，都没有被明确地或暗示地承认为针对本发明的现有技术。
附图说明
因为当结合附图考虑时通过参考以下详细描述，本公开及其许多伴随优点变得更好理解，所以将容易地获得对本公开及其许多伴随优点的更完整认识。
图1是对自主车辆的示意性表示；
图2是图1的自主车辆的控制结构；
图3图示了根据本公开的示例性方面的路径跟踪模型；
图4示出了MPC最优化问题的主函数；
图5示出了获得与MPC最优化问题相关的等式的方法的流程图；
图6示出了正则化平滑化Fischer-Burmeister方法的流程图；
图7示出了自主车辆的实时控制的流程图；
图8示出了根据本公开的示例性方面的转向控制的示例的流程图；以及
图9示出了示例性控制器的框图。
具体实施方式
如本文所使用的，对“一个实施例”或“一些实施例”或“实施例”的引用意味着结合实施例描述的特定元素、特征、结构或特性包括在至少一个实施例中。在说明书中各种地方出现短语“在一个实施例中”并不一定都指相同的实施例。本文使用的尤其诸如“能够”、“可能”、“可”、“可以”、“例如”等之类的条件性语言，除非以其它方式具体声明或在所使用的上下文内以其它方式理解，否则一般意图传达在其它实施例不包括的同时某些实施例包括某些特征、元素和/或步骤。此外，除非以其它方式指定，否则如本申请和所附权利要求中使用的冠词“一”和“一个”应被解释为“一个或多个”或“至少一个”。
现在参考附图，其中相似的附图标记贯穿若干视图表示相同或相应的部件，以下描述涉及用于应用于自主车辆中嵌入式模型预测控制的受约束最优化的技术。
自主车辆可以采取定制的车辆或修改的传统车辆的形式。自主车辆可以包括传感器、致动器、软件实现的算法以及用于执行软件的至少一个处理器的组合。传感器和致动器可以被用在用于导航与指导、驾驶与安全以及性能的子系统中。用于导航与指导的子系统是全球定位系统(GPS)。GPS基于从卫星接收的信号来计算当前位置。
用于驾驶与安全的子系统通常包括视频相机阵列。视频相机可以捕获图像，该图像可以用于检测车道在哪、检测物体以及检测标志。用于感测物体的另一类型的设备是LIDAR系统。LIDAR系统提供关于周围环境的准确3D信息。使用该数据，处理器实现物体识别、运动矢量确定、碰撞预测以及规避策略。LIDAR单元通过使用位于车辆顶部的旋转扫描镜组件来提供360°视野。
用于控制车辆性能的子系统可以包括与功率控制相关的传感器和致动器。功率控制可以包括测量和管理功率需求。车辆性能的控制可以涉及内燃机的控制。
本公开利用考虑车辆的加速度和转向的车辆动力学以及考虑路径框架(pathframe)随时间的移动的路径运动学，以便最小化车辆与目标路径沿着道路的距离。该距离可以是由于车辆的移动与路径框架的移动之间的差异导致的。在本公开中，路径由曲率定义，并且可以由包括某点处的位置、速度和加速度的运动学特征来表示。轨迹被定义为在给定速度随时间移动的路径。车辆动力学采用车辆在力的作用下的运动的普通含义。
在本公开中，车辆安全根据致动器范围与速率以及障碍物碰撞包络来定义。致动器范围根据关于致动器的移动范围的限制来定义。致动器速率根据关于致动器将反应的速率或延迟的限制来定义。车辆控制借助于由控制系统向致动器发出的命令。障碍物碰撞包络是到潜在障碍物的距离范围。
参考图1，车辆401(在后文被举例描述为自主车辆)包括传感器403的阵列。传感器可以被安装在车辆的车顶上，可以被包括在车辆的主体内，或者是其组合。可以被安装在自主车辆中的传感器的类型可以包括LIDAR、视频相机、雷达天线、声纳天线。自主车辆可以包括用于监视车辆的诸如转向角和车辆速度之类的各种情况的内部传感器。
参考图2，自主车辆控制系统的控制结构可以包括车辆模型预测控制器(MPC)201、车辆致动器203以及估计器205。MPC 201从车辆传感器203接收关于车辆的速度、加速度和转向角(轮胎的角度)的信息作为输入。估计器205可以计算包括目标路径的弧长、车辆中心与目标路径之间的偏移、航向误差和目标路径的曲率的参数。估计器205还可以能够检测障碍物包络。被提供各种信号输入和估计参数时，MPC 201可以向车辆致动器203输出速度命令和转向命令(轮胎角度命令)。与这些致动器相关联的车辆致动器可以包括转向致动器和引擎速度致动器。
MPC 201控制车辆致动器203，例如控制转向致动器和引擎速度致动器。在这种情况下，出于安全目的可以限制致动器的致动范围。在一个实施例中，致动器限制被实现为硬约束，硬约束是不能被违抗的约束。致动器限制可以根据致动器范围(有限的移动范围)和致动器速率(致动器将反应的有限的速率/延迟)来表征。在一个实施例中，轮胎角度命令可以被限制到-30度至+30度的范围。
此外，在自主车辆的情况下，致动器限制可以利用碰撞规避的目标来定义。自主车辆可以被考虑为在任何给定时间处与障碍物相距固定距离。之后，诸如转向角和加速度限制之类的致动器限制可以被定义为将允许操作者在给定速度下在人类响应时间内防止碰撞的解析最大值。在一个实施例中，随车辆速度变化的致动器限制可以被预先存储为查找表。
至障碍物的要求距离可以被定义为障碍物碰撞包络。在一个实施例中，通过车辆传感器检测诸如另一车辆之类的障碍物可进入碰撞包络内可以被实现为被MPC 201规避的硬约束。
硬不等式约束难以在足够短的时间量被计算出，所述足够短的时间量在人类响应时间内。本公开中采用的方法是将不等式约束改写为等式约束。如将在下文更完整描述的，改写的等式约束使得能够实现使用牛顿方法的快速解。
MPC 201还可以基于软约束控制车辆致动器203。软约束是可以被解析地违反的约束。软约束的违反被处理为控制成本函数中的惩罚(penalty)，或者作为外部惩罚或者作为附加最优化参数。之后，控制成本函数趋向于远离不期望状态移动。在一个实施例中，软约束被应用于可以被称为舒适相关致动的东西。软约束的类型可以包括急推(jerk)舒适(其中急推是加速度的衍生物)、加速度舒适(加速度舒适对大于预定阈值的加速度施加惩罚)、横向加速度、滚动(滚动是围绕纵向轴的旋转量)以及牵引/滑行约束(牵引/滑行约束涉及由于例如潮湿道路情况导致的滑行或牵引损失)。
自主车辆的转向和加速度可以在预定时间量内使用嵌入在引擎控制单元(ECU)中的系统来控制，所述系统通常是小型微控制器。特别的，为了有效，由MPC控制器201执行的控制操作以及估计器205应该在其中进行传感器读数的每个采样周期期间被执行。
在一个实施例中，ECU可以每秒采样约100x。在采样周期期间，ECU记录来自传感器的测量、执行最优化计算和发出命令。因此，ECU优选地在采样周期的固定百分比(被称为计算预算)内执行其要求的操作。
一般而言，控制操作可以被考虑为在约束下的最优化问题的解。表达离散时间线性二次MPC公式化的最优化控制问题的一种方式是作为凸二次规划(QP)。
本公开的一个方面是MPC，其中在每个采样周期期间求解最优化控制问题。
本公开的一个方面是应用Fischer-Burmeister(FB)函数和牛顿方法来求解凸QP的MPC，并且在后文被称为Fischer Burmeister正则化平滑化(FBRS)方法。FBRS具有一些使其对于嵌入式最优化有吸引力的性质。第一，FBRS显示解的全局线性收敛与二次渐进收敛；这些性质源自其作为阻尼广义牛顿方法的本质。第二，它易于实施。最后，它能够在求解相关QP的序列时被有效地热启动(warmstart)。
图3图示了根据本公开的示例性方面的路径跟踪模型的元素。在本公开中，MPC使用基于动态路径框架而非固定全局位置的模型。使用该模型是因为MPC力图最小化车辆与目标路径的距离。为此，模型监视偏移L 311以及偏移L的导数。如果车辆移动(即路径保持笔直而车辆转弯)或如果路径移动(即路径转弯而车辆继续直行)，偏移L都改变。由此，模型使用动态路径框架。
如在图3中可以看见的，全局框架(X，Y)301表示静止点的位置，诸如建筑物或某个其他固定结构的位置。车辆的中心303是相对于全局框架301的点。垂直于车辆并通过车辆的中心303的线305与目标路径309上的点307相交。目标路径的交点处的点307是投影位置。在该点307处，目标路径309具有路径航向313。投影位置和路径航向313定义路径框架(Xs，Ys)。当车辆沿速度方向327移动时，在车辆方向航向与平行于目标路径切线317的方向之间可能存在航向误差315。沿目标路径309至投影位置307的距离由弧长321定义。投影位置307处的曲线具有半径323。MPC调整车辆转向(轮胎角度325)以便最小化车辆与目标路径的距离。
在路径跟踪模型中，MPC控制器201基于车辆加速度a、车辆速度V和实际轮胎角度δ以及从估计器205得出的估计值，生成力命令Fcmd和轮胎角度命令δcmd。估计值包括弧长s、偏移l和航向误差θ。动态路径框架可以根据车辆加速度a、车辆速度V、弧长s、离目标路径的偏移l、航向误差θ和轮胎角度δ来表示。模型可以针对轮胎角度命令δcmd和加速度命令Fcmd考虑致动器速率限制。而且，模型可以使得不存在横向速度，并且使得车辆上的力和车辆加速度沿着车辆的纵向方向。但是，路径跟踪模型也可以考虑横向速度和横向加速度。动态路径框架的替代表示可以根据曲率k、曲率相对于弧长的变化
Figure BDA0002159483090000081
以及参考速度和加速度来表示。
关于图4，示出了MPC最优化问题的主函数。MPC力图最小化403转向率Δδcmd和加速度率ΔFcmd，转向率Δδcmd和加速度率ΔFcmd作为曲率k处的速度跟踪误差(Vk–Vk tgt(s))、偏移距离(lk)、航向误差(θk)、转向率(Δδk cmd–Δδk ff)和加速度率(ΔFk cmd–ΔFk ff)的函数。曲率k通常被定义为半径的倒数并且是弧长s的函数。主函数可以受到关于转向率Δδcmd和加速度率ΔFcmd的硬约束。在一个实施例中，可以通过对偏离路径航向施加惩罚来考虑滑行(航向+滑行角度)。
关于图5，为了求解MPC最优化问题，在S501中，图4中的主函数被设置作为要最优化的成本函数。在S503中，约束被设置作为要强加的约束。在S505中，使用线性近似来变换成本函数和约束，以获得二次规划(QP)，QP在S507中将使用FBRS求解。S505中的示例QP具有以下形式
min(z)zTHz+fTz，满足Az≤b
其中H∈Sn是Hessian矩阵，为了简洁，QP可以针对没有等式约束的情况；普通技术人员可以理解，等式和不等式约束问题的扩展是简单明确的。举例来说，用于QP的Karush-Kuhn-Tucker(KKT)条件是：
Hz+f+ATv＝0
vTy＝0
v≥0,y≥0
变量z表示控制动作，特别是最小化成本函数的那些控制动作。变量v表示敏感度，敏感度是在系统中计算的量化成本函数对约束有多敏感的内部变量。变量y＝b–Az表示约束边际(constraint margin)。如果y是正的，则约束被满足。如果y是负的，则约束未被满足。
为了使用FB函数求解最优条件，S507，使用FB变换将这些条件重写为函数F(x)。例如，用FB等式φ(y,v)替换补充条件v≥0,y≥0,yTv＝0，其中x＝(z,v)并且y＝b–Az。将FB函数应用于补充条件以产生如下非线性映射，
Figure BDA0002159483090000092
由于FB函数的性质，函数F(x)具有当且仅当x满足KKT条件时F(x)＝0的性质。
FBRS算法通过对递减序列εj→0使用牛顿法近似求解问题的序列
Figure BDA0002159483090000101
来发挥作用，并由此类似于诸如内点法(interior point method，IPM)之类的其它同伦方法(homotopy method)。但是，与内点法不同的是，在εj→0时子问题不会变得条件不足或难以求解，实际上εj可在有限数量的同伦步骤之后被设置成确切为0。
映射F(x)是单值的但并不是连续可微分的；但是，F(x)是半平滑的，因此可以将半平滑的牛顿方法应用于对问题F(x)＝0求根。如果F是平滑的(ε>0)，则Fε(x)是连续可微分的，因此(常规)牛顿方法是可应用的。
关于图6，为求解F(x)＝0，在使用半平滑牛顿方法时，产生迭代
Figure BDA0002159483090000102
其中
Figure BDA0002159483090000103
并且tk∈(0,1]是通过在S603处的线搜索(linesearch)选择的步长，以在远离解的情况下强行收敛。迭代矩阵或雅可比行列式(Jacobian)Vk对于任何ε>0总是非奇异的(non-singular)，但是如果ε小则可能变得条件不足。为了补救该情况，在S601处，添加近邻正则化项(proximal regularization term)以帮助控制数值条件数(numerical conditioning)；正则化且平滑化的等式被定义为
Figure BDA0002159483090000104
其中δ≥0控制正则化。然后，修改的牛顿迭代(S605)为
Figure BDA0002159483090000105
其中
Figure BDA0002159483090000106
被用来代替Vk。
FBRS的算法被总结为下面的算法1，并且表示使用线搜索和同伦进行全局化的半平滑牛顿方法。用于全局化算法的每一步的优值函数(merit function)被定义为
Figure BDA0002159483090000107
参数σ∈(0,0.5)编码在优值函数中需要多少下降。期望的容差被表示为τ，并且，β∈(0,1)控制了在回溯线搜索中的下降。用于计算tk的更复杂算法(诸如多项式插值)可以被用于替代回溯线搜索；但是在实践中该简单算法是有效的。参考C.T.Kelley，Iterativemethods for optimization，SIAM，1999，其通过引用整体并入本文。固定参数的典型值是σ≈10-4和β≈0.7。
Figure BDA0002159483090000111
包括前述描述中的特征的系统提供许多优点。特别地，本文描述的MPC可以在每个传感器采样周期期间实时最优化最小化车辆与目标路径的距离。图7示出了实时迭代求解车辆最优控制的流程图。关于S701和S703，诸如在图4中的，成本函数与要强加的约束可以在车辆被运送前被离线定义。在S705中，对传感器读数进行采样并计算估计器，以便测量当前车辆致动器状态。在S707中，测得的系统状态被嵌入到与受约束最优控制问题相关联的最优条件中。在S709中，通过Fischer-Burmeister函数变换将最优条件变换为等式。在S711中，使用修改的牛顿方法执行迭代，以在S713中获得控制值。在一个实施例中，修改的牛顿方法在采样周期内被执行一次迭代。已经确定成本函数在采样周期的要求时间段内很好地产生足够的解。在S715中，控制值被发送以控制车辆。在S717中，剩余时间被花费于等待，直到下个循环的开始。可以在每个传感器采样周期使用嵌入式实时控制问题求解器来在线执行车辆最优控制。
图8示出了根据本公开的示例性方面的转向控制的示例的流程图。转向控制通过从车辆传感器确定当前转向状态(轮胎角度)来实现，并且对于预先定义的预测时域(其表示为未来的多个点(例如，120个点))，针对未来的时间段的这些未来点预测转向角。
特别地，在S801中，检测车辆的当前状态(测得的位置、速度、轮胎角度、偏移、航向)。在S803中，在长达5秒的时间段内基于目标路径预测路径框架。在S805中，确定一组候选控制动作，例如在1秒、2秒、3秒、……、5秒内转向(满足硬约束的优解)。在S807中，针对每个候选进行预测。在S809中，在预测与期望(目标)之间进行比较以获得误差，并且执行最优化以获得将使预测解移动至更接近目标的控制动作。在S811中，向转向致动器发出控制命令。
基于计算机的控制系统201可以基于微控制器。微控制器可以包含一个或多个处理器核(CPU)以及存储器(易失性和非易失性)和可编程输入/输出外围设备。闪存、ROM、EPROM或EEPROM形式的程序存储器通常与用于数据存储的二级RAM一起被包括在芯片上。在一个实施例中，关于图9，基于计算机的系统201是具有微控制器910的集成电路板901。该板可以包括数字I/O 915、模拟输入917以及硬件串行端口913。
在一个实施例中，微控制器是8位基于RISC的微控制器，该微控制器具有闪存存储器903、SRAM 907、EEPROM 905、通用I/O线、32通用寄存器、实时计数器、六个灵活定时器/计数器以及A/D转换器909。微控制器可以是单个SOC。应该理解的是，可以使用各种类型的微控制器。微控制器根据处理器核的数量、非易失性存储器的大小、数据存储器的大小以及它们是否包括A/D转换器或D/A转换器而不同。
鉴于以上教导，许多修改和变化是可能的。因此，应该理解的是，在所附权利要求的范围内，本发明可以以不同于本文具体描述的方式实践。
因此，前述讨论仅仅公开和描述了本发明的示例性实施例。如本领域技术人员将理解的，在不脱离本发明的精神或基本特性的情况下，本发明可以以其它具体形式实施。因此，本发明的公开内容旨在是说明性的，而不限制本发明以及其它权利要求的范围。包括本文的教导的任何易于辨别的变体的本公开部分地限定前述权利要求术语的范围，使得没有发明主题专用于公众。

Claims (20)

1.一种用于控制自主车辆的系统，所述系统包括：
控制器，被配置为：
在每个采样周期内，
输入传感器值以及基于所述传感器值和动态模型计算的估计器，并将所述传感器值与所述估计器记录在所述控制器的存储器中，
将所述传感器值与所述估计器结合到与受约束最优控制问题相关联的最优条件中，
使用Fischer-Burmeister函数将所述最优条件映射到非平滑系统，
使所述非平滑系统平滑化并将牛顿方法迭代应用于平滑化的系统以便在解上收敛，以及
发出控制所述自主车辆的致动器的命令。
2.如权利要求1所述的系统，其中平滑化的牛顿方法包括正则化和线搜索。
3.如权利要求1所述的系统，其中与所述受约束最优控制问题相关联的所述最优条件包括要最优化的成本函数和要强加的硬约束。
4.如权利要求1所述的系统，还包括轮胎角度传感器和车辆速度传感器，
其中所述传感器值包括从所述轮胎角度传感器获得的轮胎角度和从所述车辆速度传感器获得的车辆速度中的一个或多个。
5.如权利要求3所述的系统，其中所述硬约束是关于所述致动器的约束，包括最大转向和最大车辆加速度中的一个或多个。
6.如权利要求3所述的系统，还包括障碍物传感器，
其中所述传感器值包括障碍物的信息，以及
其中所述硬约束是基于障碍物信息确定的障碍物碰撞包络。
7.如权利要求3所述的系统，其中所述成本函数包括软约束形式的惩罚。
8.如权利要求7所述的系统，其中所述软约束包括急推舒适、加速度舒适、横向加速度、牵引约束和滚动中的一个或多个。
9.一种用于控制具有控制器的自主车辆的方法，所述方法包括：
在每个采样周期内，所述控制器
输入传感器值以及基于所述传感器值和动态模型计算的估计器，并将所述传感器值与所述估计器记录在所述控制器的存储器中，
将所述传感器值与所述估计器结合到与受约束最优控制问题相关联的最优条件中，
使用Fischer-Burmeister函数将所述最优条件映射到非平滑系统，
在近似所述非平滑系统的平滑系统序列上执行牛顿方法迭代以便在解上收敛，以及
发出控制所述自主车辆的致动器的命令。
10.如权利要求9所述的方法，其中平滑化的牛顿方法包括正则化和线搜索。
11.如权利要求9所述的方法，其中与所述受约束最优控制问题相关联的所述最优条件包括要最优化的成本函数和要强加的硬约束。
12.如权利要求9所述的方法，其中输入传感器值包括获得来自轮胎角度传感器的轮胎角度和来自车辆速度传感器的车辆速度。
13.如权利要求11所述的方法，其中所述硬约束是关于所述致动器的约束，并且包括最大转向和最大加速度中的一个或多个。
14.如权利要求11所述的方法，
其中输入传感器值包括从障碍物传感器获得障碍物的信息，所述方法还包括
基于障碍物信息确定障碍物碰撞包络作为所述硬约束。
15.如权利要求11所述的方法，其中与所述成本函数相关联的所述最优条件包括软约束形式的惩罚。
16.如权利要求15所述的方法，其中所述软约束包括急推舒适、加速度舒适、横向加速度、牵引约束和滚动中的一个或多个。
17.一种用于控制自主车辆的控制器，
所述控制器被配置为：
在每个采样周期内，
输入传感器值以及基于所述传感器值和动态模型计算的估计器，并将所述传感器值与所述估计器记录在所述控制器的存储器中，
将所述传感器值与所述估计器结合到与受约束最优控制问题相关联的最优条件中，
使用Fischer-Burmeister函数将所述最优条件映射到非平滑系统，
使所述非平滑系统平滑化并将牛顿方法迭代应用于平滑化的系统以便在解上收敛，以及
发出控制所述自主车辆中的致动器的操作的命令。
18.如权利要求17所述的控制器，其中平滑化的牛顿方法包括正则化和线搜索。
19.如权利要求17所述的控制器，其中所述受约束最优控制问题包括要最优化的成本函数和要强加的硬约束。
20.如权利要求19所述的控制器，其中所述硬约束是关于所述致动器的约束，并且包括最大转向和最大加速度中的一个或多个。
CN201910727714.5A 2018-08-08 2019-08-08 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 Active CN110816528B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/058,831 2018-08-08
US16/058,831 US10739768B2 (en) 2018-08-08 2018-08-08 Smoothed and regularized Fischer-Burmeister solver for embedded real-time constrained optimal control problems in autonomous systems

Publications (2)

Publication Number Publication Date
CN110816528A true CN110816528A (zh) 2020-02-21
CN110816528B CN110816528B (zh) 2023-06-13

Family

ID=69406750

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910727714.5A Active CN110816528B (zh) 2018-08-08 2019-08-08 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

Country Status (3)

Country Link
US (1) US10739768B2 (zh)
JP (1) JP7088886B2 (zh)
CN (1) CN110816528B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364561A (zh) * 2020-10-26 2021-02-12 上海感探号信息科技有限公司 控车动作修正方法、装置、电子设备和存储介质
CN114516342A (zh) * 2020-11-19 2022-05-20 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11580859B1 (en) * 2017-09-28 2023-02-14 Apple Inc. Vehicle lane change
US11699207B2 (en) * 2018-08-20 2023-07-11 Waymo Llc Camera assessment techniques for autonomous vehicles
US20210064031A1 (en) * 2019-08-28 2021-03-04 Zenuity Ab Path planning for autonomous and semi-autonomous vehicles
US11378967B2 (en) * 2019-09-25 2022-07-05 Baidu Usa Llc Enumeration based failure prevention QP smoother for autonomous vehicles
US20210094569A1 (en) * 2019-09-27 2021-04-01 Honda Motor Co., Ltd. System and method for providing accurate trajectory following for automated vehicles in dynamic environments
US11479265B2 (en) * 2020-03-25 2022-10-25 Baidu Usa Llc Incremental lateral control system using feedbacks for autonomous driving vehicles
JP7449144B2 (ja) * 2020-04-06 2024-03-13 株式会社Subaru 自動操舵制御装置
CN111959500B (zh) * 2020-08-07 2022-11-11 长春工业大学 一种基于轮胎力分配的汽车路径跟踪性能提升方法
CN113346500B (zh) * 2021-04-26 2023-06-02 西安交通大学 一种支持微电网全自治控制的柔性切换变流器及控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301723A1 (en) * 2010-06-02 2011-12-08 Honeywell International Inc. Using model predictive control to optimize variable trajectories and system control
US20120059782A1 (en) * 2010-09-03 2012-03-08 Honeywell International Inc. System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver
CN103448716A (zh) * 2013-09-12 2013-12-18 清华大学 分布式电驱动车辆纵-横-垂向力协同控制方法
CN104977933A (zh) * 2015-07-01 2015-10-14 吉林大学 一种自主驾驶车辆的区域型路径跟踪控制方法
EP3125052A1 (en) * 2015-07-31 2017-02-01 Honeywell International Inc. Quadratic program solver for mpc using variable ordering

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070079605A1 (en) 2005-10-07 2007-04-12 Eaton Corporation Exhaust aftertreatment system with transmission control
US8346416B2 (en) 2006-06-26 2013-01-01 Azure Dynamics, Inc. Method, apparatus, signals and media, for selecting operating conditions of a genset
JP4586795B2 (ja) 2006-12-07 2010-11-24 トヨタ自動車株式会社 車両用制御装置
DE102012201767A1 (de) 2012-02-07 2013-08-08 Robert Bosch Gmbh Verfahren und Vorrichtung zur Dynamiküberwachung von Gas-Sensoren
DE102013214225A1 (de) 2013-07-19 2015-01-22 Bayerische Motoren Werke Aktiengesellschaft Dynamische Neuplanung einer Fahrtrajektorie mittels LQ-Regelung für einen Ausweichassistenten
US10030602B2 (en) 2014-07-22 2018-07-24 The Regents Of The University Of Michigan Adaptive machine learning method to predict and control engine combustion
CN104590259B (zh) 2015-01-07 2015-08-26 福州华鹰重工机械有限公司 一种轨迹搜寻方法和系统
US9989964B2 (en) 2016-11-03 2018-06-05 Mitsubishi Electric Research Laboratories, Inc. System and method for controlling vehicle using neural network
US10293485B2 (en) * 2017-03-30 2019-05-21 Brain Corporation Systems and methods for robotic path planning
JP6937658B2 (ja) 2017-10-17 2021-09-22 日立Astemo株式会社 予測制御装置及び方法
JP6939513B2 (ja) 2017-12-21 2021-09-22 株式会社Ihi モデル予測制御装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110301723A1 (en) * 2010-06-02 2011-12-08 Honeywell International Inc. Using model predictive control to optimize variable trajectories and system control
US20120059782A1 (en) * 2010-09-03 2012-03-08 Honeywell International Inc. System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver
CN103448716A (zh) * 2013-09-12 2013-12-18 清华大学 分布式电驱动车辆纵-横-垂向力协同控制方法
CN104977933A (zh) * 2015-07-01 2015-10-14 吉林大学 一种自主驾驶车辆的区域型路径跟踪控制方法
EP3125052A1 (en) * 2015-07-31 2017-02-01 Honeywell International Inc. Quadratic program solver for mpc using variable ordering

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张丽丽: "一族基于修正的F-B NCP函数的非线性Lagrange函数", 《工程科技II辑》 *
柴婧等: "求解广义非线性互补问题的光滑化拟牛顿法", 《高校应用数学学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364561A (zh) * 2020-10-26 2021-02-12 上海感探号信息科技有限公司 控车动作修正方法、装置、电子设备和存储介质
CN114516342A (zh) * 2020-11-19 2022-05-20 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆
CN114516342B (zh) * 2020-11-19 2024-05-03 上海汽车集团股份有限公司 一种车辆控制方法、装置及车辆

Also Published As

Publication number Publication date
US20200050196A1 (en) 2020-02-13
JP7088886B2 (ja) 2022-06-21
US10739768B2 (en) 2020-08-11
CN110816528B (zh) 2023-06-13
JP2020040651A (ja) 2020-03-19

Similar Documents

Publication Publication Date Title
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
CN112733270B (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
US11753023B2 (en) Adaptive control of autonomous or semi-autonomous vehicle
CN109415089B (zh) 控制车辆的控制器和方法以及非暂时性计算机可读存储器
US11958554B2 (en) Steering control for vehicles
US9568915B1 (en) System and method for controlling autonomous or semi-autonomous vehicle
US8190330B2 (en) Model based predictive control for automated lane centering/changing control systems
Suh et al. Design and evaluation of a model predictive vehicle control algorithm for automated driving using a vehicle traffic simulator
US20190389470A1 (en) System and method for controlling a vehicle based on an anticipated lane departure
EP2280241A2 (en) Vehicle control
WO2009155228A1 (en) Path generation algorithm for automated lane centering and lane changing control system
El Hajjami et al. Robust adaptive non-singular fast terminal sliding-mode lateral control for an uncertain ego vehicle at the lane-change maneuver subjected to abrupt change
Lee et al. Automated driving control in safe driving envelope based on probabilistic prediction of surrounding vehicle behaviors
CN117222915A (zh) 用于使用复合测量模型跟踪移动对象的扩张状态的系统和方法
US11679759B2 (en) System and method for adaptive control of vehicle dynamics
Berntorp et al. Motion planning of autonomous road vehicles by particle filtering: Implementation and validation
KR20220070467A (ko) 자동차의 폭방향 및 길이방향 안내 동안 데드타임 보상 기술
Vörös et al. Lane keeping control using finite spectrum assignment with modeling errors
Jeong A personalized lane keeping system for autonomous vehicles based on recurrent neural network with temporal dependencies
CN115447615A (zh) 基于车辆运动学模型预测控制的轨迹优化方法
CN112550449B (zh) 车辆无线充电引导的横向控制
Kanjanawanishkul et al. Path following with an optimal forward velocity for a mobile robot
Hess et al. Double-lane change optimization for a stochastic vehicle model subject to collision probability constraints
Wang Control system design for autonomous vehicle path following and collision avoidance
Hu et al. Robust tube-based model predictive control for autonomous vehicle path tracking

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