CN111142534A - 一种智能车横纵向综合轨迹跟踪方法及控制系统 - Google Patents

Abstract

本发明提供了一种智能车横纵向综合轨迹跟踪方法及控制系统，包括如下步骤：建立纵向、横向和横摆三个方向的车辆动力学模型，根据车辆动力学模型得到预测轨迹；根据参考轨迹和预测轨迹的差值，确定目标函数和约束条件，求解得出最优前轮转角和车轮最优滑移率，通过神经网络建立车轮动态右逆模型；所述车轮动态右逆模型根据传感器检测的轮心纵向速度和车轮转速和车轮最优滑移率，输出车轮转矩；将最优前轮转角和车轮转矩输入被控车辆，通过被控车辆状态量的反馈得出新的预测轨迹实现闭环控制。本发明将横向控制与纵向控制通过轮胎转角和滑移率结合起来，摆脱了通过解耦法分别控制带来的跟踪偏差问题。

Description

一种智能车横纵向综合轨迹跟踪方法及控制系统

技术领域

本发明涉及智能汽车或者无人汽车领域，特别涉及一种智能车横纵向综合轨迹跟踪方法及控制系统。

背景技术

现有的智能汽车轨迹跟踪研究，一般是通过将汽车的横向运动和纵向运动通过解耦的方式，分别独立设计横向控制器和纵向控制器，这种控制方法忽略了智能汽车的横纵向耦合关系，比如在设计横向控制器时，将纵向运动相关的变量作为常数，这明显与实际不符，纵向速度的变化会引起横向控制中的某些参数发生变化，从而导致跟踪不精确。而横纵向综合控制比较常见的控制方法是在轨迹跟踪的同时加入直接横摆力矩控制(DYC)，通过将直接横摆力矩分配到四个车轮，从而实现四轮独立驱动，但是在分配的过程中，会存在轮胎力冗余的现象，导致轮胎力没有得到充分利用。这些问题是轨迹跟踪研究中急需解决的问题。

发明内容

针对现有技术中存在的不足，本发明提供了一种智能车横纵向综合轨迹跟踪方法及控制系统，将横向控制与纵向控制通过轮胎转角和滑移率结合起来，摆脱了通过解耦法分别控制带来的跟踪偏差问题。

本发明是通过以下技术手段实现上述技术目的的。

一种智能车横纵向综合轨迹跟踪方法，包括如下步骤：

建立纵向、横向和横摆三个方向的车辆动力学模型，根据车辆动力学模型得到预测轨迹；

根据参考轨迹和预测轨迹的差值，确定目标函数和约束条件，求解得出最优前轮转角δ′_f和车轮最优滑移率s_i,des，i为车轮序号；

通过神经网络建立车轮动态右逆模型；所述车轮动态右逆模型根据传感器检测的轮心纵向速度v_i和车轮转速ω_i和车轮最优滑移率s_i,des，输出车轮转矩T_i；

将最优前轮转角δ′_f和车轮转矩T_i输入被控车辆，通过被控车辆状态量的反馈得出新的预测轨迹实现闭环控制。

进一步，建立纵向、横向和横摆三个方向的车辆动力学模型，根据车辆动力学模型得到预测轨迹，具体为：

所述车辆动力学模型的状态量为

所述车辆动力学模型的控制变量为u＝(δ_f,s_i)^T；

所述车辆动力学模型的输出变量为

将所述车辆动力学模型离散化得系统状态空间表达式：

其中：δ_f为前轮转角；s_i为车轮滑移率；v_x为车辆纵向速度；v_y为车辆横向速度；X为车辆纵向位置；Y为车辆横向位置；

是车辆航向角；

为车辆横摆角速度；x_t为t时刻的状态量；x_t-1为t-1时刻的状态量；u_t为t时刻的控制变量，y_t为t时刻的输出变量。

进一步，所述目标函数具体为：

其中，Np为预测时域；Nc为控制时域，Q为输出量的权重，R为控制量的权重；y_ref为参考轨迹；

所述约束条件具体为：

x_t＝f(x_t-1,u_t)

y_t＝h(x_t)

u_min＜u＜u_max

y_min＜y＜y_max

其中，u_min为控制量的下限；u_max为控制量的上限；y_min为输出量的下限；y_max为输出量的上限。

进一步，通过非线性规划求解器求解所述目标函数的最小值，计算得到控制时域内最优的决策变量，所述最优的决策变量为最优前轮转角δ′_f和车轮的最优滑移率s_i,des。

进一步，建立车轮动态右逆模型具体为：

考虑车轮动态模型：

考虑车轮动力学模型：F_x＝f(s,γ,F_z)，

其中：F_x为轮胎纵向力；

F_z为轮胎垂向载荷；

γ为轮胎外倾角；

I_z为车辆绕Z轴的转动惯量；

r为车轮有效半径；

s为纵向滑移率

根据车轮动态模型，假设外倾角为0，轮胎载荷不变，确定车轮右逆模型为：

其中：s_i为轮胎纵向滑移率；

纵向滑移率的一阶导数据；v_i为轮心纵向速度；

为轮心纵向速度的一阶导数；ω_i为车轮转速；

为车轮转速的一阶导数；T_i为车轮的转矩；

建立训练样本集

通过BP神经网络进行训练，确定BP神经网络的各层权重矩阵；其中BP神经网络为3层网络，输入节点数为6个，输出节点为1个，隐含层节点数为12个，隐含层神经元函数使用S型函数f(x)＝(e^x-e^-x)/(e^x+e^-x)，输出层的神经元采用线性变换函数。

一种智能车横纵向综合轨迹跟踪方法的控制系统，包括车轮动态右逆模型、求导模块和模型预测控制器；

所述模型预测控制器根据输入的参考轨迹和被控车辆状态量，输出最优前轮转角δ′_f和车轮的最优滑移率s_i,des；车轮的最优滑移率s_i,des分别输入车轮动态右逆模型和求导模块；

通过传感器将被控车辆的车轮转速ω_i和轮心纵向速度v_i分别输入车轮动态右逆模型和求导模块，所述求导模块根据车轮的最优滑移率s_i,des、车轮转速ω_i和轮心纵向速度v_i计算输出车轮的最优滑移率的一阶导数据

轮心纵向速度的一阶导数

和车轮转速的一阶导数

并输入车轮动态右逆模型；

所述车轮动态右逆模型根据车轮的最优滑移率s_i,des、车轮转速ω_i、轮心纵向速度v_i、车轮的最优滑移率的一阶导数据

轮心纵向速度的一阶导数

和车轮转速的一阶导数

输出车轮的转矩T_i；

被控车辆根据车轮的转矩T_i和最优前轮转角δ′_f改变状态量。

本发明的有益效果在于：

1.本发明所述的智能车横纵向综合轨迹跟踪方法及控制系统，将横向控制与纵向控制通过轮胎转角和滑移率结合起来，摆脱了通过解耦法分别控制带来的跟踪偏差问题。

2.本发明所述的智能车横纵向综合轨迹跟踪方法及控制系统，建立模型预测控制器，在纵向速度的跟踪方面考虑了以滑移率作为最优控制量，弥补了现有关于纵向控制研究不考虑纵向滑移率的不足之处。

3.本发明所述的智能车横纵向综合轨迹跟踪方法及控制系统，建立模型预测控制，可以显式的添加各种约束，因此方便将轮胎的侧偏角和滑移率约束在线性范围内，从而可以简化轮胎动力学模型，从而提高控制器计算速度，保证实时性。

4.本发明所述的智能车横纵向综合轨迹跟踪方法及控制系统，通过神经网络建立的车轮动态逆模型可以充分的力用轮胎力，降低了直接横摆力矩分配过程中的冗余现象，保证了在各种工况下的跟踪性能。

附图说明

图1为本发明所述的智能车横纵向综合轨迹跟踪方法及控制系统的控制原理图。

图2为本发明所述的模型预测控制器的控制原理图。

图3为本发明所述的车轮动态右逆模型的控制原理图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，一种智能车横纵向综合轨迹跟踪方法，包括如下步骤：

S01：对智能汽车动力学进行简化，建立纵向、横向和横摆三个方向的车辆动力学模型，其中的轮胎力采用伯格哈特轮胎模型进行计算：

所述车辆动力学模型的状态量为

所述车辆动力学模型的控制变量为u＝(δ_f,s_i)^T；

所述车辆动力学模型的输出变量为

将所述车辆动力学模型离散化得系统状态空间表达式：

其中：δ_f为前轮转角；s_i为车轮滑移率；v_x为车辆纵向速度；v_y为车辆横向速度；X为车辆纵向位置；Y为车辆横向位置；

是车辆航向角；

为车辆横摆角速度；x_t为t时刻的状态量；x_t-1为t-1时刻的状态量；u_t为t时刻的控制变量，y_t为t时刻的输出变量。

S02：如图2所示，根据参考轨迹和预测轨迹的差值，确定目标函数和约束条件，求解得出最优前轮转角δ′_f和车轮最优滑移率s_i,des，i为车轮序号；

所述目标函数具体为：

其中，Np为预测时域；Nc为控制时域，Q为输出量的权重，R为控制量的权重；y_ref为参考轨迹；

所述约束条件具体为：

x_t＝f(x_t-1,u_t)

y_t＝h(x_t)

u_min＜u＜u_max

y_min＜y＜y_max

其中，u_min为控制量的下限；u_max为控制量的上限；y_min为输出量的下限；y_max为输出量的上限。

通过非线性规划求解器求解该目标函数的最小值，并计算得到控制时域内最优的决策变量最优前轮转角δ′_f和四个车轮的最优滑移率s_i,des，其中最优前轮转角可以直接作用给被控车辆，而所得到的最优滑移率还需输入到车轮动态右逆模型，计算出对应的车轮转矩然后再作用给被控对象。

S03：通过神经网络建立车轮动态右逆模型；所述车轮动态右逆模型根据传感器检测的轮心纵向速度v_i和车轮转速ω_i和车轮最优滑移率s_i,des，输出车轮转矩T_i；

建立车轮动态右逆模型具体为：

根据车轮动态模型：

其中F_x为轮胎纵向力，可以由轮胎动力学模型计算得到：F_x＝f(s,γ,F_z)

其中F_z为轮胎垂向载荷，γ为轮胎外倾角，s为纵向滑移率，可以由下式计算：

通过上述分析，假设外倾角为0，轮胎载荷不变，确定四个车轮右逆模型

如图3所示，输入变量都为轮胎纵向滑移率s_i(i＝1,2,3,4)、纵向滑移率的一阶导数据

轮心纵向速度v_i(i＝1,2,3,4)、轮心纵向速度的一阶导数

车轮转速ω_i(i＝1,2,3,4)和车轮转速的一阶导数

输出变量都为四个车轮的转矩T_i(i＝1,2,3,4)；

采用BP神经网络加积分器构造四个轮胎动态的右逆模型，所述的BP神经网络的参数确定方法为将车轮的转矩T_i加到智能汽车原模型的输入端；采集激励信号轮胎纵向滑移率s_i、轮心纵向速度v_i、车轮转速ω_i；对得到的轮胎纵向滑移率s_i、轮心纵向速度v_i、车轮转速ω_i分别求一阶导数

和

用构成的训练样本集

对四个BP神经网络进行训练，从而确定BP神经网络的各层权重矩阵；其中BP神经网络为3层网络，输入节点数为6个，输出节点为1个，隐含层节点数为12个，隐含层神经元函数使用S型函数f(x)＝(e^x-e^-x)/(e^x+e^-x)，输出层的神经元采用线性变换函数。

S04：将最优前轮转角δ′_f和车轮转矩T_i输入被控车辆，车载传感器测量此时的汽车状态量再返回模型预测控制器和车轮动态右逆模型，从而形成完整的闭环控制。

一种智能车横纵向综合轨迹跟踪方法的控制系统，包括车轮动态右逆模型、求导模块和模型预测控制器；

所述模型预测控制器根据输入的参考轨迹和被控车辆状态量，输出最优前轮转角δ′_f和车轮的最优滑移率s_i,des；车轮的最优滑移率s_i,des分别输入车轮动态右逆模型和求导模块；

通过传感器将被控车辆的车轮转速ω_i和轮心纵向速度v_i分别输入车轮动态右逆模型和求导模块，所述求导模块根据车轮的最优滑移率s_i,des、车轮转速ω_i和轮心纵向速度v_i计算输出车轮的最优滑移率的一阶导数据

轮心纵向速度的一阶导数

和车轮转速的一阶导数

并输入车轮动态右逆模型；

所述车轮动态右逆模型根据车轮的最优滑移率s_i,des、车轮转速ω_i、轮心纵向速度v_i、车轮的最优滑移率的一阶导数据

轮心纵向速度的一阶导数

和车轮转速的一阶导数

输出车轮的转矩T_i；被控车辆根据车轮的转矩T_i和最优前轮转角δ′_f改变状态量。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (6)

1.一种智能车横纵向综合轨迹跟踪方法，其特征在于，包括如下步骤：

建立纵向、横向和横摆三个方向的车辆动力学模型，根据车辆动力学模型得到预测轨迹；

根据参考轨迹和预测轨迹的差值，确定目标函数和约束条件，求解得出最优前轮转角δ′_f和车轮最优滑移率s_i,des，i为车轮序号；

通过神经网络建立车轮动态右逆模型；所述车轮动态右逆模型根据传感器检测的轮心纵向速度v_i和车轮转速ω_i和车轮最优滑移率s_i,des，输出车轮转矩T_i；

将最优前轮转角δ′_f和车轮转矩T_i输入被控车辆，通过被控车辆状态量的反馈得出新的预测轨迹实现闭环控制。

2.根据权利要求1所述的智能车横纵向综合轨迹跟踪方法，其特征在于，建立纵向、横向和横摆三个方向的车辆动力学模型，根据车辆动力学模型得到预测轨迹，具体为：

所述车辆动力学模型的状态量为

所述车辆动力学模型的控制变量为u＝(δ_f,s_i)^T；

所述车辆动力学模型的输出变量为

将所述车辆动力学模型离散化得系统状态空间表达式：

其中：δ_f为前轮转角；s_i为车轮滑移率；v_x为车辆纵向速度；v_y为车辆横向速度；X为车辆纵向位置；Y为车辆横向位置；

是车辆航向角；

为车辆横摆角速度；x_t为t时刻的状态量；x_t-1为t-1时刻的状态量；u_t为t时刻的控制变量，y_t为t时刻的输出变量，即t时刻的预测轨迹。

3.根据权利要求1所述的智能车横纵向综合轨迹跟踪方法，其特征在于，所述目标函数具体为：

其中，Np为预测时域；Nc为控制时域，Q为输出量的权重，R为控制量的权重；y_ref为参考轨迹；

所述约束条件具体为：

x_t＝f(x_t-1,u_t)

y_t＝h(x_t)

u_min＜u＜u_max

y_min＜y＜y_max

其中，u_min为控制量的下限；u_max为控制量的上限；y_min为输出量的下限；y_max为输出量的上限。

4.根据权利要求3所述的智能车横纵向综合轨迹跟踪方法，其特征在于，通过非线性规划求解器求解所述目标函数的最小值，计算得到控制时域内最优的决策变量，所述最优的决策变量为最优前轮转角δ′_f和车轮的最优滑移率s_i,des。

5.根据权利要求1所述的智能车横纵向综合轨迹跟踪方法，其特征在于，建立车轮动态右逆模型具体为：

考虑车轮动态模型：

考虑车轮动力学模型：F_x＝f(s,γ,F_z)，

其中：F_x为轮胎纵向力；

F_z为轮胎垂向载荷；

γ为轮胎外倾角；

I_z为车辆绕Z轴的转动惯量；

r为车轮有效半径；

s为纵向滑移率

根据车轮动态模型，假设外倾角为0，轮胎载荷不变，确定车轮右逆模型为：

其中：s_i为轮胎纵向滑移率；

纵向滑移率的一阶导数据；v_i为轮心纵向速度；

为轮心纵向速度的一阶导数；ω_i为车轮转速；

为车轮转速的一阶导数；T_i为车轮的转矩；

建立训练样本集

通过BP神经网络进行训练，确定BP神经网络的各层权重矩阵；其中BP神经网络为3层网络，输入节点数为6个，输出节点为1个，隐含层节点数为12个，隐含层神经元函数使用S型函数f(x)＝(e^x-e^-x)/(e^x+e^-x)，输出层的神经元采用线性变换函数。

6.一种根据权利要求1-5任一项所述的智能车横纵向综合轨迹跟踪方法的控制系统，其特征在于，包括车轮动态右逆模型、求导模块和模型预测控制器；

所述模型预测控制器根据输入的参考轨迹和被控车辆状态量，输出最优前轮转角δ′_f和车轮的最优滑移率s_i,des；车轮的最优滑移率s_i,des分别输入车轮动态右逆模型和求导模块；

通过传感器将被控车辆的车轮转速ω_i和轮心纵向速度v_i分别输入车轮动态右逆模型和求导模块，所述求导模块根据车轮的最优滑移率s_i,des、车轮转速ω_i和轮心纵向速度v_i计算输出车轮的最优滑移率的一阶导数据

轮心纵向速度的一阶导数

和车轮转速的一阶导数

并输入车轮动态右逆模型；

所述车轮动态右逆模型根据车轮的最优滑移率s_i,des、车轮转速ω_i、轮心纵向速度v_i、车轮的最优滑移率的一阶导数据

轮心纵向速度的一阶导数

和车轮转速的一阶导数

输出车轮的转矩T_i；

被控车辆根据车轮的转矩T_i和最优前轮转角δ′_f改变状态量。

Images