CN111746558A - 控制方法、车辆、控制装置和计算机可读存储介质 - Google Patents

Abstract

本发明提供了一种控制方法、车辆、控制装置和计算机可读存储介质，控制方法包括：获取车辆参数；根据车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，目标控制器为油门控制器或制动控制器其中之一；获取动态滑模面增益；根据动态滑模面增益，车辆参数，通过目标控制器，获取控制量；获取重力分量补偿量，根据重力分量补偿量对控制量进行修正，得到修正后的控制量，通过修正后的控制量控制自动驾驶车辆。本发明能够实现自动驾驶车辆纵向滑模动态控制，提高自动驾驶车辆在不同负载情况下的适应能力。

Description

控制方法、车辆、控制装置和计算机可读存储介质

技术领域

本发明涉及自动驾驶车辆的技术领域，具体而言，涉及一种控制方法、车辆、控制装置和计算机可读存储介质。

背景技术

自动驾驶车辆纵向控制根据规划速度和规划加速度信息，实时计算制动和油门指令，控制车辆按照期望速度和加速度行驶。当前自动驾驶车辆纵向控制采用PID(Proportion Integral Differential，PID算法)控制、滑模控制等实现，PID控制在不同负载情况下，鲁棒性受到一定影响，坡道变化时，滑模控制的动态特性会受到影响。

发明内容

本发明旨在解决上述技术问题的至少之一。

为此，本发明的第一目的在于提供一种控制方法。

本发明的第二目的在于提供一种车辆。

本发明的第三目的在于提供一种控制装置。

本发明的第四目的在于提供一种计算机可读存储介质。

为实现本发明的第一目的，本发明的实施例提供了一种自动驾驶车辆纵向控制方法，包括：获取车辆参数；根据车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，目标控制器为油门控制器或制动控制器其中之一；获取动态滑模面增益；根据动态滑模面增益，车辆参数，通过目标控制器，获取控制量；获取重力分量补偿量，根据重力分量补偿量对控制量进行修正，得到修正后的控制量，通过修正后的控制量控制自动驾驶车辆。

本实施根据重力分量补偿量对控制量进行修正，提高自动驾驶车辆坡道环境变化时纵向控制的鲁棒性，提升自动驾驶车辆对坡道环境的适应能力，进而提高对规划加速度的跟踪控制能力。

另外，本发明上述实施例提供的技术方案还可以具有如下附加技术特征：

上述技术方案中，获取车辆参数，包括：获取自动驾驶车辆的车体质量，纵向驱动力或纵向制动力，车辆速度，车辆俯仰角，规划加速度和当前加速度。

上述任一技术方案中，获取车辆参数之前，还包括：

构建滑膜控制器，包括：

建立车辆纵向力学模型：

其中，F表示纵向驱动力或纵向制动力，g表示重力加速度，v表示车辆速度，m表示车辆质量，θ表示坡度值，k表示参数，u表示控制量，包括油门控制量或制动控制量，

表示对v进行求导，

表示对F进行求导；

确定速度偏差为纵向控制量：

E＝v_des-v

其中，v_des表示规划车速，v表示当前车速，E表示速度偏差；

设计滑模面：

其中，s表示滑模面，E表示速度偏差，k₁表示滑模面增益，

表示对E进行求导；

设置趋近率，获取控制量：

其中，k₂表示滑膜切换增益；

判定稳定性：

其中，s表示滑模面，V表示稳定性判据；

对控制量进行数字低通滤波：

Y_n＝qX_n-1+(1-q)Y_n-1

其中，Y_n为第n次采样时滤波输出，q为常数，Y_n-1为第n-1次采样时滤波输出，X_n-1为第n-1次采样时滤波器输入。

通过滑膜控制器，获取油门控制器和制动控制器，包括：根据车辆实际运行状态，对滑膜控制器进行调试，通过调整k₂的取值，使得滑膜控制器满足稳定状态时间以及抖振要求，分别获取油门控制器和制动控制器。

本实施例通过对控制量进行低通滤波，减小滑模高频抖振。

上述任一技术方案中，获取车辆参数之前，还包括：以第一速度间隔为标定表速度阶梯，以第一加速度间隔为标定表加速度阶梯，建立速度、加速度和滑膜面增益的离线标定表。

采用离线方式，获取离线表定表，可以减轻计算量。

上述任一技术方案中，根据车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，目标控制器为油门控制器或制动控制器其中之一，包括：

基于P>h，车辆处于上坡：

当-c＜a_des-a，选取油门控制器；

当a_des-a＜-c，选取制动控制器；

基于P<-h，车辆处于下坡：

当a_des-a＞c₁，选取择油门控制器；

当a_des-a＜c₁，选取制动控制器；

基于-h<P<h，车辆处于过渡路面：

当-c₂＜a_des-a，选取油门控制器；

当a_des-a＜-c₂，选取制动控制器；

其中：P表示车辆俯仰角，h表示判定边界值，a_des表示规划加速度，a表示当前加速度，c，c₁，c₂表示加速度阈值。

本实施例通过当前车辆加速度和已知的规划加速度的偏差和当前车辆所处坡道环境选择油门控制器或制动控制器。

上述任一技术方案中，获取动态滑模面增益，包括：

获取规划加速度在离线标定表中所处的加速度区间；

获取当前车速在离线标定表中所处的速度区间；

通过区间值二维查询，获取滑模面增益四个边界值，通过插值确定当前滑模面增益：

其中，a_des表示规划加速度，a₁、a₂表示离线标定表中a_des所处加速度区间的端点值，v表示当前车速，v₁、v₂表示离线标定表中v所处速度区间的端点值，k₁₁、k₁₂、k₂₁、k₂₂表示通过区间值二维查询获取的滑模面增益四个边界值，k表示当前滑模面增益，k_a1、k_a2表示中间参数。

本实施例通过离线标定滑模面增益与滑模收敛速度的关系，使用时根据规划加速度和当前车速动态调整滑模面增益，实现加速过程自适应。

上述任一技术方案中，获取重力分量补偿量，根据重力分量补偿量对控制量进行修正，得到修正后的控制量，包括：

获取重力分量补偿量：

u_c＝k_g gsin θ

其中，u_c表示重力分量补偿量，k_g表示参数，g表示重力加速度，θ表示坡度值。

根据重力分量补偿量，对控制量进行修正，得到修正后的控制量：

基于P>h，车辆处于上坡：

y＝u+u_c

基于P<-h，车辆处于下坡：

y＝u-u_c

基于-h<P<h，车辆处于过渡路面：

y＝u

其中，P表示车辆俯仰角，u_c表示重力分量补偿量，u表示控制量，y表示修正后的控制量。

本实施例引入车辆姿态信息对油门控制量或制动控制量进行修正，提升自动驾驶车辆对坡道环境的适应能力。

为实现本发明的第二目的，本发明的实施例提供了一种自动驾驶车辆，包括：自动驾驶车辆本体和纵向控制装置，其中，纵向控制装置采用如本发明任一实施例的自动驾驶车辆纵向控制方法，控制自动驾驶车辆本体进行纵向运动。

本发明实施例提供的自动驾驶车辆实现如本发明任一实施例的自动驾驶车辆纵向控制方法的步骤，因而其具有如本发明任一实施例的自动驾驶车辆纵向控制方法的全部有益效果，在此不再赘述。

为实现本发明的第三目的，本发明的实施例提供了一种纵向控制装置，包括存储器，存储有计算机程序；处理器，执行计算机程序；其中，处理器在执行计算机程序时，实现如本发明任一实施例的自动驾驶车辆纵向控制方法的步骤。

本发明实施例提供的纵向控制装置实现如本发明任一实施例的自动驾驶车辆纵向控制方法的步骤，因而其具有如本发明任一实施例的自动驾驶车辆纵向控制方法的全部有益效果，在此不再赘述。

为实现本发明的第四目的，本发明的实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被执行时，实现上述任一实施例的自动驾驶车辆纵向控制方法的步骤。

本发明实施例提供的计算机可读存储介质实现如本发明任一实施例的自动驾驶车辆纵向控制方法的步骤，因而其具有如本发明任一实施例的自动驾驶车辆纵向控制方法的全部有益效果，在此不再赘述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1为本发明一个实施例的自动驾驶车辆纵向控制方法流程图一；

图2为本发明一个实施例的获取油门控制器和制动控制器方法流程图；

图3为本发明一个实施例的获取动态滑模面增益方法流程图；

图4为本发明一个实施例的得到修正后的控制量方法流程图；

图5为本发明一个实施例的自动驾驶车辆结构示意图；

图6为本发明一个实施例的纵向控制装置结构示意图；

图7为本发明一个实施例的自动驾驶车辆纵向控制原理图；

图8为本发明一个实施例的自动驾驶车辆纵向控制方法流程图二；

图9为本发明一个实施例的选取滑膜控制器示意图；

图10为本发明一个实施例的通过PID实现车辆纵向控制原理图。

其中，图5至图6中附图标记与部件名称之间的对应关系为：

100：自动驾驶车辆，110：自动驾驶车辆本体，120：纵向控制装置，122：存储器，124：处理器。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图10描述本发明一些实施例的一种控制方法、车辆、控制装置和计算机可读存储介质。

自动驾驶车辆纵向控制根据规划速度和规划加速度信息，实时计算制动和油门指令，控制车辆按照期望速度和加速度行驶。当前自动驾驶车辆纵向控制采用PID控制、滑模控制等实现，主要存在以下问题：

(1)当前自动驾驶纵向控制多采用PID控制，PID控制在不同负载情况下，鲁棒性受到一定影响，尤其对工程车辆来说，空载和满载质量相差较大，PID控制的动态特性会受到较大影响；

(2)PID控制的比例系数P，积分系数I和微分系数D标定调整复杂；

(3)普通滑模控制的鲁棒性较好，但是在滑动模态下容易发生抖振；

(4)坡道变化时，纵向控制的动态特性会受到影响；

(5)固定的滑模面增益无法对加速过程进行自适应性调整。

相关技术应用智能车辆纵向速度控制的RBF(Radial Basis Function，径向基函数)神经网络的终端滑模控制方法，基于速度偏差设计滑模控制器跟踪期望速度，将控制器输出的加速度通过车辆动力学模型推算出油门制动控制量给车辆执行。

相关技术用速度偏差和动力学模型估计出期望加速度，通过标定的不同档位最小油门开度下的加速度与估计出的期望加速度差值大小，进行控制器切换，本实施例通过当前车辆加速度和已知的规划加速度的偏差预先选择控制器，本实施例与相关技术制动控制器和油门控制器的切换逻辑不同。本实施例与相关技术滑模控制器设计不同，滑模面设计、滑模趋近率选择和消除抖振方式均不相同。

本实施例根据规划加速度进行滑模面增益的自适应调整，输出的油门控制量或制动控制量对坡道环境进行识别修正，通过姿态测量设备对车辆上下坡情况进行识别，计算出重力分量补偿量对油门制动控制量进行动态修正。

实施例1：

如图1所示，本实施例提供了一种自动驾驶车辆纵向控制方法，包括以下步骤：

步骤S102，获取车辆参数；

步骤S104，根据车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，目标控制器为油门控制器或制动控制器其中之一；

步骤S106，获取动态滑模面增益；

步骤S108，根据动态滑模面增益，车辆参数，通过目标控制器，获取控制量；

步骤S110，获取重力分量补偿量，根据重力分量补偿量对控制量进行修正，得到修正后的控制量，通过修正后的控制量控制自动驾驶车辆。

本实施例根据车辆状态，预先选择目标控制器，目标控制器为目标控制器或油门控制器，油门控制器和制动控制器均采用滑膜控制器，使用滑模控制提高自动驾驶车辆纵向控制的鲁棒性，使工程车辆在负载变化时的适应性增强，提高自动驾驶车辆在不同负载情况下的适应能力。

本实施根据重力分量补偿量对控制量进行修正，提高自动驾驶车辆坡道环境变化时纵向控制的鲁棒性，提升自动驾驶车辆对坡道环境的适应能力，进而提高对规划加速度的跟踪控制能力。

实施例2：

除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

获取车辆参数，包括：获取自动驾驶车辆的车体质量，纵向驱动力或纵向制动力，车辆速度，车辆俯仰角，规划加速度和当前加速度。

获取的车辆参数，方便在后续计算过程中进行应用。

实施例3：

如图2所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

获取车辆参数之前，还包括以下步骤：

步骤S202，构建滑膜控制器；

具体包括：

建立车辆纵向力学模型：

其中，F表示纵向驱动力或纵向制动力，g表示重力加速度，v表示车辆速度，m表示车辆质量，θ表示坡度值，j表示参数，u表示控制量，包括油门控制量或制动控制量，

表示对v进行求导，

表示对F进行求导；

确定速度偏差为纵向控制量：

E＝v_des-v

其中，v_des表示规划车速，v表示当前车速，E表示速度偏差；

设计滑模面：

其中，s表示滑模面，E表示速度偏差，k₁表示滑模面增益，

表示对E进行求导；

设置趋近率，获取控制量：

其中，k₂表示滑膜切换增益；

判定稳定性：

其中，s表示滑模面，V表示稳定性判据，

表示V对时间t求导，

表示s对时间t求导；

对控制量进行数字低通滤波：

Y_n＝qX_n-1+(1-q)Y_n-1

其中，Y_n为第n次采样时滤波输出，q为常数，0<q<1，Y_n-1为第n-1次采样时滤波输出，X_n-1为第n-1次采样时滤波器输入。

步骤S204，通过滑膜控制器，获取油门控制器和制动控制器。

具体包括：根据车辆实际运行状态，对滑膜控制器进行调试，通过调整k₂的取值，使得滑膜控制器满足稳定状态时间以及抖振要求，分别获取油门控制器和制动控制器。

本实施例通过对控制量进行低通滤波，减小滑模高频抖振。

获取的滑膜控制器，针对具体的车型，进行上车调试，通过改变滑膜控制器的参数k₂数值，使得滑膜控制器满足稳定状态时间以及抖振要求，得到最优的滑膜控制器的参数，分别获取油门控制器和制动控制器。

实施例4：

除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

获取车辆参数之前，还包括：以第一速度间隔为标定表速度阶梯，以第一加速度间隔为标定表加速度阶梯，建立速度、加速度和滑膜面增益的离线标定表。

离线标定表为二维插值表，针对每个加速度间隔的端点、每个速度间隔的端点，在表格中，形成一个矩形区域，针对矩形区域的四个顶点，进行线性插值，得到间隔区域内对应的滑膜面增益。

如表1所示，其中，a₀、a₁、a₂分别表示加速度间隔的端点，v₀、v₁、v₂分别表示速度间隔的端点，k_ij表示加速度a_i、速度v_j对应的滑模面增益，其中，i、j分别表示自然数。

表1速度、加速度与滑模面增益关系表

实施例5：

除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

根据车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，目标控制器为油门控制器或制动控制器其中之一，包括：

基于P>h，车辆处于上坡：

当-c＜a_des-a，选取油门控制器；

当a_des-a＜-c，选取制动控制器；

基于P<-h，车辆处于下坡：

当a_des-a＞c₁，选取油门控制器；

当a_des-a＜c₁，选取制动控制器；

基于-h<P<h，车辆处于过渡路面：

当-c₂＜a_des-a，选取油门控制器；

当a_des-a＜-c₂，选取制动控制器；

其中：P表示车辆俯仰角，h表示判定边界值，h为可调的判定边界值，需要调试确定最佳的取值，范围约为0度<h<30度，a_des表示规划加速度，a表示当前加速度，c，c₁，c₂表示加速度阈值。

本实施例通过当前车辆加速度和已知的规划加速度的偏差和当前车辆所处坡道环境选择油门控制器或制动控制器。

实施例6：

如图3所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

获取动态滑模面增益，包括：

步骤S302，获取规划加速度在离线标定表中所处的加速度区间；

步骤S304，获取当前车速在离线标定表中所处的速度区间；

步骤S306，通过区间值二维查询，获取滑模面增益四个边界值，通过插值确定当前滑模面增益：

其中，a_des表示规划加速度，a₁、a₂表示离线标定表中a_des所处加速度区间的端点值，v表示当前车速，v₁、v₂表示离线标定表中v所处速度区间的端点值，k₁₁、k₁₂、k₂₁、k₂₂表示通过区间值二维查询获取的滑模面增益四个边界值，k表示当前滑模面增益，k_a1、k_a2表示中间参数。

具体而言，假设a₁<a_des<a₂，v₁<v<v₂，参考表1，则k₁₁为加速度a₁、速度v₁对应的滑模面增益，k₁₂为加速度a₁、速度v₂对应的滑模面增益，k₂₁为加速度a₂、速度v₁对应的滑模面增益，k₂₂为加速度a₂、速度v₂对应的滑模面增益。

固定的滑模面增益无法对加速过程进行自适应性调整，本实施例通过离线标定滑模面增益与滑模收敛速度的关系，使用时根据规划加速度和当前车速动态调整滑模面增益，实现加速过程自适应。

实施例7：

如图4所示，除上述实施例的技术特征以外，本实施例进一步地包括了以下技术特征：

获取重力分量补偿量，根据重力分量补偿量对控制量进行修正，得到修正后的控制量，包括：

步骤S402，获取重力分量补偿量：

u_c＝k_g gsin θ

其中，u_c表示重力分量补偿量，k_g表示参数，具体的，表示可调参数值，范围0<k_g<1，g表示重力加速度，θ表示坡度值；

步骤S404，根据重力分量补偿量，对控制量进行修正，得到修正后的控制量：

基于P>h，车辆处于上坡：

y＝u+u_c

基于P<-h，车辆处于下坡：

y＝u-u_c

基于-h<P<h，车辆处于过渡路面：

y＝u

其中，P表示车辆俯仰角，u_c表示重力分量补偿量，u表示控制量，包括油门控制量或制动控制量，y表示修正后的控制量，包括修正后的油门控制量或修正后的制动控制量。

本实施例引入车辆姿态信息对油门控制量或制动控制量进行修正，提升自动驾驶车辆对坡道环境的适应能力。

实施例8：

如图5所示，本实施例提供了一种自动驾驶车辆100，包括：自动驾驶车辆本体110和纵向控制装置120，其中，纵向控制装置120采用如权利要求1至7中任一项的自动驾驶车辆纵向控制方法控制自动驾驶车辆本体110。

实施例9：

如图6所示，本实施例提供了一种纵向控制装置120，包括存储器122，存储有计算机程序；处理器124，执行计算机程序；其中，处理器124在执行计算机程序时，实现如本发明任一实施例的自动驾驶车辆纵向控制方法的步骤。

实施例10：

本实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被执行时，实现上述任一实施例的自动驾驶车辆纵向控制方法的步骤。

具体实施例

原理如图7所示，本实施例提供了一种自动驾驶车辆纵向控制方法，流程如图8所示，包括以下步骤：

步骤S502，建立车辆纵向力学模型：

其中，F表示纵向驱动力或纵向制动力，g表示重力加速度，v表示车辆速度，m表示车辆质量，θ表示坡度值，k表示参数，u表示控制量，包括油门控制量或制动控制量，

表示对v进行求导，

表示对F进行求导。

步骤S504，确定纵向控制量为速度偏差：

E＝v_des-v

其中，v_des表示规划车速度，v表示当前车速，E表示速度偏差。

步骤S506，设计滑模面：

根据纵向控制速度偏差收敛为0的控制目标设计滑模面s：

其中，s表示滑模面，E表示速度偏差，k₁表示滑模面增益，

表示对E进行求导。

步骤S508，选择趋近率：

为了使滑模控制快速收敛至S＝0，即到达滑动模态，选择如下幂次趋近率：

其中，k₂表示滑膜切换增益。

步骤S510，系统稳定性判定：

根据李雅普诺夫稳定性条件判定，s最终会稳定滑模面。

其中，s表示滑模面，V表示稳定性判据。

步骤S512，对输出的控制量进行数字低通滤波：

Y_n＝qX_n-1+(1-q)Y_n-1

其中，Y_n为第n次采样时滤波输出，q为常数，0<q<1，Y_n-1为第n-1次采样时滤波输出，X_n-1为第n-1次采样时滤波器输入。

步骤S514，进行制动控制器和油门控制器设计。

参照步骤S502至步骤S512，分别进行制动控制器和油门控制器设计。

步骤S516，建立离线标定表：

离线标定车辆在不同速度条件下，(油门)加速度或(制动)减速度和滑模面增益k₁的关系，以p m/s为标定表速度梯度，以q m/s²为加速度梯度，建立与滑模面增益k₁的对应关系表，p表示标定表速度梯度值，q表示标定表加速度梯度值。

步骤S518，选取滑膜控制器；

如图9所示，纵向控制器选择选取滑膜控制器，纵向控制过程中，首先根据规划加速度a_des和当前加速度a的偏差量，以及当前车辆俯仰角P选择油门控制器或制动控制器。

如果P>h车辆处于上坡：

-c＜a_des-a，则选择油门控制器；

a_des-a＜-c，则选择制动控制器

如果P<-h车辆处于下坡：

a_des-a＞c₁，则选择油门控制器

a_des-a＜c₁，则选择制动控制器

如果-h<P<h车辆处于过渡路面：

-c₂＜a_des-a，则选择油门控制器；

a_des-a＜-c₂，则选择制动控制器；

其中：P表示车辆俯仰角，h表示判定边界值，具体为可调的判定边界值，需要调试确定最好的取值，范围约为0度<h<30度，a_des表示规划加速度，a表示当前加速度，c，c₁，c₂表示加速度阈值，c，c₁，c₂为可调整的区间。

步骤S520，获取动态滑模面增益；

根据步骤S516获取的离线标定表，获取动态滑模面增益：

查询规划加速度a_des在标定表中所处的加速度区间a₁～a₂，当前车速v所处的速度区间v₁～v₂，通过区间值二维查询可获取滑模面增益4个边界值k₁₁，k₁₂，k₂₁，k₂₂，通过插值确定当前增益k。

其中，a_des表示规划加速度，a₁、a₂表示离线标定表中a_des所处加速度区间的端点值，v表示当前车速，v₁、v₂表示离线标定表中v所处速度区间的端点值，k₁₁、k₁₂、k₂₁、k₂₂表示通过区间值二维查询获取的滑模面增益四个边界值，k表示当前滑模面增益，k_a1、k_a2表示中间参数。

步骤S522，获取控制量；

将步骤S520确定的滑模面增益k代入步骤S518选取的滑模控制器的k₁中，通过控制器计算出控制量u。

步骤S524，获取补偿后的控制量；

根据当前车辆俯仰角P，进行重力加速度补偿，计算重力分量补偿量u_c，u_c与u融合输出最终油门控制量或制动控制量y给车辆执行。

u_c＝k_g gsin θ

其中，k_g表示参数，具体为可调参数值，范围0<k_g<1。

如果P>h车辆处于上坡：

y＝u+u_c

如果P<-h车辆处于下坡：

y＝u-u_c

如果-h<P<h车辆处于过渡路面：

y＝u

根据俯仰角区间采取不同的补偿策略，避免路面波动对补偿量的影响，根据俯仰角分别计算上坡时由重力加速度引起的阻力分量和下坡时重力加速度引起的加速分量，与当前采用的控制器输出的控制量进行线性融合，输出最终的油门控制量或制动控制量给车辆执行。

如图10所示，使用PID位置闭环和PID速度闭环控制实现对车辆的控制，该方法的PID参数调整复杂，对车辆负载变化适应能力相对较差，没有对上下坡重力分量进行修正。

综上，本发明实施例的有益效果为：

1.本实施例能够实现自动驾驶车辆纵向滑模动态控制，提高自动驾驶车辆在不同负载情况下的适应能力。

2.通过重力分量补偿量对控制量进行补偿，对提高自动驾驶车辆坡道环境变化时纵向控制的鲁棒性，滑模控制下提高对规划加速度的跟踪控制能力。

在本发明中，术语“第一”、“第二”、“第三”仅用于描述的目的，而不能理解为指示或暗示相对重要性；术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“相连”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；“相连”可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明的限制。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动驾驶车辆纵向控制方法，其特征在于，包括：

获取车辆参数；

根据所述车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，所述目标控制器为油门控制器或制动控制器其中之一；

获取动态滑模面增益；

根据所述动态滑模面增益，所述车辆参数，通过所述目标控制器，获取控制量；

获取重力分量补偿量，根据所述重力分量补偿量对所述控制量进行修正，得到修正后的控制量，通过修正后的控制量控制自动驾驶车辆。

2.根据权利要求1所述的自动驾驶车辆纵向控制方法，其特征在于，所述获取车辆参数，包括：

获取自动驾驶车辆的车体质量，纵向驱动力或纵向制动力，车辆速度，车辆俯仰角，规划加速度和当前加速度。

3.根据权利要求2所述的自动驾驶车辆纵向控制方法，其特征在于，执行所述获取车辆参数之前，还包括：

构建滑膜控制器，包括：

建立车辆纵向力学模型：

其中，F表示纵向驱动力或纵向制动力，g表示重力加速度，v表示车辆速度，m表示车辆质量，θ表示坡度值，k表示参数，u表示控制量，包括油门控制量或制动控制量，

表示对v进行求导，

表示对F进行求导；

确定速度偏差为纵向控制量：

E＝v_des-v

其中，v_des表示规划车速，v表示当前车速，E表示速度偏差；

设计滑模面：

其中，s表示滑模面，E表示速度偏差，k₁表示滑模面增益，

表示对E进行求导；

设置趋近率，获取控制量：

其中，k₂表示滑膜切换增益；

判定稳定性：

其中，s表示滑模面，V表示稳定性判据；

对控制量进行数字低通滤波：

Y_n＝qX_n-1+(1-q)Y_n-1

其中，Y_n为第n次采样时滤波输出，q为常数，Y_n-1为第n-1次采样时滤波输出，X_n-1为第n-1次采样时滤波器输入；

通过所述滑膜控制器，获取所述油门控制器和所述制动控制器，包括：

根据车辆实际运行状态，对所述滑膜控制器进行调试，通过调整k₂的取值，使得滑膜控制器满足稳定状态时间以及抖振要求，分别获取所述油门控制器和所述制动控制器。

4.根据权利要求3所述的自动驾驶车辆纵向控制方法，其特征在于，执行所述获取车辆参数之前，还包括：

以第一速度间隔为标定表速度阶梯，以第一加速度间隔为标定表加速度阶梯，建立速度、加速度和滑膜面增益的离线标定表。

5.根据权利要求4所述的自动驾驶车辆纵向控制方法，其特征在于，所述根据所述车辆参数，确定车辆状态，根据车辆状态，选取目标控制器，所述目标控制器为油门控制器或制动控制器其中之一，包括：

基于P＞h，车辆处于上坡：

当-c＜a_des-a，选取油门控制器；

当a_des-a＜-c，选取制动控制器；

基于P＜-h，车辆处于下坡：

当a_des-a＞c₁，选取择油门控制器；

当a_des-a＜c₁，选取制动控制器；

基于-h＜P＜h，车辆处于过渡路面：

当-c₂＜a_des-a，选取油门控制器；

当a_des-a＜-c₂，选取制动控制器；

其中：P表示车辆俯仰角，h表示判定边界值，a_des表示规划加速度，a表示当前加速度，c，c₁，c₂表示加速度阈值。

6.根据权利要求5所述的自动驾驶车辆纵向控制方法，其特征在于，所述获取动态滑模面增益，包括：

获取所述规划加速度在所述离线标定表中所处的加速度区间；

获取所述当前车速在所述离线标定表中所处的速度区间；

通过区间值二维查询，获取滑模面增益四个边界值，通过插值确定当前滑模面增益：

其中，a_des表示规划加速度，a₁、a₂表示离线标定表中a_des所处加速度区间的端点值，v表示当前车速，v₁、v₂表示离线标定表中v所处速度区间的端点值，k₁₁、k₁₂、k₂₁、k₂₂表示通过区间值二维查询获取的滑模面增益四个边界值，k表示当前滑模面增益，k_a1、k_a2表示中间参数。

7.根据权利要求6所述的自动驾驶车辆纵向控制方法，其特征在于，所述获取重力分量补偿量，根据所述重力分量补偿量对所述控制量进行修正，得到修正后的控制量，包括：

获取重力分量补偿量：

u_c＝k_ggsinθ

其中，u_c表示重力分量补偿量，k_g表示参数，g表示重力加速度，θ表示坡度值；

根据所述重力分量补偿量，对控制量进行修正，得到修正后的控制量：

基于P＞h，车辆处于上坡：

y＝u+u_c

基于P＜-h，车辆处于下坡：

y＝u-u_c

基于-h＜P＜h，车辆处于过渡路面：

y＝u

其中，P表示车辆俯仰角，u_c表示重力分量补偿量，u表示控制量，y表示修正后的控制量。

8.一种自动驾驶车辆(100)，其特征在于，包括：

自动驾驶车辆本体(110)；

纵向控制装置(120)；

其中，所述纵向控制装置(120)采用如权利要求1至7中任一项所述的自动驾驶车辆纵向控制方法，控制所述自动驾驶车辆本体(110)。

9.一种纵向控制装置(120)，其特征在于，包括：

存储器(122)，存储有计算机程序；

处理器(124)，执行所述计算机程序；

其中，所述处理器(124)在执行所述计算机程序时，实现如权利要求1至7中任一项所述的自动驾驶车辆纵向控制方法的步骤。

10.一种计算机可读存储介质，其特征在于，包括：

所述计算机可读存储介质存储有计算机程序，所述计算机程序被执行时，实现如权利要求1至7中任一项所述的自动驾驶车辆纵向控制方法的步骤。

Images