CN111845738B - 基于双模型复合的车辆路径跟踪控制方法 - Google Patents

Abstract

本发明公开智能汽车控制领域中的一种基于双模型复合的车辆路径跟踪控制方法，利用环境感知模块实时采集信息，规划出一条无障碍的参考路径，将车辆在这条参考路径上的参考位置信息、参考横摆角、参考转向角传递给决策模块，转角权值选择模块根据车速计算出转角权值ω₁、ω₂，决策模块根据车辆运动学模型计算出车辆前轮转角δ_k，根据车辆动力学模型计算出车辆前轮转角δ_y，计算模块根据转角权值ω₁、ω₂和车辆前轮转角δ_k、δ_y计算出执行机构应该输出的综合前轮转角δ，得到控制量，本发明能够兼顾车辆在低速、中速与高速工况下路径跟踪性能，实现智能车辆的自主转向控制。

Description

基于双模型复合的车辆路径跟踪控制方法

技术领域

本发明属于智能汽车控制领域，特别涉及了一种基于车辆运动学模型和车辆动力学模型的双模型复合的智能车辆路径跟踪控制方法。

背景技术

智能汽车传统的跟踪控制方法主要有鲁棒控制、预瞄控制和滑模控制方法等，这些方法难以考虑环境和汽车自身的约束条件。模型预测控制在处理不易建立数学模型且存在约束的被控系统时具有其独特的优势，因此，目前开始将模型预测控制应用到汽车控制领域。

从智能汽车横向控制的准确性、稳定性等角度出发，不同工况应具有不同的侧重点，从而使整体综合性能达到最优。例如，在低速情况下，车辆的运动学特性较为突出，更加注重车辆路径跟踪的准确性，而在高速情况下，车辆的动力学特性对其自身的运行状态影响较大，更加注重车辆路径跟踪的稳定性。

中国专利公开号为CN109795502A的文献中提出了一种智能电动汽车路径跟踪模型预测控制方法，此方法采用的路径跟踪控制模型是一个考虑车辆运动学和动力学的系统模型，同时在进行控制策略推导的过程中，考虑了车辆的跟踪性能、车辆安全性、整车性能、驾驶舒适性、节约控制能量等，提高了整车的动力学性能，该方法很好的兼顾了车辆路径跟踪过程中的诸多因素，但其存在的问题是：对车辆运动学与动力学模型应用时，并未考虑到速度变化时对模型的影响。

发明内容

针对上述现有技术存在的问题，本发明提出了一种基于双模型复合的车辆路径跟踪控制方法，考虑到速度变化的影响，使得智能车辆在不同车速下都具备较好的路径跟踪能力，提升车辆路径跟踪性能。

本发明所述的基于双模型复合的车辆路径跟踪控制方法采用的技术方案是：是包括以下步骤：

步骤1)：利用环境感知模块实时采集车辆前方道路信息、车辆位置(X,Y)、车速v、横摆角

横摆角速度ω及车辆相对于车辆坐标系的纵向、横向速度

前方道路信息及车辆位置(X,Y)传递给路径规划模块，车速v传递给转角权值选择模块，车速v、车辆位置(X,Y)、横摆角

及横摆角速度ω及纵向、横向速度

传递给决策模块；

步骤2)：路径规划模块规划出一条无障碍的参考路径，将车辆在这条参考路径上的参考位置信息(x_r,y_r)、参考横摆角

参考转向角δ_r传递给决策模块；转角权值选择模块根据车速v计算出转角权值ω₁、ω₂并发送给计算模块；

步骤3)：决策模块根据车辆运动学模型计算出车辆前轮转角δ_k，根据车辆动力学模型计算出车辆前轮转角δ_y，将两个车辆前轮转角δ_k、δ_y发送给计算模块；

步骤4)：计算模块根据转角权值ω₁、ω₂和车辆前轮转角δ_k、δ_y计算出综合前轮转角δ，并发送至执行模块，实现智能车辆的自主转向控制。

本发明具有的有益效果是：

在车辆路径跟踪时，本发明将车辆运动学模型和动力学模型分别作为预测模型求解前轮转角，根据行驶速度，先采用车辆运动学模型和动力学模型作为预测模型求解前轮转角，再根据车辆的实时速度计算分配两转角的权重值，分别确定两种车辆预测模型求解的两转角对应的权值，继而将两车轮转角加权，计算出执行机构应该输出的前轮转角，得到控制量，这种方法能够兼顾车辆在低速、中速与高速工况下路径跟踪性能。

附图说明

以下结合附图和具体实施方式对本发明作进一步详细描述：

图1为基于双模型复合的车辆路径跟踪控制系统的结构图；

图2为本发明基于双模型复合的车辆路径跟踪控制方法的工作流程图；

图3为车辆路径跟踪控制时转角权重值选择流程图；

图4为车速位于[v_min，v_max)时，车速v和转角权值ω₁的关系图；

图5为车辆运动学模型；

图6为车辆动力学模型。

具体实施方式

本发明采用图1所示的控制系统，该控制系统由环境感知模块、路径规划模块、转角权值选择模块、决策模块、计算模块及执行模块组成。

所述环境感知模块实时采集智能车辆的前方道路信息、车辆实际位置(X,Y)、车速v、车辆横摆角

及横摆角速度ω、车辆相对于车辆坐标系的纵向速度

与横向速度

等信息，将前方道路信息及车辆实际位置信息(X,Y)传递给路径规划模块，同时将车速v传递给转角权值选择模块，将车速v、车辆实际位置(X,Y)、横摆角

及横摆角速度ω、车辆相对于车辆坐标系的纵向速度

与横向速度

传递给决策模块；

所述路径规划模块根据环境感知模块所传递的数据，基于MPC的轨迹规划器规划出一条无障碍的参考路径，之后将车辆在这条参考路径上的参考位置信息(x_r,y_r)、参考横摆角

参考转向角δ_r传递给决策模块；

所述转角权值选择模块根据车速v计算出转角权值ω₁、ω₂。其中转角权值ω₁、ω₂的计算流程如图3所示，ω₁和v的关系如图4所示，转角权值与车辆速度呈线性递减关系。具体求解如下：

①当车速v≥v_max时，最大速度v_max在50～55km/h取一值，将转角权值ω₁取为0，将转角权值ω₂取为1；

②当车速v<v_min时，最小速度v_min在8～15km/h取一值，将转角权值ω₁取为1，将转角权值ω₂取为0；

③当车速v为：v_min≤v<v_max时，转角权值ω₁＝c·v+d，c、d均为常数，c＝-0.028～-0.022，d＝1.22～1.28，转角权值ω₂＝1-ω₁。之后，转角权值选择模块将计算出的转角权值ω₁、ω₂发送给计算模块。

所述决策模块接收来自环境感知模块以及路径规划模块的信息后，将车辆运动学模型和车辆动力学模型分别作为预测模型，基于模型预测控制理论分别求解出车辆跟踪参考路径所需要的前轮转角δ_k、δ_y，将其发送给计算模块。具体建模及计算过程如下：

车辆的运动学模型如图5所示：

运用几何学原理建立如下车辆运动学方程：

其中，(X,Y)表示车辆在绝对坐标系下的横、纵向实际位置，

表示车辆的横摆角，δ_f表示车辆的前轮转角，a、b分别为质心到前、后轴的距离。

对车辆运动学方程用如下状态空间方程表示：

在该系统中，控制量选取为u＝[δ_f]，状态量选取为

对于给定的参考路径，可以由参考车辆的运动路径描述，其上的每一个点都满足上述运动学方程，用r代表参考量，一般形式为：

式中，

u_r＝[δ_r]。

将车辆运动学状态空间方程在参考路径点(X_r,u_r)处采用泰勒展开并忽略二阶及以上的项，得到：

将上式与参考路径的一般形式做差，得到：

该模型为线性化得无人驾驶车辆误差模型，对其进行离散化处理：

式中，

T为采样时间

进一步设定为：

其中：

系统的预测步长为N_p，控制步长为N_c，得到预测时域内系统的状态量和输出量如下：

可以得到在k时刻时，未来从k+1时刻到k+N_p时刻的预测输出矩阵为：

Y(t)＝ψξ(k|t)+ΘΔU(t)，

其中：

根据预测的输出和给定的参考输出构造优化目标函数：

其中，η_r为给定的参考输出，Q,R,分别表示输出误差的权重矩阵、控制增量的权重矩阵，N_p为预测步长，N_c为控制步长，ρ为权重系数，ε为松弛因子。

求解上述优化目标函数，得到控制步长内的最优控制输入增量序列：ΔU(t)＝[Δu(k|t),Δu(k+1|t),…,Δu(k+N_c|t)]^T根据模型预测控制的基本原理，将该序列中的第一个元素Δu(k|t)作为k-1时刻到k时刻的控制增量作用于系统，即k-1时刻到k时刻的控制量为：δ_k＝u(k|t)＝u(k-1|t)+Δu(k|t)。将得到的车辆前轮转角δ_k输入到计算模块。u(k|t)为k|t时刻的控制量，u(k-1|t)为(k-1)|t时刻的控制量，t是属于连续的时间，k是离散后的时间。

车辆的动力学模型如图6所示：

根据牛顿第二定律得到基于前轮偏角较小和线性轮胎模型假设后的车辆动力学非线性方程如下：

其中：m为车辆整备质量，

分别为车辆相对于车辆坐标系的纵向速度与横向速度，I_Z为车辆绕z轴的转动惯量，

分别为车辆在绝对坐标系的纵向速度与横向速度，C_lf、C_lr分别为车辆前、后轴的纵向侧偏刚度，C_cf、C_cr分别为车辆前、后轴的横向侧偏刚度，s_f、s_r分别为前后车轮的纵向滑移率。

对车辆动力学方程用如下状态空间方程表示：

在该系统中，控制量选取为z＝[δ_f]，状态量选取为

将上述状态方程进行线性化，得到如下的线性时变方程：

式中，

其中，

为提高计算效率，将上式离散化得：

ζ(k+1)＝D_kζ(k)+E_kz(k)，

式中，D_k＝I+TD(t)，E_k＝TE(t)，

进一步设定Γ(k|t)＝[ζ(k|t)z(k-1|t)]^T，则可以整理得到：

式中，

n为状态量维度，m为控制量维度。

系统的预测步长为N_p，控制步长为N_c，得到预测时域内系统的状态量和输出量如下：

可以得到在k时刻时，未来从k+1时刻到k+N_p时刻的预测输出矩阵为：

N(t)＝χΓ(k|t)+KΔZ(t)，

其中：

根据预测的输出和给定的参考输出构造优化目标函数：

其中，

为给定的参考输出，G,H分别表示输出误差的权重矩阵、控制增量的权重矩阵和控制量的权重矩阵，μ为权重系数，τ为松弛因子。

求解上述优化目标函数，得到控制步长内的最优控制输入增量序列：ΔZ(t)＝[Δz(k|t),Δz(k+1|t),…,Δz(k+N_c|t)]^T，根据模型预测控制的基本原理，将该序列中的第一个元素Δz(k|t)作为k-1时刻到k时刻的控制增量作用于系统，即k-1时刻到k时刻控制量为：δ_y＝z(k|t)＝z(k-1|t)+Δz(k|t)，z(k|t)为k|t时刻控制量，z(k-1|t)为(k-1)|t时刻的控制量，到的车辆前轮转角δ_y输入到计算模块。

所述的计算模块根据接收到的车辆前轮转角权值ω₁、ω₂及车辆跟踪所需要的前轮转角δ_k、δ_y计算得到综合前轮转角δ，计算公式如下：

δ＝ω₁·δ_k+ω₂·δ_y

计算模块将计算得到的综合前轮转角δ发送至执行模块。

所述的执行模块根据计算模块输出的综合前轮转角δ，驱动操纵执行机构，实现智能汽车的自主转向控制。

如图2所示，图2为基于双模型复合的车辆路径跟踪控制系统的工作流程图，具体步骤如下：

步骤1：利用环境感知模块实时采集车辆前方道路信息、车辆位置(X,Y)、车速v、横摆角

及横摆角速度ω及车辆相对于车辆坐标系的纵向速度与横向速度

等信息，将前方道路信息及车辆位置信息(X,Y)传递给路径规划模块，同时将车速v传递给转角权值选择模块，将车速v、车辆位置(X,Y)、横摆角

及横摆角速度ω及车辆相对于车辆坐标系的纵向速度与横向速度

等信息传递给决策模块。

步骤2：路径规划模块根据环境感知模块所传递的信息，基于MPC的轨迹规划器规划出一条无障碍的参考路径，之后将车辆在这条参考路径上的参考位置信息及参考横摆角，参考转向角等传递给决策模块；同时，转角权值选择模块根据环境感知模块传递的车辆速度信息v，计算出权值ω₁、ω₂，并将其发送给计算模块。

步骤3：决策模块将车辆运动学模型作为预测模型，运用基于模型预测控制的车辆路径跟踪控制算法，计算出车辆转向的前轮转角δ_k。同时将车辆动力学模型作为预测模型，同样运用模型预测控制算法求解出车辆跟踪参考路径所需要的前轮转角δ_y。将两个求解后的前轮转角δ_k、δ_y发送给计算模块。

步骤4：计算模块根据从转角权值选择模块接收到的前轮转角权值ω₁、ω₂，从决策模块接收到的车辆前轮转角δ_k、δ_y计算出应该输出到执行模块的综合前轮转角δ，后发送至执行模块，计算公式如下：

δ＝ω₁·δ_k+ω₂·δ_y

步骤5：执行模块根据决策模块输出的综合前轮转角值δ，驱动操纵执行机构，实现智能车辆的自主转向控制。

Claims (4)

1.一种基于双模型复合的车辆路径跟踪控制方法，其特征是包括以下步骤：

步骤1)：利用环境感知模块实时采集车辆前方道路信息、车辆位置(X，Y)、车速v、横摆角

横摆角速度ω及车辆相对于车辆坐标系的纵向、横向速度

前方道路信息及车辆位置(X，Y)传递给路径规划模块，车速v传递给转角权值选择模块，车速v、车辆位置(X，Y)、横摆角

及横摆角速度ω及纵向、横向速度

传递给决策模块；

步骤2)：路径规划模块规划出一条无障碍的参考路径，将车辆在这条参考路径上的参考位置信息(x_r，y_r)、参考横摆角

参考转向角δ_r传递给决策模块；转角权值选择模块根据车速v计算出转角权值ω₁、ω₂并发送给计算模块；当车速v≥v_max时，v_max是最大速度，转角权值ω₁为0，转角权值ω₂取为1；当车速v＜v_min时，v_min是最小速度v_min，转角权值ω₁为1，转角权值ω₂为0；当车速v为：v_min≤v＜v_max时，转角权值ω₁＝c·v+d，c、d均为常数，c＝-0.028～-0.022，d＝1.22～1.28，ω₂＝1-ω₁；

步骤3)：决策模块根据车辆运动学模型计算出车辆前轮转角δ_k，根据车辆动力学模型计算出车辆前轮转角δ_y，将两个车辆前轮转角δ_k、δ_y发送给计算模块；

步骤4)：计算模块根据转角权值ω₁、ω₂和车辆前轮转角δ_k、δ_y计算出综合前轮转角δ，并发送至执行模块，实现智能车辆的自主转向控制，所述的综合前轮转角δ＝ω₁·δ_k+ω₂·δ_y。

2.根据权利要求1所述的基于双模型复合的车辆路径跟踪控制方法，其特征是：步骤3)中，车辆前轮转角δ_k＝u(k|t)＝u(k-1|t)+Δu(k|t)，Δu(k|t)为k-1时刻到k时刻的车辆运动学模型中的控制增量，u(k-1|t)为(k-1)|t时刻的控制量，t是连续的时间，k是离散化后的时间。

3.根据权利要求1所述的基于双模型复合的车辆路径跟踪控制方法，其特征是：步骤3)中，车辆前轮转角δ_y＝z(k-1|t)+Δz(k|t)，Δz(k|t)为k-1时刻到k时刻的车辆动力学模型中的控制增量，2(k-1|t)为(k-1)|t时刻的控制量。

4.根据权利要求1所述的基于双模型复合的车辆路径跟踪控制方法，其特征是：所述的最大速度v_max为50～55km/h，所述的最小速度v_min为8～15km/h。

Images