CN112026763B - 一种汽车轨迹跟踪控制方法 - Google Patents

Abstract

本发明公开了一种汽车轨迹跟踪控制方法，步骤如下：1）基于神经网络对驾驶员模型进行辨识：2）建立三自由度汽车模型；3）根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪。本发明通过驾驶员模型辨识，根据参考路径及汽车当前状态预测驾驶员转向行为，使得人‑车闭环系统在符合驾驶员驾驶习惯的前提下以定制的方式对参考路径进行跟踪，避免驾驶辅助系统的统一化控制驾驶员带来操纵干扰，利用针对性的驾驶辅助减轻驾驶员驾驶负担，提高驾驶员对理想轨迹的跟踪效果。

Description

一种汽车轨迹跟踪控制方法

技术领域

本发明属于汽车辅助驾驶系统技术领域，具体指代一种汽车轨迹跟踪控制方法。

背景技术

驾驶员是汽车驾驶环节的决定性因素，随着各类驾驶辅助系统的开发，使系统能够与真实驾驶员合理兼容并被驾驶员广泛接受是驾驶辅助系统的关键性问题。不同驾驶员由于驾驶经验、驾驶习惯等因素的差别，会表现出不同的行为特性。只有根据驾驶员的行为特性，设计符合驾驶员驾驶习惯的驾驶辅助系统，才能在不干涉驾驶员正常操作的前提下，对驾驶员提供合理有效的帮助。在设计驾驶辅助系统时，应该针对不同的驾驶员提供其所需要的帮助。传统的驾驶辅助模式采用统一化的模式进行辅助，有时并不符合当前驾驶员的驾驶习惯，因此，针对不同的驾驶员，识别其操作特性，进而针对性的进行驾驶辅助，减轻驾驶员的工作负担，保持人-车系统的稳定性，提高闭环系统的整体性能，是一个值得研究的问题。

在汽车的行驶过程中，驾驶员会根据车辆的状态作出相应的判断，反映到具体行为上，即为驾驶员对车辆的操纵。不同的驾驶员的驾驶行为具有差异性，针对同一驾驶状况反应各不相同，本发明在采集驾驶员日常数据的基础上，采用神经网络算法对驾驶员模型进行辨识，根据摄像头采集道路标记信号确定参考路径，预测驾驶员参考转向盘转角。根据预测的驾驶员参考转向盘转角、参考路径、以及当前车辆相关状态，以定制的方式对驾驶员进行个性化驾驶辅助，保证人-车系统的稳定性的同时完成对参考路径的跟踪。在车辆高速化、驾驶人员非职业化、车流密集化的今天，针对更多不同水平的驾驶人群，汽车的易操纵性设计变得极为重要。个性化智能辅助驾驶系统的发展正是迎合了这种客观需求，具有良好的实际应用价值。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种汽车轨迹跟踪控制方法，以解决现有技术中驾驶辅助系统模式单一化、无法根据特定驾驶员进行个性化辅助、增加驾驶员负担的问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种汽车轨迹跟踪控制方法，步骤如下：

1)基于神经网络对驾驶员模型进行辨识：

2)建立三自由度汽车模型；

3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪。

进一步地，所述步骤1)具体包括：

建立驾驶员模型为：

其中，θ_sw为驾驶员转向盘转角；

是θ_sw的一阶导数；τ_p是驾驶员预瞄时间；G_h为转向比例增益；τ_d2为驾驶员反应延迟的时间常数；Y_d为参考期望路径的侧向位移；

是Y_d的一阶导数；Y为当前时刻车辆质心处的侧向位移；v_x为当前车速；φ为汽车航向角；

在转向过程中，假设车速为定值，对上式(1)作积分处理，则：

当t₁＝0且侧向位移及方向盘转角的初始值为零时，上式(2)化简为：

θ_sw＝N₁X₁+N₂X₂+N₃X₃+N₄X₄+N₅X₅ (3)

式中，N_i，X_i(i＝1,2,3,4,5)分别为线性神经网络的权值因子和单个神经元输入，具体为：

根据式(3)设计线性神经网络对驾驶员参数进行辨识；在线性神经网络模型中，其传递函数为线性函数，神经元的输出f_os为：

设网络的期望输出为

神经网络的实际输出为θ_sw＝X^TN，X为神经元对应的输入向量，N为神经元对应的权值向量，X＝(X₁,X₂,X₃,X₄,X₅)，N＝(N₁,N₂,N₃,N₄,N₅)，B_os为网络的输出偏置；网络的输出均方差E定义为：

采用LMS学习算法基于负梯度下降的原则来减少网络的训练误差；选择负梯度下降作为神经网络的准则，求取误差函数对权值的偏导：

误差函数对权值的偏导表示此次迭代当前位置的梯度，权值向量的变化量ΔN即为梯度函数的负数：

式中，η为学习速率，其大小由输入向量决定；

权值向量的N的迭代表示为：

n为迭代次数；权值矩阵的初始值由电机参数标准值按照式(3)中各权值因子的定义确定；

同理，对于神经网络误差对网络偏置的偏导，表示为：

设定偏置的初始值为零，则偏置的迭代表示为：

通过在驾驶过程中采集的已知侧向位移，车速，航向角及转向盘转角数据的条件下，通过反复迭代，即可求得符合精度的最优权值向量N；根据向量的定义，得到需要辨识的驾驶员参数；通过辨识得到的驾驶员参数及对应的驾驶员模型，以及当前的参考路径、车速，航向角及转向盘转角即可预测下一时刻驾驶员的转向盘转角

进一步地，所述步骤2)具体包括：建立三自由度汽车模型，以设计人-车闭环系统个性化轨迹跟踪控制器，所述三自由度汽车模型如下：

式中，v_x、v_y和γ分别为纵向车速、侧向车速以及横摆角速度；m为整车总质量；I_z为绕Z轴的转动惯量；a为前轮轴距；b为后轮轴距；c为半轴距；k₁，k₂分别为前、后轮侧偏刚度；ΔT为四轮差动力矩；R_w为车轮转动半径，G_p为转向传动比；d₁为车轮滚动纵向扰动；d₂为车轮滚动横向扰动；具体为：

ΔT＝-T_fl+T_fr-T_rl+T_rr；

式中，T_fl，T_fr，T_rl，T_rr分别为左前，右前，左后，右后车轮的驱动力矩。

进一步地，所述的步骤3)具体为：

设计双闭环滑模控制器完成对理想轨迹的跟踪控制，控制器有两部分，分为外环控制器和内环控制器。选择虚拟的中间控制变量理想航向角φ_c，外环滑模面的采用积分滑模面，定义如下：

其中，θ_swe＝θ_swd-θ_sw，且θ_swd为参考方向盘转角；K₃为积分增益，且K₃＞0，通过选择合适的K₃，使得跟踪误差保持在滑模面附近直至收敛于0；

滑模函数的导数推导为：

代入驾驶员模型及上式(7)，则上式(7)推导为：

外环控制系统的李雅普诺夫方程定义为：

其导数为：

设计中间控制变量理想航向角φ_c为：

其中，ρ₂＞0，由此得，

由上式得到，当有界的内环跟踪误差φ_e，收敛到0，于是：

此处，选择K₁>>K₃，并且选择一个足够大的ρ₂快速消除φ_e，如此，确保内环的收敛速度足够快，同时保证

设计内环控制器跟踪理想航向角φ_c，跟踪误差为φ_e＝φ_c-φ，内环滑模面定义如下：

其中，K₁＞0为增益；

考虑如下李雅普诺夫函数：

其导数为

其中，

设计基于指数趋近律的内环控制器为：

其中，ρ₂>0；K₁>0；

则滑模面的导数中为：

则，

选择ρ₁，使得ρ₁＞max|d₂|，则保证：

则，

即：

对于K₂＞0，V₁指数趋近于0，于是φ_e逐渐收敛到0；采用双曲正切函数tanh(S/σ)代替切换函数sgn(S₁)，避免在实际应用中系统的抖振现象；σ为双曲正切函数的边界层厚度；

则所设计的横摆力矩控制器即四轮的差动力矩表示为：

将差动力矩平均分配到四个车轮，即左前方和左后方车轮力矩减少ΔT/4，后前方和右后方车轮增加ΔT/4，即完成所述汽车轨迹跟踪控制方法。

本发明的有益效果：

本发明通过驾驶员模型辨识，根据参考路径及汽车当前状态预测驾驶员转向行为，使得人-车闭环系统在符合驾驶员驾驶习惯的前提下以定制的方式对参考路径进行跟踪，避免驾驶辅助系统的统一化控制驾驶员带来操纵干扰，利用针对性的驾驶辅助减轻驾驶员驾驶负担，提高驾驶员对理想轨迹的跟踪效果。

附图说明

图1绘示本发明控制方法的原理图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种汽车轨迹跟踪控制方法，步骤如下：

1)基于神经网络对驾驶员模型进行辨识：

建立驾驶员模型为：

其中，θ_sw为驾驶员转向盘转角；

是θ_sw的一阶导数；τ_p是驾驶员预瞄时间；G_h为转向比例增益；τ_d2为驾驶员反应延迟的时间常数；Y_d为参考期望路径的侧向位移；

是Y_d的一阶导数；Y为当前时刻车辆质心处的侧向位移；v_x为当前车速；φ为汽车航向角；

在转向过程中，假设车速为定值，对上式(1)作积分处理，则：

当t₁＝0且侧向位移及方向盘转角的初始值为零时，上式(2)化简为：

θ_sw＝N₁X₁+N₂X₂+N₃X₃+N₄X₄+N₅X₅ (3)

式中，N_i，X_i(i＝1,2,3,4,5)分别为线性神经网络的权值因子和单个神经元输入，具体为：

根据式(3)设计线性神经网络对驾驶员参数进行辨识；在线性神经网络模型中，其传递函数为线性函数，神经元的输出f_os为：

设网络的期望输出为

神经网络的实际输出为θ_sw＝X^TN，X为神经元对应的输入向量，N为神经元对应的权值向量，X＝(X₁,X₂,X₃,X₄,X₅)，N＝(N₁,N₂,N₃,N₄,N₅)，B_os为网络的输出偏置；网络的输出均方差E定义为：

采用LMS学习算法基于负梯度下降的原则来减少网络的训练误差；选择负梯度下降作为神经网络的准则，求取误差函数对权值的偏导：

误差函数对权值的偏导表示此次迭代当前位置的梯度，权值向量的变化量ΔN即为梯度函数的负数：

式中，η为学习速率，其大小由输入向量决定；

权值向量的N的迭代表示为：

n为迭代次数；权值矩阵的初始值由电机参数标准值按照式(3)中各权值因子的定义确定；

同理，对于神经网络误差对网络偏置的偏导，表示为：

设定偏置的初始值为零，则偏置的迭代表示为：

通过在驾驶过程中采集的已知侧向位移，车速，航向角及转向盘转角数据的条件下，通过反复迭代，即可求得符合精度的最优权值向量N；根据向量的定义，得到需要辨识的驾驶员参数；通过辨识得到的驾驶员参数及对应的驾驶员模型，以及当前的参考路径、车速，航向角及转向盘转角即可预测下一时刻驾驶员的转向盘转角

2)建立三自由度汽车模型；

建立三自由度汽车模型，以设计人-车闭环系统个性化轨迹跟踪控制器，所述三自由度汽车模型如下：

式中，v_x、v_y和γ分别为纵向车速、侧向车速以及横摆角速度；m为整车总质量；I_z为绕Z轴的转动惯量；a为前轮轴距；b为后轮轴距；c为半轴距；k₁，k₂分别为前、后轮侧偏刚度；ΔT为四轮差动力矩；R_w为车轮转动半径，G_p为转向传动比；d₁为车轮滚动纵向扰动；d₂为车轮滚动横向扰动；具体为：

ΔT＝-T_fl+T_fr-T_rl+T_rr；

式中，T_fl，T_fr，T_rl，T_rr分别为左前，右前，左后，右后车轮的驱动力矩。

3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪；

设计双闭环滑模控制器完成对理想轨迹的跟踪控制，控制器有两部分，分为外环控制器和内环控制器。选择虚拟的中间控制变量理想航向角φ_c，外环滑模面的采用积分滑模面，定义如下：

其中，θ_swe＝θ_swd-θ_sw，且θ_swd为参考方向盘转角；K₃为积分增益，且K₃＞0，通过选择合适的K₃，使得跟踪误差保持在滑模面附近直至收敛于0；

滑模函数的导数推导为：

代入驾驶员模型及上式(7)，则上式(7)推导为：

外环控制系统的李雅普诺夫方程定义为：

其导数为：

设计中间控制变量理想航向角φ_c为：

其中，ρ₂＞0，由此得，

由上式得到，当有界的内环跟踪误差φ_e，收敛到0，于是：

此处，选择K₁>>K₃，并且选择一个足够大的ρ₂快速消除φ_e，如此，确保内环的收敛速度足够快，同时保证

设计内环控制器跟踪理想航向角φ_c，跟踪误差为φ_e＝φ_c-φ，内环滑模面定义如下：

其中，K₁＞0为增益；

考虑如下李雅普诺夫函数：

其导数为

其中，

设计基于指数趋近律的内环控制器为：

其中，ρ₂>0；K₁>0；

则滑模面的导数中为：

则，

选择ρ₁，使得ρ₁＞max|d₂|，则保证：

则，

即：

对于K₂＞0，V₁指数趋近于0，于是φ_e逐渐收敛到0；采用双曲正切函数tanh(S/σ)代替切换函数sgn(S₁)，避免在实际应用中系统的抖振现象；σ为双曲正切函数的边界层厚度；

则所设计的横摆力矩控制器即四轮的差动力矩表示为：

将差动力矩平均分配到四个车轮，即左前方和左后方车轮力矩减少ΔT/4，后前方和右后方车轮增加ΔT/4，即完成所述汽车轨迹跟踪控制方法。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种汽车轨迹跟踪控制方法，其特征在于，步骤如下：

1)基于神经网络对驾驶员模型进行辨识：

2)建立三自由度汽车模型；

3)根据上述辨识的驾驶员模型和三自由度汽车模型设计横摆力矩控制器完成汽车轨迹跟踪；

所述步骤1)具体包括：

建立驾驶员模型为：

其中，θ_sw为驾驶员转向盘转角；

是θ_sw的一阶导数；τ_p是驾驶员预瞄时间；G_h为转向比例增益；τ_d2为驾驶员反应延迟的时间常数；Y_d为参考期望路径的侧向位移；

是Y_d的一阶导数；Y为当前时刻车辆质心处的侧向位移；v_x为当前车速；φ为汽车航向角；

在转向过程中，假设车速为定值，对上式(1)作积分处理，则：

当t₁＝0且侧向位移及方向盘转角的初始值为零时，上式(2)化简为：

θ_sw＝N₁X₁+N₂X₂+N₃X₃+N₄X₄+N₅X₅ (3)

式中，N_i，X_i分别为线性神经网络的权值因子和单个神经元输入，i＝1,2,3,4,5，具体为：

根据式(3)设计线性神经网络对驾驶员参数进行辨识；在线性神经网络模型中，其传递函数为线性函数，神经元的输出f_os为：

设网络的期望输出为

神经网络的实际输出为θ_sw＝X^TN，X为神经元对应的输入向量，N为神经元对应的权值向量，X＝(X₁,X₂,X₃,X₄,X₅)，N＝(N₁,N₂,N₃,N₄,N₅)，B_os为网络的输出偏置；网络的输出均方差E定义为：

采用LMS学习算法基于负梯度下降的原则来减少网络的训练误差；选择负梯度下降作为神经网络的准则，求取误差函数对权值的偏导：

误差函数对权值的偏导表示此次迭代当前位置的梯度，权值向量的变化量ΔN即为梯度函数的负数：

式中，η为学习速率，其大小由输入向量决定；

权值向量的N的迭代表示为：

n为迭代次数；权值矩阵的初始值由电机参数标准值按照式(3)中各权值因子的定义确定；

同理，对于神经网络误差对网络偏置的偏导，表示为：

设定偏置的初始值为零，则偏置的迭代表示为：

通过在驾驶过程中采集的已知侧向位移，车速，航向角及转向盘转角数据的条件下，通过反复迭代，即可求得符合精度的最优权值向量N；根据向量的定义，得到需要辨识的驾驶员参数；通过辨识得到的驾驶员参数及对应的驾驶员模型，以及当前的参考路径、车速，航向角及转向盘转角即可预测下一时刻驾驶员的转向盘转角

2.根据权利要求1所述的汽车轨迹跟踪控制方法，其特征在于，所述步骤2)具体包括：建立三自由度汽车模型，以设计人-车闭环系统个性化轨迹跟踪控制器，所述三自由度汽车模型如下：

式中，v_x、v_y和γ分别为纵向车速、侧向车速以及横摆角速度；m为整车总质量；I_z为绕Z轴的转动惯量；a为前轮轴距；b为后轮轴距；c为半轴距；k₁，k₂分别为前、后轮侧偏刚度；ΔT为四轮差动力矩；R_w为车轮转动半径，G_p为转向传动比；d₁为车轮滚动纵向扰动；d₂为车轮滚动横向扰动；具体为：

ΔT＝-T_fl+T_fr-T_rl+T_rr

式中，T_fl，T_fr，T_rl，T_rr分别为左前，右前，左后，右后车轮的驱动力矩。

3.根据权利要求2所述的汽车轨迹跟踪控制方法，其特征在于，所述的步骤3)具体为：

设计双闭环滑模控制器完成对理想轨迹的跟踪控制，控制器有两部分，分为外环控制器和内环控制器；选择虚拟的中间控制变量理想航向角φ_c，外环滑模面的采用积分滑模面，定义如下：

其中，θ_swe＝θ_swd-θ_sw，且θ_swd为参考方向盘转角；K₃为积分增益，且K₃＞0，通过选择合适的K₃，使得跟踪误差保持在滑模面附近直至收敛于0；

滑模函数的导数推导为：

代入驾驶员模型及上式(7)，则上式(7)推导为：

外环控制系统的李雅普诺夫方程定义为：

其导数为：

设计中间控制变量理想航向角φ_c为：

其中，ρ₂＞0，由此得，

由上式得到，当有界的内环跟踪误差φ_e，收敛到0，于是：

此处，选择K₁>>K₃，并且选择一个足够大的ρ₂快速消除φ_e，如此，确保内环的收敛速度足够快，同时保证

设计内环控制器跟踪理想航向角φ_c，跟踪误差为φ_e＝φ_c-φ，内环滑模面定义如下：

其中，K₁＞0为增益；

考虑如下李雅普诺夫函数：

其导数为

其中，

设计基于指数趋近律的内环控制器为：

其中，ρ₂>0；K₁>0；

则滑模面的导数中为：

则，

选择ρ₁，使得ρ₁＞max|d₂|，则保证：

则，

即：

对于K₂＞0，V₁指数趋近于0，于是φ_e逐渐收敛到0；采用双曲正切函数tanh(S/σ)代替切换函数sgn(S₁)；σ为双曲正切函数的边界层厚度；

则所设计的横摆力矩控制器即四轮的差动力矩表示为：

将差动力矩平均分配到四个车轮，即左前方和左后方车轮力矩减少ΔT/4，后前方和右后方车轮增加ΔT/4，即完成所述汽车轨迹跟踪控制方法。

Images