CN112269385B - 云端无人车动力学控制系统和方法 - Google Patents

云端无人车动力学控制系统和方法 Download PDF

Info

Publication number
CN112269385B
CN112269385B CN202011149430.1A CN202011149430A CN112269385B CN 112269385 B CN112269385 B CN 112269385B CN 202011149430 A CN202011149430 A CN 202011149430A CN 112269385 B CN112269385 B CN 112269385B
Authority
CN
China
Prior art keywords
control module
cloud
unmanned vehicle
control
driving data
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.)
Active
Application number
CN202011149430.1A
Other languages
English (en)
Other versions
CN112269385A (zh
Inventor
倪俊
姜旭
袁昊
李远哲
马明昊
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202011149430.1A priority Critical patent/CN112269385B/zh
Publication of CN112269385A publication Critical patent/CN112269385A/zh
Application granted granted Critical
Publication of CN112269385B publication Critical patent/CN112269385B/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
    • G05D1/0011—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot associated with a remote control arrangement
    • 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
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • 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
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

本发明公开了一种云端无人车动力学控制系统和方法，能够降低无人车边缘端系统的计算压力，显著提高无人车动力学控制系统性能。本发明在云端设置云端控制模块，在无人车端设置边缘端控制模块；边缘端控制模块与云端控制模块之间通过远程通信技术连接。边缘端控制模块获取无人车的行驶数据上传到云端控制模块；云端控制模块中设有学习算法，汇集各无人车的边缘端控制模块上传的行驶数据，产生训练样本，对学习算法进行训练；利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数，将最优控制参数下传给边缘端控制模块使用；边缘端控制模块利用加载了最优控制参数的控制算法产生控制量，对无人车进行运动控制。

Description

云端无人车动力学控制系统和方法
技术领域
本发明涉及无人车与自动驾驶车辆技术领域，尤其涉及一种云端无人车动力学控制系统和方法。
背景技术
无人车是指具有完全自主行驶能力并替代人类执行多功能民用、警用、军用等特定任务的智能车辆，是未来智能交通与智慧城市建设的重要组成部分和我国新一代陆军装备发展的重要依托，在民用及军用领域都具有广泛的应用前景，对我国国民经济发展与国防安全建设具有重要战略意义。动力学控制是无人车的重要核心技术，无人车省去了人类驾驶员的控制，对动力学控制系统的综合性能提出了更高的要求，其目标是在确保车辆稳定性的前提下，保证车辆在变化的环境和车辆条件下准确、及时、高效的沿着规划轨迹行驶。
目前，无人车的动力学控制及路径跟踪系统往往通过边缘端控制器实现，即通过无人车自身的控制系统实现，存在着无法进行自适应优化、鲁棒性差、边缘端系统计算压力大等问题，严重制约了无人车性能的进一步提高。
近些年来，大数据与云控制技术的出现为各领域的发展提供了新的动能，成为进一步提升无人车动力学控制性能的重要途径。因此，发展无人车云端动力学控制技术已成为未来发展的必然趋势。
发明内容
有鉴于此，本发明提供了一种云端无人车动力学控制系统和方法，能够减轻无人车边缘端运算压力，提高无人车动力学控制系统性能。
为了解决上述技术问题，本发明是这样实现的：
一种云端无人车动力学控制方法，在云端设置云端控制模块，在无人车端设置边缘端控制模块，边缘端控制模块包括车辆控制器、行驶数据获取组件；边缘端控制模块与云端控制模块之间通信连接；
边缘端控制模块获取无人车的行驶数据上传到云端控制模块；
云端控制模块中设有学习算法，汇集各无人车的边缘端控制模块上传的行驶数据，产生训练样本，对学习算法进行训练；利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数，将最优控制参数下传给边缘端控制模块使用；
边缘端控制模块利用加载了最优控制参数的控制算法产生控制量，对无人车进行运动控制。
优选地，所述边缘端控制模块中需要进行控制参数优化的车辆控制器为横向控制器，横向控制器中的反馈控制算法为：
Figure BDA0002740722650000021
其中δFB为反馈控制算法输出的控制量，K2、K3是反馈增益，K2是云端控
制模块需要优化的控制器参数，ep为轨迹跟踪的预瞄投影误差，
Figure BDA0002740722650000022
为偏航角误差；
边缘端控制模块采集行驶数据，将行驶数据和行驶过程中横向控制器所使用的反馈增益K2上传给云端控制模块；
云端控制模块将云端收集到的行驶数据及相应的反馈增益K2组成特征集，将根据行驶数据确定的预瞄投影误差ep作为标签，所述特征集和所述标签组成训练样本对学习算法进行训练；
当需要为无人车提供最优控制参数时，云端控制模块获取无人车的行驶数据，将行驶数据依次与多个候选反馈增益K2组成多组特征集，输入学习算法获得多个预瞄投影误差ep，将最小的ep对应的反馈增益K2作为最优控制参数下传给边缘端控制模块使用。
优选地，所述特征集包括纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ和反馈增益K2。
优选地，所述当需要为无人车提供最优控制参数时，云端控制模块获取无人车的行驶数据，将行驶数据依次与多个候选反馈增益K2组成多组特征集为：
预先确定无人车稳态工况行驶下的行驶数据；
在无人车执行行驶任务之前，云端控制模块在无人车稳态工况行驶下的行驶数据范围内，为无人车所要完成的行驶任务指定行驶数据，将指定的行驶数据与预先确定的N个候选反馈增益K2进行组合，获得N个特征集；N为大于或等于2的正整数。
优选地，所述训练样本包括预先从无人车获得的训练样本；所述训练样本还包括实时的训练样本，即无人车利用最优反馈增益K2执行行驶任务，在行驶过程中将实时行驶数据和所使用的反馈增益K2打包上传至对云端控制模块，云端控制模块根据所接收的行驶数据和K2形成实时的训练样本，供云端控制模块对学习算法进行再训练和优化。
优选地，该方法进一步包括对训练样本中的预瞄投影误差ep取值，按照取值所属的数值范围进行离散化分段处理。
优选地，所述候选反馈增益K2取值范围的获取方式为：利用仿真或试验，令无人车行驶，获取无人车在不失稳的前提下，有能力跟踪期望轨迹的K2的取值范围，该取值范围即为云端优化时所采用的候选反馈增益K2的范围。
优选地，所述学习算法为C4.5决策树算法。
本发明的云端无人车动力学控制系统，包括相互进行通信连接的云端控制模块和边缘端控制模块；边缘端控制模块设置在无人车端，包括车辆控制器、行驶数据获取组件；
边缘端控制模块用于获取无人车的行驶数据上传到云端控制模块；接收云端控制模块提供的最优控制参数，利用加载了最优控制参数的控制算法产生控制量，对无人车进行运动控制；
所述云端控制模块中设有学习算法，汇集各无人车的边缘端控制模块上传的行驶数据，产生训练样本，对学习算法进行训练；利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数，将最优控制参数下传给边缘端控制模块使用。
优选地，所述边缘端控制模块中需要进行控制参数优化的车辆控制器为横向控制器，横向控制器中的反馈控制算法为：
Figure BDA0002740722650000041
其中δFB为反馈控制算法输出的控制量，K2、K3是反馈增益，K2是云端控制模块需要优化的控制器参数，ep为轨迹跟踪的预瞄投影误差，
Figure BDA0002740722650000042
为偏航角误差；
训练学习算法时，边缘端控制模块获取纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ、偏航角误差
Figure BDA0002740722650000043
和横向位移误差e；将Ux,r,β,ay,κ,
Figure BDA0002740722650000044
e连同横向控制器使用的反馈增益K2上传至云端控制模块，由云端控制模块计算预瞄投影误差ep；或者边缘端控制模块根据横向位移误差e和偏航角误差
Figure BDA0002740722650000045
计算预瞄投影误差ep，将Ux,r,β,ay,κ,ep连同横向控制器使用的反馈增益K2上传至云端控制模块；
所述云端控制模块将纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ和反馈增益K2组成特征集，将预瞄投影误差ep作为标签，所述特征集和所述标签组成训练样本对学习算法进行训练；
当需要为无人车提供最优控制参数时，云端控制模块在无人车稳态工况行驶下的行驶数据范围内，为无人车所要完成的行驶任务指定行驶数据[Ux r β ay κ]，将指定的行驶数据[Ux r β ay κ]与预先确定的N个候选反馈增益K2进行组合，获得N个特征集；N为大于或等于2的正整数；将N个特征集依次输入学习算法获得N个预瞄投影误差ep，将最小的ep对应的反馈增益K2作为最优控制参数下传给边缘端控制模块；
边缘端控制模块采用最优控制参数执行行驶任务，在行驶过程中将实时行驶数据和所使用的反馈增益K2打包上传至对云端控制模块，供云端控制模块对学习算法进行再训练和优化。
有益效果：
(1)本发明将云端控制和大数据预测引入无人车动力学控制中，形成云端-边缘端联合控制体系，利用云端系统实现无人车控制系统海量数据积累，通过云端学习算法对边缘端控制器控制参数进行优化，并将优化结果反馈至各无人车边缘端控制器，提高无人车动力学控制系统性能。而且，本发明将云端计算和边缘端控制相结合，无需对无人车本身的计算能力提出更高的要求，降低了车辆的制造成本，为无人车的规模化应用提供了基础。
(2)边缘端横向控制器反馈部分中的反馈增益K2是预瞄投影误差的系数，其取值直接影响到轨迹跟踪控制的横向精度，本发明优选实施例中选择其为优化目标可显著改善无人车的横向控制精度。
(3)预瞄投影误差结合了横向位移误差和航向角误差，可在特定投影距离下对横向位移误差和航向角误差进行综合评价，因此选择预瞄投影误差作为学习算法的输出，并以此作为选择最优反馈增益K2的标准。
附图说明
图1为本发明云端无人车动力学控制方案的原理图。
具体实施方式
本发明提供了一种云端无人车动力学控制方法和系统，其核心思想是：在云端设置云端控制模块，云端控制模块利用云计算、云存储及其它云技术实现。在无人车端设置边缘端控制模块，边缘端控制模块包括车辆控制器、行驶数据获取组件；边缘端控制模块与云端控制模块之间通信连接。
边缘端控制模块获取无人车的行驶数据上传到云端控制模块；
云端控制模块设置有学习算法，汇集各无人车的边缘端控制模块上传的行驶数据，产生训练样本，对学习算法进行训练；利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数，将最优控制参数下传给边缘端控制模块使用；
边缘端控制模块利用加载了最优控制参数的控制算法产生控制量，对无人车进行运动控制。
可见，本发明将云端控制和大数据预测引入无人车动力学控制中，形成云端-边缘端联合控制体系，利用云端系统实现无人车控制系统海量数据积累，即数据并非来自一个无人车，而是大量无人车。通过云端学习算法对边缘端控制器控制参数进行优化，并将优化结果反馈至各无人车边缘端控制器，提高无人车动力学控制系统性能。而且，优化算法的云端转移，降低了对无人车本身的计算能力的要求，降低了车辆的制造成本，为无人车的规模化应用提供了基础。
进一步的，边缘端控制模块还能在行驶过程中将实时行驶数据和所使用的控制参数打包上传至对云端控制模块，云端控制模块根据所接收的行驶数据和K2形成实时的训练样本，供云端控制模块对学习算法进行再训练和优化，从而形成基于自主训练的控制迭代能力。更新数据也可以通过云端边缘端通信参数下发，更新无人车边缘端控制参数，从而实现无人车控制参数的自主优化。
本发明的云端-边缘端的控制框架，可以服务于无人车的动力学控制，例如无人车的路径跟踪控制、稳态控制、一般行驶控制等。为了使本技术领域的人员更好的理解本发明所提出的云端-边缘端联合无人车动力学控制方法，下面结合附图，对本发明所提出的云端-边缘端联合无人车动力学控制方法在无人车路径跟踪控制上的应用进行具体描述。
图1为云端-边缘端联合控制框架，也是本发明提供的云端-边缘端联合的无人车动力学控制系统的组成框图，该系统由云端控制模块和边缘端控制模块两大模块组成。
边缘端控制模块设置在无人车端，包括车辆控制器、行驶数据获取组件。对于无人车路径跟踪控制而言，横向控制器输出的转角控制量更为重要，横向控制器的控制参数更需要进行优化。因此在本实施例中，边缘端控制模块中的车辆控制器为横向控制器，该横向控制器采用前馈-反馈控制器。
前馈-反馈控制器包括前馈控制部分和反馈控制部分，用于对无人车的转向系统进行控制，从而消除无人车位置与期望路径的误差。本实施例中前馈-反馈控制器采用本申请人提出的如下(1)(2)式所示的前馈-反馈控制器，参见论文Ni J,Hu J,XiangC.Envelope Control for Four-Wheel Independently Actuated Autonomous GroundVehicle Through AFS/DYC Integrated Control[J].IEEE Transactions on VehicularTechnology,2017,66(11):9712-9726。其中，前馈-反馈路径跟踪控制器设计如下：
前馈部分为：
Figure BDA0002740722650000071
式中，Ux为车速，r为横摆角速度，xp为控制器预瞄投影距离，β为质心侧偏角，κ为路径曲率，s为行驶距离，且：
Figure BDA0002740722650000081
式中，lf,lr分别为车辆重心位置到前轴和后轴的距离，cf,cr分别为车辆前后轮的轮胎侧偏刚度，Iz为转动惯量。
反馈部分为：
Figure BDA0002740722650000082
式中，δFB为反馈控制算法输出的控制量，K2、K3是反馈增益，ep为轨迹跟踪的的预瞄投影误差，计算方法如公式(3)所示，
Figure BDA0002740722650000083
为偏航角误差。其中，ep可以在边缘端计算完成后将计算结果上传到云端，也可在云端计算，如果在云端计算则需要将xp上传到云端。
ep＝e+xpsinΔφ (3)
前馈-反馈控制器所控制的转向角的总值为δFFW+δFB。
本实施例中，将反馈部分的反馈增益K2作为云端控制模块需要优化的控制器参数。这是因为：边缘端横向控制器反馈部分中的反馈增益K2是预瞄投影误差的系数，其取值直接影响到轨迹跟踪控制的横向精度，选择其为优化目标可显著改善无人车的横向控制精度。
图1中虚线箭头表示由边缘端上传到云端的数据通道。车辆行驶数据由边缘端车载传感器采集，并进行少量计算后，实现无人车数据云端的上传和存储，使无人车群体具备数据的共享功能，同时也为云端自主学习大数据预测功能提供数据基础。
云端控制利用云端车辆大数据积累存储和挖掘预测，实现无人车路径跟踪性能的预测，实现边缘端前馈-反馈控制算法参数的自适应优化。依托于边缘端生成并采集的不断积累的无人车传感器数据，对基于云计算的机器学习模型进行再训练和优化，形成基于自主训练的控制迭代能力，并通过云端边缘端通信参数下发，更新无人车边缘端控制参数，从而实现无人车控制参数的自主优化。
本实施例中，学习算法采用C4.5决策树机器学习算法。利用C4.5决策树算法对边缘端车载传感器采集并上传到云端的无人车历史行驶数据进行学习和训练，得到能全面反映无人车路径跟踪控制规律的决策树，利用该决策树对某一车辆姿态、道路状况下的无人车路径跟踪性能进行预测，进而选择最优K2，实现控制算法参数的自适应优化。所述自适应优化具体过程如下所述：
步骤一：训练C4.5决策树。
云端控制模块获取无人车的历史行驶数据及行驶过程中控制器使用的反馈增益K2。利用行驶数据获取预瞄投影误差ep，将行驶数据[Ux r β ay κ]和反馈增益K2组成特征集[Ux r β ay κ K2]，将预瞄投影误差ep作为标签，所述特征集和所述标签组成训练样本对学习算法进行训练。
具体来说，本实施例中的步骤一包括如下子步骤：
步骤11、无人车边缘端控制模块中的行驶数据获取组件(主要是传感器还可能包含一定计算)获取行驶数据，包括纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ、偏航角误差
Figure BDA0002740722650000091
和横向位移误差e。无人车边缘端控制模块还获取控制器使用的反馈增益K2；将
Figure BDA0002740722650000092
发送给云端控制模块。
在实际中，也可以在边缘端控制模块中根据横向位移误差e和偏航角误差
Figure BDA0002740722650000093
计算预瞄投影误差ep(计算公式为公式(3))，然后将[Ux r β ay κ K2 ep]发送给云端控制模块。
步骤12、云端控制模块如果接收到[Ux r β ay κ K2 ep]则直接进入步骤13；如果接收到
Figure BDA0002740722650000094
则还需要根据横向位移误差e和偏航角误差
Figure BDA0002740722650000101
计算出预瞄投影误差ep。
步骤13、将[Ux r β ay κ]与反馈增益K2组成特征集，将预瞄投影误差ep作为标签，特征集和标签构成训练样本。
其中，为了避免ep的值过于纷杂，本发明进一步按照ep取值所属的数值范围进行离散化分段处理，使得ep取值定在几个给定值上。例如，将0.1～1的取值离散化为1，将1.1～2的取值离散化为2。
步骤14、利用步骤13获得的训练样本训练学习算法——C4.5决策树。C4.5决策树通过C4.5机器学习算法对训练样本进行学习，可以得到能全面反映无人车路径跟踪行驶规律的决策树。
步骤二：决策树云端优化K2。
本步骤是利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数。本发明并不是直接通过决策树获得最优的K2，而是利用决策树获得从给定的多个候选K2中选举出最优K2的参考依据ep；最小的ep对应最优的K2。
本步骤中，首先依据经验确定一组候选K2值。候选K2值的数量为N。N为大于或等于2的正整数。N可以为10。候选K2值的确定方式可以为：利用仿真或试验，令无人车行驶，获取无人车在不失稳的前提下，有能力跟踪期望轨迹的K2的取值范围，该取值范围即为云端优化时所采用的候选反馈增益K2的范围。
当需要为无人车提供最优控制参数时，云端控制模块根据预先确定的代表无人车稳态工况行驶下的行驶数据，从中为无人车所要完成的行驶任务指定行驶数据[Ux r β ayκ]，将指定的[Ux r β ay κ]与N个候选反馈增益K2组成N个特征集。将N个特征集依次输入学习算法获得N个预瞄投影误差ep，将最小的ep对应的反馈增益K2作为最优控制参数下传给边缘端控制模块。
步骤三：边缘端控制模块更新控制参数K2。
通过云端与车端通信技术，更新无人车边缘端控制参数K2，完成无人车控制参数的自主优化。
步骤四：在无人车行驶过程中实现行驶数据进一步积累。
无人车行驶数据通过边缘端的传感器实时被采集并上传到云端，为云端大数据预测提供更庞大、更充分反应无人车动力学控制规律的数据集。
步骤五：采用步骤一的方式采用新的样本数据实现学习模型的迭代优化，逐步提高预测精度。
本实施例中，边缘端控制模块使用的最优K2仅在执行行驶任务之前确定一次，在执行行驶任务时不进行再次优化。在另一实施例中，也可以在云端迭代优化学习算法后，产生新的最优K2，重新加载到边缘端控制模块中。
以上的具体实施例仅描述了本发明的设计原理，该描述中的部件形状，名称可以不同，不受限制。所以，本发明领域的技术人员可以对前述实施例记载的技术方案进行修改或等同替换；而这些修改和替换未脱离本发明创造宗旨和技术方案，均应属于本发明的保护范围。

Claims (8)

1.一种云端无人车动力学控制方法，其特征在于，在云端设置云端控制模块，在无人车端设置边缘端控制模块，边缘端控制模块包括车辆控制器、行驶数据获取组件；边缘端控制模块与云端控制模块之间通信连接；
边缘端控制模块获取无人车的行驶数据上传到云端控制模块；
云端控制模块中设有学习算法，汇集各无人车的边缘端控制模块上传的行驶数据，产生训练样本，对学习算法进行训练；利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数，将最优控制参数下传给边缘端控制模块使用；
边缘端控制模块利用加载了最优控制参数的控制算法产生控制量，对无人车进行运动控制；
所述边缘端控制模块中需要进行控制参数优化的车辆控制器为横向控制器，横向控制器中的反馈控制算法为：
Figure FDA0003133270410000011
其中δFB为反馈控制算法输出的控制量，K2、K3是反馈增益，K2是云端控制模块需要优化的控制器参数，ep为轨迹跟踪的预瞄投影误差，
Figure FDA0003133270410000012
为偏航角误差；
边缘端控制模块采集行驶数据，将行驶数据和行驶过程中横向控制器所使用的反馈增益K2上传给云端控制模块；
云端控制模块将云端收集到的行驶数据及相应的反馈增益K2组成特征集，将根据行驶数据确定的预瞄投影误差ep作为标签，所述特征集和所述标签组成训练样本对学习算法进行训练；
当需要为无人车提供最优控制参数时，云端控制模块获取无人车的行驶数据，将行驶数据依次与多个候选反馈增益K2组成多组特征集，输入学习算法获得多个预瞄投影误差ep，将最小的ep对应的反馈增益K2作为最优控制参数下传给边缘端控制模块使用。
2.如权利要求1所述的方法，其特征在于，所述特征集包括纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ和反馈增益K2。
3.如权利要求1所述的方法，其特征在于，所述当需要为无人车提供最优控制参数时，云端控制模块获取无人车的行驶数据，将行驶数据依次与多个候选反馈增益K2组成多组特征集为：
预先确定无人车稳态工况行驶下的行驶数据；
在无人车执行行驶任务之前，云端控制模块在无人车稳态工况行驶下的行驶数据范围内，为无人车所要完成的行驶任务指定行驶数据，将指定的行驶数据与预先确定的N个候选反馈增益K2进行组合，获得N个特征集；N为大于或等于2的正整数。
4.如权利要求1或2或3所述的方法，其特征在于，所述训练样本包括预先从无人车获得的训练样本；所述训练样本还包括实时的训练样本，即无人车利用最优反馈增益K2执行行驶任务，在行驶过程中将实时行驶数据和所使用的反馈增益K2打包上传至对云端控制模块，云端控制模块根据所接收的行驶数据和K2形成实时的训练样本，供云端控制模块对学习算法进行再训练和优化。
5.如权利要求1所述的方法，其特征在于，该方法进一步包括对训练样本中的预瞄投影误差ep取值，按照取值所属的数值范围进行离散化分段处理。
6.如权利要求1所述的方法，其特征在于，所述候选反馈增益K2取值范围的获取方式为：利用仿真或试验，令无人车行驶，获取无人车在不失稳的前提下，有能力跟踪期望轨迹的K2的取值范围，该取值范围即为云端优化时所采用的候选反馈增益K2的范围。
7.如权利要求1-3任意一项所述的方法，其特征在于，所述学习算法为C4.5决策树算法。
8.一种云端无人车动力学控制系统，其特征在于，包括相互进行通信连接的云端控制模块和边缘端控制模块；边缘端控制模块设置在无人车端，包括车辆控制器、行驶数据获取组件；
边缘端控制模块用于获取无人车的行驶数据上传到云端控制模块；接收云端控制模块提供的最优控制参数，利用加载了最优控制参数的控制算法产生控制量，对无人车进行运动控制；
所述云端控制模块中设有学习算法，汇集各无人车的边缘端控制模块上传的行驶数据，产生训练样本，对学习算法进行训练；利用训练好的学习算法为边缘端控制模块的控制算法提供最优控制参数，将最优控制参数下传给边缘端控制模块使用；
所述边缘端控制模块中需要进行控制参数优化的车辆控制器为横向控制器，横向控制器中的反馈控制算法为：
Figure FDA0003133270410000031
其中δFB为反馈控制算法输出的控制量，K2、K3是反馈增益，K2是云端控制模块需要优化的控制器参数，ep为轨迹跟踪的预瞄投影误差，
Figure FDA0003133270410000032
为偏航角误差；
训练学习算法时，边缘端控制模块获取纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ、偏航角误差
Figure FDA0003133270410000033
和横向位移误差e；将Ux,r,β,ay,κ,
Figure FDA0003133270410000034
e连同横向控制器使用的反馈增益K2上传至云端控制模块，由云端控制模块计算预瞄投影误差ep；或者边缘端控制模块根据横向位移误差e和偏航角误差
Figure FDA0003133270410000035
计算预瞄投影误差ep，将Ux,r,β,ay,κ,ep连同横向控制器使用的反馈增益K2上传至云端控制模块；
所述云端控制模块将纵向速度Ux、横摆角速度r、质心侧偏角β、侧向加速度ay、道路曲率κ和反馈增益K2组成特征集，将预瞄投影误差ep作为标签，所述特征集和所述标签组成训练样本对学习算法进行训练；
当需要为无人车提供最优控制参数时，云端控制模块在无人车稳态工况行驶下的行驶数据范围内，为无人车所要完成的行驶任务指定行驶数据[Ux r β ayκ]，将指定的行驶数据[Ux r β ay κ]与预先确定的N个候选反馈增益K2进行组合，获得N个特征集；N为大于或等于2的正整数；将N个特征集依次输入学习算法获得N个预瞄投影误差ep，将最小的ep对应的反馈增益K2作为最优控制参数下传给边缘端控制模块；
边缘端控制模块采用最优控制参数执行行驶任务，在行驶过程中将实时行驶数据和所使用的反馈增益K2打包上传至对云端控制模块，供云端控制模块对学习算法进行再训练和优化。
CN202011149430.1A 2020-10-23 2020-10-23 云端无人车动力学控制系统和方法 Active CN112269385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011149430.1A CN112269385B (zh) 2020-10-23 2020-10-23 云端无人车动力学控制系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011149430.1A CN112269385B (zh) 2020-10-23 2020-10-23 云端无人车动力学控制系统和方法

Publications (2)

Publication Number Publication Date
CN112269385A CN112269385A (zh) 2021-01-26
CN112269385B true CN112269385B (zh) 2021-09-07

Family

ID=74342687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011149430.1A Active CN112269385B (zh) 2020-10-23 2020-10-23 云端无人车动力学控制系统和方法

Country Status (1)

Country Link
CN (1) CN112269385B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105573323A (zh) * 2016-01-12 2016-05-11 福州华鹰重工机械有限公司 自动驾驶轨迹生成方法及装置
CN106910199A (zh) * 2017-01-23 2017-06-30 北京理工大学 面向城市空间信息采集的车联网众包方法
CN107010104A (zh) * 2017-03-09 2017-08-04 合肥工业大学 一种基于可拓滑模线控车辆行驶稳定性控制方法及系统
CN109606364A (zh) * 2018-11-19 2019-04-12 江苏大学 一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法
CN109829969A (zh) * 2018-12-27 2019-05-31 北京奇艺世纪科技有限公司 一种数据获取方法、装置及存储介质
CN110673602A (zh) * 2019-10-24 2020-01-10 驭势科技（北京）有限公司 一种强化学习模型、车辆自动驾驶决策的方法和车载设备
CN111462481A (zh) * 2020-03-03 2020-07-28 北京理工大学 包含多功能无人车的云大脑智能交通系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060226298A1 (en) * 2005-03-30 2006-10-12 Lionel L.L.C. Graphical method and system for model vehicle and accessory control
EP3114574A4 (en) * 2014-03-03 2018-03-07 Inrix, Inc. Traffic obstruction detection
CN106080590B (zh) * 2016-06-12 2018-04-03 百度在线网络技术（北京）有限公司 车辆控制方法和装置以及决策模型的获取方法和装置
CN106647743A (zh) * 2016-10-26 2017-05-10 纳恩博（北京）科技有限公司 一种电子设备的控制方法及电子设备
CN106558058B (zh) * 2016-11-29 2020-10-09 北京图森未来科技有限公司 分割模型训练方法、道路分割方法、车辆控制方法及装置
US10309777B2 (en) * 2016-12-30 2019-06-04 DeepMap Inc. Visual odometry and pairwise alignment for high definition map creation
CN107491072B (zh) * 2017-09-05 2021-03-30 百度在线网络技术（北京）有限公司 车辆避障方法和装置
CN107491073B (zh) * 2017-09-05 2021-04-02 百度在线网络技术（北京）有限公司 无人驾驶车辆的数据训练方法和装置
CN110196587A (zh) * 2018-02-27 2019-09-03 中国科学院深圳先进技术研究院 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
US10414395B1 (en) * 2018-04-06 2019-09-17 Zoox, Inc. Feature-based prediction
US11521009B2 (en) * 2018-09-04 2022-12-06 Luminar, Llc Automatically generating training data for a lidar using simulated vehicles in virtual space
CN111338333B (zh) * 2018-12-18 2021-08-31 北京航迹科技有限公司 用于自动驾驶的系统和方法
CN110456799A (zh) * 2019-08-22 2019-11-15 合肥云驾智能科技有限公司 一种无人驾驶车辆控制模型在线增量式学习方法
CN111123933B (zh) * 2019-12-24 2021-10-01 华为技术有限公司 车辆轨迹规划的方法、装置、智能驾驶域控制器和智能车
CN111572558A (zh) * 2020-04-01 2020-08-25 北京理工大学 一种无人车最大包络线动力学控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105573323A (zh) * 2016-01-12 2016-05-11 福州华鹰重工机械有限公司 自动驾驶轨迹生成方法及装置
CN106910199A (zh) * 2017-01-23 2017-06-30 北京理工大学 面向城市空间信息采集的车联网众包方法
CN107010104A (zh) * 2017-03-09 2017-08-04 合肥工业大学 一种基于可拓滑模线控车辆行驶稳定性控制方法及系统
CN109606364A (zh) * 2018-11-19 2019-04-12 江苏大学 一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法
CN109829969A (zh) * 2018-12-27 2019-05-31 北京奇艺世纪科技有限公司 一种数据获取方法、装置及存储介质
CN110673602A (zh) * 2019-10-24 2020-01-10 驭势科技（北京）有限公司 一种强化学习模型、车辆自动驾驶决策的方法和车载设备
CN111462481A (zh) * 2020-03-03 2020-07-28 北京理工大学 包含多功能无人车的云大脑智能交通系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于Simulink的高安全性无人车辆整车控制器研究;许宏宇，潘博，倪俊，李子睿;《2018中囯汽车工程学会年会论文集》;20181231;196-202 *
大学生无人驾驶方程式赛车的自主驾驶系统设计;田汉青，倪俊，胡纪滨，李子睿;《2018中国汽车工程学会年会论文集》;20181231;148-153 *

Also Published As

Publication number Publication date
CN112269385A (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN112622903B (zh) 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法
CN108227491B (zh) 一种基于滑模神经网络的智能车轨迹跟踪控制方法
CN109240091B (zh) 一种基于强化学习的水下机器人控制方法及其进行跟踪的控制方法
CN109017808B (zh) 一种无人驾驶汽车模型预测控制器设计方法
CN112198870A (zh) 基于ddqn的无人机自主引导机动决策方法
CN109884900A (zh) 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法
CN101056074B (zh) 一种基于免疫粒子群算法的超声电机控制方法
CN111506099B (zh) 一种无人机高度智能控制系统及方法
CN110989577A (zh) 自动驾驶决策方法及车辆的自动驾驶装置
CN112684781B (zh) 一种多智能体分布式模型预测控制方法及系统
CN113220021B (zh) 基于虚拟领导者的飞行编队协同自适应跟踪控制方法
CN107633105B (zh) 一种基于改进混合蛙跳算法的四旋翼无人机参数辨识方法
CN113687659B (zh) 一种基于数字孪生的最优轨迹生成方法及系统
CN113771868A (zh) 一种无人驾驶汽车的横向控制方法
CN112269385B (zh) 云端无人车动力学控制系统和方法
CN112660129B (zh) 一种智能线控底盘加速度控制系统与控制方法
CN114906128A (zh) 一种基于mcts算法的自动泊车运动规划方法
CN117250990A (zh) 预测校正专家知识辅助下的dqn变动力智能决策方法
CN110588654B (zh) 一种自动整定车辆速度相应pid控制参数的方法
CN110647161B (zh) 基于状态预测补偿的欠驱动uuv水平面轨迹跟踪控制方法
CN108845508B (zh) 一种基于cmac-滑膜一体化控制的无人机半物理仿真控制方法
CN116224798A (zh) 一种基于事件触发的自主水下航行器轨迹跟踪控制方法
CN115373287A (zh) 一种折腰转向拖拉机的自适应参数模型预测路径跟踪控制方法
CN114779641A (zh) 基于新航向误差定义的环境自适应mpc路径追踪控制方法
CN113848982A (zh) 一种四旋翼无人机栖停机动轨迹规划、跟踪控制方法

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