CN112319473B - 带环境自适应能力的自动驾驶车辆纵向控制方法及系统 - Google Patents

Abstract

本发明公开了一种带环境自适应能力的自动驾驶车辆纵向控制方法，包括：获取车辆轨迹信息、车辆位置信息和状态信息；采集车辆俯仰角度信息，建立聚类分析模型，对采集到的数据进行聚类分析，拟合感兴趣区域道路内的坡度信息；获取车辆的载荷信息；确定驱动和制动的切换机制；根据坡度信息和载荷信息，计算纵向控制的前馈控制量；根据轨迹信息、车辆位置和状态信息，计算纵向控制的反馈控制量；通过前馈控制量和反馈控制量加权计算总的控制输出量。本发明综合考虑了道路坡道信息、车辆载荷信息和车辆自身状态信息，通过前馈控制部分和反馈控制部分加以权重予以实现，大大提高了纵向控制精度。

Description

带环境自适应能力的自动驾驶车辆纵向控制方法及系统

技术领域

本发明涉及一种自动驾驶车辆的纵向控制方法，具体地涉及一种带环境自适应能力的自动驾驶车辆纵向控制方法及系统。

背景技术

自动驾驶技术在最近十年得到了突飞猛进的发展，自动驾驶汽车依靠人工智能、视觉计算、雷达、全球定位系统等的协同合作，让车辆在没有驾驶员主动操作的情况下，自主安全的在道路上行驶。自动驾驶系统一般分为三个模块：感知模块、决策规划模块和控制模块。感知模块通过摄像头、雷达等传感器，实时感知车辆周边环境信息，通过融合算法告知车辆感兴趣区域的信息。决策规划模块是根据感知信息和车辆实时状态信息，计算出最优的驾驶决策规划。控制模块是根据规划出来的轨迹信息，控制车辆跟随轨迹在道路上行驶。控制模块按照转向和车速控制分为横向控制和纵向控制。在控制算法上面，自动驾驶领域通常是将横纵向解耦来予以实现。

目前在纵向控制算法方面，应用最多的是PID控制算法。对于载荷无明显变化的自动驾驶车辆，在坡道变化不大的道路上，通过调试相关参数，跟踪误差也能控制的很理想。但是对于车辆载荷和道路坡道变化的情况下，纵向的跟随性能受影响较大。目前所有的自动驾驶纵向控制方法中，都没有将车辆载荷因素和道路坡道因素考虑进去。基于此，特提出本发明。

发明内容

为了解决自动驾驶车辆在纵向控制中受车辆载荷和道路坡道变化影响，导致纵向跟随误差较大的技术问题，本发明提供了一种带环境自适应能力的自动驾驶车辆纵向控制方法及系统，综合考虑了道路坡道信息、车辆载荷信息和车辆自身状态信息，通过前馈控制部分和反馈控制部分加以权重予以实现，大大提高了纵向控制精度。

本发明的技术方案是：

一种带环境自适应能力的自动驾驶车辆纵向控制方法，包括以下步骤：

S01：获取车辆轨迹信息、车辆位置信息和状态信息；

S02：采集车辆俯仰角度信息，建立聚类分析模型，对采集到的数据进行聚类分析，拟合感兴趣区域道路内的坡度信息；

S03：获取车辆的载荷信息；

S04：确定驱动和制动的切换机制；

S05：根据坡度信息和载荷信息，计算纵向控制的前馈控制量；根据轨迹信息、车辆位置和状态信息，计算纵向控制的反馈控制量；通过前馈控制量和反馈控制量加权计算总的控制输出量。

优选的技术方案中，所述步骤S01中轨迹信息包括轨迹点的道路曲率，车辆状态信息包括车速信息。

优选的技术方案中，所述步骤S02中建立聚类分析模型，将采集到的数据进行分析，拟合感兴趣区域道路内的坡度信息，包括：

S21：将处理后的车辆俯仰角度数据进行整合处理后，进行回归分析，建立聚类分析模型；

S22：根据车速信息和轨迹点的道路曲率加权计算获得感兴趣预描距离，计算公式如下：

D_preview＝p₁(k₁×Cur+a)+p₂(k₂×v)

其中，D_preview为感兴趣预描距离，k₁和k₂为调试系数，p₁和p₂为车速和道路曲率影响的权重系数，Cur为道路曲率，v为车速，a增补常量；

S23：根据建立的聚类分析模型和感兴趣预描距离，通过指数平滑处理的方法，拟合出感兴趣预描距离内的道路坡度信息。

优选的技术方案中，所述步骤S04中确定驱动和制动的切换机制，包括：

S41：计算建议车速v_sug和车辆实际车速v_act的速度偏差e_v＝v_sug-v_act；

S42：通过速度偏差计算车辆需求的加减速度a_v＝te_v+c，其中，t为系数，c为增补常量；

S43：当e_v≥0，a_v≥0时，为驱动控制模式；当e_v＜0，a_v≥a_thre时，为驱动滑行模式，其中a_thre为减速度阈值；当e_v＜0，a_v＜a_thre时，为制动控制模式。

优选的技术方案中，所述步骤S05中计算纵向控制的前馈控制量，包括：

S51：计算载荷的前馈输出：

c_{f_c_l}＝k_lx_load+p_l

其中，c_{f_c_l}为载荷前馈输出，k_l载荷控制系数，p_l为载荷控制常量，x_load为载荷量；

S52：计算道路坡度的前馈输出：

c_{f_c_s}＝k_sx_slop+p_s

其中，c_{f_c_s}为道路坡度前馈输出，k_s道路坡度控制系数，p_s为道路坡度控制常量，x_slop为道路坡度；

S53：加权计算前馈控制量：

c_{f_c}＝l_lc_{f_c_l}+l_sc_{f_c_s}

其中，c_{f_c}为前馈控制量，l_l和l_s为加权系数。

优选的技术方案中，所述步骤S05中计算纵向控制的反馈控制量，包括：

S54：实时计算纵向跟踪误差，包括速度跟随误差e_v＝v_sug-v_act，时间跟随误差e_t＝t_sug-t_act，位置跟随误差e_s＝s_sug-s_act,其中，t_sug为建议行驶时间戳，t_act为实际行驶时间戳，s_sug为建议行驶位置，s_act为实际行驶位置；

S55：计算加权后的纵向跟随误差e(t)＝k_ve_v+k_te_t+k_se_s，其中k_v、k_t、k_s分别为速度跟随误差、时间跟随误差和位置跟随误差的加权系数；

S56：将纵向跟随误差输入前馈PID控制器中；

S57：输出反馈PID控制器的反馈控制量：

其中，c_{b_c}为反馈控制量，k_p、k_i、k_d为PID控制器的控制参数，T_i为积分时间常数。

本发明还公开了一种带环境自适应能力的自动驾驶车辆纵向控制系统，包括：

车辆信息获取模块，获取车辆轨迹信息、车辆位置信息和状态信息；

道路坡度拟合模块，采集车辆俯仰角度信息，建立聚类分析模型，对采集到的数据进行聚类分析，拟合感兴趣区域道路内的坡度信息；

载荷采集模块，获取车辆的载荷信息；

驱动、制动切换模块，确定驱动和制动的切换机制；

纵向控制模块，根据坡度信息和载荷信息，计算纵向控制的前馈控制量；根据轨迹信息、车辆位置和状态信息，计算纵向控制的反馈控制量；通过前馈控制量和反馈控制量加权计算总的控制输出量。

优选的技术方案中，所述道路坡度拟合模块中建立聚类分析模型，将采集到的数据进行分析，拟合感兴趣区域道路内的坡度信息，包括：

S21：将处理后的车辆俯仰角度数据进行整合处理后，进行回归分析，建立聚类分析模型；

S22：根据车速信息和轨迹点的道路曲率加权计算获得感兴趣预描距离，计算公式如下：

D_preview＝p₁(k₁×Cur+a)+p₂(k₂×v)

其中，D_preview为感兴趣预描距离，k₁和k₂为调试系数，p₁和p₂为车速和道路曲率影响的权重系数，Cur为道路曲率，v为车速，a增补常量；

S23：根据建立的聚类分析模型和感兴趣预描距离，通过指数平滑处理的方法，拟合出感兴趣预描距离内的道路坡度信息。

优选的技术方案中，所述纵向控制模块中计算纵向控制的前馈控制量，包括：

S51：计算载荷的前馈输出：

c_{f_c_l}＝k_lx_load+p_l

其中，c_{f_c_l}为载荷前馈输出，k_l载荷控制系数，p_l为载荷控制常量，x_load为载荷量；

S52：计算道路坡度的前馈输出：

c_{f_c_s}＝k_sx_slop+p_s

其中，c_{f_c_s}为道路坡度前馈输出，k_s道路坡度控制系数，p_s为道路坡度控制常量，x_slop为道路坡度；

S53：加权计算前馈控制量：

c_{f_c}＝l_lc_{f_c_l}+l_sc_{f_c_s}

其中，c_{f_c}为前馈控制量，l_l和l_s为加权系数。

优选的技术方案中，所述纵向控制模块中计算纵向控制的反馈控制量，包括：

S54：实时计算纵向跟踪误差，包括速度跟随误差e_v＝v_sug-v_act，时间跟随误差e_t＝t_sug-t_act，位置跟随误差e_s＝s_sug-s_act,其中，t_sug为建议行驶时间戳，t_act为实际行驶时间戳，s_sug为建议行驶位置，s_act为实际行驶位置；

S55：计算加权后的纵向跟随误差e(t)＝k_ve_v+k_te_t+k_se_s，其中k_v、k_t、k_s分别为速度跟随误差、时间跟随误差和位置跟随误差的加权系数；

S56：将纵向跟随误差输入前馈PID控制器中；

S57：输出反馈PID控制器的反馈控制量：

其中，c_{b_c}为反馈控制量，k_p、k_i、k_d为PID控制器的控制参数，T_i为积分时间常数。

与现有技术相比，本发明的优点是：

本发明解决了自动驾驶车辆在纵向控制中受车辆载荷和道路坡道变化影响，导致纵向跟随误差较大的问题。本发明根据车辆行驶经过道路拟合出预描距离内的道路坡度，在根据拟合出的道路坡度和车辆载荷加权计算出控制所需要的前馈量，弥补传统单纯反馈控制无法适应环境变化(如载荷变化和道路坡度变化)的情况，提高自动驾驶车辆纵向控制对环境的自适应能力。大大提高了纵向控制精度。从而满足诸如队列行驶、智能避障、精准靠站停车等功能对于纵向控制精度的要求。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为本发明带环境自适应能力的自动驾驶车辆纵向控制系统的控制框图；

图2为本发明带环境自适应能力的自动驾驶车辆纵向控制方法的流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

实施例：

下面结合附图，对本发明的较佳实施例作进一步说明。

如图1所示，一种带有环境自适应能力的自动驾驶车辆纵向控制系统，涉及到的硬件设备包括Mobileye摄像头、大陆毫米波雷达、华测P2定位和惯导设备、周立功CAN盒、车载载荷传感器等。自动驾驶系统分为三个模块：感知模块、决策规划模块和控制模块。感知模块通过摄像头、雷达等传感器，实时感知车辆周边环境信息，通过融合算法告知车辆感兴趣区域的信息。决策规划模块是根据感知信息和车辆实时状态信息，计算出最优的驾驶决策规划。控制模块是根据规划出来的轨迹信息，控制车辆跟随轨迹在道路上行驶。控制模块按照转向和车速控制分为横向控制和纵向控制。

本发明的一种带有环境自适应能力的自动驾驶车辆纵向控制系统，包括：

车辆信息获取模块，获取车辆轨迹信息、车辆位置信息和状态信息；

道路坡度拟合模块，采集车辆俯仰角度信息，建立聚类分析模型，对采集到的数据进行聚类分析，拟合感兴趣区域道路内的坡度信息；

载荷采集模块，获取车辆的载荷信息；

驱动、制动切换模块，确定驱动和制动的切换机制；

纵向控制模块，根据坡度信息和载荷信息，计算纵向控制的前馈控制量；根据轨迹信息、车辆位置和状态信息，计算纵向控制的反馈控制量；通过前馈控制量和反馈控制量加权计算总的控制输出量。

如图2所示，本发明还公开了一种带有环境自适应能力的自动驾驶车辆纵向控制方法，具体实施步骤如下所示：

S01:实时获取决策规划模块输出的车辆轨迹信息，获取车辆位置信息和状态信息；

通过Mobileye摄像头、大陆毫米波雷达感知车辆周围障碍物信息，同时通过周立功CAN盒采集车辆CAN数据，获取车辆状态信息，并将这些信息输入给决策控制模块，通过该模块计算出车辆一段时间内即将行驶的轨迹；

S02:通过惯导设备采集车辆俯仰角度信息，建立聚类分析模型；将采集到的数据进行分析，拟合出前方感兴趣区域道路内的坡度信息；

通过周立功CAN盒获取车辆当前实际车速，通过车速和轨迹点曲率加权计算获得预描距离，该预描距离在步骤三中拟合道路坡度时会用到；

通过华测P2设备，采集车辆行驶经过路段的道路坡度，进行聚类分析，根据建立的聚类分析模型和感兴趣的预描距离，利用指数平滑处理的方法，拟合出感兴趣预描距离内的道路坡度信息。

S03:通过车载载荷传感器获得车辆的载荷信息；

S04:确定驱动和制动的切换机制；

根据期望车速和实际车速的速度误差和需求加减速度，确定驱动和制动的切换机制；

S05:根据道路坡度信息和载荷信息，计算控制的前馈输出；根据轨迹信息、车辆位置和状态信息，计算控制的反馈输出；通过加权获取总的控制输出。

根据预描距离内的道路坡度信息数据和车辆载荷数据，通过加权计算出由于环境变化控制所需要的前馈控制量；

根据决策规划模块规划出的轨迹信息数据和车辆实际状态数据，通过PID控制器计算出控制所需要的反馈控制量；

根据控制所需要的前馈控制量和制所需要的反馈控制量通过加权计算出控制最终的输出量。

每一步骤具体详细说明如下：

步骤S01中实时获取决策规划模块输出的车辆轨迹信息，包括：

1)决策规划模块根据感知信息和车辆状态信息，实时规划出一段时间内车辆的最优行驶轨迹；

2)轨迹信息包括轨迹点位置、车辆行驶到轨迹点处的建议航向角、车辆行驶到轨迹点处的建议车速、轨迹点处的道路曲率、车辆行驶到轨迹点处的建议时间戳等；

步骤S01中实时获取车辆位置信息和状态信息，包括：

1)根据差分GPS设备实时输出厘米级的车辆位置经纬度坐标信息、车辆实时航向角信息；

2)通过高斯转换将车辆位置经纬度坐标信息，转换成平面坐标系下的XY坐标信息；通过直角坐标转换，将车辆实时航向角信息转换成直角坐标系下的角度信息。

3)根据CAN设备实时获取车辆状态信息。车辆状态信息包括车速信息、车辆挡位信息、车辆故障信息、车辆实际驱动信息、车辆实际制动信息等。

步骤S02中根据惯导设备采集车辆俯仰角度信息，包括：

1)实时采集车辆行驶经过路段的道路俯仰角度数据；

2)实时通过卡尔曼滤波器将采集的俯仰角度数据予以滤波处理，滤除数据毛刺，以备后用。

步骤S02中建立聚类分析模型；将采集到的数据进行分析，拟合出前方感兴趣区域道路内的坡度信息，包括：

1)将滤波处理过后的车辆俯仰角度数据予以整合处理，进行回归分析，建立聚类分析模型；这里的聚类分析模型可以为KMeans，密度聚类(DBSCAN)，层次聚类等等任一种聚类分析算法。

2)根据车辆的实际车速和轨迹点曲率，通过加权计算出感兴趣预描距离，计算公式如下，其中，D_preview为预描距离，k₁和k₂为调试系数，p₁和p₂为车速和道路曲率影响的权重系数，Cur为道路曲率，v为实际车速，a增补常量：

D_preview＝p₁(k₁×Cur+a)+p₂(k₂×v)

3)根据建立的聚类分析模型和感兴趣的预描距离，通过指数平滑处理的方法，拟合出感兴趣预描距离内的道路坡度信息。

步骤S03中通过车载载荷传感器获得车辆的载荷信息，包括：

1)根据车载载荷传感器获取车辆的载荷数据；

2)实时通过卡尔曼滤波器将采集的车辆载荷数据予以滤波处理，滤除数据毛刺，以备后用。

步骤S04中确定驱动和制动的切换机制，包括；

1)计算建议车速和车辆实际车速的速度偏差e_v＝v_sug-v_act；

2)通过速度偏差计算车辆需求的加减速度a_v＝te_v+c；其中，t为系数，c为增补常量；

3)当e_v≥0，a_v≥0时，为驱动控制模式；当e_v＜0，a_v≥a_thre时，为驱动滑行模式(其中a_thre为减速度阈值)；当e_v＜0，a_v＜a_thre时，为制动控制模式。

步骤S05中根据轨迹信息、车辆位置和状态信息，计算控制的反馈输出，包括：

1)实时计算纵向跟踪误差，包括速度跟随误差e_v＝v_sug-v_act，时间跟随误差e_t＝t_sug-t_act，位置跟随误差e_s＝s_sug-s_act,其中，v_sug为建议车速，v_act为车辆实际车速，t_sug为建议行驶时间戳，t_act为实际行驶时间戳，s_sug为建议行驶位置，s_act为实际行驶位置；

2)计算加权后的纵向跟随误差e(t)＝k_ve_v+k_te_t+k_se_s，其中k_v、k_t、k_s分别为速度跟随误差、时间跟随误差和位置跟随误差的加权系数；

3)将纵向跟随误差输入到前馈PID控制器中；

4)在平直的道路上调试不同车速下的PID查值参数，获得最优的PID控制参数查值表；

5)输出反馈PID控制器的反馈控制量：

其中，c_{b_c}为反馈控制量，k_p、k_i、k_d为PID控制器的控制参数，T_i为积分时间常数。

步骤S05中根据道路坡度信息和载荷信息，计算控制的前馈输出，包括：

1)计算载荷的前馈输出，其中c_{f_c_l}为载荷前馈输出，k_l载荷控制系数，p_l为载荷控制常量；

c_{f_c_l}＝k_lx_load+p_l

2)计算道路坡道的前馈输出，其中c_{f_c_s}为道路坡度前馈输出，k_s道路坡度控制系数，p_s为道路坡度控制常量，x_load为载荷量；

c_{f_c_s}＝k_sx_slop+p_s；

3)加权计算前馈总输出，其中c_{f_c}为前馈输出，l_l和l_s为加权系数，x_slop为道路坡度：

c_{f_c}＝l_lc_{f_c_l}+l_sc_{f_c_s}；

加权获取总的控制输出，包括：

1)通过前馈控制量和反馈控制量加权计算出总的控制输出量，其中l_f、l_b为加权系数：

c_out＝l_fc_{f_c}+l_bc_{b_c}。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (8)

1.一种带环境自适应能力的自动驾驶车辆纵向控制方法，其特征在于，包括以下步骤：

S01：获取车辆轨迹信息、车辆位置信息和状态信息；

S02：采集车辆俯仰角度信息，建立聚类分析模型，对采集到的数据进行聚类分析，拟合感兴趣区域道路内的坡度信息；

S03：获取车辆的载荷信息；

S04：确定驱动和制动的切换机制；

S05：根据坡度信息和载荷信息，计算纵向控制的前馈控制量；根据轨迹信息、车辆位置和状态信息，计算纵向控制的反馈控制量；通过前馈控制量和反馈控制量加权计算总的控制输出量；

所述步骤S02中建立聚类分析模型，将采集到的数据进行分析，拟合感兴趣区域道路内的坡度信息，包括：

S21：将处理后的车辆俯仰角度数据进行整合处理后，进行回归分析，建立聚类分析模型；

S22：根据车速信息和轨迹点的道路曲率加权计算获得感兴趣预描距离，计算公式如下：

D_preview＝p₁(k₁×Cur+a)+p₂(k₂×v)

其中，D_preview为感兴趣预描距离，k₁和k₂为调试系数，p₁和p₂为车速和道路曲率影响的权重系数，Cur为道路曲率，v为车速，a为增补常量；

S23：根据建立的聚类分析模型和感兴趣预描距离，通过指数平滑处理的方法，拟合出感兴趣预描距离内的道路坡度信息。

2.根据权利要求1所述的带环境自适应能力的自动驾驶车辆纵向控制方法，其特征在于，所述步骤S01中轨迹信息包括轨迹点的道路曲率，车辆状态信息包括车速信息。

3.根据权利要求1所述的带环境自适应能力的自动驾驶车辆纵向控制方法，其特征在于，所述步骤S04中确定驱动和制动的切换机制，包括：

S41：计算建议车速v_sug和车辆实际车速v_act的速度偏差e_v＝v_sug-v_act；

S42：通过速度偏差计算车辆需求的加减速度a_v＝te_v+c，其中，t为系数，c为增补常量；

S43：当e_v≥0，a_v≥0时，为驱动控制模式；当e_v＜0，a_v≥a_thre时，为驱动滑行模式，其中a_thre为减速度阈值；当e_v＜0，a_v＜a_thre时，为制动控制模式。

4.根据权利要求1所述的带环境自适应能力的自动驾驶车辆纵向控制方法，其特征在于，所述步骤S05中计算纵向控制的前馈控制量，包括：

S51：计算载荷的前馈输出：

c_{f_c_l}＝k_lx_load+p_l

其中，c_{f_c_l}为载荷前馈输出，k_l载荷控制系数，p_l为载荷控制常量，x_load为载荷量；

S52：计算道路坡度的前馈输出：

c_{f_c_s}＝k_sx_slop+p_s

其中，c_{f_c_s}为道路坡度前馈输出，k_s道路坡度控制系数，p_s为道路坡度控制常量，x_slop为道路坡度；

S53：加权计算前馈控制量：

c_{f_c}＝l_lc_{f_c_l}+l_sc_{f_c_s}

其中，c_{f_c}为前馈控制量，l_l和l_s为加权系数。

5.根据权利要求1所述的带环境自适应能力的自动驾驶车辆纵向控制方法，其特征在于，所述步骤S05中计算纵向控制的反馈控制量，包括：

S54：实时计算纵向跟踪误差，包括速度跟随误差e_v＝v_sug-v_act，时间跟随误差e_t＝t_sug-t_act，位置跟随误差e_s＝s_sug-s_act，其中，t_sug为建议行驶时间戳，t_act为实际行驶时间戳，s_sug为建议行驶位置，s_act为实际行驶位置；

S55：计算加权后的纵向跟随误差e(t)＝k_ve_v+k_te_t+k_se_s，其中k_v、k_t、k_s分别为速度跟随误差、时间跟随误差和位置跟随误差的加权系数；

S56：将纵向跟随误差输入前馈PID控制器中；

S57：输出反馈PID控制器的反馈控制量：

其中，c_{b_c}为反馈控制量，k_p、k_i、k_d为PID控制器的控制参数，T_i为积分时间常数。

6.一种带环境自适应能力的自动驾驶车辆纵向控制系统，其特征在于，包括：

车辆信息获取模块，获取车辆轨迹信息、车辆位置信息和状态信息；

道路坡度拟合模块，采集车辆俯仰角度信息，建立聚类分析模型，对采集到的数据进行聚类分析，拟合感兴趣区域道路内的坡度信息；

载荷采集模块，获取车辆的载荷信息；

驱动、制动切换模块，确定驱动和制动的切换机制；

纵向控制模块，根据坡度信息和载荷信息，计算纵向控制的前馈控制量；根据轨迹信息、车辆位置和状态信息，计算纵向控制的反馈控制量；通过前馈控制量和反馈控制量加权计算总的控制输出量；

所述道路坡度拟合模块中建立聚类分析模型，将采集到的数据进行分析，拟合感兴趣区域道路内的坡度信息，包括：

S21：将处理后的车辆俯仰角度数据进行整合处理后，进行回归分析，建立聚类分析模型；

S22：根据车速信息和轨迹点的道路曲率加权计算获得感兴趣预描距离，计算公式如下：

D_preview＝p₁(k₁×Cur+a)+p₂(k₂×v)

其中，D_preview为感兴趣预描距离，k₁和k₂为调试系数，p₁和p₂为车速和道路曲率影响的权重系数，Cur为道路曲率，v为车速，a增补常量；

S23：根据建立的聚类分析模型和感兴趣预描距离，通过指数平滑处理的方法，拟合出感兴趣预描距离内的道路坡度信息。

7.根据权利要求6所述的带环境自适应能力的自动驾驶车辆纵向控制系统，其特征在于，所述纵向控制模块中计算纵向控制的前馈控制量，包括：

S51：计算载荷的前馈输出：

c_{f_c_l}＝k_lx_load+p_l

其中，c_{f_c_l}为载荷前馈输出，k_l载荷控制系数，p_l为载荷控制常量，x_load为载荷量；

S52：计算道路坡度的前馈输出：

c_{f_c_s}＝k_sx_slop+p_s

其中，c_{f_c_s}为道路坡度前馈输出，k_s道路坡度控制系数，p_s为道路坡度控制常量，x_slop为道路坡度；

S53：加权计算前馈控制量：

c_{f_c}＝l_lc_{f_c_l}+l_sc_{f_c_s}

其中，c_{f_c}为前馈控制量，l_l和l_s为加权系数。

8.根据权利要求6所述的带环境自适应能力的自动驾驶车辆纵向控制系统，其特征在于，所述纵向控制模块中计算纵向控制的反馈控制量，包括：

S54：实时计算纵向跟踪误差，包括速度跟随误差e_v＝v_sug-v_act，时间跟随误差e_t＝t_sug-t_act，位置跟随误差e_s＝s_sug-s_act，其中，t_sug为建议行驶时间戳，t_act为实际行驶时间戳，s_sug为建议行驶位置，s_act为实际行驶位置；

S55：计算加权后的纵向跟随误差e(t)＝k_ve_v+k_te_t+k_se_s，其中k_v、k_t、k_s分别为速度跟随误差、时间跟随误差和位置跟随误差的加权系数；

S56：将纵向跟随误差输入前馈PID控制器中；

S57：输出反馈PID控制器的反馈控制量：

其中，c_{b_c}为反馈控制量，k_p、k_i、k_d为PID控制器的控制参数，T_i为积分时间常数。

Images