CN112406889B - 基于运动学的车辆预测控制方法及处理器 - Google Patents

Abstract

本发明实施例公开一种基于运动学的车辆预测控制方法及处理器。该方法包括：获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量；将当前时刻的车辆行驶状态量作为实际状态量，根据预测状态量与实际状态量之间的差异，对车辆参数进行修改，得到修改后车辆参数；当所述修改后车辆参数相对于所述车辆参数满足收敛条件时，根据所述修改后车辆参数对所述车辆参数进行更新；基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。应用本发明实施例提供的方案，能够确定出更精确的车辆参数，提高模型预测的控制量的准确性。

Description

基于运动学的车辆预测控制方法及处理器

技术领域

本发明涉及智能驾驶技术领域，具体而言，涉及一种基于运动学的车辆预测控制方法及处理器。

背景技术

在智能驾驶的底层控制方法中，模型预测控制(Model Predictive Control，MPC)作为一种致力于解决对未来有限时间内最优的控制策略被提出。它可以通过预测未来一段时间的状态量，加上对控制量的约束，从而达到较快的动态响应和较好的控制平滑性。

按照车辆模型不同，MPC可分为基于车辆运动学预测模型和基于车辆动力学预测模型的控制。对于基于车辆运动学预测模型的MPC，一般应用于车辆规划算法中来使得规划的路径符合实际且满足运动学几何约束。当车辆在良好的路面低速行驶时，可以采用基于车辆运动学预测模型的MPC来确定控制量。

在以往基于车辆运动学预测模型的MPC控制方案中，车辆运动学预测模型含有车辆轴距l等车辆参数。车辆参数的不确定性会造成模型预测的控制量不准确，从而造成对车辆控制时的性能下降。

发明内容

本发明提供了一种基于运动学的车辆预测控制方法及处理器，以确定出更精确的车辆参数，提高模型预测的控制量的准确性。具体的技术方案如下。

第一方面，本发明实施例公开了一种基于运动学的车辆预测控制方法，包括：

获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量；其中，所述上一时刻的车辆控制量为：基于MPC模块中包含车辆参数的车辆运动学预测模型和所述上一时刻的车辆行驶状态量确定；

根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数；其中，所述实际状态量为所述当前时刻的车辆行驶状态量，所述预测状态量为：根据所述上一时刻的车辆行驶状态量、上一时刻的车辆控制量以及包含所述车辆参数的车辆运动学预测模型确定的车辆行驶状态量；

当所述修改后车辆参数相对于所述车辆参数满足收敛条件时，根据所述修改后车辆参数对所述车辆参数进行更新；

基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

可选的，所述根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数的步骤，包括：

获取确定所述车辆参数时所述车辆参数的置信度；

根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数。

可选的，所述根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数的步骤，包括：

根据以下公式，对所述车辆参数进行修改，得到修改后车辆参数：

其中，所述

为所述车辆参数，所述P(k-1)为所述车辆参数的置信度，所述

为所述修改后车辆参数，所述I为单位矩阵，所述λ为预设的遗忘因子，Y(k)＝v_k-1T_s tanδ_k-1，φ^T(k)＝θ_k-θ_k-1，所述T_s为所述当前时刻与所述上一时刻之间的时间间隔，所述上一时刻的车辆行驶状态量包括车辆速度v_k-1和车辆朝向角θ_k-1，所述当前时刻的车辆行驶状态量包括车辆朝向角θ_k，所述上一时刻的车辆控制量包括前轮偏转角δ_k-1，所述Y(k)和φ(k)为从预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1中得到，T为矩阵转置符号。

可选的，所述车辆参数包括车辆轴距。

可选的，所述预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1采用以下方式确定：

获取车辆运动学预测模型的原理公式：

对所述原理公式进行离散化，得到所述预测模型公式：

l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1。

可选的，采用以下方式确定所述修改后车辆参数相对于所述车辆参数是否满足收敛条件：

当所述修改后车辆参数与所述车辆参数的差值绝对值小于预设阈值时，确定所述修改后车辆参数相对于所述车辆参数满足收敛条件。

可选的，所述基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量的步骤，包括：

基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定包含待优化控制量的待优化预测状态量；

获取所述车辆的行驶状态参考量，确定状态量偏差和所述待优化控制量之间的和值，对所述待优化控制量和所述待优化预测状态量进行修改，当所述和值取最小值时，将修改后的待优化控制量确定为当前时刻的车辆控制量；其中，所述状态量偏差为所述待优化预测状态量与所述行驶状态参考量之间的偏差。

可选的，当所述修改后车辆参数相对于所述车辆参数不满足收敛条件时，所述方法还包括：

基于所述MPC模块中包含所述车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量；

所述方法还包括：

当确定当前时刻的车辆控制量之后，基于所述当前时刻的车辆控制量对所述车辆进行控制。

第二方面，本发明实施例公开了一种车载终端中的处理器，包括：

获取模块，用于获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量；其中，所述上一时刻的车辆控制量为：基于模型预测控制MPC模块中包含车辆参数的车辆运动学预测模型和所述上一时刻的车辆行驶状态量确定；

修改模块，用于根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数；其中，所述实际状态量为所述当前时刻的车辆行驶状态量，所述预测状态量为：根据所述上一时刻的车辆行驶状态量、上一时刻的车辆控制量以及包含所述车辆参数的车辆运动学预测模型确定的车辆行驶状态量；

更新模块，用于当所述修改后车辆参数相对于所述车辆参数满足收敛条件时，根据所述修改后车辆参数对所述车辆参数进行更新；

确定模块，用于基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

可选的，所述修改模块，具体用于：

获取确定所述车辆参数时所述车辆参数的置信度；

根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数。

可选的，所述修改模块，根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数时，包括：

根据以下公式，对所述车辆参数进行修改，得到修改后车辆参数：

其中，所述

为所述车辆参数，所述P(k-1)为所述车辆参数的置信度，所述

为所述修改后车辆参数，所述I为单位矩阵，所述λ为预设的遗忘因子，Y(k)＝v_k-1T_s tanδ_k-1，φ^T(k)＝θ_k-θ_k-1，所述T_s为所述当前时刻与所述上一时刻之间的时间间隔，所述上一时刻的车辆行驶状态量包括车辆速度v_k-1和车辆朝向角θ_k-1，所述当前时刻的车辆行驶状态量包括车辆朝向角θ_k，所述上一时刻的车辆控制量包括前轮偏转角δ_k-1，所述Y(k)和φ(k)为从预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1中得到，T为矩阵转置符号。

可选的，所述车辆参数包括车辆轴距。

可选的，所述预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1采用以下操作确定：

获取车辆运动学预测模型的原理公式：

对所述原理公式进行离散化，得到所述预测模型公式：

l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1。

可选的，所述处理器还包括：判断模块，用于采用以下操作确定所述修改后车辆参数相对于所述车辆参数是否满足收敛条件：

当所述修改后车辆参数与所述车辆参数的差值绝对值小于预设阈值时，确定所述修改后车辆参数相对于所述车辆参数满足收敛条件。

可选的，所述确定模块，具体用于：

基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定包含待优化控制量的待优化预测状态量；

获取所述车辆的行驶状态参考量，确定状态量偏差和所述待优化控制量之间的和值，对所述待优化控制量和所述待优化预测状态量进行修改，当所述和值取最小值时，将修改后的待优化控制量确定为当前时刻的车辆控制量；其中，所述状态量偏差为所述待优化预测状态量与所述行驶状态参考量之间的偏差。

可选的，所述确定模块还用于：

当所述修改后车辆参数相对于所述车辆参数不满足收敛条件时，基于所述MPC模块中包含所述车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量；

所述处理器还包括：

发送模块，用于当确定当前时刻的车辆控制量之后，将所述当前时刻的车辆控制量发送至所述车载终端中的控制模块，以使所述控制模块基于所述当前时刻的车辆控制量对所述车辆进行控制。

由上述内容可知，本发明实施例提供的基于运动学的车辆预测控制方法及处理器中，由于预测状态量为根据上一时刻的车辆行驶状态量、前一时刻的车辆控制量以及包含车辆参数的车辆运动学预测模型确定，因此可以根据预测状态量与实际状态量之间的差异对车辆参数进行修改，得到更精确的车辆参数，基于更精确的车辆参数确定更准确的车辆控制量。因此本发明实施例能够确定出更精确的车辆参数，提高模型预测的控制量的准确性。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

本发明实施例的创新点包括：

1、根据车辆行驶状态量，MPC模块能够预测下一时刻的车辆控制量，利用下一时刻车辆实际的行驶状态量与MPC在预测车辆控制量时的预测状态量之间的差异，能够对MPC中的车辆参数进行修改，确定更精确的车辆参数，进而确定更准确的车辆控制量。

2、采用最小二乘参数辨识算法，对车辆运动学预测模型的车辆参数进行修改，能够得到更准确的车辆参数，为修改车辆参数提供了可实施的方式。

3、提供了采用最小二乘参数辨识的具体公式，为对车辆参数进行修改，提供了可实施的方式。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的基于运动学的车辆预测控制方法的一种流程示意图；

图2为本发明实施例提供的MPC的一种内部结构示意图；

图3为全局坐标系中车辆运动学参数的一种参考图；

图4为本发明实施例提供的车载终端中的处理器的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含的一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

本发明实施例公开了一种基于运动学的车辆预测控制方法及处理器，能够确定出更精确的车辆参数，提高模型预测的控制量的准确性。下面对本发明实施例进行详细说明。

图1为本发明实施例提供的基于运动学的车辆预测控制方法的一种流程示意图。该方法应用于电子设备。该电子设备可以为普通计算机、服务器或者智能终端设备等，也可以为车载电脑或车载工业控制计算机(Industrial personal Computer，IPC)等车载终端，模型预测控制(Model Predictive Control，MPC)模块也可以设置于该车载终端中。MPC模块可以位于执行主体电子设备内，也可以位于除该电子设备之外的其他电子设备中。该方法具体包括以下步骤。

S110：获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量。

其中，上一时刻是指当前时刻的上一时刻。车辆预测控制是周期性执行的，当前时刻和上一时刻分别可以为连续的两次车辆预测控制时刻。

上一时刻的车辆控制量为：基于MPC模块中包含车辆参数的车辆运动学预测模型和上一时刻的车辆行驶状态量确定。由于将上一时刻的车辆行驶状态量输入MPC模块后，MPC模块能够基于包含车辆参数的车辆运动学预测模型确定车辆的预测状态量和车辆的控制量，该控制量即为当前时刻的车辆控制量。

获取当前时刻的车辆行驶状态量时，可以为直接从车载终端中的车辆状态检测模块得到，也可以从保存的各个时刻的车辆状态量中获取。获取上一时刻的车辆行驶状态量时，可以从保存的各个时刻的车辆状态量中获取。获取上一时刻的车辆控制量时，可以从保存的各个时刻的车辆控制量中获取。

其中，上述车辆行驶状态量包括但不限于：车辆位姿、车辆速度和车辆加速度等中的一种或多种。车辆位姿可以包括车辆位置和车辆姿态。

车辆位置可以采用全局坐标系中的坐标(x，y)表示，车辆姿态可以采用车辆在全局坐标系中的朝向角θ表示，车辆速度v可以采用车辆后轴在全局坐标系中的速度表示。全局坐标系也可以称为世界坐标系，为高精度地图所在的坐标系。

车辆参数可以理解为车辆运动学模型的模型参数。车辆控制量为用于对车辆的行驶进行控制的参量，可以包括方向盘控制量、油门控制量和刹车控制量等中的一种或多种。本实施例中车辆参数可以包括车辆的前后轮轴之间的距离，即车辆轴距l。车辆控制量可以包括车辆的加速度a和前轮偏转角δ。

参见图2所示，为MPC与车辆控制模块之间的一种信息交互示意图。MPC模块从车辆控制模块中获取车辆的x、y、θ和v，并向车辆提供车辆控制量。

参见图3所示，为全局坐标系xoy中车辆运动学参数的一种参考图。其中，车辆后轮轴的垂线与x轴的夹角为车辆的朝向角θ，车辆的前轮相对于车体坐标系的偏转角δ为前轮偏转角，车辆后轮轴的速度为车辆速度v。

S120：根据预测状态量与实际状态量之间的差异，对上述车辆参数进行修改，得到修改后车辆参数。

其中，实际状态量为当前时刻的车辆行驶状态量，预测状态量为：根据上一时刻的车辆行驶状态量、上一时刻的车辆控制量以及包含上述车辆参数的车辆运动学预测模型确定的车辆行驶状态量。

车辆行驶状态量为车辆实际行驶过程中检测到的车辆状态。当车辆参数为理想值时，以上一时刻的车辆控制量对车辆进行控制，车辆行驶过程中检测到的状态量应为预测的车辆状态量，该预测的车辆状态量即为上述预测状态量。当车辆参数不为理想值时，可以根据预测状态量与实际状态量之间的差异对车辆参数进行修改。

车辆参数会因为轮胎状况和车辆质量等参数的变化而变化。在非常短的时间内车辆参数可能会发生很小的变化，并且，在车辆行驶的过程中，采用实时检测准确的车辆参数的方式并不可行。本实施例中，根据预测状态量和实际状态量之间的差异对车辆参数进行修改，能够得到更精确的车辆参数，为快速确定精确的车辆参数提供了较好的实施方式。

S130：当修改后车辆参数相对于车辆参数满足收敛条件时，根据修改后车辆参数对上述车辆参数进行更新。

当修改后车辆参数相对于上述车辆参数满足收敛条件时，认为修改后得到的车辆参数是准确的车辆参数，可以将修改后车辆参数替换至车辆运动学预测模型中，替代原来的车辆参数。

具体的，可以采用以下方式确定修改后车辆参数相对于车辆参数是否满足收敛条件：

当修改后车辆参数与车辆参数的差值绝对值小于预设阈值时，确定修改后车辆参数相对于上述车辆参数满足收敛条件。

当修改后车辆参数与车辆参数的差值绝对值不小于预设阈值时，确定修改后车辆参数相对于上述车辆参数不满足收敛条件。

由于车辆参数是较缓慢变化的，在较短时间间隔内，车辆参数的变化比较小，可以据此来对上述车辆参数的准确性进行更准确的判定。

S140：基于MPC模块中包含更新后车辆参数的车辆运动学预测模型和当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

在当前时刻，当修改后车辆参数相比于上述车辆参数更精确时，采用包含更新后车辆参数的车辆运动学预测模型确定的车辆控制量，比采用包含原来车辆参数的车辆运动学预测模型确定的车辆控制量，会更准确。

由上述内容可知，本实施例中，由于预测状态量为根据上一时刻的车辆行驶状态量、前一时刻的车辆控制量以及包含车辆参数的车辆运动学预测模型确定，因此可以根据预测状态量与实际状态量之间的差异对车辆参数进行修改，得到更精确的车辆参数，基于更精确的车辆参数确定更准确的车辆控制量。因此本实施例能够确定出更精确的车辆参数，提高模型预测的控制量的准确性。

在本发明的另一实施例中，基于图1所示实施例，步骤S120，根据预测状态量与实际状态量之间的差异，对上述车辆参数进行修改，得到修改后车辆参数的步骤，可以包括以下步骤1a和2a。

步骤1a：获取确定车辆参数时所述车辆参数的置信度。

一种实施方式中，修改车辆参数的操作可以周期性执行。上述车辆参数可以为确定该车辆参数时确定的置信度。

步骤2a：根据预测状态量与实际状态量之间的差异，以及上述车辆参数的置信度，采用最小二乘参数辨识算法对上述车辆参数进行修改，得到修改后车辆参数。

本实施例中，采用最小二乘参数辨识算法，对车辆运动学预测模型的车辆参数进行修改，能够得到更精确的车辆参数，为修改车辆参数提供了可实施的方式。

在本发明的另一实施例中，步骤2a，根据预测状态量与实际状态量之间的差异，以及上述车辆参数的置信度，采用最小二乘参数辨识算法对上述车辆参数进行修改，得到修改后车辆参数的步骤，包括：

根据以下公式(1)，对上述车辆参数进行辨识，得到修改后车辆参数：

其中，

为上述车辆参数，P(k-1)为所述车辆参数的置信度，

为修改后车辆参数，I为单位矩阵，λ为预设的遗忘因子，Y(k)＝v_k-1T_s tanδ_k-1，φ^T(k)＝θ_k-θ_k-1，T_s为当前时刻与上一时刻之间的时间间隔，上一时刻的车辆行驶状态量包括车辆速度v_k-1和车辆朝向角θ_k-1，当前时刻的车辆行驶状态量包括车辆朝向角θ_k，上一时刻的车辆控制量包括前轮偏转角δ_k-1，Y(k)和φ(k)为从预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1中得到，T为矩阵转置符号，l为理想的车辆参数。

上述k代表本次车辆预测控制，对应于当前时刻；k-1代表上一次车辆预测控制，对应于上一时刻。预测模型公式为车辆运动学预测模型对车辆控制量进行预测时依据的公式。

综上，本实施例采用最小二乘参数辨识公式，对车辆参数进行辨识，在原来的车辆参数基础上得到了修改后的车辆参数，为确定出更精确的车辆参数提供了可实施方式。

在一种实施例中，车辆参数l可以包括车辆轴距。

基于上述实施例，预测模型公式l(θ_k-θ_k-1)＝v_k-1T_s tanδ_k-1可以采用以下步骤1b～2b确定：

步骤1b：获取车辆运动学预测模型的原理公式：

其中，参见图3所示坐标系，在连续时间域中，车辆运动学预测模型的状态空间方程为

其中，a为车辆的加速度。从公式(3)中可以得到公式(2)。

步骤2b：对上述原理公式进行离散化，得到预测模型公式：

l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1。

对上述原理公式进行离散化处理，即将dt采用时间周期T_s表示，并将上一次预测k+1的数据和当前本次预测k的数据代入可得到。

综上，本实施例提供了从车辆运动学预测模型的原理公式推导得到进行最小二乘辨识所需要的预测模型公式的过程。

在本发明的另一实施例中，基于图1所示实施例，步骤S140，基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量的步骤，包括以下步骤1c和2c。

步骤1c：基于MPC模块中包含更新后车辆参数的车辆运动学预测模型和上一时刻的车辆行驶状态量，确定包含待优化控制量的待优化预测状态量。

在上述实施例中，迭代求解得到

之后，可以将

代入公式(2)中，得到包含更新后车辆参数的车辆运动学预测模型的原理公式。根据该原理公式，经过递推，可以得到在未来N_p时刻内的状态空间方程，该状态空间方程即为包含待优化控制量的待优化预测状态量。

步骤2c：获取车辆的行驶状态参考量，确定状态量偏差和待优化控制量之间的和值，对待优化控制量和待优化预测状态量进行修改，当和值取最小值时，将修改后的待优化控制量确定为当前时刻的车辆控制量。

其中，状态量偏差为待优化预测状态量与行驶状态参考量之间的偏差。车辆的行驶状态参考量可以理解为针对车辆而期望的行驶状态。状态量偏差可以理解为预测状态量与理想状态量之间的差异。

本步骤中，可以通过多次修改待优化控制量和待优化预测状态量，并更新上述和值，直至确定最小和值，将确定最小和值时对应的修改后的待优化控制量确定为当前时刻的车辆控制量。

在一种实施方式中，上述步骤1c可以由MPC中的车辆运动学预测模型模块处理，步骤2c可以由MPC中的滚动优化模块处理。

在一种实施方式中，基于模型预测控制MPC模块中包含车辆参数的车辆运动学预测模型和上一时刻的车辆行驶状态量确定上一时刻的车辆控制量时，具体实施方式可以参照上述步骤1c和2c进行，可以包括：基于MPC模块中包含车辆参数的车辆运动学预测模型和上一时刻的车辆行驶状态量，确定包含待优化控制量的待优化预测状态量；获取车辆的行驶状态参考量，确定状态量偏差和待优化控制量之间的和值，对待优化控制量和待优化预测状态量进行修改，当和值取最小值时，将修改后的待优化控制量确定为上一时刻的车辆控制量。

在一个实施方式中，参见图2所示的MPC的内部结构示意图，将从车辆中获取的第一时刻的车辆行驶状态量(x、y、θ、v)输入MPC模块中的反馈矫正模块，反馈矫正模块对车辆行驶状态量做预设处理后，将处理后的车辆行驶状态量输入最小二乘参数修改模块，最小二乘参数修改模块根据实际状态量和预测状态量之间的差异对车辆参数进行修改，当确定参数收敛时，将修改后车辆参数更新至车辆运动学预测模型中。车辆运动学预测模型根据更新后车辆参数和当前时刻的车辆行驶状态量确定待优化控制量，并通过滚动优化模块对待优化控制量进行优化后得到当前时刻的车辆控制量。滚动优化模块将当前时刻的车辆控制量输入车辆。

在本发明的另一实施例中，基于图1所示实施例中，当修改后车辆参数相对于上述车辆参数不满足收敛条件时，还可以基于MPC模块中包含车辆参数的车辆运动学预测模型和当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

在本实施例中，当确定当前时刻的车辆控制量之后，基于当前时刻的车辆控制量对车辆进行控制。上述当前时刻的车辆控制量可以为上述方式确定的，也可以为根据步骤S140确定的。

当目标车辆控制量为车辆的前轮偏转角时，可以根据该前轮偏转角对车辆的方向盘进行控制，使得车辆的前轮偏转达到上述前轮偏转角。

综上，本实施例中，当辨识的车辆参数收敛时，基于辨识后得到的目标车辆控制量对车辆进行控制；当辨识的车辆参数不收敛时，基于辨识前的初始车辆控制量对车辆进行控制，能够从整体上优化对车辆的控制。

图4为本发明实施例提供的车载终端中的处理器的一种结构示意图。本实施例与图1所示方法实施例相对应。该处理器包括：

获取模块410，用于获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量；其中，所述上一时刻的车辆控制量为：基于模型预测控制MPC模块中包含车辆参数的车辆运动学预测模型和所述上一时刻的车辆行驶状态量确定；

修改模块420，用于根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数；其中，所述实际状态量为所述当前时刻的车辆行驶状态量，所述预测状态量为：根据所述上一时刻的车辆行驶状态量、上一时刻的车辆控制量以及包含所述车辆参数的车辆运动学预测模型确定的车辆行驶状态量；

更新模块430，用于当所述修改后车辆参数相对于所述车辆参数满足收敛条件时，根据所述修改后车辆参数对所述车辆参数进行更新；

确定模块440，用于基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

可选的，所述修改模块420，具体用于：

获取确定所述车辆参数时所述车辆参数的置信度；

根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数。

可选的，所述修改模块420，根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数时，包括：

根据以下公式，对所述车辆参数进行修改，得到修改后车辆参数：

其中，所述

为所述车辆参数，所述P(k-1)为所述车辆参数的置信度，所述

为所述修改后车辆参数，所述I为单位矩阵，所述λ为预设的遗忘因子，Y(k)＝v_k-1T_s tanδ_k-1，φ^T(k)＝θ_k-θ_k-1，所述T_s为所述当前时刻与所述上一时刻之间的时间间隔，所述上一时刻的车辆行驶状态量包括车辆速度v_k-1和车辆朝向角θ_k-1，所述当前时刻的车辆行驶状态量包括车辆朝向角θ_k，所述上一时刻的车辆控制量包括前轮偏转角δ_k-1，所述Y(k)和φ(k)为从预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1中得到，T为矩阵转置符号。

可选的，所述车辆参数包括车辆轴距。

可选的，所述预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1采用以下操作确定：

获取车辆运动学预测模型的原理公式：

对所述原理公式进行离散化，得到所述预测模型公式：

l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1。

可选的，所述处理器还包括：判断模块(图中未示出)，用于采用以下操作确定所述修改后车辆参数相对于所述车辆参数是否满足收敛条件：

当所述修改后车辆参数与所述车辆参数的差值绝对值小于预设阈值时，确定所述修改后车辆参数相对于所述车辆参数满足收敛条件。

可选的，所述确定模块440，具体用于：

基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定包含待优化控制量的待优化预测状态量；

获取所述车辆的行驶状态参考量，确定状态量偏差和所述待优化控制量之间的和值，对所述待优化控制量和所述待优化预测状态量进行修改，当所述和值取最小值时，将修改后的待优化控制量确定为当前时刻的车辆控制量；其中，所述状态量偏差为所述待优化预测状态量与所述行驶状态参考量之间的偏差。

可选的，所述确定模块440还用于：

当所述修改后车辆参数相对于所述车辆参数不满足收敛条件时，基于所述MPC模块中包含所述车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量；

所述处理器还包括：

发送模块(图中未示出)，用于当确定当前时刻的车辆控制量之后，将所述当前时刻的车辆控制量发送至所述车载终端中的控制模块，以使所述控制模块基于所述当前时刻的车辆控制量对所述车辆进行控制。

上述处理器实施例与方法实施例相对应，与该方法实施例具有同样的技术效果，具体说明参见方法实施例。处理器实施例是基于方法实施例得到的，具体的说明可以参见方法实施例部分，此处不再赘述。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (9)

1.一种基于运动学的车辆预测控制方法，其特征在于，包括：

获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量；其中，所述上一时刻的车辆控制量为：基于模型预测控制MPC模块中包含车辆参数的车辆运动学预测模型和所述上一时刻的车辆行驶状态量确定，所述车辆参数包括车辆轴距；

根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数；其中，所述实际状态量为所述当前时刻的车辆行驶状态量，所述预测状态量为：根据所述上一时刻的车辆行驶状态量、上一时刻的车辆控制量以及包含所述车辆参数的车辆运动学预测模型确定的车辆行驶状态量；

当所述修改后车辆参数相对于所述车辆参数满足收敛条件时，根据所述修改后车辆参数对所述车辆参数进行更新；

基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

2.如权利要求1所述的方法，其特征在于，所述根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数的步骤，包括：

获取确定所述车辆参数时所述车辆参数的置信度；

根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数。

3.如权利要求2所述的方法，其特征在于，所述根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数的步骤，包括：

根据以下公式，对所述车辆参数进行修改，得到修改后车辆参数：

其中，所述

为所述车辆参数，所述P(k-1)为所述车辆参数的置信度，所述

为所述修改后车辆参数，所述I为单位矩阵，所述λ为预设的遗忘因子，Y(k)＝v_k-1T_stanδ_k-1，φ^T(k)＝θ_k-θ_k-1，所述T_s为所述当前时刻与所述上一时刻之间的时间间隔，所述上一时刻的车辆行驶状态量包括车辆速度v_k-1和车辆朝向角θ_k-1，所述当前时刻的车辆行驶状态量包括车辆朝向角θ_k，所述上一时刻的车辆控制量包括前轮偏转角δ_k-1，所述Y(k)和φ(k)为从预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1中得到，T为矩阵转置符号。

4.如权利要求3所述的方法，其特征在于，所述预测模型公式l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1采用以下方式确定：

获取车辆运动学预测模型的原理公式：

对所述原理公式进行离散化，得到所述预测模型公式：

l(θ_k-θ_k-1)＝v_k-1T_stanδ_k-1。

5.如权利要求1所述的方法，其特征在于，采用以下方式确定所述修改后车辆参数相对于所述车辆参数是否满足收敛条件：

当所述修改后车辆参数与所述车辆参数的差值绝对值小于预设阈值时，确定所述修改后车辆参数相对于所述车辆参数满足收敛条件。

6.如权利要求1所述的方法，其特征在于，所述基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量的步骤，包括：

基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定包含待优化控制量的待优化预测状态量；

获取所述车辆的行驶状态参考量，确定所述状态量偏差和所述待优化控制量之间的和值，对所述待优化控制量和所述待优化预测状态量进行修改，当所述和值取最小值时，将修改后的待优化控制量确定为当前时刻的车辆控制量；其中，所述状态量偏差为所述待优化预测状态量与所述行驶状态参考量之间的偏差。

7.如权利要求1所述的方法，其特征在于，当所述修改后车辆参数相对于所述车辆参数不满足收敛条件时，所述方法还包括：

基于所述MPC模块中包含所述车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量；

所述方法还包括：

当确定所述当前时刻的车辆控制量之后，基于所述当前时刻的车辆控制量对所述车辆进行控制。

8.一种车载终端中的处理器，其特征在于，包括：

获取模块，用于获取当前时刻的车辆行驶状态量，获取上一时刻的车辆行驶状态量以及上一时刻的车辆控制量；其中，所述上一时刻的车辆控制量为：基于MPC模块中包含车辆参数的车辆运动学预测模型和所述上一时刻的车辆行驶状态量确定，所述车辆参数包括车辆轴距；

修改模块，用于根据预测状态量与实际状态量之间的差异，对所述车辆参数进行修改，得到修改后车辆参数；其中，所述实际状态量为所述当前时刻的车辆行驶状态量，所述预测状态量为：根据所述上一时刻的车辆行驶状态量、上一时刻的车辆控制量以及包含所述车辆参数的车辆运动学预测模型确定的车辆行驶状态量；

更新模块，用于当所述修改后车辆参数相对于所述车辆参数满足收敛条件时，根据所述修改后车辆参数对所述车辆参数进行更新；

确定模块，用于基于所述MPC模块中包含更新后车辆参数的车辆运动学预测模型和所述当前时刻的车辆行驶状态量，确定当前时刻的车辆控制量。

9.如权利要求8所述的处理器，其特征在于，所述修改模块，具体用于：

获取确定所述车辆参数时所述车辆参数的置信度；

根据预测状态量与实际状态量之间的差异，以及所述车辆参数的置信度，采用最小二乘参数辨识算法对所述车辆参数进行修改，得到修改后车辆参数。

Images