CN112455533A - 一种用于自动驾驶汽车的转向助力方法 - Google Patents

Abstract

本发明实施例提供一种用于自动驾驶汽车的转向助力方法，包括：建立电动助力转向系统的数学模型；基于所述转向系统的数学模型，通过采集转矩传感器信号、车速信号和前轮转角信号，获得汽车转向阻力矩的预估值和路面附着系数的预估值；基于所述非线性数学模型及所述汽车转向阻力矩的预估值和路面附着系数的预估值，获得汽车行驶安全边界；根据汽车转向阻力矩的预估值和路面附着系数的预估值以及汽车行驶安全边界，获得电机助力矩变化规律；根据所述电机助力矩变化规律确定转向助力矩，实现自动驾驶汽车的转向助力。根据本技术方案确定的转向助力特性可以有效地协调控制汽车底盘纵向和侧向系统的工作，实现自动驾驶汽车在各种工况下总体性能的最优。

Description

一种用于自动驾驶汽车的转向助力方法

技术领域

本发明属于汽车转向助力技术领域，具体的说，是涉及一种用于自动驾驶汽车的转向助力方法。

背景技术

电动助力转向EPS在汽车上的功能之一是为驾驶员转动方向盘时提供转向助力矩，另一个功能是作为执行器为自动驾驶汽车的高级功能，如自动泊车、车道保持等，提供转向执行操作。从L1到L5级别的自动驾驶汽车都需要汽车驾驶辅助系统实现转向操作，EPS系统可以根据转向盘力矩和车速的不同，决定是否助力以及助力的大小，具备以往任何转向助力系统所不具备的车速感应能力和助力效果。一般情况下，在车辆低速时，为提高汽车转向轻便性，EPS提供较大转向助力；随着车速的提高，为保证汽车行驶稳定性，使驾驶员能够感受到比较明显的“路感”，EPS提供的转向助力可以逐渐减小。但是这种控制策略用到自动驾驶汽车上需要做一些修正。比如，在正常良好的路况上行驶时，自动驾驶汽车的转向操作可以不需要驾驶员参与，即EPS系统中的转向助力电机完全提供转向力矩，转向力矩的大小需要综合车速、路感、方向盘最佳回正性等因素设计；而在遇到突发情况，需要驾驶员接过方向盘操纵权时，EPS系统一方面应当有效判别驾驶员转向力矩是不是短暂的干扰力矩，另一方面需要和车身电子稳定性控制ESP系统协调控制，避免中低速情况下因ESP系统的介入造成驾驶员的不适，可以由EPS辅助驾驶员恢复汽车行驶的正确方向。目前，常用的电机助力特性的设计方法有将模糊神经网络与PID控制策略相结合的方法，建立含时滞的横摆角速度反馈控制电机助力转向模型，基于人工免疫的补偿控制策略控制助力电机输出电流等。这些方法的优点是转向助力特性可编程且鲁棒性良好，在任何工作条件下底层算法都能保证实际助力转矩趋近目标值，但缺点是无法感知转向阻力矩的变化情况，转向时的操作力矩完全取决于目标力矩的设定值，如果目标值无法根据路面、负载等情况进行调整则容易丧失路感。因此，本领域中尚缺乏能够应用在自动驾驶汽车上，可以实现EPS与ESP系统协调配合工作，既兼顾汽车行驶稳定性又考虑到路感需求的转向助力方法。

发明内容

为了改善上述问题，本发明的目的在于设计了一种应用在自动驾驶汽车上，基于三自由度非线性汽车动力学模型的转向助力方法。该方法利用传统EPS模型动态预估路面附着系数和转向阻力矩，按照汽车行驶安全边界的原则，应用NSGA-II多目标优化方法动态输出电机助力矩。

为了实现上述目的，本发明采用的技术方案如下：

一种用于自动驾驶汽车的转向助力方法，具体包括以下步骤：

步骤一、建立电动助力转向系统的数学模型；

步骤二、基于所述转向系统的数学模型，通过采集转矩传感器信号、车速信号和前轮转角信号，获得汽车转向阻力矩的预估值和路面附着系数的预估值；

步骤三、基于所述非线性数学模型及所述汽车转向阻力矩的预估值和路面附着系数的预估值，获得汽车行驶安全边界；

步骤四、根据所述汽车转向阻力矩的预估值和路面附着系数的预估值以及汽车行驶安全边界，应用NSGA-II多目标优化算法，获得电机助力矩变化规律；

步骤五、根据所述电机助力矩变化规律确定转向助力矩，实现自动驾驶汽车的转向助力。

本发明与现有技术相比，具有以下优点及有益效果：

该方法利用传统EPS模型动态预估路面附着系数和转向阻力矩，按照汽车行驶安全边界的原则，应用NSGA-II多目标优化方法动态输出电机助力矩。通过这种设计方法确定的转向助力特性可以有效地协调控制汽车底盘纵向和侧向系统的工作，实现自动驾驶汽车在各种工况下总体性能的最优。

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地介绍，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为本发明实施例的转向助力特性规律设计流程图；

图2为本发明实施例中EPS系统结构图；

图3为本发明实施例中三自由度非线性整车模型示意图；

图4为本发明实施例中路面附着系数预估流程图；

图5为本发明实施例中汽车行驶安全边界示意图；

图6为本发明实施例中采用NSGA-II多目标优化方法获得转向助力特性流程图。

其中附图标记所对应的名称如下：1-转向盘，2-转向盘转角传感器，3-转矩传感器，4- 电机减速机构，5-齿轮齿条转向器。

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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，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做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。

如图1-6所示，本实施例提供了一种用于自动驾驶汽车的转向助力方法，具体包括以下步骤：

步骤一、建立电动助力转向系统的非线性数学模型；如图2所示的，建立自动驾驶汽车上应用的电动助力转向系统非线性数学模型，建模过程中将一些不必要的具有弹性和阻尼特性的质量及惯性元件做了适当的简化处理，如将两侧转向轮至齿轮齿条转向器齿条端的部件简化为一线性弹簧，两侧弹簧的总刚度为K_r，两侧转向轮与齿条等效为一当量质量。

步骤二、根据所述非线性数学模型，通过采集转矩传感器信号T_s、车速信号V和前轮转角信号δ，获得汽车转向阻力矩的预估值和路面附着系数的预估值。

步骤三、根据所述非线性数学模型及所述汽车转向阻力矩的预估值和路面附着系数的预估值，获得汽车行驶安全边界。

步骤四、根据所述汽车转向阻力矩的预估值和路面附着系数的预估值以及汽车行驶安全边界，应用NSGA-II多目标优化算法，获得电机助力矩变化规律。

步骤五、根据所述电机助力矩变化规律确定转向助力矩，实现自动驾驶汽车的转向助力。

其中，所述步骤一中建立的非线性数学模型表示如下：

方向盘转矩传感器的信号值为：

转向助力电机的输出助力转矩为：

总转向阻力矩为：T_H＝T_s+T_m

根据电机工作的电磁感应原理有：

T_m＝K_fi

方向盘转角与齿轮齿条转向器齿条位移的关系为：

其中，T_s是方向盘转矩传感器的信号值，K_c是转矩传感器的扭杆刚度，θ_c是方向盘转角，p是齿条位移，r_p是转向器小齿轮半径，T_m是助力电机输出转矩，T_H是总的转向阻力矩，J_m是电机输出轴转动惯量，θ_m是电机转角，B_m是电机输出轴阻尼系数，T_fm是电机输出轴库伦摩擦转矩，K_m是电机输出轴刚度，i_m是电机减速机构传动比，K_f是电机反电动势系数，i是电机控制电流，u是电机控制电压，L是电机电感系数，R是电机电枢电阻，M_r是齿条和车轮的等效质量，F_f是齿条库伦摩擦力，B_r是齿条阻尼系数，K_r表示将两侧转向轮至齿轮齿条转向器齿条端的部件简化为一线性弹簧时，该弹簧的总刚度。

进一步地，所述步骤二中的汽车转向阻力矩的预估值通过下式获得：

其中，J_ω是转向系折算到转向轴的转动惯量，B_ω是转向系折算到转向轴的阻尼系数，δ是前轮转角，k是助力系数，M₁和M₂分别是轮胎拖矩和主销内倾造成的回正力矩，i₁是转向系统传动比；

所述步骤二中的路面附着系数预估值的确定，通过利用三自由度非线性整车模型建立无迹卡尔曼滤波观测器实现。

所述三自由度非线性整车模型如下：

F_y1cosδ+F_y2＝m(a_y+V_xω_r)

其中，m是汽车总质量，车速信号V表示车辆质心处的线速度，V_x表示V在x轴的速度分量，V_y表示V在y轴的速度分量，μ是路面附着系数，β是质心侧偏角，ω_r是质心处的横摆角速度，a是汽车前轴中心距离汽车质心的距离，b是汽车后轴中心距离汽车质心的距离，L是轴距，F_yk中k＝1或2，分别为F_y1代表前轮侧向力，F_y2代表后轮侧向力，α_k中k＝1 或2，分别为α₁是前轮的侧偏角，α₂是后轮的侧偏角，I_Z是质心处的转动惯量，a_y是质心处的侧向加速度，B是刚度因子，C是形状因子，D是峰值因子，E是曲率因子。

采用二阶高斯-马尔可夫过程将路面附着系数描述成待估计量：

式中，

分别是路面附着系数的一阶导数和二阶倒数，ω_μ是零均值的白噪声。

将待估计参数

增补到上述三自由度非线性整车模型中，得到本文所采用的路面附着系数估计模型：

系统的测量方程为：

y(t)＝h(x(t)，u(t))+v(t)

式中

为状态变量，y(t)＝[ω_r，a_y]^T为测量输出，u(t)＝δ为控制变量，ω(t)和v(t)分别为系统噪声和测量噪声，假设两者为零均值的白噪声，且互不相关。

根据所述路面附着系数估计模型及系统测量方程，建立无迹卡尔曼滤波观测器，确定状态变量点集的统计量，从而获得路面附着系数的预估量。

无迹变换(UT)变换是无迹卡尔曼滤波算法的核心和基础，UT变换的思想是在确保采样均值

和协方差P_x的前提下，选择一组状态变量点集，将非线性变换应用于采样的每个状态变量，得到非线性转换后的点集

和P_y是变换后状态变量点集的统计量，详细的算法流程如图4所示。

进一步地，所述步骤三中汽车行驶安全边界的确定如下：

由车轮的附着特性可知，在不同路面上车轮侧向力饱和值相差很大，高附着路面能承受更大的质心侧偏角和横摆角速度，而低附着路面上质心侧偏角和横摆角速度的安全范围则更小，故确定安全边界时由步骤二中获得的路面附着系数预估值是基础；

根据车辆动力学特性确定汽车行驶安全边界时，分别将整车模型输出的质心侧偏角和横摆角速度作为坐标系的横轴和纵轴，构建描述汽车稳定性的行驶安全边界，辨识汽车行驶的安全区域与不安全区域。

由预估得到的路面附着系数，得到稳态横摆角速度的最大值ω_rmax：

根据质心侧偏角上限β_max与后轴侧偏角的饱和值α_r的关系：

由ω_rmax和β_max确定安全边界点P；

当汽车前轮转角增大到临界值δ_m时，车辆非线性系统会出现分岔现象：

由δ_m决定的横摆角速度和质心侧偏角，记为Q点，根据前后轴侧偏角的关系有：

式中，α_f是前轴侧偏角的饱和值。

转向盘转角反方向时可以得到与P、Q两点分别对称的点M、N两，由此确定汽车行驶安全边界{P、Q、M、N}，如图5所示。

进一步地，自动驾驶汽车上使用的EPS系统，根据其工作特点，可以划分为三种工作状态：(1)正常状态，完全由助力电机提供转向力矩，即T_m＝T_H；(2)方向盘偶遇干扰力矩，T_s非常小且持续时间很短，可以认为T_m＝T_H；(3)驾驶员接过操控权，T_m＝T_H-T_s。故结合某自动驾驶汽车的相关参数，所述步骤四中获得的电机助力矩变化规律为：

上式中，满足汽车行驶安全边界的转向阻力矩T_H是由整车模型动态获得的，T_s由转矩传感器获取。可以看到，为了动态协调汽车的操纵稳定性和侧向稳定性，转向阻力矩T_m的获取是个多目标优化问题，即要同时满足车辆质心侧偏角和横摆角速度的要求。

本文中采用NSGA-II多目标优化方法求解，目标求解域为前述确定的汽车行驶安全边界，目标求解域内变量是符合前述确定的汽车行驶安全的所有变量。首先在目标求解域内随机产生N个初始种群Pt和子代种群Q_t，将二者结合成大小为2N的种群R_t，然后将父代与子代种群进行快读非支配排序，计算每个非支配层的个体拥挤度，由个体拥挤度及非支配关系，选取合适的个体组成新的父代种群P_t+1，最后由遗传算法产生新的子代种群Q_t+1，将P_t+1和Q_t+1结合成新种群R_t，重复上述步骤直至结束，程序流程如图6所示。

应该明白，公开的过程中的步骤的特定顺序或层次是示例性方法的实例。基于设计偏好，应该理解，过程中的步骤的特定顺序或层次可以在不脱离本公开的保护范围的情况下得到重新安排。所附的方法权利要求以示例性的顺序给出了各种步骤的要素，并且不是要限于所述的特定顺序或层次。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，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。

Claims (6)

1.一种用于自动驾驶汽车的转向助力方法，其特征在于，具体包括以下步骤：

步骤一、建立电动助力转向系统的数学模型；

步骤二、基于所述转向系统的数学模型，通过采集转矩传感器信号、车速信号和前轮转角信号，获得汽车转向阻力矩的预估值和路面附着系数的预估值；

步骤三、基于所述非线性数学模型及所述汽车转向阻力矩的预估值和路面附着系数的预估值，获得汽车行驶安全边界；

步骤四、根据所述汽车转向阻力矩的预估值和路面附着系数的预估值以及汽车行驶安全边界，应用NSGA-II多目标优化算法，获得电机助力矩变化规律；

步骤五、根据所述电机助力矩变化规律确定转向助力矩，实现自动驾驶汽车的转向助力。

2.根据权利要求1所述的用于自动驾驶汽车的转向助力方法，其特征在于，所述步骤一中建立的数学模型表示如下：

方向盘转矩传感器的信号值为：

转向助力电机的输出助力转矩为：

总转向阻力矩为：T_H＝T_s+T_m

根据电机工作的电磁感应原理有：

T_m＝K_fi

方向盘转角与齿轮齿条转向器齿条位移的关系为：

其中，T_s是方向盘转矩传感器的信号值，K_c是转矩传感器的扭杆刚度，θ_c是方向盘转角，p是齿条位移，r_p是转向器小齿轮半径，T_m是助力电机输出转矩，T_H是总的转向阻力矩，J_m是电机输出轴转动惯量，θ_m是电机转角，B_m是电机输出轴阻尼系数，T_fm是电机输出轴库伦摩擦转矩，K_m是电机输出轴刚度，i_m是电机减速机构传动比，K_f是电机反电动势系数，i是电机控制电流，u是电机控制电压，L是电机电感系数，R是电机电枢电阻，M_r是齿条和车轮的等效质量，F_f是齿条库伦摩擦力，B_r是齿条阻尼系数，K_r表示将两侧转向轮至齿轮齿条转向器齿条端的部件简化为一线性弹簧时，该弹簧的总刚度。

3.根据权利要求2所述的用于自动驾驶汽车的转向助力方法，其特征在于，所述步骤二中的汽车转向阻力矩的预估值通过下式获得：

其中，J_ω是转向系折算到转向轴的转动惯量，B_ω是转向系折算到转向轴的阻尼系数，δ是前轮转角，k是助力系数，M₁和M₂分别是轮胎拖矩和主销内倾造成的回正力矩，i₁是转向系统传动比；

所述步骤二中的路面附着系数预估值的确定，通过利用三自由度非线性整车模型建立无迹卡尔曼滤波观测器实现。

4.根据权利要求3所述的用于自动驾驶汽车的转向助力方法，其特征在于，所述三自由度非线性整车模型如下：

F_y1cosδ+F_y2＝m(a_y+V_xω_r)

其中，m是汽车总质量，车速信号V表示车辆质心处的线速度，V_x表示V在x轴的速度分量，V_y表示V在y轴的速度分量，μ是路面附着系数，β是质心侧偏角，ω_r是质心处的横摆角速度，a是汽车前轴中心距离汽车质心的距离，b是汽车后轴中心距离汽车质心的距离，L是轴距，F_yk中k＝1或2，分别为F_y1代表前轮侧向力，F_y2代表后轮侧向力，α_k中k＝1或2，分别为α₁是前轮的侧偏角，α₂是后轮的侧偏角，I_Z是质心处的转动惯量，a_y是质心处的侧向加速度，B是刚度因子，C是形状因子，D是峰值因子，E是曲率因子。

采用二阶高斯-马尔可夫过程将路面附着系数描述成待估计量：

式中，

分别是路面附着系数的一阶导数和二阶倒数，ω_μ是零均值的白噪声。

将待估计参数

增补到上述三自由度非线性整车模型中，得到路面附着系数估计模型：

系统的测量方程为：

y(t)＝h(x(t)，u(t))+v(t)

式中

为状态变量，y(t)＝[ω_r，a_y]^T为测量输出，u(t)＝δ为控制变量，ω(t)和v(t)分别为测试系统噪声和测量噪声；

根据所述路面附着系数估计模型及系统测量方程，建立无迹卡尔曼滤波观测器，确定状态变量点集的统计量，从而获得路面附着系数的预估量。

5.根据权利要求4所述的用于自动驾驶汽车的转向助力方法，其特征在于，所述步骤三中汽车行驶安全边界的确定如下：

由预估得到的路面附着系数μ，得到稳态横摆角速度的最大值ω_rmax：

根据质心侧偏角上限β_max与后轴侧偏角的饱和值α_r的关系：

由ω_rmax和β_max确定安全边界点P；

当汽车前轮转角增大到临界值δ_m时，车辆非线性系统会出现分岔现象，此时有：

由δ_m决定的横摆角速度ω_r和质心侧偏角β，记为Q点，根据前后轴侧偏角的关系有：

式中，α_f是前轴侧偏角的饱和值；

方向盘转角反方向时得到与P、Q两点分别对称的点M、N两，由此确定汽车行驶安全边界{P、Q、M、N}。

6.根据权利要求5所述的用于自动驾驶汽车的转向助力方法，其特征在于，所述步骤四中确定的电机助力矩变化规律为：

Images