CN112622895B - 一种应用于自动驾驶的轨迹控制的预估控制方法 - Google Patents
一种应用于自动驾驶的轨迹控制的预估控制方法 Download PDFInfo
- Publication number
- CN112622895B CN112622895B CN202011607138.XA CN202011607138A CN112622895B CN 112622895 B CN112622895 B CN 112622895B CN 202011607138 A CN202011607138 A CN 202011607138A CN 112622895 B CN112622895 B CN 112622895B
- Authority
- CN
- China
- Prior art keywords
- deviation
- change rate
- course angle
- transverse
- steering
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 151
- 238000012937 correction Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- YCKRFDGAMUMZLT-UHFFFAOYSA-N Fluorine atom Chemical compound [F] YCKRFDGAMUMZLT-UHFFFAOYSA-N 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims description 2
- 239000011737 fluorine Substances 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 210000004556 brain Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种应用于自动驾驶的轨迹控制的预估控制方法,属于基本智能驾驶技术领域。首先域控制器实时接收来自虚拟大脑控制器和整车CAN网络输入的信号,然后对信号中的横向偏差dy和航向角偏差dphi进行滤波后,代入动态误差预测估计模型中,计算得到新的横向偏差dy、航向角偏差dphi、横向偏差变化率和航向角偏差变化率;根据偏差动态变化量的预估模型预估未来Hp个点的横向偏差dy、横向偏差变化率、转向角偏差dphi以及转向角偏差变化率;最后计算转向角,以CAN报文形式输入给转向角控制系统,转向控制输出请求要受到主动转向系统稳定运行的物理极限限制。本发明提高了自动驾驶的安全性、舒适性,扩大了自动驾驶的适应场景。
Description
技术领域
本发明属于基本智能驾驶技术领域,特别涉及一种应用于自动驾驶的轨迹控制的预估控制方法。
背景技术
现有无人驾驶系统(SAE L4)自动驾驶的环境感知,路径规划全都交给具有强大计算能力的虚拟大脑来负责。整车控制器负责控制汽车执行执行机构—发动机,转向系统,制动系统等去使汽车跟踪大脑的轨迹。
传统的控制算法,无法或未充分利用到大脑的未来轨迹信息,同时结合整车的动力学信息,去安全、精准、舒适地驾驶汽车。传统控制算法—PID控制算法存在转向波动大,跟踪误差大,响应慢,鲁棒性低的问题,难以适应于复杂的开放地道路环境。
发明内容
为了解决上述问题,本发明提出一种应用于自动驾驶的轨迹控制的预估控制方法,设计合理,克服了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采用如下技术方案:
一种应用于自动驾驶的轨迹控制的预估控制方法,包括下列步骤:
步骤1:域控制器实时接收来自虚拟大脑控制器和整车CAN网络输入的信号;
虚拟大脑控制器输入的信号包括规划轨迹的坐标信息、运动信息以及当前车辆位置和参考轨迹的位置误差;
规划轨迹的坐标信号包括:横坐标y、纵坐标x以及航向角phi;
运动信息包括:规划轨迹的速度、加速度、曲率以及曲率变化速率;
当前车辆位置和参考轨迹的位置偏差包括:基于车辆坐标系的横向偏差dy、纵向偏差dx以及航向角偏差dphi;
整车CAN网络输入的信号包括:多信号来源的车速、多信号来源的转向角度、实际曲率、整车状态、转向系统状态、轮胎胎压以及整车车重;
步骤2:对横向偏差dy、航向角偏差dphi、横向偏差变化率和航向角偏差变化率滤波,并代入动态误差预估模型中,计算得到预估后的横向偏差dy、航向角偏差dphi、横向偏差变化率和航向角偏差变化率;该计算结果将滤掉横向偏差dy和航向角偏差dphi带来的杂波,同时可以修正滤掉横向偏差dy和航向角偏差dphi的自身的累计误差。
步骤3:以预估后的横向偏差dy和航向角偏差dphi、横向偏差变化率、航向角偏差变化率以及未来Hp个点的曲率请求、未来Hp个点的车速请求、当前转向角作为输入信号,根据偏差动态变化量的预估模型预估出未来Hp个点的横向偏差dy、横向偏差变化率、航向角偏差dphi以及航向角偏差变化率;
步骤4:计算转向角;
转向角等于稳态控制转向角Ustb的第一个值Ustb(1)和动态转向角△Urobuss之和。
步骤5:域控制器以CAN报文形式将计算得到的转向角请求信号传输至转向角控制系统,且转向控制输出请求要受到主动转向系统稳定运行的物理极限限制。
优选地,在步骤1中,域控制器限制输入信号的速度变化率、曲率变化率、横向偏差变化率、纵向偏差变化率以及航向角偏差变化率的大小,且对多信号源进行优先级处理,以提高系统的鲁棒性。
优选地,在步骤2中:
步骤2.1:将横向偏差dy、航向角偏差dphi、实测横向偏差变化率和实测航向角变化率与动态误差预估模型上一次输出的预估横向偏差dy、预估航向角偏差dphi、预估横向偏差变化率和预估航向角偏差变化率作差,得到横向偏差差值、航向角偏差差值、横向偏差变化率差值和航向角偏差变化率差值;
步骤2.2:对上述得到的差值分别进行卡尔曼滤波,得到横向偏差修正值、航向角偏差修正值、横向偏差变化率修正值和航向角偏差变化率修正值;
步骤2.3:将横向偏差修正值、航向角偏差修正值、横向偏差变化率修正值和航向角偏差变化率修正值与动态误差预估模型上一次输出的预估横向偏差、预估航向角偏差、预估横向偏差变化率和预估航向角偏差变化率作和,得到新的横向偏差、航向角偏差、横向偏差变化率和航向角偏差变化率;
步骤2.4:将新的横向偏差、航向角偏差、横向偏差变化率和航向角偏差变化率,以及当前反馈的实际车速和当前反馈的实际转向角,代入到动态误差预估模型中,计算得到此次预估后的横向偏差、航向角偏差、横向偏差变化率和航向角偏差变化率;
优选地,在步骤2.1中,根据控制器请求的曲率ctrl_curv、速度ctrl_vel,以及整车CAN反馈的转向速率yaw_rate、横向加速度latAccl,求出实测横向偏差变化率和实测航向角偏差变化率:
dy_rate=intgrl(latAccl-ctrl_vel^2*ctrl_curv);
dphi_rate=yaw_rate-ctrl_vel*ctrl_curv;
其中,dy_rate为实测横向偏差变化率,dphi_rate为实测航向角偏差变化率,intgrl为积分函数。
优选地,动态误差预估模型是基于车速的线性化的车辆动力学离散模型,不同的车速下对应一个线性的误差动力学模型,误差动力学的连续性模型为:
其中,e1,e2,分别为横向偏差,横向偏差变化率,航向角偏差,航向角偏差变化率;δf为前轮转向角,cr为请求轨迹的曲率;v为车身的质心速度,IZ为车体转动惯量,m为车体的质量,caf为前轮胎的转向刚度,car为后轮胎的转向刚度,Lf为从前轴到车辆质心的距离,Lr1为从后轴第一根轴到质心的距离,Lr2为从后轴第二根轴到质心的距离;
将等式①转化为不同车速下的离散模型,离散化的采样周期为Ts,离散化的方法可以是零阶保持方法,一阶保持方法或双线性方法,转换后的模型为:
xk+1=Ad(i)xk+Bd(i)uk+Ed(i)rk ②
其中,Ad(i)、Bd(i)、Ed(i)是指不同车速下的离散化模型矩阵;k为数字计算步数,i表示整数化后的车速值,比如车速为12.6m/s,最近值整数化为12m/s;
等式②即为动态误差预估模型,是针对6*4配置的卡车车头所建立的模型。
优选地,基于动态误差预估模型,该动态误差预估模型可以描述为:
其中,k为数字计算步数;xdyn(k+1)分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率的动态变化量;xS(k)分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率的稳态变化量;xk+1分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率;udyn是转向系统的转向角动态变化量;uS(k)是转向系统的转向角稳态量,uk是转向系统的转向角;
基于等式③,得到一种偏差动态变化量的预估模型:
其中,Hu为预估控制的动态控制量预期步数;Hp为预估控制的预估步数,且每步的步长为Ts;Ad,Bd,Ed为某个特定车速Vavg下动态误差预估模型的矩阵式,Vavg是给定轨迹点的车速在Hp内的平均车速。
优选地,在步骤3中,Hp的范围为3~50,预估时间范围为300ms~5s。当预估时间或点数过小,则预估动态变化不大;当预估时间或点数过大,则预估的动态变化误差太大。
优选地,在步骤4中,包括下列子步骤:
步骤4.1:植入二次优化算法的离线计算公式,计算动态转向角△Urobuss;
预估控制的基本原理是根据设计的罚函数,计算出最优控制值,并把最优控制值的第一个值作为最终的控制值。罚函数包括轨迹的预估的横向偏差加权平方和,横向偏差变化率加权平方和,航向角偏差加权平方和,控制转向角偏差加权平方和的之和的最小化,同时考虑转向角限制。
其中,
其中,k为数字计算步数,ki为预估的步数,Y是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率,△U是为最优角度补偿值,Q,q,R,rw是罚函数的权重系数;
得到离线运算公式:
其中,g=2θTQεk;H=(θTQθ+R);
在实际系统中,由于模型的误差以及来自外界的干扰,使该离线优化算子不一定是最优解,为了保证该解即使不是最优值,依然能够保证轨迹在稳定范围,能够跟踪参考轨迹,一种终值稳定算法表示如下所示,计算出稳定补偿值△uadpt:
动态转向角△Urobuss为:
△Urobuss=△U(1)+△uadpt;
其中,△U(1)为最优角度补偿值△U的第一个值;
步骤4.2:稳态控制转向角Ustb为:
Ustb=L*ρ;
其中,L是等效轴距,ρ是转向比;
本发明所带来的有益技术效果:
1.解决了轨迹跟踪的问题;
2.当大脑发出的反馈横向偏差和航向角偏差信号出现丢失或异常时,提高控制系统的鲁棒性,减少停机或性能降低的次数;
3.当转向请求指令可能超越主动转向系统线性运行区间或可能使转向系统急剧下降时,提高控制系统的鲁棒性,减少停机或性能降低的次数;
4.提高了轨迹跟踪性能,减小了横向误差,比如大大减小了小半径转弯,高速变道,倒车等场景的横向误差,从而扩大了轨迹跟踪的应用场景;
5.提高控制系统的效率,减少频繁变换转角,增加转向的平滑度,使车辆的乘坐舒适性大大提高。
附图说明
图1为本发明中一种应用于自动驾驶的轨迹控制的预估控制方法的流程图;
图2为本发明中对信号进行滤波处理的流程图;
具体实施方式
为了便于本领域一般技术人员理解与实施本发明,下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
如图1所示,一种应用于自动驾驶的轨迹控制的预估控制方法,包括下列步骤:
步骤1:域控制器实时接收来自虚拟大脑控制器和整车CAN网络输入的信号;
虚拟大脑控制器输入的信号包括规划轨迹的坐标信息、运动信息以及当前车辆位置和参考轨迹的位置误差;
规划轨迹的坐标信号包括:横坐标y、纵坐标x以及转向角phi;
运动信息包括:规划轨迹的速度、加速度、曲率以及曲率变化速率;
当前车辆位置和参考轨迹的位置偏差包括:基于车辆坐标系的横向偏差dy、纵向偏差dx以及转向角偏差dphi;
整车CAN网络输入的信号包括:多信号来源的车速、多信号来源的转向角度、实际曲率、整车状态、转向系统状态、轮胎胎压以及整车车重;
域控制器限制输入信号的速度变化率、曲率变化率、横向偏差变化率、纵向偏差变化率以及转向角偏差变化率的大小,且对多信号源进行优先级处理,以提高系统的鲁棒性。
步骤2:对横向偏差dy、转向角偏差dphi、横向偏差变化率和转向角偏差变化率滤波,并代入动态误差预估模型中,计算得到预估后的横向偏差dy、航向角偏差dphi、横向偏差变化率和转向角偏差变化率;该计算结果将滤掉横向偏差dy和航向角偏差dphi带来的杂波,同时可以修正滤掉横向偏差dy和航向角偏差dphi的自身的累计误差。
步骤3:以预估后的横向偏差dy和转向角偏差dphi、横向偏差变化率、航向角偏差变化率以及未来Hp个点的曲率请求、未来Hp个点的车速请求、当前转向角作为输入信号,根据偏差动态变化量的预估模型预估出未来Hp个点的横向偏差dy、横向偏差变化率、转向角偏差dphi以及转向角偏差变化率;Hp的范围为3~50,预估时间范围为300ms~5s。当预估时间或点数过小,则预估动态变化不大;当预估时间或点数过大,则预估的动态变化误差太大。
步骤4:计算转向角;
步骤5:域控制器以CAN报文形式将计算得到的转向角请求信号传输至转向角控制系统,且转向控制输出请求要受到主动转向系统稳定运行的物理极限限制。
具体地,在步骤2中:
步骤2.1:将横向偏差dy、转向角偏差dphi、实测横向偏差变化率和实测转向角变化率与动态误差预估模型上一次输出的预估横向偏差dy、预估转向角偏差dphi、预估横向偏差变化率和预估转向角偏差变化率作差,得到横向偏差差值、转向角偏差差值、横向偏差变化率差值和转向角偏差变化率差值;
步骤2.2:对上述得到的差值分别进行卡尔曼滤波,得到横向偏差修正值、转向角偏差修正值、横向偏差变化率修正值和转向角偏差变化率修正值;其中图2中增益系数是离线卡尔曼滤波的计算系数;
步骤2.3:将横向偏差修正值、转向角偏差修正值、横向偏差变化率修正值和转向角偏差变化率修正值与动态误差预估模型上一次输出的预估横向偏差、预估转向角偏差、预估横向偏差变化率和预估转向角偏差变化率作和,得到新的横向偏差、转向角偏差、横向偏差变化率和转向角偏差变化率;
步骤2.4:将新的横向误差、转向角误差、横向偏差变化率和转向角偏差变化率,以及当前反馈的实际车速和当前反馈的实际转向角,代入到动态误差预估模型中,计算得到此次预估后的横向偏差、转向角偏差、横向偏差变化率和转向角偏差变化率;
具体地,在步骤2.1中,根据控制器请求的曲率ctrl_curv、速度ctrl_vel,以及整车CAN反馈的转向速率yaw_rate、横向加速度latAccl,求出实测横向偏差变化率和实测航向角偏差变化率:
其中,dy_rate为实测横向偏差变化率,dphi_rate为实测航向角偏差变化率,intgrl为积分函数。
具体地,动态误差预估模型是基于车速的线性化的车辆动力学离散模型,不同的车速下对应一个线性的误差动力学模型,针对6*4配置的卡车车头的误差动力学的连续性模型为:
其中,e1,e2,分别为横向偏差,横向偏差变化率,航向角偏差,航向角偏差变化率;δf为前轮转向角,cr为请求轨迹的曲率;v为车身的质心速度,IZ为车体转动惯量,m为车体的质量,caf为前轮胎的转向刚度,car为后轮胎的转向刚度,Lf为从前轴到车辆质心的距离,Lr1为从后轴第一根轴到质心的距离,Lr2为从后轴第二根轴到质心的距离;
将等式①转化为不同车速下的离散模型,离散化的采样周期为Ts,离散化的方法可以是零阶保持方法,一阶保持方法或双线性方法,转换后的模型为:
xk+1=Ad(i)xk+Bd(i)uk+Ed(i)rk ②
其中,Ad(i)、Bd(i)、Ed(i)是指不同车速下的离散化模型矩阵;k为数字计算步数,i表示整数化后的车速值,比如车速为12.6m/s,最近值整数化为12m/s;
等式②即为动态误差预估模型。
具体地,基于动态误差预估模型,该动态误差预估模型可以描述为:
其中,k为数字计算步数;xdyn(k+1)分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率的动态变化量;xS(k)分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率的稳态变化量;xk+1分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率;udyn是转向系统的转向角动态变化量;uS(k)是转向系统的转向角稳态量,uk是转向系统的转向角;
基于等式③,得到一种偏差动态变化量的预估模型:
其中,Hu为预估控制的动态控制量预期步数;Hp为预估控制的预估步数,且每步的步长为Ts;Ad,Bd,Ed为某个特定车速Vavg下动态误差预估模型的矩阵式,Vavg是给定轨迹点的车速在Hp内的平均车速。
具体地,在步骤4中,包括下列子步骤:
步骤4.1:植入二次优化算法的离线计算公式,计算动态转向角△Urobuss;
预估控制的基本原理是根据设计的罚函数,计算出最优控制值,并把最优控制值的第一个值作为最终的控制值。罚函数包括轨迹的预估的横向偏差加权平方和,横向偏差变化率加权平方和,航向角偏差加权平方和,控制转向角偏差加权平方和的之和的最小化,同时考虑转向角限制。
其中,k为数字计算步数,ki为预估的步数,Y是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率,△U是为最优角度补偿值,Q,q,R,rw是罚函数的权重系数;
得到离线运算公式:
其中,g=2θTQεk;H=(θTQθ+R);
在实际系统中,由于模型的误差以及来自外界的干扰,使该离线优化算子不一定是最优解,为了保证该解即使不是最优值,依然能够保证轨迹在稳定范围,能够跟踪参考轨迹,一种终值稳定算法表示如下,计算出稳定补偿值△uadpt:
动态转向角△Urobuss为:
△Urobuss=△U(1)+△uadpt;
其中,△U(1)为最优角度补偿值△U的第一个值;
步骤4.2:稳态控制转向角Ustb为:
Ustb=L*ρ;
其中,L是等效轴距,ρ是转向比;
以上为本实施例的完整实施过程。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (9)
1.一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,包括下列步骤:
步骤1:域控制器实时接收来自虚拟大脑控制器和整车CAN网络输入的信号;
虚拟大脑控制器输入的信号包括规划轨迹的坐标信息、运动信息以及当前车辆位置和参考轨迹的位置误差;
规划轨迹的坐标信号包括:横坐标y、纵坐标x以及航向角phi;
运动信息包括:规划轨迹的速度、加速度、曲率以及曲率变化速率;
当前车辆位置和参考轨迹的位置偏差包括:基于车辆坐标系的横向偏差dy、纵向偏差dx以及航向角偏差dphi;
整车CAN网络输入的信号包括:多信号来源的车速、多信号来源的转向角度、实际曲率、整车状态、转向系统状态、轮胎胎压以及整车车重;
步骤2:对横向偏差dy、航向角偏差dphi、横向偏差变化率和航向角偏差变化率滤波,并代入动态误差预估模型中,计算得到预估后的横向偏差dy、航向角偏差dphi、横向偏差变化率和航向角偏差变化率;
步骤3:以预估后的横向偏差dy和航向角偏差dphi、横向偏差变化率、航向角偏差变化率以及未来Hp个点的曲率请求、未来Hp个点的车速请求、当前转向角作为输入信号,根据偏差动态变化量的预估模型预估出未来Hp个点的横向偏差dy、横向偏差变化率、航向角偏差dphi以及航向角偏差变化率;
步骤4:计算转向角;
步骤5:域控制器以CAN报文形式将计算得到的转向角请求信号传输至转向角控制系统,且转向控制输出请求要受到主动转向系统稳定运行的物理极限限制。
2.根据权利要求1所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,在步骤1中,域控制器限制输入信号的速度变化率、曲率变化率、横向偏差变化率、纵向偏差变化率以及航向角偏差变化率的大小,且对多信号源进行优先级处理,以提高系统的鲁棒性。
3.根据权利要求1所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,在步骤2中:
步骤2.1:将横向偏差dy、航向角偏差dphi、实测横向偏差变化率和实测航向角变化率与动态误差预估模型上一次输出的预估横向偏差dy、预估航向角偏差dphi、预估横向偏差变化率和预估航向角偏差变化率作差,得到横向偏差差值、航向角偏差差值、横向偏差变化率差值和航向角偏差变化率差值;
步骤2.2:对上述得到的差值分别进行卡尔曼滤波,得到横向偏差修正值、航向角偏差修正值、横向偏差变化率修正值和航向角偏差变化率修正值;
步骤2.3:将横向偏差修正值、航向角偏差修正值、横向偏差变化率修正值和航向角偏差变化率修正值与动态误差预估模型上一次输出的预估横向偏差、预估航向角偏差、预估横向偏差变化率和预估航向角偏差变化率作和,得到新的横向偏差、航向角偏差、横向偏差变化率和航向角偏差变化率;
步骤2.4:将新的横向误差、航向角误差、横向偏差变化率和航向角偏差变化率,以及当前反馈的实际车速和当前反馈的实际转向角,代入到动态误差预估模型中,计算得到此次预估后的横向偏差、航向角偏差、横向偏差变化率和航向角偏差变化率。
4.根据权利要求3所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,在步骤2.1中,根据控制器请求的曲率ctrl_curv、速度ctrl_vel,以及整车CAN反馈的转向速率yaw_rate、横向加速度latAccl,求出实测横向偏差变化率和实测航向角偏差变化率:
dy_rate=intgrl(latAccl-ctrl_vel^2*ctrl_curv);
dphi_rate=yaw_rate-ctrl_vel*ctrl_curv;
其中,dy_rate为实测横向偏差变化率,dphi_rate为实测航向角偏差变化率,intgrl为积分函数。
5.根据权利要求3所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,动态误差预估模型是基于车速的线性化的车辆动力学离散模型,不同的车速下对应一个线性的误差动力学模型,误差动力学的连续性模型为:
其中,e1,e2,分别为横向偏差,横向偏差变化率,航向角偏差,航向角偏差变化率;δf为前轮转向角,cr为请求轨迹的曲率;v为车身的质心速度,IZ为车体转动惯量,m为车体的质量,caf为前轮胎的转向刚度,car为后轮胎的转向刚度,Lf为从前轴到车辆质心的距离,Lr1为从后轴第一根轴到质心的距离,Lr2为从后轴第二根轴到质心的距离;
将等式①转化为不同车速下的离散模型,离散化的采样周期为Ts,离散化的方法是零阶保持方法,一阶保持方法或双线性方法,转换后的模型为:
xk+1=Ad(i)xk+Bd(i)uk+Ed(i)rk ②
其中,Ad(i)、Bd(i)、Ed(i)是指不同车速下的离散化模型矩阵;k为数字计算步数,i表示整数化后的车速值;
等式②即为动态误差预估模型。
6.根据权利要求5所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,动态误差预估模型是针对6*4配置的卡车车头所建立的模型。
7.根据权利要求3所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,基于动态误差预估模型,该动态误差预估模型可以描述为:
其中,k为数字计算步数;xdyn(k+1)分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率的动态变化量;xS(k)分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率的稳态变化量;xk+1分别是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率;udyn是转向系统的转向角动态变化量;uS(k)是转向系统的转向角稳态量,uk是转向系统的转向角;
基于等式③,得到一种偏差动态变化量的预估模型:
其中,Hu为预估控制的动态控制量预期步数;Hp为预估控制的预估步数,且每步的步长为Ts;Ad,Bd,Ed为某个特定车速Vavg下动态误差预估模型的矩阵式,Vavg是给定轨迹点的车速在Hp内的平均车速。
8.根据权利要求1所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,在步骤3中,Hp的范围为3~50,预估时间范围为300ms~5s。
9.根据权利要求1所述的一种应用于自动驾驶的轨迹控制的预估控制方法,其特征在于,在步骤4中,包括下列子步骤:
步骤4.1:植入二次优化算法的离线计算公式,计算动态转向角△Urobuss;
其中,
其中,k为数字计算步数,ki为预估的步数,Y是横向偏差、横向偏差变化率、航向角偏差以及航向角偏差变化率,△U是为最优角度补偿值,Q,q,R,rw是罚函数的权重系数;
得到离线运算公式:
其中,g=2θTQεk;H=(θTQθ+R);
在实际系统中,由于模型的误差以及来自外界的干扰,使该离线优化算子不一定是最优解,为了保证该解即使不是最优值,依然能够保证轨迹在稳定范围,能够跟踪参考轨迹,一种终值稳定算法表示如下,计算出稳定补偿值△uadpt:
动态转向角△Urobuss为:
△Urobuss=△U(1)+△uadpt;
其中,△U(1)为最优角度补偿值△U的第一个值;
步骤4.2:稳态控制转向角Ustb为:
Ustb=L*ρ;
其中,L是等效轴距,ρ是转向比;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607138.XA CN112622895B (zh) | 2020-12-30 | 2020-12-30 | 一种应用于自动驾驶的轨迹控制的预估控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011607138.XA CN112622895B (zh) | 2020-12-30 | 2020-12-30 | 一种应用于自动驾驶的轨迹控制的预估控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112622895A CN112622895A (zh) | 2021-04-09 |
CN112622895B true CN112622895B (zh) | 2022-07-08 |
Family
ID=75286537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011607138.XA Active CN112622895B (zh) | 2020-12-30 | 2020-12-30 | 一种应用于自动驾驶的轨迹控制的预估控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112622895B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113593275B (zh) * | 2021-07-09 | 2022-09-20 | 同济大学 | 一种基于公交信号优先的交叉口网联自动驾驶方法 |
CN113525366A (zh) * | 2021-07-28 | 2021-10-22 | 日照公路建设有限公司 | 一种针对钢轮压路机液压横向控制器的横向控制方法 |
CN114001976B (zh) * | 2021-10-19 | 2024-03-12 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106681327A (zh) * | 2017-01-11 | 2017-05-17 | 中南大学 | 一种大惯性电动客车的智能驾驶横纵向解耦控制方法及系统 |
CN107963126A (zh) * | 2016-10-19 | 2018-04-27 | 中车株洲电力机车研究所有限公司 | 一种多轴转向车辆大曲率自动驾驶转向控制方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8903607B2 (en) * | 2012-01-11 | 2014-12-02 | GM Global Technology Operations LLC | Lane tracking system with active rear-steer |
CN107097785B (zh) * | 2017-05-25 | 2019-08-27 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
CN109808707B (zh) * | 2019-02-19 | 2020-12-08 | 武汉理工大学 | 一种基于随机模型预测的汽车转向控制方法及控制器 |
CN110398969B (zh) * | 2019-08-01 | 2022-09-27 | 北京主线科技有限公司 | 自动驾驶车辆自适应预测时域转向控制方法及装置 |
CN110568758B (zh) * | 2019-09-12 | 2022-07-01 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN111016891B (zh) * | 2019-11-06 | 2022-03-22 | 国汽(北京)智能网联汽车研究院有限公司 | 一种车辆行驶的路线跟踪控制方法及装置 |
CN110908284A (zh) * | 2019-12-06 | 2020-03-24 | 苏州智加科技有限公司 | 一种自动驾驶卡车的横向控制方法及系统 |
CN111158377B (zh) * | 2020-01-15 | 2021-04-27 | 浙江吉利汽车研究院有限公司 | 一种用于车辆的横向控制方法、系统及车辆 |
-
2020
- 2020-12-30 CN CN202011607138.XA patent/CN112622895B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107963126A (zh) * | 2016-10-19 | 2018-04-27 | 中车株洲电力机车研究所有限公司 | 一种多轴转向车辆大曲率自动驾驶转向控制方法 |
CN106681327A (zh) * | 2017-01-11 | 2017-05-17 | 中南大学 | 一种大惯性电动客车的智能驾驶横纵向解耦控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112622895A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112622895B (zh) | 一种应用于自动驾驶的轨迹控制的预估控制方法 | |
CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
CN112519882B (zh) | 一种车辆参考轨迹跟踪方法及系统 | |
CN111240187B (zh) | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 | |
CN110588633B (zh) | 一种智能汽车极限工况下路径跟踪与稳定控制方法 | |
CN113608530B (zh) | 一种带有pid转角补偿的参数自整定lqr路径跟踪方法 | |
CN112693449B (zh) | 一种无人车辆极限工况下横纵向耦合控制方法 | |
CN110568758A (zh) | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 | |
CN112622903A (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 | |
CN107831761A (zh) | 一种智能车的路径跟踪控制方法 | |
CN110780594A (zh) | 一种智能车的路径跟踪方法及系统 | |
CN111679575B (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
CN113031443A (zh) | 一种带有主动安全和自适应预瞄的车辆横向运动控制方法 | |
CN112109732A (zh) | 一种智能驾驶自适应曲线预瞄方法 | |
CN113126623A (zh) | 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法 | |
CN115675459A (zh) | 一种智能车辆及其路径跟踪的控制方法、装置和存储介质 | |
CN113741450B (zh) | 一种车辆自动驾驶横向自适应控制方法 | |
CN116834754A (zh) | 一种自动驾驶车辆自适应调速的横纵协同控制方法 | |
CN113311698B (zh) | 车道保持控制方法、控制装置和车辆 | |
CN117492453B (zh) | 一种面向批量化运营车辆的未建模补偿控制方法 | |
CN117657154A (zh) | 一种面向复杂工况自适应的智能车混合控制系统及方法 | |
CN117518779A (zh) | 一种参数自适应的智能巡逻车高精度轨迹跟踪控制方法 | |
CN112859853A (zh) | 考虑时延和环境约束的智能收获机器人路径控制方法 | |
CN116691668A (zh) | 一种大型智能车辆的横向控制方法 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 917, Weihe Road, Huangdao District, Qingdao City, Shandong Province 266510 Applicant after: ZF commercial vehicle systems (Qingdao) Co.,Ltd. Address before: No. 917, Weihe Road, Huangdao District, Qingdao City, Shandong Province 266510 Applicant before: Wabco (China) Co.,Ltd. |
|
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |