CN112859843B - 无人驾驶车辆的横纵向控制方法及系统 - Google Patents

无人驾驶车辆的横纵向控制方法及系统 Download PDF

Info

Publication number
CN112859843B
CN112859843B CN202011644225.2A CN202011644225A CN112859843B CN 112859843 B CN112859843 B CN 112859843B CN 202011644225 A CN202011644225 A CN 202011644225A CN 112859843 B CN112859843 B CN 112859843B
Authority
CN
China
Prior art keywords
longitudinal
vehicle
transverse
control quantity
disturbance
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
CN202011644225.2A
Other languages
English (en)
Other versions
CN112859843A (zh
Inventor
左志强
王浩宇
王一晶
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN202011644225.2A priority Critical patent/CN112859843B/zh
Publication of CN112859843A publication Critical patent/CN112859843A/zh
Application granted granted Critical
Publication of CN112859843B publication Critical patent/CN112859843B/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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)

Abstract

本公开提供了无人驾驶车辆的横纵向控制系统及方法，其方法包括：获取参考速度和实时检测的车辆纵向速度，基于第一误差反馈控制律根据参考速度和所述实时检测的车辆纵向速度的差值，得到第一误差反馈控制量，采用带有死区非线性的积分模型得到实际期望加速度控制量；横向控制器根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量。本公开根据观测误差调整观测器增益，实现线性项和非线性项的无切换组合，具有明确的理论意义和重要的现实意义。

Description

无人驾驶车辆的横纵向控制方法及系统
技术领域
本公开涉及无人驾驶控制领域，尤其涉及一种基于组合非线性扩张状态观测器的无人驾驶车辆的横纵向控制方法及系统。
背景技术
无人驾驶的概念起源于20世纪20年代，但由于各方面的技术限制，直到80年代才得到快速的发展。近年来，随着激光雷达、组合惯导、车载计算机以及人工智能技术的发展，无人驾驶得到了广泛的关注。一般来说，无人驾驶由感知、规划和控制三部分组成。控制部分在无人驾驶中起着重要作用，是无人驾驶技术的基石。
一般来说，控制层包含纵向控制和横向控制两部分。纵向控制利用车载动力执行器，如油门、刹车、变速器等，对车辆的速度及加速度进行合理调整，从而达到期望的速度。横向控制根据车辆当前速度，利用车辆转向机构，实现车辆沿规划路径的平稳行驶。通常情况下，由于车辆控制过程中不可避免地存在外部干扰，建模误差，参数摄动等不确定因素，导致很难设计出令人满意的横向控制器和纵向控制器。
因此，干扰抑制一直是无人驾驶控制领域的研究热点。
发明内容
(一)要解决的技术问题
本公开提供了一种无人驾驶车辆的横纵向控制方法及系统，以解决以上所提出的技术问题。
(二)技术方案
根据本公开的一个方面，提供了一种无人驾驶车辆的横纵向控制方法，包括：
获取参考速度和实时检测的车辆纵向速度，基于第一误差反馈控制律根据参考速度和所述实时检测的车辆纵向速度的差值，得到第一误差反馈控制量，采用带有死区非线性的积分模型得到实际期望加速度控制量；
横同控制器根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量。
在本公开的一些实施例中，所述获取参考速度和所述实时检测的车辆纵向速度，纵向控制器根据参考速度和所述实时检测的车辆纵向速度的差值，采用带有死区非线性的积分模型得到实际期望加速度控制量包括：
设定参考速度，将实时检测的车辆纵向速度与所述参考速度做差后输入至纵向控制模块中，得到第一误差反馈控制量；
将所述实时检测的车辆纵向速度输入至纵向复合非线性扩张状态观测模块，得到纵向扰动估计量；结合所述纵向扰动估计量对所述第一误差反馈控制量进行调整，得到期望加速度控制量；
将所述期望加速度控制量输入至带有死区模块的动力执行器，得到实际期望加速度控制量，并最终实现车辆速度控制。
在本公开的一些实施例中，所述期望加速度控制量反馈至所述纵向复合非线性扩张状态观测模块对所述纵向扰动估计量进行调整。
在本公开的一些实施例中，所述横向控制器根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量包括：
设定参考路径，将参考路径、参考速度、车辆实时位姿信息、横向外部扰动同时输入至位置偏差模块得到第二误差反馈控制量；
参考路径和车辆实时位姿信息作差得到位置偏差和航向角偏差，将位置偏差输入至第一横向复合非线性扩张状态观测模块，得到第一横向扰动观测值；结合所述第一横向扰动观测值对所述第二误差反馈控制量进行调整，得到期望航向角控制量；
将所述期望航向角控制量、转向角外部扰动和所述实时检测的车辆纵向速度同时输入至航向角偏差模块，得到第三误差反馈控制量；
将航向角偏差输入至第二横向复合非线性扩张状态观测模块，得到第二横向扰动观测值；结合所述第二横向扰动观测值对所述第三误差反馈控制量进行调整，得到转向角控制量。
在本公开的一些实施例中，所述期望航向角控制量反馈至所述第一横向复合非线性扩张状态观测模块对第一横向扰动观测值进行调整；
其中，所述转向角控制量反馈至所述第二横向复合非线性扩张状态观测模块对所述第二横向扰动观测值进行调整。
根据本公开的一个方面，提供了一种使用如上所述的无人驾驶车辆的横纵向控制系统，包括：
纵向控制器，用于获取参考速度和实时检测的车辆纵向速度，并得到所述参考速度和所述实时检测的车辆纵向速度的差值，采用带有死区非线性的积分模型得到实际期望加速度控制量；
横向控制器，用于根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量。
在本公开的一些实施例中，所述纵向控制器包括：
纵向控制模块，用于根据实时检测的车辆纵向速度与所述参考速度的差值，基于第一误差反馈控制律得到第一误差反馈控制量；
纵向复合非线性扩张状态观测模块，用于根据所述实时检测的车辆纵向速度，基于观测误差的线性反馈和非线性反馈得到纵向扰动估计量；
死区模块，用于根据所述纵向扰动估计量，基于死区光滑逆函数输出纵向实际控制量；
动力执行器，用于根据所述纵向实际控制量，输出加速度控制量。
在本公开的一些实施例中，所述横向控制器包括：
位置偏差模块，用于根据设定参考路径，将参考路径、参考速度、车辆实时位姿信息、横向外部扰动，基于第二误差反馈控制律得到第二误差反馈控制量；
第一横向复合非线性扩张状态观测模块，用于根据位置偏差，基于观测误差的线性反馈和非线性反馈得到第一横向扰动观测值，其中，所述位置偏差为参考路径和车辆实时位姿信息的差值；
航向角偏差模块，用于根据所述期望航向角控制量、转向角外部扰动和所述实时检测的车辆纵向速度半耦合处理后的输出，基于第三误差反馈控制律得到第三误差反馈控制量；
第二横向复合非线性扩张状态观测模块，用于根据航向角偏差，基于观测误差的线性反馈和非线性反馈得到第二横向扰动观测值，其中，所述航向角偏差为参考路径和车辆实时位姿信息的差值。
在本公开的一些实施例中，所述纵向复合非线性扩张状态观测模块还用于根据期望加速度控制量的反馈，对所述纵向扰动估计量进行调整。
在本公开的一些实施例中，所述第一横向复合非线性扩张状态观测模块还用于根据期望航向角控制量的反馈，对所述第一横向扰动观测值进行调整；所述第二横向复合非线性扩张状态观测模块还用于根据转向角控制量的反馈，对所述第二横向扰动观测值进行调整。
(三)有益效果
从上述技术方案可以看出，本公开无人驾驶车辆的横纵向控制方法及系统至少具有以下有益效果其中之一或其中一部分：
(1)本公开中非线性扩张状态观测器由线性和非线性两部分组成，两部分之间不存在切换，非线性扩张状态观测器的线性部分能够以较小的阻尼比实现快速响应，在非线性扩张状态观测器误差接近零时，非线性扩张状态观测器由线性的非线性部分可以提高阻尼比，进而减小线性部分引起的超调。本公开具有更快的收敛速度、更高的精确度和更强的抗干扰性能。
(2)本公开在综合考虑车辆运动学特性和实验数据的基础上提出的纵向死区模型，综合机理建模和实验建模，得到的死区模型更加贴近实际模型，大大提高了理论控制器的实际应用效果。同时该建模方法还具有普适性，针对任意满足车辆运动学特性的轮式机器人，都可使用本发明提出的方法进一步提高模型精度。
(3)本公开的横向控制方法中，综合使用了反步法和复合非线性扩张状态观测，大大提高了控制器的抗扰能力，同时针对横纵向耦合问题，采用总扰动的思想对无人驾驶车辆横纵向控制系统进行解耦。
附图说明
图1为本公开实施例无人驾驶车辆的横纵向控制方法的示意图。
图2为本公开实施例纵向控制方法的示意图。
图3为本公开实施例横向控制方法的示意图。
图4为本公开实施例无人驾驶车辆的横纵向控制系统的框图。
图5加速度实验曲线图。
图6死区函数拟合曲线图。
图7是纵向控制实验数据曲线图。
图8是横向控制实验数据曲线图。
具体实施方式
许多鲁棒控制方法可用于无人驾驶车辆的控制，如反步法、非奇异终端滑模控制、指定时间控制、深度强化学习等。但是，无人驾驶控制不仅要求控制器具有很强的抗干扰能力，而且要求在很短的控制周期内(100ms内)完成控制。因此，基于扰动观测的控制方法是一种有效的方法，它具有良好的鲁棒性和快速性。而性能优越的扰动观测器是扰动观测控制方法的核心技术，所以提供一种适用于无人驾驶控制的扰动观测器具有重要的工程应用意义。
扰动观测器是实时估计干扰的关键技术，目前有很多类型的扰动观测器，如自适应扰动观测器、滑模扰动观测器和扩张状态观测器等。其中扩张状态观测器由于其优良的观测性能而得到了广泛的关注。其基本原理是将建模误差和外部扰动当作总扰动，并将其扩张成新的状态变量进行估计。目前关于扩张状态观测器的研究已经有了一定的成果，如线性扩张状态观测器的收敛性证明及其参数调节方法；可以提高收敛速率的高增益扩张状态观测器；可以增强鲁棒性的自适应扩张状态观测器等。另一方面，关于非线性扩张状态观测器的研究也取得了很大的进展，基于幂函数的经典非线性扩张状态观测器及一般形式的非线性扩张状态观测器的收敛性证明都已有了相关工作，这大大填补了非线性扩张状态观测器领域研究的空白。
然而，线性和非线性扩张状态观测器很难同时兼顾峰值抑制和噪声抑制。针对这一困难，本公开借鉴复合非线性控制的思想，提出了一种新的复合非线性扩张状态观测(CompositeNonlinear Extended State Observer，CNESO)。在CNESO中，可以根据观测误差调整观测器增益，实现线性项和非线性项的无切换组合。
结果表明，本公开具有收敛速度快、峰值现象小、噪声干扰抑制能力强等优点。由于动力执行器的非线性特性和静摩擦力的存在，在纵向控制过程中存在着很强的死区特性，死区特性会导致较大的超调进而使得控制性能变差。因此本公开具有明确的理论意义和重要的现实意义。
本公开提供了一种无人驾驶车辆的横纵向控制方法，包括：
在操作S1，获取参考速度和实时检测的车辆纵向速度，基于第一误差反馈控制律根据参考速度和所述实时检测的车辆纵向速度的差值，得到第一误差反馈控制量，采用带有死区非线性的积分模型得到实际期望加速度控制量。
在操作S2，横向控制器根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量。
结合实施例对图1所示的方法做进一步说明。
如图2所示，操作S1进一步包括子操作S11～子操作S14。
在子操作S11，设定参考速度，将实时检测的车辆纵向速度与所述参考速度做差后输入至纵向控制模块中，得到第一误差反馈控制量。
在子操作S12，将所述实时检测的车辆纵向速度输入至纵向CNESO，得到纵向扰动估计量；结合所述纵向扰动估计量对所述第一误差反馈控制量进行调整，得到期望加速度控制量。
在子操作S13，将所述期望加速度控制量输入至带有死区模块的动力执行器，得到实际期望加速度控制量。
在子操作S14，所述期望加速度控制量反馈至所述纵向CNESO对所述纵向扰动估计量进行调整。
如图3所示，操作S2进一步包括子操作S21～子操作S25。
在子操作S21，设定参考路径，将参考路径、参考速度、车辆实时位姿信息、横向外部扰动同时输入至位置偏差模块得到第二误差反馈控制量。
本实施例中车辆实时反馈路径采用惯性导航系统(INS，以下简称惯导)。以下对惯导进行详细介绍：惯导是一种不依赖于外部信息、也不向外部辐射能量的自主式导航系统。其工作环境不仅包括空中、地面，还可以在水下。惯导的基本工作原理是以牛顿力学定律为基础，通过测量载体在惯性参考系的加速度，将它对时间进行积分，且把它变换到导航坐标系中，就能够得到在导航坐标系中的速度、偏航角和位置等信息。
在子操作S22，参考路径和车辆实时位姿信息作差得到位置偏差和航向角偏差，将位置偏差输入至第一横向CNESO，得到第一横向扰动观测值；结合所述第一横向扰动观测值对所述第二误差反馈控制量进行调整，得到期望航向角控制量。
在子操作S23，将所述期望航向角控制量、转向角外部扰动和所述实时检测的车辆纵向速度半耦合处理后的输出同时输入至航向角偏差模块，得到第三误差反馈控制量。
在子操作S24，将航向角偏差输入至第二横向CNESO，得到第二横向扰动观测值；结合所述第二横向扰动观测值对所述第三误差反馈控制量进行调整，得到转向角控制量。
在子操作S25，所述转向角控制量反馈至所述第二横向CNESO对所述第二横向扰动观测值进行调整。
图4示意性示出了根据本公开的实施例的无人驾驶车辆的横纵向控制系统的框图。
如图4所示，无人驾驶车辆的横纵向控制系统，包括：
纵向控制器，用于获取参考速度和实时检测的车辆纵向速度，并得到所述参考速度和所述实时检测的车辆纵向速度的差值，采用带有死区非线性的积分模型得到实际期望加速度控制量。
其中，所述纵向控制器包括：
纵向控制模块，用于根据实时检测的车辆纵向速度与所述参考速度的差值，基于第一误差反馈控制律得到第一误差反馈控制量。用于保证车辆纵向速度能够及时跟踪上参考速度。
纵向CNESO，用于根据所述实时检测的车辆纵向速度，基于观测误差的线性反馈和非线性反馈得到纵向扰动估计量。其中，纵向CNESO还用于根据期望加速度控制量的反馈，对所述纵向扰动估计量进行调整。
以下详细介绍关于纵向CNESO的构造
考虑如下n阶单输入单输出的纵向控制器模型
Figure BDA0002877600410000071
其中，t表示时间，xi(t)，i＝1，2，…n，代表x(t)的i阶导数，y(t)为模型输出，u(t)为控制输入，b0为已知的控制输入增益，
Figure BDA0002877600410000072
为纵向控制器模型特性，包含已知的动态特性，建模不确定性以及外部扰动ω(t)。
基于CNESO的基本原理，定义扩张状态
Figure BDA0002877600410000073
公式(1)表示的纵向控制器模型可以写成如下n+1阶状态空间表达式
Figure BDA0002877600410000081
其中，h(t)为
Figure BDA00028776004100000812
的导数，且要求h(t)有界，即
Figure BDA0002877600410000082
Figure BDA0002877600410000083
为大于零的标量。纵向控制器模型是连续可导的，此外在控制过程中，绝大部分的外界扰动也是连续可微的，即使遇到突变扰动，也可以用连续可微的函数去描述。因此条件
Figure BDA0002877600410000084
在无人驾驶的控制中是合理的。
针对公式(2)表示的纵向控制器模型，提供如下形式的纵向CNESO
Figure BDA0002877600410000085
其中，
Figure BDA0002877600410000086
为纵向CNESO状态，li和ki，i＝1，2，…n+1，为纵向CNESO的增益，
Figure BDA0002877600410000087
函数
Figure BDA0002877600410000088
Figure BDA0002877600410000089
本公开关于纵向CNESO的构造主要包含两部分，一部分为基于观测误差的线性反馈，即
Figure BDA00028776004100000810
该部分能够保障观测误差的快速收敛；另一部分为基于观测误差的非线性反馈，即
Figure BDA00028776004100000811
该部分在观测误差较小时发挥重要作用，能够实时增加系统阻尼比，以减小线性部分带来的超调。此外，ρ(t)是与观测误差相关的指数函数，能够根据观测误差的大小实时变化，进而完成非线性项与线性项的无切换组合。该CNESO用来实时估计系统外部扰动以及建模误差，并将观测的误差实时反馈补偿到横向控制器、纵向控制器中，以提高闭环系统的鲁棒性。
死区模块，用于根据所述纵向扰动估计量，基于死区光滑逆函数输出纵向实际控制量。
如图5所示，PWM占空比(Duty Cycle，DC)与车辆加速度之间的关系。无人车从静止状态开始，最后保持恒定速度，在此期间加速度先增加后减小，直到趋于零。当DC较小时，由于静摩擦作用，车辆几乎无法启动，表现出典型的死区特征。基于图5的数据曲线拟合出了DZ函数，如图6所示。为了充分利用数据，对不同速度下的加速度进行拟合。
以下详细介绍关于死区光滑逆函数的构造
从实际控制角度出发，综合考虑外部扰动和纵向死区特性给出如下纵向控制器模型
Figure BDA0002877600410000091
其中，v(t)为车辆纵向速度，a(t)为车辆纵向加速度，fv(t)为纵向系统总扰动，包括未建模动态以及外部扰动，uv(t)实际纵向控制量，死区函数
Figure BDA0002877600410000092
其中，b为横截距，m为斜率，其具体数值通过实验数据进行辨识，如图5所示。
针对公式(4)提供的纵向控制器模型，为使其能够稳定跟踪参考速度信号vr(t)，构造如下纵向控制器
Figure BDA0002877600410000093
其中，Kv为控制纵向控制器增益，
Figure BDA0002877600410000095
和
Figure BDA0002877600410000096
是纵向CNESO的观测状态，lv1，lv2，kv1，kv2为纵向CNESO增益。
Figure BDA0002877600410000094
为死区光滑逆函数用以补偿死区特性，其中r为大于零的常数，ad(t)为期望加速度。该纵向控制器能够保证纵向速度v(t)稳定的跟踪参考速度vr(t)。
该纵向控制器包含三部分，第一部分为基于速度的状态反馈控制律，即
Figure BDA0002877600410000101
该部分保证车辆的纵向速度能够及时的跟踪上参考速度。第二部分为基于CNESO的速度扰动观测器，即
Figure BDA0002877600410000102
该部分用于速度通道的扰动观测，并及时将观测的扰动反馈到纵向控制器中，以提高系统的鲁棒性。第三部分为死区光滑逆函数，即uv(t)＝SI(ad(t))，该部分用于补偿纵向模型中的死区特性，以提高控制器性能。
动力执行器，用于根据所述纵向实际控制量，输出实际期望加速度控制量。
横向控制器，用于根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量。用于完成转向角的计算并实时控制方向盘完成路径跟踪，输出转向角控制量，用于控制横向偏差和航向角偏差收敛。其中，横向控制器包括：
位置偏差模块，用于根据设定参考路径，将参考路径、参考速度、车辆实时位姿信息、横向外部扰动，基于第二误差反馈控制律得到第二误差反馈控制量。
第一横向CNESO，用于根据位置偏差，基于观测误差的线性反馈和非线性反馈得到第一横向扰动观测值，其中，所述位置偏差为参考路径和车辆实时位姿信息的差值。第一横向CNESO还用于根据期望航向角控制量的反馈，对所述第一横向扰动观测值进行调整。关于第一横向CNESO的构造可以参考纵向CNESO的构造，这里不再进行赘述。
航向角偏差模块，用于根据所述期望航向角控制量、转向角外部扰动和所述实时检测的车辆纵向速度半耦合处理后的输出，基于第三误差反馈控制律得到第三误差反馈控制量。
第二横向CNESO，用于根据航向角偏差，基于观测误差的线性反馈和非线性反馈得到第二横向扰动观测值，其中，所述航向角偏差为参考路径和车辆实时位姿信息的差值。第二横向CNESO还用于根据转向角控制量的反馈，对所述第二横向扰动观测值进行调整。关于第二横向CNESO的构造可以参考纵向CNESO的构造，这里不再进行赘述。
以下详细介绍关于横向控制器的构造
针对无人驾驶横向控制，给出如下横向控制器运动学模型
Figure BDA0002877600410000111
其中，(X(t)，Y(t))是车辆后轴中心，
Figure BDA0002877600410000112
是车辆航向角，v(t)是车辆纵向速度，δ(t)是车辆前轮偏角，l是车辆纵向轴距。同时给出满足运动学特性的参考轨迹方程
Figure BDA0002877600410000113
其中，Xr(t)，Yr(t)，
Figure BDA0002877600410000118
vr(t)，δr(t)分别为相应变量对应的参考信号。定义如下误差变量
Figure BDA0002877600410000114
综合(6)-(8)式，可得到如下运动学误差动态方程
Figure BDA0002877600410000115
对于无人驾驶车辆横向控制来说，横向偏差和航向角偏差是决定路径跟踪精度的主要变量，综合考虑横纵向耦合，建模误差以及外部扰动，给出如下横向误差模型
Figure BDA0002877600410000116
其中，控制量为前轮转向角δ(t)，fY，
Figure BDA0002877600410000117
分别为横向偏差以及航向角偏差通道的总扰动。针对横向误差模型(10)，构造如下横向控制器
Figure BDA0002877600410000121
其中，KY，
Figure BDA0002877600410000122
为横向控制器增益，
Figure BDA0002877600410000123
为第一、第二横向CNESO的观测状态，lY1，lY2，kY1，kY2，
Figure BDA0002877600410000124
为第一、第二横向CNESO增益。该横向控制器能够保障横向偏差和航向角偏差收敛。
该横向控制器主要包含三部分，第一部分为基于反步法设计的横向控制律，即
Figure BDA0002877600410000125
该部分完成转向角的计算，并实时的控制方向盘完成路径跟踪。第二部分为针对横向偏差通道设计的第一横向CNESO，用于估计该通道内的总扰动，并实时的反馈到反步控制器中。第三部分为针对航向角误差通道设计的第二横向CNESO，用于估计该通道内的总扰动，并实时的反馈到反步控制器中。横向控制器保证了车辆在纵向控制稳定的前提下，精准的跟踪参考轨迹，且具有较强鲁棒性。
图7中(a)为纵向阶跃速度跟踪曲线图。图7中(b)为纵向速度跟踪误差曲线图。图7中(c)为纵向控制信号曲线图。图7中(d)为纵向扰动估计曲线图。如图7中(a)～(d)所示，在实际应用中，基于状态误差反馈的比例-积分-微分(PID)控制器具有大超调、慢收敛速率等缺点。而本公开提出的基于CNESO的带死区补偿的控制器能够快速跟踪参考信号而不出现超调。图7中的速度跟踪误差曲线也表明所提出的纵向控制器具有更高的精度。纵向控制信号和扰动观测也在图7中进行了展示。通过比较可以发现，本公开提出的纵向控制器更加平滑，有利于实现。
图8中(a)为横向轨迹跟踪曲线图。图8中(b)为横向航向角跟踪曲线图。图8中(c)为横向偏移跟踪误差曲线图。图8中(d)为航向角跟踪误差曲线图。图8中(e)为横向控制信号曲线图。图8中(f)为横向扰动估计曲线图。如图8(a)～(f)所示，即使存在初始偏差，本公开所提出的控制方法也能快速收敛到参考点，并最终保持高精度跟踪。横向控制信号和扰动观测也在图8中进行了展示，可以发现本公开的控制曲线更加平滑。
至此，已经结合附图对本公开实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述，本领域技术人员应当对本公开无人驾驶车辆的横纵向控制方法及系统有了清楚的认识。
综上所述，本公开提供一种借鉴复合非线性控制的思想的无人驾驶车辆的横纵向控制方法及系统，可以根据观测误差调整观测器增益，实现线性项和非线性项的无切换组合，具有明确的理论意义和重要的现实意义。
还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本公开的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到「约」的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化。
再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
类似地，应当理解，为了精简本公开并帮助理解各个公开方面中的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。
以上所述的具体实施例，对本公开的目的、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，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种无人驾驶车辆的横纵向控制方法，包括：
获取参考速度和实时检测的车辆纵向速度，基于第一误差反馈控制律根据参考速度和所述实时检测的车辆纵向速度的差值，得到第一误差反馈控制量，采用带有死区非线性的积分模型得到实际期望加速度控制量；
横向控制器根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量；包括：
设定参考路径，将参考路径、参考速度、车辆实时位姿信息、横向外部扰动同时输入至位置偏差模块得到第二误差反馈控制量；
参考路径和车辆实时位姿信息作差得到位置偏差和航向角偏差，将位置偏差输入至第一横向复合非线性扩张状态观测模块，得到第一横向扰动观测值；结合所述第一横向扰动观测值对所述第二误差反馈控制量进行调整，得到期望航向角控制量；
将所述期望航向角控制量、转向角外部扰动和所述实时检测的车辆纵向速度同时输入至航向角偏差模块，得到第三误差反馈控制量；
将航向角偏差输入至第二横向复合非线性扩张状态观测模块，得到第二横向扰动观测值；结合所述第二横向扰动观测值对所述第三误差反馈控制量进行调整，得到转向角控制量；
其中，横向控制器运动学模型：
Figure FDA0003357219430000011
其中，(X(t)，Y(t))是车辆后轴中心，
Figure FDA0003357219430000012
是车辆航向角，v(t)是车辆纵向速度，δ(t)是车辆前轮偏角，l是车辆纵向轴距，同时给出满足运动学特性的参考轨迹方程
Figure FDA0003357219430000013
其中，Xr(t)，Yr(t)，
Figure FDA0003357219430000021
vr(t)，δr(t)分别为相应变量对应的参考信号，定义如下误差变量
Figure FDA0003357219430000022
综合上式，可得到如下运动学误差动态方程
Figure FDA0003357219430000023
对于无人驾驶车辆横向控制来说，横向偏差和航向角偏差是决定路径跟踪精度的主要变量，综合考虑横纵向耦合，建模误差以及外部扰动，给出如下横向误差模型
Figure FDA0003357219430000024
其中，控制量为前轮转向角δ(t)，fY，
Figure FDA0003357219430000025
分别为横向偏差以及航向角偏差通道的总扰动，针对横向误差模型，构造如下横向控制器
Figure FDA0003357219430000026
其中，KY，
Figure FDA0003357219430000027
为横向控制器增益，
Figure FDA0003357219430000028
为第一、第二横向CNESO的观测状态，lY1，lY2，kY1，kY2，
Figure FDA0003357219430000031
为第一、第二横向CNESO增益；该横向控制器能够保障横向偏差和航向角偏差收敛。
2.根据权利要求1所述的无人驾驶车辆的横纵向控制方法，其中，所述获取参考速度和所述实时检测的车辆纵向速度，纵向控制器根据参考速度和所述实时检测的车辆纵向速度的差值，采用带有死区非线性的积分模型得到实际期望加速度控制量包括：
设定参考速度，将实时检测的车辆纵向速度与所述参考速度做差后输入至纵向控制模块中，得到第一误差反馈控制量；
将所述实时检测的车辆纵向速度输入至纵向复合非线性扩张状态观测模块，得到纵向扰动估计量；结合所述纵向扰动估计量对所述第一误差反馈控制量进行调整，得到期望加速度控制量；
将所述期望加速度控制量输入至带有死区模块的动力执行器，得到实际期望加速度控制量，并最终实现车辆速度控制。
3.根据权利要求2所述的无人驾驶车辆的横纵向控制方法，其中，所述期望加速度控制量反馈至所述纵向复合非线性扩张状态观测模块对所述纵向扰动估计量进行调整。
4.根据权利要求1所述的无人驾驶车辆的横纵向控制方法，其中，所述期望航向角控制量反馈至所述第一横向复合非线性扩张状态观测模块对第一横向扰动观测值进行调整；
其中，所述转向角控制量反馈至所述第二横向复合非线性扩张状态观测模块对所述第二横向扰动观测值进行调整。
5.一种使用如权利要求1至4中任一项所述的无人驾驶车辆的横纵向控制方法的系统，包括：
纵向控制器，用于获取参考速度和实时检测的车辆纵向速度，并得到所述参考速度和所述实时检测的车辆纵向速度的差值，采用带有死区非线性的积分模型得到实际期望加速度控制量；
横向控制器，用于根据参考路径、参考速度、车辆实时位姿信息和所述实时检测的车辆纵向速度半耦合处理后的输出，得到转向角控制量；
其中，所述横向控制器包括：
位置偏差模块，用于根据设定参考路径，将参考路径、参考速度、车辆实时位姿信息、横向外部扰动，基于第二误差反馈控制律得到第二误差反馈控制量；
第一横向复合非线性扩张状态观测模块，用于根据位置偏差，基于观测误差的线性反馈和非线性反馈得到第一横向扰动观测值，其中，所述位置偏差为参考路径和车辆实时位姿信息的差值；
航向角偏差模块，用于根据所述期望航向角控制量、转向角外部扰动和所述实时检测的车辆纵向速度半耦合处理后的输出，基于第三误差反馈控制律得到第三误差反馈控制量；
第二横向复合非线性扩张状态观测模块，用于根据航向角偏差，基于观测误差的线性反馈和非线性反馈得到第二横向扰动观测值，其中，所述航向角偏差为参考路径和车辆实时位姿信息的差值；
其中，横向控制器运动学模型：
Figure FDA0003357219430000041
其中，(X(t)，Y(t))是车辆后轴中心，
Figure FDA0003357219430000042
是车辆航向角，v(t)是车辆纵向速度，δ(t)是车辆前轮偏角，l是车辆纵向轴距，同时给出满足运动学特性的参考轨迹方程
Figure FDA0003357219430000043
其中，Xr(t)，Yr(t)，
Figure FDA0003357219430000044
vr(，)，δr(t)分别为相应变量对应的参考信号，定义如下误差变量
Figure FDA0003357219430000045
综合上式，可得到如下运动学误差动态方程
Figure FDA0003357219430000051
对于无人驾驶车辆横向控制来说，横向偏差和航向角偏差是决定路径跟踪精度的主要变量，综合考虑横纵向耦合，建模误差以及外部扰动，给出如下横向误差模型
Figure FDA0003357219430000052
其中，控制量为前轮转向角δ(t)，fY，
Figure FDA0003357219430000053
分别为横向偏差以及航向角偏差通道的总扰动，针对横向误差模型，构造如下横向控制器
Figure FDA0003357219430000054
其中，KY，
Figure FDA0003357219430000055
为横向控制器增益，
Figure FDA0003357219430000056
为第一、第二横向CNESO的观测状态，lY1，lY2，kY1，kY2，
Figure FDA0003357219430000057
为第一、第二横向CNESO增益，该横向控制器能够保障横向偏差和航向角偏差收敛。
6.根据权利要求5所述的无人驾驶车辆的横纵向控制系统，其中，所述纵向控制器包括：
纵向控制模块，用于根据实时检测的车辆纵向速度与所述参考速度的差值，基于第一误差反馈控制律得到第一误差反馈控制量；
纵向复合非线性扩张状态观测模块，用于根据所述实时检测的车辆纵向速度，基于观测误差的线性反馈和非线性反馈得到纵向扰动估计量；
死区模块，用于根据所述纵向扰动估计量，基于死区光滑逆函数输出纵向实际控制量；
动力执行器，用于根据所述纵向实际控制量，输出加速度控制量。
7.根据权利要求6所述的无人驾驶车辆的横纵向控制系统，其中，所述纵向复合非线性扩张状态观测模块还用于根据期望加速度控制量的反馈，对所述纵向扰动估计量进行调整。
8.根据权利要求5所述的无人驾驶车辆的横纵向控制系统，其中，所述第一横向复合非线性扩张状态观测模块还用于根据期望航向角控制量的反馈，对所述第一横向扰动观测值进行调整；所述第二横向复合非线性扩张状态观测模块还用于根据转向角控制量的反馈，对所述第二横向扰动观测值进行调整。
CN202011644225.2A 2020-12-31 2020-12-31 无人驾驶车辆的横纵向控制方法及系统 Active CN112859843B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011644225.2A CN112859843B (zh) 2020-12-31 2020-12-31 无人驾驶车辆的横纵向控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011644225.2A CN112859843B (zh) 2020-12-31 2020-12-31 无人驾驶车辆的横纵向控制方法及系统

Publications (2)

Publication Number Publication Date
CN112859843A CN112859843A (zh) 2021-05-28
CN112859843B true CN112859843B (zh) 2021-12-24

Family

ID=76000965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011644225.2A Active CN112859843B (zh) 2020-12-31 2020-12-31 无人驾驶车辆的横纵向控制方法及系统

Country Status (1)

Country Link
CN (1) CN112859843B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312843B (zh) * 2021-12-29 2023-10-20 北京百度网讯科技有限公司 用于确定信息的方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460043A (zh) * 2018-12-29 2019-03-12 上海海事大学 一种基于多模态非奇异终端滑模船舶航迹自抗扰控制方法
CN110281912A (zh) * 2019-07-08 2019-09-27 江苏开放大学（江苏城市职业学院） 一种智能车辆横向纵向综合控制系统及控制方法
CN110901326A (zh) * 2019-12-03 2020-03-24 辽宁工业大学 一种具有状态约束与死区输入的主动悬架系统的控制方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106066644A (zh) * 2016-06-17 2016-11-02 百度在线网络技术（北京）有限公司 建立智能车辆控制模型的方法、智能车辆控制方法及装置
JP6654121B2 (ja) * 2016-09-23 2020-02-26 日立オートモティブシステムズ株式会社 車両運動制御装置
CN109597308A (zh) * 2019-01-15 2019-04-09 天津大学 基于动力学模型的无人驾驶汽车模型预测控制器设计方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460043A (zh) * 2018-12-29 2019-03-12 上海海事大学 一种基于多模态非奇异终端滑模船舶航迹自抗扰控制方法
CN110281912A (zh) * 2019-07-08 2019-09-27 江苏开放大学（江苏城市职业学院） 一种智能车辆横向纵向综合控制系统及控制方法
CN110901326A (zh) * 2019-12-03 2020-03-24 辽宁工业大学 一种具有状态约束与死区输入的主动悬架系统的控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
智能车辆的纵向运动控制;李贻斌 等;《机械工程学报》;20061130;第42卷(第11期);全文 *
智能车辆路径跟踪横向控制方法的研究;赵熙俊 等;《汽车工程》;20111231;第33卷(第5期);全文 *

Also Published As

Publication number Publication date
CN112859843A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
Hu et al. Robust H∞ output-feedback control for path following of autonomous ground vehicles
CN109795502B (zh) 智能电动汽车路径跟踪模型预测控制方法
CN107831761B (zh) 一种智能车的路径跟踪控制方法
Petrov et al. Modeling and nonlinear adaptive control for autonomous vehicle overtaking
CN106372758B (zh) 一种辅助泊车系统的路径跟随方法及装置
Hingwe et al. Linear parameter varying controller for automated lane guidance: experimental study on tractor-trailers
CN110007594B (zh) 一种汽车电泳涂装输送用混联机器人的自适应鲁棒滑模控制方法
CN108459605A (zh) 基于agv系统的轨迹跟踪控制方法
Arslan et al. Robust motion control of a four wheel drive skid-steered mobile robot
CN112859843B (zh) 无人驾驶车辆的横纵向控制方法及系统
Shen et al. A lateral control method for wheel-footed robot based on sliding mode control and steering prediction
Xu et al. Model predictive control-based path tracking control for automatic guided vehicles
Wang et al. Estimator-based turning control for unmanned ground vehicles: An anti-peak extended state observer approach
Zhang et al. Variable gain based composite trajectory tracking control for 4-wheel skid-steering mobile robots with unknown disturbances
Wu et al. Research on unmanned electric shovel autonomous driving path tracking control based on improved pure tracking and fuzzy control
Ramli et al. Composite nonlinear feedback control with multi-objective particle swarm optimization for active front steering system
Yu et al. Dynamic modeling of a skid-steered wheeled vehicle with experimental verification
Liu et al. Yaw stability control of automated guided vehicle under the condition of centroid variation
Kim et al. Model predictive control of an autonomous vehicle
CN116719320A (zh) 轮式机器人轨迹跟踪控制与避障方法和系统
Khatir et al. Decentralized control of a large platoon of vehicles operating on a plane with steering dynamics
Wang et al. Parallel structure of six wheel-legged robot model predictive tracking control based on dynamic model
Li et al. Path-following control for self-driving forklifts based on cascade disturbance rejection with coordinates reconstruction
CN114179818A (zh) 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法
CN114030526A (zh) 一种车辆主动转向控制方法及系统

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