CN112859857A - 自动驾驶横向控制方法、系统、电子设备及存储介质 - Google Patents
自动驾驶横向控制方法、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN112859857A CN112859857A CN202110036484.5A CN202110036484A CN112859857A CN 112859857 A CN112859857 A CN 112859857A CN 202110036484 A CN202110036484 A CN 202110036484A CN 112859857 A CN112859857 A CN 112859857A
- Authority
- CN
- China
- Prior art keywords
- control
- individual
- time period
- preset time
- automatic driving
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000035772 mutation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 9
- 230000002068 genetic effect Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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
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)
- Feedback Control In General (AREA)
Abstract
本发明提供一种自动驾驶横向控制方法、系统、电子设备及存储介质，方法包括：对车辆未来时间段的控制量进行二进制组合编码，随机生成初始代种群个体；对种群中的每个个体进行解码，获取每个个体所表示的未来时间段内的控制量；基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；计算参考路径点和预测路径点的偏差大小；若达到进化次数，将最优个体对应的最优控制序列的第一个控制量作为控制输出，对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行操作，并进行循环迭代。该方法结合了模型预测控制和遗传优化方法，能够获得全局最优控制序列，简化约束优化求解问题，提高路径跟随控制的精确度。
Description
技术领域
本发明涉及工程车自动驾驶领域，更具体地，涉及一种自动驾驶横向控制方法、系统、电子设备及存储介质。
背景技术
路径跟随控制是自动驾驶的核心技术之一，其控制的结果关系到车辆的跟随准确度，同时也会影响到车辆的操纵稳定性和舒适性。由于自动驾驶车辆是高度非线性系统，车辆模型和驾驶环境的不确定性，使得横向控制具有一定的难度。
经典控制方法在工业系统中得到了广泛的应用，但是车辆具有的高度非线性和多变量特性，使得这一类方法难以满足车辆横向控制的要求。一些控制方法考虑了驾驶员预瞄作用，通过选取预瞄点计算目标位置与预估位置的偏差，进而做出控制决策实现车辆的控制。由于考虑了驾驶员的预瞄作用，更接近实际，控制精度也更高。但是模型参数与汽车操纵特性和驾驶员特性有关，仅适用于小曲率路径的跟随控制。另一类方法采用多点预瞄方式，预测未来一段时间的位置，利用线性二次规划对目标路径与预测路径的偏差和的最小化实现最优控制。此类控制方法能够控制汽车实现精准的路径跟随，但是其控制求解非全局最优，需要求解复杂的约束优化问题。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的一种自动驾驶横向控制方法、系统、电子设备及存储介质。
根据本发明的第一方面，提供了一种自动驾驶横向控制方法，包括：步骤1，对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；步骤2，对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；步骤3，基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；步骤4，获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；步骤5，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述步骤1包括：设定M个个体，对每一个个体在未来预设时间段内的N个控制周期的控制量进行二进制编码，组合生成一串二进制编码，其中，每一个控制周期内的所述控制量包括速度增量Δv和前轮角度增量Δδ。
可选的，所述设定M个个体，对每一个个体在未来预设时间段内的N个控制周期的控制量进行二进制编码，组合生成一串二进制编码包括：对于每一个个体的N个控制周期的控制量组合编码生成N*(a+b)位二进制串的个体，每一个控制周期的Δv编码为a位二进制串，每一个控制周期的Δδ编码为b位二进制串。
可选的，所述步骤2包括：将每一个个体对应的二进制串转换为未来预设时间段内的N个控制周期的控制增量；获取自动驾驶车辆当前的车速和前轮偏角；根据自动驾驶车辆当前的车速和前轮偏角以及每一个个体表示的未来预设时间段内的N个控制周期的控制增量，计算每一个个体表示的在未来预设时间段内的任一个控制周期内的控制量。
可选的，所述步骤3包括：获取自动驾驶车辆的当前位置和当前航向；根据自动驾驶车辆的当前位置、当前航向以及每一个个体表示的在未来预设时间段内的任一个控制周期内的控制量，计算自动驾驶车辆在所述任一个控制周期内的预测路径点。
可选的，所述步骤5中步骤5，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体的二进制串进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制包括：设置循环迭代次数作为进化次数，若达到了进化次数，则依据参考路径点和预测路径点的偏差大小，从种群中找到偏差最小的个体；对偏差最小的个体对应的二进制串进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制。
可选的，所述步骤5中若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代包括：若未达到进化次数，则依据参考路径点和预测路径点的偏差大小，从种群中找到偏差最大的个体和偏差最小的个体；将偏差最小的个体对应的二进制串复制替换偏差最大的个体对应的二进制串；以一定的概率从种群中随机选择两个个体，对这两个个体的二进制串进行交叉操作；以一定的概率从种群中随机选择一个个体，对这个个体的二进制串进行变异操作；基于交叉变异操作后的每一个个体的二进制串，返回步骤2。
根据本发明的第二方面，提供一种自动驾驶横向控制系统，包括：编码模块，用于对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；解码模块，用于对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；预测模块，用于基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；计算模块，用于获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；输出模块，用于判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，基于交叉变异操作后的每一个个体的二进制串，调用所述解码模块。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现自动驾驶横向控制方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现自动驾驶横向控制方法的步骤。
本发明提供的一种自动驾驶横向控制方法、系统、电子设备及存储介质，对车辆未来时间段的控制量进行二进制组合编码，随机生成初始代种群个体；对种群中的每个个体进行解码，获取每个个体所表示的未来时间段内的控制量；基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；计算参考路径点和预测路径点的偏差大小；若达到进化次数，将最优个体对应的最优控制序列的第一个控制量作为控制输出，对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行操作，并进行循环迭代。该方法结合了模型预测控制和遗传优化方法，能够获得全局最优控制序列，简化约束优化求解问题，提高路径跟随控制的精确度。
附图说明
图1为本发明提供的一种自动驾驶横向控制方法流程图；
图2为本发明提供的一种自动驾驶横向控制系统结构图；
图3为本发明提供的一种可能的电子设备的硬件结构示意图；
图4为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
图1为本发明提供的一种自动驾驶横向控制方法流程图，如图1所示，方法包括：步骤1，对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；步骤2，对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；步骤3，基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；步骤4，获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；步骤5，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代。
本发明提供的方法结合了模型预测控制和遗传优化方法，能够获得全局最优控制序列，简化约束优化求解问题，提高路径跟随控制的精确度。
在一种可能的实施例方式中，步骤1包括：设定M个个体，对每一个个体在未来预设时间段内的N个控制周期的控制量进行二进制编码，组合生成一串二进制编码，其中，每一个控制周期内的所述控制量包括速度增量Δv和前轮角度增量Δδ。
可以理解的是，选择M个个体未来N个控制周期的控制量，每一个控制周期内的控制量包含速度增量Δv和前轮角度增量Δδ，其中，速度增量Δv范围为[-Δvmax,Δvmax]，前轮角度增量Δδ范围为[-Δδmax,Δδmax]，Δvmax、Δδmax分别为速度增量和前轮角度增量的限幅值。
其中，对于每一个个体，顺序对N组控制量Δv和Δδ进行二进制编码，组合生成一串常数为N*(a+b)位二进制串，每一个控制周期的Δv编码为a位二进制串，每一个控制周期的Δδ编码为b位二进制串。M个个体对应的二进制串组成初始代种群，每一个个体对应N*(a+b)的二进制串。
在一种可能的实施例方式中，步骤2包括：将每一个个体对应的二进制串转换为未来预设时间段内的N个控制周期的控制增量；获取自动驾驶车辆当前的车速和前轮偏角；根据自动驾驶车辆当前的车速和前轮偏角以及每一个个体表示的未来预设时间段内的N个控制周期的控制增量，计算每一个个体表示的在未来预设时间段内的任一个控制周期内的控制量。
可以理解的是，对每一个个体的二进制串解码的具体过程为，将每个二进制串转换为未来N个控制周期的控制增量，其中，第i个个体二进制串解码为：
[(Δv(1),Δδ(1)),(Δv(2),Δδ(2))，…，(Δv(N),Δδ(N))]。
在一种可能的实施例方式中，步骤3包括：获取自动驾驶车辆的当前位置和当前航向；根据自动驾驶车辆的当前位置、当前航向以及每一个个体表示的在未来预设时间段内的任一个控制周期内的控制量，计算自动驾驶车辆在所述任一个控制周期内的预测路径点。
可以理解的是，获取自动驾驶车辆当前的车速v0和前轮偏角δ0，确定种群中的每个个体表示的未来N个控制周期的控制量，其中，第k个控制周期的控制量为：
其中，v(k)表示速度控制量，δ(k)表示前轮偏角控制量。
确定了种群中每个个体表示的未来N个控制周期的控制量后，依据每一个个体表示的控制量，预测未来一段时间内自动驾驶车辆行驶的路径点。具体的，获取自动驾驶车辆当前的位置(x0,y0)和航向ψ0，以递推方式，预测每个个体所决定的未来第2个到第N+1个控制周期的车辆位姿状态，其中，预测的未来车辆位姿状态为：
X(2)＝X(1)+Tf(X(1),U(1))；
X(3)＝X(2)+Tf(X(2),U(2))；
……
X(k)＝X(k-1)+Tf(X(k-1),U(k-1))；
……
X(N+1)＝X(N)+Tf(X(N),U(N))；
其中，X(k)＝(x(k),y(k),ψ(k))，U(k-1)＝(v(k-1),δ(k-1)))，T为控制周期，f表示车辆运动模型。
根据每一个个体表示的未来时间段内的控制量，预测每个个体所决定的未来第2个到第N+1个控制周期的车辆位姿状态，与此同时，获取未来一段时间的参考路径点。具体的，以自动驾驶车辆的当前车速和位置作为参考，依次获取未来N+1个控制周期参考路径点：
[(xref(1),yref(1),ψref(1))，(xref(2),yref(2),ψref(2))，…，(xref(N),yref(N),ψref(N))]。
计算每个个体预测的未来车辆位姿与参考路径点的误差，其中，第i个个体的偏差表示为：
其中，α、β为位置(x,y)的偏差权值，γ为航向
的偏差权值)
在一种可能的实施例方式中，步骤5中判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体的二进制串进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制包括：设置循环迭代次数作为进化次数，若达到了进化次数，则依据参考路径点和预测路径点的偏差大小，从种群中找到偏差最小的个体；对偏差最小的个体对应的二进制串进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制。
若未达到进化次数，则依据参考路径点和预测路径点的偏差大小，从种群中找到偏差最大的个体和偏差最小的个体；将偏差最小的个体对应的二进制串复制替换偏差最大的个体对应的二进制串；以一定的概率从种群中随机选择两个个体，对这两个个体的二进制串进行交叉操作，以及以一定的概率从种群中随机选择一个个体，对这个个体的二进制串进行变异操作；基于交叉变异操作后的每一个个体的二进制串，返回步骤2。
可以理解的是，计算出了种群中每一个个体预测的未来车辆位姿状态(预测路径点)与参考路径点之间的偏差，判断是否达到了进化次数，也就是循环迭代的次数，如果达到了进化次数，查找种群中偏差最大的个体编号为i_emax和偏差最小的个体编号为i_emin，将偏差最小的个体作为最优个体，将最优个体对应的二进制串进行解码，得到未来预设时间段内的最优控制序列，将最优控制序列的第一个控制量(第一个控制量与当前时间距离最近)作为控制输出，根据第一个控制量对车辆进行横向控制。
如果没有达到进化次数，以一定的概率，将第i_emin个个体(偏差最小的个体)的二进制串复制替换第i_emax个个体(偏差最大的个体)的二进制串。然后以一定的概率从种群中随机选择两个个体，对这两个个体的二进制串进行交叉操作，以及以一定的概率从种群中随机选择一个个体，对这个个体的二进制串进行变异操作，其中，二进制串的交叉变异操作为常规惯用技术。对于交叉变异操作后得到的每一个个体的二进制串，再次循环执行步骤2，即解码操作，如此循环，直到达到设置的进化次数。
本发明提供的自动驾驶横向控制方法，结合了模型预测控制和遗传优化方法，相比现有的横向控制方法，能够获得全局最优控制序列，简化约束优化求解问题，提高路径跟随控制的精确度。
图2为本发明提供的一种自动驾驶横向控制系统结构图，如图2所示，一种自动驾驶横向控制系统，包括编码模块201、解码模块202、预测模块203、计算模块204和输出模块205。
其中，编码模块201，用于对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；解码模块202，用于对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；预测模块203，用于基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；计算模块204，用于获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；输出模块205，用于判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，基于交叉变异操作后的每一个个体的二进制串，调用所述解码模块。
可以理解的是，本发明提供的自动驾驶横向控制系统与前述各实施例提供的自动驾驶横向控制方法相对应，自动驾驶横向控制系统的相关技术特征可参考自动驾驶横向控制方法的相关技术特征，在此不再重复说明。
请参阅图3，图3为本申请实施例提供的电子设备的实施例示意图。如图3所示，本申请实施例提了一种电子设备，包括存储器310、处理器320及存储在存储器320上并可在处理器320上运行的计算机程序311，处理器320执行计算机程序311时实现以下步骤：步骤1，对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；步骤2，对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；步骤3，基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；步骤4，获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；步骤5，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代。
请参阅图4，图4为本申请实施例提供的一种计算机可读存储介质的实施例示意图。如图4所示，本实施例提供了一种计算机可读存储介质400，其上存储有计算机程序411，该计算机程序411被处理器执行时实现如下步骤：步骤1，对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；步骤2，对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；步骤3，基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；步骤4，获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；步骤5，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包括这些改动和变型在内。
Claims (10)
1.一种自动驾驶横向控制方法，其特征在于，包括：
步骤1，对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；
步骤2，对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；
步骤3，基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；
步骤4，获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；
步骤5，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代。
2.根据权利要求1所述的自动驾驶横向控制方法，其特征在于，步骤1具体包括：
设定M个个体，对每一个个体在未来预设时间段内的N个控制周期的控制量进行二进制编码，组合生成一串二进制编码，其中，每一个控制周期内的所述控制量包括速度增量Δv和前轮角度增量Δδ。
3.根据权利要求2所述的自动驾驶横向控制方法，其特征在于，所述设定M个个体，对每一个个体在未来预设时间段内的N个控制周期的控制量进行二进制编码，组合生成一串二进制编码包括：
对于每一个个体的N个控制周期的控制量组合编码生成N*(a+b)位二进制串的个体，每一个控制周期的Δv编码为a位二进制串，每一个控制周期的Δδ编码为b位二进制串。
4.根据权利要求2或3所述的自动驾驶横向控制方法，其特征在于，所述步骤2包括：
将每一个个体对应的二进制串转换为未来预设时间段内的N个控制周期的控制增量；
获取自动驾驶车辆当前的车速和前轮偏角；
根据自动驾驶车辆当前的车速和前轮偏角以及每一个个体表示的未来预设时间段内的N个控制周期的控制增量，计算每一个个体表示的在未来预设时间段内的任一个控制周期内的控制量。
5.根据权利要求4所述的自动驾驶横向控制方法，其特征在于，所述步骤3包括：
获取自动驾驶车辆的当前位置和当前航向；
根据自动驾驶车辆的当前位置、当前航向以及每一个个体表示的在未来预设时间段内的任一个控制周期内的控制量，计算自动驾驶车辆在所述任一个控制周期内的预测路径点。
6.根据权利要求1或5所述的自动驾驶横向控制方法，其特征在于，所述步骤5中，判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体的二进制串进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制包括：
设置循环迭代次数作为进化次数，若达到了进化次数，则依据参考路径点和预测路径点的偏差大小，从种群中找到偏差最小的个体；
对偏差最小的个体对应的二进制串进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制。
7.根据权利要求1或6所述的自动驾驶横向控制方法，其特征在于，所述步骤5中若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，并返回步骤2进行循环迭代包括：
若未达到进化次数，则依据参考路径点和预测路径点的偏差大小，从种群中找到偏差最大的个体和偏差最小的个体；
将偏差最小的个体对应的二进制串复制替换偏差最大的个体对应的二进制串；
以一定的概率从种群中随机选择两个个体，对两个个体的二进制串进行交叉操作，以及以一定的概率从种群中随机选择一个个体，对这个个体的二进制串进行变异操作；
基于交叉变异操作后的每一个个体的二进制串，返回步骤2。
8.一种自动驾驶横向控制系统，其特征在于，包括：
编码模块，用于对自动驾驶车辆未来预设时间段内的控制量进行二进制组合编码，随机生成初始代种群个体；
解码模块，用于对种群中的每个个体进行解码，获取每个个体所表示的未来预设时间段内的控制量；
预测模块，用于基于每个个体所表示的控制量，预测未来预设时间段内车辆行驶的路径点；
计算模块，用于获取未来预设时间段内的参考路径点，计算参考路径点和预测路径点的偏差大小；
输出模块，用于判断是否达到进化次数，若达到进化次数，则获取最优个体，对所述最优个体进行解码得到未来预设时间段内的最优控制序列，将所述最优控制序列的第一个控制量作为控制输出，根据第一个控制量对车辆进行横向控制；若未达到进化次数，则对种群个体的二进制串进行复制替换操作和交叉变异操作，基于交叉变异操作后的每一个个体的二进制串，调用所述解码模块。
9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的自动驾驶横向控制方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的自动驾驶横向控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110036484.5A CN112859857A (zh) | 2021-01-12 | 2021-01-12 | 自动驾驶横向控制方法、系统、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110036484.5A CN112859857A (zh) | 2021-01-12 | 2021-01-12 | 自动驾驶横向控制方法、系统、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112859857A true CN112859857A (zh) | 2021-05-28 |
Family
ID=76002877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110036484.5A Pending CN112859857A (zh) | 2021-01-12 | 2021-01-12 | 自动驾驶横向控制方法、系统、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112859857A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673821A (zh) * | 2021-07-14 | 2021-11-19 | 武汉光昱明晟智能科技有限公司 | 一种园区道路清扫车的智能调度方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003013794A (ja) * | 2001-04-24 | 2003-01-15 | Denso Corp | 車両用制御パラメータの適合方法及び適合装置 |
| CN109884900A (zh) * | 2019-04-03 | 2019-06-14 | 东南大学 | 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法 |
| CN111238521A (zh) * | 2020-02-11 | 2020-06-05 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
-
2021
- 2021-01-12 CN CN202110036484.5A patent/CN112859857A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003013794A (ja) * | 2001-04-24 | 2003-01-15 | Denso Corp | 車両用制御パラメータの適合方法及び適合装置 |
| CN109884900A (zh) * | 2019-04-03 | 2019-06-14 | 东南大学 | 基于自适应模型预测控制的收获机路径跟踪控制器的设计方法 |
| CN111238521A (zh) * | 2020-02-11 | 2020-06-05 | 北京理工大学 | 一种无人驾驶车辆的路径规划方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 张严，黄妙华: "基于模型预测的无人驾驶车辆路径跟随控制", 数字制造科学, vol. 17, no. 1, pages 21 - 26 * |
| 王寅, 王道波: "在线滚动优化下的无人自转旋翼机自动起飞控制", 控制理论与应用, vol. 32, no. 11, pages 1526 - 1533 * |
| 龚建伟 等: "无人驾驶车辆模型预测控制", vol. 1, 北京理工大学出版社, pages: 19 - 20 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113673821A (zh) * | 2021-07-14 | 2021-11-19 | 武汉光昱明晟智能科技有限公司 | 一种园区道路清扫车的智能调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109696827B (zh) | 惯性权重余弦调整粒子群优化算法的pid参数整定方法 | |
| Diehl et al. | Efficient numerical methods for nonlinear MPC and moving horizon estimation | |
| KR20200004700A (ko) | 뉴럴 네트워크에서 파라미터를 처리하는 방법 및 장치 | |
| CN105915121B (zh) | 一种采用遗传算法优化的伺服系统惯量辨识方法 | |
| CN113544599A (zh) | 执行过程并优化在该过程中使用的控制信号的方法 | |
| KR101242678B1 (ko) | 제어 파라미터를 적응적으로 변화시키는 ｐｉｄ 제어 방법 및 이를 이용한 ｐｉｄ 제어 장치 | |
| US20190287007A1 (en) | Machine learning device, servo control device, servo control system, and machine learning method | |
| CN112859857A (zh) | 自动驾驶横向控制方法、系统、电子设备及存储介质 | |
| KR20070099330A (ko) | 로봇 및 산출된 공분산을 이용한 로봇의 위치 추정 방법 | |
| CN115454611A (zh) | 一种基于改进粒子群优化算法的任务调度方法 | |
| WO2021081390A1 (en) | Target-to-catalyst translation networks | |
| CN106605179B (zh) | 预测值整形系统及其方法以及控制系统和控制方法 | |
| CN117829149B (zh) | 一种语言模型混合训练方法、装置、电子设备和存储介质 | |
| Nurkanović et al. | Multi-level iterations for economic nonlinear model predictive control | |
| CN102724506A (zh) | Jpeg_ls常规编码硬件实现方法 | |
| US20230252357A1 (en) | Learning with moment estimation using different time constants | |
| CN117711526A (zh) | 一种基于良好分子表征的化合物admet性质预测方法 | |
| Wang et al. | Path Tracking Method Based on Model Predictive Control and Genetic Algorithm for Autonomous Vehicle | |
| CN112540619A (zh) | 一种水下航行器姿态调整方法、装置及水下航行器 | |
| US11854672B2 (en) | Method and apparatus for generating chemical structure | |
| CN114239934A (zh) | 一种基于生成式对抗网络的电网负荷序列预测方法及系统 | |
| CN116127681A (zh) | 一种混合算法驱动建筑数字孪生体自演化的方法 | |
| Subia-Waud et al. | Weight fixing networks | |
| CN118625668A (zh) | 一种基于遗传算法的auv深度级联反馈控制方法及装置 | |
| CN117234215B (zh) | 无人车纵向控制方法、装置、电子设备及无人车 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210528 |
|
| RJ01 | Rejection of invention patent application after publication |