CN112882460A - 基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 - Google Patents
基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 Download PDFInfo
- Publication number
- CN112882460A CN112882460A CN201911206096.6A CN201911206096A CN112882460A CN 112882460 A CN112882460 A CN 112882460A CN 201911206096 A CN201911206096 A CN 201911206096A CN 112882460 A CN112882460 A CN 112882460A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- representing
- obstacle avoidance
- model
- unmanned vehicle
- 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 32
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法：建立二自由度车辆动力学模型；建立车辆状态预测模型；建立具有避障功能代价函数的轨迹规划器搭建基于模型预测控制的避障轨迹规划系统架构，规划出能够规避运动障碍物的轨迹。本发明不仅能够解决无人驾驶车辆在动态环境下规避障碍物的问题，还能够解决车辆的安全性和操纵稳定性的问题。
Description
技术领域
本发明涉及无人驾驶技术领域，更具体的说，是涉及一种基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法。
背景技术
近年来，世界经济发展迅速，人们的生活节奏不断加快，促使交通运输业得以蓬勃发展。随着汽车电动化、智能化和网联化的不断升级以及互联网+、人工智能等高新技术的迅速发展，在此背景下，无人驾驶已经成为传统汽车产业变革的潮流趋势和世界车辆工程领域研究的热点。无人驾驶车辆研究的主要目的是部分或完全取代驾驶员的行为，并且节约能源，缓解交通压力，保障道路交通安全，加速社会智能化发展。无人驾驶车辆驾驶任务的顺利实施必须有安全、实时的路径规划作为保障。路径规划是无人驾驶车辆系统智能性的集中体现，目前的路径规划方法只考虑道路的几何信息，忽略了时间、交通环境和车辆状态的变化。随着无人驾驶车辆面临的行驶环境越来越复杂，当车辆在动态和复杂的道路环境中行驶时，不可避免地会遇到全局环境信息不能完全已知或存在多个运动障碍物的情况。无人驾驶车辆在真实交通道路环境中如何在规划出一条可行驶路径的同时能够避开运动的障碍物是路径规划技术需要解决的挑战性问题。轨迹规划是在路径规划的基础上，考虑时间因素、车辆当前状态和动力学约束，确定车辆在轨迹上的运动状态，实现动态环境下无人驾驶车辆的自主行驶和主动避障。因此，轨迹规划技术引起了国内外专家学者的密切关注和深入研究。
模型预测控制(Model Predictive Control，MPC)是现代工业过程控制产生的一类以计算机为实现手段的，以预测模型、滚动优化和反馈校正为控制策略的优化控制算法。模型预测控制具有鲁棒性强、灵活性大、动态控制效果好等优点，能够克服外部环境、被控对象参数和结构的不确定性，适用于被控对象比较复杂、对建立的数学模型精确度要求不高的控制过程。近年来，模型预测控制以其在控制过程中处理多种约束的能力，逐渐被应用到无人驾驶车辆的轨迹规划与跟踪控制中。
发明内容
本发明的目的是为了克服现有技术中的不足，提出一种基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，以解决无人驾驶车辆在动态环境下规避障碍物的问题，同时解决车辆的安全性和操纵稳定性的问题。本发明采用模型预测控制算法，利用二自由度车辆动力学模型推导出车辆状态预测模型，考虑运动障碍物的实时位置信息，实现无人驾驶车辆的避障轨迹规划。
本发明的目的是通过以下技术方案实现的。
本发明基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，包括以下步骤：
步骤1：建立二自由度车辆动力学模型；
步骤2：建立车辆状态预测模型；
步骤3：建立具有避障功能代价函数的轨迹规划器
步骤4：搭建基于模型预测控制的避障轨迹规划系统架构，规划出能够规避运动障碍物的轨迹。
步骤1中所述二自由度车辆动力学模型的状态空间方程如下：
其中，m为车辆质量；Iz为车辆绕z轴的转动惯量；
为车辆的横摆角；δf为前轮转角；vx和vy分别表示车身坐标系下质心沿x轴方向的纵向速度和沿y轴方向的侧向速度；a和b分别是从质心到前、后轴的距离；Cf和Cr分别代表前、后轮胎的侧偏刚度系数；ω是车辆横摆角速度；Y表示在惯性坐标系中车辆质心的侧向位置；以
为车辆状态量；以前轮转角δf为车辆控制量。
步骤2中所述车辆状态预测模型的表达式如下：
式中，k表示采样时刻；
表示预测时域Np内的系统输出，即
y为增量型状态空间表达式中的输出量；x为增量型状态空间表达式中的状态量；
表示控制时域Nc内的控制输入增量，即
Δu为控制量增量，即前轮转角δf；Ψ为系统状态矩阵，即
Θ为系统控制输入增量矩阵，即
A、B、 C为增量型状态空间表达式的系数矩阵。
步骤3中所述具有避障功能代价函数的表达式如下：
其中，n表示车辆周围障碍物的数量；Jobsi表示第i个障碍物对无人驾驶车辆造成的威胁代价；xv表示无人驾驶车辆的当前纵向位置；yv表示无人驾驶车辆的当前侧向位置；xobsi表示第i个障碍物的当前纵向位置；yobsi表示第i个障碍物的当前侧向位置；Ri表示第i个障碍物在障碍物威胁总代价中的权重；ε是一个标量。
步骤3中所述轨迹规划器的表达式如下：
s.t.
ymin≤y(k)≤ymax,k＝1,2,…,Np
umin≤u(k)≤umax,k＝0,1,…,Nc-1
Δumin≤Δu(k)≤Δumax,k＝0,1,…,Nc-1
其中，Jmpc为目标函数；JY是目标函数中的跟踪代价，目的是使实际的侧向位置 Y接近参考轨迹的期望的侧向位置Yref；Ju是目标函数中的控制代价，目的是使车辆的转向更加平稳；Jobs是目标函数中的障碍物对无人驾驶车辆造成的威胁代价，目的是实现车辆的避障功能；P是系统输出的权重矩阵；Q是控制增量的权重系数；Ri表示第i个障碍物在障碍物威胁总代价中的权重；xv表示无人驾驶车辆的当前纵向位置；yv表示无人驾驶车辆的当前侧向位置；xobsi表示第i个障碍物的当前纵向位置；yobsi表示第i个障碍物的当前侧向位置；Np为预测时域；Nc为控制时域；n表示车辆周围障碍物的数量；ε是一个标量，用于防止Jobs成为无穷大的值。
步骤4中避障轨迹规划系统包含车辆动力学模型、车辆状态预测模型以及轨迹规划器；根据车辆动力学模型给出的车辆实际的状态量与前轮转角，通过车辆状态预测模型预测未来一段时间内的车辆状态量和输出量，然后，与参考轨迹上的参考状态量进行比较，得到侧向位置偏差，最后，利用轨迹规划器求解得出未来的前轮转角增量序列，并将第一个前轮转角增量作用于无人驾驶车辆，控制车辆的前轮转角来规划一条能够规避运动障碍物的轨迹，以达到轨迹规划的目的。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明能够在包含运动障碍物的行驶场景中为无人驾驶车辆规划出一条可行驶的、无碰撞的路径，同时能够保证无人驾驶车辆的操纵稳定性。
本发明中所使用的模型是二自由度车辆动力学模型，相比于车辆物理模型与运动学模型，其能够体现车辆的动力学特性，提高预测精度和准确性，进而保证车辆稳定行驶；而相比于三自由度车辆动力学模型，其能够减少计算量，提高规划的实时性。
本发明所提出的用于轨迹规划器中的目标函数不仅包括参考状态量和预测输出量之间偏差的跟踪代价、控制输入增量的控制代价，还加入了运动障碍物对无人驾驶车辆造成的威胁代价。这样通过设计并求解一种同时考虑车辆稳定性、平顺性和安全性的目标函数，控制车辆的前轮转角实现避障轨迹规划。仿真结果证明，该动态避障轨迹规划系统在包含运动障碍物的行驶场景下为无人驾驶车辆规划出的避障轨迹平滑可行。并且在规避运动障碍物的过程中，车辆所有状态量和控制量都能够满足约束条件，具有可靠的操纵稳定性。
附图说明
图1为本发明实施例基于模型预测控制的无人驾驶车辆避障轨迹规划系统的总体结构。
图2为本发明实施例基于模型预测控制的无人驾驶车辆避障轨迹规划系统所采用的二自由度车辆动力学模型。
图3为本发明实施例MATLAB R2014a中实现的动态环境下车辆动态避障轨迹曲线图。
图4为本发明实施例MATLAB R2014a中实现的动态环境下车辆状态量的变化曲线图。
图5为本发明实施例MATLAB R2014a中实现的动态环境下车辆控制量的变化曲线图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
本发明本发明基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，处理无人驾驶车辆的轨迹规划问题，利用二自由度车辆动力学模型，并通过简化、推导和计算得到车辆状态的预测模型。然后基于模型预测控制算法构造并求解包含运动障碍物位置信息的目标函数，通过控制车辆的前轮转角实现对运动障碍物的规避。该方法使车辆具有可靠的避障功能，同时能够保证车辆的操纵稳定性。
具体实现过程如下：
步骤1：建立二自由度车辆动力学模型
建立了一个在以车辆质心为坐标原点o的车身坐标系下具有沿y轴的侧向运动和绕z轴的横摆运动的二自由度车辆动力学模型，如图2所示。根据牛顿第二定律，车辆受力平衡的微分方程描述如下：
式中，m为车辆质量；vx和vy分别表示车身坐标系下质心沿x轴方向的纵向速度和沿y轴方向的侧向速度；δf为前轮转角；
为车辆的横摆角；Iz为车辆绕z轴的转动惯量；a和b分别是从质心到前、后轴的距离；Ff和Fr分别是前、后轮胎受到的侧向力。图2中，vxl为车辆前轮实际的侧向速度；vxr为车辆前轮实际的侧向速度；ξ为车辆前轮速度与x轴之间的夹角；L为车辆轴距。
为了实现车辆对参考轨迹的跟踪，选取车辆的侧向位置作为状态量。同时考虑车辆的稳定性要求，选取车辆横摆角作为状态量。经过简化和计算，得到二自由度车辆动力学模型状态空间方程：
式中，Cf和Cr分别代表前、后轮胎的侧偏刚度系数；ω是车辆横摆角速度；Y表示在惯性坐标系中车辆质心的侧向位置。以
为车辆状态量；以前轮转角δf为车辆控制量。
步骤2：建立车辆状态预测模型
采用一阶近似泰勒展开和一阶差商法分别对二自由度车辆动力学模型状态空间方程进行线性化和离散化处理。为了避免控制量的突变，将控制量u的增量Δu(即前轮转角增量Δδf)作为无人驾驶车辆实际的控制输入量，对状态空间方程中的矩阵进行变换，得到状态空间表达式描述如下：
其中，
C0＝[0 0 1 0]，Ts代表采样周期；k为采样时刻；x为增量式状态空间表达式中的状态量；y为增量式状态空间表达式中的输出量；O是零矩阵；I是单位矩阵。
预测时域内系统未来的输出方程为：
式中，
表示预测时域Np内的系统输出，即
Ψ为系统状态矩阵，即
Θ为系统控制输入增量矩阵，即
公式(4)是基于二自由度车辆动力学模型推导出的预测模型表达式。可以看到，该式根据系统当前的状态量x(k)和控制时域内的控制增量
能够计算出预测时域内的状态量和输出量，实现模型预测控制算法中的“预测”功能。
步骤3：建立具有避障功能代价函数的轨迹规划器
基于前面提到的二自由度车辆动力学模型和预测模型，设计避障轨迹规划器。模型预测控制的目标函数包括参考状态量和预测输出量之间偏差的跟踪代价、控制增量的控制代价和障碍物对车辆造成的威胁代价。为了计算当前时刻最优的控制增量Δu(k)，需要将轨迹规划问题转化为实时优化问题。该问题涉及两个部分：目标函数和约束条件。
为了使无人驾驶车辆能够实时规避运动障碍物，考虑将障碍物的实时位置信息加入到模型预测控制的目标函数中，根据障碍物的几何信息定义无人驾驶车辆周围多个运动障碍物的威胁总代价函数为Jobs，其表达式为：
式中，n表示车辆周围障碍物的数量；Jobsi表示第i个障碍物对无人驾驶车辆造成的威胁代价，其表达式为
其中，xv表示无人驾驶车辆的当前纵向位置；yv表示无人驾驶车辆的当前侧向位置；xobsi表示第i个障碍物的当前纵向位置；yobsi表示第i个障碍物的当前侧向位置；Ri表示第i个障碍物在障碍物威胁总代价中的权重；ε是一个很小的标量，用于防止Jobs成为无穷大的值。
此外，轨迹规划的目标是使实际的侧向位置Y接近参考轨迹的侧向位置Yref。通过调整权重矩阵P实现期望值与实际值的偏差最小化，使轨迹规划器具有更好的跟踪效果，其形式如下：
其中，P是系统输出的权重矩阵；Yref为期望的侧向位置。
为了使车辆的转向更加平稳，通过调整权重矩阵Q可以减小控制量的变化，其形式如下：
其中，Q是控制增量的权重系数。
为了保证车辆的安全性和操纵稳定性，对道路边界和车辆的状态量施加约束为：
施加对前轮转角和前轮转角增量的约束，以保证车内乘坐人员的乘坐舒适性：
综合目标函数和各种约束条件，轨迹规划器在每个控制周期内需求解的优化问题可以描述为：
其中，Jmpc为目标函数；JY是目标函数中的跟踪代价，目的是使实际的侧向位置Y接近参考轨迹的期望的侧向位置Yref；Ju是目标函数中的控制代价，目的是使车辆的转向更加平稳；Jobs是目标函数中的障碍物对无人驾驶车辆造成的威胁代价，目的是实现车辆的避障功能；P是系统输出的权重矩阵；Q是控制增量的权重系数；Ri表示第i个障碍物在障碍物威胁总代价中的权重；xv表示无人驾驶车辆的当前纵向位置；yv表示无人驾驶车辆的当前侧向位置；xobsi表示第i个障碍物的当前纵向位置；yobsi表示第i个障碍物的当前侧向位置；Np为预测时域；Nc为控制时域；n表示车辆周围障碍物的数量；ε是一个很小的标量，用于防止Jobs成为无穷大的值。
完成对优化问题式(11)的求解后，可以在每个控制周期内获得一系列控制增量序列。将
的第一个分量应用于无人驾驶车辆，与上一时刻的控制量相加，得到当前时刻实际的控制量，即u(k)＝u(k-1)+Δu(k)。在下一时刻，预测时域和控制时域同时向前移动一个区间，轨迹规划器利用新测量的状态量再次重复这个过程，直到结束。
步骤4：搭建基于模型预测控制的避障轨迹规划系统架构，规划出能够规避运动障碍物的轨迹。
根据模型预测控制的基本原理设计用于无人驾驶车辆的避障轨迹规划系统，如图1所示。该系统的核心部分包括描述车辆实际运动状态的车辆动力学模型、用于避障算法设计的车辆状态预测模型和用于获得前轮转角增量的轨迹规划器。
在避障轨迹规划系统中，根据车辆动力学模型给出的车辆实际的状态量与前轮转角，通过车辆状态预测模型预测未来一段时间内的车辆状态量和输出量，然后，与参考轨迹上的参考状态量进行比较，得到侧向位置偏差，最后，利用轨迹规划器求解得出未来的前轮转角增量序列，并将第一个前轮转角增量作用于无人驾驶车辆，控制车辆的前轮转角来规划一条能够规避运动障碍物的轨迹，以达到轨迹规划的目的。
为了验证避障轨迹规划系统的性能，在MATLAB环境下设计了包含两个运动障碍物的双车道交通场景进行仿真试验。仿真结果表明无人驾驶车辆始终保持在可行的道路区域内，并且先后成功地避开两个运动的障碍物，最终跟踪上参考轨迹。车辆的状态量与控制量能够保持在约束的极限范围内，车辆具有可靠的操纵稳定性。结合图3、图4及图5所示，图3中的中间虚直线为车道分隔线，上、下实直线是道路边界线。虚线代表预先定义的参考轨迹，实线是无人驾驶车辆实际的动态避障轨迹为了便于观察，这里标出的两个黑色矩形是无人驾驶车辆在两次变道的时刻障碍物实时所处的位置。图4中的左上方曲线表示车辆侧向速度的变化曲线，右上方曲线表示车辆侧向位置的变化曲线，左下方曲线表示车辆横摆角的变化曲线，右下方曲线表示车辆横摆角速度的变化曲线。图5中的上方曲线表示车辆前轮转角的变化曲线，下方曲线表示车辆前轮转角增量的变化曲线。
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基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法有了清楚的认识。
综上所述，本公开提供了一种基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，采用的动态避障轨迹规划系统能够在包含运动障碍物的动态环境中为无人驾驶车辆规划出一条规避障碍物的无碰撞路径，同时能够保证无人驾驶车辆在动态环境下的安全性和操纵稳定性。
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。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。
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 (6)
1.一种基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，其特征在于，包括以下步骤：
步骤1：建立二自由度车辆动力学模型；
步骤2：建立车辆状态预测模型；
步骤3：建立具有避障功能代价函数的轨迹规划器
步骤4：搭建基于模型预测控制的避障轨迹规划系统架构，规划出能够规避运动障碍物的轨迹。
2.根据权利要求1所述的基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，其特征在于，步骤1中所述二自由度车辆动力学模型的状态空间方程如下：
其中，m为车辆质量；Iz为车辆绕z轴的转动惯量；
为车辆的横摆角；δf为前轮转角；vx和vy分别表示车身坐标系下质心沿x轴方向的纵向速度和沿y轴方向的侧向速度；a和b分别是从质心到前、后轴的距离；Cf和Cr分别代表前、后轮胎的侧偏刚度系数；ω是车辆横摆角速度；Y表示在惯性坐标系中车辆质心的侧向位置；以
为车辆状态量；以前轮转角δf为车辆控制量。
3.根据权利要求1所述的基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，其特征在于，步骤2中所述车辆状态预测模型的表达式如下：
式中，k表示采样时刻；
表示预测时域Np内的系统输出，即
y为增量型状态空间表达式中的输出量；x为增量型状态空间表达式中的状态量；
4.根据权利要求1所述的基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，其特征在于，步骤3中所述具有避障功能代价函数的表达式如下：
其中，n表示车辆周围障碍物的数量；Jobsi表示第i个障碍物对无人驾驶车辆造成的威胁代价；xv表示无人驾驶车辆的当前纵向位置；yv表示无人驾驶车辆的当前侧向位置；xobsi表示第i个障碍物的当前纵向位置；yobsi表示第i个障碍物的当前侧向位置；Ri表示第i个障碍物在障碍物威胁总代价中的权重；ε是一个标量。
5.根据权利要求1所述的基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，其特征在于，步骤3中所述轨迹规划器的表达式如下：
s.t.
ymin≤y(k)≤ymax,k＝1,2,…,Np
umin≤u(k)≤umax,k＝0,1,…,Nc-1
Δumin≤Δu(k)≤Δumax,k＝0,1,…,Nc-1
其中，Jmpc为目标函数；JY是目标函数中的跟踪代价，目的是使实际的侧向位置Y接近参考轨迹的期望的侧向位置Yref；Ju是目标函数中的控制代价，目的是使车辆的转向更加平稳；Jobs是目标函数中的障碍物对无人驾驶车辆造成的威胁代价，目的是实现车辆的避障功能；P是系统输出的权重矩阵；Q是控制增量的权重系数；Ri表示第i个障碍物在障碍物威胁总代价中的权重；xv表示无人驾驶车辆的当前纵向位置；yv表示无人驾驶车辆的当前侧向位置；xobsi表示第i个障碍物的当前纵向位置；yobsi表示第i个障碍物的当前侧向位置；Np为预测时域；Nc为控制时域；n表示车辆周围障碍物的数量；ε是一个标量，用于防止Jobs成为无穷大的值。
6.根据权利要求1所述的基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法，其特征在于，步骤4中避障轨迹规划系统包含车辆动力学模型、车辆状态预测模型以及轨迹规划器；根据车辆动力学模型给出的车辆实际的状态量与前轮转角，通过车辆状态预测模型预测未来一段时间内的车辆状态量和输出量，然后，与参考轨迹上的参考状态量进行比较，得到侧向位置偏差，最后，利用轨迹规划器求解得出未来的前轮转角增量序列，并将第一个前轮转角增量作用于无人驾驶车辆，控制车辆的前轮转角来规划一条能够规避运动障碍物的轨迹，以达到轨迹规划的目的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206096.6A CN112882460A (zh) | 2019-11-30 | 2019-11-30 | 基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911206096.6A CN112882460A (zh) | 2019-11-30 | 2019-11-30 | 基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112882460A true CN112882460A (zh) | 2021-06-01 |
Family
ID=76039105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911206096.6A Pending CN112882460A (zh) | 2019-11-30 | 2019-11-30 | 基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112882460A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116300973A (zh) * | 2023-05-18 | 2023-06-23 | 上海伯镭智能科技有限公司 | 一种复杂天气下无人驾驶矿车自主避障方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150158528A1 (en) * | 2013-12-11 | 2015-06-11 | GM Global Technology Operations LLC | Collision avoidance control integrated with eps controller |
| CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
| 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 |
| CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
| CN110377039A (zh) * | 2019-07-26 | 2019-10-25 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
-
2019
- 2019-11-30 CN CN201911206096.6A patent/CN112882460A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150158528A1 (en) * | 2013-12-11 | 2015-06-11 | GM Global Technology Operations LLC | Collision avoidance control integrated with eps controller |
| CN107168319A (zh) * | 2017-06-01 | 2017-09-15 | 同济大学 | 一种基于模型预测控制的无人车避障方法 |
| 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 |
| CN110377039A (zh) * | 2019-07-26 | 2019-10-25 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
| CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
Non-Patent Citations (2)
| Title |
|---|
| TIMOTHY A. V. TEATRO 等，: ""Nonlinear Model Predictive Control for Omnidirectional Robot Motion Planning and Tracking With Avoidance of Moving Obstacles"", 《CANADIAN JOURNAL OF ELECTRICAL AND COMPUTER ENGINEERING》 * |
| 由智恒，: ""基于MPC算法的无人驾驶车辆轨迹跟踪控制研究"", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116300973A (zh) * | 2023-05-18 | 2023-06-23 | 上海伯镭智能科技有限公司 | 一种复杂天气下无人驾驶矿车自主避障方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zuo et al. | MPC-based cooperative control strategy of path planning and trajectory tracking for intelligent vehicles | |
| CN111845774B (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
| CN110377039B (zh) | 一种车辆避障轨迹规划与跟踪控制方法 | |
| CN107943071B (zh) | 无人车的编队保持控制方法及系统 | |
| Li et al. | Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles | |
| CN109017778B (zh) | 四轮独立驱动车辆的期望路径主动转向控制方法 | |
| Ji et al. | Path planning and tracking for vehicle collision avoidance based on model predictive control with multiconstraints | |
| Chen et al. | MPC-based path tracking with PID speed control for high-speed autonomous vehicles considering time-optimal travel | |
| Gao et al. | Predictive control of autonomous ground vehicles with obstacle avoidance on slippery roads | |
| CN104881030B (zh) | 基于快速终端滑模原理的无人车侧纵向耦合跟踪控制方法 | |
| Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
| Mac Thi et al. | MIMO fuzzy control for autonomous mobile robot | |
| Nilsson et al. | Manoeuvre generation and control for automated highway driving | |
| Song et al. | Combined longitudinal and lateral control for automated lane guidance of full drive-by-wire vehicles | |
| CN109017446B (zh) | 期待路径车辆纵向速度追踪控制方法及装置 | |
| Qinpeng et al. | Path tracking control of wheeled mobile robot based on improved pure pursuit algorithm | |
| Lapierre et al. | Simulatneous path following and obstacle avoidance control of a unicycle-type robot | |
| Yang et al. | A linear time-varying MPC method for vehicle path-following assistance based on steering torque | |
| CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
| Zhang et al. | Motion planning and tracking control of a four-wheel independently driven steered mobile robot with multiple maneuvering modes | |
| Huang et al. | Finite-time fault-tolerant integrated motion control for autonomous vehicles with prescribed performance | |
| CN109017447B (zh) | 无人驾驶车辆总的驱动力矩输出方法 | |
| CN112882460A (zh) | 基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 | |
| Yin et al. | Framework of integrating trajectory replanning with tracking for self-driving cars | |
| Ning et al. | Time-optimal point stabilization control for WIP vehicles using quasi-convex optimization and B-spline adaptive interpolation techniques |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210601 |
|
| WD01 | Invention patent application deemed withdrawn after publication |