CN112937571B - 一种智能汽车轨迹跟踪控制方法及系统 - Google Patents

一种智能汽车轨迹跟踪控制方法及系统 Download PDF

Info

Publication number
CN112937571B
CN112937571B CN202110267971.2A CN202110267971A CN112937571B CN 112937571 B CN112937571 B CN 112937571B CN 202110267971 A CN202110267971 A CN 202110267971A CN 112937571 B CN112937571 B CN 112937571B
Authority
CN
China
Prior art keywords
vehicle
degree
control
freedom
time domain
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
CN202110267971.2A
Other languages
English (en)
Other versions
CN112937571A (zh
Inventor
王文伟
信子林
赵一凡
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110267971.2A priority Critical patent/CN112937571B/zh
Publication of CN112937571A publication Critical patent/CN112937571A/zh
Application granted granted Critical
Publication of CN112937571B publication Critical patent/CN112937571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/10—Path keeping
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/107—Longitudinal acceleration
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • B60W40/112—Roll movement
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/12—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to parameters of the vehicle itself, e.g. tyre models
    • B60W40/13—Load or weight
    • B60W2040/1315—Location of the centre of gravity
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种智能汽车轨迹跟踪控制方法及系统。该方法包括获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数；根据所述目标函数优化控制时域内的所述控制量；利用优化后的控制量控制待控制智能汽车。本发明提高了智能汽车轨迹跟踪控制的准确性和稳定性，进而提升智能汽车在工作过程中的整体性能。

Description

一种智能汽车轨迹跟踪控制方法及系统
技术领域
本发明涉及智能汽车控制领域，特别是涉及一种智能汽车轨迹跟踪控制方法及系统。
背景技术
伴随着传感器技术、控制器硬件和5G信息传递等技术的发展，汽车领域的智能化、无人驾驶、智能交通系统等成为了研究发展的趋势和前沿问题。智能汽车能够根据环境自主决策，选择合理的路径和动作，从而整体提升了道路交通效率和交通安全。而对于智能汽车与无人驾驶汽车而言，规划路径跟踪是技术环节中的一大重点问题。其中涉及的技术要点包括：(1)根据当前车辆所处位置与规划所得的期望轨迹进行跟踪控制，实现智能车上层的决策和规划；(2)针对紧急情况即某些较激烈的轨迹规划结果，在严苛工况下整车的合理控制以实现较好的跟踪效果和整车动态。
当下使用的方法中，多采用模型预测控制，利用线性二自由度车辆模型构造线性模型预测控制问题，将前轮转角作为控制量，根据当前车辆全局坐标和航向角、转向角等状态量，预测车辆未来，计算与期望轨迹的偏差值，进行最优控制序列的计算即当前最优前轮转向角变化量，从而实现对车辆侧向和横摆运动的控制；或是采用结合非线性轮胎模型的二自由度车辆模型，构造非线性模型预测控制问题。以上方法在稳定工况和低速工况下能够实现较好的跟踪效果，并且计算模型简单。但当前广泛采用的，针对跟踪控制的车辆动力学模型中，多为将速度视为恒定值，或将速度状态量纳入模型作为中间变量，以获取相关的输出量，但速度变化所引起的各状态量耦合变化并未体现或于模型中进行计算，从而使预测模型精度受到影响，进而影响了模型预测控制的求解，使最优控制序列的获取出现偏差。除此之外，其控制仅针对二维路径的跟踪效果进行了控制，并未考虑整车运动过程中的侧倾和乘员的舒适性。
而在实际道路行驶过程中，智能车辆在遇到突发状况时，往往需要做出紧急避让或其他紧急动作，在这种工况下，车辆纵向速度变化较大且加速度也较大，由于车辆系统本身的非线性会引起状态量之间的耦合作用，因而需要考虑由该作用情况所要求的模型的改变；而对于整车跟踪过程中，该工况下由于会产生较大的侧倾角，使整车载荷分布和轮胎特性等产生较大变化，严重时可能产生侧翻现象，从而对车辆动力学稳定性也造成了较大的影响，同时车辆在较稳定工况下应将乘员舒适性作为控制目标之一进行智能车辆的跟踪控制。
发明内容
本发明的目的是提供一种智能汽车轨迹跟踪控制方法及系统，提高智能汽车轨迹跟踪控制的准确性和稳定性，进而提升智能汽车在工作过程中的整体性能。
为实现上述目的，本发明提供了如下方案：
一种智能汽车轨迹跟踪控制方法，包括：
获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；所述汽车基本参数包括：整车质量、簧上质量以及质心距前后轴的距离；所述全局坐标下的运动参数包括：侧倾轴线、前后轴总侧偏刚度、整车绕x、z轴转动惯量、整车侧倾刚度、整车侧倾阻尼、侧向加速度以及横摆角速度；
根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；
根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩；
根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数；
根据所述目标函数优化控制时域内的所述控制量；
利用优化后的控制量控制待控制智能汽车。
可选的，所述根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型，具体包括：
Figure BDA0002973013910000031
确定非线性四自由度车辆模型；
其中，β为质心侧偏角，vx、vy分别为车辆坐标系下的纵向、侧向速度，cf、cr分别为前后轴总侧偏刚度，m为整车质量，a、b分别为质心距前后轴的距离，ωr为横摆角速度，δf为前轮转角，Ix、Iz分别为整车绕x、z轴转动惯量，ms为簧上质量，hr为侧倾轴线，ax为纵向加速度，Kr为整车侧倾刚度，Cr为整车侧倾阻尼，ψ为车辆航向角，X、Y为整车全局坐标系下的坐标，
Figure BDA0002973013910000033
为侧倾角，ΔM为附加横摆力矩。
可选的，所述根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数，具体包括：
利用公式
Figure BDA0002973013910000032
确定目标函数；
其中，ΔU(t)为最优控制增量序列，u(t-1)为上一时刻控制量，ξ(t)为已知状态量，所述状态量包括质心侧偏角、车辆坐标系下的纵向、侧向速度、横摆角速度、整车全局坐标系下的坐标以及侧倾角，Ht、Pt以及Ft为推导矩阵，ε为偏差序列。
可选的，所述根据所述目标函数优化控制时域内的所述控制量，具体包括：
将所述目标函数转化为二次规划问题，确定优化后的控制量。
一种智能汽车轨迹跟踪控制系统，包括：
参数获取模块，用于获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；所述汽车基本参数包括：整车质量、簧上质量以及质心距前后轴的距离；所述全局坐标下的运动参数包括：侧倾轴线、前后轴总侧偏刚度、整车绕x、z轴转动惯量、整车侧倾刚度、整车侧倾阻尼、侧向加速度以及横摆角速度；
非线性四自由度车辆模型构造模块，用于根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；
预测时域内的控制量预测模块，用于利用所述非线性四自由度车辆模型预测预测时域内的控制量；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩；
预测轨迹和车辆状态确定模块，用于根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩；
控制量优化模块，用于根据所述目标函数优化控制时域内的所述控制量；
待控制智能汽车控制模块，用于利用优化后的控制量控制待控制智能汽车。
可选的，所述非线性四自由度车辆模型构造模块具体包括：
非线性四自由度车辆模型构造单元，用于利用公式
Figure BDA0002973013910000041
确定非线性四自由度车辆模型；
其中，β为质心侧偏角，vx、vy分别为车辆坐标系下的纵向、侧向速度，cf、cr分别为前后轴总侧偏刚度，m为整车质量，a、b分别为质心距前后轴的距离，ωr为横摆角速度，δf为前轮转角，Ix、Iz分别为整车绕x、z轴转动惯量，ms为簧上质量，hr为侧倾轴线，ax为纵向加速度，Kr为整车侧倾刚度，Cr为整车侧倾阻尼，ψ为车辆航向角，X、Y为整车全局坐标系下的坐标，
Figure BDA0002973013910000052
为侧倾角，ΔM为附加横摆力矩。
可选的，所述目标函数确定模块具体包括：
目标函数确定单元，用于利用公式
Figure BDA0002973013910000051
确定目标函数；
其中，ΔU(t)为最优控制增量序列，u(t-1)为上一时刻控制量，ξ(t)为已知状态量，所述状态量包括质心侧偏角、车辆坐标系下的纵向、侧向速度、横摆角速度、整车全局坐标系下的坐标以及侧倾角，Ht、Pt以及Ft为推导矩阵，ε为偏差序列。
可选的，所述控制量优化模块具体包括：
控制量优化单元，用于将所述目标函数转化为二次规划问题，确定优化后的控制量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种智能汽车轨迹跟踪控制方法及系统，是通过将二自由度车辆模型构造非线性四自由度车辆模型，即针对变速工况进行改进，并考虑整车侧倾角，加入纵向运动自由度和绕侧倾轴的侧倾自由度；进而根据非线性四自由度车辆模型进行预测，并根据预测轨迹和期望轨迹确定目标函数，利用目标函数进行优化。防止了在车辆遇到突发状况时，由于产生较大的侧倾角，使整车载荷分布和轮胎特性等产生较大变化，严重时可能产生侧翻现象。提高了智能汽车轨迹跟踪控制的准确性和稳定性，进而提升智能汽车在工作过程中的整体性能。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种智能汽车轨迹跟踪控制方法流程示意图；
图2为本发明所提供的一种智能汽车轨迹跟踪控制系统结构示意图。
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。
本发明的目的是提供一种智能汽车轨迹跟踪控制方法及系统，提高智能汽车轨迹跟踪控制的准确性和稳定性，进而提升智能汽车在工作过程中的整体性能。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种智能汽车轨迹跟踪控制方法流程示意图，如图1所示，本发明所提供的一种智能汽车轨迹跟踪控制方法，其特征在于，包括：
S101，获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；所述汽车基本参数包括：整车质量、簧上质量以及质心距前后轴的距离；所述全局坐标下的运动参数包括：侧倾轴线、前后轴总侧偏刚度、整车绕x、z轴转动惯量、整车侧倾刚度、整车侧倾阻尼、侧向加速度以及横摆角速度。
根据全局坐标可获得车辆的运动学模型为：
Figure BDA0002973013910000061
S102，根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；
S102具体包括：
动力学模型方面以二自由度单轨模型为基础，加入纵向运动自由度和绕侧倾轴的侧倾自由度，构建模型为：
Figure BDA0002973013910000071
其中对于β的微分方程，在基于普通二自由度单轨车辆模型的控制预测模型中，通常将纵向车速视为常量，而β在车辆动力学中定义为
Figure BDA0002973013910000072
为横向纵向耦合量，在较大纵向加速度的影响下，如将其纵向车速作为常量进行处理，在进行非线性模型计算过程中将产生较大的误差；针对该情况提出了新的β微分方程。由β定义可得其导数如式(3)所示：
Figure BDA0002973013910000073
则根据该微分方程，可将以上模型整理为非线性状态方程形式如式：
Figure BDA0002973013910000081
其中，β为质心侧偏角，vx、vy分别为车辆坐标系下的纵向、侧向速度，cf、cr分别为前后轴总侧偏刚度，m为整车质量，a、b分别为质心距前后轴的距离，ωr为横摆角速度，δf为前轮转角，Ix、Iz分别为整车绕x、z轴转动惯量，ms为簧上质量，hr为侧倾轴线，ax为纵向加速度，Kr为整车侧倾刚度，Cr为整车侧倾阻尼，ψ为车辆航向角，X、Y为整车全局坐标系下的坐标，
Figure BDA0002973013910000086
为侧倾角，ΔM为附加横摆力矩。
S103，根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩；
对于系统状态量ξ0∈χ和控制输入量u0∈u，当k＞0时，将控制序列u(k)作用于系统，可得初值
Figure BDA0002973013910000082
下的状态轨迹
Figure BDA0002973013910000083
如式所示：
Figure BDA0002973013910000084
u(k)＝u0；
Figure BDA0002973013910000085
对非线性系统的线性化问题，利用泰勒级数展开，将系统于ξ0处展开，可得展开式如下式形式：
Figure BDA0002973013910000091
根据泰勒展开原理，对以上系统进行线性化，并忽略高次项，可得线性化系统方程如下：
Figure BDA0002973013910000092
结合式(8)可得非线性系统的近似线性化系统如下：
δξ(k+1)＝Ak，0δξ(k)+Bk，0δu(k) (11a)
式中的Ak，0、Bk，0为通过线性化求得的雅可比矩阵，即：
Figure BDA0002973013910000093
上式可等效为：
ξ(k+1)＝Ak，0δξ(k)+Bk，0δu(k)+dk，0(k) (12)
则可得：dk，0(k)＝ξ(k+1)-Ak，0δξ(k)-Bk，0δu(k) (13)
以上的线性化过程中，可分为两种情况，一种为已知时域内参考系统状态，则可对非线性系统于参考系统状态处进行展开即ξr；另一种情况对已知状态轨迹进行展开，即ξ0。当系统控制输入相同且状态量与已知状态轨迹相同时，两种情况为等价情况。线性化处理后通过在每个采样时间对状态矩阵进行更新，实现线性时变特性。
S104，根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数；
非线性系统如下：
Figure BDA0002973013910000094
η(t)＝h(ξ(t)，u(t))
式中，f(.，.)为系统的状态方程构成的状态函数，h(.，.)为系统输出函数，ξ(t)∈Rn为n维系统状态变量，u(t)∈Rm为m维控制输入量，η(t)∈Rp为p维输出变量。由式(4)所建立的状态方程模型，取状态量
Figure BDA0002973013910000101
控制量u＝[ΔM，δf，ax]。
利用当前时刻已知的状态量和控制量，结合零阶保持器对系统进行离散化处理，可得线性离散系统模型如下：
ξ(k+1)＝Ak，tδξ(k)+Bk，tδu(k)+dk，t (15)
η(k)＝Ck，tξ(k)+Dk，tδu(k)+ek，t
对该系统进行整理，构造LTV模型预测控制预测模型标准型，以便进行后续的优化问题构造与求解，则可得模型如下：
Figure BDA0002973013910000109
Figure BDA0002973013910000102
Figure BDA0002973013910000103
Figure BDA0002973013910000104
Figure BDA0002973013910000105
Figure BDA0002973013910000106
Figure BDA0002973013910000107
Figure BDA0002973013910000108
式中，0m×n为m×n维0矩阵，0m为m维列矩阵，Im为m维位矩阵。此外u(k|t)-u(k-1|t)，ξ(t|t)＝ξ(t)，u(t-1|t)＝u(t-1)。
则利用以上系统方程和当前时刻状态量
Figure BDA0002973013910000111
和控制变化量序列Δu(t)，可对预测时域的输出量η(k|t)进行计算如下：
Figure BDA0002973013910000112
定义系统预测时域为Hp，控制时域为Hc，当Δu(t+Hc|t)＝Δu(t+Hc+1|t)＝...＝Δu(t+Hp|t)，即u(t+i|t)＝Δu(t+Hc-1|t)，i＝Hc，...Hp-1时，可将预测时域内的输出量方程由式(18)整理如下：
Figure BDA0002973013910000113
式中的矩阵定义如下，其中
Figure BDA0002973013910000114
Figure BDA0002973013910000115
Figure BDA0002973013910000116
Figure BDA0002973013910000117
Figure BDA0002973013910000118
Figure BDA0002973013910000121
Figure BDA0002973013910000122
Figure BDA0002973013910000123
Figure BDA0002973013910000124
另可将输出量η(t|t)如式(21)定义，其中
Figure BDA0002973013910000125
分别为系统状态输出量、受硬约束输出量、受软约束输出量。
η(k|t)＝[ηtr(t|t)，ηc(t|t)，ηsc(t|t)]T (21)
定义预测时域Hp内系统状态输出量的预测序列为：
Ytr(t)＝[ηtr(t+1|t)，ηtr(t+2|t)，…，ηtr(t+Hp|t)]T (22a)
rtr(t)＝ΥtrY(t)
式中，定义
Figure BDA0002973013910000126
如下：
Figure BDA0002973013910000127
由以上内容，结合式(19)、式(22)可得最终系统状态输出量方程如下：
Figure BDA0002973013910000131
Figure BDA0002973013910000132
Figure BDA0002973013910000133
Figure BDA0002973013910000134
Figure BDA0002973013910000135
似的，输出量中的其他部分也可通过式(23)类似方法获得，其对应的
Figure BDA0002973013910000136
根据以上所进行的模型预测控制算法推演，即利用当前时刻已知状态量ξ(t|t)、上一时刻控制量u(k-1|t)，并结合解算得到的为控制时域Hc内的最优控制增量序列ΔU(t)，可进行预测时域Hp内的输出状态量预测，通过预测状态量与参考状态的偏差，求解ΔU(t)，从而获得最优控制序列，即模型预测控制的模型预测、滚动优化。
建立如下的目标函数：
Figure BDA0002973013910000137
式中，ηref(t+i|t)，i＝1，...Hp为参考输出状态量，
Figure BDA0002973013910000138
R∈Rm×m，S∈Rm×m，ρ∈R为计算过程中的权重矩阵。
以2-范数形式为基础构建相应的部分，以便后续进行标准二次型转化，形成二次规划(Quadratic Programming)问题。便于计算机求解。代价函数中的第一项利用输出状态量序列与参考状态量序列的误差构建，第二项为控制量变化量，第三项为控制量大小，通过以上三项进行求解最优控制量变化量序列，可得到最优控制量序列，进而实现对参考状态量的跟踪误差、控制量在每个采样时间的变化、控制量本身的大小在当前规划可行区域内最小，从而实现状态轨迹跟踪的准确性和控制序列的合理性。最后一项为松弛因子，用于放宽系统约束，通过获取次优解以避免二次规划的约束范围内的无可行解情况。
二次规划中的标准二次型如下式所示：
Figure BDA0002973013910000141
将式(23)代入式(24)，即可得代价函数的一般形式，以下为具体推演过程：
Figure BDA0002973013910000142
Figure BDA0002973013910000143
式中，
Figure BDA0002973013910000144
Figure BDA0002973013910000145
表示求克罗内克积，
Figure BDA0002973013910000146
Figure BDA0002973013910000147
Figure BDA0002973013910000148
Figure BDA0002973013910000149
由式(13)，定义预测时域内的偏差序列如下：
Figure BDA0002973013910000151
Yref(t)＝[ηref(t+1|t)，ηref(t+2|t)，…，ηref(t+Hp|t)]T
同时，对输入控制量序列作出如下定义：
U(t)＝MΔU(t)+U(t-1) (26g)
Figure BDA0002973013910000152
经以上定义及初步计算，将式(26)代入式(24)，可得目标函数表达式的矩阵形式：
Figure BDA0002973013910000153
根据式(27)定义矩阵如下：
Figure BDA0002973013910000154
Figure BDA0002973013910000155
Pt＝εtr(t)TQfεtr(t)U(t-1)TSfU(t-1)+ρo2
则由以上内容可将式(27)简化整理为如下形式：
Figure BDA0002973013910000156
利用公式
Figure BDA0002973013910000161
确定目标函数；
其中，ΔU(t)为最优控制增量序列，u(t-1)为上一时刻控制量，ξ(t)为已知状态量，所述状态量包括质心侧偏角、车辆坐标系下的纵向、侧向速度、横摆角速度、整车全局坐标系下的坐标以及侧倾角，Ht、Pt以及Ft为推导矩阵，ε为偏差序列。
S105，根据所述目标函数优化控制时域内的所述控制量；
S105具体包括：
将所述目标函数转化为二次规划问题，确定优化后的控制量。
经以上推演，将控制问题的代价函数整理为二次规划问题。而模型预测控制的二次规划求解方法正是其优势所在，可将求解过程中的不等式约束纳入考虑，进行求解，使优化后的最优解更合理，故可将二次规划问题定义如下：
Figure BDA0002973013910000162
subj.to ΔUmin≤ΔU(t)≤ΔUmax (29b)
Umin-U(t-1)≤MΔU(t)≤ΔUmax-U(t-1) (29c)
Figure BDA0002973013910000163
Figure BDA0002973013910000164
式中，Ycmin(t)、Ycmax(t)为系统硬约束上下限，Yscmin(t)、Yscmax(t)为软约束上下限，Ξ为松弛因子项。式(29b)为控制增量约束，(29c)为整个预测时域内的控制量大小约束、(29d)、(29e)分别为输出状态量序列硬约束和软约束。
将式(28)转化为计算机二次规划求解标准形式，由于Pt部分在规划过程中为定值，因而可将其转为如下形式的二次规划问题：
Figure BDA0002973013910000165
Figure BDA0002973013910000166
Figure BDA0002973013910000171
通过在约束范围内求解以上二次规划问题，可获得最优控制序列如下：
Figure BDA0002973013910000172
则根据式(16)中的定义，将式(31)中的第一个元素作用于系统，即输入控制量如下：
Figure BDA0002973013910000173
S106，利用优化后的控制量控制待控制智能汽车。
图2为本发明所提供的一种智能汽车轨迹跟踪控制系统结构示意图，如图2所示，本发明所提供的一种智能汽车轨迹跟踪控制系统，包括：
参数获取模块201，用于获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；所述汽车基本参数包括：整车质量、簧上质量以及质心距前后轴的距离；所述全局坐标下的运动参数包括：侧倾轴线、前后轴总侧偏刚度、整车绕x、z轴转动惯量、整车侧倾刚度、整车侧倾阻尼、侧向加速度以及横摆角速度；
非线性四自由度车辆模型构造模块202，用于根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；
预测轨迹和车辆状态确定模块203，根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩。
目标函数确定模块204，用于根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数；
控制量优化模块205，用于根据所述目标函数优化控制时域内的所述控制量；
待控制智能汽车控制模块206，用于利用优化后的控制量控制待控制智能汽车。
所述非线性四自由度车辆模型构造模块202具体包括：
非线性四自由度车辆模型构造单元，用于利用公式
Figure BDA0002973013910000181
确定非线性四自由度车辆模型；
其中，β为质心侧偏角，vx、vy分别为车辆坐标系下的纵向、侧向速度，cf、cr分别为前后轴总侧偏刚度，m为整车质量，a、b分别为质心距前后轴的距离，ωr为横摆角速度，δf为前轮转角，Ix、Iz分别为整车绕x、z轴转动惯量，ms为簧上质量，hr为侧倾轴线，ax为纵向加速度，Kr为整车侧倾刚度，Cr为整车侧倾阻尼，ψ为车辆航向角，X、Y为整车全局坐标系下的坐标，
Figure BDA0002973013910000183
为侧倾角，ΔM为附加横摆力矩。
所述目标函数确定模块204具体包括：
目标函数确定单元，用于利用公式
Figure BDA0002973013910000182
确定目标函数；
其中，ΔU(t)为最优控制增量序列，u(t-1)为上一时刻控制量，ξ(t)为已知状态量，所述状态量包括质心侧偏角、车辆坐标系下的纵向、侧向速度、横摆角速度、整车全局坐标系下的坐标以及侧倾角，Ht、Pt以及Ft为推导矩阵，ε为偏差序列。
控制量优化模块205具体包括：
控制量优化单元，用于将所述目标函数转化为二次规划问题，确定优化后的控制量。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种智能汽车轨迹跟踪控制方法，其特征在于，包括：
获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；所述汽车基本参数包括：整车质量、簧上质量以及质心距前后轴的距离；所述全局坐标下的运动参数包括：侧倾轴线、前后轴总侧偏刚度、整车绕x、z轴转动惯量、整车侧倾刚度、整车侧倾阻尼、侧向加速度以及横摆角速度；
根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；
根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩；
根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数；
根据所述目标函数优化控制时域内的所述控制量；
利用优化后的控制量控制待控制智能汽车；
所述根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型，具体包括：
利用公式
Figure FDA0003321729150000011
角定非线性四自由度车辆模型；
其中，β为质心侧偏角，vx、vy分别为车辆坐标系下的纵向、侧向速度，cf、cr分别为前后轴总侧偏刚度，m为整车质量，a、b分别为质心距前后轴的距离，ωr为横摆角速度，δf为前轮转角，Ix、Iz分别为整车绕x、z轴转动惯量，ms为簧上质量，hr为侧倾轴线，ax为纵向加速度，Kr为整车侧倾刚度，Cr为整车侧倾阻尼，ψ为车辆航向角，X、Y为整车全局坐标系下的坐标，
Figure FDA0003321729150000021
为侧倾角，ΔM为附加横摆力矩。
2.根据权利要求1所述的一种智能汽车轨迹跟踪控制方法，其特征在于，所述根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数，具体包括：
利用公式
Figure FDA0003321729150000022
确定目标函数；
其中，ΔU(t)为最优控制增量序列，u(t-1)为上一时刻控制量，ξ(t)为已知状态量，所述状态量包括质心侧偏角、车辆坐标系下的纵向、侧向速度、横摆角速度、整车全局坐标系下的坐标以及侧倾角，Ht、Pt以及Ft为推导矩阵，ε为偏差序列。
3.根据权利要求1所述的一种智能汽车轨迹跟踪控制方法，其特征在于，所述根据所述目标函数优化控制时域内的所述控制量，具体包括：
将所述目标函数转化为二次规划问题，确定优化后的控制量。
4.一种智能汽车轨迹跟踪控制系统，其特征在于，包括：
参数获取模块，用于获取待控制智能汽车的汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型；所述汽车基本参数包括：整车质量、簧上质量以及质心距前后轴的距离；所述全局坐标下的运动参数包括：侧倾轴线、前后轴总侧偏刚度、整车绕x、z轴转动惯量、整车侧倾刚度、整车侧倾阻尼、侧向加速度以及横摆角速度；
非线性四自由度车辆模型构造模块，用于根据所述汽车基本参数、在全局坐标下的运动参数以及线性二自由度车辆模型构造非线性四自由度车辆模型；
预测轨迹和车辆状态确定模块，用于根据预测时域内上一时刻的控制量，利用所述非线性四自由度车辆模型确定预测轨迹和预测预测时域内的车辆状态；所述控制量包括：前轮转角、纵向加速度以及附加横摆力矩；
目标函数确定模块，用于根据所述预测轨迹以及预测时域内的期望轨迹构建目标函数；
控制量优化模块，用于根据所述目标函数优化控制时域内的所述控制量；
待控制智能汽车控制模块，用于利用优化后的控制量控制待控制智能汽车；
所述非线性四自由度车辆模型构造模块具体包括：
非线性四自由度车辆模型构造单元，用于利用公式
Figure FDA0003321729150000031
Figure FDA0003321729150000041
确定非线性四自由度车辆模型；
其中，β为质心侧偏角，vx、vy分别为车辆坐标系下的纵向、侧向速度，cf、cr分别为前后轴总侧偏刚度，m为整车质量，a、b分别为质心距前后轴的距离，ωr为横摆角速度，δf为前轮转角，Ix、Iz分别为整车绕x、z轴转动惯量，ms为簧上质量，hr为侧倾轴线，ax为纵向加速度，Kr为整车侧倾刚度，Cr为整车侧倾阻尼，ψ为车辆航向角，X、Y为整车全局坐标系下的坐标，
Figure FDA0003321729150000042
为侧倾角，ΔM为附加横摆力矩。
5.根据权利要求4所述的一种智能汽车轨迹跟踪控制系统，其特征在于，所述目标函数确定模块具体包括：
目标函数确定单元，用于利用公式
Figure FDA0003321729150000043
确定目标函数；
其中，ΔU(t)为最优控制增量序列，u(t-1)为上一时刻控制量，ξ(t)为已知状态量，所述状态量包括质心侧偏角、车辆坐标系下的纵向、侧向速度、横摆角速度、整车全局坐标系下的坐标以及侧倾角，Ht、Pt以及Ft为推导矩阵，ε为偏差序列。
6.根据权利要求4所述的一种智能汽车轨迹跟踪控制系统，其特征在于，所述控制量优化模块具体包括：
控制量优化单元，用于将所述目标函数转化为二次规划问题，确定优化后的控制量。
CN202110267971.2A 2021-03-12 2021-03-12 一种智能汽车轨迹跟踪控制方法及系统 Active CN112937571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110267971.2A CN112937571B (zh) 2021-03-12 2021-03-12 一种智能汽车轨迹跟踪控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110267971.2A CN112937571B (zh) 2021-03-12 2021-03-12 一种智能汽车轨迹跟踪控制方法及系统

Publications (2)

Publication Number Publication Date
CN112937571A CN112937571A (zh) 2021-06-11
CN112937571B true CN112937571B (zh) 2022-01-07

Family

ID=76228883

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110267971.2A Active CN112937571B (zh) 2021-03-12 2021-03-12 一种智能汽车轨迹跟踪控制方法及系统

Country Status (1)

Country Link
CN (1) CN112937571B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114212083B (zh) * 2022-01-18 2024-02-27 浙江工业大学 一种在线优化调度的网联车辆多目标自适应巡航控制方法
CN115292823B (zh) * 2022-10-09 2023-02-17 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 汽车动力电池包结构优化方法和设备
CN117125079A (zh) * 2023-08-28 2023-11-28 广州汽车集团股份有限公司 车辆的控制方法及装置、电子设备、存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109204317A (zh) * 2018-07-24 2019-01-15 吉林大学 轮毂驱动电动汽车纵、横和垂向力集成控制优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108674414B (zh) * 2018-07-02 2019-11-08 清华大学 一种极限工况的智能汽车轨迹跟踪控制方法
US11167754B2 (en) * 2019-08-22 2021-11-09 Argo AI, LLC Systems and methods for trajectory based safekeeping of vehicles
CN110962839B (zh) * 2019-12-18 2020-11-10 厦门大学 无人驾驶电动汽车轨迹跟踪和横向稳定性综合控制方法
CN111806427B (zh) * 2020-06-08 2021-10-08 北京理工大学 一种四轮毂电机驱动车辆的综合控制方法
CN111890951B (zh) * 2020-08-07 2022-08-05 吉林大学 智能电动汽车轨迹跟踪与运动控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109204317A (zh) * 2018-07-24 2019-01-15 吉林大学 轮毂驱动电动汽车纵、横和垂向力集成控制优化方法

Also Published As

Publication number Publication date
CN112937571A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN112937571B (zh) 一种智能汽车轨迹跟踪控制方法及系统
CN107561942B (zh) 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法
CN111258323B (zh) 一种智能车辆轨迹规划与跟踪的联合控制方法
CN109318905B (zh) 一种智能汽车路径跟踪混合控制方法
Xu et al. Preview path tracking control with delay compensation for autonomous vehicles
CN112622903B (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
CN110780594B (zh) 一种智能车的路径跟踪方法及系统
CN108227491B (zh) 一种基于滑模神经网络的智能车轨迹跟踪控制方法
Awad et al. Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles
CN114967676A (zh) 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法
CN112025697B (zh) 一种全向移动机器人的积分模型预测控制方法
CN113126623B (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
Song et al. Combined longitudinal and lateral control for automated lane guidance of full drive-by-wire vehicles
CN116627044B (zh) 行驶轨迹预测控制方法
CN112230651A (zh) 一种基于分层控制理论的分布式无人车路径跟踪控制方法
CN112947469A (zh) 汽车换道轨迹规划与动态轨迹跟踪控制方法
EL HAJJAMI et al. Neural network based sliding mode lateral control for autonomous vehicle
CN112394734A (zh) 一种基于线性模型预测控制算法的车辆轨迹跟踪控制方法
Choi et al. Game-based lateral and longitudinal coupling control for autonomous vehicle trajectory tracking
CN111845738B (zh) 基于双模型复合的车辆路径跟踪控制方法
Yin et al. Framework of integrating trajectory replanning with tracking for self-driving cars
Jiang et al. Learning based predictive error estimation and compensator design for autonomous vehicle path tracking
CN116225004A (zh) 一种六轮独立驱动独立转向机器人的避障方法
Wohner et al. Hierarchical nonlinear model predictive control for an autonomous racecar
Li et al. Path tracking control based on the prediction of tire state stiffness using the optimized steering sequence

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