CN113031443A - 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 - Google Patents

Abstract

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，基于粒子群优化与支持向量机的学习模型建立预瞄控制器，能根据车辆不同状态自适应调整预瞄时距，可以有效解决小样本非线性系统中局部最优问题和维数灾问题导致的在线应用控制效果延迟的现象，极大的降低计算负担，在实现预瞄时距自适应调整的同时有效克服了现有控制策略精度受车速和道路曲率的影响较大、且控制规则对操作人员经验的依赖过高的缺陷，在实车测试中取得了较好的控制效果。

Description

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

技术领域

本发明涉及智能车辆运动控制技术领域，尤其涉及一种智能车辆横向控制方法，能够实现主动安全功能并进行基于粒子群算法和支持向量机理论的预瞄时距计算。

背景技术

智能车辆横向运动控制根据控制目标的不同分为纵向运动控制和横向运动控制，目前横向运动控制技术是实现智能车辆自主驾驶的核心技术之一，进行这种控制的目的是在连续变化的曲率工况下车辆仍具有良好的稳定性和安全性。在采用预瞄式横向运动控制的现有技术中，通常以车辆前方预瞄时距点处的位姿为控制器输入，对参考轨迹曲率变化具有良好的适应性。大量仿真和试验结果表明，在参考轨迹曲率连续变化工况下，预瞄时距的选择对路径跟踪精度、车辆转向稳定性和乘坐舒适性有显著影响。现有预瞄式横向运动控制器设计中，大多将预瞄距离表示为纵向车速的一元或二元函数，或将其用模糊规则表示，譬如在中国专利CN107097785B中，采用了模糊规则理论设计自适应预瞄横向运动控制器。该方法是一种基于规则的控制，虽然能在一定车速范围内保证车辆轨迹跟踪精度，但随着纵向车速和道路曲率发生大范围波动时，模糊规则不再适用，此时不仅轨迹跟踪精度会发生明显下降，同时转向稳定性和乘坐舒适性也会呈现出不同程度的恶化。而对于使用模糊规则表示预瞄距离的模糊控制方式来说，制定适合的模糊规则对专家的工程经验依赖性很强，也限制了这种方式的应用。

发明内容

为了克服上述现有技术中存在的问题与缺陷，本发明旨在提供一种既能使智能车辆在参数变化和外界干扰情况下实现对路径的精确跟踪，同时还能兼顾车辆在跟踪过程中的转向稳定性和乘坐舒适性的车辆横向运动控制方法。

为实现上述目的，本发明提供了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，包括以下步骤：

步骤1、首先构建整车非线性动力学模型作为参考模型；

步骤2、构建分层式横向控制模型，包括上层控制器和下层控制器，其中上层控制器用于提供期望的车辆速度和预瞄时距，包括并行操作的主动安全控制器与预瞄误差模型，以及接收主动安全控制器与预瞄误差模型输出的自适应预瞄控制器；所述自适应预瞄控制器由顺序串联执行的PSO(粒子群优化)模块与SVM(支持向量机)预测模型构成；下层控制器包括基于模型预测控制的MPC控制器和PI反馈控制器，用于分配转矩以实现所述期望的车辆速度和前轮转角；

步骤3、所述主动安全控制器接收所述参考模型中对应的当前纵向速度v_x、路面摩擦系数μ以及路径的曲率ρ，计算出当前的安全纵向车速范围；

步骤4、所述预瞄误差模型接收参考模型参数并结合参考路径参数、安全纵向车速范围、参考路径曲率计算预瞄时距点处的车辆位姿；

步骤5、以消除预瞄时距点综合误差为控制目标，将步骤3和步骤4的结果输入PSO模块，自适应得到最优预瞄时距；

步骤6、将步骤5得到的最优预瞄时距和对应的车速信息与道路信息作为样本数据输入到SVM预测模型进行离线训练，得到用于对预瞄时距进行实时在线预测模型；将后续得到的车速信息与路径信息输入训练好的SVM预测模型在线得到预瞄时距；

步骤7、下层控制器中MPC控制器接收由步骤6得到的预瞄时距，计算得到前轮转角；

步骤8、下层控制器中PI反馈控制器根据预瞄时距和预瞄时距点处的位姿误差计算车辆的前轮转角补偿量。

步骤9、基于所述前轮转角与所述前轮转角补偿量计算实际前轮转角，最终实现车辆的横向运动控制。

进一步地，所述步骤1中的参考模型基于整车3自由度动力学模型建立，具有以下形式：

式中，x、y、

分别是车辆的横坐标、纵坐标和航向角，I_z为车辆的转动惯量，上标·表示导数，F_lf、F_lr分别是车辆前后轮所受的横向力,F_cf、F_cr是车辆前后轮所受的纵向力,F_xf、F_xr分别为车辆前后轮在x方向所受的纵向力,F_yf、F_yr分别为车辆前后轮在y方向所受的侧向力；a、b分别是车辆质心距前、后轴的距离；

分别为车辆大地坐标系下的纵向速度、侧向速度。

进一步地，所述主动安全控制器具有以下形式：

v_limit＝min(v_slip,v_over,v_max)

F_t＝0.5ρC_dAv_x ²+mg(f cosα+sinα)

式中，v_max为道路限速，v_slip为车辆防侧滑约束，v_over为车辆防侧翻约束，v_limit为纵向安全车速，μ为路面摩擦系数，g为重力系数，α为路面坡度，L为轴距，k_slip为小于1的防侧滑系数，δ_f为车辆实际的前轮转角，F_t为车辆行驶阻力，ρ为空气密度，C_d为空气阻力系数，A为迎风面积，_m为车辆质量，f为道路滚动阻力系数，h为质心高度，b_ave为平均轮距，k_over为小于1的防侧翻系数，R为曲率半径。

进一步地，所述预瞄误差模型基于以下关系建立：

v＝v_M

tanβ_M＝(L+L_f)tanδ_f/L

β＝β_M+ωT_pre

ω＝v tanδ_f cosβ_M/L

式中，v_M为车头M点的速度，L_f为车辆前悬长度，θ为车辆航向角，ω为车辆横摆角速度，β_M为车头M点处的侧偏角，β为预瞄点N处的侧偏角，x_M、y_M分别为车头M处的横、纵坐标，x_N、y_N分别为预瞄点N处的横、纵坐标，T_pre为预瞄时距；利用上述公式可得到相应的预瞄误差。

进一步地，PSO模块基于以下关系建立：

J＝ω₁J₁+ω₂J₂+ω₃J₃+ω₄J₄

式中，X_f为车辆实际坐标信息，X_r为参考轨迹的坐标信息，θ_f为车辆的实际航向角，θ_r为参考轨迹的航向角，u为系统的控制变量，a_y为车辆的加速度，t₀为车辆的采样时间，J₁为车辆实际位置与参考轨迹的横纵向误差指标，J₂为方向误差指标，J₃、J₄为车辆稳定性指标，ω_i(i＝1,2,3,4)为权重系数。

进一步地，所述对以下模型进行离线训练以得到所述SVM预测模型：

式中，Loss(T_{pre_predict},T_{pre_real})为样本数据和实际数据的均方根误差，T_{pre_predict}为SVM预测模型预测出的预瞄时距，T_{pre_real}为PSO模块输出的最优预瞄时距样本。

进一步地，步骤7中MPC控制器的系统方程为：

在该系统中，状态变量为

控制量为u＝[δ]；

以消除综合误差和平稳转向为控制目标，代价函数表示为：

J＝(X_d-X_dref)^TQ(X_d-X_dref)+u^TRu

式中，X_d为车辆位姿信息(横纵坐标和航向角信息)，X_dref为参考轨迹路径信息(横纵坐标和航向角信息)，Q为状态加权矩阵，R为控制加权矩阵。

约束条件表示为：

β_min≤β≤β_max

Δδ_max≤Δu≤Δδ_max

δ_max≤u(k-1)+Δu≤δ_max

式中，β_max、β_min为车辆侧偏角的极值，

为车辆横摆角速度的极值，Δδ_max、δ_max分别为车辆方向盘的最大转角和最大转角增量，Δu为u的增量。

进一步地，步骤8中PI反馈控制器计算车辆的前轮转角补偿量具体为：

式中，δ_PI为车辆前轮转角的补偿量，K_p、K_i分别为车辆横纵向偏移量与方向角偏移量的比例系数和积分系数，e_x、e_y、e_θ分别为车辆的横纵向偏移量和方向角偏移量，t为采样时间；

实际前轮转角控制量可表示为：

δ_f＝δ_MPC+δ_PI

式中，δ_f为车辆实际的前轮转角输出量，δ_MPC为经MPC控制器求解得到的前轮转角。

上述本发明所提供的方法，基于粒子群优化与支持向量机的学习模型建立预瞄控制器，能根据车辆不同状态自适应调整预瞄时距，可以有效解决小样本非线性系统中局部最优问题和维数灾问题导致的在线应用控制效果延迟的现象，极大的降低计算负担，在实现预瞄时距自适应调整的同时有效克服了现有控制策略精度受车速和道路曲率的影响较大，且控制规则对操作人员经验的依赖过高的缺陷，在实车测试中取得了较好的控制效果。相对于现有技术具有诸多预料不到的技术效果。

附图说明

图1本发明所提供方法的流程示意图；

图2整车3自由度非线性模型示意图；

图3预瞄误差模型示意图；

图4预瞄时距与道路曲率和车速关系图；

图5安全车速限值图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明所提供的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，如图1所示，包括以下步骤：

步骤1、首先构建整车非线性动力学模型作为参考模型；

步骤2、构建分层式横向控制模型，包括上层控制器和下层控制器，其中上层控制器用于提供期望的车辆速度和预瞄时距，包括并行操作的主动安全控制器与预瞄误差模型，以及接收主动安全控制器与预瞄误差模型输出的自适应预瞄控制器；所述自适应预瞄控制器由顺序串联执行的PSO(粒子群优化)模块与SVM(支持向量机)预测模型构成；下层控制器包括基于模型预测控制的MPC控制器和PI反馈控制器，用于分配转矩以实现所述期望的车辆速度和前轮转角；

步骤3、所述主动安全控制器接收所述参考模型中对应的当前纵向速度v_x、路面摩擦系数μ以及路径的曲率ρ，计算出当前的安全纵向车速范围；

步骤4、所述预瞄误差模型接收参考模型参数并结合参考路径参数、纵向安全车速范围、参考路径曲率计算预瞄时距点处的车辆位姿；

步骤5、以消除预瞄时距点综合误差为控制目标，将步骤3和步骤4的结果输入PSO模块，自适应得到最优预瞄时距；步骤6、将步骤5得到的最优预瞄时距和对应的车速信息与道路信息作为样本数据输入到SVM预测模型进行离线训练，得到用于对预瞄时距进行实时在线预测模型；将后续得到的车速信息与路径信息输入训练好的SVM预测模型在线得到预瞄时距；

步骤7、下层控制器中MPC控制器接收由步骤6得到的预瞄时距，计算得到前轮转角；

步骤8、下层控制器中PI反馈控制器根据预瞄时距和预瞄时距点处的位姿误差计算车辆的前轮转角补偿量。

步骤9、基于所述前轮转角与所述前轮转角补偿量计算实际前轮转角，最终实现车辆的横向运动控制。

在本发明的一个优选实施方式中，所述步骤1中的参考模型基于整车3自由度动力学模型建立，如图2所示，具有以下形式：

式中，

F_xf＝F_lf cosδ_f-F_cf sinδ_f

F_xr＝F_lr cosδ_r-F_cr sinδ_r

F_yf＝F_lf sinδ_f+F_cf cosδ_f

F_yr＝F_lr sinδ_r+F_cr cosδ_r

F_lf＝C_lfs_f F_lr＝C_lrs_r

式中，x、y、φ分别是车辆的横坐标、纵坐标和航向角，I_z为车辆的转动惯量，上标·表示导数，F_lf、F_lr分别是车辆前后轮所受的横向力,F_cf、F_cr是车辆前后轮所受的纵向力,F_xf、F_xr分别为车辆前后轮在x方向所受的纵向力,F_yf、F_yr分别为车辆前后轮在y方向所受的侧向力；a、b分别是车辆质心距前、后轴的距离；

分别为车辆在大地坐标系下的纵向速度、侧向速度。

如图3所示，在本发明的一个优选实施方式中，所述主动安全控制器具有以下形式：

v_limit＝min(v_slip,v_over,v_max)

F_t＝0.5ρC_dAv_x ²+mg(f cosα+sinα)

式中，v_max为道路限速，v_slip为车辆防侧滑约束，v_over为车辆防侧翻约束，v_limit为安全纵向车速，μ为路面摩擦系数，g为重力系数，α为路面坡度，L为轴距，k_slip为小于1的防侧滑系数，δ_f为车辆实际的前轮转角，F_t为车辆行驶阻力，ρ为空气密度，C_d为空气阻力系数，A为迎风面积，_m为车辆质量，f为道路滚动阻力系数，h为质心高度，b_ave为平均轮距，k_over为小于1的防侧翻系数，R为曲率半径。

所述预瞄误差模型基于以下关系建立：

v＝v_M

tanβ_M＝(L+L_f)tanδ_f/L

β＝β_M+ωT_pre

ω＝v tanδ_fcosβ_M/L

式中，v_M为车头M点的速度，L_f为车辆前悬长度，θ为车辆航向角，ω为车辆横摆角速度，β_M为车头M点处的侧偏角，β为预瞄点N处的侧偏角，x_M、y_M分别为车头M处的横、纵坐标，x_N、y_N分别为预瞄点N处的横、纵坐标，T_pre为预瞄时距；利用上述公式可得到相应的预瞄误差。

PSO模块基于以下关系建立：

J＝ω₁J₁+ω₂J₂+ω₃J₃+ω₄J₄

式中，X_f为车辆实际坐标信息，X_r为参考轨迹的坐标信息，θ_f为车辆的实际航向角，θ_r为参考轨迹的航向角，u为系统的控制变量，a_y为车辆的加速度，t₀为车辆的采样时间，J₁为车辆实际位置与参考轨迹的横纵向误差指标，J₂为方向误差指标，J₃、J₄为车辆稳定性指标，ω_i(i＝1,2,3,4)为权重系数。

所述对以下模型进行离线训练以得到所述SVM预测模型：

式中，Loss(T_{pre_predict},T_{pre_real})为样本数据和实际数据的均方根误差，T_{pre_predict}为SVM预测模型预测出的预瞄时距，T_{pre_real}为PSO模块输出的最优预瞄时距样本。

进一步地，步骤7中MPC控制器的系统方程为：

在该系统中，状态变量为

控制量为u＝[δ]；

以消除综合误差和平稳转向为控制目标，代价函数表示为：

J＝(X_d-X_dref)^TQ(X_d-X_dref)+u^TRu

式中，X_d为车辆位姿信息(横纵坐标和航向角信息)，X_dref为参考轨迹路径信息(横纵坐标和航向角信息)，Q为状态加权矩阵，R为控制加权矩阵。

约束条件表示为：

β_min≤β≤β_max

Δδ_max≤Δu≤Δδ_max

δ_max≤u(k-1)+Δu≤δ_max

式中，β_max、β_min为车辆侧偏角的极值，

为车辆横摆角速度的极值，Δδ_max、δ_max分别为车辆方向盘的最大转角和最大转角增量，Δu为u的增量。

进一步地，步骤8中PI反馈控制器计算车辆的前轮转角补偿量具体为：

式中，δ_PI为车辆前轮转角的补偿量，K_p、K_i分别为车辆横纵向偏移量与方向角偏移量的比例系数和积分系数，e_x、e_y、e_θ分别为车辆的横纵向偏移量和方向角偏移量，t为采样时间；

实际前轮转角控制量可表示为：

δ_f＝δ_MPC+δ_PI

式中，δ_f为车辆实际的前轮转角输出量，δ_MPC为经MPC控制器求解得到的前轮转角。图4和图5中示出了本发明的优选实例中，预瞄时距与道路曲率、车速的关系，以及利用本发明得到安全车速限值。

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种带有主动安全和自适应预瞄的车辆横向运动控制方法，其特征在于：包括以下步骤：

步骤1、首先构建整车非线性动力学模型作为参考模型；

步骤2、构建分层式横向控制模型，包括上层控制器和下层控制器，其中上层控制器用于提供期望的车辆速度和预瞄时距，包括并行操作的主动安全控制器与预瞄误差模型，以及接收主动安全控制器与预瞄误差模型输出的自适应预瞄控制器；所述自适应预瞄控制器由顺序串联执行的粒子群优化PSO模块与支持向量机的SVM预测模型构成；下层控制器包括基于模型预测控制的MPC控制器和PI反馈控制器，用于分配转矩以实现所述期望的车辆速度和前轮转角；

步骤3、所述主动安全控制器接收所述参考模型中对应的当前纵向速度v_x、路面摩擦系数μ以及路径的曲率，计算出当前的安全纵向车速范围；

步骤4、所述预瞄误差模型接收参考模型参数并结合参考路径参数、安全纵向车速范围、参考路径曲率计算预瞄时距点处的车辆位姿；

步骤5、以消除预瞄时距点综合误差为控制目标，将步骤3和步骤4的结果输入PSO模块，自适应得到最优预瞄时距；

步骤6、将步骤5得到的最优预瞄时距和对应的车速信息与道路信息作为样本数据输入到SVM预测模型进行离线训练，得到用于对预瞄时距进行实时在线预测模型；将后续得到的车速信息与路径信息输入训练好的SVM预测模型在线得到预瞄时距；

步骤7、下层控制器中MPC控制器接收由步骤6得到的预瞄时距，计算得到前轮转角；

步骤8、下层控制器中PI反馈控制器根据预瞄时距和预瞄时距点处的位姿误差计算车辆的前轮转角补偿量。

步骤9、基于所述前轮转角与所述前轮转角补偿量计算实际前轮转角，最终实现车辆的横向运动控制。

2.如权利要求1所述的方法，其特征在于：所述步骤1中的参考模型基于整车3自由度动力学模型建立，具有以下形式：

式中，x、y、

分别是车辆的横坐标、纵坐标和航向角，m为车辆质量，I_z为车辆的转动惯量，上标·表示导数，F_lf、F_lr分别是车辆前后轮所受的横向力,F_cf、F_cr是车辆前后轮所受的纵向力,F_xf、F_xr分别为车辆前后轮在x方向所受的纵向力,F_yf、F_yr分别为车辆前后轮在y方向所受的侧向力；a、b分别是车辆质心距前、后轴的距离；

分别为车辆大地坐标系下的纵向速度、侧向速度。

3.如权利要求2所述的方法，其特征在于：所述主动安全控制器具有以下形式：

v_limit＝min(v_slip,v_over,v_max)

F_t＝0.5ρC_dAv_x ²+mg(fcosα+sinα)

式中，v_max为道路限速，v_slip为车辆防侧滑约束，v_over为车辆防侧翻约束，v_limit为安全纵向车速，μ为路面摩擦系数，g为重力系数，α为路面坡度，L为轴距，k_slip为小于1的防侧滑系数，δ_f为车辆实际的前轮转角，F_t为车辆行驶阻力，ρ为空气密度，C_d为空气阻力系数，A为迎风面积，_m为车辆质量，f为道路滚动阻力系数，h为质心高度，b_ave为平均轮距，k_over为小于1的防侧翻系数，R为曲率半径。

4.如权利要求3所述的方法，其特征在于：所述预瞄误差模型基于以下关系建立：

v＝v_M

tanβ_M＝(L+L_f)tanδ_f/L

β＝β_M+ωT_pre

ω＝vtanδ_fcosβ_M/L

式中，v_M为车头M点的速度，L_f为车辆前悬长度，θ为车辆航向角，ω为车辆横摆角速度，β_M为车头M点处的侧偏角，β为预瞄点N处的侧偏角，x_M、y_M分别为车头M处的横、纵坐标，x_N、y_N分别为预瞄点N处的横、纵坐标，T_pre为预瞄时距；利用上述公式可得到相应的预瞄误差。

5.如权利要求4所述的方法，其特征在于：PSO模块基于以下关系建立：

J＝ω₁J₁+ω₂J₂+ω₃J₃+ω₄J₄

式中，X_f为车辆实际坐标信息，X_r为参考轨迹的坐标信息，θ_f为车辆的实际航向角，θ_r为参考轨迹的航向角，u为系统的控制变量，k为某特定时刻，a_y为车辆的加速度，t₀为车辆的采样时间，J₁为车辆实际位置与参考轨迹的横纵向误差指标，J₂为方向误差指标，J₃、J₄为车辆稳定性指标，ω_i(i＝1,2,3,4)为权重系数。

6.如权利要求5所述的方法，其特征在于：所述对以下模型进行离线训练以得到所述SVM预测模型：

式中，Loss(T_{pre_predict},T_{pre_real})为样本数据和实际数据的均方根误差，T_{pre_pre}dict为SVM预测模型预测出的预瞄时距，T_{pre_real}为PSO模块输出的最优预瞄时距样本。

7.如权利要求6所述的方法，其特征在于：步骤7中MPC控制器的系统方程为：

在该系统中，状态变量为

控制量为u＝[δ]；

以消除综合误差和平稳转向为控制目标，代价函数表示为：

J＝(X_d-X_dref)^TQ(X_d-X_dref)+u^TRu

式中，X_d为车辆位姿信息，X_dref为参考轨迹路径信息，Q为状态加权矩阵，R为控制加权矩阵。

约束条件表示为：

β_min≤β≤β_max

Δδ_max≤Δu≤Δδ_max

δ_max≤u(k-1)+Δu≤δ_max

式中，β_max、β_min为车辆侧偏角的极值，

为车辆横摆角速度的极值，δ_max、Δδ_max分别为车辆方向盘的最大转角和最大转角增量，Δu为u的增量。

8.如权利要求7所述的方法，其特征在于：步骤8中PI反馈控制器计算车辆的前轮转角补偿量具体为：

式中，δ_PI为车辆前轮转角的补偿量，K_p、K_i分别为车辆横纵向偏移量与方向角偏移量的比例系数和积分系数，e_x、e_y、e_θ分别为车辆的横纵向偏移量和方向角偏移量，t为采样时间；

实际前轮转角控制量可表示为：

δ_f＝δ_MPC+δ_PI

式中，δ_PI为车辆实际的前轮转角输出量，δ_MPC为经MPC控制器求解得到的前轮转角。

Images