CN113306573A - 一种自动驾驶车辆学习型路径跟踪预测控制方法 - Google Patents
一种自动驾驶车辆学习型路径跟踪预测控制方法 Download PDFInfo
- Publication number
- CN113306573A CN113306573A CN202110699833.1A CN202110699833A CN113306573A CN 113306573 A CN113306573 A CN 113306573A CN 202110699833 A CN202110699833 A CN 202110699833A CN 113306573 A CN113306573 A CN 113306573A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- state
- formula
- matrix
- preset
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 15
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 206010048669 Terminal state Diseases 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- 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)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明实施例公开了一种自动驾驶车辆学习型路径跟踪预测控制方法,包括:在当前采样时刻,获取车辆的当前系统状态;获取所述车辆的未来N个期望状态;根据当前状态、学习型预测控制模型预测车辆未来状态,结合未来N个期望状态、预设的目标函数和系统约束,得到最优控制序列;使用求得的最优控制序列中的第一个量控制所述车辆的运行,直到下一采样时刻到达,计算得到下一最优控制序列,如此重复,在每一采样时刻进行计算,直到车辆行驶完整个路径。
Description
技术领域
本发明实施例涉及自动驾驶车辆技术领域,特别是一种自动驾驶车辆学习型路径跟踪预测控制方法。
背景技术
自动驾驶具有减缓交通拥堵、提高交通效率、减少驾驶员工作量的优点、近些年来受到广泛关注,其中,路径跟踪又是实现自动驾驶的一项关键技术。
目前实现路径跟踪的方法主要包括基于几何模型的路径跟踪、无模型反馈控制的路径跟踪和基于模型的反馈控制的路径跟踪。但是,目前的这些跟踪方法,车辆在进行路径跟踪的过程中,容易受到随机噪声、路面起伏、外界干扰等因素影响,不利于跟踪效果。
发明内容
本发明实施例的目的在于提供一种自动驾驶车辆学习型路径跟踪预测控制方法,来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的,本发明实施例提供一种自动驾驶车辆学习型路径跟踪预测控制方法,包括:
步骤1,在当前采样时刻,获取车辆的当前系统状态;
步骤2,获取所述车辆的未来N个期望状态,N为正整数;包括:对所述车辆的待行驶路径进行样条插值,以得到的新路径为参考路径;根据所述当前系统状态获取所述参考路径上距离所述车辆位置最近的路点P0,以P0为起点,v(k)ΔT 为搜索距离,沿所述参考路径向前搜索获得N个参考路点Pi,i=1,2,...,N, v(k)表示当前时刻k的车辆速度,ΔT为离散控制周期,所述N个参考路点的状态为所述N个期望状态;
步骤3,根据所述当前系统状态和学习型预测控制模型预测车辆未来状态,并与所述未来N个期望状态、预设的目标函数和系统约束结合,得到最优控制序列;
其中,所述预设的目标函数、所述学习型预测模型和所述系统约束包括:
式(1)中:
uk+i是待求最优控制序列,表示前轮转角或方向盘转角;
ε是松弛因子;
yk+i是学习型预测模型的k+i时刻输出;其中所述学习型预测模型的表达式为:
xk+1=(Ad+Fk)xk+(Bd+Hk)uk+Gk (2)
其中,xk为当前时刻k的系统状态,uk代表k时刻的前轮转向角或方向盘转角δ;Ad、Bd是离散化后的系统参数矩阵,其值基于车辆纵向速度、前后轮侧偏刚度、前后轴到质心的距离、车辆质量和转动惯量得到;Fk、Hk和Gk是用于表征系统未建模动态的参数,其维度根据所述状态变量的个数确定,其值为0~1之间的随机数;
xk+i+1是k时刻通过所述学习型预测模型预测的k+i+1时刻的系统状态;
x0是所述车辆在所述路点P0的系统状态;
rk+i是k时刻的期望状态,为所述车辆的未来N个期望状态中的第i个期望状态;
Q,P,R,wε为预设权重系数,取值为大于0的实数;
C是预设系数,X是预设系统状态约束,D是预设未建模动态边界,W是预设终端状态约束,U是预设车辆控制约束,ΔU是预设车辆控制增量约束;
优选的,通过下述方式构建所述学习型预测模型,包括:
步骤11,建立系统名义模型:
式(3)中:
x表示系统状态;
u表示前轮转向角或方向盘转角δ:
矩阵A、B中的参数如下:
式(4)中:
v是车辆纵向速度;
Cf是前轮侧偏刚度;
lf是前轴到质心的距离;
Cr是后轮侧偏刚度;
lr是后轴到质心的距离;
m是车辆质量;
Iz为转动惯量;
步骤12,对步骤11中所述名义模型进行离散化并考虑扰动得到所述系统预测模型(5);
x<sub>k+1</sub>=A<sub>d</sub>x<sub>k</sub>+B<sub>d</sub>u<sub>k</sub>+d<sub>k</sub> | (5) |
式(5)中:Ad、Bd是离散化后的系统参数矩阵,dk是未建模动态引起的状态误差;
步骤13,构建系统未建模动力学模型:
d<sub>k</sub>=F<sub>k</sub>x+H<sub>k</sub>u+G<sub>k</sub> | (6) |
式(6)中:
α1至α24的值为区间[0,1]中的随机数;
步骤14,合并式(5)和式(6),以构建式(2)表示的所述学习型预测模型。
优选的,该方法还包括:优化系统状态与更新未建模动态矩阵参数:
用F、H、G中的参数扩展所述式(5),得到:
xaug表示扩大的系统预测状态,yaug是与xaug对应的输出,C是系统输出矩阵, O是零矩阵,OT是O的转置矩阵,I是单位矩阵;
对式(7)中f(·)和h(·)取关于xaug的一阶偏导数,得到:
式(9)中:
dxaug,k表示位于线性化邻域内的扰动;
Qk+1是由系统的不确定性引起的参数噪声的协方差;
采用下式(10)正式预测所述下一个采样区间的系统状态,并更新误差协方差矩阵;
式(10)中:
Rk+1是测量噪声协方差;
Kk+1是卡尔曼增益;
本发明由于采取以上技术方案,其具有以下优点:
本发明提出的自动驾驶车辆学习型路径跟踪预测控制方法中,考虑了系统未建模动态的影响,能够根据外部扰动实时学习更新未建模动态模型参数,对系统扰动进行了有效补偿,所建模型更加接近实际系统,使得跟踪精度更加精确,同时,系统具有较好鲁棒性。
附图说明
图1为本发明实施例提供的学习型预测模型的构建过程示意图;
图2为本发明实施例提供的自动驾驶车辆学习型路径跟踪预测控制方法的流程示意图;
图3示意性提供了车辆的未来N个参考路点;
图4为本发明实施例提供的系统状态优化和更新过程示意图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
本发明实施例提供一种自动驾驶车辆学习型路径跟踪预测控制方法,该自动驾驶车辆包括:车辆状态采集器件,其可以为GPS设备、惯性测量单元(IMU)、以及其他传感器,用于测量车辆的系统状态,包括但不限于采集车辆的行驶速度、横向位置、横摆角、质心侧偏角、以及横摆角变化率,以及本文出现的其它需要采集测量的与车辆行驶相关的量。车辆的系统状态仅为一个称呼,用于指示车辆行驶的状态,也可以有其它名称,例如叫做车辆的运行状态等,本文对此不做限制。系统可以指车辆中与本发明相关器件的整体。还可以利用该车辆状态采集器件或者其它定位器件获得车辆的待行驶路径以及实际行驶路径,例如通过GPS 定位系统或者其它车载导航系统等获得车辆位置和目的地之间的路径。该车辆还包括控制器,该控制器的功能包括但不限于根据预先配置周期性或非周期性预测车辆的速度和前轮转角或方向盘转角,控制车辆的行驶。容易理解,该自动驾驶车辆系统还包括其它构造,本文不再一一列出。
自动驾驶车辆的行驶涉及对车辆速度、方向等多个参量的控制,本发明实施例提供一种自动驾驶车辆学习型路径跟踪预测控制方法,用于自动驾驶车辆预测前轮转角或方向盘转角,使用前轮转角或方向盘转角控制车辆的行驶。
本发明实施例中,在控制器内构建和/或存储车辆的学习型预测模型。图1示出学习型预测模型的构建过程,包括:
步骤11,建立系统名义模型。
系统的状态变量可以包括y(横向位置)、ψ(横摆角),β(质心侧偏角),(横摆角变化率),容易理解,在不同应用场景下,或者基于不同应用需求,状态变量的种类和数量可以不同。针对不同状态变量,本发明实施例提供的自动驾驶车辆学习型路径跟踪预测控制方法同样适用。
系统名义模型如下式(3)所示。
式(3)中:
x表示系统状态;
u表示前轮转向角或方向盘转角δ;
矩阵A、B中的参数如下:
式(4)中:
v是车辆纵向速度;
Cf(Cr)是前(后)轮侧偏刚度;
lf(lr)是前(后)轴到质心的距离;
m是车辆质量;
Iz为转动惯量。
步骤12,对系统名义模型进行离散化并考虑扰动得到系统预测模型。该系统预测模型的数学表达式如下式(5)所示。
x<sub>k+1</sub>=A<sub>d</sub>x<sub>k</sub>+B<sub>d</sub>u<sub>k</sub>+d<sub>k</sub> | (5) |
式(5)中:
Ad、Bd是离散化后的系统参数矩阵。在一个示例中,可以由 计算得到Ad、Bd的值,Ts是采样周期,其值根据实际需要等预先设置,采样周期越小效果越好,但需要考虑运算量,通常可以取0.01秒至 0.1秒之间的量,例如0.05秒。为减小计算量,也可使用向前欧拉、向后欧拉以及中点欧拉法得到离散后的Ad、Bd的值,本文对此不再赘述。
dk是未建模动态引起的状态误差,其取值通过步骤13获得。
步骤13,构建系统未建模动力学模型。
由于系统未建模动态是非线性的,很难用物理机制描述,但是在很短一段时间内,例如一个控制周期内,可以用线性方式近似描述未建模动态,具体如下式(6)所示。
d<sub>k</sub>=F<sub>k</sub>x+H<sub>k</sub>u+G<sub>k</sub> | (6) |
式(6)中:
F、H、G是矩阵参数,其维度由状态变量个数决定,如果有n个状态变量,则一共会产生n*(n+2)个参数。此处以4个状态变量为例,一共产生24个参数。其中,α1至α24的值为区间[0,1]中的随机数,包括:α1至α24的初始值设定为区间[0,1]任意一个数,之后,α1至α24的值由式(11)中的后24个参数进行迭代更新。
步骤14,合并式(5)和式(6),构建学习型预测模型。该学习型预测模型的数学表达式如下式(2)所示。
x<sub>k+1</sub>=(A<sub>d</sub>+F<sub>k</sub>)x<sub>k</sub>+(B<sub>d</sub>+H<sub>k</sub>)u<sub>k</sub>+G<sub>k</sub> | (2) |
其中,xk为k时刻的系统状态;uk是k时刻的系统输入,即k时刻的前轮转向角或方向盘转角δ;Ad、Bd、Fk、Hk和Gk均为参数,其取值见上述步骤11- 13中所述。
本发明实施例提供的自动驾驶车辆学习型路径跟踪预测控制方法,如图2所示,包括如下步骤:
步骤201,获取当前系统状态。
在每一采样时刻,获取车辆的当前系统状态。系统状态包括状态变量,如上所述,状态变量可以包括y(横向位置)、ψ(横摆角),β(质心侧偏角),(横摆角变化率),在不同应用场景下,或者基于不同应用需求,状态变量的种类和数量可以不同。可以通过车辆上安装的GPS模块、惯性测量单元(IMU)、以及安装的其他传感器获得车辆的系统状态信息。传感器可以包括摄像头、雷达和激光等类型传感器。
步骤202,获取车辆的未来N个期望状态。
获取车辆的待行驶路径,例如通过搭载GPS的小车提前在某一路段进行路径信息采集得到(包括相对于大地坐标系的横纵向坐标,航向角等路径信息)。对车辆的待行驶路径进行三次样条插值,获得一条新路径,命名为参考路径。通过测得的系统状态信息遍历参考路径,获取参考路径上距离当前时刻k最近的参考路点P0,以P0为起点,v(k)ΔT为搜索距离,沿着参考路径向前搜索N个参考路点Pi,i=1,2,...,N。ΔT为离散控制周期,其值可以根据实际需要预先设置,通常可以取0.01秒至0.1秒之间的量,且该离散控制周期可以设置为与采样周期的值相同。v(k)表示当前时刻k的车辆速度。图3示意性提供了车辆的未来 N个参考路点。其中,该N个参考点的状态即为N个期望状态。在一种实现方式中,确定参考路径后,即可确定路径上各点的车辆运行状态,知晓N个参考点后即可知晓N个期望状态。N的值可以取5、10、20、30等,具体根据实际应用预先设定。
步骤203,根据当前状态、学习型预测控制模型预测车辆未来状态,结合未来N个期望状态、预设的目标函数和系统约束,得到最优控制序列。
其中,预设的目标函数、学习型预测模型和系统约束包括:
式(1)中:
uk+i是待求最优控制序列,表示前轮转角或方向盘转角;
ε是松弛因子;
学习型预测模型如式(2)所示,
xk+i+1是k时刻通过学习型预测模型预测的k+i+1时刻的系统状态;
yk+i是学习型预测模型的k+i时刻输出;
x0是车辆在路点P0的系统状态;
rk+i是k时刻的期望状态,为车辆的未来N个期望状态中的第i个期望状态;
Q,P,R,wε为预设权重系数,取值为大于0的实数;
C是预设系数,X是预设系统状态约束,D是预设未建模动态边界,W是预设终端状态约束,U是预设车辆控制约束,ΔU是预设车辆控制增量约束。
通过步骤203中计算得到的控制序列可以表示为:
本步骤中,优选的,将的第一个量作用于系统,控制车辆转角或方向盘转角,直到下一采样时刻到达。下一采样时刻到达时,重复步骤201至步骤204,得到下一采样时刻的如此重复,在每一采样时刻进行计算,直到完成整个路径任务。
本步骤中,当前时刻k得到使用的第一个量控制车辆。当下一采样时刻到达时,通过式(1)计算得到下一最优控制序列,使用下一最优控制序列的第一个量作为系统控制输入量,控制车辆行驶,直到下一采样时刻到达,继续计算下一最优控制序列,如此重复,直到完成整个路径任务。
在一个优选的实施例中,还包括:对式(1)中输入的系统状态,包括y(横向位置)、ψ(横摆角),β(质心侧偏角),(横摆角变化率),进行优化,并更新未建模动态矩阵参数F、H、G。优化后的系统状态作为式(1)中输入的初始状态,所得更新未建模动态矩阵参数作为下一时刻学习型预测模型的系数矩阵的参数。该优化和更新过程如图4所示,包括:
步骤41,用F、H、G中的参数扩展系统预测模型式(5),得到一个新的扩展系统,如下式(7)所示:
xaug表示扩大的系统预测状态,yaug是与xaug对应的输出,C是系统输出矩阵, O是零矩阵,OT是O的转置矩阵,I是单位矩阵;
步骤42,对步骤41中f(·)和h(·)取关于xaug的一阶偏导数,得到式(8):
式(9)中:
dxaug,k表示位于线性化邻域内的扰动,其取值范围为[0,1],优先选择其中较小值,例如0-0.5范围内的值,并根据其实际应用例如调试效果确定具体值;
Qk+1是由系统的不确定性引起的参数噪声的协方差,其值取值范围为(0,1);
步骤44,采用下式(10)正式预测下一个采样区间的系统状态,更新误差协方差矩阵;
式(10)中:
Rk+1是测量噪声协方差,其值取值范围为(0,1),具体值可以根据实际需求在0~1之间预先确定;
Kk+1是卡尔曼增益由式(10)直接计算得到;
最后需要指出的是:以上实施例仅用以说明本发明的技术方案,而非对其限制。本领域的普通技术人员应当理解:可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种自动驾驶车辆学习型路径跟踪预测控制方法,包括:
步骤1,在当前采样时刻,获取车辆的当前系统状态;
步骤2,获取所述车辆的未来N个期望状态,N为正整数;包括:对所述车辆的待行驶路径进行样条插值,以得到的新路径为参考路径;根据所述当前系统状态获取所述参考路径上距离所述车辆位置最近的路点P0,以P0为起点,v(k)ΔT为搜索距离,沿所述参考路径向前搜索获得N个参考路点Pi,i=1,2,…,N,v(k)表示当前时刻k的车辆速度,ΔT为离散控制周期,所述N个参考路点的状态为所述N个期望状态;
步骤3,根据所述当前系统状态和学习型预测控制模型预测车辆未来状态,并与所述未来N个期望状态、预设的目标函数和系统约束结合,得到最优控制序列;
其中,所述预设的目标函数、所述学习型预测模型和所述系统约束包括:
式(1)中:
uk+i是待求最优控制序列,表示前轮转角或方向盘转角;
ε是松弛因子;
yk+i是学习型预测模型的k+i时刻输出;其中所述学习型预测模型的表达式为:
xk+1=(Ad+Fk)xk+(Bd+Hk)uk+Gk (2)
其中,xk为当前时刻k的系统状态,uk代表k时刻的前轮转向角或方向盘转角δ;Ad、Bd是离散化后的系统参数矩阵,其值基于车辆纵向速度、前后轮侧偏刚度、前后轴到质心的距离、车辆质量和转动惯量得到;Fk、Hk和Gk是用于表征系统未建模动态的参数,其维度根据所述状态变量的个数确定,其值为0~1之间的随机数;
xk+i+1是k时刻通过所述学习型预测模型预测的k+i+1时刻的系统状态;
x0是所述车辆在所述路点P0的系统状态;
rk+i是k时刻的期望状态,为所述车辆的未来N个期望状态中的第i个期望状态;
Q,P,R,wε为预设权重系数,取值为大于0的实数;
C是预设系数,X是预设系统状态约束,D是预设未建模动态边界,W是预设终端状态约束,U是预设车辆控制约束,ΔU是预设车辆控制增量约束;
3.根据权利要求2所述的方法,其特征在于,其中,通过下述方式构建所述学习型预测模型,包括:
步骤11,建立系统名义模型:
式(3)中:
x表示系统状态;
u表示前轮转向角或方向盘转角δ;
矩阵A、B中的参数如下:
式(4)中:
v是车辆纵向速度;
Cf是前轮侧偏刚度;
lf是前轴到质心的距离;
Cr是后轮侧偏刚度;
lr是后轴到质心的距离;
m是车辆质量;
IZ为转动惯量;
步骤12,对步骤11中所述名义模型进行离散化并考虑扰动得到所述系统预测模型(5);
式(5)中:Ad、Bd是离散化后的系统参数矩阵,dk是未建模动态引起的状态误差;
步骤13,构建系统未建模动力学模型:
式(6)中:
α1至α24的值为区间[0,1]中的随机数;
步骤14,合并式(5)和式(6),以构建式(2)表示的所述学习型预测模型。
4.根据权利要求3所述的方法,其特征在于,还包括:优化系统状态与更新未建模动态矩阵参数:
用F、H、G中的参数扩展所述式(5),得到:
xaug表示扩大的系统预测状态,yaug是与xaug对应的输出,C是系统输出矩阵,O是零矩阵,OT是O的转置矩阵,I是单位矩阵;
对式(7)中f(·)和h(·)取关于xaug的一阶偏导数,得到:
式(9)中:
dxaug,k表示位于线性化邻域内的扰动;
Qk+1是由系统的不确定性引起的参数噪声的协方差;
采用下式(10)正式预测所述下一个采样区间的系统状态,并更新误差协方差矩阵;
式(10)中:
Rk+1是测量噪声协方差;
Kk+1是卡尔曼增益;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699833.1A CN113306573B (zh) | 2021-06-23 | 2021-06-23 | 一种自动驾驶车辆学习型路径跟踪预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110699833.1A CN113306573B (zh) | 2021-06-23 | 2021-06-23 | 一种自动驾驶车辆学习型路径跟踪预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113306573A true CN113306573A (zh) | 2021-08-27 |
CN113306573B CN113306573B (zh) | 2022-08-16 |
Family
ID=77380231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110699833.1A Active CN113306573B (zh) | 2021-06-23 | 2021-06-23 | 一种自动驾驶车辆学习型路径跟踪预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113306573B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114898A (zh) * | 2022-01-27 | 2022-03-01 | 北京航空航天大学 | 空空弹pid参数整定方法、装置、电子设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
JP2018177121A (ja) * | 2017-04-19 | 2018-11-15 | トヨタ自動車株式会社 | 自動運転システム |
CN110780594A (zh) * | 2019-11-22 | 2020-02-11 | 中国科学院电工研究所 | 一种智能车的路径跟踪方法及系统 |
CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
US20200064861A1 (en) * | 2018-08-24 | 2020-02-27 | Baidu Usa Llc | Gps based high precision timestamp generation circuit for an autonomous driving vehicle |
CN110955250A (zh) * | 2019-12-25 | 2020-04-03 | 湖南大学 | 一种车辆倒车路径跟踪控制方法 |
CN110989625A (zh) * | 2019-12-25 | 2020-04-10 | 湖南大学 | 一种车辆路径跟踪控制方法 |
US20200209872A1 (en) * | 2018-12-27 | 2020-07-02 | Baidu Usa Llc | St-graph learning based decision for autonomous driving vehicle |
US10730531B1 (en) * | 2017-02-02 | 2020-08-04 | Uatc, Llc | Machine-learning based vehicle motion control system |
CN111538328A (zh) * | 2020-04-03 | 2020-08-14 | 浙江工业大学 | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 |
CN111824146A (zh) * | 2020-06-19 | 2020-10-27 | 武汉理工大学 | 一种路径跟随模型预测控制方法、系统、装置及存储介质 |
DE102019217393A1 (de) * | 2019-11-11 | 2021-05-12 | Robert Bosch Gmbh | Verfahren zum Betreiben einer autonomen Fahrfunktion eines Fahrzeugs |
-
2021
- 2021-06-23 CN CN202110699833.1A patent/CN113306573B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10730531B1 (en) * | 2017-02-02 | 2020-08-04 | Uatc, Llc | Machine-learning based vehicle motion control system |
JP2018177121A (ja) * | 2017-04-19 | 2018-11-15 | トヨタ自動車株式会社 | 自動運転システム |
CN107702716A (zh) * | 2017-08-31 | 2018-02-16 | 广州小鹏汽车科技有限公司 | 一种无人驾驶路径规划方法、系统和装置 |
US20200064861A1 (en) * | 2018-08-24 | 2020-02-27 | Baidu Usa Llc | Gps based high precision timestamp generation circuit for an autonomous driving vehicle |
US20200209872A1 (en) * | 2018-12-27 | 2020-07-02 | Baidu Usa Llc | St-graph learning based decision for autonomous driving vehicle |
DE102019217393A1 (de) * | 2019-11-11 | 2021-05-12 | Robert Bosch Gmbh | Verfahren zum Betreiben einer autonomen Fahrfunktion eines Fahrzeugs |
CN110780594A (zh) * | 2019-11-22 | 2020-02-11 | 中国科学院电工研究所 | 一种智能车的路径跟踪方法及系统 |
CN110780674A (zh) * | 2019-12-04 | 2020-02-11 | 哈尔滨理工大学 | 一种提高自动驾驶轨迹跟踪控制的方法 |
CN110955250A (zh) * | 2019-12-25 | 2020-04-03 | 湖南大学 | 一种车辆倒车路径跟踪控制方法 |
CN110989625A (zh) * | 2019-12-25 | 2020-04-10 | 湖南大学 | 一种车辆路径跟踪控制方法 |
CN111538328A (zh) * | 2020-04-03 | 2020-08-14 | 浙江工业大学 | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 |
CN111824146A (zh) * | 2020-06-19 | 2020-10-27 | 武汉理工大学 | 一种路径跟随模型预测控制方法、系统、装置及存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114114898A (zh) * | 2022-01-27 | 2022-03-01 | 北京航空航天大学 | 空空弹pid参数整定方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113306573B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10408638B2 (en) | System and method for controlling a vehicle under sensor uncertainty | |
JP4586795B2 (ja) | 車両用制御装置 | |
CN112733270B (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
US10409233B2 (en) | Method with quasi-Newton Jacobian updates for nonlinear predictive control | |
CN111731307B (zh) | 一种车辆转弯控制方法、装置、车辆及存储介质 | |
JP2020169872A (ja) | 慣性航法装置 | |
CN111751857A (zh) | 一种车辆位姿的估算方法、装置、存储介质及系统 | |
CN114502450B (zh) | 机动车辆横向和纵向引导中的死区时间补偿技术 | |
CN111189454A (zh) | 基于秩卡尔曼滤波的无人车slam导航方法 | |
CN116337045A (zh) | 一种基于karto和teb的高速建图导航方法 | |
CN116552550A (zh) | 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统 | |
CN113306573B (zh) | 一种自动驾驶车辆学习型路径跟踪预测控制方法 | |
CN113665587A (zh) | 自动驾驶车辆的横向控制方法、设备、存储介质及装置 | |
CN117360544B (zh) | 一种基于drl-mpc的自动驾驶车辆横向控制方法 | |
CN118092451A (zh) | 一种厂房机器人目标搜索过程的位置补偿方法 | |
CN117774941A (zh) | 基于ddpg的分布式电驱动车辆的afs、ars和dyc协同控制方法 | |
JP7206883B2 (ja) | ヨーレート補正装置 | |
JP6939759B2 (ja) | 車両状態推定装置 | |
WO2022203026A1 (ja) | 運転制御装置 | |
JP2021018112A (ja) | 自己位置推定装置 | |
Zhou et al. | IMU dead-reckoning localization with RNN-IEKF algorithm | |
CN114379577B (zh) | 行驶轨迹生成方法及设备 | |
JP7302693B1 (ja) | 運転制御装置、運転制御方法及びプログラム | |
JP7206875B2 (ja) | 車両横速度推定装置 | |
Su et al. | A Dead Reckoning Method Based on Neural Network Optimized Kalman Filter |
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 |