CN113341994B - 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 - Google Patents
一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 Download PDFInfo
- Publication number
- CN113341994B CN113341994B CN202110701690.3A CN202110701690A CN113341994B CN 113341994 B CN113341994 B CN 113341994B CN 202110701690 A CN202110701690 A CN 202110701690A CN 113341994 B CN113341994 B CN 113341994B
- Authority
- CN
- China
- Prior art keywords
- tire
- intelligent automobile
- path tracking
- vehicle
- model
- 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
Links
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012938 design process Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 claims 1
- 238000005183 dynamical system Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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 or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
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)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种基于分段仿射最优控制的智能汽车路径跟踪控制方法,包括以下步骤:1、完成轮胎侧偏力学特性的分段仿射辨识;2、基于所述轮胎辨识模型,构建智能汽车横向动力学系统分段仿射数学模型;3、设计基于预瞄时间自适应的智能汽车路径跟踪控制目标横摆角速度决策单元;4、结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器;5、将所述设计好的系统控制律刷写至智能汽车路径跟踪车载控制单元,最终计算出当前车辆所需实现的目标前轮转角。本发明能够在充分考虑轮胎非线性侧偏力学特性和预瞄时间自适应的基础上,实现智能汽车在特殊行驶工况下的路径跟踪控制,控制精度高、实时性好。
Description
技术领域
本发明属于智能车辆轨迹跟踪控制领域,特指采用分段仿射辨识方法对轮胎侧偏力学特性进行建模,并基于所辨识的轮胎侧偏力学特性模型设计轨迹跟踪控制器,以提高智能汽车在特殊行驶工况下的路径跟踪控制精度和稳定性。
背景技术
自动驾驶是汽车工业、人工智能、互联网等新一代信息技术产业深度融合的产物。随着人工智能技术的逐渐成熟和互联网技术的快速创新和发展,自动驾驶已成为汽车和交通运输业智能化、网络化发展的主要方向,其中,路径跟踪控制是车辆实现无人驾驶的关键技术之一。通常,路径跟踪是指控制汽车的转向系统,使车辆沿着期望的路径行驶,同时能够保证车辆的行驶安全性和舒适性。
目前,随着用户对车辆动态性能要求的不断提高,要求智能车辆的路径跟踪控制系统能够在大范围行驶工况下依然具有高精度、高可靠性等性能。然而,由于轮胎侧向力与轮胎工作参数间呈现高度非线性关系,在以往的车辆轨迹跟踪控制研究中,通常默认轮胎侧向力与其影响因素之间的关系近似为线性,因此,在湿滑或紧急避障等特殊行驶工况下,智能汽车轨迹跟踪控制性能有待进一步提升。
随着汽车运动控制系统的不断发展,尤其是智能汽车对于汽车运动控制性能在大范围道路行驶条件下提出的更高要求,轮胎未建模动态特性导致系统控制性能提升受限已成为不可回避的问题。与此同时,从系统控制综合的角度出发,模型既要准确描述客观系统的物理本质,又要适合动力学控制理论的应用,即使复杂的机理模型能够有效反映被控过程中各变量之间的非线性关系,但对于控制系统的设计可能会造成不便。因此,尽管轮胎侧偏力学特性的复杂机理模型已有研究涉及,但大多形式复杂、参数拟合困难,单纯针对轮胎力学特性进行研究,并未考虑后续在此基础上进行运动控制系统综合。随着计算技术的快速发展以及试验条件的不断完善,从系统输入输出数据出发,借助于数据挖掘、模型辨识等技术手段,采用基于分治策略的多模型构建方法,既能准确拟合轮胎在复杂行驶工况下的非线性力学特性,同时还能有效处理后续在此基础上进行的汽车运动控制系统设计问题,具有重要的研究意义。
发明内容
本发明的目的在于提出一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法,以进一步提升特殊行驶工况下智能汽车轨迹跟踪控制性能。
为达成上述目的,本发明所采用的技术方案为:
步骤1,进行轮胎侧偏力学特性试验,准确获取反映轮胎非线性侧偏力学特性的试验数据,完成轮胎侧偏力学特性数学模型的分段仿射辨识;所述轮胎侧偏力学特性辨识模型的输入为轮胎侧偏角和轮胎垂向载荷,输出为轮胎侧向力;所述轮胎侧偏力学特性分段仿射辨识主要包括试验数据聚类、仿射子模型参数估计以及分界面系数矩阵求解等三个环节;完成所述辨识环节后,将轮胎侧偏特性分段仿射辨识模型的仿真输出数据与试验数据进行对比,确保轮胎侧偏力学特性辨识模型的精度满足系统控制设计要求;
步骤2,基于所述轮胎侧偏力学特性分段仿射辨识模型,进一步构建智能汽车横向动力学系统分段仿射数学模型,所述横向动力学系统模型主要用于反映车身横摆角速度和质心侧偏角的演化规律,在模型构建过程中,考虑前轴左右侧轮胎的垂向载荷转移;
步骤3,设计基于预瞄时间自适应的智能汽车目标横摆角速度决策单元,所述决策单元用于获取智能汽车路径跟踪控制过程中的目标横摆角速度,决策单元中的预瞄时间自适应设计主要考虑横向跟踪误差指标、安全行驶区域指标、方向误差指标、侧向加速度指标以及质心侧偏角指标,结合相关指标和优化算法首先决策出智能汽车路径跟踪控制过程中的最佳预瞄时间,进而计算出路径跟踪控制过程中的目标横摆角速度;
步骤4,结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器,所述控制器以跟踪前述目标横摆角速度为目标,最终计算出智能汽车路径跟踪控制过程中的目标前轮转角,所述控制器针对整车横向动力学分段仿射系统所处的不同工作区域分别设计控制律,而后根据系统所处工作区域在不同子控制器间进行快速切换,获取最佳的系统控制指令;
步骤5,将所述设计好的系统控制律刷写至智能汽车路径跟踪车载控制单元,所述车载控制单元由目标横摆角速度决策单元和前轮转角控制单元二部分所组成,所述目标横摆角速度决策单元接收来自视觉传感器、惯性传感器、车身横摆角传感器以及车身质心侧偏角传感器等传输的信号,根据这些信号首先计算出智能汽车路径跟踪过程中的目标横摆角速度,并将目标横摆角速度传输至前轮转角控制单元,所述前轮转角控制单元接收来自前轴轮胎侧偏角传感器和胎压传感器传输的信号,通过这些信号判别出整车横向动力学分段仿射系统所处的工作区域,而后调取所在区域对应的路径跟踪线性二次型最优控制律,所述控制律以跟踪目标横摆角速度为目标,最终计算出当前车辆所需实现的目标前轮转角,并输出给智能汽车转向执行系统。
优选地,在所述步骤1中的轮胎侧偏力学特性试验过程中,轮胎垂向载荷的变化范围设置为[车辆空载载荷/4~车辆满载载荷/4],然后在轮胎侧偏角不变的前提下,每隔500N采集一次轮胎侧向力试验数据;轮胎侧偏角的变化范围为[-15°~15°],然后在轮胎垂向载荷不变的前提下,每隔0.01°采集一次轮胎侧向力试验数据。
优选地,为兼顾轮胎侧偏力学特性模型精度要求和便于后续系统轨迹跟踪控制策略设计,在辨识过程中,将所述步骤1中轮胎侧偏力学特性分段仿射辨识子模型的个数设置为5个;
优选地,在所述步骤2智能汽车横向动力学系统分段仿射数学模型构建过程中,四个轮胎的侧向力表达如下式;
式中,Fyfl和Fyfr分别表示左前轮轮胎侧向力和右前轮轮胎侧向力,Fyrl和Fyrr分别表示左后轮轮胎侧向力和右后轮轮胎侧向力,αfl和αfr分别表示左前轮轮胎侧偏角和右前轮轮胎侧偏角,Fzfl和Fzfr分别表示左前轮轮胎垂向载荷和右前轮轮胎垂向载荷,bli和brj分别表示轮胎侧偏力学特性分段仿射辨识模型的仿射系数,Mli,Nli和bli为车辆左前轮轮胎分段仿射子模型的参数,Mrj,Nrj和brj为车辆右前轮轮胎分段仿射子模型的参数,Cr是汽车后轴轮胎的等效线性侧偏刚度。
优选地,结合车辆实际行驶状态及主要部件不同工作区域间的切换行为,在所述步骤2智能汽车横向动力学系统分段仿射数学模型构建过程中,将整体数学模型的工作区域划分为13个部分,不同部分间的分割依据为前轮轮胎侧偏角及前轮垂向载荷。
优选地,在所述步骤3预瞄时间自适应设计过程中,为保证车辆在路径跟踪过程中的综合性能最优,建立如下式所示的多性能指标函数:
J=W1J1+W2J2+W3J3+W4J4+W5J5
式中,W1,W2,W3,W4和W5是权重系数,J1,J2,J3,J4和J5为性能指标,相关指标的具体定义如下:
式中,yt为车辆质心与目标轨迹上的预瞄点之间的横向距离,ye为车辆质心与预测轨迹上的预瞄点之间的横向距离,t为模型预测时间,Γ为车辆中心线到道路边界的距离,为车身横摆角,是车辆目标轨迹切线方向与车辆行驶方向间的夹角,ay为车辆侧向加速度,β为质心侧偏角,B1为稳定性系数。
所述相关指标中,J1表示横向跟踪误差指标,J2表示安全行驶区域指标,J3表示方向误差指标,J4表示侧向加速度指标,J5表示质心侧偏角指标。以使得所述多性能指标函数值最小为目标,进一步采用优化算法决策出智能汽车路径跟踪控制过程中的最佳预瞄时间,进而计算出路径跟踪控制过程中的目标横摆角速度。
优选地,所述步骤4中结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器的流程包括:
步骤1,将智能汽车横向动力学系统分段仿射模型转化为状态空间形式;
步骤2,定义智能汽车横向动力学系统目标横摆角速度跟踪误差;
步骤3,确定智能汽车路径跟踪控制系统二次型性能指标函数;
步骤4,构造哈密顿函数并通过求取该函数的极小值获取系统最优控制量。
本发明技术方案通过完成轮胎侧偏力学特性的分段仿射辨识,进而在此基础上完成整车横向动力学系统分段仿射数学模型的构建,通过设计基于预瞄时间自适应的智能汽车路径跟踪控制驾驶员模型,获取智能汽车路径跟踪控制过程中的目标横摆角速度,最后结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器,最终计算出智能汽车路径跟踪控制过程中的最佳目标前轮转角,提高特殊行驶工况下智能汽车轨迹跟踪控制性能。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为轮胎侧偏力学特性分段仿射辨识图;
图2为基于实验数据轮胎侧偏特性的PWA建模流程;
图3为轮胎实验的设置图;
图4为低附着路面轮胎侧偏特性实验结果;
具体实施方式
下面结合技术方案和附图详细叙述本发明的具体实施方式。
本发明提供了一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法,所述方法及系统的实现过程包括如下步骤:
步骤1,进行轮胎侧偏力学特性试验,准确获取反映轮胎非线性侧偏力学特性的试验数据,完成轮胎侧偏力学特性数学模型的分段仿射辨识;所述轮胎侧偏力学特性辨识模型的输入为轮胎侧偏角和轮胎垂向载荷,输出为轮胎侧向力;所述轮胎侧偏力学特性分段仿射辨识主要包括试验数据聚类、仿射子模型参数估计以及分界面系数矩阵求解等三个环节;完成所述辨识环节后,将轮胎侧偏特性分段仿射辨识模型的仿真输出数据与试验数据进行对比,确保轮胎侧偏力学特性辨识模型的精度满足系统控制设计要求;
所述步骤1中,完成轮胎侧偏力学特性试验数据聚类、仿射子模型参数估计以及分界面系数矩阵求解的具体实现方法如下:
(1)定义轮胎侧偏力学特性的分段仿射模型形式
模型数学表达式如下:
式中,y(t)为轮胎侧偏力学特性分段仿射模型的输出,φi(i=1,..,c)是每个仿射子模型的参数,s是仿射子模型个数,是仿射模型回归向量,χi(i=1,...,s)为仿射子模型的工作区域,且每个区域χi是一个凸多面体,其表达式如下:
式中,Fi和gi是不同子模型间的分界面系数矩阵。
(2)本实施例中,采用K-means聚类算法完成轮胎侧偏力学特性试验数据聚类,相关流程如图1所示,根据图1,算法的具体实现步骤包括:
1)从原始数据集Θ={(x(j),y(j)),j=1,...,N}中建立N个局部数据集Cj。通过收集每个数据点(x(j),y(j))j=1,...,N和邻近它的c-1个数据点建立局部数据集,每个局部数据集内的数据点满足以下情况:
2)基于每个局部数据集辨识出对应的特征向量,特征向量定义为:
3)针对特征向量进行聚类划分。该步骤是将特征向量聚类成s个不相交的子集Di。为此,引入了以下聚类代价函数:
式中,μi是不相交子集Di的中心,Rj是方差矩阵,用于反映通过使用属于单个子模型的数据点而导出的θj的置信度,定义为:
式中,Vj是经验协方差矩阵,Qj是用于测量Cj中数据点稀疏性的分散矩阵,它们的表达式分别如下:
式中,n=ny+pnu,p是PWA系统输入向量的维数,ny和nu为分段仿射模型的阶数。在此基础上,聚类算法的目标就是找到使聚类代价函数J最小的子集Di和中心ui。
4)确定仿射子模型数据集Γi。由于每个仿射子模型都应收集具有相似特征向量的所有数据点,因此,将特征向量ξj分配给数据集Γi的聚类规则如下:
(3)本实施例中,采用加权最小二乘算法完成轮胎侧偏力学特性分段仿射子模型的参数估计。通过计算参数向量φi使得以下目标函数取最小值,即可获取子模型参数:
式中,wj为分配特征向量的置信水平,其公式为:
(4)本实施例中,采用模糊加权近似支持向量机算法完成轮胎侧偏力学特性分段仿射辨识模型分界面系数矩阵求解,相关流程如图2所示,算法的具体流程包括:
1)找到两个相邻的聚类子集Di和Dj,其计算公式如下:
2)为计算分界面系数矩阵,即[Fi gi],(i=1,...,s),根据模糊加权近似支持向量机建立以下代价函数:
式中,ζi是用于防止样本数据在相邻子集中线性不可分的松弛变量,lk是相邻子集中的数据点数量,Ei是用于确保算法复杂性和错误分类样本数量之间良好平衡的样本平衡因子,对于正样本和负样本,Ei可以分别进一步分离为和ti是用于表示样本点i对分界面贡献率的变量。
3)通过构造拉格朗日方程并求解其极值计算出分界面系数矩阵
为得到步骤2中代价函数的解,第一步是构造一个拉格朗日方程,其表达式如下:
其中,αi是拉格朗日系数。利用拉格朗日条件极值,可以得到如下表达式:
4)计算样本平衡因子
为计算平均密度,首先通过以下方式计算一类样本的中心:
然后,样本的平均密度可以表示为:
式中,p+和p-是正样本和负样本的平均密度。
为防止分界面转移到样本较少且分布稀疏的类别,正样本和负样本的平衡因子应分别满足以下比例关系:
最终确定样本的平衡因子为:
式中,E是为恒定值的平衡因子。
5)计算样本点i对分界面的贡献率
首先将正负两种样本的半径r+和r-定义为:
在此基础上,通过模糊隶属度函数确定正负样本ti的公式为:
式中,λ是为防止ti为0而引入的任意小的正数。
在所述步骤1中的轮胎侧偏力学特性试验过程中,轮胎垂向载荷的变化范围设置为[车辆空载载荷/4~车辆满载载荷/4],然后在轮胎侧偏角不变的前提下,每隔500N采集一次轮胎侧向力试验数据;轮胎侧偏角的变化范围为[-15°~15°],然后在轮胎垂向载荷不变的前提下,每隔0.01°采集一次轮胎侧向力试验数据。
为兼顾轮胎侧偏力学特性模型精度要求和便于后续系统轨迹跟踪控制策略设计,所述步骤1中轮胎侧偏力学特性分段仿射辨识子模型的个数设置为5个;
步骤2,基于所述轮胎侧偏力学特性分段仿射辨识模型,进一步构建智能汽车横向动力学系统分段仿射数学模型,所述横向动力学系统模型主要用于反映车身横摆角速度和质心侧偏角的演化规律,在模型构建过程中,考虑前轴左右侧轮胎的垂向载荷转移,描述该模型的方程如下所示:
式中,m为车辆质量,lf、lr分别为质心到前轴、后轴的距离,δf为前轮转角,Fyij是车辆坐标系中每个轮胎的侧向力,下标i=f和r分别表示车辆前轴轮胎和后轴轮胎,下标j=l和r分别表示车辆左侧轮胎和右侧轮胎,vx和vy分别为车辆坐标系中汽车的纵向速度和横向速度,ω是车辆横摆角速度,Iz为车身横摆转动惯量。
四个轮胎的侧向力表达如下式;
式中,Fyfl和Fyfr分别表示左前轮轮胎侧向力和右前轮轮胎侧向力,Fyrl和Fyrr分别表示左后轮轮胎侧向力和右后轮轮胎侧向力,αfl和αfr分别表示左前轮轮胎侧偏角和右前轮轮胎侧偏角,Fzfl和Fzfr分别表示左前轮轮胎垂向载荷和右前轮轮胎垂向载荷,Mli,Nli和bli为车辆左前轮轮胎分段仿射子模型的参数,Mrj,Nrj和brj为车辆右前轮轮胎分段仿射子模型的参数,Cr是汽车后轴轮胎的等效线性侧偏刚度,αr为后轴轮胎侧偏角。
轮胎前轴左、右侧轮胎的垂直载荷可由下式得到:
式中,l为车辆前后轴间距,g为重力加速度,d为轮间距的一半,hg为车身质心高度,ay为车辆侧向加速度。
前后轴轮胎的侧偏角可表示为:
根据上述公式,车辆横动力学模型可进一步改写为关于质心侧偏角β和横摆角速度ω的方程:
结合车辆实际行驶状态及主要部件不同工作区域间的切换行为,在智能汽车横向动力学系统分段仿射数学模型构建过程中,将整体数学模型的工作区域划分为13个部分,不同部分间的分割依据为前轮轮胎侧偏角及前轮垂向载荷。
步骤3,设计基于预瞄时间自适应的智能汽车路径跟踪控制驾驶员模型,获取智能汽车路径跟踪控制过程中的目标横摆角速度,所述预瞄时间的自适应设计主要考虑横向跟踪误差指标、安全行驶区域指标、方向误差指标、侧向加速度指标以及质心侧偏角指标等,结合相关指标和优化算法首先决策出智能汽车路径跟踪控制过程中的最佳预瞄时间,进而计算出路径跟踪控制过程中的目标横摆角速度;
所述理想横摆角速度ωd与预瞄时间tp之间的数学关系为:
式中,Δf为智能汽车预瞄点与车辆质心间的横向距离,
为保证车辆在路径跟踪过程中的综合性能最优,建立如下式所示的多性能指标函数用于确定最优预瞄时间:
J=W1J1+W2J2+W3J3+W4J4+W5J5
式中,W1,W2,W3,W4和W5是权重系数,J1,J2,J3,J4和J5为性能指标,相关指标的具体定义如下:
式中,yt为车辆质心与目标轨迹上的预瞄点之间的横向距离,ye为车辆质心与预测轨迹上的预瞄点之间的横向距离,t为模型预测时间,Γ为车辆中心线到道路边界的距离,为车身横摆角,是车辆目标轨迹切线方向与车辆行驶方向间的夹角,ay为车辆侧向加速度,β为质心侧偏角,B1为稳定性系数。所述相关指标中,J1表示横向跟踪误差指标,J2表示安全行驶区域指标,J3表示方向误差指标,J4表示侧向加速度指标,J5表示质心侧偏角指标。以使得所述多性能指标函数值最小为目标,进一步采用优化算法决策出智能汽车路径跟踪控制过程中的最佳预瞄时间,进而计算出路径跟踪控制过程中的目标横摆角速度。
步骤4,结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器,所述控制器以跟踪前述目标横摆角速度为目标,最终计算出智能汽车路径跟踪控制过程中的目标前轮转角,所述控制器针对整车横向动力学分段仿射系统所处的不同工作区域分别设计控制律,而后根据系统所处工作区域在不同子控制器间进行快速切换,获取最佳的系统控制指令。系统整体控制流程如图3所示。
所述结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器的流程包括
步骤1,将智能汽车横向动力学系统分段仿射模型转化如下状态空间形式;
式中,x=[β ω]T为系统状态,u=δf为系统输入,y为系统输入,qi为仿射项。
其中,
步骤2,定义智能汽车横向动力学系统目标横摆角速度跟踪误差如下所示:
e=yr(t)-y=ωd-ω
式中,ωd为根据自适应预瞄时间获取的目标横摆角速度。
步骤3,确定智能汽车路径跟踪控制系统二次型性能指标函数;
式中,Q为半正定加权矩阵,R为正定加权矩阵,u为系统控制量。
步骤4,构造如下哈密顿函数:
式中,λ是引入的中间函数。最优控制应使H取极小值,即:
根据上式,可假设:
上式,P和ξ应该满足下列方程:
由上式,最终可得系统最优控制律为:
步骤5,将所述设计好的系统控制律刷写至智能汽车路径跟踪车载控制单元,所述车载控制单元由目标横摆角速度决策单元和前轮转角控制单元二部分所组成,系统整体架构如图4所示。所述目标横摆角速度决策单元接收来自视觉传感器、惯性传感器、车身横摆角传感器以及车身质心侧偏角传感器等传输的信号,根据这些信号首先计算出智能汽车路径跟踪过程中的目标横摆角速度,并将目标横摆角速度传输至前轮转角控制单元,所述前轮转角控制单元接收来自前轴轮胎侧偏角传感器和胎压传感器传输的信号,通过这些信号判别出整车横向动力学分段仿射系统所处的工作区域,而后调取所在区域对应的路径跟踪线性二次型最优控制律,所述控制律以跟踪目标横摆角速度为目标,最终计算出当前车辆所需实现的目标前轮转角,并输出给智能汽车转向执行系统。
上述对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于这里的实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (4)
1.一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法,其特征在于,所述方法的实现过程包括以下步骤:
步骤1,进行轮胎侧偏力学特性试验,准确获取反映轮胎非线性侧偏力学特性的试验数据,完成轮胎侧偏力学特性数学模型的分段仿射辨识;轮胎侧偏力学特性辨识模型的输入为轮胎侧偏角和轮胎垂向载荷,输出为轮胎侧向力;完成辨识环节后,将轮胎侧偏特性分段仿射辨识模型的仿真输出数据与试验数据进行对比,确保轮胎侧偏力学特性辨识模型的精度满足系统控制设计要求;
在所述步骤1中的轮胎侧偏力学特性试验过程中,轮胎垂向载荷的变化范围设置为[车辆空载载荷/4~车辆满载载荷/4],然后在轮胎侧偏角不变的前提下,每隔500N采集一次轮胎侧向力试验数据;轮胎侧偏角的变化范围为[-15°~15°],然后在轮胎垂向载荷不变的前提下,每隔0.01°采集一次轮胎侧向力试验数据;
步骤2,基于所述轮胎侧偏力学特性分段仿射辨识模型,进一步构建智能汽车横向动力学系统分段仿射数学模型,该模型主要用于反映车身横摆角速度和质心侧偏角的演化规律,在模型构建过程中,考虑前轴左右侧轮胎的垂向载荷转移;
在所述步骤2智能汽车横向动力学系统分段仿射数学模型构建过程中,四个轮胎的侧向力表达如下式;
式中,Fyfl和Fyfr分别表示左前轮轮胎侧向力和右前轮轮胎侧向力,Fyrl和Fyrr分别表示左后轮轮胎侧向力和右后轮轮胎侧向力,αfl和αfr分别表示左前轮轮胎侧偏角和右前轮轮胎侧偏角,Fzfl和Fzfr分别表示左前轮轮胎垂向载荷和右前轮轮胎垂向载荷,bli和brj分别表示轮胎侧偏力学特性分段仿射辨识模型的仿射系数,Mli,Nli和bli为车辆左前轮轮胎分段仿射子模型的参数,Mrj,Nrj和brj为车辆右前轮轮胎分段仿射子模型的参数,Cr是汽车后轴轮胎的等效线性侧偏刚度;
步骤3,设计基于预瞄时间自适应的智能汽车目标横摆角速度决策单元,所述决策单元用于获取智能汽车路径跟踪控制过程中的目标横摆角速度,决策单元中的预瞄时间自适应设计主要考虑横向跟踪误差指标、安全行驶区域指标、方向误差指标、侧向加速度指标以及质心侧偏角指标,结合相关指标和优化算法首先决策出智能汽车路径跟踪控制过程中的最佳预瞄时间,进而计算出路径跟踪控制过程中的目标横摆角速度;
在所述步骤3预瞄时间自适应设计过程中,为保证车辆在路径跟踪过程中的综合性能最优,建立如下式所示的多性能指标函数:
J=W1J1+W2J2+W3J3+W4J4+W5J5
式中,W1,W2,W3,W4和W5是权重系数,J1,J2,J3,J4和J5为性能指标,相关指标的具体定义如下:
式中,yt为车辆质心与目标轨迹上的预瞄点之间的横向距离,ye为车辆质心与预测轨迹上的预瞄点之间的横向距离,t为模型预测时间,Γ为车辆中心线到道路边界的距离,为车身横摆角,是车辆目标轨迹切线方向与车辆行驶方向间的夹角,ay为车辆侧向加速度,β为质心侧偏角,B1为稳定性系数;
所述相关指标中,J1表示横向跟踪误差指标,J2表示安全行驶区域指标,J3表示方向误差指标,J4表示侧向加速度指标,J5表示质心侧偏角指标,以使得所述多性能指标函数值最小为目标,进一步采用优化算法决策出智能汽车路径跟踪控制过程中的最佳预瞄时间,进而计算出路径跟踪控制过程中的目标横摆角速度;
步骤4,结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器,所述控制器以跟踪前述目标横摆角速度为目标,最终计算出智能汽车路径跟踪控制过程中的目标前轮转角,所述控制器针对整车横向动力学分段仿射系统所处的不同工作区域分别设计控制律,而后根据系统所处工作区域在不同子控制器间进行快速切换,获取最佳的系统控制指令;
步骤5,将所述设计好的系统控制律刷写至智能汽车路径跟踪车载控制单元,所述车载控制单元由目标横摆角速度决策单元和前轮转角控制单元二部分所组成,所述目标横摆角速度决策单元接收来自视觉传感器、惯性传感器、车身横摆角传感器以及车身质心侧偏角传感器传输的信号,根据这些信号首先计算出智能汽车路径跟踪过程中的目标横摆角速度,并将目标横摆角速度传输至前轮转角控制单元,所述前轮转角控制单元接收来自前轴轮胎侧偏角传感器和胎压传感器传输的信号,通过这些信号判别出整车横向动力学分段仿射系统所处的工作区域,而后调取所在区域对应的路径跟踪线性二次型最优控制律,所述控制律以跟踪目标横摆角速度为目标,最终计算出当前车辆所需实现的目标前轮转角,并输出给智能汽车转向执行系统。
2.根据权利要求1所述的一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法,其特征在于,轮胎侧偏力学特性分段仿射辨识主要包括试验数据聚类、仿射子模型参数估计以及分界面系数矩阵求解三个环节。
3.根据权利要求1所述的一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法,其特征在于,结合车辆实际行驶状态及主要部件不同工作区域间的切换行为,在所述步骤2智能汽车横向动力学系统分段仿射数学模型构建过程中,将整体数学模型的工作区域划分为多个不同部分,不同部分间的分割依据为前轮轮胎侧偏角及前轮垂向载荷。
4.根据权利要求1所述的一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法,其特征在于,所述步骤4中结合智能汽车横向动力学系统分段仿射模型及线性二次型最优控制算法,设计智能汽车路径跟踪控制器的流程包括:
步骤1,将智能汽车横向动力学系统分段仿射模型转化为状态空间形式;
步骤2,定义智能汽车横向动力学系统目标横摆角速度跟踪误差;
步骤3,确定智能汽车路径跟踪控制系统二次型性能指标函数;
步骤4,构造哈密顿函数并通过求取该函数的极小值获取系统最优控制量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701690.3A CN113341994B (zh) | 2021-06-23 | 2021-06-23 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110701690.3A CN113341994B (zh) | 2021-06-23 | 2021-06-23 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113341994A CN113341994A (zh) | 2021-09-03 |
CN113341994B true CN113341994B (zh) | 2022-10-28 |
Family
ID=77478116
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110701690.3A Active CN113341994B (zh) | 2021-06-23 | 2021-06-23 | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113341994B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113619580A (zh) * | 2021-09-15 | 2021-11-09 | 吉林大学 | 一种车道保持系统及其控制方法 |
CN114638051B (zh) * | 2022-03-08 | 2024-02-27 | 浙江大学 | 一种基于系统不变量的智能汽车时滞稳定性分析方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2458215B1 (es) * | 2012-06-04 | 2015-02-12 | Universidad De Sevilla | Dispositivo para generar funciones multivariables afines a tramos con computación on-line del árbol de búsqueda |
JP2013254396A (ja) * | 2012-06-07 | 2013-12-19 | Sumitomo Heavy Ind Ltd | フィードバック制御器設計装置、及びフィードバック制御器設計方法 |
CN107200020B (zh) * | 2017-05-11 | 2019-05-31 | 江苏大学 | 一种基于混杂理论的无人驾驶汽车自主转向控制系统和方法 |
CN108646756B (zh) * | 2018-07-05 | 2021-01-19 | 合肥工业大学 | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 |
CN109668745A (zh) * | 2018-11-05 | 2019-04-23 | 江苏大学 | 一种轮胎纵滑力学特性的分段仿射辨识建模方法 |
CN109977449B (zh) * | 2018-11-05 | 2023-08-22 | 江苏大学 | 智能汽车纵向动力学系统混杂动态建模与优化控制方法 |
CN109885883B (zh) * | 2019-01-21 | 2023-04-18 | 江苏大学 | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 |
CN109733474A (zh) * | 2019-01-21 | 2019-05-10 | 江苏大学 | 一种基于分段仿射分层控制的智能车转向控制系统及方法 |
CN110539752B (zh) * | 2019-06-26 | 2020-12-18 | 江苏大学 | 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及系统 |
CN112819278B (zh) * | 2020-12-31 | 2023-07-11 | 广西大学 | 一种求解两阶段鲁棒优化机组组合模型的分段仿射方法 |
-
2021
- 2021-06-23 CN CN202110701690.3A patent/CN113341994B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113341994A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
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 | |
CN110356404B (zh) | 一种具有自主换道功能并提高侧向安全性的智能驾驶系统 | |
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN109664890B (zh) | 基于svm模型的汽车侧翻预警算法 | |
CN110568760A (zh) | 适用于换道及车道保持的参数化学习决策控制系统及方法 | |
CN113341994B (zh) | 一种基于分段仿射系统最优控制的智能汽车路径跟踪控制方法 | |
CN105416276A (zh) | 基于高阶滑模的电动汽车稳定性直接横摆力矩控制方法 | |
CN113320542B (zh) | 一种自动驾驶车辆的跟踪控制方法 | |
CN112141101B (zh) | 一种基于cnn和lstm的预瞄安全路径的方法及系统 | |
Awad et al. | Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles | |
CN110687907B (zh) | 基于模型动态重构的智能汽车解耦预测控制器及其控制方法 | |
CN112578672A (zh) | 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法 | |
Sun et al. | Path tracking control strategy for the intelligent vehicle considering tire nonlinear cornering characteristics in the PWA form | |
CN115303289A (zh) | 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备 | |
Liu et al. | Vehicle state estimation based on unscented Kalman filtering and a genetic-particle swarm algorithm | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 | |
CN115343950A (zh) | 一种适应复杂路面的车辆路径跟踪控制方法及控制系统 | |
CN113327457B (zh) | 一种基于车路协同技术的车辆避碰系统及方法 | |
CN112668095A (zh) | 一种主动前轮转向控制器的设计方法 | |
Liu et al. | Optimal control of path tracking for vehicle-handling dynamics | |
CN116198522B (zh) | 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法 | |
Koysuren et al. | Online Parameter Estimation using Physics-Informed Deep Learning for Vehicle Stability Algorithms | |
CN114670808A (zh) | 基于分段仿射辨识轮胎滑模控制的车辆稳定性控制方法 |
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 |