CN113759707A - 用于自动驾驶车辆的预测控制优化方法和装置 - Google Patents
用于自动驾驶车辆的预测控制优化方法和装置 Download PDFInfo
- Publication number
- CN113759707A CN113759707A CN202011458315.2A CN202011458315A CN113759707A CN 113759707 A CN113759707 A CN 113759707A CN 202011458315 A CN202011458315 A CN 202011458315A CN 113759707 A CN113759707 A CN 113759707A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- constraint
- acceleration
- time
- representing
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000001133 acceleration Effects 0.000 claims abstract description 155
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000844 transformation Methods 0.000 claims description 6
- SMZOUWXMTYCWNB-UHFFFAOYSA-N 2-(2-methoxy-5-methylphenyl)ethanamine Chemical compound COC1=CC=C(C)C=C1CCN SMZOUWXMTYCWNB-UHFFFAOYSA-N 0.000 claims description 5
- NIXOWILDQLNWCW-UHFFFAOYSA-N 2-Propenoic acid Natural products OC(=O)C=C NIXOWILDQLNWCW-UHFFFAOYSA-N 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 62
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种用于自动驾驶车辆的预测控制优化方法和装置,涉及计算机技术领域。该方法的一实施方式包括:获取基于车辆动力学模型的优化函数,优化函数的决策变量包括状态变量和控制增量;获取车辆实时行驶参数和参考轨迹,根据车辆实时行驶参数和车辆参考轨迹获取优化函数的决策变量;根据车辆运行指标确定约束条件对优化函数进行约束,约束条件包括前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、横向加速度约束、轮胎侧偏角约束;根据优化函数和约束条件构建优化模型,并用优化模型对决策变量进行优化使得优化函数结果达到预设要求以对车辆进行预测控制。该发明提高了自动驾驶车辆的轨迹跟随精度和稳定性,改善了控制效果。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种用于自动驾驶车辆的预测控制优化的方法和装置。
背景技术
自动驾驶车辆的轨迹跟踪控制器在目前主流应用中被分为上下两层控制器,上层控制器主要作用是处理参考轨迹并生成控制指令,下层控制器主要作用是执行上层控制器输出的控制指令驱动车辆行驶。目前上层控制器在对车辆进行控制时,多采用模型预测控制MPC(Model Predictive Control)方法,可以同时对车辆进行横向和纵向控制。而目前常用的模型预测控制方法,多是基于运动学模型的控制方法。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
基于运动学模型的控制方法未考虑轮胎动力学、车辆模型随速度时变性质等因素,导致车辆高速行驶过程中,在绕行和拐弯时的控制效果精度较低、侧翻风险较大。
发明内容
有鉴于此,本发明实施例提供一种用于自动驾驶车辆的预测控制优化的方法和装置,提高了自动驾驶车辆在高速行驶时的轨迹跟随精度、行驶平稳性以及操作稳定性,改善了自动驾驶车辆在高速行驶时的控制效果,防止了自动驾驶车辆发生侧翻、侧滑等现象。
为实现上述目的,根据本发明实施例的一个方面,提供了一种用于自动驾驶车辆的预测控制优化的方法。
一种用于自动驾驶车辆的预测控制优化的方法,包括:获取基于车辆动力学模型的优化函数,所述优化函数的决策变量包括状态变量和控制增量;获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;根据车辆运行指标确定约束条件以对所述优化函数进行约束,所述约束条件包括前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;根据所述优化函数和所述约束条件构建优化模型,并使用所述优化模型对所述决策变量进行优化,使得所述优化函数结果达到预设要求以对车辆进行预测控制。
可选地,所述车辆动力学模型考虑了轮胎横向动力学、绕z轴转动惯量,其简化模型如下所示:
U=[a δ]T;
其中,X表示状态变量,eL表示车辆与参考轨迹的横向偏差,eθ表示车辆航向角与参考航向角的偏差,es表示车辆与参考轨迹的纵向偏差,分别为eL、eθ、es的导数。控制增量U包含两个变量,δ表示前轮转角、a表示加速度。
可选地,所述车辆动力学模型离散化处理后如下所示:
其中,eL(k+1)表示(k+1)时刻的eL值,eL(k)表示k时刻的eL值,eθ(k+1)表示(k+1)时刻的eθ值,eθ(k)表示k时刻的eθ值,es(k+1)表示(k+1)时刻的es值,es(k)表示k时刻的es值,cf、cr分别表示车辆前后轮胎侧偏刚度,Lf、Lr分别表示前后轴到车辆质心的距离,m表示车辆质量,vx表示车辆当前速度,IZ表示车辆绕z轴的转动惯量,T表示控制周期,aref为车辆参考加速度,ω表示角速度,此处取值为ω=vx×kappa,其中kappa表示曲率。
可选地,所述状态变量包括车辆与参考轨迹的横向偏差及横向偏差导数、车辆航向角与参考航向角的角度偏差及角度偏差导数、车辆与参考轨迹的纵向偏差及纵向偏差导数;所述控制增量包括加速度增量与前轮转角增量。
可选地,在根据车辆运行指标确定约束条件时还包括:使用泰勒展开式,将当前车辆规划轨迹中的参考点进行一阶线性展开以对所有非线性约束条件进行线性化处理。
可选地,所述前轮转角增量约束如下所示:
Δδ(min)<Δδk<Δδ(max)k∈[1 NC];
其中,Δδk表示k时刻的转角增量,Δδ(min)表示车辆实际支持的前轮转角增量的最小值,Δδ(max)表示车辆实际支持的前轮转角增量的最大值;
所述前轮转角约束如下所示:
δmin<δk<δmax;
其中,
其中,δk表示k时刻的前轮转角,δmin表示车辆实际可支持的最小前轮转角,δmax表示车辆实际可支持的最大前轮转角;acclat为最大的横向加速度值,L为车辆轴距,vx表示车辆当前速度。
可选地,所述前轮转角约束转换后如下所示:
δ(k)=δ(k-1)+Δδ(k),k∈[1 NC];
δmin≤AHδ(k)+δv≤δmax;
其中,δv表示车辆当前前轮转角,
A=[1 1…1]R1×K;
Hδ(k)=[Δδ(1) Δδ(2)…Δδ(K)]T∈RK×1k∈[1 NC]。
可选地,所述加速度增量约束如下所示:
Δa(min)<Δak<Δa(max)k∈[1 NC];
其中,Δak表示k时刻的加速度增量,Δa(min)表示车辆实际支持的加速度增量最小值,Δa(max)表示车辆实际支持的加速度增量最大值。
所述加速度约束如下所示:
amin<ak<amax;
其中,ak表示k时刻的加速度,amin表示最小加速度约束值,amax表示最大加速度约束值。
可选地,所述加速度约束转换后如下所示:
amin≤AHacc(k)+accv≤amax;
Hacc(k)=[Δa(1) Δa(2)…Δa(K)]T∈RK×1k∈[1 NC];
其中,accv表示车辆当前的加速度。
可选地,所述横向加速度约束的约束条件如下所示:
aL(min)<aL<aL(max);
其中,aL是横向加速度,aL(min)是表示车辆实际支持的横向加速度最小值aL(max)是车辆实际支持的横向加速度最大值。
可选地,对所述横向加速度进行线性化处理可得:
可选地,所述轮胎侧偏角包括:
所述轮胎侧偏角通过以下公式进行约束:
αf(min)<αf(k)<αf(max);
αr(min)<αr(k)<αr(max);
所述轮胎侧偏角约束还需进行以下转换:
所述轮胎侧偏角约束中还进行了以下定义:
其中,αf(k)、αr(k)分别表示k时刻的前、后轮胎侧偏角, 为k时刻车辆坐标系下参考轨迹的横向导数和纵向导数,为k时刻车辆参考航向角的导数,δ(k-1)为(k-1)时刻的前轮转角值, 分别表示k时刻的横向偏差导数与纵向偏差导数,If、Ir分别表示车辆前后轴到车辆质心的距离,为k时刻的航向角偏差导数。
根据本发明实施例的另一方面,提供了一种用于自动驾驶车辆的模型预测控制的装置。
一种用于自动驾驶车辆的预测控制优化的装置,包括:函数获取模块,用于获取基于车辆动力学模型的优化函数,所述优化函数的决策变量包括状态变量和控制增量;参数获取模块,用于获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;约束条件模块,用于根据车辆运行指标确定约束条件以对所述优化函数进行约束,所述约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;控制优化模块,用于根据所述优化函数和所述约束条件构建优化模型,并使用所述优化模型对所述决策变量进行优化,使得所述优化函数结果达到预设要求以对车辆进行预测控制。
可选地,所述车辆动力学模型考虑了轮胎横向动力学、绕z轴转动惯量,其简化模型如下所示:
U=[a δ]T;
其中,X表示状态变量,eL表示车辆与参考轨迹的横向偏差,eθ表示车辆航向角与参考航向角的偏差,es表示车辆与参考轨迹的纵向偏差,分别为eL、eθ、es的导数。控制增量U包含两个变量,δ表示前轮转角、a表示加速度。
可选地,所述车辆动力学模型离散化处理后如下所示:
其中,eL(k+1)表示(k+1)时刻的eL值,eL(k)表示k时刻的eL值,eθ(k+1)表示(k+1)时刻的eθ值,eθ(k)表示k时刻的eθ值,es(k+1)表示(k+1)时刻的es值,es(k)表示k时刻的es值,cf、cr分别表示车辆前后轮胎侧偏刚度,Lf、Lr分别表示前后轴到车辆质心的距离,m表示车辆质量,vx表示车辆当前速度,IZ表示车辆绕z轴的转动惯量,T表示控制周期,aref为车辆参考加速度,ω表示角速度,此处取值为ω=vx×kappa,其中kappa表示曲率。
可选地,所述状态变量包括车辆与参考轨迹的横向偏差及横向偏差导数、车辆航向角与参考航向角的角度偏差及角度偏差导数、车辆与参考轨迹的纵向偏差及纵向偏差导数;所述控制增量包括加速度增量与前轮转角增量。
可选地,所述装置还包括线性化处理模块,用于使用泰勒展开式,将当前车辆规划轨迹中的参考点进行一阶线性展开以对所有非线性约束条件进行线性化处理。
可选地,所述前轮转角增量约束如下所示:
Δδ(min)<Δδk<Δδ(max)k∈[1 NC];
其中,Δδk表示k时刻的转角增量,Δδ(min)表示车辆实际支持的前轮转角增量的最小值,Δδ(max)表示车辆实际支持的前轮转角增量的最大值;
所述前轮转角约束如下所示:
δmin<δk<δmax;
其中,
其中,δk表示k时刻的前轮转角,δmin表示车辆实际可支持的最小前轮转角,δmax表示车辆实际可支持的最大前轮转角;acclat为最大的横向加速度值,L为车辆轴距,vx表示车辆当前速度。
可选地,所述前轮转角约束转换后如下所示:
δ(k)=δ(k-1)+Δδ(k),k∈[1 NC];
δmin≤AHδ(k)+δv≤δmax;
其中,δv表示车辆当前前轮转角,
A=[1 1…1]R1×K;
Hδ(k)=[Δδ(1) Δδ(2)…Δδ(K)]T∈RK×1k∈[1 NC]。
可选地,所述加速度增量约束如下所示:
Δa(min)<Δak<Δa(max)k∈[1 NC];
其中,Δak表示k时刻的加速度增量,Δa(min)表示车辆实际支持的加速度增量最小值,Δa(max)表示车辆实际支持的加速度增量最大值。
所述加速度约束如下所示:
amin<ak<amax;
其中,ak表示k时刻的加速度,amin表示最小加速度约束值,amax表示最大加速度约束值。
可选地,所述加速度约束转换后如下所示:
amin≤AHacc(k)+accv≤amax;
Hacc(k)=[Δa(1) Δa(2)…Δa(K)]T∈RK×1k∈[1 NC];
其中,accv表示车辆当前的加速度。
可选地,所述横向加速度约束的约束条件如下所示:
aL(min)<aL<aL(max);
其中,aL是横向加速度,aL(min)是表示车辆实际支持的横向加速度最小值aL(max)是车辆实际支持的横向加速度最大值。
可选地,对所述横向加速度进行线性化处理可得:
可选地,所述轮胎侧偏角包括:
所述轮胎侧偏角通过以下公式进行约束:
αf(min)<αf(k)<αf(max);
αr(min)<αr(k)<αr(max);
所述轮胎侧偏角约束还需进行以下转换:
所述轮胎侧偏角约束中还进行了以下定义:
其中,αf(k)、αr(k)分别表示k时刻的前、后轮胎侧偏角, 为k时刻车辆坐标系下参考轨迹的横向导数和纵向导数,为k时刻车辆参考航向角的导数,δ(k-1)为(k-1)时刻的前轮转角值, 分别表示k时刻的横向偏差导数与纵向偏差导数,If、Ir分别表示车辆前后轴到车辆质心的距离,为k时刻的航向角偏差导数。
根据本发明实施例的又一方面,提供了一种用于自动驾驶车辆的预测控制优化的电子设备。
一种用于自动驾驶车辆的预测控制优化的电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所提供的用于自动驾驶车辆的预测控制优化的方法。
根据本发明实施例的再一方面,提供了一种计算机可读介质。
一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所提供的用于自动驾驶车辆的预测控制优化的方法。
上述发明中的一个实施例具有如下优点或有益效果:通过获取基于车辆动力学模型的优化函数,优化函数的决策变量包括状态变量和控制增量;获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;根据车辆运行指标确定约束条件以对优化函数进行约束,约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;根据优化函数和约束条件构建优化模型,并使用优化模型对决策变量进行优化,使得优化函数结果达到预设要求以对车辆进行预测控制的技术手段,将优化函数和约束条件结合的优化模型用以对动力学模型进行预测控制,提高了自动驾驶车辆在高速行驶时的轨迹跟随精度、行驶平稳性以及操作稳定性,改善了自动驾驶车辆在高速行驶时的控制效果,防止了自动驾驶车辆发生侧翻、侧滑等现象。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的用于自动驾驶车辆的预测控制优化方法的主要步骤示意图;
图2是根据本发明实施例的用于自动驾驶车辆的预测控制优化装置的主要模块示意图;
图3是本发明实施例可以应用于其中的示例性系统架构图;
图4是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
自动驾驶轨迹跟踪控制器在自动驾驶软件系统中主要作用是驱动车辆在规划的轨迹上行驶,其在目前主流应用中,被分为上下两层控制器,上层控制器主要作用是处理参考轨迹、并根据参考轨迹和车辆状态及定位信息生成加速度指令和前轮转角指令,然后将加速度指令转换为油门刹车百分比;下层控制器包含线控系统和车辆底盘控制器,主要作用是执行上层控制器输出油门刹车指令、前轮转角指令驱动车辆行驶。下层控制器的技术已经非常成熟,目前主流研究大部分集中于上层控制器方面。上层控制器在进行功能实现时,大多采用的方法有基于几何的纯跟踪Pure Pursuit方法、PID方法、线性二次调节器LQR方法、模型预测控制MPC方法等,其中前三种方法均为单向控制算法,所以在控制车辆时纵向和横向是独立进行控制的,这对于横纵向耦合严重的车辆运动系统来讲已经失去了最优控制策略,并且这三种方法也无法对车辆控制量进行约束来保证车辆横向稳定性和纵向平稳性等。而模型预测控制MPC方法,分为基于运动学模型的控制方法和基于动力学模型的控制方法,对于基于运动学模型的控制方法,由于运动学模型未考虑轮胎动力学、车辆模型随速度时变性质等,故而导致车辆在绕行和拐弯时的控制效果精度较低、侧翻风险较大。
图1是根据本发明实施例的用于自动驾驶车辆的预测控制优化方法的主要步骤示意图,本发明的实施例适用的场景是自动驾驶车辆处于高速行驶状态时。
不同于常规的轮式机器人,为了改善对自动驾驶车辆在高速行驶时的控制效果,本发明采用基于车辆动力学模型而构建的优化模型来进行预测控制,同时为了防止侧倾现象的发生,本发明添加了横向加速度约束、轮胎侧偏角约束等;为了提高车辆的平稳性,添加了加速度增量和加速度、速度的约束;为了增强车辆的横向稳定性,添加了前轮转角增量和前轮转角约束。
本发明的内容主要包含两个部分,其一是建立了优化函数,其二是添加约束条件,包括起始点约束、动力学模型约束、前轮转角增量及前轮转角约束、加速度增量及加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束。在本发明的具体实施过程中,所有非线性的约束条件全部进行了线性化处理。
如图1所示,本发明实施例的对自动驾驶车辆控制器进行评价的方法,主要包括如下的步骤S101至步骤S104。
步骤S101:获取基于车辆动力学模型的优化函数,优化函数的决策变量包括状态变量和控制增量;
步骤S102:获取车辆实时行驶参数和车辆参考轨迹,根据车辆实时行驶参数和车辆参考轨迹获取优化函数的决策变量;
步骤S103:根据车辆运行指标确定约束条件以对优化函数进行约束,约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;步骤S104:根据优化函数和约束条件构建优化模型,并使用优化模型对决策变量进行优化,使得优化函数结果达到预设要求以对车辆进行预测控制。
根据上述的步骤S101至步骤S104,将建立针对优化问题设计的优化函数和形成自动驾驶车辆的约束条件相结合,提高了自动驾驶车辆在高速行驶时的轨迹跟随精度、行驶平稳性以及操作稳定性,改善了自动驾驶车辆在高速行驶时的控制效果,防止了自动驾驶车辆发生侧翻、侧滑等现象。
根据本发明的一个实施例,车辆动力学模型考虑了轮胎横向动力学、绕z轴转动惯量,其简化模型如下所示:
U=[a δ]T;
其中X表示状态变量,eL表示车辆与参考轨迹的横向偏差,eθ表示车辆航向角与参考航向角的偏差,es表示车辆与参考轨迹的纵向偏差,分别为eL、eθ、es的导数。控制增量U包含两个变量,δ表示前轮转角、a表示加速度。
在本发明的实施例中,车辆动力学模型离散化处理后如下所示:
其中,eL(k+1)表示(k+1)时刻的eL值,eL(k)表示k时刻的eL值,eθ(k+1)表示(k+1)时刻的eθ值,eθ(k)表示k时刻的eθ值,es(k+1)表示(k+1)时刻的es值,es(k)表示k时刻的es值,cf、cr分别表示车辆前后轮胎侧偏刚度,Lf、Lr分别表示前后轴到车辆质心的距离,m表示车辆质量,vx表示车辆当前速度,IZ表示车辆绕z轴的转动惯量,T表示控制周期,aref为车辆参考加速度,ω表示角速度,此处取值为ω=vx×kappa,其中kappa表示曲率。
在本发明的实施例中,状态变量包括车辆与参考轨迹的横向偏差导数及横向偏差导数、车辆航向角与参考航向角的角度偏差导数及角度偏差导数、车辆与参考轨迹的纵向偏差导数及纵向偏差导数;控制增量包括加速度增量与前轮转角增量。
根据本发明的另一个实施例,在根据车辆运行指标确定约束条件时,还包括:使用泰勒展开式,将当前车辆规划轨迹中的参考点进行一阶线性展开以对所有非线性约束条件进行线性化处理。
在本发明的实施例中,前轮转角增量约束如下所示:
Δδ(min)<Δδk<Δδ(max)k∈[1 NC];
其中,Δδk表示k时刻的转角增量,Δδ(min)表示车辆实际支持的前轮转角增量的最小值,Δδ(max)表示车辆实际支持的前轮转角增量的最大值;
前轮转角约束如下所示:
δmin<δk<δmax;
其中,
其中,δk表示k时刻的前轮转角,δmin表示车辆实际可支持的最小前轮转角,δmax表示车辆实际可支持的最大前轮转角;acclat为最大的横向加速度值,L为车辆轴距,vx表示车辆当前速度。
根据本发明的实施例,前轮转角约束转换后如下所示:
δ(k)=δ(k-1)+Δδ(k),k∈[1 NC];
δmin≤AHδ(k)+δv≤δmax;
其中,δv表示车辆当前前轮转角,
A=[1 1…1]R1×K;
Hδ(k)=[Δδ(1) Δδ(2)…Δδ(K)]T∈RK×1k∈[1 NC]。
在本发明的实施例中,加速度增量约束如下所示:
Δa(min)<Δak<Δa(max)k∈[1 NC];
其中,Δak表示k时刻的加速度增量,Δa(min)表示车辆实际支持的加速度增量最小值,Δa(max)表示车辆实际支持的加速度增量最大值。
加速度约束如下所示:
amin<ak<amax;
其中,ak表示k时刻的加速度,amin表示最小加速度约束值,amax表示最大加速度约束值。
在本发明的实施例中,加速度约束转换后如下所示:
amin≤AHacc(k)+accv≤amax;
Hacc(k)=[Δa(1) Δa(2)…Δa(K)]T∈RK×1k∈[1 NC];
其中,accv表示车辆当前的加速度。
在本发明的实施例中,横向加速度约束的约束条件如下所示:
aL(min)<aL<aL(max);
其中,aL是横向加速度,aL(min)是表示车辆实际支持的横向加速度最小值aL(max)是车辆实际支持的横向加速度最大值。
在本发明的实施例中,对横向加速度进行线性化处理可得:
在本发明的实施例中,轮胎侧偏角通过以下公式进行约束:
αf(min)<αf(k)<αf(max);
αr(min)<αr(k)<αr(max);
轮胎侧偏角约束还需进行以下转换:
轮胎侧偏角约束中还进行了以下定义:
其中,αf(k)、αr(k)分别表示k时刻的前、后轮胎侧偏角, 为k时刻车辆坐标系下参考轨迹的横向导数和纵向导数,为k时刻车辆参考航向角的导数,δ(k-1)为(k-1)时刻的前轮转角值, 分别表示k时刻的横向偏差导数与纵向偏差导数,If、Ir分别表示车辆前后轴到车辆质心的距离,为k时刻的航向角偏差导数。
下面结合图1的实施例,具体介绍本发明实施例的无人驾驶车辆在高速运行的场景下的优化模型的建立。
本发明设计的用于解决该优化问题的模型的决策变量主要包括其中eL、es指的是横纵向偏差(指的是基于车辆坐标系下车辆位置与参考轨迹点的偏差,而不是全局坐标系下的x、y轴坐标偏差),eθ表示车辆航向角与参考航向角的偏差,是eL、es、eθ的导数,Δa、Δδ指的是控制增量,Δa是加速度增量,Δδ是前轮转角增量。基于车辆的动力学模型建立优化模型,为了对控制增量进行有效的抑制,也将其加入了目标函数,所建立的目标函数如下:
其中,wL、wdL、ws、wds、wθ、wdθ、wa、wδ分别表示各个优化目标的权重,Np、Nc分别表示预测时域和控制时域。
根据图1的实施例以及以上的优化模型,具体介绍对自动驾驶车辆所建立的约束条件,其详细内容如下。
1、车辆动力学模型约束
为了防止自动驾驶车辆侧翻以及提升高速绕行时的控制精度,本发明考虑了轮胎横向动力学、绕z轴转动惯量来建立车辆动力学模型,其简化模型如下:
其中,状态变量X共包含六个变量,其中三个:eL表示车辆与参考轨迹的横向偏差,eθ表示车辆航向角与参考航向角的偏差,es表示车辆与参考轨迹的纵向偏差,剩余三个为前三个的导数。控制变量U包含两个变量,δ表示前轮转角、a表示加速度。eL(k+1)表示(k+1)时刻的eL值,eL(k)表示k时刻的eL值,对于其他决策变量也是如此。
上述模型中其他参数物理意义如下:cf、cr分别表示车辆前后轮胎侧偏刚度,Lf、Lr分别表示前后轴到车辆质心的距离,m表示车辆质量,vx表示车辆当前速度,IZ表示车辆绕z轴的转动惯量,T表示控制周期,aref为车辆参考加速度,ω表示角速度,此处取值为ω=vx×kappa,其中kappa表示曲率,在此处取值为与当前车辆位置最近参考点的曲率值。
2、起始点约束
起始点约束表示在进行车辆状态预测时需从当前状态开始,约束条件如下:
eL(0)=eL(vehicle);
eθ(0)=eθ(vehicle);
es(0)=es(vehicle);
3、前轮转角增量及前轮转角约束
前轮转角增量约束根据车辆实际情况设计如下:
Δδ(min)<Δδk<Δδ(max)k∈[1 NC];
其中,Δδk表示k时刻的转角增量,Δδ(min)表示车辆实际支持的前轮转角增量最小值,Δδ(max)表示车辆实际支持的前轮转角增量最大值。为了防止车辆高速绕行或拐弯时发生侧翻,因此对前轮转角进行有效的约束,前轮转角约束范围随车速变化而改变:
其中,acclat为最大的横向加速度值,L为车辆轴距,vx表示车辆当前速度,设置以下条件:
δmax=min(Δδ,δ(max));
其中,δ(max)表示车辆实际可支持的最大转角,δ(min)表示车辆实际可支持的最小转角,δk表示k时刻的转角,δmin表示最终最小转角约束值,δmax表示最终最大转角约束值。
在本发明中,前轮转角不是决策变量,所以需要进行转换,对于k时刻的控制全量δ,其形式为:
δ(k)=δ(k-1)+Δδ(k)k∈[1 NC];
设计约束条件如下所示:
δmin≤AHδ(k)+δv≤δmax;
δv表示车辆当前前轮转角,A、Hδ(k)如下所示:
A=[1 1…1]R1×K;
Hδ(k)=[Δδ(1) Δδ(2)…Δδ(K)]T∈RK×1k∈[1 NC];
通过以上方程即可获取对前轮转角增量和前轮转角的约束。
4、加速度增量及加速度约束
加速度增量约束根据车辆实际情况设计如下:
Δa(min)<Δak<Δa(max)k∈[1 NC];
其中,Δak表示k时刻的加速度增量,Δa(min)表示车辆实际支持的加速度增量最小值,Δa(max)表示车辆实际支持的加速度增量最大值。车辆加速度约束参考车辆实际可支持的加速度值,设置约束条件如下:
amin<ak<amax;
其中,ak表示k时刻的加速度,amin表示最小加速度约束值,amax表示最大加速度约束值。仿照对前轮转角增量和转角的约束,推导出对加速度的约束如下:
amin≤AHacc(k)+accv≤amax;
其中,accv表示车辆当前的加速度,A与转角增量及转角约束中A的相同,设置的Hacc(k)如下所示:
Hacc(k)=[Δa(1) Δa(2)…Δa(K)]T∈RK×1k∈[1 NC];
通过以上方程即可获取对加速度增量和加速度的约束。
5、速度约束
为了防止车辆超速,需要对车速进行约束,该约束设置基于车辆最大支持速度和自动驾驶系统支持的最大速度,约束条件如下所示:
其中,vmin表示允许的最小速度,vmax表示允许的最大速度,vref(k)表示k时刻的参考速度。通过以上方程即可获取速度约束。
6、横向加速度约束
轮胎与地面附着条件会制约着车辆的动力性能,所以需要对横向加速度进行约束,防止其过大时影响到车辆的安全性以及舒适性,设置约束条件如下所示:
aL(min)<aL<aL(max);
在本发明中,做如下转换然后在优化问题中添加约束条件:
以上约束条件为非线性约束,对其进行线性化处理可得:
将以上进行线性化的式子带入约束条件中即可得到线性化后的约束条件。
7、轮胎侧偏角约束
本发明建立的车辆动力学模型是基于轮胎侧偏角在小角度情况下推导出来的,所以有必要对其进行约束,另外该约束条件也可以有效的避免车辆出现转向过度或转向不足等现象。约束条件如下:
αf(min)<αf(k)<αf(max);
αr(min)<αr(k)<αr(max);
其中,αf(k)表示k时刻轮胎前侧偏角,αr(k)表示k时刻轮胎后侧偏角,αf(min)表示前轮侧偏角最小角度值,αf(max)表示前轮侧偏角最大角度值,αr(min)表示后轮侧偏角最小角度值,αr(max)表示后轮侧偏角最大角度值,在本发明中没有将轮胎侧偏角作为决策变量,所以需要进行如下步骤的转换:
其中,xr(k)、yr(k)、xr(k-1)、yr(k-1)分别为参考轨迹上map坐标系下k时刻和(k-1)时刻的坐标,θr(k)、θr(k-1)为参考轨迹上k时刻和(k-1)时刻的航向角,由以上公式可以发现,该约束条件为非线性函数,将其线性化得:
将以上进行线性化的式子带入约束条件中即可得到线性化后的约束条件。
上述所有内容即是本发明全部的约束条件,结合上述部分描述的优化函数和约束条件构建优化模型,即构建了mpc控制器的滚动优化模型。
图2是根据本发明实施例的用于自动驾驶车辆的预测控制优化装置的主要模块示意图,如图2所示,本发明实施例的用于自动驾驶车辆的预测控制优化的装置200主要包括模型获取模块201、参数获取模块202、约束条件模块203、模型优化模块204。
模型获取模块201,用于获取基于车辆动力学模型的优化函数,优化函数的决策变量包括状态变量和控制增量;
参数获取模块202,用于获取车辆实时行驶参数和车辆参考轨迹,根据车辆实时行驶参数和车辆参考轨迹获取优化函数的决策变量;
约束条件模块203,用于根据车辆运行指标确定约束条件以对优化函数进行约束,约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;模型优化模块204,用于根据优化函数和约束条件构建优化模型,并使用优化模型对决策变量进行优化,使得优化函数结果达到预设要求以对车辆进行预测控制。。
在本发明的实施例中,车辆动力学模型考虑了轮胎横向动力学、绕z轴转动惯量,其简化模型如下所示:
U=[a δ]T;
其中X表示状态变量,eL表示车辆与参考轨迹的横向偏差,eθ表示车辆航向角与参考航向角的偏差,es表示车辆与参考轨迹的纵向偏差,分别为eL、eθ、es的导数。控制增量U包含两个变量,δ表示前轮转角、a表示加速度。
根据本发明的一个实施例,车辆动力学模型离散化处理后如下所示:
其中eL(k+1)表示(k+1)时刻的eL值,eL(k)表示k时刻的eL值,eθ(k+1)表示(k+1)时刻的eθ值,eθ(k)表示k时刻的eθ值,es(k+1)表示(k+1)时刻的es值,es(k)表示k时刻的es值,cf、cr分别表示车辆前后轮胎侧偏刚度,Lf、Lr分别表示前后轴到车辆质心的距离,m表示车辆质量,vx表示车辆当前速度,IZ表示车辆绕z轴的转动惯量,T表示控制周期,aref为车辆参考加速度,ω表示角速度,此处取值为ω=vx×kappa,其中kappa表示曲率。
在本发明的实施例中,状态变量包括车辆与参考轨迹的横向偏差导数及横向偏差导数、车辆航向角与参考航向角的角度偏差导数及角度偏差导数、车辆与参考轨迹的纵向偏差导数及纵向偏差导数;控制增量包括加速度增量与前轮转角增量。
根据本发明的实施例,装置200还包括线性化处理模块(图中未示出),用于使用泰勒展开式,将当前车辆规划轨迹中的参考点进行一阶线性展开以对所有非线性约束条件进行线性化处理。
根据本发明的另一个实施例,前轮转角增量约束如下所示:
Δδ(min)<Δδk<Δδ(max)k∈[1 NC];
其中,Δδk表示k时刻的转角增量,Δδ(min)表示车辆实际支持的前轮转角增量的最小值,Δδ(max)表示车辆实际支持的前轮转角增量的最大值;
前轮转角约束如下所示:
δmin<δk<δmax;
其中,
其中,δk表示k时刻的前轮转角,δmin表示车辆实际可支持的最小前轮转角,δmax表示车辆实际可支持的最大前轮转角;acclat为最大的横向加速度值,L为车辆轴距,vx表示车辆当前速度。
在本发明的实施例中,前轮转角约束转换后如下所示:
δ(k)=δ(k-1)+Δδ(k),k∈[1 NC];
δmin≤AHδ(k)+δv≤δmax;
其中,δv表示车辆当前前轮转角,
A=[1 1…1]R1×K;
Hδ(k)=[Δδ(1) Δδ(2)…Δδ(K)]T∈RK×1k∈[1 NC]。
在本发明的实施例中,加速度增量约束如下所示:
Δa(min)<Δak<Δa(max)k∈[1 NC];
其中,Δak表示k时刻的加速度增量,Δa(min)表示车辆实际支持的加速度增量最小值,Δa(max)表示车辆实际支持的加速度增量最大值。
加速度约束如下所示:
amin<ak<amax;
其中,ak表示k时刻的加速度,amin表示最小加速度约束值,amax表示最大加速度约束值。
在本发明的实施例中,加速度约束转换后如下所示:
amin≤AHacc(k)+accv≤amax;
Hacc(k)=[Δa(1) Δa(2)…Δa(K)]T∈RK×1k∈[1 NC];
其中,accv表示车辆当前的加速度
在本发明的实施例中,横向加速度约束的约束条件如下所示:
aL(min)<aL<aL(max);
其中,aL是横向加速度,aL(min)是表示车辆实际支持的横向加速度最小值aL(max)是车辆实际支持的横向加速度最大值。
在本发明的实施例中,对横向加速度进行线性化处理可得:
在本发明的实施例中,轮胎侧偏角包括:
轮胎侧偏角通过以下公式进行约束:
αf(min)<αf(k)<αf(max);
αr(min)<αr(k)<αr(max);
轮胎侧偏角约束还需进行以下转换:
轮胎侧偏角约束中还进行了以下定义:
其中,αf(k)、αr(k)分别表示k时刻的前、后轮胎侧偏角, 为k时刻车辆坐标系下参考轨迹的横向导数和纵向导数,为k时刻车辆参考航向角的导数,δ(k-1)为(k-1)时刻的前轮转角值, 分别表示k时刻的横向偏差导数与纵向偏差导数,If、Ir分别表示车辆前后轴到车辆质心的距离,为k时刻的航向角偏差导数。
图3示出了可以应用本发明实施例的用于自动驾驶车辆的预测控制优化的方法或用于自动驾驶车辆的预测控制优化的装置的示例性系统架构300。
如图3所示,系统架构300可以包括终端设备301、302、303,网络304和服务器305。网络304用以在终端设备301、302、303和服务器305之间提供通信链路的介质。网络304可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备301、302、303通过网络304与服务器305交互,以接收或发送消息等。终端设备301、302、303上可以安装有各种通讯客户端应用,例如自动驾驶类应用、控制器调试类应用等(仅为示例)。
终端设备301、302、303可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器305可以是提供各种服务的服务器,例如对用户利用终端设备301、302、303所浏览的自动驾驶类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的参考轨迹等数据进行分析等处理,并将处理结果(例如决策变量结果-仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的用于自动驾驶车辆的预测控制优化的方法一般由服务器305执行,相应地,用于自动驾驶车辆的预测控制优化的装置一般设置于服务器305中。
应该理解,图3中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图4,其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统400的结构示意图。图4示出的终端设备或服务器仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,计算机系统400包括中央处理单元(CPU)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储部分408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中,还存储有系统400操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括键盘、鼠标等的输入部分406;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括函数获取模块、参数获取模块、约束条件模块、控制优化模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,函数获取模块还可以被描述为“用于获取基于车辆动力学模型的优化函数,所述优化函数的决策变量包括状态变量和控制增量的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取基于车辆动力学模型的优化函数,所述优化函数的决策变量包括状态变量和控制增量;获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;根据车辆运行指标确定约束条件以对所述优化函数进行约束,所述约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;根据所述优化函数和所述约束条件构建优化模型,并使用所述优化模型对所述决策变量进行优化,使得所述优化函数结果达到预设要求以对车辆进行预测控制。
根据本发明实施例的技术方案,采用建立获取车辆动力学模型的优化函数,优化函数的决策变量包括状态变量和控制增量;获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;根据车辆运行指标确定约束条件以对优化函数进行约束,约束条件包括前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;根据优化函数和约束条件构建优化模型,并使用优化模型对所述决策变量进行优化,使得所述优化函数结果达到预设要求以对车辆进行预测控制的技术手段,实现了将针对优化问题设计的优化函数和自动驾驶车辆的约束条件相结合构建优化模型以对车辆动力学模型进行预测控制,提高了自动驾驶车辆在高速行驶时的轨迹跟随精度、行驶平稳性以及操纵稳定性,改善了自动驾驶车辆在高速行驶时的控制效果,防止了自动驾驶车辆发生侧翻、侧滑等现象。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (15)
1.一种用于自动驾驶车辆的预测控制优化方法,其特征在于,包括:
获取基于车辆动力学模型的优化函数,所述优化函数的决策变量包括状态变量和控制增量;
获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;
根据车辆运行指标确定约束条件以对所述优化函数进行约束,所述约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;
根据所述优化函数和所述约束条件构建优化模型,并使用所述优化模型对所述决策变量进行优化,使得所述优化函数结果达到预设要求以对车辆进行预测控制。
4.根据权利要求1所述的方法,其特征在于,
所述状态变量包括车辆与参考轨迹的横向偏差导数及横向偏差导数、车辆航向角与参考航向角的角度偏差导数及角度偏差导数、车辆与参考轨迹的纵向偏差导数及纵向偏差导数;
所述控制增量包括加速度增量与前轮转角增量。
5.根据权利要求1所述的方法,其特征在于,在根据车辆运行指标确定约束条件时,还包括:
使用泰勒展开式,将当前车辆规划轨迹中的参考点进行一阶线性展开以对所有非线性约束条件进行线性化处理。
7.根据权利要求6所述的方法,其特征在于,所述前轮转角约束转换后如下所示:
δ(k)=δ(k-1)+Δδ(k),k∈[1 NC];
δmin≤AHδ(k)+δv≤δmax;
其中,δv表示车辆当前前轮转角,
A=[1 1 … 1]R1×K;
Hδ(k)=[Δδ(1) Δδ(2) … Δδ(K)]T∈RK×1k∈[1 NC]。
8.根据权利要求1所述的方法,其特征在于,所述加速度增量约束如下所示:
Δa(min)<Δak<Δa(max)k∈[1 NC];
其中,Δak表示k时刻的加速度增量,Δa(min)表示车辆实际支持的加速度增量最小值,Δa(max)表示车辆实际支持的加速度增量最大值。
所述加速度约束如下所示:
amin<ak<amax;
其中,ak表示k时刻的加速度,amin表示最小加速度约束值,amax表示最大加速度约束值。
9.根据权利要求8所述的方法,其特征在于,所述加速度约束转换后如下所示:
amin≤AHacc(k)+accv≤amax;
Hacc(k)=[Δa(1) Δa(2) … Δa(K)]T∈RK×1k∈[1 NC];
其中,accv表示车辆当前的加速度。
10.根据权利要求1所述的方法,其特征在于,所述横向加速度约束的约束条件如下所示:
aL(min)<aL<aL(max);
其中,aL是横向加速度,aL(min)是表示车辆实际支持的横向加速度最小值aL(max)是车辆实际支持的横向加速度最大值。
13.一种用于自动驾驶车辆的预测控制优化装置,其特征在于,包括:
函数获取模块,用于获取基于车辆动力学模型的优化函数,所述优化函数的决策变量包括状态变量和控制增量;
参数获取模块,用于获取车辆实时行驶参数和车辆参考轨迹,根据所述车辆实时行驶参数和车辆参考轨迹获取所述优化函数的决策变量;
约束条件模块,用于根据车辆运行指标确定约束条件以对所述优化函数进行约束,所述约束条件包括:前轮转角增量约束和前轮转角约束、加速度增量约束和加速度约束、速度约束、横向加速度约束、轮胎侧偏角约束;控制优化模块,用于根据所述优化函数和所述约束条件构建优化模型,并使用所述优化模型对所述决策变量进行优化,使得所述优化函数结果达到预设要求以对车辆进行预测控制。
14.一种用于自动驾驶车辆的模型预测控制的电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-12中任一所述的方法。
15.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-12中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458315.2A CN113759707B (zh) | 2020-12-10 | 2020-12-10 | 用于自动驾驶车辆的预测控制优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011458315.2A CN113759707B (zh) | 2020-12-10 | 2020-12-10 | 用于自动驾驶车辆的预测控制优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759707A true CN113759707A (zh) | 2021-12-07 |
CN113759707B CN113759707B (zh) | 2024-06-18 |
Family
ID=78786192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011458315.2A Active CN113759707B (zh) | 2020-12-10 | 2020-12-10 | 用于自动驾驶车辆的预测控制优化方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759707B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115991187A (zh) * | 2023-03-22 | 2023-04-21 | 中国第一汽车股份有限公司 | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 |
CN116729361A (zh) * | 2023-08-11 | 2023-09-12 | 北京斯年智驾科技有限公司 | 一种车辆横向控制方法及装置 |
WO2024087766A1 (zh) * | 2022-10-28 | 2024-05-02 | 湖南大学无锡智能控制研究院 | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108569336A (zh) * | 2018-04-26 | 2018-09-25 | 武汉理工大学 | 在动力学约束下基于车辆运动学模型转向控制方法 |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
DE102018125250A1 (de) * | 2018-10-12 | 2020-04-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Steuereinheit zur Führung eines Fahrzeugs |
CN111806427A (zh) * | 2020-06-08 | 2020-10-23 | 北京理工大学 | 一种四轮毂电机驱动车辆的综合控制方法 |
-
2020
- 2020-12-10 CN CN202011458315.2A patent/CN113759707B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108569336A (zh) * | 2018-04-26 | 2018-09-25 | 武汉理工大学 | 在动力学约束下基于车辆运动学模型转向控制方法 |
DE102018125250A1 (de) * | 2018-10-12 | 2020-04-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Steuereinheit zur Führung eines Fahrzeugs |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN111806427A (zh) * | 2020-06-08 | 2020-10-23 | 北京理工大学 | 一种四轮毂电机驱动车辆的综合控制方法 |
Non-Patent Citations (2)
Title |
---|
冀杰;唐志荣;吴明阳;方京城;: "面向车道变换的路径规划及模型预测轨迹跟踪", 中国公路学报, no. 04, 15 April 2018 (2018-04-15) * |
邓海鹏;麻斌;赵海光;吕良;刘宇;: "自主驾驶车辆紧急避障的路径规划与轨迹跟踪控制", 兵工学报, no. 03, pages 585 - 594 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024087766A1 (zh) * | 2022-10-28 | 2024-05-02 | 湖南大学无锡智能控制研究院 | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
CN115991187A (zh) * | 2023-03-22 | 2023-04-21 | 中国第一汽车股份有限公司 | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 |
CN116729361A (zh) * | 2023-08-11 | 2023-09-12 | 北京斯年智驾科技有限公司 | 一种车辆横向控制方法及装置 |
CN116729361B (zh) * | 2023-08-11 | 2023-11-03 | 北京斯年智驾科技有限公司 | 一种车辆横向控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113759707B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113759707B (zh) | 用于自动驾驶车辆的预测控制优化方法和装置 | |
EP4201781A1 (en) | Method and apparatus for planning trajectory of vehicle, storage medium, and device | |
CN113771829B (zh) | 用于自动驾驶车辆的控制方法和装置 | |
Smith et al. | Effect of handling characteristics on minimum time cornering with torque vectoring | |
CN111873991A (zh) | 一种车辆转向的控制方法、装置、终端及存储介质 | |
CN110850895B (zh) | 一种路径跟踪方法、装置、设备及存储介质 | |
CN113183975B (zh) | 自动驾驶车辆的控制方法、装置、设备以及存储介质 | |
CN114348026B (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
CN113696970B (zh) | 半挂汽车列车、倒车控制方法、装置、设备和介质 | |
CN113954831B (zh) | 一种车辆横向控制方法、装置及自动驾驶车辆 | |
CN114771570A (zh) | 自动驾驶车辆的控制方法和装置 | |
CN114212104B (zh) | 车辆控制方法、装置、车辆和存储介质 | |
CN114852089A (zh) | 一种车辆行驶控制方法、装置、电子设备及存储介质 | |
CN113306570B (zh) | 用于控制自动驾驶车辆的方法、装置和自动驾驶配送车 | |
Lot et al. | Advanced motorcycle virtual rider | |
CN114802310A (zh) | 车辆轨迹跟踪控制方法、装置、电子设备及存储介质 | |
CN114523962A (zh) | 一种车辆控制方法、装置、设备及介质 | |
CN114620074A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN113778045A (zh) | 对自动驾驶车辆控制器进行评价的方法和装置 | |
CN113511188A (zh) | 车辆横向控制的方法、装置、电子设备及存储介质 | |
Jiang et al. | Path following method based on constrained arc fitting and curvature feedforward control | |
Dębowski et al. | Reference models of 4WS vehicle lateral dynamics for the synthesis of steering algorithms | |
CN118107559A (zh) | 分布式驱动电动车考虑轨迹跟踪和动力学稳定性的协调控制方法、装置及存储介质 | |
CN114475590B (zh) | 一种电动汽车力矩控制方法和系统以及可读存储介质 | |
CN117022442A (zh) | 车辆横向控制方法、装置、设备、介质及程序产品 |
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 |