CN113778082B - 一种基于自触发机制的无人车轨迹跟踪控制方法及系统 - Google Patents
一种基于自触发机制的无人车轨迹跟踪控制方法及系统 Download PDFInfo
- Publication number
- CN113778082B CN113778082B CN202110969618.9A CN202110969618A CN113778082B CN 113778082 B CN113778082 B CN 113778082B CN 202110969618 A CN202110969618 A CN 202110969618A CN 113778082 B CN113778082 B CN 113778082B
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- target
- control input
- constructing
- input quantity
- 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
- 230000007246 mechanism Effects 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 26
- 238000005070 sampling Methods 0.000 description 12
- 230000015654 memory Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000010485 coping Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- 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
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种基于自触发机制的无人车轨迹跟踪控制方法及系统,属于无人驾驶技术领域。所述方法包括:构建无人车运动模型;根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量。采用本发明,能够在实现准确跟踪目标轨迹的同时最大程度地节约计算和通信资源的目的。
Description
技术领域
本发明涉及无人驾驶技术领域,特别是指一种基于自触发机制的无人车轨迹跟踪控制方法及系统。
背景技术
目前,无人车一般具有完善的环境感知系统,能够根据感知系统提供的环境信息进行路径的决策和规划,并控制车辆到达目的地。轨迹跟踪是在轨迹规划后进行的控制环节,要求车辆能够按照规划出的轨迹行驶。
轨迹跟踪控制是无人车研究的基础性问题,是智能化技术的核心,因此,提高无人车的轨迹跟踪控制性能对于提高无人车自动化水平具有重要的理论意义和实用价值。另一方面,目前大多数无人车控制算法对于计算资源和通信带宽的消耗不同,无人车轨迹跟踪的精确度和消耗的能量也不同。因此,如何利用有限的计算资源,提高无人车轨迹跟踪的精度成为一个至关重要的课题。
现有技术一,提供了一种基于事件触发的移动机器人轨迹跟踪控制方法(是一种基于事件采样的方法,其中,采样具体指代测量系统的状态值),属于机器人控制领域。该方案建立了移动机器人运动方程和参考机器人动态方程;设计控制输入并给定控制输入的状态测量误差;设计事件触发条件,使误差动态系统稳定,且移动机器人可以跟踪到参考机器人的轨迹中,从而获得了一种基于事件触发的移动机器人轨迹跟踪控制方法。该技术方案中,未考虑移动机器人的能耗特点;且系统的实时性要求高,计算资源和通信带宽消耗过高。
现有技术二,提供了一种运动控制系统及机器人系统(是一种基于时间采样的方法)。其中,该运动控制系统,用于控制机器人包括:第一处理器,用于运行运动控制算法,以生成用于控制机器人运动的控制逻辑;第二处理器,与第一处理器连接,用于将控制逻辑通过网络总线传输给对应的机器人。该技术方案无法实现精确的运动控制,即机器人不能准确运动到目标点;系统实时性要求高,通信量很大。
发明内容
本发明实施例提供了基于自触发机制的无人车轨迹跟踪控制方法及系统,能够实现准确跟踪目标轨迹的同时最大限度地节约计算和通信资源的目的。所述技术方案如下:
一方面,提供了一种基于自触发机制的无人车轨迹跟踪控制方法,该方法应用于电子设备,该方法包括:
构建无人车运动模型;
根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;
根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;
根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量。
进一步地,所述构建无人车运动模型包括:
将无人车本体坐标系作为参考坐标系,在惯性坐标系上,得到目标到无人车的旋转矩阵为:
其中,Rn表示目标到无人车的旋转矩阵,Φ表示无人车在惯性坐标系下与x轴正方向之间的夹角;
根据得到的目标到无人车的旋转矩阵,构建无人车运动模型。
进一步地,所述无人车运动模型表示为:
其中,u、r分别表示无人车的前进线速度和方向角速度,u、r组成无人车运动模型的控制输入量;分别代表无人车在惯性坐标系下x轴和y轴方向的速度,/>代表角速度。
进一步地,所述根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型包括:
确定无人车与目标之间的位置偏差为:
其中,(ex,ey,eΦ)表示无人车与目标之间在x轴方向的坐标偏差、y轴方向的坐标偏差和无人车与目标之间方向角偏差;(x,y,Φ)和(xtarget,ytarget,Φtarget)分别代表无人车和目标在惯性坐标系下的x轴方向的坐标,y轴方向的坐标和与x轴正方向之间的夹角;
将-ex,ey,作为系统模型的状态量,其中,/>表示为:
其中,为简写形式;α为正常数;π1为简写形式,/>
根据确定的无人车运动模型的控制输入量和系统模型的状态量,构建系统模型。
进一步地,所述系统模型表示为:
其中,表示无人车与目标之间方向角偏差对时间的一阶导数,/>和/>分别表示无人车与目标之间在x轴方向的坐标偏差和在y轴方向的坐标偏差对时间的一阶导数,f(eΦ,ey,ex)和g(eΦ,ey,ex)分别表示根据目标动态方程和无人车运动模型推导得到的参数为eΦ,ey和ex的表达式。
进一步地,所述根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题包括:
根据构建的系统模型,确定控制李雅普诺夫函数:
其中,V(t)表示控制李雅普诺夫函数,k1表示常数系数,ex(t)和ey(t)分别表示t时刻/>ex和ey的值;
根据确定的控制李雅普诺夫函数,构建无人车跟踪目标轨迹的硬约束条件:
其中,表示V(·)对时间的一阶导数,ε为正常数;
基于该硬约束条件构造二次规划问题:
其中,U*表示每次迭代求得的无人车最优控制输入,U表示u、r组成无人车运动模型的控制输入量;Hacc、Facc都表示根据实际选择的代价函数,Hacc为行列式,Facc为列向量,UT和分别代表U和Facc的矩阵转置。
进一步地,所述根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量包括:
D1,针对硬约束条件,根据下降引理求取V(t)的上限
D2,根据得到的V(t)的上限及控制李雅普诺夫函数,得到如下关系式:
其中,t为tn时刻和tn+1时刻中间的时刻,t满足:表示任意,tn+1表示第n+1次计算无人车控制输入量的时刻,tn表示第n次计算无人车控制输入量的时刻;表示tn时刻V(·)对时间的二阶导数;
D3,求解
D4,根据得到的计算更新无人车运动模型下一个控制输入量的时刻tn+1:
tn+1=tn+τclf
其中,τclf为简写形式,
D5,根据步骤D4计算得到的tn+1时刻,求解tn+1时刻二次规划问题,得到无人车最优控制输入量,将该控制输入量通过零阶保持器输入无人车运动模型中,并测量tn+1时刻系统模型中的状态值,返回步骤D1,将该状态值代入步骤D1中的V(t)继续执行,如此往复,直至无人车停止运行。
进一步地,所述方法还包括:
在tn时刻和tn+1时刻中间的时刻,无人车运动模型的控制输入量均采用tn时刻所计算得到的控制输入量,即通过零阶保持器将tn时刻求解二次规划问题得到的无人车控制输入量保持到tn+1时刻。
一方面,提供了一种基于自触发机制的无人车轨迹跟踪控制系统,该系统应用于电子设备,该系统包括:
第一构建模块,用于构建无人车运动模型;
第二构建模块,用于根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;
构造模块,用于根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;
求解模块,用于根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述基于自触发机制的无人车轨迹跟踪控制方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述基于自触发机制的无人车轨迹跟踪控制方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明实施例中,将轨迹跟踪问题构造为一个二次规划的优化问题并进行求解,能够保证轨迹跟踪的最优性,增强无人车应对动态交通环境的能力;且基于所构造的自触发机制,与现有的基于时间采样和事件采样的控制方法相比,本发明所构造的自触发机制能够最大程度减少系统控制中的采样次数,节约了网络带宽资源,实现准确跟踪目标轨迹的同时最大限度地节约计算和通信资源的目的。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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为本发明实施例提供的基于自触发机制的无人车轨迹跟踪控制方法的流程示意图;
图2为本发明实施例提供的无人车本体坐标系与惯性坐标系之间的转化关系示意图;
图3为本发明实施例提供的无人车与目标之间的位置示意图;
图4为本发明实施例提供的基于自触发机制的无人车轨迹跟踪控制系统的结构示意图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一
如图1所示,本发明实施例提供了一种基于自触发机制的无人车轨迹跟踪控制方法,该方法可以由电子设备实现,该电子设备可以是终端或服务器,该方法包括:
S101,构建无人车运动模型;具体可以包括以下步骤:
A1,将无人车本体坐标系作为参考坐标系,图2为无人车本体坐标系与惯性坐标系之间的转化关系,在惯性坐标系上,得到目标到无人车的旋转矩阵为:
其中,Rn表示目标到无人车的旋转矩阵,Φ表示无人车在惯性坐标系下与x轴正方向之间的夹角,惯性坐标系的原点与无人车本体坐标系的原点重合;
A2,根据得到的目标到无人车的旋转矩阵,构建无人车运动模型,其中,所述无人车运动模型表示为:
其中,u、r分别表示无人车的前进线速度和方向角速度,u、r组成无人车运动模型的控制输入量;分别代表无人车在惯性坐标系下x轴和y轴方向的速度,/>代表角速度。
本实施例中,还需要获取目标的动态方程,用于确定目标的位置,其中,目标的动态方程没有固定的形式,由实际情况确定;其中,对于目标方向角的求取,基于获取的目标的动态方程,将目标的y轴方向的坐标对时间t的导数和x坐标对时间t的导数相除,再进行反正切运算求得目标的方向角,然后将目标的方向角对时间t求导数得到目标的方向角速度。
S102,根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;具体可以包括以下步骤:
B1,确定无人车与目标之间的位置偏差为:
其中,(ex,ey,eΦ)表示目标与无人车的位置偏差,所述位置偏差包括:坐标偏差和方向角偏差,具体为:无人车与目标之间在x轴方向的坐标偏差、y轴方向的坐标偏差和无人车与目标之间方向角偏差;(x,y,Φ)和(xtarget,ytarget,Φtarget)分别代表无人车和目标在惯性坐标系下的x轴方向的坐标,y轴方向的坐标和与x轴正方向之间的夹角,如图3所示;
本实施例中,由无人车与目标之间的位置偏差可以看到,ex,ey,eΦ代表了无人车与目标轨迹之间的坐标偏差和方向角偏差,将(ex,ey,eΦ)直接作为系统模型中的状态量时会出现当ex、eΦ趋于0时,ey处于不可控状态或者ey、eΦ趋于0时,ex也处于不可控状态的情况,因此,本实施例中,将-ex,ey,作为系统模型的状态量。这样,可以发现,当系统模型中的状态量均趋于0时,此时意味着无人车准确的跟踪上了目标轨迹。
B2,将-ex,ey,作为系统模型的状态量,其中,/>表示为:
其中,为简写形式;α为正常数;π1为简写形式,/>
B3,根据确定的无人车运动模型的控制输入量和系统模型的状态量,构建系统模型,其中,所述系统模型表示为:
其中,表示无人车与目标之间方向角偏差对时间的一阶导数,/>和/>分别表示无人车与目标之间在x轴方向的坐标偏差和在y轴方向的坐标偏差对时间的一阶导数,f(eΦ,ey,ex)和g(eΦ,ey,ex)分别表示根据目标动态方程和无人车运动模型推导得到的参数为eΦ,ey和ex的表达式。
本实施例中,依据非线性的无人车运动模型设计了系统模型,能够充分考虑系统的非线性因素,提高极限工况下的控制性能。
S103,根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;具体可以包括以下步骤:
C1,根据构建的系统模型,确定控制李雅普诺夫函数:
其中,V(t)表示控制李雅普诺夫函数,k1表示常数系数,ex(t)和ey(t)分别表示t时刻/>ex和ey的值;一般情况下,k1>0.5。
C2,根据确定的控制李雅普诺夫函数,构建无人车跟踪目标轨迹的硬约束条件:
其中,表示V(·)对时间的一阶导数,ε为正常数,硬约束是指系统必须满足的约束条件;
C3,基于该硬约束条件构造二次规划问题:
其中,U*表示每次迭代求得的无人车最优控制输入,U表示u、r组成无人车运动模型的控制输入量;Hacc、Facc都表示根据实际选择的代价函数,Hacc为行列式,Facc为列向量,UT和分别代表U和Facc的矩阵转置,/>表示二次规划代价函数。
S104,根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制采用计算机编程迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量具体可以包括以下步骤:
D1,针对硬约束条件,根据下降引理求取V(t)的上限
D2,根据得到的V(t)的上限及控制李雅普诺夫函数,得到如下关系式:
其中,t为tn时刻和tn+1时刻中间的时刻,t满足:表示任意,tn+1表示第n+1次计算无人车控制输入量的时刻,tn表示第n次计算无人车控制输入量的时刻;表示tn时刻V(·)对时间的二阶导数;
D3,求解
D4,根据得到的计算更新无人车运动模型下一个控制输入量的时刻tn+1:
tn+1=tn+τclf
其中,τclf为简写形式,
D5,根据步骤D4计算得到的tn+1时刻,求解tn+1时刻二次规划问题,得到无人车最优控制输入量,将该控制输入量通过零阶保持器输入无人车运动模型中,并测量tn+1时刻系统模型中的状态值,返回步骤D1,将该状态值代入步骤D1中的V(t)继续执行,如此往复,直至无人车停止运行。
本实施例中,步骤D1到D4这四个步骤整体为自触发机制,目的在于求解下一次计算控制输入量的时刻,然后计算该时刻对应的无人车最优控制输入量。
本实施例中,从t0=0时刻开始触发一次,根据计算得到的t1时刻,在t1时刻触发一次,依次类推。
本实施例中,在tn时刻和tn+1时刻中间的时刻,无人车运动模型的控制输入量均采用tn时刻所计算得到的控制输入量,即通过零阶保持器将tn时刻求解二次规划问题得到的无人车控制输入量保持到tn+1时刻。
综上,本发明实施例所述的基于自触发机制的无人车轨迹跟踪控制方法,将轨迹跟踪问题构造为一个二次规划的优化问题并进行求解,能够保证轨迹跟踪的最优性,增强无人车应对动态交通环境的能力;且基于所构造的自触发机制,与现有的基于时间采样和事件采样的控制方法相比,本发明所构造的自触发机制能够最大程度减少系统控制中的采样次数,节约了网络带宽资源,实现准确跟踪目标轨迹的同时最大限度地节约计算和通信资源的目的。
本发明实施例所述的基于自触发机制的无人车轨迹跟踪控制方法,适用于在各种二维平面运动的陆地无人车、水面无人船、水下无人潜艇等的轨迹跟踪控制。
实施例二
本发明还提供一种基于自触发机制的无人车轨迹跟踪控制系统的具体实施方式,由于本发明提供的基于自触发机制的无人车轨迹跟踪控制系统与前述基于自触发机制的无人车轨迹跟踪控制方法的具体实施方式相对应,该基于自触发机制的无人车轨迹跟踪控制系统可以通过执行上述方法具体实施方式中的流程步骤来实现本发明的目的,因此上述基于自触发机制的无人车轨迹跟踪控制方法具体实施方式中的解释说明,也适用于本发明提供的基于自触发机制的无人车轨迹跟踪控制系统的具体实施方式,在本发明以下的具体实施方式中将不再赘述。
如图4所示,本发明实施例还提供一种基于自触发机制的无人车轨迹跟踪控制系统,包括:
第一构建模块11,用于构建无人车运动模型;
第二构建模块12,用于根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;
构造模块13,用于根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;
求解模块14,用于根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量。
本发明实施例所述的基于自触发机制的无人车轨迹跟踪控制系统,将轨迹跟踪问题构造为一个二次规划的优化问题并进行求解,能够保证轨迹跟踪的最优性,增强无人车应对动态交通环境的能力;且基于所构造的自触发机制,与现有的基于时间采样和事件采样的控制方法相比,本发明所构造的自触发机制能够最大程度减少系统控制中的采样次数,节约了网络带宽资源,实现准确跟踪目标轨迹的同时最大限度地节约计算和通信资源的目的。
图5是本发明实施例提供的一种电子设备600的结构示意图,该电子设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)601和一个或一个以上的存储器602,其中,所述存储器602中存储有至少一条指令,所述至少一条指令由所述处理器601加载并执行以实现上述基于自触发机制的无人车轨迹跟踪控制方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述基于自触发机制的无人车轨迹跟踪控制方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于自触发机制的无人车轨迹跟踪控制方法,其特征在于,包括:
构建无人车运动模型;
根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;
根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;
根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量;
其中,所述构建无人车运动模型包括:
将无人车本体坐标系作为参考坐标系,在惯性坐标系上,得到目标到无人车的旋转矩阵为:
其中,Rn表示目标到无人车的旋转矩阵,Φ表示无人车在惯性坐标系下与x轴正方向之间的夹角;
根据得到的目标到无人车的旋转矩阵,构建无人车运动模型;
其中,所述无人车运动模型表示为:
其中,u、r分别表示无人车的前进线速度和方向角速度,u、r组成无人车运动模型的控制输入量;分别代表无人车在惯性坐标系下x轴和y轴方向的速度,/>代表角速度;
其中,所述根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型包括:
确定无人车与目标之间的位置偏差为:
其中,(ex,ey,eΦ)表示无人车与目标之间在x轴方向的坐标偏差、y轴方向的坐标偏差和无人车与目标之间方向角偏差;(x,y,Φ)和(xtarget,ytarget,Φtarget)分别代表无人车和目标在惯性坐标系下的x轴方向的坐标,y轴方向的坐标和与x轴正方向之间的夹角;
将-ex,ey,作为系统模型的状态量,其中,/>表示为:
其中,为简写形式;α为正常数;π1为简写形式,/>
根据确定的无人车运动模型的控制输入量和系统模型的状态量,构建系统模型;
其中,所述系统模型表示为:
其中,表示无人车与目标之间方向角偏差对时间的一阶导数,/>和/>分别表示无人车与目标之间在x轴方向的坐标偏差和在y轴方向的坐标偏差对时间的一阶导数,f(eΦ,ey,ex)和g(eΦ,ey,ex)分别表示根据目标动态方程和无人车运动模型推导得到的参数为eΦ,ey和ex的表达式;
其中,所述根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题包括:
根据构建的系统模型,确定控制李雅普诺夫函数:
其中,V(t)表示控制李雅普诺夫函数,k1表示常数系数,ex(t)和ey(t)分别表示t时刻/>ex和ey的值;
根据确定的控制李雅普诺夫函数,构建无人车跟踪目标轨迹的硬约束条件:
其中,表示V(·)对时间的一阶导数,ε为正常数;
基于该硬约束条件构造二次规划问题:
其中,U*表示每次迭代求得的无人车最优控制输入,U表示u、r组成无人车运动模型的控制输入量;Hacc、Facc都表示根据实际选择的代价函数,Hacc为行列式,Facc为列向量,UT和分别代表U和Facc的矩阵转置。
2.根据权利要求1所述的基于自触发机制的无人车轨迹跟踪控制方法,其特征在于,所述根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量包括:
D1,针对硬约束条件,根据下降引理求取V(t)的上限
D2,根据得到的V(t)的上限及控制李雅普诺夫函数,得到如下关系式:
其中,t为tn时刻和tn+1时刻中间的时刻,t满足: 表示任意,tn+1表示第n+1次计算无人车控制输入量的时刻,tn表示第n次计算无人车控制输入量的时刻;/>表示tn时刻V(·)对时间的二阶导数;
D3,求解
D4,根据得到的计算更新无人车运动模型下一个控制输入量的时刻tn+1:
tn+1=tn+τclf
其中,τclf为简写形式,
D5,根据步骤D4计算得到的tn+1时刻,求解tn+1时刻二次规划问题,得到无人车最优控制输入量,将该控制输入量通过零阶保持器输入无人车运动模型中,并测量tn+1时刻系统模型中的状态值,返回步骤D1,将该状态值代入步骤D1中的V(t)继续执行,如此往复,直至无人车停止运行。
3.根据权利要求2所述的基于自触发机制的无人车轨迹跟踪控制方法,其特征在于,所述方法还包括:
在tn时刻和tn+1时刻中间的时刻,无人车运动模型的控制输入量均采用tn时刻所计算得到的控制输入量,即通过零阶保持器将tn时刻求解二次规划问题得到的无人车控制输入量保持到tn+1时刻。
4.一种基于自触发机制的无人车轨迹跟踪控制系统,其特征在于,包括:
第一构建模块,用于构建无人车运动模型;
第二构建模块,用于根据无人车运动模型的控制输入量及无人车与目标之间的位置偏差构建系统模型;
构造模块,用于根据构建的系统模型确定控制李雅普诺夫函数,通过控制李雅普诺夫函数构建无人车跟踪目标轨迹的硬约束条件,基于该硬约束条件构造二次规划问题;
求解模块,用于根据控制李雅普诺夫函数构建自触发机制,基于构建的自触发机制迭代求解二次规划问题以更新无人车运动模型下一个控制输入量的时刻及对应的无人车最优控制输入量;
其中,所述第一构建模块,具体用于将无人车本体坐标系作为参考坐标系,在惯性坐标系上,得到目标到无人车的旋转矩阵为:
其中,Rn表示目标到无人车的旋转矩阵,Φ表示无人车在惯性坐标系下与x轴正方向之间的夹角;
根据得到的目标到无人车的旋转矩阵,构建无人车运动模型;
其中,所述无人车运动模型表示为:
其中,u、r分别表示无人车的前进线速度和方向角速度,u、r组成无人车运动模型的控制输入量;分别代表无人车在惯性坐标系下x轴和y轴方向的速度,/>代表角速度;
其中,所述第二构建模块,具体用于确定无人车与目标之间的位置偏差为:
其中,(ex,ey,eΦ)表示无人车与目标之间在x轴方向的坐标偏差、y轴方向的坐标偏差和无人车与目标之间方向角偏差;(x,y,Φ)和(xtarget,ytarget,Φtarget)分别代表无人车和目标在惯性坐标系下的x轴方向的坐标,y轴方向的坐标和与x轴正方向之间的夹角;
将-ex,ey,作为系统模型的状态量,其中,/>表示为:
其中,为简写形式;α为正常数;π1为简写形式,/>
根据确定的无人车运动模型的控制输入量和系统模型的状态量,构建系统模型;
其中,所述系统模型表示为:
其中,表示无人车与目标之间方向角偏差对时间的一阶导数,/>和/>分别表示无人车与目标之间在x轴方向的坐标偏差和在y轴方向的坐标偏差对时间的一阶导数,f(eΦ,ey,ex)和g(eΦ,ey,ex)分别表示根据目标动态方程和无人车运动模型推导得到的参数为eΦ,ey和ex的表达式;
其中,所述构造模块,具体用于根据构建的系统模型,确定控制李雅普诺夫函数:
其中,V(t)表示控制李雅普诺夫函数,k1表示常数系数,ex(t)和ey(t)分别表示t时刻/>ex和ey的值;
根据确定的控制李雅普诺夫函数,构建无人车跟踪目标轨迹的硬约束条件:
其中,表示V(·)对时间的一阶导数,ε为正常数;
基于该硬约束条件构造二次规划问题:
其中,U*表示每次迭代求得的无人车最优控制输入,U表示u、r组成无人车运动模型的控制输入量;Hacc、Facc都表示根据实际选择的代价函数,Hacc为行列式,Facc为列向量,UT和分别代表U和Facc的矩阵转置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110969618.9A CN113778082B (zh) | 2021-08-23 | 2021-08-23 | 一种基于自触发机制的无人车轨迹跟踪控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110969618.9A CN113778082B (zh) | 2021-08-23 | 2021-08-23 | 一种基于自触发机制的无人车轨迹跟踪控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778082A CN113778082A (zh) | 2021-12-10 |
CN113778082B true CN113778082B (zh) | 2023-08-22 |
Family
ID=78838910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110969618.9A Active CN113778082B (zh) | 2021-08-23 | 2021-08-23 | 一种基于自触发机制的无人车轨迹跟踪控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778082B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114415723B (zh) * | 2022-01-11 | 2023-09-12 | 北京科技大学 | 一种多飞行器协同捕获空间划分方法和装置、电子设备 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2051151A1 (en) * | 2007-10-15 | 2009-04-22 | Saab Ab | Method and apparatus for generating at least one voted flight trajectory of a vehicle |
CN103810676A (zh) * | 2014-01-02 | 2014-05-21 | 北京科技大学 | 一种钢管运行速度的监测方法 |
CN108638068A (zh) * | 2018-05-18 | 2018-10-12 | 华南理工大学 | 一种携带冗余度机械臂的飞行机器人控制系统设计方法 |
CN108829137A (zh) * | 2018-05-23 | 2018-11-16 | 中国科学院深圳先进技术研究院 | 一种机器人目标追踪的避障方法及装置 |
CN110162046A (zh) * | 2019-05-21 | 2019-08-23 | 同济人工智能研究院(苏州)有限公司 | 基于事件触发型模型预测控制的无人车路径跟随方法 |
WO2019204296A1 (en) * | 2018-04-16 | 2019-10-24 | Ohio University | Obstacle avoidance guidance for ground vehicles |
CN110377039A (zh) * | 2019-07-26 | 2019-10-25 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
CN110647147A (zh) * | 2019-09-10 | 2020-01-03 | 青岛理工大学 | 基于灰狼算法优化pid的路径跟踪控制方法 |
CN110703763A (zh) * | 2019-11-05 | 2020-01-17 | 武汉理工大学 | 无人车路径跟踪及避障方法 |
CN111007848A (zh) * | 2019-12-03 | 2020-04-14 | 中国电子科技集团公司第二十八研究所 | 一种基于有界空间的多智能体协同作业控制方法 |
CN111506081A (zh) * | 2020-05-15 | 2020-08-07 | 中南大学 | 一种机器人轨迹跟踪方法、系统及存储介质 |
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 |
CN211529000U (zh) * | 2019-12-02 | 2020-09-18 | 北京科技大学 | 一种基于激光雷达和摄像头的无人驾驶小车 |
CN112666975A (zh) * | 2020-12-18 | 2021-04-16 | 中山大学 | 一种基于预测控制和屏障函数的无人机安全轨迹跟踪方法 |
CN112904849A (zh) * | 2021-01-18 | 2021-06-04 | 北京科技大学 | 一体式自动驾驶汽车换道轨迹规划和跟踪控制方法及系统 |
CN113110527A (zh) * | 2021-04-12 | 2021-07-13 | 大连海事大学 | 一种自主水下航行器有限时间路径跟踪的级联控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9989964B2 (en) * | 2016-11-03 | 2018-06-05 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling vehicle using neural network |
US10695911B2 (en) * | 2018-01-12 | 2020-06-30 | Futurewei Technologies, Inc. | Robot navigation and object tracking |
-
2021
- 2021-08-23 CN CN202110969618.9A patent/CN113778082B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2051151A1 (en) * | 2007-10-15 | 2009-04-22 | Saab Ab | Method and apparatus for generating at least one voted flight trajectory of a vehicle |
CN103810676A (zh) * | 2014-01-02 | 2014-05-21 | 北京科技大学 | 一种钢管运行速度的监测方法 |
WO2019204296A1 (en) * | 2018-04-16 | 2019-10-24 | Ohio University | Obstacle avoidance guidance for ground vehicles |
CN108638068A (zh) * | 2018-05-18 | 2018-10-12 | 华南理工大学 | 一种携带冗余度机械臂的飞行机器人控制系统设计方法 |
CN108829137A (zh) * | 2018-05-23 | 2018-11-16 | 中国科学院深圳先进技术研究院 | 一种机器人目标追踪的避障方法及装置 |
CN110162046A (zh) * | 2019-05-21 | 2019-08-23 | 同济人工智能研究院(苏州)有限公司 | 基于事件触发型模型预测控制的无人车路径跟随方法 |
CN110377039A (zh) * | 2019-07-26 | 2019-10-25 | 吉林大学 | 一种车辆避障轨迹规划与跟踪控制方法 |
CN110647147A (zh) * | 2019-09-10 | 2020-01-03 | 青岛理工大学 | 基于灰狼算法优化pid的路径跟踪控制方法 |
CN110703763A (zh) * | 2019-11-05 | 2020-01-17 | 武汉理工大学 | 无人车路径跟踪及避障方法 |
CN211529000U (zh) * | 2019-12-02 | 2020-09-18 | 北京科技大学 | 一种基于激光雷达和摄像头的无人驾驶小车 |
CN111007848A (zh) * | 2019-12-03 | 2020-04-14 | 中国电子科技集团公司第二十八研究所 | 一种基于有界空间的多智能体协同作业控制方法 |
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 |
CN111506081A (zh) * | 2020-05-15 | 2020-08-07 | 中南大学 | 一种机器人轨迹跟踪方法、系统及存储介质 |
CN112666975A (zh) * | 2020-12-18 | 2021-04-16 | 中山大学 | 一种基于预测控制和屏障函数的无人机安全轨迹跟踪方法 |
CN112904849A (zh) * | 2021-01-18 | 2021-06-04 | 北京科技大学 | 一体式自动驾驶汽车换道轨迹规划和跟踪控制方法及系统 |
CN113110527A (zh) * | 2021-04-12 | 2021-07-13 | 大连海事大学 | 一种自主水下航行器有限时间路径跟踪的级联控制方法 |
Non-Patent Citations (1)
Title |
---|
Finite-frequency fault detection for two-dimensional Fornasini–Marchesini dynamical systems;Ren, Y., Ding, D. W., & Li, Q;《International Journal of Systems Science》;第48卷(第12期);2610-2621 * |
Also Published As
Publication number | Publication date |
---|---|
CN113778082A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109669479B (zh) | 一种基于事件触发的移动机器人轨迹跟踪控制方法 | |
CN110398969A (zh) | 自动驾驶车辆自适应预测时域转向控制方法及装置 | |
CN113342037B (zh) | 具有输入饱和的多旋翼无人机时变编队控制方法及系统 | |
CN107563044B (zh) | 基于在线安全学习的四旋翼无人机路径跟踪控制方法 | |
Lin et al. | A gated recurrent unit-based particle filter for unmanned underwater vehicle state estimation | |
WO2020177267A1 (zh) | 四旋翼无人机的控制方法、装置、设备及可读介质 | |
CN112180925B (zh) | Agv轨迹跟随方法、装置及处理设备 | |
CN112947572B (zh) | 一种基于地形跟随的四旋翼飞行器自适应运动规划方法 | |
Ma et al. | An optimal control-based path planning method for unmanned surface vehicles in complex environments | |
WO2020000127A1 (zh) | 一种导航路径跟踪控制方法、设备、移动机器人及系统 | |
CN113778082B (zh) | 一种基于自触发机制的无人车轨迹跟踪控制方法及系统 | |
Wen et al. | Online planning for relative optimal and safe paths for USVs using a dual sampling domain reduction-based RRT* method | |
CN115686002A (zh) | 一种复杂海域下的水面无人艇路径跟踪控制方法 | |
CN114370793A (zh) | 一种火箭子级返回与垂直着陆制导方法 | |
CN115388899A (zh) | 基于变分贝叶斯的移动机器人视觉惯性融合slam方法 | |
Chen et al. | Cooperative tracking of vessel trajectories based on curved dynamic coordinates | |
CN114217603A (zh) | 一种多无人船编队安全优化控制系统 | |
US11977383B2 (en) | Intelligent course planning method and controller for unmanned surface vehicle | |
Li et al. | A warm-started trajectory planner for fixed-wing unmanned aerial vehicle formation | |
CN115542746B (zh) | 高超声速飞行器的能量管控再入制导方法及装置 | |
CN114943168B (zh) | 一种水上浮桥组合方法及系统 | |
CN115903842A (zh) | 一种多智能体编队控制方法、系统及电子设备 | |
CN113296515A (zh) | 一种双独立电驱动车辆显式模型预测路径跟踪方法 | |
Ru et al. | Multimodel predictive control approach for UAV formation flight | |
CN114727217A (zh) | 一种基于数据链通信的低成本双领队异构无人机编队协同定位方法 |
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 |