CN113815602B - 一种车辆横向自适应控制方法 - Google Patents
一种车辆横向自适应控制方法 Download PDFInfo
- Publication number
- CN113815602B CN113815602B CN202110815026.1A CN202110815026A CN113815602B CN 113815602 B CN113815602 B CN 113815602B CN 202110815026 A CN202110815026 A CN 202110815026A CN 113815602 B CN113815602 B CN 113815602B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- algorithm
- control
- lqr
- mpc
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 230000007704 transition Effects 0.000 claims abstract description 11
- 238000005096 rolling process Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 19
- 239000000725 suspension Substances 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/02—Control of vehicle driving stability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Transportation (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mechanical Engineering (AREA)
- Vehicle Body Suspensions (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供了一种车辆横向自适应控制方法,其利用有限状态机根据车速及状态转移时间间隔,实现了在不同控制算法之间的轮换,由于不同算法能够工作和取得最佳控制效果的速度区间不同,因此这种轮换控制方式足以保证车辆在全速度区间上控制器的稳定;上述LQR‑MPC联合控制算法对应的速度控制区间,一方面利用了MPC的预测作用,一方面利用LQR在各点的线性化避免滚动优化的过长计算耗时,可以取得较好的控制效果,同时减少计算资源的占用。
Description
技术领域
本发明涉及车辆自动驾驶和轨迹追踪领域,尤其是涉及结合多种控制算法混合实现车辆横向自适应控制的方法。
背景技术
车辆的横向控制一般是指在固定的纵向车速下,使车辆稳定追踪所设定的轨迹。当前主流的控制方法有Purepursuit、LQR、MPC、模糊控制以及神经网络控制算法等。一般而言,车辆的纵向控制主要使用自适应巡航控制保持恒定车速,而在车速增大时,往往会导致控制算法失效的情况发生。上述算法中,如Purepursuit算法利用车辆的三自由度线性运动学模型,通过寻找追踪轨迹上的预瞄点,选择前轮转角,从而令未来弧线轨迹经过预瞄点,实现追踪。由于算法的输入量是前轮偏转量而不是偏转变化量,在实际使用中的输入变化非常陡峭时,必须对输入变化速率和输入最大值进行约束。因此Purepursuit算法在高速情况下,控制效果与实际车辆动力学会严重不符,且输入过于陡峭还会使转向轮无法追踪,也容易发生失效。LQR算法利用车辆二自由度线性动力学模型,在每一个状态点计算出反馈矩阵和前馈量,从而生成控制量,但由于LQR算法没有预测功能,当待追踪轨迹曲率过大或者车速过高时,也会偏离轨迹并发生失效。MPC算法利用车辆二自由度线性动力学模型或者非线性动力学模型,能够预测未来一段时间内的轨迹变化,同时对输入控制量和输出量的变化值进行约束,因此控制曲线非常光滑,具有最好的控制效果,但是由于滚动窗口优化对计算机资源消耗大,因此计算时间长。
发明内容
针对上述本领域中所存在的技术问题,本发明提供了一种车辆横向自适应控制方法,结合不同控制算法的优点来克服部分方法容易失效、效率较低的问题,该方法包括以下步骤:
步骤一、测量获取目标车辆的前后悬长度、整车长度、整车质量、质心位置、轮胎参数、轴距以及轮距数据,并在侧向加速度ay≤0.4g下,利用魔术公式求得车辆前后轮的侧偏刚度Ccf与Ccr和前后轮纵向刚度Clf,Clr,其中下标f和r分别表示前后轮;
步骤二、利用步骤一所获取的车辆数据,针对目标车辆分别设置Purepursuit算法的前视距离和前视系数等参数,以及LQR与MPC控制器算法相应的状态转移矩阵,使各算法在各自对应的车速范围内保持稳定;
步骤三、通过车速传感器获取每一控制周期内的车身坐标系下的纵向车速Vx,并记录相邻两次发生从一种算法转换到另一种算法的状态转移触发时间间隔delta_t,以这两个参数的以下阈值条件作为准则切换不同算法来执行横向控制:
若Vx≤10m/s,且delta_t>2s,则执行Purepursuit算法;
若10m/s<Vx<=16m/s,且delta_t>2s,则执行LQR算法;
若16m/s<Vx<=20m/s,且delta_t>2s,则执行LQR-MPC联合算法;
若20m/s<Vx,且delta_t>2s,则执行MPC算法。
进一步地,执行Purepursuit算法具体包括以下步骤:
首先根据测得的当前纵向车速与位姿,在行车轨迹上寻找距离当前位置最近的一点作为预瞄点,并确定当前位置至预瞄点之间的预瞄长度:
Lf=kVx+Lfc
式中,Lf、k、Vx、Lfc分别为预瞄距离、前视系数、纵向车速、前视距离;设预瞄点坐标为(x0,y0),当前位姿即位置坐标与姿态角为则该预瞄点与车辆当前行驶方向的夹角为:
输出满足相应约束的前轮偏转角δf:
|δf|<δmax
其中,L为前后轴距,上标·与下标max表示相应参数的导数与最大值约束。
进一步地,执行LQR算法具体包括以下步骤:
针对目标车辆建立二自由度线性动力学的误差方程,在此方程中表示纵向车速:
式中,m、Iz、a、b分别为车辆的质量、横向转动惯量、前悬长度、后悬长度,Ccf、Ccr、Clf、Clr分别为前后车轮侧偏刚度和纵向刚度;定义R是此时的路面曲率半径;定义/>R是此时的路面曲率半径;定义e1、e2如下:
e1:车辆当前位置到预瞄点的横向距离,左手为正,右手为负;
e2:车辆航向角和轨迹在预瞄点上的航向偏差;
执行以下控制律并输出前轮偏转角:
δf=-Kx+δff
其中,Q,S,N为下述优化问题的权重矩阵:
P为满足以下方程的解:
进一步地,执行LQR-MPC联合算法具体包括以下步骤:
获取当前时刻的前轮偏转角作为初始控制量:udyn=δf,t-1,单位rad;构造车辆的线性时变模型:
Adyn(k)=I+TAk,t
Bdyn(k)=TBk,t
式中,ξ为由车身横向车速纵向车速/>摆角φ,角速度/>惯性坐标下坐标位置(X,Y)构成的状态向量ξdyn,T为MPC算法的时间步长,k为某特定时刻,Ix为纵向转动惯量,下标t为某个控制周期,I为单位矩阵;采取增量约束的方法设计控制器,针对每个控制周期求解以下问题:
w.r.t
ΔUmin≤ΔU(k)≤ΔUmax,k=t,...,t+Hc-1
Ymin-ε<=ψtξ(t|t)+ΘΔU(t)≤Ymax+ε
ε>0
其中,△U为控制时域的控制量增量,也即前轮偏转角的增量;ε为二次优化问题的松弛因子,ε>0;矩阵Ht,Gt,Hc,U,Y,ψt,Θ则是通过将将动力学约束转化为二次优化系数矩阵得到;
求得各周期的控制量增量的解为:
由线性时变模型dynamics_function求出向后几个时刻的状态量:
接下来令LQR控制器在预测的几个未来时间节点内线性化:
[Kt+1,Kt+2...,Kt+Nc]=LQR_controller([ξt+1,ξt+2...,ξt+Nc])
其中,K为LQR控制器的反馈矩阵;
在未来Nc个控制周期内,激活LQR控制器,并使用事先已经得到的系数矩阵,输出为:
δf=-Kx+δff
当未来Nc个时间节点追踪完毕后,再重新进入上述循环。
进一步地,执行MPC算法具体包括以下步骤:
采用与前述LQR-MPC联合算法相同的初始控制量及线性时变模型来求得控制时域的控制量增量:
选取得到的第一个控制量作为MPC控制器的输出,并且在随后的周期中不断滚动优化前轮偏转角:
上述本发明所提供的方法,利用有限状态机根据车速及状态转移时间间隔,实现了在不同控制算法之间的轮换,由于不同算法能够工作和取得最佳控制效果的速度区间不同,因此这种轮换控制方式足以保证车辆在全速度区间上控制器的稳定;上述LQR-MPC联合控制算法对应的速度控制区间,一方面利用了MPC的预测作用,一方面利用LQR在各点的线性化避免滚动优化的过长计算耗时,可以取得较好的控制效果,同时减少计算资源的占用。可见,本发明的方法与现有技术相比至少具有以下有益效果:
(1)该方法利用有限状态机,扩大了控制器有效的工作车速范围,在降低计算耗时的前提下保证了控制品质。
(2)该方法中的MLQR-MPC混合控制策略,避免了滚动优化同时利用了MPC控制器的预测特性和LQR控制器的前馈反馈控制特性。
附图说明
图1本发明所提供方法对应的系统模型框图;
图2有本发明限状态机模型。
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。
本发明所提供的车辆横向自适应控制方法,如图1所示,具体包括以下步骤:
步骤一、测量获取目标车辆的前后悬长度、整车长度、整车质量、质心位置、轮胎参数、轴距以及轮距数据,并在侧向加速度ay≤0.4g下,利用魔术公式求得车辆前后轮的侧偏刚度Ccf与Ccr和前后轮纵向刚度Clf,Clr,其中下标f和r分别表示前后轮;
步骤二、利用步骤一所获取的车辆数据,针对目标车辆分别设置Purepursuit算法的前视距离和前视系数等参数,以及LQR与MPC控制器算法相应的状态转移矩阵,使各算法在各自对应的车速范围内保持稳定;
步骤三、通过车速传感器获取每一控制周期内的车身坐标系下的纵向车速Vx,并记录相邻两次发生从一种算法转换到另一种算法的状态转移触发时间间隔delta_t,以这两个参数的以下阈值条件作为准则,通过如图2所示的有限状态机的方式切换不同算法来执行横向控制:
若Vx≤10m/s,且delta_t>2s,则执行Purepursuit算法;
若10m/s<Vx<=16m/s,且delta_t>2s,则执行LQR算法;
若16m/s<Vx<=20m/s,且delta_t>2s,则执行LQR-MPC联合算法;
若20m/s<Vx,且delta_t>2s,则执行MPC算法。
在图2中,符号vel表示与纵向车速Vx相同的含义。
本领域技术人员应当知晓,在上述本发明的教导下如何选择执行Purepursuit算法、LQR算法、LQR-MPC算法以及MPC算法的具体形式与过程并不是唯一的,以下提供的具体过程仅是优选的实施方式,而并不应认为对本发明的权利要求保护范围构成了限制。事实上,本领域技术人员通过其他多样的算法流程均能够有效解决本发明所面对的技术问题。
在本发明的一个优选实施方式中,执行Purepursuit算法具体包括以下步骤:
首先根据测得的当前纵向车速与位姿,在行车轨迹上寻找距离当前位置最近的一点作为预瞄点,并确定当前位置至预瞄点之间的预瞄长度:
Lf=kVx+Lfc
式中,Lf、k、Vx、Lfc分别为预瞄距离、前视系数、纵向车速、前视距离;设预瞄点坐标为(x0,y0),当前位姿即位置坐标与姿态角为则该预瞄点与车辆当前行驶方向的夹角为:
输出满足相应约束的前轮偏转角δf:
|δf|<δmax
其中,L为前后轴距,上标·与下标max表示相应参数的导数与最大值约束。
在本发明的一个优选实施方式中,执行LQR算法具体包括以下步骤:
针对目标车辆建立二自由度线性动力学的误差方程,在此方程中表示纵向车速:
式中,m、Iz、a、b分别为车辆的质量、横向转动惯量、前悬长度、后悬长度,Ccf、Ccr、Clf、Clr分别为前后车轮侧偏刚度和纵向刚度;定义R是此时的路面曲率半径;定义e1、e2如下:
e1:车辆当前位置到预瞄点的横向距离,左手为正,右手为负;
e2:车辆航向角和轨迹在预瞄点上的航向偏差;
执行以下控制律并输出前轮偏转角:
δf=-Kx+δff
其中,Q,S,N为下述优化问题的权重矩阵:
P为满足以下方程的解:
在本发明的一个优选实施方式中,执行LQR-MPC联合算法具体包括以下步骤:
获取当前时刻的前轮偏转角作为初始控制量:udyn=δf,t-1,单位rad;构造车辆的线性时变模型:
Adyn(k)=I+TAk,t
Bdyn(k)=TBk,t
式中,ξ为由车身横向车速纵向车速/>摆角φ,角速度/>惯性坐标下坐标位置(X,Y)构成的状态向量ξdyn,T为MPC算法的时间步长,k为某特定时刻,Ix为纵向转动惯量,下标t为某个控制周期,I为单位矩阵;采取增量约束的方法设计控制器,在各控制周期△U为控制时域的控制量增量,也即前轮偏转角的增量,辆的空间横向和纵向位置以及摆角作为被控量,具体地在一优选实施方式中,设定:
U=[udyn(t) udyn(t+1) ... udyn(t+Nc)]T
ΔUt=[Δudyn(t|t) Δudyn(t+1|t) ... Δudyn(t+Nc|t)]T
Y(t)=[η(t+1|t) η(t+1|t) ... η(t+Np|t)]T
设Q(3X3),R(1X1)为权重矩阵,ρ>0为权重系数,于是:
定义E(t)矩阵为跟踪时域内的误差矩阵,在每个控制周期内求出。取矩阵如下:
Gt=[2E(t)TQΘt 0]
然后求解下列问题:
w.r.t
ΔUmin≤ΔU(k)≤ΔUmax,k=t,...,t+Hc-1
Ymin-ε<=ψtξ(t|t)+ΘΔU(t)≤Ymax+ε
ε>0
求得各周期的控制量增量的解为:
由线性时变模型dynamics_function求出向后几个时刻的状态量:
接下来令LQR控制器在预测的几个未来时间节点内线性化:
[Kt+1,Kt+2...,Kt+Nc]=LQR_controller([ξt+1,ξt+2...,ξt+Nc])
其中,K为LQR控制器的反馈矩阵;在未来Nc个控制周期内,激活LQR控制器,并使用事先已经得到的系数矩阵,输出为:
δf=-Kx+δff
/>
当未来Nc个时间节点追踪完毕后,再重新进入上述循环。
进一步地,执行MPC算法具体包括以下步骤:
采用与前述LQR-MPC联合算法相同的初始控制量及线性时变模型来求得控制时域的控制量增量:
选取得到的第一个控制量作为MPC控制器的输出,并且在随后的周期中不断滚动优化前轮偏转角:
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 (4)
1.一种车辆横向自适应控制方法,其特征在于:包括以下步骤:
步骤一、测量获取目标车辆的前后悬长度、整车长度、整车质量、质心位置、轮胎参数、轴距以及轮距数据,并在侧向加速度ay≤0.4g下,利用魔术公式求得车辆前后轮的侧偏刚度Ccf与Ccr和前后轮纵向刚度Clf,Clr,其中下标f和r分别表示前后轮;
步骤二、利用步骤一所获取的车辆数据,针对目标车辆分别设置Purepursuit算法的前视距离和前视系数参数,以及LQR与MPC控制器算法相应的状态转移矩阵,使各算法在各自对应的车速范围内保持稳定;执行Purepursuit算法具体包括以下步骤:
首先根据测得的当前纵向车速与位姿,在行车轨迹上寻找距离当前位置最近的一点作为预瞄点,并确定当前位置至预瞄点之间的预瞄长度:
Lf=kVx+Lfc
式中,Lf、k、Vx、Lfc分别为预瞄距离、前视系数、纵向车速、前视距离;设预瞄点坐标为(x0,y0),当前位姿即位置坐标与姿态角为则该预瞄点与车辆当前行驶方向的夹角为:
输出满足相应约束的前轮偏转角δf:
|δf|<δmax
其中,L为前后轴距,上标·与下标max表示相应参数的导数与最大值约束;
步骤三、通过车速传感器获取每一控制周期内的车身坐标系下的纵向车速Vx,并记录相邻两次发生从一种算法转换到另一种算法的状态转移触发时间间隔delta_t,以这两个参数的以下阈值条件作为准则切换不同算法来执行横向控制:
若Vx≤10m/s,且delta_t>2s,则执行Purepursuit算法;
若10m/s<Vx<=16m/s,且delta_t>2s,则执行LQR算法;
若16m/s<Vx<=20m/s,且delta_t>2s,则执行LQR-MPC联合算法;
若20m/s<Vx,且delta_t>2s,则执行MPC算法。
2.如权利要求1所述的方法,其特征在于:执行LQR算法具体包括以下步骤:
针对目标车辆建立二自由度线性动力学的误差方程,在此方程中表示纵向车速:
式中,m、Iz、a、b分别为车辆的质量、横向转动惯量、前悬长度、后悬长度,Ccf、Ccr、Clf、Clr分别为前后车轮侧偏刚度和纵向刚度;定义R是此时的路面曲率半径;定义e1、e2如下:
e1:车辆当前位置到预瞄点的横向距离,左手为正,右手为负;
e2:车辆航向角和轨迹在预瞄点上的航向偏差;
执行以下控制律并输出前轮偏转角:
δf=-Kx+δff
其中,Q、S、N为下述优化问题的权重矩阵:
u表示控制量;
P为满足以下方程的解:
3.如权利要求2所述的方法,其特征在于:执行LQR-MPC联合算法具体包括以下步骤:
获取当前时刻的前轮偏转角作为初始控制量:udyn=δf,t-1,单位rad;构造车辆的线性时变模型:
Adyn(k)=I+TAk,t
Bdyn(k)=TBk,t
式中,ξ为由车身横向车速纵向车速/>摆角φ,角速度/>惯性坐标下坐标位置(X,Y)构成的状态向量ξdyn,T为MPC算法的时间步长,k为某特定时刻,Ix为纵向转动惯量,下标t为某个控制周期,I为单位矩阵;采取增量约束的方法设计控制器,针对每个控制周期求解以下问题:
w.r.t
ΔUmin≤ΔU(k)≤ΔUmax,k=t,...,t+Hc-1
Ymin-ε<=ψtξ(t|t)+ΘΔU(t)≤Ymax+ε
ε>0
其中,△U为控制时域的控制量增量,也即前轮偏转角的增量,ε为二次优化问题的松弛因子,ε>0;矩阵Ht,Gt,Hc,U,Y,ψt,Θ均是通过将将动力学约束转化为二次优化系数矩阵得到;
求得各周期的控制量增量的解为:
由线性时变模型dynamics_function求出向后几个时刻的状态量:
接下来令LQR控制器在预测的几个未来时间节点内线性化:
[Kt+1,Kt+2...,Kt+Nc]=LQR_controller([ξt+1,ξt+2...,ξt+Nc])
其中,K为LQR控制器的反馈矩阵;在未来Nc个控制周期内,激活LQR控制器,并使用事先已经得到的系数矩阵,输出为:
δf=-Kx+δff
当未来Nc个时间节点追踪完毕后,再重新进入上述循环。
4.如权利要求3所述的方法,其特征在于:执行MPC算法具体包括以下步骤:
采用与前述LQR-MPC联合算法相同的初始控制量及线性时变模型来求得控制时域的控制量增量:
选取得到的第一个控制量作为MPC控制器的输出,并且在随后的周期中不断滚动优化前轮偏转角:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815026.1A CN113815602B (zh) | 2021-07-19 | 2021-07-19 | 一种车辆横向自适应控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110815026.1A CN113815602B (zh) | 2021-07-19 | 2021-07-19 | 一种车辆横向自适应控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113815602A CN113815602A (zh) | 2021-12-21 |
CN113815602B true CN113815602B (zh) | 2023-10-24 |
Family
ID=78912698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110815026.1A Active CN113815602B (zh) | 2021-07-19 | 2021-07-19 | 一种车辆横向自适应控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113815602B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116811841B (zh) * | 2023-08-31 | 2023-11-10 | 江西科技学院 | 一种车辆控制方法、系统、计算机及可读存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104960520A (zh) * | 2015-07-16 | 2015-10-07 | 北京工业大学 | 基于Pure Pursuit算法的预瞄点确定方法 |
CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
CN107024866A (zh) * | 2017-05-26 | 2017-08-08 | 江苏大学 | 一种基于车速分区的多模型横向模糊控制方法 |
CN109343522A (zh) * | 2018-09-27 | 2019-02-15 | 中山大学 | 一种基于Pure Pursuit改良的智能车辆路径跟踪方法 |
CN110568758A (zh) * | 2019-09-12 | 2019-12-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN111055837A (zh) * | 2019-11-28 | 2020-04-24 | 广东工业大学 | 一种基于启发式算法的车辆横向稳定性控制方法 |
CN113031443A (zh) * | 2021-03-04 | 2021-06-25 | 北京理工大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9796421B1 (en) * | 2016-04-07 | 2017-10-24 | GM Global Technology Operations LLC | Autonomous vehicle lateral control for path tracking and stability |
-
2021
- 2021-07-19 CN CN202110815026.1A patent/CN113815602B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104960520A (zh) * | 2015-07-16 | 2015-10-07 | 北京工业大学 | 基于Pure Pursuit算法的预瞄点确定方法 |
CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
CN107024866A (zh) * | 2017-05-26 | 2017-08-08 | 江苏大学 | 一种基于车速分区的多模型横向模糊控制方法 |
CN109343522A (zh) * | 2018-09-27 | 2019-02-15 | 中山大学 | 一种基于Pure Pursuit改良的智能车辆路径跟踪方法 |
CN110568758A (zh) * | 2019-09-12 | 2019-12-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN111055837A (zh) * | 2019-11-28 | 2020-04-24 | 广东工业大学 | 一种基于启发式算法的车辆横向稳定性控制方法 |
CN113031443A (zh) * | 2021-03-04 | 2021-06-25 | 北京理工大学 | 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 |
Non-Patent Citations (1)
Title |
---|
智能车辆路径跟踪横向混合控制器设计;杨阳阳;何志刚;汪若尘;陈龙;;重庆理工大学学报(自然科学)(11);8-14 * |
Also Published As
Publication number | Publication date |
---|---|
CN113815602A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109849899B (zh) | 一种电动轮汽车电液复合车身稳定控制系统及方法 | |
CN110377039B (zh) | 一种车辆避障轨迹规划与跟踪控制方法 | |
CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
CN113320542B (zh) | 一种自动驾驶车辆的跟踪控制方法 | |
CN107992681B (zh) | 一种电动汽车主动前轮转向系统的复合控制方法 | |
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 | |
CN112109732A (zh) | 一种智能驾驶自适应曲线预瞄方法 | |
CN113753080A (zh) | 一种自动驾驶汽车横向运动自适应参数控制方法 | |
CN113408062A (zh) | 自动驾驶全工况路面自适应mpc轨迹跟踪控制及评价方法 | |
CN109017446B (zh) | 期待路径车辆纵向速度追踪控制方法及装置 | |
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 | |
CN111679575A (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
CN113815602B (zh) | 一种车辆横向自适应控制方法 | |
CN113031443A (zh) | 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 | |
CN113911106A (zh) | 基于博弈论的商用车横向轨迹跟随与稳定性协同控制方法 | |
CN115598983A (zh) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 | |
CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
Zhang et al. | Path Tracking Control Algorithm Considering Delay Compensation | |
CN113311698B (zh) | 车道保持控制方法、控制装置和车辆 | |
Huang et al. | Cascade optimization control of unmanned vehicle path tracking under harsh driving conditions | |
CHEN et al. | A review of autonomous vehicle path tracking algorithm research | |
CN116424353B (zh) | 一种基于分布式汽车的线控底盘子系统协调控制策略 | |
CN113954833B (zh) | 一种全电驱分布式无人车路径跟踪与稳定性协调控制方法 | |
Ma et al. | Longitudinal-vertical integrated sliding mode controller for distributed electric vehicles | |
CN117962866A (zh) | 一种面向纵横垂协同控制的车辆运动控制方法 |
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 |