CN113884026A - 一种动态环境下无人碾压模型预测轮廓控制方法 - Google Patents

一种动态环境下无人碾压模型预测轮廓控制方法 Download PDF

Info

Publication number
CN113884026A
CN113884026A CN202111166845.4A CN202111166845A CN113884026A CN 113884026 A CN113884026 A CN 113884026A CN 202111166845 A CN202111166845 A CN 202111166845A CN 113884026 A CN113884026 A CN 113884026A
Authority
CN
China
Prior art keywords
dynamic
environment
model
collision
control
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
Application number
CN202111166845.4A
Other languages
English (en)
Other versions
CN113884026B (zh
Inventor
王佳俊
钟登华
吴斌平
关涛
余佳
李政
陈文龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202111166845.4A priority Critical patent/CN113884026B/zh
Publication of CN113884026A publication Critical patent/CN113884026A/zh
Application granted granted Critical
Publication of CN113884026B publication Critical patent/CN113884026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开动态环境下无人碾压模型预测轮廓控制技术，包括根据激光雷达、相机、毫米波雷达建立和更新当前静态、非结构环境的占位网格地图，生成与静态环境无碰撞的约束条件；根据识别的推土机、自卸汽车、装载机和人员，确定实时动态障碍物的位置与轮廓，引入与动态障碍物无碰撞的约束条件；基于碾压机运动学模型的模型预测轮廓控制方法，在考虑静态环境和动态障碍物引入的约束条件下，在线求解预测时域内的控制量序列，并让底层机构执行控制时域内的控制量；通过在每个时间间隔执行上述几个步骤，解决非结构动态环境下无人碾压机的控制问题。本发明根据前进、后退的不同状态，自主切换运动学模型，保证了模型预测轮廓控制的准确性。

Description

一种动态环境下无人碾压模型预测轮廓控制方法
技术领域
本发明属于自动化施工的技术领域，具体涉及一种动态环境下无人碾压模型预测轮廓控制方法。
背景技术
压实是用人力或机械力增加土石材料密度的过程，是高等级公路、铁路、机场跑道、大坝等大型工程填筑作业的关键环节。作为一种高效的工程机械，振动碾压机适用于大多数应用场合的压实作业，在土石坝建设中已广泛应用多年。在我国西南地区规划了一系列高土石坝，其施工条件较差，振动强烈、气候条件恶劣以及劳动力短缺等问题给压实作业带来巨大挑战。同时，重复的碾压工作存在劳动力密集、机械利用率不高等缺点。因此，近年来，无人碾压技术在大坝自动化施工领域开始研究并得到应用。
无人碾压的关键技术主要包括自身状态与环境感知、路径规划、轨迹跟踪控制等内容，它们共同决定了无人碾压机的任务执行质量。一般来说，轨迹跟踪控制是指根据路径规划结果和实时感知的无人碾压机状态来控制底层执行机构，使无人碾压机平滑、快速、准确地跟踪期望路径。实际上，由于施工场景的不断变化和场景中存在的动态障碍物，环境感知、路径规划和轨迹跟踪控制联系紧密。在一个时间间隔内，要先确定无人碾压机自身状态和周围环境，再依据感知模块的结果规划新的路径，进而通过控制算法达到自动控制的目的。随着人工智能、通信、自动控制等关键技术的发展，静态环境和动态障碍物的位置已经可以实时获取。
当前已有一些应用于无人碾压机的控制技术，包括模糊PID控制、自抗扰控制、基于李亚普洛夫稳定性原理设计的控制律等，但这些技术尚不足以解决复杂多变的施工场景下的控制问题。在路径规划中考虑避障问题，形成无碰撞的全局参考轨迹，但实际轨迹可能与参考轨迹存在较大差异，导致无法保证无人碾压机的安全。另一方面，它们只考虑了单一时刻或局部时段的误差来计算控制量，其控制量也不是最优的。此外，在自动驾驶领域，还存在一些端到端的控制方法，它们将图像作为输入，直接输出控制量，但由于缺乏明确的物理意义，参数难以调整，安全也无法得到保障。
发明内容
本发明的目的在于：针对现有技术的不足，提供一种动态环境下无人碾压模型预测轮廓控制方法，将复杂的动态环境分为静态环境和动态障碍物，分别引入无碰撞约束条件，确保了无人碾压的运行安全，增强了无人碾压技术对非结构动态环境的适用性。
为了实现上述目的，本发明采用如下技术方案：
一种动态环境下无人碾压模型预测轮廓控制方法，包括根据激光雷达、相机、毫米波雷达组成的实时感知模块，获取无人碾压机状态信息和周围环境信息；将静态的非结构环境用占位栅格地图表示，生成与静态环境无碰撞的约束条件；根据识别的推土机、自卸汽车、装载机和人员，确定实时动态障碍物的位置与轮廓，引入与动态障碍物无碰撞的约束条件；基于碾压机运动学模型的模型预测轮廓控制方法，在考虑静态环境和动态障碍物引入的约束条件下，在线求解预测时域内的控制量序列，并让底层机构执行控制时域内的控制量；通过在每个时间间隔执行更新静态环境和动态障碍物、生成静态环境和动态障碍物碰撞约束、求解模型预测轮廓控制量、底层机构执行控制量。
优选的，将静态环境和动态障碍物区分开，分别构建无碰撞的约束条件。
优选的，将无人铰接式碾压机的碰撞边界简化为一个圆，圆心位于铰接中心，半径大小为碾压机各部分至铰接中心距离的最大值。
优选的，将动态障碍物的碰撞边界简化为椭圆，并根据无人碾压机的碰撞边界和动态障碍物的椭圆碰撞边界无交集，引入动态障碍物的无碰撞约束条件。
优选的，基于碾压机运动学模型实现模型预测轮廓控制时，和无人碾压机前进和后退的运动学模型存在差异，将整个控制问题分解为前进和后退两种情况分别对待，并实现了两种情况的自主切换。
优选的，在模型预测轮廓控制中，包括静态环境和动态障碍物的无碰撞约束、执行机构范围约束以及执行速度约束。
本发明的有益效果在于，本发明包括根据激光雷达、相机、毫米波雷达组成的实时感知模块，获取无人碾压机状态信息和周围环境信息；将静态的非结构环境用占位栅格地图表示，生成与静态环境无碰撞的约束条件；根据识别的推土机、自卸汽车、装载机和人员，确定实时动态障碍物的位置与轮廓，引入与动态障碍物无碰撞的约束条件；基于碾压机运动学模型的模型预测轮廓控制方法，在考虑静态环境和动态障碍物引入的约束条件下，在线求解预测时域内的控制量序列，并让底层机构执行控制时域内的控制量；通过在每个时间间隔执行更新静态环境和动态障碍物、生成静态环境和动态障碍物碰撞约束、求解模型预测轮廓控制量、底层机构执行控制量。本发明针对复杂环境下无人碾压机的控制问题，提出基于模型预测轮廓控制控制无人碾压机，通过添加控制量约束，保证了控制量的可行性和最优性；将复杂的动态环境分为静态环境和动态障碍物，分别引入无碰撞约束条件，确保了无人碾压的运行安全，增强了无人碾压技术对非结构动态环境的适用性；将无人碾压控制问题转化为优化问题的过程物理意义明确，所以参数易于调整，并根据前进、后退的不同状态，自主切换运动学模型，使控制的更加准确。
附图说明
下面将参考附图来描述本发明示例性实施方式的特征、优点和技术效果。
图1为本发明的流程示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术效果。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
在发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
以下结合附图1对本发明作进一步详细说明，但不作为对本发明的限定。
本发明提供一种非结构动态环境下无人碾压模型预测轮廓控制技术，包括以下步骤：
根据激光雷达、相机、毫米波雷达等传感器组成的实时感知模块获取无人碾压机状态信息和周围环境信息；
将静态的非结构环境用占位栅格地图表示，生成与静态环境无碰撞的约束条件；
根据识别的推土机、自卸汽车、装载机等工程机械和人员，确定实时动态障碍物的位置与轮廓，引入与动态障碍物无碰撞的约束条件；
基于碾压机运动学模型的模型预测轮廓控制方法，在考虑静态环境和动态障碍物引入的约束条件下，在线求解预测时域内的控制量序列，并让底层机构执行控制时域内的控制量；
通过在每个时间间隔执行更新静态环境和动态障碍物、生成静态环境和动态障碍物碰撞约束、求解模型预测轮廓控制量、底层机构执行控制量等步骤实现无人碾压机的控制。
进一步地，由与静态环境无碰撞引入的约束条件，包括：
将静态的非结构环境用占位栅格地图表示，通过激光雷达、相机等更新占位栅格地图。由与静态环境无碰撞引入的约束条件为
Figure BDA0003291663670000051
其中，Δx、Δy为k时刻铰接中心的x、y坐标与离铰接中心最近的占位网格的x、y坐标的距离；rroller为铰接中心至碾压机各部分与铰接中心距离的最大值；zk为k时刻无人碾压机的状态变量，包括无人碾压机的位置、航向角和铰接角。
进一步地，2.由与动态障碍物无碰撞引入的约束条件，根据目标检测算法识别的推土机、自卸汽车、装载机等工程机械和人员，确定实时动态障碍物的位置与轮廓大小，并通过相邻时刻的障碍物位置估计其速度，引入与动态障碍物无碰撞的约束条件，包括：
将动态障碍物简化为椭圆，由与动态障碍物无碰撞引入的约束条件为
Figure BDA0003291663670000052
αj＝aj+vk jtsafe+dsafe
βj＝b+dsafe
其中，Δxk j、Δyk j为k时刻铰接中心的x、y坐标与第j个动态障碍物的x、y坐标的距离；R(ψ)为由动态障碍物航向确定的旋转矩阵；aj、bj分别为障碍物椭圆的长、短半轴；
Figure BDA0003291663670000053
为第j个动态障碍物的速度；tsafe为预留的安全避障时间；dsafe为最小安全距离。
进一步地，模型预测轮廓控制，根据无人碾压机的运动学模型，分别确定前进、后退状态下的状态转移方程
zk+1＝ffront(zk,uk)
zk+1＝fback(zk,uk)
其中，uk为k时刻的控制量，ffront、fback分别为前进、后退的状态转移函数。
控制的目标为以较小的控制量跟踪路径规划得到的全局参考轨迹，同时尽可能远的避开动态障碍物。因此，目标函数为
Figure BDA0003291663670000061
其中，zref,k为参考轨迹在k时刻的状态；Qz为状态偏差的权重矩阵；Qu为控制量的权重矩阵；Qo为与障碍物距离的权重矩阵；N为k时刻的动态障碍物数量。
进一步地，基于模型预测轮廓控制控制无人碾压机，具体为，无人碾压机的控制问题转化为以下优化问题
Figure BDA0003291663670000062
Figure BDA0003291663670000063
其中，Z为容许的状态量空间；U为容许的控制量空间。
通过在每个控制时间间隔求解上述优化问题，得到无碰撞、优化后的控制量序列，让底层机构执行控制量控制时域内的控制量，实现复杂环境下的无人碾压机控制。
根据上述说明书的揭示和教导，本发明所属领域的技术人员还能够对上述实施方式进行变更和修改。因此，本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。

Claims (6)

1.一种动态环境下无人碾压模型预测轮廓控制方法，其特征在于，包括：
根据激光雷达、相机、毫米波雷达组成的实时感知模块，获取无人碾压机状态信息和周围环境信息；
将静态的非结构环境用占位栅格地图表示，生成与静态环境无碰撞的约束条件；
根据识别的推土机、自卸汽车、装载机和人员，确定实时动态障碍物的位置与轮廓，引入与动态障碍物无碰撞的约束条件；
基于碾压机运动学模型的模型预测轮廓控制方法，在考虑静态环境和动态障碍物引入的约束条件下，在线求解预测时域内的控制量序列，并让底层机构执行控制时域内的控制量；
通过在每个时间间隔执行更新静态环境和动态障碍物、生成静态环境和动态障碍物碰撞约束、求解模型预测轮廓控制量、底层机构执行控制量。
2.如权利要求1所述的一种动态环境下无人碾压模型预测轮廓控制方法，其特征在于：将静态环境和动态障碍物区分开，分别构建无碰撞的约束条件。
3.如权利要求1所述的一种动态环境下无人碾压模型预测轮廓控制方法，其特征在于：将无人铰接式碾压机的碰撞边界简化为一个圆，圆心位于铰接中心，半径大小为碾压机各部分至铰接中心距离的最大值。
4.如权利要求1所述的一种动态环境下无人碾压模型预测轮廓控制方法，其特征在于：将动态障碍物的碰撞边界简化为椭圆，并根据无人碾压机的碰撞边界和动态障碍物的椭圆碰撞边界无交集，引入动态障碍物的无碰撞约束条件。
5.如权利要求1所述的一种动态环境下无人碾压模型预测轮廓控制方法，其特征在于：基于碾压机运动学模型实现模型预测轮廓控制时，和无人碾压机前进和后退的运动学模型存在差异，将整个控制问题分解为前进和后退两种情况分别对待，并实现了两种情况的自主切换。
6.如权利要求1所述的一种动态环境下无人碾压模型预测轮廓控制方法，其特征在于：在模型预测轮廓控制中，包括静态环境和动态障碍物的无碰撞约束、执行机构范围约束以及执行速度约束。
CN202111166845.4A 2021-09-30 2021-09-30 一种动态环境下无人碾压模型预测轮廓控制方法 Active CN113884026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111166845.4A CN113884026B (zh) 2021-09-30 2021-09-30 一种动态环境下无人碾压模型预测轮廓控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111166845.4A CN113884026B (zh) 2021-09-30 2021-09-30 一种动态环境下无人碾压模型预测轮廓控制方法

Publications (2)

Publication Number Publication Date
CN113884026A true CN113884026A (zh) 2022-01-04
CN113884026B CN113884026B (zh) 2022-12-30

Family

ID=79005239

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111166845.4A Active CN113884026B (zh) 2021-09-30 2021-09-30 一种动态环境下无人碾压模型预测轮廓控制方法

Country Status (1)

Country Link
CN (1) CN113884026B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009055956A1 (de) * 2009-11-27 2011-06-01 Fachhochschule Kaiserslautern Verfahren und Vorrichtung zur Vermeidung oder Verringerung des Verletzungsrisikos für die Fahrzeuginsassen bei einem Auffahrunfall
CN103995984A (zh) * 2014-06-09 2014-08-20 武汉科技大学 一种基于椭圆约束的机器人路径规划方法和装置
US20160187880A1 (en) * 2014-12-25 2016-06-30 Automotive Research & Testing Center Driving control system and dynamic decision control method thereof
CN207198663U (zh) * 2017-09-30 2018-04-06 徐工集团工程机械股份有限公司 压路机及压路机控制系统
CN109508003A (zh) * 2018-12-05 2019-03-22 徐工集团工程机械股份有限公司 一种无人驾驶道路机械机群动态避让方法
CN109542105A (zh) * 2018-12-28 2019-03-29 北京龙马智行科技有限公司 一种路基路面智能无人碾压系统
CN109597404A (zh) * 2017-09-30 2019-04-09 徐工集团工程机械股份有限公司 压路机及其控制器、控制方法和系统
CN110561417A (zh) * 2019-08-05 2019-12-13 华中科技大学 一种多智能体无碰撞轨迹规划方法
CN111445170A (zh) * 2020-04-30 2020-07-24 天津大学 一种无人碾压机群自主作业系统及方法
CN112015176A (zh) * 2020-08-14 2020-12-01 合肥工业大学 一种无人驾驶拖拉机田间作业路径规划方法和装置
CN112051817A (zh) * 2020-09-04 2020-12-08 天津大学 一种土石坝智能摊铺监控系统及其监控方法
US20210114625A1 (en) * 2019-10-18 2021-04-22 WeRide Corp. System and method for autonomous collision avoidance

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009055956A1 (de) * 2009-11-27 2011-06-01 Fachhochschule Kaiserslautern Verfahren und Vorrichtung zur Vermeidung oder Verringerung des Verletzungsrisikos für die Fahrzeuginsassen bei einem Auffahrunfall
CN103995984A (zh) * 2014-06-09 2014-08-20 武汉科技大学 一种基于椭圆约束的机器人路径规划方法和装置
US20160187880A1 (en) * 2014-12-25 2016-06-30 Automotive Research & Testing Center Driving control system and dynamic decision control method thereof
CN207198663U (zh) * 2017-09-30 2018-04-06 徐工集团工程机械股份有限公司 压路机及压路机控制系统
CN109597404A (zh) * 2017-09-30 2019-04-09 徐工集团工程机械股份有限公司 压路机及其控制器、控制方法和系统
CN109508003A (zh) * 2018-12-05 2019-03-22 徐工集团工程机械股份有限公司 一种无人驾驶道路机械机群动态避让方法
CN109542105A (zh) * 2018-12-28 2019-03-29 北京龙马智行科技有限公司 一种路基路面智能无人碾压系统
CN110561417A (zh) * 2019-08-05 2019-12-13 华中科技大学 一种多智能体无碰撞轨迹规划方法
US20210114625A1 (en) * 2019-10-18 2021-04-22 WeRide Corp. System and method for autonomous collision avoidance
CN111445170A (zh) * 2020-04-30 2020-07-24 天津大学 一种无人碾压机群自主作业系统及方法
CN112015176A (zh) * 2020-08-14 2020-12-01 合肥工业大学 一种无人驾驶拖拉机田间作业路径规划方法和装置
CN112051817A (zh) * 2020-09-04 2020-12-08 天津大学 一种土石坝智能摊铺监控系统及其监控方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JIAJUN WANG等: "Evaluation of Compaction Quality Based on SVR with CFA:Case Study on Compaction Quality of Earth-Rock Dam", 《J. COMPUT. CIV. ENG.》 *

Also Published As

Publication number Publication date
CN113884026B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
JP6972392B2 (ja) 自律走行シミュレーションのための時間伸縮法
CN109375632B (zh) 自动驾驶车辆实时轨迹规划方法
Gao et al. Parallel end-to-end autonomous mining: An IoT-oriented approach
CN107798861A (zh) 一种车辆协作式编队行驶方法及系统
CN112498366A (zh) 自动驾驶车辆、控制方法、装置、设备及存储介质
CN110304074A (zh) 一种基于分层状态机的混合式驾驶方法
CN110568841A (zh) 一种自动驾驶决策方法及系统
CN116134292A (zh) 用于性能测试和/或训练自动驾驶车辆规划器的工具
Zhang et al. Collision avoidance predictive motion planning based on integrated perception and V2V communication
CN109460042A (zh) 一种自动驾驶控制方法及系统
CN106371439A (zh) 一种统一的自动驾驶横向规划方法与系统
CN114997359B (zh) 一种基于仿生机器狗的堤防险情巡查成套技术装备
CN112896185A (zh) 一种面向车路协同的智能驾驶行为决策规划方法及系统
Muzahid et al. Deep reinforcement learning-based driving strategy for avoidance of chain collisions and its safety efficiency analysis in autonomous vehicles
CN113419521A (zh) 一种自动驾驶车辆局部避障路径的规划及跟踪方法
Liu et al. The robustly-safe automated driving system for enhanced active safety
Wang et al. Remote control system based on the Internet and machine vision for tracked vehicles
CN113884026B (zh) 一种动态环境下无人碾压模型预测轮廓控制方法
Pechinger et al. Benefit of smart infrastructure on urban automated driving-using an av testing framework
Jugade et al. Sensor based prediction of human driving decisions using feed forward neural networks for intelligent vehicles
CN116394979A (zh) 一种基于路侧融合感知的自动驾驶决策控制方法
Zhou Research on Automatic Driving Vehicle Auxiliary System Based on Computer intelligent Network
Cremean et al. Alice: An information-rich autonomous vehicle for high-speed desert navigation
YU et al. Vehicle Intelligent Driving Technology
Guériau Self-organizing traffic based on dynamic platoon configuration

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