CN113900438B - 无人车路径跟踪控制方法、装置、计算机设备和存储介质 - Google Patents
无人车路径跟踪控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113900438B CN113900438B CN202111172310.8A CN202111172310A CN113900438B CN 113900438 B CN113900438 B CN 113900438B CN 202111172310 A CN202111172310 A CN 202111172310A CN 113900438 B CN113900438 B CN 113900438B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path tracking
- dynamics model
- establishing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012905 input function Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 abstract description 9
- 239000011159 matrix material Substances 0.000 description 17
- 239000004973 liquid crystal related substance Substances 0.000 description 13
- 230000003044 adaptive effect Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 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
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- 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
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)
- Feedback Control In General (AREA)
Abstract
本申请涉及一种无人车路径跟踪控制方法、装置、计算机设备和存储介质。所述方法包括:建立具有非线性轮胎特性的第一车辆路径跟踪动力学模型,其中,第一车辆路径跟踪动力学模型包括非线性轮胎动力学模型;将非线性轮胎动力学模型按照无人车工作点划分为若干工作区域,并基于工作点的划分以及各工作区域建立第一模糊规则;根据第一模糊规则及第一车辆路径跟踪动力学模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型;建立第二模糊规则,并根据第二模糊规则以及第二车辆路径跟踪动力学模型设计控制器;基于控制器控制无人车运行。采用本方法能够控制无人车在处于较大横向加速度的情形下按照预期路线运行,提高了无人车运行的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域,特别是涉及一种无人车路径跟踪控制方法、 装置、计算机设备和存储介质。
背景技术
随着人们对汽车安全性和舒适性要求的提高,自动驾驶技术逐步成为近年 来研究的重点。为了保证无人车运行的安全性与稳定性,自动驾驶技术中的车 辆的路径跟踪控制方法更是近年来研究的重中之重。然而,当车辆处于横向加 速度较大的的情形下,现有技术中的车辆的路径跟踪控制方法难以保证无人车 按照预期路线运行,极易导致驾驶危险。
发明内容
基于此,有必要针对上述技术问题,提供一种无人车路径跟踪控制方法、 装置、计算机设备和存储介质。
第一方面,提供了一种无人车路径跟踪控制方法,该方法包括:
建立具有非线性轮胎特性的第一车辆路径跟踪动力学模型,其中,该第一 车辆路径跟踪动力学模型包括非线性轮胎动力学模型;将该非线性轮胎动力学 模型按照无人车工作点划分为若干工作区域,并基于该工作点的划分以及各工 作区域建立第一模糊规则;根据该第一模糊规则及该第一车辆路径跟踪动力学 模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型;将无人车运行 工况进行划分,基于该运行工况的划分建立第二模糊规则,并根据该第二模糊 规则以及该第二车辆路径跟踪动力学模型设计控制器;基于该控制器控制无人 车运行。
在其中一个实施例中,建立具有非线性轮胎特性的第一车辆路径跟踪动力 学模型包括:建立路径跟踪运动学关系;建立具有非线性轮胎特性的车辆二自 由度模型;基于车辆二自由度模型及路径跟踪运动学关系,建立第一车辆路径 跟踪动力学模型。
在其中一个实施例中,建立具有非线性轮胎特性的车辆二自由度模型包括: 获取车辆的质量、车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎 所受的侧向力以及车身偏航角;根据获取到的车辆的质量、车辆质心处的转动 惯量、前后轴到质心到的距离、前后轮胎所受的侧向力以及车身偏航角,建立 车辆二自由度模型。
在其中一个实施例中,根据该第一模糊规则及该第一车辆路径跟踪动力学 模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型,包括:基于第 一模糊规则建立带有隶属度函数的方程;根据带有隶属度函数的方程及第一车 辆路径跟踪动力学模型,建立第二车辆路径跟踪动力学模型。
在其中一个实施例中,基于控制器控制无人车运行包括:根据控制器得到 控制输入函数;在控制输入函数中引入自适应率,得到优化后的控制输入转角; 根据优化后的控制输入转角,控制无人车运动。
在其中一个实施例中,根据控制器得到控制输入函数包括:根据路径跟踪 的期望状态与路径跟踪的真实状态计算路径跟踪的状态误差;根据该状态误差 得到非线性切换面;根据获取到的该非线性切换面、该期望状态及该状态误差, 得到控制输入函数。
在其中一个实施例中,在控制输入函数中引入自适应率,得到优化后的控 制输入转角,包括:控制输入函数包括等效控制及切换控制/>在等效 控制/>中引入自适应率,得到优化后的等效控制/>基于模糊算法求切换 控制/>与优化后的等效控制/>的和,得到优化后的控制输入转角。
第二方面,提供了一种无人车路径跟踪控制装置,该装置包括:第一模型 建立模块,用于建立具有非线性轮胎特性的第一车辆路径跟踪动力学模型,其 中,该第一车辆路径跟踪动力学模型包括非线性轮胎动力学模型;第一模糊规 则建立模块,用于将该非线性轮胎动力学模型按照无人车工作点划分为若干工 作区域,并基于该工作点的划分以及各工作区域建立第一模糊规则;第二模型 建立模块,用于根据该第一模糊规则及该第一车辆路径跟踪动力学模型,建立 具有线性轮胎特性的第二车辆路径跟踪动力学模型;控制器设计模块,用于将 无人车运行工况进行划分,基于该运行工况的划分建立第二模糊规则,并根据 该第二模糊规则以及该第二车辆路径跟踪动力学模型设计控制器;控制模块, 用于基于该控制器控制无人车运行。
在其中一个实施例中,该第一模型建立模块,具体用于:建立路径跟踪运 动学关系;建立具有非线性轮胎特性的车辆二自由度模型;基于所述车辆二自 由度模型及所述路径跟踪运动学关系,建立所述第一车辆路径跟踪动力学模型。
在其中一个实施例中,该第一模型建立模块,具体用于:获取车辆的质量、 车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎所受的侧向力以及 车身偏航角;根据获取到的所述车辆的质量、所述车辆质心处的转动惯量、所 述前后轴到质心到的距离、所述前后轮胎所受的侧向力以及所述车身偏航角, 建立所述车辆二自由度模型。
在其中一个实施例中,该第二模型建立模块,具体用于:基于所述第一模 糊规则建立带有隶属度函数的方程;根据所述带有隶属度函数的方程及所述第 一车辆路径跟踪动力学模型,建立所述第二车辆路径跟踪动力学模型。
在其中一个实施例中,该控制模块,具体用于:根据所述控制器得到控制 输入函数;在所述控制输入函数中引入自适应率,得到优化后的控制输入转角; 根据所述优化后的控制输入转角,控制所述无人车运动。
在其中一个实施例中,该控制模块,具体用于:根据路径跟踪的期望状态 与路径跟踪的真实状态计算路径跟踪的状态误差;根据该状态误差得到非线性 切换面;根据获取到的该非线性切换面、该期望状态及该状态误差,得到控制 输入函数。
在其中一个实施例中,该控制模块,具体用于:所述控制输入函数包括等 效控制及切换控制/>在所述等效控制/>中引入所述自适应率,得到 优化后的等效控制/>基于模糊算法求所述切换控制/>与所述优化后的等 效控制/>的和,得到所述优化后的控制输入转角。
第三方面,提供了一种计算机设备,包括存储器和处理器,该存储器存储 有计算机程序,该处理器执行所述计算机程序时实现第一方面中任一项所述的 方法的步骤。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该 计算机程序被处理器执行时实现第一方面任一项所述的方法的步骤。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例中,在建立具有非线性轮胎特性的第一车辆路径跟踪动力学 模型的基础上,将非线性轮胎动力学模型按照无人车工作点划分为若干工作区 域,从而建立具有线性轮胎特性的第二车辆路径跟踪动力学模型,该第二车辆 路径跟踪动力学模型可以体现无人车轮胎的非线性特征,因此,以第二车辆路 径跟踪动力学模型为基础设计的控制器,可以控制无人车在处于较大横向加速 度的情形下按照预期路线运行,提高了无人车运行的安全性。
附图说明
图1为本申请实施例提供的一种实施环境的示意图;
图2为本申请实施例提供的一种无人车路径跟踪控制方法的流程图;
图3为本申请实施例提供的一种建立第一车辆路径跟踪动力学模型的技术 过程的流程图;
图4为本申请实施例提供的一种简化的车辆动力学模型的示意图;
图5为本申请实施例提供的一种建立第二车辆路径跟踪动力学模型的技术 过程的流程图;
图6为本申请实施例提供的一种将轮胎侧向力分为三个局部线性动力学特 性的示意图;
图7为本申请实施例提供的一种基于控制器控制无人车运行的技术过程的 流程图;
图8为本申请实施例提供的一种控制器控制的无人车路径跟踪的系统框图;
图9为本申请实施例提供的一种无人车路径跟踪控制方法的流程图;
图10为本申请实施例提供的一种无人车路径跟踪控制装置的框图;
图11为本申请实施例提供的一种计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实 施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅 用以解释本申请,并不用于限定本申请。
随着人们对汽车安全性和舒适性要求的提高,自动驾驶技术逐步成为近年 来研究的重点。为了保证无人车运行的安全性与稳定性,自动驾驶技术中的车 辆的路径跟踪控制方法更是近年来研究的重中之重。然而,当车辆处于横向加 速度较大的的情形下,现有技术中的车辆的路径跟踪控制方法难以保证无人车 按照预期路线运行,极易导致驾驶危险。
有鉴于此,本申请实施例提供了一种无人车路径跟踪控制方法、装置、计 算机设备和存储介质,可以在车辆处于横向加速度较大的的情形下,控制无人 车按照预期路线运行,保证无人车运行的安全。
请参见图1,其示出了本申请实施例提供的无人车路径跟踪控制方法所涉及 的实施环境的示意图。如图1所示,该实施环境中可以包括计算机设备101与 无人车102,其中,计算机设备101可以与无人车102的通信模块进行通信,通 过计算机设备101中确定的控制器来控制无人车102的运行。此外,本申请实 施例中的计算机设备101可以设置于无人车102之外,也可以设备于无人车102 的内部,本申请实施例对此不做限定。
请参见图2,其示出了本申请实施例提供的一种无人车路径跟踪控制方法的 流程图,该方法可以应用于图1所示的计算机设备中。如图2所示,该无人车 路径跟踪控制方法可以包括以下步骤:
步骤201、计算机设备建立具有非线性轮胎特性的第一车辆路径跟踪动力学 模型。
其中,第一车辆路径跟踪动力学模型包括非线性轮胎动力学模型。由于车 辆在较大的横向加速度下,轮胎力不一定与转向角成正比,因此,轮胎力动力 学模型是非线性的。然而,现有技术中,通常建立的车辆路径跟踪动力学模型 中的轮胎动力学模型是线性的,并采用该车辆路径跟踪动力学模型来设计控制 器。由此可见,现有技术中建立的车辆路径跟踪动力学模型并不精确,在此基 础上,基于该不精确的车辆路径跟踪动力学模型确定的控制器无法控制无人车 按照预期的路径运行,极易导致危险发生。为了解决现有技术中的缺点,本申 请实施例在建立车辆路径跟踪动力学模型的情况下,考虑了车辆在较大的横向加速度下运行的情形,所建立的车辆路径跟踪动力学模型中的轮胎动力学模型 是非线性的。因此,本申请实施例建立的具有非线性轮胎特性的第一车辆路径 跟踪动力学模型的精确度较高,并在该模型的基础上确定的控制器可以控制无 人车按照预期的路径运行。
步骤202、计算机设备将非线性轮胎动力学模型按照无人车工作点划分为若 干工作区域,并基于工作点的划分以及各工作区域建立第一模糊规则。
其中,每一工作区域中选取特定工作点可以代表该区域轮胎工作状态。
在本申请实施例中,可以运用Takagi-Sugeno(T-S)技术将具有非线性轮胎特 性的第一车辆路径跟踪动力学模型进行简化,可选的简化的方式为:计算机设 备将具有非线性轮胎特性的第一车辆路径跟踪动力学模型中的非线性轮胎动力 学模型按照无人车工作点划分为若干工作区域。对第一车辆路径跟踪动力学模 型进行简化,可以提高计算的速度。
步骤203、计算机设备根据第一模糊规则及第一车辆路径跟踪动力学模型, 建立具有线性轮胎特性的第二车辆路径跟踪动力学模型。
上述对第一车辆路径跟踪动力学模型进行简化的最终目的是得到具有线性 轮胎特性的第二车辆路径跟踪动力学模型。得到第二车辆路径跟踪动力学模型 的流程为:首先,计算机设备将第一车辆路径跟踪动力学模型中非线性轮胎动 力学模型按照无人车工作点划分为若干工,并基于工作点的划分以及各工作区 域建立第一模糊规则;其次,计算机设备根据第一模糊规则及第一车辆路径跟 踪动力学模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型。
本申请实施例建立的具有线性轮胎特性的第二车辆路径跟踪动力学模型, 是对具有非线性轮胎特性的第一车辆路径跟踪动力学模型的简化,因此,该第 二车辆路径跟踪动力学模型的精确度也较高,并在该模型的基础上确定的控制 器可以控制无人车按照预期的路径运行。
步骤204、计算机设备将无人车运行工况进行划分,基于运行工况的划分建 立第二模糊规则,并根据第二模糊规则以及第二车辆路径跟踪动力学模型设计 控制器。
本申请实施例中,基于上述建立的具有线性轮胎特性的第二车辆路径跟踪 动力学模型设计控制器,其中,设计控制器的流程为:首先,建立具有线性轮 胎特性的第二车辆路径跟踪动力学模型;其次,将无人车运行工况进行划分, 基于运行工况的划分建立第二模糊规则;最后,根据第二模糊规则以及第二车 辆路径跟踪动力学模型设计控制器。
步骤205、计算机设备基于控制器控制无人车运行。
由于本申请实施例中的控制器是在上述建立具有线性轮胎特性的第二车辆 路径跟踪动力学模型的基础上确定的,所以该控制器可以控制无人车在较大横 向加速度的情形下按照预期的路线运行。与此同时,与其它先进的深度学习模 型或控制相比,本申请实施例中控制器控制无人车运行的方法,具有较好的鲁 棒性和有效性。
本申请实施例中,在建立具有非线性轮胎特性的第一车辆路径跟踪动力学 模型的基础上,将非线性轮胎动力学模型按照无人车工作点划分为若干工作区 域,从而建立具有线性轮胎特性的第二车辆路径跟踪动力学模型,该第二车辆 路径跟踪动力学模型可以体现无人车轮胎的非线性特征,因此,以第二车辆路 径跟踪动力学模型为基础设计的控制器,可以控制无人车在处于较大横向加速 度的情形下按照预期路线运行,提高了无人车运行的安全性。
请参见图3,其示出了本申请实施例提供的一种建立第一车辆路径跟踪动力 学模型的技术过程。如图3所示,该技术过程包括如下步骤:
步骤301、计算机设备建立路径跟踪运动学关系。
车辆轨迹跟踪控制的目标是指使车辆轨迹跟踪的误差渐近稳定。请参见图 4,其示出了一种简化的车辆动力学模型,其中,图中的θf,θr为车辆前后轮相 对于车身纵轴的速度角,C为转向中心。如图4所示,在航向误差较小的情况下, 路径跟踪运动学关系可以表示为:
其中,y为车辆横向位置,x为车辆纵向位置,为车身偏航角,/>为/>的一 阶导数,vx、vy分别为车辆的纵向速度与横向速度,ey、/>分别为车辆横向位移 误差与横摆角误差,分别为ey、/>的一阶导数,CR为期望路径的道路曲率。
步骤302、计算机设备建立具有非线性轮胎特性的车辆二自由度模型。
在本申请实施例中,在转向角和轮胎滑移角度都很小的情况下,忽略滚动、 俯仰和反弹运动,获取车辆的质量、车辆质心处的转动惯量、前后轴到质心到 的距离、前后轮胎所受的侧向力以及车身偏航角;根据获取到的车辆的质量、 车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎所受的侧向力以及 车身偏航角,建立非线性轮胎特性的车辆二自由度模型。其中,该具有非线性 轮胎特性的车辆二自由度模型可由以下微分方程表示:
其中,m为车辆的质量,Iz为车辆质心处的转动惯量,lf,lr分别为前后轴 到质心到的距离,Fyf、Fyr分别为前后轮胎所受的侧向力,vx、vy分别为车辆的 纵向速度与横向速度,为vy的一阶导数,/>为车身偏航角,/>为/>的一阶导数。 其中,在滑移角足够小的情况下,Fyf、Fyr可由以下公式计算得到:
Fyf=Cf(α)αf,Fyr=Cr(α)αr, (3)
其中,Cf,Cr分别为前后轮的侧偏刚度,αf、αr分别为前后轮的滑移角, 其中,αf、αr由以下公式计算得到:
其中,δ为前轮转角,β为轮胎滑移角,vx为车辆的纵向速度,为车身偏 航角,/>为的一阶导数,lf、lr分别为前后轴到质心到的距离。
步骤303、计算机设备基于车辆二自由度模型及路径跟踪运动学关系,建立 第一车辆路径跟踪动力学模型。
将车辆二自由度模型的公式(2)带入路径跟踪运动学关系的公式(1)中, 建立具有非线性轮胎特性的第一车辆路径跟踪动力学模型,该模型可由以下公 式表示:
其中,为x(t)的一阶导数,x(t)为路径跟踪的真实状态,T为矩阵的转置;u(t)为输入变量,即前轮转向角;考虑执 行器的饱和特性,设定sat(u)为前轮转向角δ的饱和值, sat(u)=sign(u)·min(umax,|u|);A(α)、B(α)和D(α,CR)为系数矩阵,可由以下公式表 示:
其中,m为车辆的质量,Iz为车辆质心处的转动惯量,vx为车辆的纵向速度, CR为期望路径的道路曲率,a1至a7可由以下公式计算得到:
其中,Iz为车辆质心处的转动惯量,lf、lr分别为前后轴到质心到的距离,m 为车辆的质量,Cf,Cr分别为前后轮的侧偏刚度,vx为车辆的纵向速度。
请参见图5,其示出了本申请实施例提供的一种建立第二车辆路径跟踪动力 学模型的技术过程。如图5所示,该技术过程包括如下步骤:
步骤501、基于第一模糊规则建立带有隶属度函数的方程。
根据上述的内容可知,第一模糊规则是基于工作点的划分以及各工作区域 建立的,其中,该工作区域为将非线性轮胎动力学模型按照无人车工作点划分 后得到的。
请参见图6,其示出了本申请的可选实施例中提供的一种将轮胎侧向力分为 三个局部线性动力学特性示意图。如图6所示,在本申请的可选实施例中,可 以将轮胎侧向力分为三个局部线性动力学特性。
在这三个局部线性动力学特性中,M1、M2、M3分别表示小、中、大滑移 角,Cf1、Cf2、Cf3,Cr1、Cr2、Cr3分别对应在小、中、大滑移角情况下前后轮 的侧偏刚度值。也就是说,通过将轮胎侧向力分为三个局部线性动力学特性的 方式,将非线性轮胎动力学模型分割为三个线性轮胎动力学模型的组合。
为了便于本申请实施例中控制器的确定,在上述三个线性轮胎动力学模型 的组合的基础上,建立如公式(8)的第一模糊规则:
其中,M1、M2、M3分别为线性轮胎动力学模型的小、中、大滑移角,Cf1、 Cf2、Cf3,Cr1、Cr2、Cr3分别对应在小、中、大滑移角情况下前后轮的侧偏刚度 值,由于前后轮的滑移角αf和αr有相似的模糊集,所以所提出的规则仅是关于 前轮的滑移角αf的,这样可以帮助减少各线性性轮胎动力学模型及其参数数量。
在本申请实施例中,基于第一模糊规则的公式(8),建立带有隶属度函数 的方程来描述车辆前后轮胎所受侧向力,其中,该带有隶属度函数的方程可用 以下公式表示:
其中,αf、αr分别为前后轮的滑移角,Cf1、Cf2、Cf3,Cr1、Cr2、Cr3分别 对应在小、中、大滑移角情况下前后轮的侧偏刚度值,其中,
其中,Mj为滑移角。
步骤502、计算机设备根据带有隶属度函数的方程及第一车辆路径跟踪动力 学模型,建立第二车辆路径跟踪动力学模型。
在本申请实施例中,将带有隶属度函数的方程(9)带入第一车辆路径跟踪 动力学模型的公式(5)中,得到第二车辆路径跟踪动力学模型,该模型可由以 下公式表示:
其中,为x(t)的一阶导数,x(t)为路径跟踪的真实状态,T为矩阵的转置;u(t)为输入变量,即前轮转向角;考虑执 行器的饱和特性,设定sat(u)为前轮转向角δ的饱和值, sat(u)=sign(u)·min(umax,|u|);Ai、Bi和Di(α,CR)为系数矩阵,可由以下公式表示:
其中,Cfi为侧偏刚度,m为车辆的质量,Iz为车辆质心处的转动惯量,lf、 lr分别为前后轴到质心到的距离,vx为车辆的纵向速度,CR为期望路径的道路曲 率。
在本申请的可选实施例中,可以建立公式(13)作为模糊线性系统与实际 系统之间的逼近误差,它可以表示将非线性轮胎动力学模型分割为若干个线性 轮胎动力学模型的组合,每个线性轮胎动力学模型附加的非线性时变不确定性, 其中,ΔA(α)、ΔB(α)表示模糊模型的近似误差,可由以下公式表示:
其中,A(α)、B(α)为第一车辆路径跟踪动力学模型中的系数矩阵,Ai、Bi为 第二车辆路径跟踪动力学模型中的系数矩阵,μi(|α|)的计算公式请参见公式 (10)。
请参见图7,其示出了本申请实施例提供的一种基于控制器控制无人车运行 的技术过程。如图7所示,该技术过程包括如下步骤:
步骤701、计算机设备根据控制器得到控制输入函数。
在本申请实施例中,控制输入函数包括等效控制及切换控制/>得 到等效控制/>及切换控制/>的可选步骤如下:
首先,根据路径跟踪的期望状态与路径跟踪的真实状态计算路径跟踪的状 态误差,其中,计算路径跟踪的状态误差的公式为:
其中,xd(t)为路径跟踪的期望状态,x(t)为路径跟踪的真实状态。
其次,根据状态误差得到非线性切换面,该非线性切换面S(t)可用以下公式 表示:
其中,x(t)为路径跟踪的真实状态,xd(t)=[0000]T为路 径跟踪的期望状态,T为矩阵的转置,/>为常量,/>为对角矩阵。
再次,将无人车运行工况进行划分,基于运行工况的划分建立第二模糊规 则,该第二模糊规则可由以下公式表示:
其中,M1、MN为线性轮胎动力学模型的滑移角,μi(|α|)的计算公式请参见 公式(10)。
最后,基于上述第二模糊规则设计控制器,并将上述的非线性切换面、路 径跟踪的期望状态及路径跟踪的状态误差作为控制器的输入,得到控制器的输 出,即就是控制输入函数及/>
在本申请的可选实施例中,通过设计 可以使无人车状态快速收 敛到平衡点,可选的,可以基于控制器中的第二模糊规则设定每个子系统的等 效控制/>与切换控制/>输入,其中,该控制输入函数/>及/>可以由以 下公式表示:
其中 为对角矩阵,/>为常量;且/>为非奇异矩阵;xd(t)=[0000]T为路径跟踪的期望状态, />为xd(t)的一阶导数;/>代表非线性切换面S(t)的开关 增益,为对角矩阵;εi代表一个较小常量且满足εi>0;βi为轮胎滑移角;x(t)为 路径跟踪的真实状态;Ai、Bi为第二车辆路径跟踪动力学模型中的系数矩阵;m 为车辆的质量;/>为变量;λi为常量且满足以下不等式:
其中,ΔB(α)为模糊模型的近似误差,m为车辆的质量,Bi为第二车辆路径 跟踪动力学模型中的系数矩阵, 为对角矩 阵。
在本申请的可选实施例中,可以设定表示系统的不确定性。它包含了 模糊模型的近似误差、其他子系统的交互动力学以及饱和输入与实际输入之间 的差异,其中,/>可由以下公式表示:
其中,ΔA(α)、ΔB(α)为模糊模型的近似误差;为每个子系统的等效控 制;为每个子系统的切换控制;B(α)、D(α,CR)为第一车辆路径跟踪动力学 模型的系数矩阵;考虑执行器的饱和特性,设定sat(u)为前轮转向角δ的饱和值, sat(u)=sign(u)·min(umax,|u|);u(t)为输入变量,即前轮转向角;μi(|α|)的计算公式 请参见公式(10);Bi为第二车辆路径跟踪动力学模型中的系数矩阵;x(t)为路 径跟踪的真实状态。
根据式(14)-(16),可得是有界的,其不确定性上界可由以下公 式表示:
在实际求解中,难以获得。因此通过引入自适应率学习/>并 设计额外的补偿。
步骤702、计算机设备在控制输入函数中引入自适应率,得到优化后的控制 输入转角。
其中,控制输入转角为控制输入函数中的等效控制及切换控制/>基 于模糊算法求得的和。
在本申请的可选实施例中,通过设定自适应律来实时估计Ωi(x,t),其中,自 适应律可由以下公式表示:
其中,是加入学习率与修正率设计的附加补偿,可由以下公式表示:
为/>上界,/>i=1,2,...,N,j=1,2分 别为自适应率的下界与上界:/>
i=1,2,...,N,j=1,2分别为学习率与修正率;βi为轮胎滑移角;S(t)为 非线性切换面。
从上述等效控制的公式(16)可以看出,/>的公式中包括变量/>因此,为了得到更有利于控制无人车运行的/>本申请实施例通过在控制输 入函数的等效控制/>中引入上述自适应率,来优化/>公式中的变量/>也就是说,本申请实施例通过优化变量/>得到了优化后的/>在得到 优化后的/>的基础上,基于模糊算法求切换控制/>及优化后的等效控制 />和,该和为优化后的控制输入转角。
步骤703、计算机设备根据优化后的控制输入转角,控制无人车运动。
基于上述切换控制及优化后的等效控制/>来控制无人车运行,也即 是,通过优化后的控制输入转角来控制无人车运动,可以使无人车在短时间内 实现高精度的路径跟踪,使无人车的运行更加安全。
如图8为控制器控制的无人车路径跟踪的系统框图,从图可以看出,将非 线性切换面S(t)、路径跟踪的期望状态xd(t)及路径跟踪的状态误差输入到控 制器中,得到了控制输入函数,即得到了等效控制/>及切换控制/>可选 的,可以在等效控制/>中引入自适应率,以得到优化后的/>在此基础上, 再将切换控制/>及优化后的等效控制/>基于模糊规则求合,得到控制输入 转角,通过该控制输入转角控制无人车按照预期的线路运行。
请参见图9,其示出了本申请实施例提供的一种无人车路径跟踪控制方法的 流程图,该无人车路径跟踪控制方法可以应用于图1的计算机设备中。如图9 所示,该无人车路径跟踪控制方法包括以下步骤:
步骤901、计算机设备建立路径跟踪运动学关系。
步骤902、计算机设备建立具有非线性轮胎特性的车辆二自由度模型。
步骤903、计算机设备基于车辆二自由度模型及路径跟踪运动学关系,建立 第一车辆路径跟踪动力学模型。
步骤904、计算机设备将第一车辆路径跟踪动力学模型中的非线性轮胎动力 学模型按照无人车工作点划分为若干工作区域,并基于工作点的划分以及各工 作区域建立第一模糊规则。
步骤905、计算机设备根据第一模糊规则及第一车辆路径跟踪动力学模型, 建立具有线性轮胎特性的第二车辆路径跟踪动力学模型。
步骤906、计算机设备基于第一模糊规则建立带有隶属度函数的方程。
步骤907、计算机设备根据带有隶属度函数的方程及第一车辆路径跟踪动力 学模型,建立第二车辆路径跟踪动力学模型。
步骤908、计算机设备将无人车运行工况进行划分,基于所述运行工况的划 分建立第二模糊规则,并根据所述第二模糊规则以及所述第二车辆路径跟踪动 力学模型设计控制器。
步骤909、计算机设备根据控制器得到控制输入函数。
步骤910、计算机设备在控制输入函数中引入自适应率,得到优化后的控制 输入转角。
步骤911、计算机设备根据优化后的控制输入转角,控制无人车运动。
在本申请的可选实施例中,可以选定Lyapunov函数,用于证明控制器控制 无人车在半全局条件下的稳定性:
根据公式(5)(10)(12),(13)-(15)非线性切换面(14)对的时间导数 为
其中,μi的计算请参见公式(10);Bi为第二车辆路径跟踪动力学模型中的 系数矩阵; 为对角矩阵,/>为常量; />为变量;βi为轮胎滑移角;ΔB(α)为模糊模型的近似误差;/>表示系统 的不确定性;/>为切换控制;S(t)为非线性切换面。
选定一个Lyapunov函数Vs:
Vs=S(t)TS(t)/2>0,S≠0 (24)
设定令Vs对时间求导:
设定公式(23)(24):
其中,设定为自适应率/>的未知部分,/>
将(17)-(19)、(23)、(26)-(27)带入(25)式:
令公式(28)可表示为:/>
根据Lyapunov定理,基于状态反馈控制律(16)的闭环系统在平衡点半全局 渐近稳定。
根据式(29),路径跟踪系统是一致最终有界的。根据一致最终有界性定理 以及对不等式(29)求解:
其中,
可得路径跟踪的工作点在固定时间收敛,及满足式(32):
路径跟踪误差在t1时间收敛于一个极小的值,即当t≥t1时刻,无人车路径跟 踪系统误差趋近于0。
当路径跟踪误差趋近于0(||S||→0)的过程中,为保证车辆运行状态在固定 时间内收敛于切换面,可适当增大非线性切换增益和/>的值,此 时切换控制在控制中占主要作用。
当控制输入抖动较大时,可以通过增大εi的值使控制器输出平滑,但跟踪 精度一般较差。因此,需要根据需求做出折中考虑。
较小的修正率和较大的学习率/>会导致学习规律的快速增长和更好的跟 踪性能,但算法长时间运行存在不稳定的风险。总之,/>不应过大,/>不应过 小,以避免自适应系统的不稳定性为代价,使控制输入的跟踪误差略大。
应该理解的是,虽然流程图中的各个步骤按照箭头的指示依次显示,但是 这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明, 这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而 且,图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或 者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子 步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它 步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
请参见图10,其示出了一种无人车路径跟踪控制装置1000的框图。如图 10所示,该无人车路径跟踪控制装置1000包括第一模型建立模块1001、第一 模糊规则建立模块1002、第二模型建立模块1003、控制器设计模块1004以及 控制模块1005。
其中,第一模型建立模块1001,用于建立具有非线性轮胎特性的第一车辆 路径跟踪动力学模型,其中,第一车辆路径跟踪动力学模型包括非线性轮胎动 力学模型;第一模糊规则建立模块1002,用于将非线性轮胎动力学模型按照无 人车工作点划分为若干工作区域,并基于工作点的划分以及工作区域建立第一 模糊规则;第二模型建立模块1003,用于根据第一模糊规则及第一车辆路径跟 踪动力学模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型;控制 器设计模块1004,用于用于将无人车运行工况进行划分,基于运行工况的划分 建立第二模糊规则,并根据第二模糊规则以及第二车辆路径跟踪动力学模型设 计控制器;控制模块1005,用于基于控制器控制无人车运行。
在本申请的可选实施例中,该第一模型建立模块1001,具体用于:建立路 径跟踪运动学关系;建立具有非线性轮胎特性的车辆二自由度模型;基于车辆 二自由度模型及路径跟踪运动学关系,建立第一车辆路径跟踪动力学模型。
在本申请的可选实施例中,该第一模型建立模块1001,具体用于:获取车 辆的质量、车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎所受的 侧向力以及车身偏航角;根据获取到的车辆的质量、车辆质心处的转动惯量、 前后轴到质心到的距离、前后轮胎所受的侧向力以及车身偏航角,建立车辆二 自由度模型。
在本申请的可选实施例中,该第二模型建立模块1003,具体用于:基于第 一模糊规则建立带有隶属度函数的方程;根据带有隶属度函数的方程及第一车 辆路径跟踪动力学模型,建立第二车辆路径跟踪动力学模型。
在本申请的可选实施例中,该控制模块1005,具体用于:根据控制器得到 控制输入函数;在控制输入函数中引入自适应率,得到优化后的控制输入转角; 根据优化后的控制输入转角,控制无人车运动。
在本申请的可选实施例中,该控制模块1005,具体用于:根据路径跟踪的 期望状态与路径跟踪的真实状态计算路径跟踪的状态误差;根据状态误差得到 非线性切换面;根据获取到的非线性切换面、期望状态及状态误差,得到控制 输入函数。
在本申请的可选实施例中,该控制模块1005,具体用于:控制输入函数包 括等效控制及切换控制/>在等效控制/>中引入自适应率,得到优化 后的等效控制基于模糊算法求切换控制/>与优化后的等效控制/>的 和,得到优化后的控制输入转角。
关于无人车路径跟踪控制装置的具体限定可以参见上文中对于无人车路径 跟踪控制方法的限定,在此不再赘述。上述无人车路径跟踪控制装置中的各个 模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式 内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设 备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其 内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、 存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提 供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。 该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存 储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口 用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商 网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种无人车路径跟踪控制方法。该计算机设备的显示屏可以是液晶显示屏或 者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层, 也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键 盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关 的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定, 具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件, 或者具有不同的部件布置。
在本申请的一个实施例中,提供了一种计算机设备,包括存储器和处理器, 存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:建立 具有非线性轮胎特性的第一车辆路径跟踪动力学模型,其中,第一车辆路径跟 踪动力学模型包括非线性轮胎动力学模型;将非线性轮胎动力学模型按照无人 车工作点划分为若干工作区域,并基于工作点的划分以及各工作区域建立第一 模糊规则;根据第一模糊规则及第一车辆路径跟踪动力学模型,建立具有线性 轮胎特性的第二车辆路径跟踪动力学模型;将无人车运行工况进行划分,基于 运行工况的划分建立第二模糊规则,并根据第二模糊规则以及第二车辆路径跟 踪动力学模型设计控制器;基于控制器控制无人车运行。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:建 立路径跟踪运动学关系;建立具有非线性轮胎特性的车辆二自由度模型;基于 车辆二自由度模型及路径跟踪运动学关系,建立第一车辆路径跟踪动力学模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:获 取车辆的质量、车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎所 受的侧向力以及车身偏航角;根据获取到的车辆的质量、车辆质心处的转动惯 量、前后轴到质心到的距离、前后轮胎所受的侧向力以及车身偏航角,建立车 辆二自由度模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:基 于第一模糊规则建立带有隶属度函数的方程;根据带有隶属度函数的方程及第 一车辆路径跟踪动力学模型,建立第二车辆路径跟踪动力学模型。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:根 据控制器得到控制输入函数;在控制输入函数中引入自适应率,得到优化后的 控制输入转角;根据优化后的控制输入转角,控制无人车运动。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:根 据路径跟踪的期望状态与路径跟踪的真实状态计算路径跟踪的状态误差;根据 该状态误差得到非线性切换面;根据获取到的该非线性切换面、该期望状态及 该状态误差,得到控制输入函数。
在本申请的一个实施例中,处理器执行计算机程序时还实现以下步骤:控 制输入函数包括等效控制及切换控制/>在等效控制/>中引入自适应 率,得到优化后的等效控制/>基于模糊算法求切换控制/>与优化后的等 效控制/>的和,得到优化后的控制输入转角。
本申请实施例提供的计算机设备,其实现原理和技术效果与上述方法实施 例类似,在此不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程 序,计算机程序被处理器执行时实现以下步骤:建立具有非线性轮胎特性的第 一车辆路径跟踪动力学模型,其中,第一车辆路径跟踪动力学模型包括非线性 轮胎动力学模型;将非线性轮胎动力学模型按照无人车工作点划分为若干工作 区域,并基于工作点的划分以及各工作区域建立第一模糊规则;根据第一模糊 规则及第一车辆路径跟踪动力学模型,建立具有线性轮胎特性的第二车辆路径 跟踪动力学模型;将无人车运行工况进行划分,基于运行工况的划分建立第二 模糊规则,并根据第二模糊规则以及第二车辆路径跟踪动力学模型设计控制器; 基于控制器控制无人车运行。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤: 建立路径跟踪运动学关系;建立具有非线性轮胎特性的车辆二自由度模型;基 于车辆二自由度模型及路径跟踪运动学关系,建立第一车辆路径跟踪动力学模 型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤: 获取车辆的质量、车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎 所受的侧向力以及车身偏航角;根据获取到的车辆的质量、车辆质心处的转动 惯量、前后轴到质心到的距离、前后轮胎所受的侧向力以及车身偏航角,建立 车辆二自由度模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤: 基于第一模糊规则建立带有隶属度函数的方程;根据带有隶属度函数的方程及 第一车辆路径跟踪动力学模型,建立第二车辆路径跟踪动力学模型。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤: 根据控制器得到控制输入函数;在控制输入函数中引入自适应率,得到优化后 的控制输入转角;根据优化后的控制输入转角,控制无人车运动。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤: 根据路径跟踪的期望状态与路径跟踪的真实状态计算路径跟踪的状态误差;根 据该状态误差得到非线性切换面;根据获取到的该非线性切换面、该期望状态 及该状态误差,得到控制输入函数。
在本申请的一个实施例中,计算机程序被处理器执行时还实现以下步骤: 控制输入函数包括等效控制及切换控制/>在等效控制/>中引入自适 应率,得到优化后的等效控制/>基于模糊算法求切换控制/>与优化后的 等效控制/>的和,得到优化后的控制输入转角。
本实施例提供的计算机可读存储介质,其实现原理和技术效果与上述方法 实施例类似,在此不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于 一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述 各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的 至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁 带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory, SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述 实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特 征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的 普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改 进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权 利要求为准。
Claims (9)
1.一种无人车路径跟踪控制方法,其特征在于,所述方法包括:
建立路径跟踪运动学关系;建立具有非线性轮胎特性的车辆二自由度模型;基于所述车辆二自由度模型及所述路径跟踪运动学关系,建立第一车辆路径跟踪动力学模型,其中,所述第一车辆路径跟踪动力学模型包括非线性轮胎动力学模型;
将所述非线性轮胎动力学模型按照无人车工作点划分为若干工作区域,并基于所述工作点的划分以及各所述工作区域建立第一模糊规则;
根据所述第一模糊规则及所述第一车辆路径跟踪动力学模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型;
将无人车运行工况进行划分,基于所述运行工况的划分建立第二模糊规则,并根据所述第二模糊规则以及所述第二车辆路径跟踪动力学模型设计控制器;
基于所述控制器控制无人车运行。
2.根据权利要求1所述的方法,其特征在于,所述建立具有非线性轮胎特性的车辆二自由度模型包括:
获取车辆的质量、车辆质心处的转动惯量、前后轴到质心到的距离、前后轮胎所受的侧向力以及车身偏航角;
根据获取到的所述车辆的质量、所述车辆质心处的转动惯量、所述前后轴到质心到的距离、所述前后轮胎所受的侧向力以及所述车身偏航角,建立所述车辆二自由度模型。
3.根据权利要求1或2所述的方法,其特征在于,所述根据所述第一模糊规则及所述第一车辆路径跟踪动力学模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型,包括:
基于所述第一模糊规则建立带有隶属度函数的方程;
根据所述带有隶属度函数的方程及所述第一车辆路径跟踪动力学模型,建立所述第二车辆路径跟踪动力学模型。
4.根据权利要求1或2所述的方法,其特征在于,所述基于所述控制器控制无人车运行包括:
根据所述控制器得到控制输入函数;
在所述控制输入函数中引入自适应率,得到优化后的控制输入转角;
根据所述优化后的控制输入转角,控制所述无人车运动。
5.根据权利要求4所述的方法,其特征在于,所述根据所述控制器得到控制输入函数包括:
根据路径跟踪的期望状态与路径跟踪的真实状态计算路径跟踪的状态误差;
根据所述状态误差得到非线性切换面;
根据获取到的所述非线性切换面、所述期望状态及所述状态误差,得到控制输入函数。
6.根据权利要求4所述的方法,其特征在于,所述在所述控制输入函数中引入自适应率,得到优化后的控制输入转角,包括:
所述控制输入函数包括等效控制及切换控制/>在所述等效控制/>中引入所述自适应率,得到优化后的等效控制/>
基于模糊算法求所述切换控制与所述优化后的等效控制/>的和,得到所述优化后的控制输入转角。
7.一种无人车路径跟踪控制装置,其特征在于,所述装置包括:
第一模型建立模块,用于建立路径跟踪运动学关系;建立具有非线性轮胎特性的车辆二自由度模型;基于所述车辆二自由度模型及所述路径跟踪运动学关系,建立第一车辆路径跟踪动力学模型,其中,所述第一车辆路径跟踪动力学模型包括非线性轮胎动力学模型;
第一模糊规则建立模块,用于将所述非线性轮胎动力学模型按照无人车工作点划分为若干工作区域,并基于所述工作点的划分以及所述工作区域建立第一模糊规则;
第二模型建立模块,用于根据所述第一模糊规则及所述第一车辆路径跟踪动力学模型,建立具有线性轮胎特性的第二车辆路径跟踪动力学模型;
控制器设计模块,用于将无人车运行工况进行划分,基于所述运行工况的划分建立第二模糊规则,并根据所述第二模糊规则以及所述第二车辆路径跟踪动力学模型设计控制器;
控制模块,用于基于所述控制器控制无人车运行。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111172310.8A CN113900438B (zh) | 2021-10-08 | 2021-10-08 | 无人车路径跟踪控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111172310.8A CN113900438B (zh) | 2021-10-08 | 2021-10-08 | 无人车路径跟踪控制方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113900438A CN113900438A (zh) | 2022-01-07 |
CN113900438B true CN113900438B (zh) | 2023-09-22 |
Family
ID=79190403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111172310.8A Active CN113900438B (zh) | 2021-10-08 | 2021-10-08 | 无人车路径跟踪控制方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113900438B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402341A (en) * | 1992-04-06 | 1995-03-28 | Ford Motor Company | Method and apparatus for four wheel steering control utilizing tire characteristics |
CN107831761A (zh) * | 2017-10-16 | 2018-03-23 | 中国科学院电工研究所 | 一种智能车的路径跟踪控制方法 |
CN109017778A (zh) * | 2018-07-31 | 2018-12-18 | 大连民族大学 | 四轮独立驱动车辆的期望路径主动转向控制方法 |
CN109318905A (zh) * | 2018-08-22 | 2019-02-12 | 江苏大学 | 一种智能汽车路径跟踪混合控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9168924B2 (en) * | 2012-03-26 | 2015-10-27 | GM Global Technology Operations LLC | System diagnosis in autonomous driving |
-
2021
- 2021-10-08 CN CN202111172310.8A patent/CN113900438B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5402341A (en) * | 1992-04-06 | 1995-03-28 | Ford Motor Company | Method and apparatus for four wheel steering control utilizing tire characteristics |
CN107831761A (zh) * | 2017-10-16 | 2018-03-23 | 中国科学院电工研究所 | 一种智能车的路径跟踪控制方法 |
CN109017778A (zh) * | 2018-07-31 | 2018-12-18 | 大连民族大学 | 四轮独立驱动车辆的期望路径主动转向控制方法 |
CN109318905A (zh) * | 2018-08-22 | 2019-02-12 | 江苏大学 | 一种智能汽车路径跟踪混合控制方法 |
Non-Patent Citations (5)
Title |
---|
Design and Optimization of Robust Path Tracking Control for Autonomous Vehicles With Fuzzy Uncertainty;Zeyu Yang 等;《IEEE Transactions on Fuzzy Systems ( Volume: 30, Issue: 6, June 2022)》;IEEE;第30卷(第6期);第1788-1800页 * |
Possibility-Based Robust Control for Fuzzy Mechanical Systems;Hui Yin 等;《IEEE TRANSACTIONS ON FUZZY SYSTEMS》;IEEE;第29卷(第12期);第3859-3872页 * |
Robust tube-based model predictive control for lateral path tracking;Sara Mata 等;《IEEE TRANSACTIONS ON INTELLIGENT VEHICLES》;IEEE;第4卷(第4期);第569-577页 * |
基于质心侧偏角估计的车辆侧向稳定性T-S模糊H_∞控制;汪选要 等;《机械设计》;第35卷(第03期);第67-74页 * |
智能车辆轨迹跟踪控制器设计;柴瑞强 等;《软件导刊》;第19卷(第04期);第169-173页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113900438A (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113320542B (zh) | 一种自动驾驶车辆的跟踪控制方法 | |
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
Chen et al. | Hierarchical adaptive path-tracking control for autonomous vehicles | |
Huang et al. | Adaptive neural control of vehicle yaw stability with active front steering using an improved random projection neural network | |
CN107831761A (zh) | 一种智能车的路径跟踪控制方法 | |
Bayuwindra et al. | Extended look-ahead tracking controller with orientation-error observer for vehicle platooning | |
Hu et al. | Adaptive trajectory tracking for car-like vehicles with input constraints | |
Hashemi et al. | Slip-aware driver assistance path tracking and stability control | |
CN114572251A (zh) | 一种预测控制的高速自动驾驶汽车轨迹跟踪方法 | |
US20230001935A1 (en) | Controlling motion of a vehicle | |
CN113126623A (zh) | 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法 | |
CN113183957A (zh) | 车辆控制方法、装置、设备及自动驾驶车辆 | |
JP2008197848A (ja) | ファジィ制御装置、レーン走行支援装置、および操舵補助装置 | |
CN113682282A (zh) | 一种车辆稳定性控制方法、系统、车辆和存储介质 | |
CN112606843A (zh) | 一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法 | |
CN113900438B (zh) | 无人车路径跟踪控制方法、装置、计算机设备和存储介质 | |
Wang et al. | Adaptive neural network sliding mode control for steer-by-wire-based vehicle stability control | |
Leng et al. | Deep reinforcement learning-based drift parking control of automated vehicles | |
Ahiska et al. | Autopilot design for vehicle cornering through icy roads | |
Jan et al. | Decoupling of vehicle lateral dynamics using four-wheel steering system | |
Németh et al. | Mechanical analysis and control design of a variable-geometry McPherson suspension | |
CN113511188B (zh) | 车辆横向控制的方法、装置、电子设备及存储介质 | |
Ma et al. | Adaptive Path-Tracking Control With Passivity-Based Observer by Port-Hamiltonian Model for Autonomous Vehicles | |
CN111736598B (zh) | 基于自适应神经网络的收获机路径跟踪控制方法和系统 | |
Massera Filho et al. | Dynamic inversion-based control for front wheel drive autonomous ground vehicles near the limits of handling |
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 |