CN114237033A - 一种车辆路径跟踪控制方法、控制器及控制系统 - Google Patents
一种车辆路径跟踪控制方法、控制器及控制系统 Download PDFInfo
- Publication number
- CN114237033A CN114237033A CN202111524984.XA CN202111524984A CN114237033A CN 114237033 A CN114237033 A CN 114237033A CN 202111524984 A CN202111524984 A CN 202111524984A CN 114237033 A CN114237033 A CN 114237033A
- Authority
- CN
- China
- Prior art keywords
- time
- real
- deviation
- preset
- vehicle
- 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.)
- Pending
Links
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
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P.I., P.I.D.
Abstract
本发明属于车辆自动导航技术领域,提供了一种车辆路径跟踪控制方法、控制器及控制系统。其中,该方法包括获取车辆当前位置、当前航向角及当前前轮转角;将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差;根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差;将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
Description
技术领域
本发明属于车辆自动导航技术领域,尤其涉及一种车辆路径跟踪控制方法、控制器及控制系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
路径跟踪作为车辆自主导航技术中的一个关键组成部分,是通过采用有关的控制策略,使车辆尽可能在规划好的目标路径上行驶。尤其是针对由于作业环境恶劣且复杂多变的车辆,比如农用车辆,这就要求设计的控制系统不仅要具有良好的路径跟踪能力,还要具备更好的抗干扰能力和更强的鲁棒性。
目前车辆路径跟踪控制方法中PID控制技术较为成熟,但是发明人发现,由于在环境恶劣且复杂多变的作业环境中,外界不确定干扰是不可避免和普遍存在,传统的PID算法的输入会引入外部干扰,从而影响输出,造成控制系统不稳定,从而影响了车辆跟踪模型的精度。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种车辆路径跟踪控制方法、控制器及控制系统,其能够提高车辆路径跟踪的稳定性及精确性。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供了一种车辆路径跟踪控制方法,其包括:
获取车辆当前位置、当前航向角及当前前轮转角;
将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差;
根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差;
将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;
其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:
分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
作为一种实施方式,实时总误差为:修正后的实时横向偏差与修正后的实时航向偏差之和;
其中,修正后的实时横向偏差为预设修正因子与实时横向偏差的乘积;
修正后的实时航向偏差为:1与预设修正因子做差后,再与航向偏差增益和实时航向偏差的三者乘积。
作为一种实施方式,所述模糊PID算法的实时比例系数的调整公式为:
K′p(k)=αKp(k)
式中:K′p(k)为调整后的k时刻比例系数值;Kp(k)为预设模糊逻辑计算整定的k时刻比例系数值;α为比例系数的调整参数;E(k)为k时刻的合成偏差,α1,α2,α3分别为比例系数的调整参数值。
作为一种实施方式,所述模糊PID算法的实时积分系数的调整公式为:
K′i(k)=βKi(k)
式中:K′i(k)为调整后的k时刻积分系数值;Ki(k)为预设模糊逻辑计算整定的k时刻积分系数值;β为积分系数的调整参数;E(k)为k时刻的合成偏差,ε为积分分离阈值;β1,β2分别为积分系数的调整参数值。
作为一种实施方式,期望的车轮转角为:
δ1(k)=δ1(k-1)+Δδ1(k)
Δδ1(k)=K′P(k)(E(k)-E(k-1))+K′i(k)E(k)+Kd(k)(E(k)-2E(k-1)+E(k-2))
其中,δ1(k)为k时刻期望的车轮转角,Δδ1(k)为输出期望车轮转向角变化量,E(k)为k时刻合成偏差,E(k-1)为k-1时刻合成偏差,E(k-2)为k-2时刻合成偏差,K′P(k)为调整后的k时刻比例系数值,K′i(k)为调整后的k时刻积分系数值,Kd(k)为k时刻微分系数值。
作为一种实施方式,在实时跟踪预设路径的过程中,根据当前时刻期望的车轮转角与当前时刻车轮转角比较,决定车辆车轮实际转角,采用转向控制算法得到转向电机转向速度数字量。
本发明的第二个方面提供了一种车辆路径跟踪控制器,其包括:
数据获取模块,其用于获取车辆当前位置、当前航向角及当前前轮转角;
偏差计算模块,其用于将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差;
总误差合成模块,其用于根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差;
路径跟踪模块,其用于将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;
其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:
分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
作为一种实施方式,在所述总误差合成模块中,实时总误差为:修正后的实时横向偏差与修正后的实时航向偏差之和;
其中,修正后的实时横向偏差为预设修正因子与实时横向偏差的乘积;
修正后的实时航向偏差为:1与预设修正因子做差后,再与航向偏差增益和实时航向偏差的三者乘积。
作为一种实施方式,在所述路径跟踪模块中,所述模糊PID算法的实时比例系数的调整公式为:
K′p(k)=αKp(k)
式中:K′p(k)为调整后的k时刻比例系数值;Kp(k)为预设模糊逻辑计算整定的k时刻比例系数值;α为比例系数的调整参数;E(k)为k时刻的合成偏差,α1,α2,α3分别为比例系数的调整参数值。
作为一种实施方式,在所述路径跟踪模块中,所述模糊PID算法的实时积分系数的调整公式为:
K′i(k)=βKi(k)
式中:K′i(k)为调整后的k时刻积分系数值;Ki(k)为预设模糊逻辑计算整定的k时刻积分系数值;β为积分系数的调整参数;E(k)为k时刻的合成偏差,ε为积分分离阈值;β1,β2分别为积分系数的调整参数值。
本发明的第三个方面提供了一种车辆路径跟踪系统,其包括如上述所述的车辆路径跟踪控制器。
与现有技术相比,本发明的有益效果是:
能够提高车辆路径跟踪的稳定性及精确性。
为了实现上述目的,本发明采用如下技术方案:
本发明提供了一种车辆路径跟踪控制方法及系统,其根据预设修正因子合成实时总误差,将实时总误差作为模糊PID算法的输入,进而调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;其中,模糊PID算法的实时比例系数和实时积分系数分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整,降低了外界不确定干扰,保障了车辆跟踪模型的精度,使得该方法能够适用于环境恶劣且复杂多变的作业环境,提高了车辆跟踪的精度及稳定性。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的车辆路径跟踪控制方法原理图;
图2是本发明实施例的车辆运动学分析图;
图3是本发明实施例的直线路径跟踪偏差解算图;
图4是本发明实施例的曲线路径跟踪偏差解算图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例的车辆路径跟踪控制原理为:
首先将车辆当前位置,航向与预设路径航向比较,计算实时横向偏差Ed(k)和航向偏差Eθ(k),根据上述设计合成的总误差E(k)作为模糊PID算法的输入,根据模糊PID的车辆路径跟踪控制算法在线整定P、I、D三个参数,输出期望的车轮转角δ1(k),将期望的车轮转角δ1(k)和当前时刻实际的车轮转角δ2(k)比较得到实际车轮转角δ(k),数字化后转化为下发转向伺服电机驱动器转动角度的数字量,实际前轮转角δ(k)作为转向PID算法的输入,输出转向电机转向速度数字量,最终实现车体转向。
具体地,车辆路径跟踪控制方法,包括如下步骤:
S101:获取车辆当前位置、当前航向角及当前前轮转角。
例如:以基站位置为原点,东北方向为x,y坐标轴,控制器从北斗导航控制器实时获取当前车辆的航向角θ,位置坐标(x,y),(x,y)为距离x,y坐标轴的距离,从前轮角度传感器获取前轮当前t时刻转角δ2。
S102:将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差。
下面车辆以四轮转向车辆为研究对象,四轮转向运动学模型在阿克曼转向几何的基础上建立,且视车辆为刚体,设车轮只做滚动和转向运动,不考虑车轮的滑移。车辆四轮转向运动学模型如图2所示。图2中横坐标为距离规定原点横向距离,纵坐标为距离规定原点纵向距离。
图2中:δa为外轮转向角;δb为内轮转向角,δ为平均转向角;Ra为外侧车轮转向半径;Rb为内侧车轮转向半径;R平均转向半径;o为车辆四轮转向瞬心,L为前后轮轴距;θ为速度方向与x轴的夹角(航向角);υ为车前进方向速度;N(x,y)为车辆中心点的位置坐标,其中x,y分别为车辆中点处距原点横、纵向的距离。
将δ作为实际前轮转角,N(x,y)作为车辆当前位置坐标,推导可得出实际前轮转角δ、航向角θ,位置坐标N(x,y)的关系式为:
将北斗定位系统获取的车辆当前位置的(x,y)、航向角θ和规划路径数据进行对比,计算出当前的横向偏差Ed和航向偏差Eθ。
在直线路径上,假设规划路径起点A(xA,yA)和终点B(xB,yB),车辆当前位置点C(xC,yC),如图3所示。
直线路径上航向偏差为航向角与路径方向的绝对角度之差:
直线路径上横向偏差为当前实际位置坐标到路径的垂直距离:
在转弯路径上,假设规划路径起点和终点B(xB,yB),车辆当前位置点C(xC,yC),如图4所示。
其中:
S103:根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差。
其中,实时总误差为:修正后的实时横向偏差与修正后的实时航向偏差之和;
其中,修正后的实时横向偏差为预设修正因子与实时横向偏差的乘积;
修正后的实时航向偏差为:1与预设修正因子做差后,再与航向偏差增益和实时航向偏差的三者乘积。
由于采用PID控制器进行路径跟踪,其输入量只有一个,而横向偏差和航向偏差对路径跟踪都有显著的影响,故将横向偏差和航向偏差转换成合成的总误差E,将其作为PID控制器的输入,从而决策输出期望的前轮转角δ1。引入一种可调整的修正因子α来完善合成偏差。
式中,φ为加权因子,E(k)为实时合成误差,Ed(k)为实时的横向偏差,Eθ(k)为实时的航向偏差,k为采样时刻,为航向偏差增益,加权因子φ可以修正横向偏差和航向偏差的比重,当横向位置误差较大时,加大权重保证车辆快速地跟踪路径;当位置误差较小时,减小位置误差的权重,将航向修正到目标航向为主,加权因子φ的获取按照实际经验和模拟效果进行确定。再由合成误差E(k)作为控制器的输入决策跟踪路径时的期望前轮转角。
S104:将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同。
其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:
分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
模糊PID在常规PID的基础上引进模糊逻辑控制,无需建立精确的数学模型,只需对系统工作的实时状态采用模糊推理的方式做出正确决策。可以根据实际工况更新参数,相比于常规PID超调量小,响应速度快,达到稳定的时间短;但是由于外界的干扰同时会影响到决策输出量,因此抗干扰能力并不强。为提高控制系统在外界干扰下的稳定性,在分析PID参数和模糊逻辑对系统性能影响机理的基础上,对模糊PID算法进行改进,提升系统的抗干扰能力。
构建2输入3输出模糊控制器,输入为合成偏差E和合成偏差变化值Ec,输出为由模糊规则推理出的比例系数增量ΔKp(k)、积分系数增量ΔKi(k)和微分系数增量ΔKd(k),参数自整定公式为:
式中:Kp为比例系数基础值;ΔKp(k)为模糊控制器输出的比例系数的实时增量;Kp(k)为修正后的实时的比例系数;Ki为积分系数基础值;ΔKi(k)为模糊控制器输出的积分系数的实时增量;Ki(k)为修正后的实时的积分系数;Kd为微分系数基础值;ΔKd(k)为模糊控制器输出的微分系数的实时增量。Kd(k)为修正后的实时的微分系数。
将输入量与输出量在论域区间上的模糊子集均定义为{NB,NM,NS,ZO,PS,PM,PB}7个语言变量,分别表示{负大,负中,负小,零,正小,正中,正大},对应区间为[-6,-4]、[-4,-2]、[-2,0]、[0,2]、[2,4]、[4,6]。对输出进行解模糊后将结果映射到区间[-6,6]上,分别对应区间[-6,-4]、[-4,-2]、[-2,0]、[0,2]、[2,4]、[4,6]。隶属度函数均为三角分布函数,当模糊控制器输入和输出不在模糊语言变量端点时,采用三角形隶属度函数计算对于左右端点的隶属度。绘制三角形隶属度函数曲线,如图3所示。
为求得输出值即期望的前轮转角,需要对模糊推理所得的模糊矢量进行解模糊。本实施例采用加权平均法进行解模糊,得到模糊控制器输出为:
式中:z为解模糊后的精确值,zi为模糊论域内的值,η(zi)为zi的隶属度,k为隶属度个数。
在PID引入比例环节的作用是系统一旦出现偏差,比例项立即产生作用按照比例调节系统的偏差,使偏差迅速减小。适当增大比例作用,可以加快响应速度,迅速减小误差,但是当其过大时,会使系统输出超调,稳态误差增大,甚至造成系统输出的震荡。
当通过模糊逻辑算法,以偏差及偏差的变化率为自变量实时计算得到比例系数增量时,外界干扰也会影响算法计算过程。当波动不大时,模糊算法的运用可以改善控制品质,但是当外界干扰显著影响系统时,由于偏差和偏差的变化率突变,导致比例系数增量发生突变,从而使系统输出震荡,发生超调,降低了系统的鲁棒性。因此对模糊算法计算出的比例系数增量,根据实时误差进行修正:系统误差较大时,缩小比例系数增量,保证系统稳定无超调,提高系统的稳定性;系统误差较小时,增大比例系数增量,提高跟踪精度,最终加快响应速度且提高系统的鲁棒性。
在具体实施过程中,所述模糊PID算法的实时比例系数的调整公式为:
K′p(k)=αKp(k)
式中:K′p(k)为调整后的k时刻比例系数值;Kp(k)为预设模糊逻辑计算整定的k时刻比例系数值;α为比例系数的调整参数;E(k)为k时刻的合成偏差,α1,α2,α3分别为比例系数的调整参数值。
在PID引入积分环节的作用是对历史偏差进行积累,从而消除静态误差,提高控制精度。但是当控制系统短时间内出现很大偏差时,如过程启动、结束、大幅度增减以及瞬时干扰时,偏差较大的值也会因为积分项的存在而累积,同时由于系统的惯性和滞后,系统不可避免会出现超调,响应速度减慢,甚至系统输出出现震荡,此时积分项的存在对于控制系统是不利的。
因此对PID积分部分设计了积分分离算法,以偏差的绝对值大小作为判断依据,在控制系统的偏差大于等于某个特定值时,积分分离系数取0,取消积分作用,控制器等价于PD控制,既能避免积分效应、提高系统的快速响应能力,又可避免过大超调;当控制系统的偏差小于特定值时,积分分离系数取1,可保证系统的控制精度,又可改善系统的动态性能。
在具体实施过程中,所述模糊PID算法的实时积分系数的调整公式为:
K′i(k)=βKi(k)
式中:K′i(k)为调整后的k时刻积分系数值;Ki(k)为预设模糊逻辑计算整定的k时刻积分系数值;β为积分系数的调整参数;E(k)为k时刻的合成偏差,ε为积分分离阈值;β1,β2分别为积分系数的调整参数值。
在具体实施过程中,跟踪控制算法采用增量式PID,设系统的采样周期为T,第k次采样时,期望的车轮转角为:
δ1(k)=δ1(k-1)+Δδ1(k)
Δδ1(k)=K′P(k)(E(k)-E(k-1))+K′i(k)E(k)+Kd(k)(E(k)-2E(k-1)+E(k-2))
其中,δ1(k)为k时刻期望的车轮转角,Δδ1(k)为输出期望车轮转向角变化量,E(k)为k时刻合成偏差,E(k-1)为k-1时刻合成偏差,E(k-2)为k-2时刻合成偏差,K′P(k)为调整后的k时刻比例系数值,K′i(k)为调整后的k时刻积分系数值,Kd(k)为k时刻微分系数值。
在具体实施过程中,在实时跟踪预设路径的过程中,根据当前时刻期望的车轮转角与当前时刻车轮转角比较,决定车辆车轮实际转角,采用转向控制算法得到转向电机转向速度数字量。
根据上述改进模糊PID控制算法计算出k时刻期望的前轮转角δ1(k),将期望的前轮转角δ1(k)与当前时刻前轮转角δ2(k)比较,决定车辆前轮实际转角δ(k),由于实际前轮转角大时需要加快转动速度,实际前轮转角小时需要降低转动速度,因此采用转向控制算法,通过调整PID三个参数改善转向系统响应性能,实现当实际转向角度较大时,转向执行机构响应较快,当实际转向角度较小时,转向执行机构响应较慢。
采用增量式PID,设系统的采样周期为T,第k次采样时,输出变化量为:
ΔU(k)=KP′(δ(k)-δ(k-1))+Ki′δ(k)+Kd′(δ(k)-2δ(k-1)+δ(k-2))
第k个采样时刻输出量为:
U(k)=U(k-1)+ΔU(k)
其中:δ(k)=δ1(k)-δ2(k)为实际的前轮转角δ(k),即期望的前轮转角δ1(k)与当前时刻前轮转角δ2(k)的差值,为PID控制的输入,输出为转向电机转向速度数字量。
实施例二
本实施例提供了一种车辆路径跟踪控制器,其具体包括如下模块:
(1)数据获取模块,其用于获取车辆当前位置、当前航向角及当前前轮转角。
在具体实施中,车辆当前位置可采用GPS模块采集得到;当前航向角及当前前轮转角可采用角度传感器等设备采集得到。
(2)偏差计算模块,其用于将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差。
(3)总误差合成模块,其用于根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差。
在具体实施中,在所述总误差合成模块中,实时总误差为:修正后的实时横向偏差与修正后的实时航向偏差之和;
其中,修正后的实时横向偏差为预设修正因子与实时横向偏差的乘积;
修正后的实时航向偏差为:1与预设修正因子做差后,再与航向偏差增益和实时航向偏差的三者乘积。
(4)路径跟踪模块,其用于将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;
其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:
分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
具体地,在所述路径跟踪模块中,所述模糊PID算法的实时比例系数的调整公式为:
K′p(k)=αKp(k)
式中:K′p(k)为调整后的k时刻比例系数值;Kp(k)为预设模糊逻辑计算整定的k时刻比例系数值;α为比例系数的调整参数;E(k)为k时刻的合成偏差,α1,α2,α3分别为比例系数的调整参数值。
在所述路径跟踪模块中,所述模糊PID算法的实时积分系数的调整公式为:
K′i(k)=βKi(k)
式中:K′i(k)为调整后的k时刻积分系数值;Ki(k)为预设模糊逻辑计算整定的k时刻积分系数值;β为积分系数的调整参数;E(k)为k时刻的合成偏差,ε为积分分离阈值;β1,β2分别为积分系数的调整参数值。
此处需要说的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
实施例三
本实施例提供了一种车辆路径跟踪系统,其包括如上述实施例二中所述的车辆路径跟踪控制器。
此处需要说明的是,车辆路径跟踪系统中除了车辆路径跟踪控制器之外,其他模块均为现有结构,比如采集车辆当前位置的装置,比如GPS模块等,采集当前航向角及当前前轮转角的角度传感器等等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (10)
1.一种车辆路径跟踪控制方法,其特征在于,包括:
获取车辆当前位置、当前航向角及当前前轮转角;
将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差;
根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差;
将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;
其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:
分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
2.如权利要求1所述的车辆路径跟踪控制方法,其特征在于,实时总误差为:修正后的实时横向偏差与修正后的实时航向偏差之和;
其中,修正后的实时横向偏差为预设修正因子与实时横向偏差的乘积;
修正后的实时航向偏差为:1与预设修正因子做差后,再与航向偏差增益和实时航向偏差的三者乘积。
5.如权利要求1所述的车辆路径跟踪控制方法,其特征在于,期望的车轮转角为:
δ1(k)=δ1(k-1)+Δδ1(k)
Δδ1(k)=K′P(k)(E(k)-E(k-1))+K′i(k)E(k)+Kd(k)(E(k)-2E(k-1)+E(k-2))
其中,δ1(k)为k时刻期望的车轮转角,Δδ1(k)为输出期望车轮转向角变化量,E(k)为k时刻合成偏差,E(k-1)为k-1时刻合成偏差,E(k-2)为k-2时刻合成偏差,K′P(k)为调整后的k时刻比例系数值,K′i(k)为调整后的k时刻积分系数值,Kd(k)为k时刻微分系数值。
6.如权利要求1所述的车辆路径跟踪控制方法,其特征在于,在实时跟踪预设路径的过程中,根据当前时刻期望的车轮转角与当前时刻车轮转角比较,决定车辆车轮实际转角,采用转向控制算法得到转向电机转向速度数字量。
7.一种车辆路径跟踪控制器,其特征在于,包括:
数据获取模块,其用于获取车辆当前位置、当前航向角及当前前轮转角;
偏差计算模块,其用于将车辆当前位置和当前航向角与预设路径比较,计算实时横向偏差和实时航向偏差;
总误差合成模块,其用于根据预设修正因子,将实时横向偏差和实时航向偏差合成实时总误差;
路径跟踪模块,其用于将实时总误差作为模糊PID算法的输入,以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同;
其中,所述模糊PID算法的实时比例系数和实时积分系数的调整过程为:
分别经预设模糊逻辑计算出相应增量后,再经对应调整系数进行调整。
8.如权利要求7所述的车辆路径跟踪控制器,其特征在于,在所述总误差合成模块中,实时总误差为:修正后的实时横向偏差与修正后的实时航向偏差之和;
其中,修正后的实时横向偏差为预设修正因子与实时横向偏差的乘积;
修正后的实时航向偏差为:1与预设修正因子做差后,再与航向偏差增益和实时航向偏差的三者乘积。
9.如权利要求7所述的车辆路径跟踪控制器,其特征在于,在所述路径跟踪模块中,所述模糊PID算法的实时比例系数的调整公式为:
K′p(k)=αKp(k)
式中:K′p(k)为调整后的k时刻比例系数值;Kp(k)为预设模糊逻辑计算整定的k时刻比例系数值;α为比例系数的调整参数;E(k)为k时刻的合成偏差,α1,α2,α3分别为比例系数的调整参数值;
或
在所述路径跟踪模块中,所述模糊PID算法的实时积分系数的调整公式为:
K′i(k)=βKi(k)
式中:K′i(k)为调整后的k时刻积分系数值;Ki(k)为预设模糊逻辑计算整定的k时刻积分系数值;β为积分系数的调整参数;E(k)为k时刻的合成偏差,ε为积分分离阈值;β1,β2分别为积分系数的调整参数值。
10.一种车辆路径跟踪系统,其特征在于,包括如权利要求7-9中任一项所述的车辆路径跟踪控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524984.XA CN114237033A (zh) | 2021-12-14 | 2021-12-14 | 一种车辆路径跟踪控制方法、控制器及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111524984.XA CN114237033A (zh) | 2021-12-14 | 2021-12-14 | 一种车辆路径跟踪控制方法、控制器及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114237033A true CN114237033A (zh) | 2022-03-25 |
Family
ID=80755840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111524984.XA Pending CN114237033A (zh) | 2021-12-14 | 2021-12-14 | 一种车辆路径跟踪控制方法、控制器及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114237033A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093396A (zh) * | 2007-07-04 | 2007-12-26 | 华南农业大学 | 一种农业机械的导航控制方法 |
CN108646747A (zh) * | 2018-06-05 | 2018-10-12 | 上海交通大学 | 农用车辆路径跟踪控制方法 |
CN111781818A (zh) * | 2020-07-06 | 2020-10-16 | 山东大学 | 基于改进模糊pid控制算法的agv控制方法及系统 |
CN112817249A (zh) * | 2020-12-28 | 2021-05-18 | 马樱 | 一种自动驾驶汽车控制系统 |
-
2021
- 2021-12-14 CN CN202111524984.XA patent/CN114237033A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101093396A (zh) * | 2007-07-04 | 2007-12-26 | 华南农业大学 | 一种农业机械的导航控制方法 |
CN108646747A (zh) * | 2018-06-05 | 2018-10-12 | 上海交通大学 | 农用车辆路径跟踪控制方法 |
CN111781818A (zh) * | 2020-07-06 | 2020-10-16 | 山东大学 | 基于改进模糊pid控制算法的agv控制方法及系统 |
CN112817249A (zh) * | 2020-12-28 | 2021-05-18 | 马樱 | 一种自动驾驶汽车控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108646756B (zh) | 基于分段仿射模糊滑模的智能汽车横向控制方法及系统 | |
CN110162046B (zh) | 基于事件触发型模型预测控制的无人车路径跟随方法 | |
CN112693449B (zh) | 一种无人车辆极限工况下横纵向耦合控制方法 | |
CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN112346465A (zh) | 基于ialos导引律的欠驱无人船自适应模糊控制方法 | |
CN114967475B (zh) | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 | |
CN112622895B (zh) | 一种应用于自动驾驶的轨迹控制的预估控制方法 | |
CN113183957A (zh) | 车辆控制方法、装置、设备及自动驾驶车辆 | |
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 | |
Yin et al. | Trajectory tracking based on adaptive sliding mode control for agricultural tractor | |
Tong et al. | Trajectory tracking control for four-wheel independently driven electric vehicle based on model predictive control and sliding model control | |
CN114237033A (zh) | 一种车辆路径跟踪控制方法、控制器及控制系统 | |
CN114740845A (zh) | 一种基于浸入与不变流形车辆跟踪控制方法 | |
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 | |
CN115079569A (zh) | 一种基于天牛须搜索算法的agv非线性自抗扰控制方法 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 | |
CN117519190B (zh) | 一种新的铰接车辆控制方法 | |
CN115167484B (zh) | 基于神经网络的自主水下航行器模型预测路径跟踪方法 | |
CN114355924B (zh) | 一种改进型纯跟踪路径跟踪方法 | |
CN114200925B (zh) | 基于自适应时域模型预测的拖拉机路径跟踪控制方法及系统 | |
Xu et al. | Mobile Robot Positioning Method Based on Improved Cubature Kalman Filter | |
CN116719323A (zh) | 一种高速智能汽车横向主动抗干扰控制方法 | |
Qian et al. | Conditional Integration Active Disturbance Rejection Controller for Path Tracking of Autonomous Driving Vehicles | |
CN116691668A (zh) | 一种大型智能车辆的横向控制方法 |
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 |