CN114348003A - 一种智能驾驶车辆耦合控制方法、装置、设备及存储介质 - Google Patents

Abstract

本发明涉及一种智能驾驶车辆耦合控制方法、装置、设备及存储介质，涉及自动驾驶领域，所述方法包括：获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息；根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度；根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角；根据所述方向盘转角控制车辆方向盘进行转动，并根据所述整车加速度控制车辆纵向行驶。本发明达到既对车辆的纵向控制以及横向控制足够稳定，同时对控制器的负担较小，占用控制器的资源较少的效果。

Description

一种智能驾驶车辆耦合控制方法、装置、设备及存储介质

技术领域

本发明涉及自动驾驶领域，尤其涉及一种智能驾驶车辆耦合控制方法、装置、设备及存储介质。

背景技术

近年来，随着全球人工智能日益发展成熟，自动化控制方面取得了突破性的进展，性能取得了极大的提升。对于自动驾驶来说，车辆控制技术具有极其重要意义。

目前，主流的车辆控制算法框架有：PID、LQR以及MPC，自动驾驶中一般单独采用PID、LQR以及MPC其中的一种算法；而车辆高速行驶时，单独采用其中一种算法来实现自动驾驶车辆的横纵向控制，会存在对车辆的横向控制不够稳定，或存在对车辆的纵向控制不够稳定，或者存在对车辆的横纵向控制虽然稳定但对控制器负担较大，占用资源较多的问题。

发明内容

本发明提供了一种智能驾驶车辆耦合控制方法、装置、设备及存储介质，以解决现有技术中车辆高速行驶时，单独采用其中一种算法来实现自动驾驶车辆的横纵向控制，会存在对车辆的横向控制不够稳定，或存在对车辆的纵向控制不够稳定，或者存在对车辆的横纵向控制虽然稳定但对控制器负担较大，占用资源较多的问题。

为了解决上述问题，本发明采用以下技术方案：包括：

第一方面，本发明提供了一种智能驾驶车辆耦合控制方法，所述方法应用于控制器中，所述方法包括：

获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息；

根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度；

根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角；

根据所述方向盘转角控制车辆方向盘进行转动，并根据所述整车加速度控制车辆纵向行驶。

其进一步的技术方案为，所述获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息，包括：

接收用户根据阿克曼转角几何与车辆运动学原理建立的状态空间方程；

控制传感器获取当前车辆的实际位置、航向角、车辆线速度信息以及角速度信息；

接收传感器上传的所述当前车辆的实际位置、所述航向角、所述车辆线速度信息以及所述角速度信息，得到车辆当前状态信息。

其进一步的技术方案为，所述根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，包括：

利用所述预设的LQR算法，根据所述车辆当前状态信息以及所述规划轨迹信息对所述状态空间方程进行更新，得到实时状态空间方程，所述实时状态空间方程包括实时状态矩阵、实时控制矩阵、实时状态矩阵的系数以及实时控制矩阵的系数；

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数确定黎卡提方程；

根据所述黎卡提方程计算出增益矩阵；

对所述增益矩阵求解，得到车轮转角反馈控制量。

其进一步的技术方案为，所述根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角，包括：

将所述车轮转角反馈控制量转换为方向盘转角的反馈控制值，并将所述车轮转角前馈控制量转换为方向盘转角的前馈控制值；

将所述方向盘转角的反馈控制值以及所述方向盘转角的前馈控制值进行相加，得到所述方向盘转角。

其进一步的技术方案为，所述根据所述黎卡提方程计算出增益矩阵，包括：

对所述黎卡提方程进行求解，得到待反推矩阵；

对所述待反推矩阵进行反推，得到增益矩阵。

其进一步的技术方案为，所述规划轨迹信息包括规划轨迹各位置的速度以及规划加速度，所述预设的PID算法包括位置式PID算法以及速度式PID算法，所述根据预设的PID算法确定整车加速度，包括：

获取期望位置以及当前位置速度补偿量；

根据所述期望位置、所述当前车辆的实际位置以及位置式PID算法，计算出此时的速度补偿量；

根据所述速度补偿量、当前位置速度补偿量以及速度式PID算法，计算出纵向的加速度补偿量；

根据所述规划加速度以及所述加速度补偿量确定整车加速度。

其进一步的技术方案为，所述根据所述黎卡提方程计算出增益矩阵之前，所述方法还包括：

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第二控制权重矩阵系数以及预设的第二状态权重矩阵系数确定黎卡提方程；所述预设的第二控制权重矩阵系数比所述预设的第一控制权重矩阵系数大，所述预设的第二状态权重矩阵系数比所述预设的第一状态权重矩阵系数大。

第二方面，本发明还提供了一种智能驾驶车辆耦合控制装置，包括用于执行如第一方面所述方法的单元。

第三方面，本发明还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现第一方面所述的方法的步骤。

第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的方法的步骤。

本发明实施例提供的上述技术方案与现有技术相比具有如下优点：

本发明实施例中控制器通过获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息之后；根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度，从而通过所述预设的PID算法控制车辆纵向行驶，使得车辆高速行驶时对车辆的纵向控制足够稳定；根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角；根据所述方向盘转角控制车辆方向盘进行转动，从而通过预设的LQR算法控制车辆横向行驶，使得车辆高速行驶时对车辆的横向控制足够稳定，同时在采用预设的LQR算法结合预设的PID算法时，对控制器的负担较小，占用控制器的资源较少。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，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1提供的一种智能驾驶车辆耦合控制方法的流程示意图；

图2为本发明实施例2提供的一种智能驾驶车辆耦合控制装置结构框图；

图3为本发明实施例3提供的一种电子设备的结构示意图；

图4为单独使用PID算法控制的车辆沿预设规划轨迹进行行驶的示意图；

图5为使用本发明实施例1提供的一种智能驾驶车辆耦合控制方法的车辆沿预设规划轨迹进行行驶的示意图。

具体实施方式

为了更充分理解本发明的技术内容，下面结合具体实施例对本发明的技术方案进一步介绍和说明，但不局限于此。

下面将结合本发明实施例中的附图，对本发明实施例中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区间。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

实施例1

参见图1，结合图4以及图5所示，图1为本发明实施例1提供的一种智能驾驶车辆耦合控制方法的流程示意图。该方法应用于控制器中。具体地，如图1所示，该方法包括以下步骤S101-S104。

S101,获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息。

具体地，所述状态空间方程由控制矩阵与状态矩阵组成；所述道路曲率指曲线在某一点的弯曲程度的数值；所述规划轨迹信息指车辆的规划行驶路线。

在一实施例中，所述获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息，包括：

接收用户根据阿克曼转角几何与车辆运动学原理建立的状态空间方程；

具体地，所述阿克曼转角几何是为了解决交通工具转弯时，内外转向轮路径指向的圆心不同的几何学；轨迹规划过程以及状态空间方程建立中应尽可能考虑车辆运动学原理及动力学约束，使得对车辆控制的性能更好。

控制传感器获取当前车辆的实际位置、航向角、车辆线速度信息以及角速度信息；

具体地，控制器控制传感器去获取当前车辆的实际位置、航向角、车辆线速度信息以及角速度信息。

接收传感器上传的所述当前车辆的实际位置、所述航向角、所述车辆线速度信息以及所述角速度信息，得到车辆当前状态信息。

具体地，控制器接收传感器上传的所述当前车辆的实际位置、所述航向角、所述车辆线速度信息以及所述角速度信息，得到车辆当前状态信息，所述当前车辆的实际位置、所述航向角、所述车辆线速度信息以及所述角速度信息即为所述车辆当前状态信息。

S102,根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度。

具体地，控制器利用所述预设的LQR算法，根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度。所述车轮转角反馈控制量是指在所述预设的LQR算法下得到的一个车轮转角，所述车轮转角前馈控制量是指在所述预设的LQR算法下得到的另一个车轮转角。

所述根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量是前馈控制，使用前馈控制是由于车辆沿固定曲率轨迹运行时航向偏差项不为0，因此通过LQR调节使系统趋于稳定，但是系统的稳态偏差并不为0，为此增加一个前馈环节，使系统趋于稳定的同时系统的横向稳态偏差为0。

在一实施例中，所述根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，包括：

利用所述预设的LQR算法，根据所述车辆当前状态信息以及所述规划轨迹信息对所述状态空间方程进行更新，得到实时状态空间方程，所述实时状态空间方程包括实时状态矩阵、实时控制矩阵、实时状态矩阵的系数以及实时控制矩阵的系数；

具体地，控制器利用所述预设的LQR算法，根据所述车辆当前状态信息以及所述规划轨迹信息对所述状态空间方程进行更新，得到实时状态空间方程，所述实时状态空间方程包括实时状态矩阵、实时控制矩阵、实时状态矩阵的系数以及实时控制矩阵的系数。所述实时状态矩阵包含横向误差、横向误差变化率、航向误差、航行误差变化率。所述预设的LQR算法为用户根据需求编写的。所述实时状态矩阵的系数以及实时控制矩阵的系数均为矩阵。

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数确定黎卡提方程；

具体地，控制器根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数确定黎卡提方程。所述预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数是用户设定的。所述预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数相对较小。所述预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数都是矩阵。对于loss function函数中选取相对较小的所述实时状态矩阵的系数以及实时控制矩阵的系数，虽然对系统的控制效果变好，控制系统过程中消耗的能量变少，但控制调节速度会变慢，系统响应滞后，系统控制精度也会降低。

根据所述黎卡提方程计算出增益矩阵；

具体地，控制器根据所述黎卡提方程计算出增益矩阵。

对所述增益矩阵求解，得到车轮转角反馈控制量。

具体地，控制器对所述增益矩阵求解，得到车轮转角反馈控制量。

在一实施例中，所述根据所述黎卡提方程计算出增益矩阵，包括：

对所述黎卡提方程进行求解，得到待反推矩阵；

具体地，控制器对所述黎卡提方程进行求解，得到待反推矩阵，所述待反推矩阵为所述黎卡提方程的解。

对所述待反推矩阵进行反推，得到增益矩阵。

具体地，控制器对所述待反推矩阵进行反推，得到增益矩阵。

在一实施例中，所述根据所述黎卡提方程计算出增益矩阵之前，所述方法还包括：

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第二控制权重矩阵系数以及预设的第二状态权重矩阵系数确定黎卡提方程；所述预设的第二控制权重矩阵系数比所述预设的第一控制权重矩阵系数大，所述预设的第二状态权重矩阵系数比所述预设的第一状态权重矩阵系数大。

具体地，通过采用相对较大的所述预设的第二控制权重矩阵系数以及所述预设的第二状态权重矩阵系数，可以提高系统响应速度，使得自动驾驶车辆能够更快的趋近于目标路径，性能仅略微降低，增大对系统的调节速度，但稳定性、舒适性相对差一点，适用于无人的物流车，如港口、园区特定路线载物车辆。所述预设的第二控制权重矩阵系数以及所述预设的第二状态权重矩阵系数为矩阵。

在一实施例中，所述规划轨迹信息包括规划轨迹各位置的速度以及规划加速度，所述预设的PID算法包括位置式PID算法以及速度式PID算法，所述根据预设的PID算法确定整车加速度，包括：

获取期望位置以及当前位置速度补偿量；

具体地，控制器采用位置式PID算法获取期望位置以及当前位置速度补偿量。所述前位置速度补偿量为预设轨迹位置的速度减去当前位置的速度得出。所述期望位置为期望车辆到达的位置。

根据所述期望位置、所述当前车辆的实际位置以及位置式PID算法，计算出此时的速度补偿量；

具体地，控制器使用位置式PID算法，根据所述期望位置、所述当前车辆的实际位置，计算出此时的速度补偿量。所述位置式PID算法为用户根据需求编写配置的。

根据所述速度补偿量、当前位置速度补偿量以及速度式PID算法，计算出纵向的加速度补偿量；

具体地，控制器使用速度式PID算法，根据所述速度补偿量、当前位置速度补偿量，计算出纵向的加速度补偿量。所述速度式PID算法为用户根据需求编写配置的。

根据所述规划加速度以及所述加速度补偿量确定整车加速度。

具体地，控制器根据所述规划加速度以及所述加速度补偿量确定整车加速度。

S103,根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角。

具体地，控制器利用所述预设的LQR算法，根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角。

在一实施例中，所述根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角，包括：

将所述车轮转角反馈控制量转换为方向盘转角的反馈控制值，并将所述车轮转角前馈控制量转换为方向盘转角的前馈控制值；

具体地，控制器利用所述预设的LQR算法，将所述车轮转角反馈控制量转换为方向盘转角的反馈控制值，并将所述车轮转角前馈控制量转换为方向盘转角的前馈控制值。

将所述方向盘转角的反馈控制值以及所述方向盘转角的前馈控制值进行相加，得到所述方向盘转角。

具体地，控制器利用所述预设的LQR算法，将所述方向盘转角的反馈控制值以及所述方向盘转角的前馈控制值进行相加，得到所述方向盘转角。所述方向盘转角又作为航向角，从而不断地反馈而得到车辆实时的方向盘转角。

S104,根据所述方向盘转角控制车辆方向盘进行转动，并根据所述整车加速度控制车辆纵向行驶。

具体地，控制器根据所述方向盘转角控制车辆方向盘进行转动，从而控制车辆横向行驶；并根据所述整车加速度控制车辆纵向行驶。

如图4-图5所示，当最车速较快时，此时使用单一PID算法控制的车辆摆动较大，而使用本发明的智能驾驶车辆耦合控制方法的车辆控制效果良好，车辆行驶稳定。

具体而言，控制器通过获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息之后；根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度，从而通过所述预设的PID算法控制车辆纵向行驶，使得车辆高速行驶时对车辆的纵向控制足够稳定；根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角；根据所述方向盘转角控制车辆方向盘进行转动，从而通过预设的LQR算法控制车辆横向行驶，使得车辆高速行驶时对车辆的横向控制足够稳定，同时采用预设的LQR算法结合预设的PID算法时，对控制器的负担较小，占用控制器的资源较少。

实施例2

如图2所示，本发明实施例还提供了一种智能驾驶车辆耦合控制装置400，该装置400包括第一获取单元401、第一确定单元402、第二确定单元403、第一控制单元404。

第一获取单元401，用于获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息。

第一确定单元402，用于根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度。

第二确定单元403，用于根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角。

第一控制单元404，用于根据所述方向盘转角控制车辆方向盘进行转动，并根据所述整车加速度控制车辆纵向行驶。

在一实施例中，所述获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息，包括：

接收用户根据阿克曼转角几何与车辆运动学原理建立的状态空间方程；

控制传感器获取当前车辆的实际位置、航向角、车辆线速度信息以及角速度信息；

接收传感器上传的所述当前车辆的实际位置、所述航向角、所述车辆线速度信息以及所述角速度信息，得到车辆当前状态信息。

在一实施例中，所述根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，包括：

利用所述预设的LQR算法，根据所述车辆当前状态信息以及所述规划轨迹信息对所述状态空间方程进行更新，得到实时状态空间方程，所述实时状态空间方程包括实时状态矩阵、实时控制矩阵、实时状态矩阵的系数以及实时控制矩阵的系数；

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数确定黎卡提方程；

根据所述黎卡提方程计算出增益矩阵；

对所述增益矩阵求解，得到车轮转角反馈控制量。

在一实施例中，所述根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角，包括：

将所述车轮转角反馈控制量转换为方向盘转角的反馈控制值，并将所述车轮转角前馈控制量转换为方向盘转角的前馈控制值；

将所述方向盘转角的反馈控制值以及所述方向盘转角的前馈控制值进行相加，得到所述方向盘转角。

在一实施例中，所述根据所述黎卡提方程计算出增益矩阵，包括：

对所述黎卡提方程进行求解，得到待反推矩阵；

对所述待反推矩阵进行反推，得到增益矩阵。

在一实施例中，所述规划轨迹信息包括规划轨迹各位置的速度以及规划加速度，所述预设的PID算法包括位置式PID算法以及速度式PID算法，所述根据预设的PID算法确定整车加速度，包括：

获取期望位置以及当前位置速度补偿量；

根据所述期望位置、所述当前车辆的实际位置以及位置式PID算法，计算出此时的速度补偿量；

根据所述速度补偿量、当前位置速度补偿量以及速度式PID算法，计算出纵向的加速度补偿量；

根据所述规划加速度以及所述加速度补偿量确定整车加速度。

在一实施例中，所述根据所述黎卡提方程计算出增益矩阵之前，所述方法还包括：

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第二控制权重矩阵系数以及预设的第二状态权重矩阵系数确定黎卡提方程；所述预设的第二控制权重矩阵系数比所述预设的第一控制权重矩阵系数大，所述预设的第二状态权重矩阵系数比所述预设的第一状态权重矩阵系数大。

具体而言，控制器通过获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息之后；根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度，从而通过所述预设的PID算法控制车辆纵向行驶，使得车辆高速行驶时对车辆的纵向控制足够稳定；根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角；根据所述方向盘转角控制车辆方向盘进行转动，从而通过预设的LQR算法控制车辆横向行驶，使得车辆高速行驶时对车辆的横向控制足够稳定，同时采用预设的LQR算法结合预设的PID算法时，对控制器的负担较小，占用控制器的资源较少。

实施例3

参见图3，本发明实施例还提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信。

存储器113，用于存放计算机程序；

处理器111，用于执行存储器113上所存放的程序，实现如实施例1提供的智能驾驶车辆耦合控制方法。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器111执行时实现如实施例1提供的智能驾驶车辆耦合控制方法的步骤。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或区间的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的区间。

Claims (10)

1.一种智能驾驶车辆耦合控制方法，其特征在于，所述方法应用于控制器中，所述方法包括：

获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息；

根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，根据所述道路曲率以及预设的LQR算法确定车轮转角前馈控制量，并根据预设的PID算法确定整车加速度；

根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角；

根据所述方向盘转角控制车辆方向盘进行转动，并根据所述整车加速度控制车辆纵向行驶。

2.根据权利要求1所述的智能驾驶车辆耦合控制方法，其特征在于，所述获取状态空间方程、车辆当前状态信息、道路曲率以及规划轨迹信息，包括：

接收用户根据阿克曼转角几何与车辆运动学原理建立的状态空间方程；

控制传感器获取当前车辆的实际位置、航向角、车辆线速度信息以及角速度信息；

接收传感器上传的所述当前车辆的实际位置、所述航向角、所述车辆线速度信息以及所述角速度信息，得到车辆当前状态信息。

3.根据权利要求1所述的智能驾驶车辆耦合控制方法，其特征在于，所述根据所述状态空间方程、所述车辆当前状态信息、所述规划轨迹信息以及预设的LQR算法确定车轮转角反馈控制量，包括：

利用所述预设的LQR算法，根据所述车辆当前状态信息以及所述规划轨迹信息对所述状态空间方程进行更新，得到实时状态空间方程，所述实时状态空间方程包括实时状态矩阵、实时控制矩阵、实时状态矩阵的系数以及实时控制矩阵的系数；

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第一控制权重矩阵系数以及预设的第一状态权重矩阵系数确定黎卡提方程；

根据所述黎卡提方程计算出增益矩阵；

对所述增益矩阵求解，得到车轮转角反馈控制量。

4.根据权利要求1所述的智能驾驶车辆耦合控制方法，其特征在于，所述根据所述车轮转角反馈控制量以及所述车轮转角前馈控制量确定方向盘转角，包括：

将所述车轮转角反馈控制量转换为方向盘转角的反馈控制值，并将所述车轮转角前馈控制量转换为方向盘转角的前馈控制值；

将所述方向盘转角的反馈控制值以及所述方向盘转角的前馈控制值进行相加，得到所述方向盘转角。

5.根据权利要求3所述的智能驾驶车辆耦合控制方法，其特征在于，所述根据所述黎卡提方程计算出增益矩阵，包括：

对所述黎卡提方程进行求解，得到待反推矩阵；

对所述待反推矩阵进行反推，得到增益矩阵。

6.根据权利要求2所述的智能驾驶车辆耦合控制方法，其特征在于，所述规划轨迹信息包括规划轨迹各位置的速度以及规划加速度，所述预设的PID算法包括位置式PID算法以及速度式PID算法，所述根据预设的PID算法确定整车加速度，包括：

获取期望位置以及当前位置速度补偿量；

根据所述期望位置、所述当前车辆的实际位置以及位置式PID算法，计算出此时的速度补偿量；

根据所述速度补偿量、当前位置速度补偿量以及速度式PID算法，计算出纵向的加速度补偿量；

根据所述规划加速度以及所述加速度补偿量确定整车加速度。

7.根据权利要求3所述的智能驾驶车辆耦合控制方法，其特征在于，所述根据所述黎卡提方程计算出增益矩阵之前，所述方法还包括：

根据所述实时状态矩阵的系数、所述实时控制矩阵的系数、预设的第二控制权重矩阵系数以及预设的第二状态权重矩阵系数确定黎卡提方程；所述预设的第二控制权重矩阵系数比所述预设的第一控制权重矩阵系数大，所述预设的第二状态权重矩阵系数比所述预设的第一状态权重矩阵系数大。

8.一种智能驾驶车辆耦合控制装置，其特征在于，包括用于执行如权利要求1-7任一项所述方法的单元。

9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-7任一项所述的方法的步骤。

10.一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如权利要求1-7任一项所述的方法的步骤。

Images