CN114564012A - 一种无人赛车路径规划方法、系统、装置及存储介质 - Google Patents
一种无人赛车路径规划方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114564012A CN114564012A CN202210143927.5A CN202210143927A CN114564012A CN 114564012 A CN114564012 A CN 114564012A CN 202210143927 A CN202210143927 A CN 202210143927A CN 114564012 A CN114564012 A CN 114564012A
- Authority
- CN
- China
- Prior art keywords
- racing car
- path
- constraint
- car
- racing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 51
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003032 molecular docking Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 description 28
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
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
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
-
- 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
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种无人赛车路径规划方法、系统、装置及存储介质,方法包括:获取赛车状态信息,并根据状态信息初始化状态向量和控制向量;建立赛车动力学模型,对赛车动力学模型进行处理得到赛车预测模型;确定赛车预测模型的系统输出量为等效横纵向误差;根据等效横纵向误差确定目标函数;建立道路边界约束和行驶稳定性约束;根据目标函数和道路边界约束和行驶稳定性约束,得到局部规划路径。本发明通过综合考虑边界约束和行驶稳定性约束,使赛车轮胎侧向力位于线性区域内,增强赛车的操纵稳定性;在目标函数中加入控制变量的惩罚和角速度惩罚,在保证路径动力学可执行性的同时提升赛车的圈速成绩。本发明可广泛应用于路径规划技术领域。
Description
技术领域
本发明涉及路径规划技术领域,尤其涉及一种无人赛车路径规划方法、系统、装置及存储介质。
背景技术
高速工况下如何保证无人驾驶车辆的行驶安全性,对无人驾驶技术的推广具有较大现实意义,无人赛车作为研究对象之一,更需要稳定可靠的算法保证高速行驶的安全性。
在无人驾驶架构中,决策规划层是重要组成部分之一,路径规划算法作为其中的关键技术,其功能是生成预期路径使自动驾驶汽车完成特定的任务。无人赛车路径规划子系统中,首要目标是在保证赛车的稳定性和安全性的前提下,充分利用轮胎极限以提升圈速。
早期路径规划算法的研究以图搜索算法为主,包括Dijkstra、A*等算法,另一类路径规划算法是以快速扩展树(Rapidly Exploring Random Tree,RRT)为代表的基于采样的算法。目前图搜索算法大部分时间花在构建路网上,而RRT算法规划路径会导致随机性和曲率不连续的问题,基于最优化理论的路径规划算法可有效解决这些问题,因此近年来得到了广泛应用。目前存在根据二次规划理论提出的基于最小曲率的路径规划算法,但缺乏车辆动力学约束,且无法满足实时性要求。
模型预测控制(简称MPC)是广泛应用于无人车辆控制领域的算法,通过预建立的车辆模型,预测指定时间内的车辆行为,并利用目标函数评估不同的预测结果,但已有方法大多针对特定场景,不适用于无人赛车,且未考虑行驶稳定性约束,若直接用于无人赛车,将导致赛车在高速行驶或路面附着条件较差时失控风险提高,此外,还需要考虑边界约束使赛车保持在赛道内行驶。
发明内容
为了解决上述技术问题,本发明的目的是提供一种无人赛车路径规划方法、系统、装置及存储介质,能够增强赛车的操纵稳定性,提升赛车的圈速成绩。
一方面,本发明实施例提供了一种无人赛车路径规划方法,包括以下步骤:
获取赛车状态信息,并根据所述状态信息初始化状态向量和控制向量;
建立赛车动力学模型,对所述赛车动力学模型进行处理得到赛车预测模型,并利用所述状态向量和所述控制向量对所述赛车预测模型进行参数更新;
确定所述赛车预测模型的系统输出量为等效横纵向误差;
根据所述等效横纵向误差确定所述赛车预测模型的目标函数,所述目标函数内包括有控制变量的惩罚和角速度惩罚;
建立道路边界约束和行驶稳定性约束;
根据所述目标函数和所述道路边界约束和所述行驶稳定性约束,得到局部规划路径。
进一步,所述无人赛车路径规划方法还包括以下步骤:
将所述局部规划路径拼接到半局部规划路径上得到全局路径,其中,所述半局部规划路径为包含了若干个局部规划路径的轨迹线。
进一步,所述局部规划路径包括第一路径和第二路径,所述将所述局部规划路径拼接到半局部规划路径上得到全局路径这一步骤,包括以下步骤:
将所述第一路径拼接到所述半局部规划路径中;
通过所述第二路径确定所述所述状态向量和所述控制向量。
进一步,所述赛车动力学模型的表达式为:
其中,m为赛车的质量,Iz为赛车绕z轴的转动惯量,lf为赛车质心到赛车前轴的距离,lr为赛车质心到后轴的距离,X为惯性坐标系下赛车质心的横坐标,Y为惯性坐标系下赛车质心的纵坐标,为所述横坐标对时间变量的一阶导数,为纵坐标对时间变量的一阶导数,为赛车质心的航偏角,vx为赛车质心的纵向速度,为所述纵向速度对时间变量的一阶导数,vy为赛车质心的横向速度,为所述横向速度对时间变量的一阶导数,ω为赛车的角速度,为所述角速度对时间变量的一阶导数,δ为赛车前轮转角,τTV为附加扭矩,Fx为赛车所受纵向力,Ff,y为赛车的前轮的侧向力,Fr,y为后轮的侧向力。
进一步,所述对所述赛车动力学模型进行处理得到赛车预测模型这一步骤,包括以下步骤:
对所述赛车动力学模型进行线性处理得到线性动力学模型;
对所述线性动力学模型进行离散处理得到离散动力学模型;
将所述离散动力学模型的控制量替换为控制增量得到所述赛车预测模型。
进一步,所述道路边界约束的表达式如下:
进一步,所述对所述目标函数和所述道路边界约束和所述行驶稳定性约束,得到局部规划路径这一步骤,包括以下步骤:
对所述目标函数、所述道路边界约束和所述行驶稳定性约束进行向量化处理,根据向量化处理得到的结果进行矩阵化处理,,得到二次规划表达式;
对所述二次规划表达式进行求解得到最优解,所述最优解中包含有所述局部规划路径的规划信息。
另一方面,本申请还提供了一种无人赛车路径规划系统,包括:
信息获取模块,用于获取赛车状态信息,并根据所述状态信息初始化状态向量和控制向量;
模型建立模块,用于建立赛车动力学模型,对所述赛车动力学模型进行处理得到赛车预测模型,并利用所述状态向量和所述控制向量对所述赛车预测模型进行参数更新;
误差确定模块,用于确定所述赛车预测模型的系统输出量为等效横纵向误差;
函数确定模块,用于根据所述等效横纵向误差确定所述赛车预测模型的目标函数,所述目标函数内包括有控制变量的惩罚和角速度惩罚;
约束建立模块,用于建立道路边界约束和行驶稳定性约束;
路径规划模块,用于根据所述目标函数和所述道路边界约束和所述行驶稳定性约束,得到局部规划路径。
另一方面,本申请还提供了一种无人赛车路径规划装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如前面所述的一种无人赛车路径规划方法。
另一方面,本申请还提供了一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如前面所述的一种无人赛车路径规划方法。
本发明的有益效果是:通过综合考虑边界约束和行驶稳定性约束,使赛车轮胎侧向力位于线性区域内,增强赛车的操纵稳定性;在设计目标函数时,在目标函数中加入控制变量的惩罚和角速度惩罚,在保证路径动力学可执行性的同时提升赛车的圈速成绩。
附图说明
图1为本发明一种无人赛车路径规划方法具体实施例的流程示意图;
图2为本发明一种无人赛车路径规划方法的无人赛车系统架构图;
图3为本发明一种无人赛车路径规划方法具体实施例的赛道示意图;
图4为本发明一种无人赛车路径规划方法具体实施例的赛车横纵向误差的真实值与等效值的对比示意图;
图5为本发明一种无人赛车路径规划方法具体实施例的三次B样条拟合前后的对比示意图;
图6为本发明一种无人赛车路径规划方法具体实施例的状态量泰勒展开点的选择示意图;
图7为本发明一种无人赛车路径规划方法具体实施例的未增加角速度惩罚项的路径示意图;
图8为本发明一种无人赛车路径规划方法具体实施例的增加了角速度惩罚项的路径示意图;
图9为本发明一种无人赛车路径规划方法具体实施例的全局路径示意图;
图10为本发明无人赛车路径规划系统具体实施例的结构示意图;
图11为本发明一种无人赛车路径规划装置具体实施例的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
下面结合说明书附图和具体实施例对本发明作进一步解释和说明。
本申请的一种无人赛车路径规划方法可以在已知全局中心线的情况下使用,目前主要应用场景为无人赛车比赛,但并非仅受限于赛车比赛,也可应用于前轮转向的普通乘用车上,在已知全局中心线的情况下,能够对乘用车全局路径进行优化,得到更具动力学可执行性的全局路径,在保证安全性的前提下提升乘用车的行驶速度,从而提升整体交通效率。
在模型预测控制问题中,预测时域显示所预测未来的长度,用字母N表示,模型离散化的时间间隔用Ts表示,本申请以N=90、Ts=50ms为例来描述本申请的实现过程。
参照图1,第一方面,本发明实施例提供了一种无人赛车路径规划方法,包括以下步骤S1-S5:
S1、获取赛车状态信息,并根据赛车状态信息初始化状态向量和控制向量;
具体地,参照图2,该无人赛车系统架构图包括感知、规划和控制三大部分,可通过定位模块获取赛车状态信息,其中,定位模块包括GPS/IMU组合惯导、轮速传感器等,赛车状态信息包括位置坐标、速度、航偏角等,由定位模块获取赛车在仿真赛道的位置坐标,并通过坐标系转换,将赛车在世界坐标系中的位置坐标,转换为以赛车为中心的赛车坐标系中的位置坐标,使得赛车在赛车坐标系中所处的位置坐标为(0,0)。
通过道路信息获取模块获取道路信息,该道路信息包括道路中心线信息和道路宽度等,其中,道路宽度为常数,对道路信息进行参数化处理,选择道路中心线为参考路径,定义θ∈[0,L]为参考路径的弧长变量,其中,L为参考路径的总长度,通过三次样条插值可以将中心线坐标(Xref,Yref)表示成关于θ的函数(Xref(θ),Yref(θ)),可进一步求出中心线的方向角Φ(θ)。
S2、建立赛车动力学模型,对赛车动力学模型进行处理得到赛车预测模型,并利用状态向量和控制向量对赛车预测模型进行参数更新;
建立兼顾效率与进度的汽车动力学模型,该汽车动力学模型的表达式如下:
其中,m为赛车的质量;Iz为赛车绕z轴的转动惯量;lf为赛车质心到赛车前轴的距离,lr为赛车质心到后轴的距离;X为惯性坐标系下赛车质心的横坐标,Y为惯性坐标系下赛车质心的纵坐标,为所述横坐标对时间变量的一阶导数,为纵坐标对时间变量的一阶导数,为赛车质心的航偏角,vx为赛车质心的纵向速度,为所述纵向速度对时间变量的一阶导数,vy为赛车质心的横向速度,为所述横向速度对时间变量的一阶导数,ω为赛车的角速度,为所述角速度对时间变量的一阶导数,δ为赛车前轮转角。τTV的引入是考虑到实际运用中,双电机后轮驱动系统或四电机四轮驱动系统会给左右轮提供不同的力矩,使赛车产生附加扭矩,将其建模为一个比例控制器,参数由底层控制器决定。
考虑地面附着条件的影响,赛车动力学模型中的Ff,y为赛车的前轮的侧向力,Fr,y为后轮的侧向力,是利用魔术轮胎公式计算得到的。
赛车的动力是由直流电机提供的,假设电机后轮驱动,Fx为赛车所受纵向力,τTV为附加扭矩,计算公式分别如下:
Ff,y=Dfsin(Cfarctan(Bfαf))
Fr,y=Drsin(Crarctan(Brαr))
τTV=(ωtarget-ω)PTV
其中,d为驱动电机的PWM占空比,取值范围为[-1,1];Cm1、Cm2为直流电机模型参数;Cr为赛车的滚动阻力;为赛车的空气阻力;B·、C·与D·(·∈{f,r})是赛车的轮胎参数;PTV是比例控制系数,与底层控制器有关;αf为前轮侧偏角,αr为后轮侧偏角;ωtarget是运动学理想目标角速度,具体的计算公式如下:
赛车动力学模型中定义的各个参数,均需要通过实车实验进行标定,从而使得该赛车动力学模型更加贴合实际情况,在一个实施例中,该赛车动力学模型涉及到的参数取值如下表1,其中,mf为赛车的前轴质量,mr为赛车的后轴质量。
表1赛车动力学模型参数表
步骤S2包括以下步骤S21-S23:
S21、对赛车动力学模型进行线性处理得到线性动力学模型;
上述的赛车动力学模型为非线性动力学模型,将其转换为线性的赛车预测模型,具体地,根据赛车动力学模型定义系统状态量为:
系统输入量为:
u=[d,δ]T
那么,赛车动力学模型可表示为:
具体地,对赛车动力学模型进行线性化处理,将非线性系统转化为线性系统,有助于优化问题的迭代求解,简化求解过程,提升求解效率。
利用一阶泰勒展开对赛车动力学模型进行线性化处理,采用连续线性化的方式以减小模型误差从而得到线性动力学模型,具体为:
S22、对线性动力学模型进行离散处理得到离散动力学模型;
具体地,对线性动力学模型进行离散化,由于计算机无法处理连续模型,因此按固定的时间间隔进行离散化处理,可采用利用零阶保持器(zero-order hold er,ZOH)对线性动力学模型进行离散化处理。
S23、将离散动力学模型的控制量替换为控制增量得到赛车预测模型。
具体地,S23这一步骤将控制量确定为控制增量,以防止相邻控制量之间出现较大的突变
原始的赛车动力学模型经过上述的步骤的处理,得到赛车预测模型,赛车预测模型的表达式如下:
其中,k代表预测时域内第k(k取值为1,2,…,N)个时刻对应的矩阵或向量;ξ(0|t)代表当前时刻的状态量,是已观测到的常量。和均为参数矩阵,根据步骤S1中定义的状态向量和控制向量对这些参数矩阵进行更新;
S3、确定赛车预测模型的系统输出量为等效横纵向误差,其中,等效横纵向误差的表达式为:
S4、根据等效横纵向误差确定赛车预测模型的目标函数,目标函数内包括有控制变量的惩罚和角速度惩罚;
设计目标函数,考虑到赛车在指定时间内的行驶距离越大越好,而可通过控制θ来控制赛车的行驶距离,因此,首先需要最大化同时为减少的估计误差需要最小化η;此外,过于曲折的路径并非理想路径,相较于平滑路径,其总体角速度较大,为了得到总体行驶角速度较小的路径,将角速度作为惩罚项加入到目标函数中,由此得到如下目标函数:
其中,q=diag(qc,ql),qN=diag(qcN,qlN);qc为横向误差的权重,ql为纵向误差的权重,与MPC算法不同,横向误差将被赋予较小的权重,使赛车能充分利用宽赛道的优势搜索出行驶距离最远的路径;与上述分析相对应,ω是为了保证路径的平滑,防止路径变化不平缓而加入到目标函数中的惩罚项,qω、qωN是角速度的权重,qωN代表第N个状态的角速度的权重;γ是状态量的权重;Δuk是控制量,Ru是控制量的权重矩阵。
由于目标函数中涉及到横纵向误差,也即是系统输出量,因此,需要化简系统输出量,首先,对横纵向误差进行线性化处理,
将η(k|t)的表达式代入目标函数中,该目标函数可进一步整理成如下标准二次型的形式可得:
S5、建立道路边界约束和行驶稳定性约束;
构建道路边界约束,用于约束赛车的行驶区域。道路边界约束采用半空间约束的方法,具体为:预测时域内的每个点(Xk,Yk),都对应一个和航向角Φ同时对应两个左右边界点和根据在两个边界点处绘制两条平行直线,也即边界切线,两边界切线组成的矩形区域作为赛车的可行驶区域,可防止赛车驶出赛道。边界约束的表达式可表示为:
行驶稳定性组合约束,用于控制赛车的行驶稳定性能,该行驶稳定性约束包括滑移稳定性约束和轮胎极限约束,对横向、纵向行驶稳定性进行保持,其中滑移稳定性约束的表达式如下:
式中,μ是路面附着系数,g为重力加速度;是预测时域内第k个时刻的速度估计值;αpeak,f为赛车前轮侧偏角的峰值,αpeak,r为赛车后轮侧偏角的峰值。其中,第一个式子表示在稳态转向时,轮胎力饱和情况下的极限航向角变化率,即极限横摆角速度第二个式子是对赛车后轮侧偏角进行约束,第三个式子是对赛车前轮侧偏角进行约束。
此外轮胎极限约束用于将横纵向力约束在附着椭圆内以保持赛车的操作稳定性,轮胎极限约束表示如下:
(ax)2+(ay)2≤(μg)2
式中,ax为赛车质心处的纵向加速度,ay为赛车质心处的横向加速度;加速度矢量被限制在半径为μg的摩擦圆中。
上述行驶稳定性约束经化简,可化为如下形式:
dmin(k)≤Cmd(k)≤dmax(k)
其中,
其中,该表达式中的参数的含义与赛车动力学模型中的参数含义一致,省略当前时刻t;d(k)是所控制的电机在预测时域内第k个时刻的状态下的PWM占空比;在t时刻求解纵向控制量d时,将变量vx,vy,ω,δ视为常量,即第k个预测时域采用估计值进行替代,带*号的值为估计值。
S6、根据目标函数、道路边界约束和行驶稳定性约束,得到局部规划路径。
具体地,目标函数、道路边界约束和行驶稳定性约束均是用于路径规划中,因此,步骤S6主要包括以下步骤:
S61、对目标函数、道路边界约束和行驶稳定性约束进行向量化处理,根据向量化处理得到的结果进行矩阵化处理,得到二次规划表达式;
通过将目标函数和所建约束进行向量化和矩阵化处理,将路径规划问题转化为以下二次规划问题:
εb≥0 (e)
ε'≥04×1(g)
Δulow≤Δu(k|t)≤Δuup(i)
(k=0,1,...,N-1)
式(a)是目标函数;式(b)是赛车当前状态,用步骤S1中初始状态向量中的第一组表示;式(c)是赛车预测模型,作为等式约束加入到优化问题中;式(d)是道路边界约束;式(f)是行驶稳定性约束,其中ε'=[εω,εαr,εαf,εD]T是松弛因子,作为优化变量加入到优化问题中,防止优化问题无解,Hsafe、Gsafe分别是行驶稳定性约束的线性项矩阵和约束界限;式(e)、(g)是松弛因子约束;式(h)和(i)约束状态量和控制量的上下限。
S62、对二次规划表达式进行求解得到最优解,最优解中包含有局部规划路径的规划信息。
综上所述,本申请针对无人赛车在指定形式区域内稳定形式的问题,综合考虑边界约束和行驶稳定性约束,使赛车轮胎侧向力位于线性区域内,增强赛车的操纵稳定性;在设计目标函数时,在目标函数中加入控制变量的惩罚和角速度惩罚,在保证路径动力学可执行性的同时提升赛车的圈速成绩;此外,本申请解除了局部规划算法中规划与控制的耦合关系,避免了控制过程由于过于依赖模型参数导致控制不精准的问题,将规划与控制解耦合,同时保留已有算法能够产生动力学可执行路径的特点,有助于设计更加精准的算法进行轨迹跟踪。
进一步作为可选的实施方式,该无人赛车路径规划方法还包括以下步骤:
S7、将局部规划路径拼接到半局部规划路径上得到全局路径,其中,半局部规划路径为包含了若干个局部规划路径的轨迹线。
具体地,本申请通过前面的步骤S1-S6获取一段新的局部规划路径,只有将新的局部规划路径一段段地拼接起来,才能形成全局路径,因此,本申请的半局部规划路径中,其实已经包含了若干个拼接好的局部规划路径,暂且称为半局部规划路径,每次增加一段新的局部到半局部规划路径上,直到将整条赛车路线上的最后一段局部规划路径增加到半局部规划路径上,最终得到了全局路径。
进一步作为可选的实施方式,局部规划路径包括第一路径和第二路径,步骤S7包括以下步骤S71-S72:
S71、将第一路径拼接到半局部规划路径中;
S72、通过第二路径确定状态向量和控制向量。
具体地,本申请在将得到全局路径的过程中,并不是将一条完整的布局路径加入到半局部规划路径中,而是将该局部规划路径的前半部分(第一路径)加入到半局部规划路径中。
每次确定一段新的局部规划路径,需要确定出行的状态向量和控制向量,因此,本申请将当前的局部规划路径的后半部分(第二路径)用于更新S1中的状态向量和控制向量,以作为下一时刻的前半部分泰勒展开点;赛车位置随之移动到局部规划路径中点位置,下一时刻后半部分泰勒展开点由中心线点构成。下一时刻u、Δu的泰勒展开点由前一时刻泰勒展开点的后半部分和向量组成。
为保证后半段泰勒展开点与中心线平滑连接,使用三次B样条拟合的方法,拟合前后对比如图5所示,可见,使用三次B样条拟合的方法能够使得路径更加平缓、过渡自然。图6显示了状态量泰勒展开点的选择,前半部分(“+”符号)加入全局路径向量,后半部分和中心线(三角形符号)作为下一个时刻的泰勒展开点。按照上述步骤不断迭代到终点,便得到一条完整的全局路径。
最后,本申请还提供了实验数据来说明/支撑本申请的一种无人赛车路径规划方法。
在一个实施例中,分析在目标函数中加入了角速度惩罚项的影响,加入了角速度ω作为对候选路径的惩罚,为了验证惩罚项的效果,设计了一组仿真测试对加入惩罚前后车辆的预测路径进行对比,对比效果如图7和图8所示。
图7虚线是中心线,虚线旁的实线是预测路径。由图7、图8可看出,因为总体角速度惩罚的存在,车辆预测路径更加平滑,图7不像图8那样有许多明显的拐点,路径上点与点之间的方向角变化量平均比图7小0.0358rad,这将使车辆操纵更为简单,不需要频繁改变方向盘转角,因此,加入角速度惩罚项能有效改善所规划路径的质量,有助于无人车辆的行驶。
在另外一个实施例中,全局路径规划的结果如图9所示,表2对比了路径长度、曲率等数据,可以看出,通过本申请的方法所得到的全局路径总长度远远小于中心线,说明优化算法可以减小行驶路径总长度,这将有利于减少单圈时间。虽然优化路径的最大曲率稍大于中心线,但平均曲率较小,说明在各个弯道处,优化路径的平均转弯半径小于中心线,有利于车辆的路径跟踪和高速行驶。
表2所规划路径对比
在另外一个实施例中,分析了不同规划算法对赛车圈速造成的影响,假设车辆转向系统为前轮转向,前轮转角通过Stanley控制器进行解算,同时均使用同样的速度规划算法。表3显示了仿真完成后的平均圈速,结果显示跟踪本申请的方法得到的全局路径的平均圈速比跟踪中心线减少约21.43%,圈速提升显著。
表3平均圈速(单圈时间)对比
圈速变快有以下三方面的原因:一,总路径长度缩短;二,优化路径速度剖面的平均速度较高,在保证可控性的情况下有更高的速度;三,优化路径由于平均曲率较小,直道更多,更有利于轨迹跟踪算法的运行。如图3的⑥号弯道,经全局规划后与中心线有明显差异,充分利用了宽赛道的优势,减少了不必要的转弯,有利于提升控制算法的性能。
因此,本实施例提供的一种基于预测模型的无人赛车全局路径规划方法,能够使规划与控制解耦合的同时,最大程度发挥局部规划算法的优势,保证每个局部都满足车辆动力学约束。同时,以全局路径作为待跟踪轨迹,使用更加成熟的控制算法进行轨迹跟踪,可以在保证速度的前提下提高跟踪精度,使赛车以更小的单圈时间完成跑动。
综上所述,本发明的一种无人赛车路径规划方法具有以下优点:
1.本发明引入单车模型作为预测模型,在已有模型的基础上加入附加扭矩以使赛车模型更加符合实际,与传统路径规划算法相比,本发明因引入预测模型从而能够得到更加具备动力学可执行性的路径,同时,针对无人驾驶赛车在指定行驶区域内稳定行驶的问题,综合考虑边界约束与行驶稳定性组合约束,使赛车轮胎侧向力位于线性区域内,同时充分利用地面附着力,增强赛车的操纵稳定性;
2、本发明在目标函数中加入了控制变量的惩罚和角速度惩罚,考虑到赛车在指定时间内的行驶距离越大越好,而可通过控制θ控制赛车的行驶距离,因此首先需要最大化此外,过于曲折的路径并非理想路径,相较于平滑路径,其总体角速度较大,为了得到总体行驶角速度较小的路径,将角速度也作为惩罚项加入到目标函数中;
3、本发明提出一种迭代求解局部规划路径以得到全局路径的方法,解除了局部规划算法中规划与控制的耦合关系,避免了控制过程由于过于依赖模型参数导致控制不精准的问题,将规划与控制解耦合,同时保留已有算法能够产生动力学可执行路径的特点,有助于设计更加精准的算法进行轨迹跟踪;
5、本发明在全局规划算法中引入三次B样条拟合的方法对拼接点进行平滑,以防因模型线性化参考点选取不当,导致二次规划问题无解,同时能够增强解的质量,提升所规划路径的动力学可执行性。
第二方面,参照图10,本申请还提供了一种无人赛车路径规划系统,包括:
信息获取模块201,用于获取赛车状态信息,并根据状态信息初始化状态向量和控制向量;
模型建立模块202,用于建立赛车动力学模型,对赛车动力学模型进行处理得到赛车预测模型,并利用状态向量和控制向量对赛车预测模型进行参数更新;
误差确定模块203,用于确定赛车预测模型的系统输出量为等效横纵向误差;
函数确定模块204,用于根据等效横纵向误差确定赛车预测模型的目标函数;
约束建立模块205,用于建立道路边界约束和行驶稳定性约束;
路径规划模块206,用于根据目标函数和道路边界约束和行驶稳定性约束,得到局部规划路径。
可见,上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
第三方面,参照图11,本申请还提供了一种无人赛车路径规划装置,包括:
至少一个处理器301;
至少一个存储器302,用于存储至少一个程序;
当至少一个程序被至少一个处理器301执行,使得至少一个处理器301实现一种无人赛车路径规划方法。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种存储介质,其中存储有处理器可执行的指令,处理器可执行的指令在由处理器执行时用于执行一种无人赛车路径规划方法。
同样地,上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
同理,上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干程序用以使得一台装置(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行程序的定序列表,可以具体实现在任何计算机可读介质中,以供程序执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从程序执行系统、装置或设备取程序并执行程序的系统)使用,或结合这些程序执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供程序执行系统、装置或设备或结合这些程序执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的程序执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种无人赛车路径规划方法,其特征在于,包括以下步骤:
获取赛车状态信息,并根据所述状态信息初始化状态向量和控制向量;
建立赛车动力学模型,对所述赛车动力学模型进行处理得到赛车预测模型,并利用所述状态向量和所述控制向量对所述赛车预测模型进行参数更新;
确定所述赛车预测模型的系统输出量为等效横纵向误差;
根据所述等效横纵向误差确定所述赛车预测模型的目标函数,所述目标函数包括控制变量的惩罚和角速度惩罚;
建立道路边界约束和行驶稳定性约束;
根据所述目标函数、所述道路边界约束和所述行驶稳定性约束,得到局部规划路径。
2.根据权利要求1所述的一种无人赛车路径规划方法,其特征在于,所述无人赛车路径规划方法还包括以下步骤:
将所述局部规划路径拼接到半局部规划路径上得到全局路径,其中,所述半局部规划路径包含若干个局部规划路径的轨迹线。
3.根据权利要求2所述的一种无人赛车路径规划方法,其特征在于,所述局部规划路径包括第一路径和第二路径,所述将所述局部规划路径拼接到半局部规划路径上得到全局路径这一步骤,包括以下步骤:
将所述第一路径拼接到所述半局部规划路径中;
通过所述第二路径确定所述状态向量和所述控制向量。
4.根据权利要求1所述的一种无人赛车路径规划方法,其特征在于,所述赛车动力学模型的表达式为:
5.根据权利要求1所述的一种无人赛车路径规划方法,其特征在于,所述对所述赛车动力学模型进行处理得到赛车预测模型这一步骤,包括以下步骤:
对所述赛车动力学模型进行线性处理得到线性动力学模型;
对所述线性动力学模型进行离散处理得到离散动力学模型;
将所述离散动力学模型的控制量替换为控制增量得到所述赛车预测模型。
7.根据权利要求1所述的一种无人赛车路径规划方法,其特征在于,所述对所述目标函数和所述道路边界约束和所述行驶稳定性约束,得到局部规划路径这一步骤,包括以下步骤:
对所述目标函数、所述道路边界约束和所述行驶稳定性约束进行向量化处理,根据向量化处理得到的结果进行矩阵化处理,得到二次规划表达式;
对所述二次规划表达式进行求解得到最优解,所述最优解中包含有所述局部规划路径的规划信息。
8.一种无人赛车路径规划系统,其特征在于,所述对接系统包括:
信息获取模块,用于获取赛车状态信息,并根据所述状态信息初始化状态向量和控制向量;
模型建立模块,用于建立赛车动力学模型,对所述赛车动力学模型进行处理得到赛车预测模型,并利用所述状态向量和所述控制向量对所述赛车预测模型进行参数更新;
误差确定模块,用于确定所述赛车预测模型的系统输出量为等效横纵向误差;
函数确定模块,用于根据所述等效横纵向误差确定所述赛车预测模型的目标函数,所述目标函数内包括有控制变量的惩罚和角速度惩罚;
约束建立模块,用于建立道路边界约束和行驶稳定性约束;
路径规划模块,用于根据所述目标函数和所述道路边界约束和所述行驶稳定性约束,得到局部规划路径。
9.一种无人赛车路径规划装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1-7任一项所述的一种无人赛车路径规划方法。
10.一种存储介质,其中存储有处理器可执行的指令,其特征在于,所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-7任一项所述的一种无人赛车路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143927.5A CN114564012A (zh) | 2022-02-16 | 2022-02-16 | 一种无人赛车路径规划方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210143927.5A CN114564012A (zh) | 2022-02-16 | 2022-02-16 | 一种无人赛车路径规划方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114564012A true CN114564012A (zh) | 2022-05-31 |
Family
ID=81712982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210143927.5A Pending CN114564012A (zh) | 2022-02-16 | 2022-02-16 | 一种无人赛车路径规划方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114564012A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117278466A (zh) * | 2023-09-14 | 2023-12-22 | 清华大学 | 针对容错流量工程场景下的候选路径选择方法 |
CN117590856A (zh) * | 2024-01-18 | 2024-02-23 | 北京航空航天大学 | 一种基于单一场景和多场景的自动驾驶方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258323A (zh) * | 2020-03-30 | 2020-06-09 | 华南理工大学 | 一种智能车辆轨迹规划与跟踪的联合控制方法 |
CN111679667A (zh) * | 2020-05-20 | 2020-09-18 | 东南大学 | 一种面向无人驾驶赛车的路径与车速协同规划方法 |
CN112578673A (zh) * | 2020-12-25 | 2021-03-30 | 浙江科技学院 | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 |
CN113238564A (zh) * | 2021-06-07 | 2021-08-10 | 江苏理工学院 | 一种纯电动无人矿用自卸车轨迹规划方法及设备 |
CN113467480A (zh) * | 2021-08-09 | 2021-10-01 | 广东工业大学 | 一种用于无人驾驶方程式的全局路径规划算法 |
CN113465625A (zh) * | 2021-08-17 | 2021-10-01 | 清华大学 | 局部路径规划方法和装置 |
CN113561972A (zh) * | 2021-08-25 | 2021-10-29 | 京东鲲鹏(江苏)科技有限公司 | 一种避障控制方法、装置、车辆和存储介质 |
-
2022
- 2022-02-16 CN CN202210143927.5A patent/CN114564012A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111258323A (zh) * | 2020-03-30 | 2020-06-09 | 华南理工大学 | 一种智能车辆轨迹规划与跟踪的联合控制方法 |
CN111679667A (zh) * | 2020-05-20 | 2020-09-18 | 东南大学 | 一种面向无人驾驶赛车的路径与车速协同规划方法 |
CN112578673A (zh) * | 2020-12-25 | 2021-03-30 | 浙江科技学院 | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 |
CN113238564A (zh) * | 2021-06-07 | 2021-08-10 | 江苏理工学院 | 一种纯电动无人矿用自卸车轨迹规划方法及设备 |
CN113467480A (zh) * | 2021-08-09 | 2021-10-01 | 广东工业大学 | 一种用于无人驾驶方程式的全局路径规划算法 |
CN113465625A (zh) * | 2021-08-17 | 2021-10-01 | 清华大学 | 局部路径规划方法和装置 |
CN113561972A (zh) * | 2021-08-25 | 2021-10-29 | 京东鲲鹏(江苏)科技有限公司 | 一种避障控制方法、装置、车辆和存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117278466A (zh) * | 2023-09-14 | 2023-12-22 | 清华大学 | 针对容错流量工程场景下的候选路径选择方法 |
CN117590856A (zh) * | 2024-01-18 | 2024-02-23 | 北京航空航天大学 | 一种基于单一场景和多场景的自动驾驶方法 |
CN117590856B (zh) * | 2024-01-18 | 2024-03-26 | 北京航空航天大学 | 一种基于单一场景和多场景的自动驾驶方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Development of a new integrated local trajectory planning and tracking control framework for autonomous ground vehicles | |
CN111258323B (zh) | 一种智能车辆轨迹规划与跟踪的联合控制方法 | |
Gao et al. | Robust lateral trajectory following control of unmanned vehicle based on model predictive control | |
Vázquez et al. | Optimization-based hierarchical motion planning for autonomous racing | |
Kritayakirana et al. | Autonomous vehicle control at the limits of handling | |
CN114564012A (zh) | 一种无人赛车路径规划方法、系统、装置及存储介质 | |
Attia et al. | Coupled longitudinal and lateral control strategy improving lateral stability for autonomous vehicle | |
CN110267866B (zh) | 用于控制车辆轨迹的装置 | |
CN111824146A (zh) | 一种路径跟随模型预测控制方法、系统、装置及存储介质 | |
Saccon et al. | A virtual rider for motorcycles: Maneuver regulation of a multi-body vehicle model | |
Acosta et al. | A hybrid hierarchical rally driver model for autonomous vehicle agile maneuvering on loose surfaces. | |
CN111812974A (zh) | 一种双侧电机驱动履带车辆的综合控制方法 | |
Lima et al. | Progress maximization model predictive controller | |
Kebbati et al. | Coordinated PSO-PID based longitudinal control with LPV-MPC based lateral control for autonomous vehicles | |
Feraco et al. | Combined lane keeping and longitudinal speed control for autonomous driving | |
Hu et al. | Path planning and tracking for autonomous vehicle collision avoidance with consideration of tire-road friction coefficient | |
Han et al. | Dynamic control and simulation of leader-follower vehicle formation considering vehicle stability | |
Chen et al. | MPC based path tracking control for autonomous vehicle with multi-constraints | |
He et al. | Coordinated stability control strategy for intelligent electric vehicles using vague set theory | |
Kovacs et al. | Integrated path planning and lateral-longitudinal control for autonomous electric vehicles | |
Goel | In Complete Control Simultaneous Path Speed and Sideslip Angle Control of a Drifting Automobile | |
Weber et al. | Modeling and Control for Dynamic Drifting Trajectories | |
Piscini et al. | Experimental comparison of trajectory control and planning algorithms for autonomous vehicles | |
Han et al. | Path planning and trajectory tracking strategy of autonomous vehicles | |
Kim et al. | Hierarchical Motion Planning and Control Algorithm of Autonomous Racing Vehicles for Overtaking Maneuvers |
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 |