CN114690754A - 重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法 - Google Patents
重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法 Download PDFInfo
- Publication number
- CN114690754A CN114690754A CN202011567069.4A CN202011567069A CN114690754A CN 114690754 A CN114690754 A CN 114690754A CN 202011567069 A CN202011567069 A CN 202011567069A CN 114690754 A CN114690754 A CN 114690754A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- controller
- tracking
- error
- iterative learning
- 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
Links
- 230000009471 action Effects 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000003252 repetitive effect Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001824 photoionisation detection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 101710163391 ADP-ribosyl cyclase/cyclic ADP-ribose hydrolase Proteins 0.000 description 1
- 241000408659 Darpa Species 0.000 description 1
- 241000272190 Falco peregrinus Species 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation 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
- G05D1/0221—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)
Abstract
Description
技术领域
本发明涉及无人驾驶车辆轨迹跟踪控制技术领域,特别是涉及一种重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法。
背景技术
无人驾驶车辆是一种将环境状态感知、决策规划及行为控制集合于一体的高度智能化系统,无人驾驶车辆是提高交通领域智能化水平、改善运输效率,降低人力成本的重要技术手段。无人驾驶车辆需要根据实际工况下的作业流程进行智能化改造,而现有的无人驾驶车辆作业场景多为重复作业场景,例如:工厂内无人驾驶叉车、无人驾驶碾压机以及无人驾驶公交车等。
然而无人驾驶车辆在不断重复的执行某项任务时,不可避免的会受到来自于系统内部及外界干扰因素的影响,比如:车辆姿态测量噪声、转向系统的响应特性变化、行驶路面平坦度及轮胎变形等。当这些不确定性因素作用到无人驾驶车辆时,会降低车辆执行任务的可靠性、安全性以及工作效率。
针对无人驾驶车辆在的轨迹跟踪控制,现有多种解决方案,其中包括:比例积分微分控制、基于车辆和道路几何控制、模型预测控制、线性二次型调节跟踪控制等。
比例积分微分(PID)控制是一种简单有效的控制方案,它根据车辆实际位置与目标轨迹之间的位置和航向偏差,来计算所需要的方向盘转角。在专利(CN201611068271.6)中,车辆轨迹跟踪控制策略即采用基于比例积分微分的控制策略。然而,由于车辆的状态和运动特征以及道路条件均具有不确定性,文献(Zhao,Pan,Chen,Jiajia,Mei,Tao,&Liang,Huawei.(2011).Dynamic motion planning for autonomous vehicle in unknownenvironments.Intelligent Vehicles Symposium.IEEE.)指出PID控制器难以在不同条件下保持最佳的轨迹跟踪控制品质。文献(Linlin Wang,Wenhua Wang,Yazhen Du,et al.Anovel adaptive fuzzy PID controller based on piecewise PID controller fordynamic positioning of sandglass-type FDPSO.2019,24(3):720-737.)介绍了参数分段的PID控制可以在一定程度上提升性能,但参数的分段调节较为复杂,影响了开发效率。在文献(Hassan Talebi Abatari and Abdolreza Dehghani Tafti,Using a fuzzy PIDcontroller for the path following of a car-like mobile robot,Robotics andMechatronics(ICRoM),2013First RSI/ISM International Conference on IEEE,2013:189-193.)中,作者Hassan Talebi Abatari尝试使用模糊PID,它虽然提高控制器性能的潜力,但是其适应性差、抗扰动能力弱的问题仍然存在,并且其模糊规则设计复杂,这些问题都限制了模糊PID在工程中的实用性能。
为了解决PID算法对车辆基本运动特征利用率不足而导致的控制品质受限的问题,基于车辆和道路几何的控制算法也得到了广泛应用。文献(R.Wallace,A.Stentz,C.E.Thorpe,H.Maravec,W.Whittaker,and T.Kanade,“First results in robot road-following.,”in IJCAI,pp.1089–1095,1985.)首次介绍了纯跟踪(pure pursuit)算法。该方法在车辆与目标轨迹距离过远时无法给出解,更重要的是在高车速运行时,该方法容易诱发车辆运行轨迹的震荡。另一种基于几何的控制算法是基于后轮的反馈控制(rearwheel position based feedback),文献(C.Samson,“Path following and time-varyingfeedback stabilization of a wheeled mobile robot,”in2nd Int.Conf.onAutomation,Robotics and Computer Vision,1992.)介绍了该算法的详细原理和实现。类似的,基于前轮的反馈控制也在(front wheel position based feedback)在(M.D.Ventures,“Stanley:The robot that won the DARPA Grand Challenge,”Journalof field Robotics,vol.23,pp.661–692,2006.)一文中有详细介绍。上述三种方法在2004年左右美国举办的DARPAR比赛中都有实际应用,在专利(CN201811557457.7)中同样介绍了一种基于车辆模型的跟踪控制方法,根据道路几何信息和参考状态量得到车辆的前轮偏转角度。不过,由于需要较为准确的车辆和道路几何信息,基于几何的控制算法在寻迹精度上性能是有限的,并且主要适用于低车速工况。在不同的道路条件和车辆状态下,因为缺少自适应机制,难免会出现性能的下降。
为提升无人车辆在高动态和复杂轨迹下的控制性能,基于模型的控制受到了越来越多的重视,比如线性二次型最优控制(LQR)和模型预测控制(MPC)。LQR控制是比较最优控制方法,但是对于执行机构、航向以及距离误差的约束处理能力有限(SureshP.Sethi.Optimal Control Theory.2019)。相比而言,MPC可以更灵活地处理控制输入和状态的约束。文献(P.Falcone,F.Borrelli,J.Asgari,H.E.Tseng,and D.Hrovat,“Predictive active steering control for autonomous vehicle systems,”Transactions on Control Systems Technology,vol.15,pp.566–580,2007.)比较早的将MPC算法应用于车辆寻迹控制。一系列衍生算法被相继提出,比如(G.V.Raffo,G.K.Gomes,J.E.Normey-Rico,C.R.Kelber,and L.B.Becker,“A predictive controller forautonomous vehicle path tracking,”Transactions on Intelligent TransportationSystems,vol.10,pp.92–102,2009.)和(Y.Yoon,J.Shin,H.J.Kim,Y.Park,and S.Sastry,“Model-predictive active steering and obstacle avoidance for autonomousground vehicles,”Control Engineering Practice,vol.17,pp.741–750,2009.),以及(E.Kim,J.Kim,and M.Sunwoo,“Model predictive control strategy for smooth pathtracking of autonomous vehicles with steering actuator dynamics,”International Journal of Automotive Technology,vol.15,pp.1155–1164,2014.)。在专利(CN201910680463.X)中介绍了根据车辆的运动学及动力学关系所建立的二自由度车辆动力学模型,运用该模型设计出MPC轨迹跟踪控制器,实现轨迹跟踪控制。然而,MPC方法对模型精度的要求也比较高,模型失准带来的不确定性往往造成寻迹效果的恶化。此外,MPC还需要较高的计算量,在嵌入式系统这种算力较弱的平台上应用受到了一定的限制。
上述研究工作,并没有特别地提出针对重复作业场景的无人车辆的控制方法。然而,在实际应用中,大量的无人车辆会经常运行在重复场景中,譬如:无人驾驶压路机经常运行在直线往复场景,无人驾驶叉车经常运行在货物往复搬运的场景以及无人驾驶公交车在固定路线反复行驶的场景。如何利用重复作业的特征,在重复的控制过程中抓住主要特征,提取确定性规律,不断改善控制品质,对于提升控制品质具有重要意义。但是,目前公开发表的资料中还鲜有报道。
发明内容
本发明的目的是针对现有技术中存在的重复作业式无人驾驶车辆的轨迹跟踪控制问题,而提供迭代学习与传统轨迹跟踪控制相结合的控制算法,力图不断改善轨迹跟踪控制的品质。
为实现本发明的目的所采用的技术方案是:
重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,包括以下步骤:
步骤2,设计以消除车辆与目标轨迹的距离误差和航向误差为目标的车辆轨迹跟踪控制器,以步骤1中的横向距离误差及航向误差作为车辆轨迹跟踪控制器输入,计算所需的方向盘转角δ;
步骤3,设计迭代学习控制器专用的存储模块,其存储长度为重复场景的时间或空间总长度除以时间或空间为单位的调度步长。在每次调用控制算法时,将跟踪误差序列{ek(t),t∈[0,T]}及执行机构的动作序列{δk(t),t∈[0,T]}写入到存储模块中,并标注其时间或空间坐标,该坐标在每个作业场景中不断重复;
步骤4,针对车辆的重复寻迹任务,在进行第k+1次循环的寻迹任务时,将根据当前时刻在重复场景中时间或空间坐标,在迭代学习控制器专用存储模块中查询第k次循环对应的跟踪误差和执行机构动作并且实时读取;
步骤5,将步骤4所读取到跟踪误差,以学习率U(ek(t),t)的形式进行计算,与步骤4读取到所对应的执行机构动作相加获得执行机构动作,作为当前时刻的方向盘转角;
步骤6,设置停止迭代条件,ek(t)<ε(t∈[0,T]),式中ε为给定的允许跟踪精度。
在上述方案中,步骤1中车辆的测量位置与目标轨迹计算得到横向距离误差 单位是米,其中xa和yb分别表示起始点的东向和北向坐标(单位:米),xb和yb分别表示终止点的东向和北向坐标(单位:米),x和y分别表示车辆定位点的东向和北向坐标(单位:米);
在上述方案中,所述步骤2中,车辆轨迹跟踪控制器采用比例-积分-微分(PID)控制。
在上述方案中,步骤3及步骤4中跟踪误差序列{ek(t),t∈[0,T]}及执行机构的动作序列{δk(t),t∈[0,T]},k表示在重复作业中第k次循环,[0,T]表示以时间或空间为单位的总调度步长;所述的重复寻迹任务,指车辆在进行轨迹跟踪任务时对目标轨迹进行反复跟踪,使得车辆的运动轨迹具有重复的性质;
步骤5中,迭代学习率可以表述为δk+1(t)=δk(t)+U(ek(t),t),U(ek(t),t)表示第k次循环以前积累下来的控制经验,是从迭代学习控制器专用的存储模块中读取得到的,而U(ek(t),t)则是通过对第k次循环时跟踪误差计算所获得的有效信息,用以修正以往的控制经验δk(t);
在上述方案中,步骤6中的迭代停止条件描述为||yd(t)-yk(t)||<ε(t∈[0,T]),其中yd(t)表示目标轨迹点组合序列,yk(t)表示在重复作业中第k次车辆实际位置点组合序列,ε表示允许的跟踪精度,当车辆作业中第k次循环车辆实际位置的每个点与目标轨迹点的误差均小于ε,即停止迭代。当出现扰动,存在ek(t)>ε,迭代学习控制器在下一循环作用,对车辆轨迹跟踪控制器输出的方向盘转角进行矫正。
在上述技术方案中,所述步骤2中的车辆轨迹跟踪控制器为纯跟踪控制算法做反馈控制的车辆轨迹跟踪控制器。
在上述技术方案中,纯跟踪控制算法做反馈控制的车辆轨迹跟踪控制器 ek(t)表示单个循环内迭代学习控制以车辆横向距离误差,L表示车辆轴距,ld表示预瞄距离;所述步骤5中,设计迭代学习控制器采用比例型学习率 其中Kp表示学习率的比例增益。
在上述技术方案中,所述步骤2中的车辆轨迹跟踪控制器为串级自抗扰形式的车辆轨迹跟踪控制器。
在上述技术方案中,串级自抗扰形式的车辆轨迹跟踪控制器控制量作为方向盘转角δ,fIL=ε2(δcosδ-tanβcosδ)-ε3+ΔIL为总干扰,表示内环控制器的控制量,表示比例参数,kd表示微分参数,其中 a表示定位点到前轴距离,b表示定位点到后轴距离,Iz表示转动惯量,Cf及Cr表示前后轮侧偏刚度;δ为所需的方向盘转角,为车辆实际航向角的一阶导数;
与现有技术相比,本发明的有益效果是:
1.本发明将迭代学习与传统的轨迹跟踪反馈控制算法相结合,利用迭代学习中的自趋优特性,实现了重复作业场景下,无人车辆寻迹控制品质的持续改进。
2.本发明将迭代学习长时间尺度的抑制不确定性与传统反馈控制短时间尺度抗扰相结合,形成了用传统反馈控制抑制快速干扰,采用迭代学习逐步补偿缓慢干扰的双时间尺度抗扰结构,有望提升寻迹稳态品质的同时兼顾动态过程响应速度。
附图说明
图1是无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法总体架构图
图2是无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法实施流程图
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,包括以下步骤:
步骤1,通过车辆的测量位置及航向与目标轨迹计算得到横向距离误差ed和航向误差车辆的测量位置与目标轨迹计算得到横向距离误差单位是米,其中xa和yb分别表示起始点的东向和北向坐标(单位:米),xb和yb分别表示终止点的东向和北向坐标(单位:米),x和y分别表示车辆定位点的东向和北向坐标(单位:米);航向误差单位是角度值,其中是参考轨迹的目标航向,单位是角度值,是车辆的测量航向,航向定义为车身从正北方向顺时针转过的角度,单位是角度值。
步骤2,设计以消除车辆与目标轨迹的距离误差和航向误差为目标的车辆轨迹跟踪控制器,以步骤1中的横向距离误差及航向误差作为车辆轨迹跟踪控制器输入,计算所需的方向盘转角δ;
步骤3,设计迭代学习控制器专用的存储模块,其存储长度为重复场景的时间或空间总长度除以时间或空间为单位的调度步长。在每次调用控制算法时,将跟踪误差序列{ek(t),t∈[0,T]}及执行机构的动作序列{δk(t),t∈[0,T]}写入到存储模块中,并标注其时间或空间坐标,该坐标在每个作业场景中不断重复;
跟踪误差序列{ek(t),t∈[0,T]}及执行机构的动作序列{δk(t),t∈[0,T]},k表示在重复作业中第k次循环,[0,T]表示以时间或空间为单位的总调度步长;所述的重复寻迹任务,指车辆在进行轨迹跟踪任务时对目标轨迹进行反复跟踪,使得车辆的运动轨迹具有重复的性质;
步骤4,针对车辆的重复寻迹任务,在进行第k+1次循环的寻迹任务时,将根据当前时刻在重复场景中时间或空间坐标,在迭代学习控制器专用存储模块中查询第k次循环对应的跟踪误差和执行机构动作并且实时读取;
步骤5,将步骤4所读取到跟踪误差,以学习率U(ek(t),t)的形式进行计算,与步骤4读取到所对应的执行机构动作相加获得执行机构动作,作为当前时刻的方向盘转角;
迭代学习率可以表述为δk+1(t)=δk(t)+U(ek(t),t),U(ek(t),t)表示第k次循环以前积累下来的控制经验,是从迭代学习控制器专用的存储模块中读取得到的,而U(ek(t),t)则是通过对第k次循环时跟踪误差计算所获得的有效信息,用以修正以往的控制经验δk(t);
步骤6,设置停止迭代条件,ek(t)<ε(t∈[0,T]),式中ε为给定的允许跟踪精度。
迭代停止条件描述为||yd(t)-yk(t)||<ε(t∈[0,T]),其中yd(t)表示目标轨迹点组合序列,yk(t)表示在重复作业中第k次车辆实际位置点组合序列,ε表示允许的跟踪精度,当车辆作业中第k次循环车辆实际位置的每个点与目标轨迹点的误差均小于ε,即停止迭代。当出现扰动,存在ek(t)>ε,迭代学习控制器在下一循环作用,对车辆轨迹跟踪控制器输出的方向盘转角进行矫正。
实施例2(以PT算法设计为反馈控制的车辆轨迹跟踪控制器)
一种在重复作业形式的无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,包括以下步骤:
步骤1,设计采用纯跟踪控制算法做反馈控制的车辆轨迹跟踪控制器, ,其中L表示车辆轴距,ld表示预瞄距离。针对车辆的重复寻迹任务,单个循环内迭代学习控制以车辆横向距离误差ek(t)作为控制器输入,下角标k表示第k次循环,(t)表示单个循环内的坐标;
步骤6,在重复循环下按照步骤2-5进行迭代更新,包括刷新存储模块的控制序列、横向距离误差序列,求解迭代学习控制器的控制量、车辆轨迹跟踪控制器的控制量;
步骤7,设置迭代停止条件||yd(t)-yk(t)||<ε(t∈[0,T]),当车辆作业中第k次循环车辆实际位置的每个点与目标轨迹点的横向距离误差均小于ε,即停止迭代,yd(t)表示目标轨迹点组合序列,yk(t)表示在重复作业中第k次车辆实际位置点组合序列,ε表示允许的跟踪精度。当出现扰动,存在ek(t)>ε,迭代学习控制器在下一循环作用,对反馈形式寻迹控制器的输出进行矫正。
实施例3(以串级自抗扰形式的反馈控制器为车辆轨迹跟踪控制器)
作为优选方案,将上述实施例1中步骤1所设计的纯跟踪算法反馈控制器替换成串级自抗扰形式的反馈控制器,对于外环控制器,车辆定位点到目标轨迹的横向距离误差遵循:这里的V是定位点的速度;滑移角βrec是指重构点处的夹抱车速度和航向的夹角,近似于β,β表示车辆实际滑移角,表示车辆实际航向角,表示目标航向;因此可将上述方程改写为: 表示车辆测量航向,表示总扰动,上式中ΔOL是β和βrec,和之间的差异,ΔOL是外环(Out-Loop)控制器的干扰项,将定义为虚拟输入,所需要的航向角可以通过下面方程获得:航向角的动态方程可以整理为: ΔIL表示内环控制器的控制量,a表示定位点到前轴距离,b表示定位点到后轴距离,Iz表示转动惯量,Cf及Cr表示前后轮侧偏刚度,δ为所需的方向盘转角,为车辆实际航向角的一阶导数,表示车辆实际航向角的二阶导数。进行以下定义:uIL=δ, 可将航向角动态方程改写为:上式中的fIL=ε2(δcosδ-tanβcosδ)-ε3+ΔIL指总的干扰,以此作为控制量,即方向盘转角δ,表示比例参数,kd表示微分参数。
所述步骤2中,将第k个循环内的控制序列车辆横向距离误差序列以及车辆横向距离误差的一阶导数序列存储在迭代学习控制器的记忆模块,中e表示步骤1中的横向距离误差,ADRC表示以自抗扰控制算法设计的车辆轨迹跟踪控制器,k表示第k次循环,是的一阶导数;
以上所述仅是本发明的优选实施方式,应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,其特征在于,包括以下步骤:
步骤2,设计以消除车辆与目标轨迹的距离误差和航向误差为目标的车辆轨迹跟踪控制器,以步骤1中的横向距离误差及航向误差作为车辆轨迹跟踪控制器输入,计算所需的方向盘转角δ;
步骤3,设计迭代学习控制器专用的存储模块,其存储长度为重复场景的时间或空间总长度除以时间或空间为单位的调度步长;在每次调用控制算法时,将跟踪误差序列{ek(t),t∈[0,T]}及执行机构的动作序列{δk(t),t∈[0,T]}写入到存储模块中,并标注其时间或空间坐标,该坐标在每个作业场景中不断重复;
步骤4,针对车辆的重复寻迹任务,在进行第k+1次循环的寻迹任务时,将根据当前时刻在重复场景中时间或空间坐标,在迭代学习控制器专用存储模块中查询第k次循环对应的跟踪误差和执行机构动作并且实时读取;
步骤5,将步骤4所读取到跟踪误差,以学习率U(ek(t),t)的形式进行计算,与步骤4读取到所对应的执行机构动作相加获得执行机构动作,作为当前时刻的方向盘转角;
步骤6,设置停止迭代条件,ek(t)<ε(t∈[0,T]),式中ε为给定的允许跟踪精度。
3.如权利要求1所述的重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,其特征在于,所述步骤2中,车辆轨迹跟踪控制器采用比例-积分-微分(PID)控制。
4.如权利要求1所述的重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,其特征在于,迭代学习率可以表述为δk+1(t)=δk(t)+U(ek(t),t),U(ek(t),t)表示第k次循环以前积累下来的控制经验,是从迭代学习控制器专用的存储模块中读取得到的,而U(ek(t),t)则是通过对第k次循环时跟踪误差计算所获得的有效信息,用以修正以往的控制经验δk(t)。
5.如权利要求1所述的重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,其特征在于,步骤6中的迭代停止条件描述为||yd(t)-yk(t)||<ε(t∈[0,T]),其中yd(t)表示目标轨迹点组合序列,yk(t)表示在重复作业中第k次车辆实际位置点组合序列,ε表示允许的跟踪精度,当车辆作业中第k次循环车辆实际位置的每个点与目标轨迹点的误差均小于ε,即停止迭代,当出现扰动,存在ek(t)>ε,迭代学习控制器在下一循环作用,对车辆轨迹跟踪控制器输出的方向盘转角进行矫正。
6.如权利要求1所述的重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,其特征在于,所述步骤2中的车辆轨迹跟踪控制器为纯跟踪控制算法做反馈控制的车辆轨迹跟踪控制器。
8.如权利要求1所述的重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法,所述步骤2中的车辆轨迹跟踪控制器为串级自抗扰形式的车辆轨迹跟踪控制器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567069.4A CN114690754B (zh) | 2020-12-25 | 2020-12-25 | 重复作业式无人车迭代学习自趋优的循迹控制算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011567069.4A CN114690754B (zh) | 2020-12-25 | 2020-12-25 | 重复作业式无人车迭代学习自趋优的循迹控制算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114690754A true CN114690754A (zh) | 2022-07-01 |
CN114690754B CN114690754B (zh) | 2024-02-09 |
Family
ID=82130559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011567069.4A Active CN114690754B (zh) | 2020-12-25 | 2020-12-25 | 重复作业式无人车迭代学习自趋优的循迹控制算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114690754B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793472A (zh) * | 2023-02-13 | 2023-03-14 | 华东交通大学 | 重载列车的建模方法、建模系统、控制方法及控制系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7283321B1 (en) * | 2004-10-08 | 2007-10-16 | Maxtor Corporation | Disk drives and methods allowing for dual stage actuator adaptive seek control and microactuator gain calibration |
EP2096494A1 (en) * | 2008-02-29 | 2009-09-02 | Canon Kabushiki Kaisha | Iterative learning for position control in an exposure apparatus |
CN108791491A (zh) * | 2018-06-12 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于自评价学习的车辆侧向跟踪控制方法 |
CN110221541A (zh) * | 2019-05-31 | 2019-09-10 | 固高科技(深圳)有限公司 | 伺服系统中前馈控制器的前馈系数获取装置、方法 |
CN110244735A (zh) * | 2019-06-24 | 2019-09-17 | 安徽农业大学 | 移动机器人跟踪预定轨迹的启发式动态规划控制方法 |
CN111413966A (zh) * | 2020-03-12 | 2020-07-14 | 天津大学 | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 |
US20200278686A1 (en) * | 2019-02-28 | 2020-09-03 | University Of South Carolina | Iterative Feedback Motion Planning |
-
2020
- 2020-12-25 CN CN202011567069.4A patent/CN114690754B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7283321B1 (en) * | 2004-10-08 | 2007-10-16 | Maxtor Corporation | Disk drives and methods allowing for dual stage actuator adaptive seek control and microactuator gain calibration |
EP2096494A1 (en) * | 2008-02-29 | 2009-09-02 | Canon Kabushiki Kaisha | Iterative learning for position control in an exposure apparatus |
CN108791491A (zh) * | 2018-06-12 | 2018-11-13 | 中国人民解放军国防科技大学 | 一种基于自评价学习的车辆侧向跟踪控制方法 |
US20200278686A1 (en) * | 2019-02-28 | 2020-09-03 | University Of South Carolina | Iterative Feedback Motion Planning |
CN110221541A (zh) * | 2019-05-31 | 2019-09-10 | 固高科技(深圳)有限公司 | 伺服系统中前馈控制器的前馈系数获取装置、方法 |
CN110244735A (zh) * | 2019-06-24 | 2019-09-17 | 安徽农业大学 | 移动机器人跟踪预定轨迹的启发式动态规划控制方法 |
CN111413966A (zh) * | 2020-03-12 | 2020-07-14 | 天津大学 | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 |
Non-Patent Citations (6)
Title |
---|
NITIN R. KAPANIA等: "Path Tracking of Highly Dynamic Autonomous Vehicle Trajectories via Iterative Learning Control", 2015 AMERICAN CONTROL CONFERENCE (ACC), pages 2753 - 2758 * |
SEN CHEN等: "On Active Disturbance Rejection Based Path Following Control for Unmanned Roller", 2019 IEEE 58TH CONFERENCE ON DECISION AND CONTROL (CDC), pages 4791 - 4796 * |
姜勇: "基于迭代学习理论的智能铲运机运动轨迹控制算法研究", 机械制造, vol. 53, no. 615, pages 4 - 7 * |
宋康: "基于主动扰动抑制的 P-DI 汽油机高稀释低温燃烧控制研究", 中国博士学位论文全文数据库工程科技Ⅱ辑, no. 08, pages 039 - 23 * |
柴梦娜等: "无人驾驶车辆路径跟踪控制方法的研究与发展", 中国计算机用户协会网络应用分会2018年第二十二届网络新技术与应用年会论文集, pages 206 - 208 * |
郝田园: "基于自学习预测扰动观测器的SI/HCCI汽油机空燃比控制研究", 中国优秀硕士学位论文全文数据库工程科技Ⅱ辑, no. 04, pages 039 - 157 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115793472A (zh) * | 2023-02-13 | 2023-03-14 | 华东交通大学 | 重载列车的建模方法、建模系统、控制方法及控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114690754B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
CN108710294B (zh) | 一种无人车路径跟踪前馈控制方法 | |
CN109343350A (zh) | 一种基于模型预测控制的水下机器人路径跟踪控制方法 | |
Rosales et al. | Formation control and trajectory tracking of mobile robotic systems–a Linear Algebra approach | |
CN111258218B (zh) | 基于最大相关熵准则的智能车辆路径跟踪方法 | |
Choi et al. | Horizonwise model-predictive control with application to autonomous driving vehicle | |
Shen et al. | Leader-follower formation control without leader’s velocity information | |
Indiveri et al. | High speed differential drive mobile robot path following control with bounded wheel speed commands | |
Li et al. | Robust adaptive learning-based path tracking control of autonomous vehicles under uncertain driving environments | |
Rigatos et al. | A nonlinear H-infinity control approach for autonomous truck and trailer systems | |
CN114690754A (zh) | 重复作业式无人驾驶车辆迭代学习自趋优前馈的轨迹跟踪控制算法 | |
CN113608541B (zh) | 一种水下航行器姿态控制方法和系统 | |
Spitzer et al. | Feedback linearization for quadrotors with a learned acceleration error model | |
Khalaji et al. | Stabilization of a tractor with n trailers in the presence of wheel slip effects | |
Zhang et al. | Trajectory tracking of autonomous ground vehicles with actuator dead zones | |
CN115847420A (zh) | 一种针对运动目标的机械臂视觉跟踪控制方法及系统 | |
Zhao et al. | Trajectory control of underactuated hovercraft | |
Safarbali et al. | Trajectory tracking control for WMR in the presence of slip, uncertainty and disturbance based on adaptive sliding mode approach | |
Miah et al. | Universal dynamic tracking control law for mobile robot trajectory tracking | |
Bastourous et al. | Decentralized high level controller for formation flight control of uavs | |
Wang et al. | Ground moving target tracking with quadrotors using nonlinear model predictive control | |
Choi | Model predictive control of autonomous delivery robot with non-minimum phase characteristic | |
CN113341943B (zh) | 基于总扰动即时观测与迭代学习的重复作业式无人驾驶车辆轨迹跟踪控制算法 | |
CN118642486A (zh) | 一种移动机器人交叉路口避碰规划与控制方法 | |
Zhang et al. | A Novel Nonlinear Time-Frequency Control Strategy for Underactuated Mechanical System |
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 |