CN114701568B - 车辆转向角修正方法、处理器及车辆 - Google Patents

Abstract

本发明公开了一种车辆转向角修正方法、处理器及车辆。其中，方法包括：采集目标车辆在多个时间段内多个时刻的多组状态数据，状态数据包括目标车辆的坐标数据和转向角数据，分别获取多组状态数据中坐标数据对应的用于表示多组状态数据中所包括的多个时刻的坐标数据之间的差异度的第一离散程度值，选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据，基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值。本发明解决了相关技术中需要基于特定的标定场景进行转向角标定，标定方法对标定场景和传感器的精度要求高、处理效率低的技术问题。

Description

车辆转向角修正方法、处理器及车辆

技术领域

本发明涉及车辆控制领域，具体而言，涉及一种车辆转向角修正方法、处理器及车辆。

背景技术

无人驾驶系统中，利用定位信息和底盘状态解算车辆自身与目标轨迹或目标点的相对位姿关系，根据相对位姿关系进行车辆的横向运动控制。在解算相对位姿关系时，需要知道车辆的转向角信息。对于机械结构复杂的车辆，其转向角反馈存在死区，导致车辆的实际转向角和传感器测量的转向角之间存在零位偏差。转向角的零位偏差会导致转向角反馈信息存在误差，进而导致车辆控制指令存在误差，因此，需要对车辆的转向角进行修正。

相关技术中，通常通过人工标定的方法，对机械结构复杂的静止车辆进行一车一标，由此实现对车辆转向角的修正。相关技术中的转向角修正方法存在如下问题：一方面，人工标定的方法存在标定效率低和成本高的问题；另一方面，静态标定对传感器精度的要求高，在测量噪声大的情况下，基于静态标定数据难以获取无偏估计，且标定置信度差，标定结果无法进行动态调节和验证，限定了标定结果的精度。即，相关技术中存在需要基于特定的标定场景进行转向角标定，标定方法对标定场景和传感器的精度要求高，且标定效率低的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种车辆转向角修正方法、处理器及车辆，以至少解决相关技术中需要基于特定的标定场景进行转向角标定，标定方法对标定场景和传感器的精度要求高、处理效率低的技术问题。

根据本发明实施例的一个方面，提供了一种车辆转向角修正方法，包括：采集目标车辆在多个时间段对应的多组状态数据，其中，多组状态数据包括对应时间段内多个时刻的数据，对应时间段内多个时刻的数据包括目标车辆的坐标数据和转向角数据；分别获取多组状态数据中坐标数据对应的第一离散程度值，其中，第一离散程度值用于表示多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异度；基于多组状态数据中坐标数据对应的第一离散程度值，从多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据；基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值。

可选地，基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值，包括：分别获取各目标状态数据中转向角数据对应的第二离散程度值；从至少一组目标状态数据中选择第二离散程度值最小的目标组状态数据；基于目标组状态数据，确定目标车辆的转向角偏差值。

可选地，基于目标组状态数据，确定目标车辆的转向角偏差值，包括：获取目标组状态数据中多个时刻的转向角数据的概率分布；确定概率分布的均值对应的转向角数据为转向角偏差值。

可选地，方法还包括：采集目标车辆在当前时刻之前的预设时间段内多个时刻的数据，其中，所述目标车辆在当前时刻之前的预设时间段内多个时刻的数据包括目标车辆的坐标数据；根据所述目标车辆在当前时刻之前的预设时间段内多个时刻的数据，确定预设时间段内多个时刻对应坐标数据在预定坐标系下的横向偏差；确定所述多个时刻对应坐标数据在预定坐标系下的横向偏差分别对应的权重；对所述多个时刻对应坐标数据在预定坐标系下的横向偏差在对应权重下进行积分，得到所述目标组状态数据对应的积分补偿控制律；基于所述积分补偿控制律确定所述目标车辆的朝向角偏差值。

可选地，所述方法还包括：获取当前时刻之前的预设时间段内多个时刻的转向角补偿值和朝向角补偿值；所述转向角补偿值是使用各时刻的转向角偏差值对对应的转向角进行补偿得到的，所述朝向角补偿值是使用各时刻的朝向角偏差值对对应的朝向角进行补偿得到的；获取所述当前时刻之前的预定时间段内多个时刻的转向角补偿值的第三离散程度，以及所述当前时刻之前的预定时间段内多个时刻的朝向角补偿值的第四离散程度值；在所述第三离散程度值小于第三离散程度阈值，或所述第四离散程度阈值小于第四离散程度阈值的情况下，确定所述当前时刻之前的预定时间段内多个时刻的转向角补偿值的平均值为目标转向角偏差值，以及确定所述当前时刻之前的预定时间段内多个时刻的朝向角补偿值的平均值为目标朝向角偏差值。

可选地，所述获取当前时刻之前的预定时间段内多个时刻的转向角补偿值和朝向角补偿值，包括：根据当前时刻之前的预定时间段内各个时刻的转向角偏差值和第一预定控制算法，获取各时刻的转向角补偿值；根据当前时刻之前的预定时间段内各个时刻的朝向角偏差值和第二预定控制算法，获取各时刻的朝向角补偿值。

可选地，所述第一预定控制算法和所述第二预定控制算法包括线性二次最优控制算法LQR。

可选地，在分别获取多组状态数据中坐标数据对应的第一离散程度值之前，还包括：基于多组状态数据中的坐标数据，对多组状态数据进行噪声过滤，得到噪声过滤后的多组状态数据。

可选地，基于多组状态数据中的坐标数据，对多组状态数据进行噪声过滤，得到噪声过滤后的多组状态数据包括：针对多组状态数据中的每组状态数据，获取每组状态数据中多个时刻对应的坐标数据的残差，以及每组状态数据对应的标准差；分别获取每组状态数据中多个时刻对应的比例值，其中，比例值为对应时刻的残差与标准差的比值；将每组状态数据中比例值超过预定比例阈值对应的状态数据，得到噪声过滤后的多组状态数据。

根据本发明实施例的另一方面，还提供了一种车辆转向角修正装置，包括：第一获取模块，用于采集目标车辆在多个时间段对应的多组状态数据，其中，多组状态数据包括对应时间段内多个时刻的数据，对应时间段内多个时刻的数据包括目标车辆的坐标数据和转向角数据；第二获取模块，用于分别获取多组状态数据中坐标数据对应的第一离散程度值，其中，第一离散程度值用于表示多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异度；选择模块，用于基于多组状态数据中坐标数据对应的第一离散程度值，从多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据；确定模块，用于基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值。

可选地，根据本发明实施例的另一方面，还提供了一种车辆，包括存储器和处理器，所述存储器存储有计算机程序；所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行上述任意一项所述的车辆转向角修正方法。

在本发明实施例中，通过采集目标车辆在多个时间段对应的多组状态数据，分别获取多组状态数据中坐标数据对应的第一离散程度值，其中，第一离散程度值用于表示多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异度，基于第一离散程度值，从多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据，基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值。根据历史数据获取转向角偏差值，不依赖于特定的场景，实现了对标定和运动工况的解耦；根据多个时刻的数据获取转向角偏差值，对传感器精度要求低；根据第一离散程度值确定用于计算转向角偏差值的目标状态数据，由此获取的目标状态数据对应的是车辆的稳态，在稳态下进行转向角偏差值的计算，获取的转向角偏差值精度高；根据历史数据动态获取转向角偏差值，提高了修正效率。由此，本发明解决了相关技术中需要基于特定的标定场景进行转向角标定，标定方法对标定场景和传感器的精度要求高、处理效率低技术问题。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，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。在附图中：

图1是根据本发明实施例的一种可选的车辆转向角修正方法的流程图；

图2是根据本发明实施例的一种可选的车辆朝向角修正方法的流程图；

图3是根据本发明实施例的一种可选的转向角零位偏差估计方法的流程图；

图4是相关技术中的高斯噪声的特性示意图；

图5是相关技术中的椒盐噪声的特性示意图；

图6是相关技术中的混合噪声的特性示意图；

图7是根据本发明实施例的一种可选的去除状态数据中噪声点方法的流程图；

图8是根据本发明实施例的非稳态情况下残差直方图及概率密度分布示意图；

图9是根据本发明实施例的稳态情况下残差直方图及概率密度分布示意图；

图10是根据本发明实施例的朝向角补偿积分效果示意图；

图11是根据本发明实施例的一种可选的朝向角估计方法的流程图；

图12是根据本发明实施例的一种可选的车辆转向角修正装置的框架图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

根据本发明实施例，提供了一种车辆转向角修正方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

图1是根据本发明实施例的车辆转向角修正方法，如图1所示，该方法可包括如下步骤：

步骤S101，采集目标车辆在多个时间段对应的多组状态数据，其中，多组状态数据包括对应时间段内多个时刻的数据，对应时间段内多个时刻的数据包括目标车辆的坐标数据和转向角数据。

步骤S102，分别获取多组状态数据中坐标数据对应的第一离散程度值，其中，第一离散程度值用于表示多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异程度。

需要明白的是，多组状态数据中坐标数据对应的第一离散程度值，指的是根据各组状态数据中的坐标数据获取的第一离散程度。离散程度反映数据各变量远离其中心值的程度，或者说离散程度反映数据中各变量之间的差异程度，离散程度的衡量指标包括极差、平均差、标准差，等等。离散程度值越小，数据中各变量之间的差异程度越小。根据车辆状态数据获取的离散程度可以用来确定车辆是否处于稳态，离散程度越小，说明状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异程度越小，车辆状态越稳定。

步骤S103，基于多组状态数据中坐标数据对应的第一离散程度值，从多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据。

在一个可选实施例中，针对多组状态数据中的各组状态数据i，分别执行如下操作，其中，i＝1,…I，I为状态数据的总组数，进而获取多组状态数据中各组状态数据中坐标数据对应的第一离散程度值：计算状态数据i中坐标数据的标准差，将该标准差作为状态数据i中坐标数据对应的第一离散程度值。

步骤S104，基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值。

在本可选实施例中，通过分别获取多组状态数据的第一离散程度值，并基于第一离散程度值确定目标状态数据，根据目标状态数据中的转向角数据确定目标车辆的转向角偏差值。方法根据历史数据获取转向角偏差值，不依赖于特定的场景，实现了对标定和运动工况的解耦，其中，依赖于特定场景包括需要在车辆静止状态下进行转向角偏差值的技术；根据多个时刻的数据获取转向角偏差值，对传感器精度要求低；根据离散程度和第一离散程度阈值确定目标状态数据，由此获取的目标状态数据对应的是车辆的稳态，在稳态下进行转向角偏差值的计算，获取的转向角偏差值精度高；根据历史数据动态获取转向角偏差值，提高了修正效率。由此，本发明解决了相关技术中需要基于特定的标定场景进行转向角标定，标定方法对标定场景和传感器的精度要求高、处理效率低技术问题。

作为一种可选实施例，基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值的方法，可包括：分别获取各目标状态数据中转向角数据对应的第二离散程度值；从至少一组目标状态数据中选择第二离散程度值最小的目标组状态数据；基于目标组状态数据，确定目标车辆的转向角偏差值。可选地，获取第二离散程度值的方法可包括：从各目标状态数据中提取转向角数据，根据转向角数据计算各目标状态数据中转向角数据对应的第二离散程度值，确定第二离散程度值最小的目标组状态数据。

在本可选实施例中，从车辆处于稳态的各目标状态数据中提取转向角数据，进而获取各目标状态数据中转向角数据对应的第二离散程度值最小的目标组状态数据，基于目标组状态数据，确定目标车辆的转向角偏差值。方案选择车辆处于稳态的状态数据中转向角离散程度最小的状态数据，并基于该状态数据计算转向角偏差值，由此获取的转向角偏差值精度高。

作为一种可选实施例，基于目标组状态数据，确定目标车辆的转向角偏差值的方法，可包括：获取目标组状态数据中多个时刻的转向角数据的概率分布；确定概率分布的均值对应的转向角数据为转向角偏差值。

在本可选实施例中，转向角偏差值的获取过程不依赖于特定的场景；根据多个时刻的数据获取转向角偏差值，对传感器精度要求低；对车辆处于稳态的状态数据中转向角离散程度最小的状态数据，进行转向角数据的概率分布计算，将概率分布的均值对应的转向角数据作为转向角偏差值，获取的转向角偏差值精度高。

图2是根据本发明实施例的一种可选的车辆朝向角修正方法的流程图。参照图2所示，可通过如下方法获取车辆朝向角偏差值：

步骤S201，采集目标车辆在当前时刻之前的预设时间段内多个时刻的数据；其中，目标车辆在当前时刻之前的预设时间段内多个时刻的数据包括目标车辆的坐标数据。

步骤S202，基于目标车辆在当前时刻之前的预设时间段内多个时刻的数据，确定目标车辆的朝向角偏差值。

在本可选实施例中，目标组状态数据对应的车辆状态为稳态，根据目标车辆在当前时刻之前的预设时间段内多个时刻的数据确定目标车辆的朝向角偏差值，由此获取的朝向角偏差值准确性高，且方法不依赖于特定的场景，对传感器的精度要求低。相对于相关技术中通过人工方法一车一标定的方法，本可选实施例的方法简单且处理效率高。

在一些可选实施例中，基于目标车辆在当前时刻之前的预设时间段内多个时刻的数据，确定目标车辆的朝向角偏差值的方法有多种。

在一个可选实施例中，基于目标车辆在当前时刻之前的预设时间段内多个时刻的数据，确定目标车辆的朝向角偏差值的方法可包括如下步骤：根据目标车辆在当前时刻之前的预设时间段内多个时刻的数据，确定预设时间段内多个时刻对应坐标数据在预定坐标系下的横向偏差；确定多个时刻对应坐标数据在预定坐标系下的横向偏差分别对应的权重；对多个时刻对应坐标数据在预定坐标系下的横向偏差在对应权重下进行积分，得到目标组状态数据对应的积分补偿控制律；基于积分补偿控制律确定目标车辆的朝向角偏差值。在相关技术中，通常通过对横向偏差积分获取积分补偿控制率，基于积分补偿控制率获取朝向角偏差值。在本可选实施例中，在获取积分补偿控制律时，计及了横向偏差的权重，使横向偏差过大时，降低横向偏差积分的累计权值，在横向偏差较小时，横向偏差积分的累计权值自动增大。相对于相关技术，计及了横向偏差的权重后，获取的积分补偿控制率精度高，基于积分补偿控制率获取的朝向角偏差值精度高。

作为一种可选实施例，方法还包括：获取当前时刻之前的预设时间段内多个时刻的转向角补偿值和朝向角补偿值；转向角补偿值是使用各时刻的转向角偏差值对对应的转向角进行补偿得到的，朝向角补偿值是使用各时刻的朝向角偏差值对对应的朝向角进行补偿得到的；获取当前时刻之前的预定时间段内多个时刻的转向角补偿值的第三离散程度，以及当前时刻之前的预定时间段内多个时刻的朝向角补偿值的第四离散程度值；在第三离散程度值小于第三离散程度阈值，或第四离散程度阈值小于第四离散程度阈值的情况下，确定当前时刻之前的预定时间段内多个时刻的转向角补偿值的平均值为目标转向角偏差值，以及确定当前时刻之前的预定时间段内多个时刻的朝向角补偿值的平均值为目标朝向角偏差值。

在本可选实施中，通过递归滚动优化的方法对车辆的历史状态数据进行处理，进而获取车辆的转向角偏差及朝向角偏差。由此，方法的实现不依赖于特定的场景，且获取的转向角偏差及朝向角偏差精确度高，解决了相关技术中，通过单次估计获取车辆转向角偏差和朝向角偏差而导致的转向角偏差和朝向角偏差精度低的问题。

在一些可选实施例中，获取当前时刻之前的预定时间段内多个时刻的转向角补偿值和朝向角补偿值的方法有多种。在一个可选实施例中，获取当前时刻之前的预定时间段内多个时刻的转向角补偿值和朝向角补偿值的方法可包括：根据当前时刻之前的预定时间段内各个时刻的转向角偏差值和第一预定控制算法，获取各时刻的转向角补偿值；根据当前时刻之前的预定时间段内各个时刻的朝向角偏差值和第二预定控制算法，获取各时刻的朝向角补偿值。由此，可以动态获取转向角补偿值和朝向角补偿值，且获取的转向角补偿值和朝向角补偿值的准确度高。

其中，前述第一预定控制算法和第二预定控制算法有多种。在一个可选实施例中，第一预定控制算法和第二预定控制算法包括线性二次最优控制算法LQR。

作为一种可选实施例，通过对对多组状态数据进行噪声过滤，得到噪声过滤后的多组状态数据，根据噪声过滤后的多组状态数据获取与各组状态数据中坐标数据对应的第一离散程度值。由此，提高了数据处理结果的准确度。

作为一种可选实施例，基于多组状态数据中的坐标数据，对多组状态数据进行噪声过滤，得到噪声过滤后的多组状态数据的方法，可包括如下步骤：针对多组状态数据中的每组状态数据，获取每组状态数据中多个时刻对应的坐标数据的残差，以及每组状态数据对应的标准差；分别获取每组状态数据中多个时刻对应的比例值，其中，比例值为对应时刻的残差与标准差的比值；将每组状态数据中比例值超过预定比例阈值对应的状态数据，得到噪声过滤后的多组状态数据。

需要明白的是，某个时刻对应的坐标数据的残差，等于该时刻对应的坐标数据的实际值与拟合值的差值。可通过数据拟合获取坐标数据的拟合曲线，基于拟合曲线获取各时刻对应的坐标数据的拟合值。其中，数据拟合方法有多种，例如，可通过最小二乘法对坐标数据进行拟合，以获取对应的拟合曲线。

在本可选实施中，通过各时刻对应的坐标数据的残差，和包括多个时刻坐标数据的状态数据的标准差，对状态数据进行噪声过滤处理，相当于去除了状态数据中与拟合曲线偏差太大的噪声点，这些噪声点为状态数据中的异常点。基于噪声过滤后的状态数据进行下一步的分析，获取的分析结果更加准确。

基于上述实施例及可选实施例，提供了一种可选实施方式，下面具体说明。

在本可选实施方式中，以目标车辆为农机具，离散程度值为标准差，对状态数据进行噪声过滤处理时用到的拟合方法为最小二乘法为例进行说明。

相关技术中，通过人工标定的方法对静止车辆进行一车一标，由此实现对车辆转向角和朝向角的修正。这种方法导致如下问题：需要基于特定的标定场景进行转向角标定，标定方法对标定场景和传感器的精度要求高、处理效率低。

鉴于此，在本公开实施方式中，提供了一种车辆转向角和朝向角的修正方法，实现对车辆转向角和朝向角的智能修正，方法不依赖于特定的场景，对传感器精度要求低，并且处理效率高。

需要明白的是，无人驾驶系统中，农机具横向运动控制的实现依赖于底盘状态反馈和定位信息，通过定位及底盘状态解算农机自身与目标轨迹或目标点的相对位姿关系，通过控制转向轮的角度偏差进行转向角修正。

农机无人驾驶存在速度低，精度要求高等特点，因而对定位信息及底盘状态更加敏感，且农机具自身存在安装精度低，传感器测量精度低的缺点。农机机具的机械结构复杂，在安装过程缺少有效的配准和标定，在运动控制中，转向角反馈影响控制指令计算的精确到，有偏差的转向角会造成控制器对被控农机的状态估计不准，进而导致控制指令存在误差。同时，控制指令的执行受到零位偏差的影响，难以达到理想的控制角度，因而导致农机控制的精度下降。综上，需要对农机具的转向角进行修正。

图3是根据本发明实施例的另一种可选的车辆转向角估计方法的流程图。参照图3所示，车辆转向角修正方法包括如下步骤：

步骤1，采集农机具状态数据。

具体的，在农机具运动过程中，按固定时间周期dt进行状态数据采集。其中，状态数据包括农机具的全局坐标x、y、转向角数据δ、朝向角数据ψ，以及采集信息的时间戳t。农机具在时刻i的状态数据Q_i可以表示为：Q_i＝(x_i,y_i,δ_i,ψ_i,t_i)，其中，x_i、y_i、δ_i、ψ_i、t_i分别表示农机具在时刻i的两个坐标、转向角数据、朝向角数据和时刻值。

以队列的形式维护当前时刻之前的T时间周期内的状态信息Q_k。

Q_k可以表示为：Q_k＝{Q_k-T,Q_k-T+dt,...,Q_k}，其中，Q_k-T、Q_k-T+dt、Q_k分别表示农机具在k-T、k-T+dt、k时刻的状态数据。

步骤2，去除状态数据中的噪声点。

在工程实践中，传感器测量的原始状态数据中包含有测量噪声和观测噪声，噪声对数据分析的准确性有重要影响。而工程实践中的这些噪声通常不是高斯白噪声，可以将这些噪声近似认为是混合高斯噪声和椒盐噪声的混合噪声。其中，相关技术中的高斯噪声、椒盐噪声、混合噪声的特性示意图分别如图4、图5、图6所示。

以原始状态数据中的坐标信息

为例，对这种混合噪声进行说明：原始状态数据中的坐标信息

可分解为坐标真实值x、高斯噪声gaussian_noise(x)和椒盐噪声salt_and_pepper_noise(x)，则原始状态数据中的坐标信息

可用如下公式表示：

为了消除噪声点对数据分析准确度的影响，需要去除状态数据中的噪声点。

图7是根据本发明实施例的一种可选的去除状态数据中噪声点方法的流程图。参照图7所示，去除状态数据中的噪声点的方法包括如下步骤：

步骤2.1，使用最小二乘法对状态数据中的坐标数据x和y进行拟合，获取拟合曲线y＝Ax+b。其中，A为系数矩阵，b为偏差。

步骤2.2，获取状态数据中各时刻坐标数据的残差，以及根据坐标数据获取的标准差。

其中，各时刻坐标数据的残差，等于各时刻的坐标数据与根据拟合曲线获取的该时刻的拟合值之间的差值。根据坐标数据获取的标准差，是根据状态数据中各时刻的坐标数据计算出的标准差。

步骤2.3，计算各时刻的坐标数据残差与标准差的比值，判断比值是否超过预定比例阈值。

其中，时刻i的坐标数据残差residual_i与标准差σ的比值R_i可用如下公式表示：

当比值R_i超过预定比例阈值时，表示时刻i的状态数据为异常点(即噪声点)，删除时刻i的状态数据，获取去噪声处理后的状态数据。具体的，将农机具在时刻i的两个坐标值、转向角数据、朝向角数据和时刻值全部删除。

当比值R_i未超过预设比例阈值时，保留农机具在时刻i的两个坐标值、转向角数据、朝向角数据和时刻值。

在设定比例阈值时，以完全去除异常值并尽可能保留有效数据为原则。在一个实施例中，将预设比例阈值设置为1.5，即：时刻i的坐标数据残差residual_i与标准差σ的比值R_i超过1.5时，认为该时刻的状态数据为异常数据，将该时刻的状态数据删除。

步骤3，判断状态数据是否为稳态状态数据。

图8和图9分别是是根据本发明实施例的非稳态情况下和稳态情况下，状态数据残差直方图及概率密度分布示意图。参照图8和图9所示，农机具运动状态为稳态时，根据步骤2获取的去噪声处理的状态数据分布相对集中，在农机具运动状态为非稳态时，农机具的运动状态持续变化，根据步骤2获取的去噪声处理的状态数据分布相对分散。

农机具在稳态运行时，其运行误差主要是由转向角零位偏差造成的，为了去除或减小转向角零位偏差对农机具控制精度的影响，需要对农机具是否处于稳态进行判断。将农机具处于稳态的状态数据标记为稳态状态数据，将农机具处于非稳态的状态数据标记为非稳态状态数据。判断农机具是否处于稳态相当于判断状态数据是否为稳态数据，

需要明白的是，步骤3中的状态数据为经过步骤2的方法进行去噪声处理后的状态数据。下面对判断状态数据是否为稳态状态数据的方法进行具体说明。

步骤3.1，针对进行去噪声处理后的状态数据，计算状态数据中坐标数据的概率分布；

步骤3.2，针对各时间周期内的状态数据，分别根据其中的坐标数据，计算各段状态数据的标准差(相当于前述实施例中的第一离散程度值)，判断该标准差是否小于预设稳态判定阈值c_steady(相当于前述实施例中的第一离散程度阈值)，是则认为农机具在该时间周期内处于稳态，即对应的该段状态数据为稳态状态数据(相当于前述实施例中的目标状态数据)，然后根据步骤4对稳态状态数据进行进一步处理；否则认为农机具在该时间周期内处于非稳态，即对应的该段状态数据为非稳态状态数据，对于非稳态状态数据，不再做进一步处理。

其中，稳态判定阈值c_steady可以根据车辆静止时采集的多组预定时间周期的状态数据确定。具体的，对车辆静止时采集的多组预定时间周期的状态数据进行去噪声处理，然后取95％置信区间，基于该方法获取的稳态判定阈值c_steady约等于对车辆静止时采集的多组预定时间周期的状态数据进行去噪声处理后，根据去噪声处理数据获取的标准差的两倍。

步骤4，根据标准差最小的稳态状态数据确定转向角偏差值，方法可包括如下步骤：

步骤4.1，针对根据步骤1至步骤3获取的多段稳态状态数据：提取稳态状态数据中的转向角数据，并进行概率计算，获取稳态状态数据中转向角对应的标准差(相当于前述实施例中的第二离散程度值)。

步骤4.2，选取稳态状态数据中转向角对应的标准差最小稳态状态数据(相当于前述实施例中的目标组状态数据)，选取其中值作为转向角零位偏差的估计值。

在本可选实施方式中，朝向角零位偏差估计方法可包括如下步骤：

步骤5，获取积分补偿。

在相关技术的工程实践中，在航向控制方面，可采用PID(ProportionIntegration Differentiation，比例积分微分)、滑膜控制、自抗扰控制、神经网络等方法进行朝向角补偿，在这些方法中，未计及横向偏差在对应权重，基于相关技术的方法获取的朝向角补偿进行朝向角零位偏差计算，获取的朝向角零位偏差精确度低。

在本可选实施方式中，使用如下公式：

获取朝向角积分补偿δ_comp。

其中，e_lat为车辆在Frenet坐标系下横向偏差，k_i为时刻i的积分时间常数，k_g表示积分增补(衰减增益)，k_c表示权重参数，t表示时间。

其中，根据如下公式：

获取车辆在Frenet坐标系下横向偏差e_lat。

其中，

为Frenet坐标系下农机具自身的位置信息,

分别为追踪轨迹上距离目标最近的轨迹点及其前后相邻任意一点。

根据如下公式获取积分增补(衰减增益)k_g：

其中，δ表示转向角。不同的积分增补(衰减增益)k_g在农机具离开稳态时快速归零，以降低积分补偿对控制的影响。

相关技术中，通过直接对e_lat进行积分获取朝向家补偿积分，在本可选实施方式中，为朝向角补偿积分设计了一种增益调节器

在该增益调节器中，相当于计及了坐标数据在预定坐标系下的横向偏差分别对应的权重。

图10是根据本发明实施例的朝向角补偿积分效果示意图。参照图10所示，相比于相关技术中直接对e_lat进行积分获取朝向家补偿积分的方法，本可选实施方式通过使用上述增益调节器，使横向偏差e_lat过大时，自动降低积分的累计权值，当e_lat较小时，积分权值自动增大。

步骤6，获取逆控制律。

当通过积分补偿，将横向偏差e_lat修正为0或较小值时，积分补偿δ_comp与原控制器指令δ_controller互为负数，即δ_comp≈-δ_controller。此时农机具处于稳态，可认为原控制指令只由航向角的零位偏差造成。因此，可通过逆向推导积分补偿δ_comp得到航向角的零位偏差，或者说，可以通过控制指令δ_controller推算航向角的零位偏差。

以纯追踪控制律为例，对推导过程进行说明。纯追踪控制算法的纯追踪控制律如下式所示：

其中，L为农机具的轴距，L_d为纯追踪算法的预秒距离，α为农机具朝向与追踪目标朝向角的差值。在稳态下，农机具实际朝向与追踪目标朝向几乎相同，α即为农机具朝向角的零位偏差。因此，可根据上述纯追踪控制律的逆控制律得到朝向角零位偏差。

图11是根据本发明实施例的一种可选的朝向角估计方法的流程图。参照图11所示，根据定位信息规划轨迹相关参数获取积分补偿，根据逆控制器获取朝向角零位偏差估计值，根据朝向角零位偏差估计值和定位信息规划轨迹相关参数、农机具底盘反馈数据，以及转向角补偿对农机具的转向角和朝向角进行修正。

在本可选实施方式中，通过双标定递归滚动优化，确定转向角和朝向角的最优估计值。具体说明如下：

需要明白的是，农机具运动速度交底，在建立农机具运动的数学模型时，可以忽略农机具在横向的滑移，即认为农机具的侧偏角。

农机具的运动方程可简化为：

其中，v表示农机具运动速度，Ψ表示农机具朝向角，δ表示农机具转向角，x和y分别表示农机具的坐标。

根据农机具的运动方程可知，农机具转向角δ影响朝向角的变化率Ψ，朝向角Ψ不影响转向角，转向角和朝向角的零位偏差存在单向的相关性。因此在转向角和朝向角同时存在零位偏差时，须按上述方法先估计转向角偏差，后估计朝向角偏差。同时，由于估计值与真实值之间可能存在偏差，且转向角估计值的精度影响朝向角估计值的精度，因此单次估计的精度不高。

本可选实施方式采用了双标定递归滚动优化获取朝向角和转向角的最优估计值。方法具体包括如下步骤：

步骤7.1，估计转向角的零位偏差。

步骤7.2，对控制算法进行转向角补偿。

步骤7.3，估计朝向角的零位偏差。

步骤7.4，对控制算法进行朝向角补偿。

重复步骤7.1至步骤7.4，获取当前时刻之前的预定周期T内的估计结果，并以队列的形式保持预定周期T内的转向角零位偏差估计结果Δ以及朝向角零位偏差估计结果Ψ^*。

其中，转向角零位偏差估计结果

表示k-T时刻到k时刻的转向角零位偏差值；朝向角零位偏差估计结果

表示k-T时刻到k时刻的朝向角零位偏差值。分别计算转向角零位偏差估计结果Δ以及朝向角零位偏差估计结果Ψ^*的概率分布，如果转向角零位偏差估计结果Δ的标准差(相当于前述实施例中的第三离散程度值)小于预设收敛标准c_Δ(相当于前述实施例中的第三离散程度阈值)，或者朝向角零位偏差估计结果Ψ^*的标准差(相当于前述实施例中的第四离散程度值)小于预设收敛标准c_Ψ(相当于前述实施例中的第四离散程度阈值)，则取转向角估零位偏差计结果Δ概率分布的中值为转向角的最优估计值(相当于前述实施例中的目标转向角偏差值)，取朝向角零位偏差估计结果Ψ^*概率分布的中值为朝向角的最优估计值(相当于前述实施例中的目标朝向角偏差值)。

农机具生产时的安装精度低，且同一型号的农机具之间也存在较大差异，相关技术中，通过人工标定的方法对静止车辆进行一车一标，标定效率低且成本高；且这种静态标定的方法依赖高精度的传感器；当测量噪声较大时，静态标定数据难以得到无偏估计，置信度差，标定结果无法进行动态地调节及验证，这导致标定结果的准确度低。相关技术中的标定方式与农机运行的工况耦合，需设计专门的标定场景，且标定的精度依赖场景设计的合理性，对标定环境要求高，标定方法的通用性差。

在本可选实施方式中，针对农机具无人驾驶的运行特点，设计了一种简单易实现的递归滚动优化方法的转向角及朝向角的标定方式，实现对标定和运动工况的解耦，在农机具运动过程中，自动的对工况进行的判断，并找到合适标定的运动状态进行状态数据处理，在数据处理的过程中，通过去除数据中的噪声提高数据处理的准确度。因为本可选实施方式利用农机具运行的历史数据进行转向角及朝向角的标定，可实时判断合适的标定工况，降低了标定过程对预设场景的依赖。

根据递归滚动优化方法，利用运动过程中的历史数据，通过简单设计的标定场景，可以准确估计农机具转向角及朝向角的零位偏差。在一个实施例中，获取的转向角偏差的最大估计角度为10度，朝向角偏差的最大估计角度为15度。转向角偏差估计的精度可达0.02rads，朝向角偏差估计的精度可达0.04rads。与相关技术中使用纯追踪算法控制有延迟车辆相比，本可选实施例提供的方法可减少横向控制偏差10cm至15cm。

图12是根据本发明实施例的一种可选的车辆转向角修正装置的框架图。参照图12所示，车辆转向角修正装置包括第一获取模块121、第二获取模块122、选择模块123、确定模块124。下面具体说明。

第一获取模块121，用于通过传感器获取目标车辆在多个时间段对应的多组状态数据，其中，多组状态数据包括对应时间段内多个时刻的数据，对应时间段内多个时刻的数据包括目标车辆的坐标数据和转向角数据；第二获取模块122，连接于上述第一获取模块121，用于分别获取多组状态数据中坐标数据对应的第一离散程度值，其中，第一离散程度值用于表示多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异度；选择模块123，连接于上述第二获取模块122，用于基于多组状态数据中坐标数据对应的第一离散程度值，从多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据；确定模块124，连接于上述选择模块123，用于基于至少一组目标状态数据中的转向角数据，确定目标车辆的转向角偏差值。

本发明还提供了一种车辆，包括存储器和处理器，存储器存储有计算机程序；处理器，用于执行存储器中存储的计算机程序，计算机程序运行时使得处理器执行上述任意一项的车辆转向角修正方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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全部或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，包括若干指令用以使得一台计算机设备(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，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 (11)

1.一种车辆转向角修正方法，其特征在于，包括：

采集目标车辆在多个时间段对应的多组状态数据，其中，所述多组状态数据包括对应时间段内多个时刻的数据，所述对应时间段内多个时刻的数据包括所述目标车辆的坐标数据和转向角数据；

分别获取所述多组状态数据中坐标数据对应的第一离散程度值，其中，所述第一离散程度值用于表示所述多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异度；

基于所述多组状态数据中坐标数据对应的第一离散程度值，从所述多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据；

基于所述至少一组目标状态数据中的转向角数据，确定所述目标车辆的转向角偏差值。

2.根据权利要求1所述的方法，其特征在于，所述基于所述至少一组目标状态数据中的转向角数据，确定所述目标车辆的转向角偏差值，包括：

分别获取各目标状态数据中转向角数据对应的第二离散程度值；

从所述至少一组目标状态数据中选择第二离散程度值最小的目标状态数据；

基于所述目标状态数据，确定所述目标车辆的转向角偏差值。

3.根据权利要求2所述的方法，其特征在于，所述基于所述目标状态数据，确定所述目标车辆的转向角偏差值，包括：

获取所述目标状态数据中多个时刻的转向角数据的概率分布；

确定所述概率分布的均值对应的转向角数据为所述转向角偏差值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

采集目标车辆在当前时刻之前的预设时间段内多个时刻的数据，其中，所述目标车辆在当前时刻之前的预设时间段内多个时刻的数据包括目标车辆的坐标数据；

根据所述目标车辆在当前时刻之前的预设时间段内多个时刻的数据，确定预设时间段内多个时刻对应坐标数据在预定坐标系下的横向偏差；

确定所述多个时刻对应坐标数据在预定坐标系下的横向偏差分别对应的权重；

对所述多个时刻对应坐标数据在预定坐标系下的横向偏差在对应权重下进行积分，得到所述目标状态数据对应的积分补偿控制律；

基于所述积分补偿控制律确定所述目标车辆的朝向角偏差值。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取当前时刻之前的预设时间段内多个时刻的转向角补偿值和朝向角补偿值；所述转向角补偿值是使用各时刻的转向角偏差值对对应的转向角进行补偿得到的，所述朝向角补偿值是使用各时刻的朝向角偏差值对对应的朝向角进行补偿得到的；

获取所述当前时刻之前的预定时间段内多个时刻的转向角补偿值的第三离散程度值，以及所述当前时刻之前的预定时间段内多个时刻的朝向角补偿值的第四离散程度值；

在所述第三离散程度值小于第三离散程度阈值，或所述第四离散程度值小于第四离散程度阈值的情况下，确定所述当前时刻之前的预定时间段内多个时刻的转向角补偿值的平均值为目标转向角偏差值，以及确定所述当前时刻之前的预定时间段内多个时刻的朝向角补偿值的平均值为目标朝向角偏差值。

6.根据权利要求5所述的方法，其特征在于，所述获取当前时刻之前的预定时间段内多个时刻的转向角补偿值和朝向角补偿值，包括：

根据当前时刻之前的预定时间段内各个时刻的转向角偏差值和第一预定控制算法，获取各时刻的转向角补偿值；

根据当前时刻之前的预定时间段内各个时刻的朝向角偏差值和第二预定控制算法，获取各时刻的朝向角补偿值。

7.根据权利要求6所述的方法，其特征在于，所述第一预定控制算法和所述第二预定控制算法包括线性二次最优控制算法LQR。

8.根据权利要求1所述的方法，其特征在于，在分别获取所述多组状态数据中坐标数据对应的第一离散程度值之前，还包括：

基于所述多组状态数据中的坐标数据，对所述多组状态数据进行噪声过滤，得到噪声过滤后的所述多组状态数据。

9.根据权利要求8所述的方法，其特征在于，所述基于所述多组状态数据中的坐标数据，对所述多组状态数据进行噪声过滤，得到噪声过滤后的所述多组状态数据包括：

针对所述多组状态数据中的每组状态数据，获取每组状态数据中多个时刻对应的坐标数据的残差，以及每组状态数据对应的标准差；

分别获取每组状态数据中多个时刻对应的比例值，其中，所述比例值为对应时刻的残差与标准差的比值；

将每组状态数据中比例值超过预定比例阈值对应的状态数据，得到噪声过滤后的所述多组状态数据。

10.一种车辆转向角修正装置，其特征在于，包括：

第一获取模块，用于采集目标车辆在多个时间段对应的多组状态数据，其中，所述多组状态数据包括对应时间段内多个时刻的数据，所述对应时间段内多个时刻的数据包括所述目标车辆的坐标数据和转向角数据；

第二获取模块，用于分别获取所述多组状态数据中坐标数据对应的第一离散程度值，其中，所述第一离散程度值用于表示所述多组状态数据中所包括的对应时间段内多个时刻的坐标数据之间的差异度；

选择模块，用于基于所述多组状态数据中坐标数据对应的第一离散程度值，从所述多组状态数据中选择第一离散程度值小于第一离散程度阈值的至少一组目标状态数据；

确定模块，用于基于所述至少一组目标状态数据中的转向角数据，确定所述目标车辆的转向角偏差值。

11.一种车辆，其特征在于，包括存储器和处理器，

所述存储器存储有计算机程序；

所述处理器，用于执行所述存储器中存储的计算机程序，所述计算机程序运行时使得所述处理器执行权利要求1至9中任意一项所述的车辆转向角修正方法。

Images