CN114707243A - 一种自动驾驶车辆运动模型的参数辨识方法 - Google Patents
一种自动驾驶车辆运动模型的参数辨识方法 Download PDFInfo
- Publication number
- CN114707243A CN114707243A CN202210344574.5A CN202210344574A CN114707243A CN 114707243 A CN114707243 A CN 114707243A CN 202210344574 A CN202210344574 A CN 202210344574A CN 114707243 A CN114707243 A CN 114707243A
- Authority
- CN
- China
- Prior art keywords
- identification
- equation
- matrix
- parameter
- feedback
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明实施例涉及一种自动驾驶车辆运动模型的参数辨识方法,所述方法包括:确定自动驾驶车辆运动模型的模型状态运动方程;根据模型状态运动方程进行辨识系统构建;根据辨识系统方程进行离线参数辨识方程解析;根据辨识系统方程进行在线递推参数辨识方程组解析;对预设的参数辨识模式进行识别;为离线辨识模式时,使用第一离线辨识方程对辨识系统方程的参数进行离线参数辨识,并更新辨识系统方程;为在线辨识模式时,使用第一在线递推辨识方程组对辨识系统方程的参数进行在线参数辨识,并更新辨识系统方程。通过本发明,既可以解决常规优化估计中不对模型参数进行更新的问题,又可以为自动驾驶车辆提供离线与在线两种参数辨识处理手段。
Description
技术领域
本发明涉及数据处理技术领域,特别涉及一种自动驾驶车辆运动模型的参数辨识方法。
背景技术
自动驾驶车辆在进行车辆控制时会基于设定的运动模型进行状态估计,并根据状态估计结果对诸如方向盘角度进行控制。状态估计的流程大致就是先通过运动模型的状态运动方程确定状态传递函数,再通过状态传递函数确定观测量与状态量的转换关系,再基于该转换关系构建状态估计值与真值的误差方程,再基于该误差方程构建对应的优化目标函数,并通过求解优化目标函数确定观测量与状态估计量的一系列转换参数。该系列转换参数也称之为运动模型的转换参数,最后通过确定的模型参数在已知观测量的前提下对与状态量进行估计。我们在实践中发现,常规的优化估计实现方式往往在一次性确定了模型参数之后就不会发生变化。而车辆实际的运动转换关系会随着车辆使用年限、车辆行驶路况等情况的不同而出现变化,其对应的模型参数实际也是会发生变化的。如果按常规优化估计实现那样始终使用同一套模型参数进行状态估计势必会造成估计量的误差增大,为车辆安全行驶埋下隐患。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种自动驾驶车辆运动模型的参数辨识方法、电子设备及计算机可读存储介质,通过本发明,既可以解决常规优化估计中不对模型参数进行更新的问题,又可以为自动驾驶车辆提供离线与在线两种参数辨识处理手段,从而达到提高自动驾驶车辆安全行驶保障的目的。
为实现上述目的,本发明实施例第一方面提供了一种自动驾驶车辆运动模型的参数辨识方法,所述方法包括:
确定自动驾驶车辆运动模型的模型状态运动方程;
根据所述模型状态运动方程进行辨识系统构建得到对应的辨识系统方程;
根据所述辨识系统方程进行离线参数辨识方程解析得到对应的第一离线辨识方程;
根据所述辨识系统方程进行在线递推参数辨识方程组解析得到对应的第一在线递推辨识方程组;
对预设的参数辨识模式进行识别;所述参数辨识模式包括离线辨识模式和在线辨识模式;
当所述参数辨识模式为离线辨识模式时,使用所述第一离线辨识方程对所述辨识系统方程的参数进行离线参数辨识得到最新的第一估计参数矩阵;
当所述参数辨识模式为在线辨识模式时,使用所述第一在线递推辨识方程组对所述辨识系统方程的参数进行在线参数辨识得到最新的第二估计参数矩阵;
使用最新的估计参数矩阵更新所述辨识系统方程。
优选的,所述确定自动驾驶车辆运动模型的模型状态运动方程,具体包括:
确定所述自动驾驶车辆的动力学模型方程组为
其中,所述自动驾驶车辆的车辆纵轴为x轴、侧向横轴为y轴、与x、y垂直的为z轴;m为整车质量,为沿y轴的运动加速度,Vx为车辆纵向速度,ψ为车辆横摆角,为横摆角速度,为横摆角加速度,为向心加速度,Fyf为前轮侧向力,Fyr为后轮侧向力,Iz为车辆绕z轴的转动的转动惯量,lf为汽车质心到前轴的垂直距离,lr为汽车质心到后轴的垂直距离;
确定所述自动驾驶车辆的轮胎侧偏模型方程组为
其中,Cf为前轮侧偏刚度,Cr为后轮侧偏刚度,δ为前轮转向角,θvf为前轮速度角,θvr为后轮速度角;
将所述轮胎侧偏模型方程组代入所述动力学模型方程组得到第一状态运动方程为
将所述第二状态运动方程确定为所述自动驾驶车辆运动模型的所述模型状态运动方程输出。
优选的,所述根据所述模型状态运动方程进行辨识系统构建得到对应的辨识系统方程,具体包括:
将所述模型状态运动方程转化为由两个传递函数构成的第一函数组为
对所述第一函数组进行拉普拉斯变换得到第二函数组为
其中,s为拉普拉斯变换因子;
由所述第二函数组获得所述道路曲率ρ与所述方向盘转角swa的连续传递函数为
对所述连续传递函数进行z变换得到离散传递函数为
其中,z为z变换因子,参数b0、b1、b2、a1和a2为传递函数参数;
将所述离散传递函数作为构建出的所述辨识系统方程,并确定所述辨识系统方程为二阶系统,并将所述参数b0、b1、b2、a1和a2视为所述辨识系统方程的待辨识参数。
优选的,所述根据所述辨识系统方程进行离线参数辨识方程解析得到对应的第一离线辨识方程,具体包括:
对所述辨识系统方程进行二阶差分方程转换得到对应的第一差分方程为
ρk+a1ρk-1+a2ρk-2=b0swak+b1swak-1+b2swak-2;
其中,k-1为时刻k的上一时刻,k-2为时刻k-1的上一时刻;ρk、ρk-1、ρk-2分别为时刻k、k-1、k-2的道路曲率;swak、swak-1、swak-2分别为时刻k、k-1、k-2的方向盘转角;
由所述第一差分方程得到在时刻k的道路曲率表达式为
基于所述误差方程,按最小均方误差方式构建对应的目标函数J为
优选的,所述根据所述辨识系统方程进行在线递推参数辨识方程组解析得到对应的第一在线递推辨识方程组,具体包括:
优选的,所述使用所述第一离线辨识方程对所述辨识系统方程的参数进行离线参数辨识得到最新的第一估计参数矩阵,具体包括:
由所述第一反馈道路曲率以及所述第一反馈方向盘转角 构成对应的第一输入输出数据矩阵由所述第一反馈道路曲率以及所述第一反馈方向盘转角构成对应的第一输入输出数据矩阵依次类推,由所述第一反馈道路曲率以及所述第一反馈方向盘转角构成对应的第一输入输出数据矩阵由所述第一输入输出数据矩阵到构成对应的第一全时刻输入输出数据矩阵
将所述第一全时刻道路曲率矩阵A*和所述第一全时刻输入输出数据矩阵Φ*代入第一离线辨识方程计算得到对应的第一全时刻辨识参数矩阵并提取所述第一全时刻辨识参数矩阵中的第一辨识参数矩阵作为最新的所述第一估计参数矩阵。
优选的,所述使用所述第一在线递推辨识方程组对所述辨识系统方程的参数进行在线参数辨识得到最新的第二估计参数矩阵,具体包括:
步骤71,获取当前时刻j的第二反馈方向盘转角swa’j、第二反馈纵向速度V’x,j和第二反馈横摆角速度并获取时刻j-1、j-2的第二反馈道路曲率ρ’j-1、ρ’j-2和第二反馈方向盘转角swa’j-1、swa’j-2;并获取预设的第一初始参数矩阵P’k,0作为最新的第一参数矩阵Pk-1,获取预设的第二初始辨识参数矩阵作为最新的第二辨识参数矩阵并初始化迭代计数器;
步骤78,对所述迭代计数器的计数值加1;并对最新计数值是否已经超过指定阈值进行判断;若尚未超过则继续步骤79,若已经超过则转至步骤80;
本发明实施例第二方面提供了一种电子设备,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现上述第一方面所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
本发明实施例第三方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行上述第一方面所述的方法的指令。
本发明实施例提供了一种自动驾驶车辆运动模型的参数辨识方法、电子设备及计算机可读存储介质,首先以常规的动力学模型和轮胎侧偏模型为参考定制出一个以道路曲率ρ为观测量、以方向盘转角swa为状态量的改进运动模型的模型状态运动方程;然后基于该模型状态运动方程进行离散传递函数解析,并将解析出的离散传递函数视作二阶的辨识系统方程,从而确定出待辨识的模型参数集合;再基于此辨识系统方程解析出两种参数辨识方程(离线辨识方程、在线递推辨识方程组),分别适用于两种参数辨识场景(离线参数辨识场景、在线参数辨识场景);再为两种参数辨识场景分别给出对应的参数辨识处理流程。通过本发明,既解决了常规优化估计中不对模型参数进行更新的问题,又为自动驾驶车辆提供了离线与在线两种参数辨识处理手段,提高了对自动驾驶车辆的安全行驶保障。
附图说明
图1为本发明实施例一提供的一种自动驾驶车辆运动模型的参数辨识方法示意图;
图2为本发明实施例二提供的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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它实施例,都属于本发明保护的范围。
本发明实施例一提供一种自动驾驶车辆运动模型的参数辨识方法,如图1为本发明实施例一提供的一种自动驾驶车辆运动模型的参数辨识方法示意图所示,本方法主要包括如下步骤:
步骤1,确定自动驾驶车辆运动模型的模型状态运动方程;
这里,当前步骤是以常规的动力学模型和轮胎侧偏模型为参考定制出一个以道路曲率ρ为观测量、以方向盘转角swa为状态量的改进运动模型的模型状态运动方程;
具体包括:步骤11,确定自动驾驶车辆的动力学模型方程组为
其中,自动驾驶车辆的车辆纵轴为x轴、侧向横轴为y轴、与x、y垂直的为z轴;m为整车质量,为沿y轴的运动加速度,Vx为车辆纵向速度,ψ为车辆横摆角,为横摆角速度,为横摆角加速度,为向心加速度,Fyf为前轮侧向力,Fyr为后轮侧向力,Iz为车辆绕z轴的转动的转动惯量,lf为汽车质心到前轴的垂直距离,lr为汽车质心到后轴的垂直距离;
这里,上述自动驾驶车辆的动力学模型方程组为常规已知的车辆动力学方程组,相关实现可通过查询公开的车辆动力学模型获取,在此不做进一步赘述;
步骤12,确定自动驾驶车辆的轮胎侧偏模型方程组为
其中,Cf为前轮侧偏刚度,Cr为后轮侧偏刚度,δ为前轮转向角,θvf为前轮速度角,θvr为后轮速度角;
这里,所谓前、后轮速度角,分别是指前、后轮位置速度矢量与车辆纵轴x轴间的夹角,上述轮胎侧偏模型方程组为常规已知的轮胎模型方程,相关实现可通过查询公开的轮胎模型获取,在此不做进一步赘述;
步骤13,将轮胎侧偏模型方程组代入动力学模型方程组得到第一状态运动方程为
这里,通过将公知的前轮转向角δ与方向盘转角swa、转向传动比R的对应关系代入第一状态运动方程,实现对第一状态运动方程对应运动模型的改进,即改进为一个以道路曲率ρ为观测量、以方向盘转角swa为状态量的改进运动模型,并由此得到与当前改进运动模型对应的第二状态运动方程;
步骤15,将第二状态运动方程确定为自动驾驶车辆运动模型的模型状态运动方程输出。
步骤2,根据模型状态运动方程进行辨识系统构建得到对应的辨识系统方程;
这里,当前步骤基于上述改进运动模型的模型状态运动方程进行离散传递函数解析,并将解析出的离散传递函数视作二阶的辨识系统方程,从而确定出待辨识的模型参数集合;
具体包括:步骤21,将模型状态运动方程转化为由两个传递函数构成的第一函数组为
步骤22,对第一函数组进行拉普拉斯变换得到第二函数组为
其中,s为拉普拉斯变换因子;
这里,拉普拉斯变换的表达式方式可参考公开的拉普拉斯变换技术实现,在此不做进一步赘述;
步骤23,由第二函数组获得道路曲率ρ与方向盘转角swa的连续传递函数为
步骤24,对连续传递函数进行z变换得到离散传递函数为
其中,z为z变换因子,参数b0、b1、b2、a1和a2为传递函数参数;
这里,通过z变换将连续传递函数转为离散传递函数其目的就是为了将传递函数的系数结构做进一步明确;关于z变换可参考公开的z变换技术实现,在此不做进一步赘述;
步骤25,将离散传递函数作为构建出的辨识系统方程,并确定辨识系统方程为二阶系统,并将参数b0、b1、b2、a1和a2视为辨识系统方程的待辨识参数。
这里,本发明实施例将上述离散传递函数作为改进运动模型的运动传递函数;并基于上述离散传递函数建立改进运动模型的参数辨识系统,即将上述离散传递函数作为当前参数辨识系统的辨识系统方程;由该辨识系统方程的结构不难看出其为二阶系统,且参数b0、b1、b2、a1和a2即为当前改进运动模型的待辨识参数集合。在确定了辨识系统方程和待辨识参数集合之后,即可通过后续步骤3、4分别确定出两种参数辨识方程(离线辨识方程、在线递推辨识方程组)。
步骤3,根据辨识系统方程进行离线参数辨识方程解析得到对应的第一离线辨识方程;
这里,当前步骤是基于步骤2输出的辨识系统方程解析出两种参数辨识方程中的离线辨识方程;
具体包括:步骤31,对辨识系统方程进行二阶差分方程转换得到对应的第一差分方程为
ρk+a1ρk-1+a2ρk-2=b0swak+b1swak-1+b2swak-2;
其中,k-1为时刻k的上一时刻,k-2为时刻k-1的上一时刻;ρk、ρk-1、ρk-2分别为时刻k、k-1、k-2的道路曲率;swak、swak-1、swak-2分别为时刻k、k-1、k-2的方向盘转角;
步骤32,由第一差分方程得到在时刻k的道路曲率表达式为
步骤35,基于误差方程,按最小均方误差方式构建对应的目标函数J为
其中,n为采样时刻总数;
步骤4,根据辨识系统方程进行在线递推参数辨识方程组解析得到对应的第一在线递推辨识方程组;
这里,首先结合步骤3给出的输入输出数据矩阵辨识参数矩阵误差方程errk的表达式结构,构建出辨识参数矩阵的线性递推方程,并确定出线性关系中的增益矩阵Kk和Kk的参数矩阵Pk,通过该线性递推方程可建立连续的递归关系;其中的矩阵Kk、Pk的矩阵概念和结构推导过程与常规的滤波器(诸如卡尔曼滤波器等)增益矩阵K和对应的误差矩阵P的矩阵概念与推导过程一致,在此就不做一一赘述了;
步骤5,对预设的参数辨识模式进行识别;当参数辨识模式为离线辨识模式时,转至步骤6;当参数辨识模式为在线辨识模式时,转至步骤7。
这里,在经过上述步骤1-4的模型状态运动方程确定、辨识系统方程构建、离线辨识方程构建和在线递推辨识方程组构建之后,就可以通过识别预先设定的参数辨识模式参数来选择对应的参数辨识处理流程。这里的参数辨识模式包括两种模式:离线辨识模式和在线辨识模式;本发明实施例通过预先设定参数辨识模式来为每个自动驾驶车辆分配对应的参数辨识场景(离线参数辨识场景、在线参数辨识场景);若为离线辨识模式则转至步骤6执行对应的离线参数辨识处理流程并得到最新辨识出的运动模型参数集合;若为在线辨识模式则转至步骤7执行对应的在线参数辨识处理流程并得到最新辨识出的运动模型参数集合。
步骤6,使用第一离线辨识方程对辨识系统方程的参数进行离线参数辨识得到最新的第一估计参数矩阵;转至步骤8;
这里,当前步骤是对应参数辨识模式为离线辨识模式时的离线参数辨识处理流程,该流程主要是通过批量采集的最新历史数据构成与第一离线辨识方程相关的全时刻道路曲率矩阵A、全时刻输入输出数据矩阵Φ,再基于上述第一离线辨识方程进行求解得到最新的全时刻辨识参数矩阵并从全时刻辨识参数矩阵中提取最近的辨识参数矩阵作为最新的第一估计参数矩阵输出;
具体包括:步骤61,获取最近的n+2组第一采集数据组Di,1≤i≤n+2;
这里,第一反馈方向盘转角从车辆的线控底盘模块处获得,第一反馈纵向速度和第一反馈横摆角速度从车辆的定位模块处获得;需要说明的是,之所以在进行数据采集时要采集n+2组第一采集数据组Di,是因为在构成输入输出数据矩阵Φ时,基于输入输出数据矩阵的表达式:需要给出前两个时刻的道路曲率和方形盘转角采集信息,为保证构建的全时刻道路曲率矩阵A、全时刻输入输出数据矩阵Φ的向量长度与步骤35中确定的目标函数的采样时刻总数n匹配,所以要在n的基础上多采两个更早的时间点(即i=1、i=2)数据,从而得到n+2组第一采集数据组Di;
步骤64,由第一反馈道路曲率以及第一反馈方向盘转角 构成对应的第一输入输出数据矩阵由第一反馈道路曲率以及第一反馈方向盘转角构成对应的第一输入输出数据矩阵依次类推,由第一反馈道路曲率 以及第一反馈方向盘转角构成对应的第一输入输出数据矩阵由第一输入输出数据矩阵到构成对应的第一全时刻输入输出数据矩阵Φ*为
这里,可以理解为由第一采集数据组D1、D2、D3的反馈方向盘转角和反馈等效曲率信息构成第一输入输出数据矩阵由第一采集数据组D2、D3、D4的反馈方向盘转角和反馈等效曲率信息构成第一输入输出数据矩阵依次类推,由第一采集数据组Dn、Dn+1、Dn+2的反馈方向盘转角和反馈等效曲率信息构成第一输入输出数据矩阵并由第一输入输出数据矩阵到这n个输入输出数据矩阵构成的第一全时刻输入输出数据矩阵Φ*作为第一离线辨识方程中的全时刻输入输出数据矩阵Φ;
步骤65,将第一全时刻道路曲率矩阵A*和第一全时刻输入输出数据矩阵Φ*代入第一离线辨识方程计算得到对应的第一全时刻辨识参数矩阵并提取第一全时刻辨识参数矩阵中的第一辨识参数矩阵作为最新的第一估计参数矩阵;其中,
这里,在第一离线辨识方程的全时刻道路曲率矩阵A(第一全时刻道路曲率矩阵A*)和全时刻输入输出数据矩阵Φ(第一全时刻输入输出数据矩阵Φ*)这两个参数都已知的前提下,求解第一离线辨识方程,自然就能得到方程中全时刻辨识参数矩阵的求解结果也就是第一全时刻辨识参数矩阵因为该辨识的目的是需要得到最新的辨识参数矩阵也就是对应时刻n+2的辨识参数矩阵,所以从第一全时刻辨识参数矩阵中提取第一辨识参数矩阵作为最新的估计参数矩阵也就是第一估计参数矩阵。
步骤7,使用第一在线递推辨识方程组对辨识系统方程的参数进行在线参数辨识得到最新的第二估计参数矩阵;转至步骤8;
这里,当前步骤是对应参数辨识模式为在线辨识模式时的在线参数辨识处理流程,该流程主要是将最新采集的实数数据构成与第一在线递推辨识方程组相关的输入输出数据矩阵,并基于一对初始P矩阵和辨识参数矩阵进行循环迭代,得到当前时刻最新的模型参数辨识结果并将其作为最新的第二估计参数矩阵输出;
具体包括:步骤71,获取当前时刻j的第二反馈方向盘转角swa’j、第二反馈纵向速度V’x,j和第二反馈横摆角速度并获取时刻j-1、j-2的第二反馈道路曲率ρ’j-1、ρ’j-2和第二反馈方向盘转角swa’j-1、swa’j-2;并获取预设的第一初始参数矩阵P’k,0作为最新的第一参数矩阵Pk-1,获取预设的第二初始辨识参数矩阵作为最新的第二辨识参数矩阵并初始化迭代计数器;
这里,第二反馈方向盘转角swa’j为从车辆的线控底盘模块处获得的实时反馈信息,第二反馈纵向速度V’x,j和第二反馈横摆角速度为从车辆的定位模块处获得的实时反馈信息;本发明实施例默认在每次基于当前时刻反馈纵向速度和反馈横摆角速度算出对应的反馈等效道路曲率之后,都会对其和对应的反馈方向盘转角进行保存,所以在时刻j可以获得时刻j-1、j-2的第二反馈道路曲率ρ’j-1、ρ’j-2和第二反馈方向盘转角swa’j-1、swa’j-2,而获得这两个时刻的信息是为了构建后续步骤中的第二输入输出数据矩第一初始参数矩阵P’k,0和第二初始辨识参数矩阵是一对初始的P矩阵和辨识参数矩阵,本发明实施例后续步骤会以二者为初始值进行循环迭代;这里的迭代计数器是一个用于限制后续迭代次数的计数器,对应的会为其分配一个用于标示最大迭代次数的指定阈值,每次迭代换成对其进行加1操作,初始化时默认将其设为0;
这里,实际是按第一在线递推辨识方程组中的表达式,将当前实时获取的第二反馈道路曲率ρ’j-1、ρ’j-2,以及第二反馈方向盘转角swa’j、swa’j-1、swa’j-2代入其中构成当前时刻j的输入输出数据矩也就是第二输入输出数据矩阵
步骤78,对迭代计数器的计数值加1;并对最新计数值是否已经超过指定阈值进行判断;若尚未超过则继续步骤79,若已经超过则转至步骤80;
这里的指定阈值为一个预先设定的最大迭代次数阈值,本发明实施例默认在最新计数值超过该指定的最大迭代次数阈值时即使误差尚未收敛但仍强制结束本轮迭代,并转至步骤80将当次得到的第二辨识参数矩阵作为本轮迭代结果输出;这是为了避免因误差收敛较慢导致的过分迭代问题;
这里,上述步骤74-80即为在线参数辨识处理流程的循环迭代处理流程;在第一次迭代时,以第一初始参数矩阵P’k,0和第二初始辨识参数矩阵为当前Pk-1、基于第一在线递推辨识方程组进行计算得到当次最新的并在当次误差不小于指定误差阈值且迭代计数器最新计数值未超过最大迭代次数阈值时,将当次得到的Pk、记为下一次迭代的Pk-1、从而返回步骤74继续进行第二次迭代;如此循环,直到当次误差小于指定误差阈值或迭代计数器最新计数值超过最大迭代次数阈值时,转至步骤80结束对应时刻j的本轮迭代,并将最后得到的第二辨识参数矩阵作为第二估计参数矩阵输出。
步骤8,使用最新的估计参数矩阵更新辨识系统方程。
这里,若参数辨识模式为离线辨识模式,则使用最新的第一估计参数矩阵更新辨识系统方程里的参数b0、b1、b2、a1和a2;若参数辨识模式为在线辨识模式,则使用最新的第二估计参数矩阵更新辨识系统方程里的参数b0、b1、b2、a1和a2。
在完成对辨识系统方程中的参数更新之后,即可获得车辆运动模型最新的离散传递函数,该更新后的离散传递函数与当前车辆运动模型的现况最匹配。基于该更新后的离散传递函数,以道路曲率ρ为观测量可以得到最贴近当前车辆现况的方向盘转角swa的状态估计量,这无疑可以提高车辆的转向控制精度,提高了对车辆安全行驶的保障。
需要说明的是,本发明实施例还基于上述两种参数辨识模式对自动驾驶车辆运动模型制定了一套参数辨识策略,即:
为各个自动驾驶车辆预设一个离线更新周期;并根据离线更新周期定期将参数辨识模式设为离线辨识模式;并在离线辨识模式下对当前自动驾驶车辆使用第一离线辨识方程对辨识系统方程的参数进行离线参数辨识得到最新的第三估计参数矩阵;并使用最新的第三估计参数矩阵对当前自动驾驶车辆的辨识系统方程进行参数更新;并在参数更新完成后将参数辨识模式设为既非离线辨识模式、也非在线辨识模式的静默模式;此时,处于静默模式下的自动驾驶车辆不会对车辆运动模型的参数进行自动辨识和更新;
为各个自动驾驶车辆预设一个在线更新启动时间段;并在当前自动驾驶车辆处于行驶状态并进入在线更新启动时间段时,将参数辨识模式设为在线辨识模式;并在在线辨识模式下使用第一在线递推辨识方程组对辨识系统方程的参数进行在线参数辨识得到最新的第四估计参数矩阵;并使用最新的第四估计参数矩阵对当前自动驾驶车辆的辨识系统方程进行持续的在线参数更新操作;并在当前时间超出在线更新启动时间段之后,将参数辨识模式设为既非离线辨识模式、也非在线辨识模式的静默模式;此时,处于静默模式下的自动驾驶车辆不会对车辆运动模型的参数进行自动辨识和更新。
通过上述参数辨识策略,既可以保证车辆的运动模型参数可以得到定期或实时修正,又能有效节约自动驾驶车辆的计算资源。
图2为本发明实施例二提供的一种电子设备的结构示意图。该电子设备可以为前述的终端设备或者服务器,也可以为与前述终端设备或者服务器连接的实现本发明实施例方法的终端设备或服务器。如图2所示,该电子设备可以包括:处理器301(例如CPU)、存储器302、收发器303;收发器303耦合至处理器301,处理器301控制收发器303的收发动作。存储器302中可以存储各种指令,以用于完成各种处理功能以及实现前述方法实施例描述的处理步骤。优选的,本发明实施例涉及的电子设备还包括:电源304、系统总线305以及通信端口306。系统总线305用于实现元件之间的通信连接。上述通信端口306用于电子设备与其他外设之间进行连接通信。
在图2中提到的系统总线305可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、图形处理器(Graphics Processing Unit,GPU)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
需要说明的是,本发明实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中提供的方法和处理过程。
本发明实施例还提供一种运行指令的芯片,该芯片用于执行前述方法实施例描述的处理步骤。
本发明实施例提供了一种自动驾驶车辆运动模型的参数辨识方法、电子设备及计算机可读存储介质,首先以常规的动力学模型和轮胎侧偏模型为参考定制出一个以道路曲率ρ为观测量、以方向盘转角swa为状态量的改进运动模型的模型状态运动方程;然后基于该模型状态运动方程进行离散传递函数解析,并将解析出的离散传递函数视作二阶的辨识系统方程,从而确定出待辨识的模型参数集合;再基于此辨识系统方程解析出两种参数辨识方程(离线辨识方程、在线递推辨识方程组),分别适用于两种参数辨识场景(离线参数辨识场景、在线参数辨识场景);再为两种参数辨识场景分别给出对应的参数辨识处理流程。通过本发明,既解决了常规优化估计中不对模型参数进行更新的问题,又为自动驾驶车辆提供了离线与在线两种参数辨识处理手段,提高了对自动驾驶车辆的安全行驶保障。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种自动驾驶车辆运动模型的参数辨识方法,其特征在于,所述方法包括:
确定自动驾驶车辆运动模型的模型状态运动方程;
根据所述模型状态运动方程进行辨识系统构建得到对应的辨识系统方程;
根据所述辨识系统方程进行离线参数辨识方程解析得到对应的第一离线辨识方程;
根据所述辨识系统方程进行在线递推参数辨识方程组解析得到对应的第一在线递推辨识方程组;
对预设的参数辨识模式进行识别;所述参数辨识模式包括离线辨识模式和在线辨识模式;
当所述参数辨识模式为离线辨识模式时,使用所述第一离线辨识方程对所述辨识系统方程的参数进行离线参数辨识得到最新的第一估计参数矩阵;
当所述参数辨识模式为在线辨识模式时,使用所述第一在线递推辨识方程组对所述辨识系统方程的参数进行在线参数辨识得到最新的第二估计参数矩阵;
使用最新的估计参数矩阵更新所述辨识系统方程。
2.根据权利要求1所述的自动驾驶车辆运动模型的参数辨识方法,其特征在于,所述确定自动驾驶车辆运动模型的模型状态运动方程,具体包括:
确定所述自动驾驶车辆的动力学模型方程组为
其中,所述自动驾驶车辆的车辆纵轴为x轴、侧向横轴为y轴、与x、y垂直的为z轴;m为整车质量,为沿y轴的运动加速度,Vx为车辆纵向速度,ψ为车辆横摆角,为横摆角速度,为横摆角加速度,为向心加速度,Fyf为前轮侧向力,Fyr为后轮侧向力,Iz为车辆绕z轴的转动的转动惯量,lf为汽车质心到前轴的垂直距离,lr为汽车质心到后轴的垂直距离;
确定所述自动驾驶车辆的轮胎侧偏模型方程组为
其中,Cf为前轮侧偏刚度,Cr为后轮侧偏刚度,δ为前轮转向角,θvf为前轮速度角,θvr为后轮速度角;
将所述轮胎侧偏模型方程组代入所述动力学模型方程组得到第一状态运动方程为
将所述第二状态运动方程确定为所述自动驾驶车辆运动模型的所述模型状态运动方程输出。
3.根据权利要求2所述的自动驾驶车辆运动模型的参数辨识方法,其特征在于,所述根据所述模型状态运动方程进行辨识系统构建得到对应的辨识系统方程,具体包括:
将所述模型状态运动方程转化为由两个传递函数构成的第一函数组为
对所述第一函数组进行拉普拉斯变换得到第二函数组为
其中,s为拉普拉斯变换因子;
由所述第二函数组获得所述道路曲率ρ与所述方向盘转角swa的连续传递函数为
对所述连续传递函数进行z变换得到离散传递函数为
其中,z为z变换因子,参数b0、b1、b2、a1和a2为传递函数参数;
将所述离散传递函数作为构建出的所述辨识系统方程,并确定所述辨识系统方程为二阶系统,并将所述参数b0、b1、b2、a1和a2视为所述辨识系统方程的待辨识参数。
4.根据权利要求3所述的自动驾驶车辆运动模型的参数辨识方法,其特征在于,所述根据所述辨识系统方程进行离线参数辨识方程解析得到对应的第一离线辨识方程,具体包括:
对所述辨识系统方程进行二阶差分方程转换得到对应的第一差分方程为
ρk+a1ρk-1+a2ρk-2=b0swak+b1swak-1+b2swak-2;
其中,k-1为时刻k的上一时刻,k-2为时刻k-1的上一时刻;ρk、ρk-1、ρk-2分别为时刻k、k-1、k-2的道路曲率;swak、swak-1、swak-2分别为时刻k、k-1、k-2的方向盘转角;
由所述第一差分方程得到在时刻k的道路曲率表达式为
基于所述误差方程,按最小均方误差方式构建对应的目标函数J为
6.根据权利要求4所述的自动驾驶车辆运动模型的参数辨识方法,其特征在于,所述使用所述第一离线辨识方程对所述辨识系统方程的参数进行离线参数辨识得到最新的第一估计参数矩阵,具体包括:
由所述第一反馈道路曲率以及所述第一反馈方向盘转角 构成对应的第一输入输出数据矩阵由所述第一反馈道路曲率以及所述第一反馈方向盘转角构成对应的第一输入输出数据矩阵依次类推,由所述第一反馈道路曲率以及所述第一反馈方向盘转角构成对应的第一输入输出数据矩阵由所述第一输入输出数据矩阵到构成对应的第一全时刻输入输出数据矩阵
7.根据权利要求5所述的自动驾驶车辆运动模型的参数辨识方法,其特征在于,所述使用所述第一在线递推辨识方程组对所述辨识系统方程的参数进行在线参数辨识得到最新的第二估计参数矩阵,具体包括:
步骤71,获取当前时刻j的第二反馈方向盘转角swa’j、第二反馈纵向速度V’x,j和第二反馈横摆角速度并获取时刻j-1、j-2的第二反馈道路曲率ρ’j-1、ρ’j-2和第二反馈方向盘转角swa’j-1、swa’j-2;并获取预设的第一初始参数矩阵P’k,0作为最新的第一参数矩阵Pk-1,获取预设的第二初始辨识参数矩阵作为最新的第二辨识参数矩阵并初始化迭代计数器;
步骤78,对所述迭代计数器的计数值加1;并对最新计数值是否已经超过指定阈值进行判断;若尚未超过则继续步骤79,若已经超过则转至步骤80;
8.一种电子设备,其特征在于,包括:存储器、处理器和收发器;
所述处理器用于与所述存储器耦合,读取并执行所述存储器中的指令,以实现权利要求1-7任一项所述的方法步骤;
所述收发器与所述处理器耦合,由所述处理器控制所述收发器进行消息收发。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被计算机执行时,使得所述计算机执行权利要求1-7任一项所述的方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344574.5A CN114707243A (zh) | 2022-04-02 | 2022-04-02 | 一种自动驾驶车辆运动模型的参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210344574.5A CN114707243A (zh) | 2022-04-02 | 2022-04-02 | 一种自动驾驶车辆运动模型的参数辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707243A true CN114707243A (zh) | 2022-07-05 |
Family
ID=82173470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210344574.5A Pending CN114707243A (zh) | 2022-04-02 | 2022-04-02 | 一种自动驾驶车辆运动模型的参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707243A (zh) |
-
2022
- 2022-04-02 CN CN202210344574.5A patent/CN114707243A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021027286A1 (zh) | 一种控制车辆稳定性的方法及设备 | |
CN113753080B (zh) | 一种自动驾驶汽车横向运动自适应参数控制方法 | |
CN113962023B (zh) | 一种方向盘零偏在线辨识方法 | |
CN113619574A (zh) | 一种车辆避让方法、装置、计算机设备和存储介质 | |
CN113009829A (zh) | 一种智能网联车队纵横向耦合控制方法 | |
CN114707243A (zh) | 一种自动驾驶车辆运动模型的参数辨识方法 | |
CN112615604A (zh) | 智能驾驶感知系统的滤波方法、装置及电子设备 | |
Wang et al. | Interacting multiple model-based ETUKF for efficient state estimation of connected vehicles with V2V communication | |
CN115503733A (zh) | 一种纵向加速度的预测方法 | |
CN114137971B (zh) | 一种转向系统延迟的离线辨识方法 | |
Hu et al. | Robust tube-based model predictive control for autonomous vehicle path tracking | |
CN115112114B (zh) | 一种修正自车周围车辆朝向角的处理方法和装置 | |
CN115180017B (zh) | 一种对方向盘转角进行补偿的处理方法 | |
Jin et al. | Interacting multiple model filter-based estimation of lateral tire-road forces for electric vehicles | |
CN114475663B (zh) | 一种自动驾驶横向控制的处理方法 | |
Wang et al. | Racing driver modeling based on driving behavior | |
Hong et al. | Driving behavior evaluation for future mobility: Application of online transition probability estimation | |
Fényes et al. | An Observer Design Method Using Ultra-Local Model for Autonomous Vehicles | |
CN117584972A (zh) | 一种车辆横向控制方法、装置、电子设备及介质 | |
CN115512339A (zh) | 一种方向盘转向比的在线辨识方法 | |
CN114084111B (zh) | 一种基于实时反馈和历史减速度的刹车控制方法 | |
CN114802310A (zh) | 车辆轨迹跟踪控制方法、装置、电子设备及存储介质 | |
CN116373865A (zh) | 一种赛车行驶轨迹优化方法、系统、设备及存储介质 | |
CN110471277B (zh) | 基于输出反馈增益规划的智能商用车自动循迹控制方法 | |
CN113075930B (zh) | 基于事件触发的无人车自动转向控制方法及系统 |
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 |