CN114895677A - 一种车辆轨迹跟踪方法、系统、装置及存储介质 - Google Patents
一种车辆轨迹跟踪方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN114895677A CN114895677A CN202210533590.9A CN202210533590A CN114895677A CN 114895677 A CN114895677 A CN 114895677A CN 202210533590 A CN202210533590 A CN 202210533590A CN 114895677 A CN114895677 A CN 114895677A
- Authority
- CN
- China
- Prior art keywords
- tracking
- vehicle
- target track
- track
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05D1/0214—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
-
- 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)
- 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
本发明公开了一种车辆轨迹跟踪方法、系统、装置及存储介质。车辆轨迹跟踪方法通过计算目标轨迹的曲率半径,并在曲率半径大于或者等于预设值时采用动力学模型进行目标轨迹的跟踪,在曲率半径小于预设值时采用运动学模型进行目标轨迹的跟踪,实现了根据目标轨迹曲率灵活调用不同控制模型的轨迹跟踪,提升了车辆在道路的曲率变化剧烈情况下的轨迹跟踪的精确度,并兼顾了轨迹跟踪的实时性。本发明可以广泛应用于轨迹跟踪技术领域。
Description
技术领域
本申请涉及轨迹跟踪技术领域,尤其是一种车辆轨迹跟踪方法、系统、装置及存储介质。
背景技术
减小无人驾驶车辆轨迹跟踪偏差一直是轨迹跟踪技术的关键。传统的无人驾驶车辆轨迹跟踪一般采用PID算法、LQR算法或者MPC算法,然而PID算法和LQR算法在应对复杂曲率变化的轨迹跟踪时横向偏差较大。相较于PID算法和LQR算法,MPC算法虽然跟踪效果较好,但是在对大曲率变化的轨迹进行跟踪时仍然存在较大偏差。
传统方法为了减小轨迹跟踪的偏差,一般将曲率变化剧烈的轨迹进行轨迹重规划得到期望轨迹,再对期望轨迹进行跟踪。然而,通过轨迹重规划得到期望轨迹后在进行轨迹跟踪会使轨迹跟踪的整体计算时间将大大增加,显然不满足轨迹跟踪的实时性要求。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种车辆轨迹跟踪方法、系统、装置及存储介质,以提高车辆轨迹跟踪的精度,并兼顾实时性要求。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种车辆轨迹跟踪方法,所述片上网络包括多个路由节点,所述方法包括以下步骤:
实时获取目标轨迹;
根据所述目标轨迹进行计算,得到所述目标轨迹的曲率半径;
确认所述曲率半径大于或者等于预设值,采用动力学模型进行所述目标轨迹的跟踪;
确认所述曲率半径小于所述预设值,采用运动学模型进行所述目标轨迹的跟踪。
本发明实施例的一种车辆轨迹跟踪方法,通过计算目标轨迹的曲率半径,并在曲率半径大于或者等于预设值时采用动力学模型进行目标轨迹的跟踪,在曲率半径小于预设值时采用运动学模型进行目标轨迹的跟踪,实现了根据目标轨迹曲率灵活调用不同控制模型的轨迹跟踪,提升了车辆在道路的曲率变化剧烈情况下的轨迹跟踪的精确度,并兼顾了轨迹跟踪的实时性。
另外,根据本发明上述实施例的一种车辆轨迹跟踪方法,还可以具有以下附加的技术特征:
进一步地,本发明实施例的一种车辆轨迹跟踪方法中,所述采用动力学模型进行所述目标轨迹的跟踪,包括:
根据所述动力学模型得到线性化状态方程;
采用向前欧拉法对所述线性化状态方程进行离散化处理,得到离散状态空间表达式;
根据所述离散状态空间表达式得到状态空间方程;
根据状态空间方程计算预测时域内的状态量和输出量;
根据所述状态量和所述输出量进行所述目标轨迹的跟踪。
进一步地,在本发明的一个实施例中,所述采用动力学模型进行所述目标轨迹的跟踪,还包括:
建立约束条件,所述约束条件用于在采用所述动力学模型进行所述目标轨迹的跟踪时进行约束。
进一步地,在本发明的一个实施例中,所述采用运动学模型进行所述目标轨迹的跟踪,包括:
采用所述运动学模型计算车辆横摆角的预测序列;
根据所述车辆横摆角的预测序列和所述运动学模型计算得到车辆的横向位置坐标序列;
根据所述车辆横摆角的预测序列以及所述横向位置坐标序列进行所述目标轨迹的跟踪。
第二方面,本发明实施例提出了一种车辆轨迹跟踪系统,包括:
目标轨迹获取模块,用于实时获取目标轨迹;
曲率半径计算模块,用于根据所述目标轨迹进行计算,得到所述目标轨迹的曲率半径;
第一跟踪模块,用于确认所述曲率半径大于或者等于预设值,采用动力学模型进行所述目标轨迹的跟踪;
第二跟踪模块,用于确认所述曲率半径小于所述预设值,采用运动学模型进行所述目标轨迹的跟踪。
进一步地,在本发明的一个实施例中,所述第一跟踪模块包括:
线性化模块,用于根据所述动力学模型得到线性化状态方程;
离散化模块,用于采用向前欧拉法对所述线性化状态方程进行离散化处理,得到离散状态空间表达式;
状态空间方程计算模块,用于根据所述离散状态空间表达式得到状态空间方程;
预测模块,用于根据状态空间方程计算预测时域内的状态量和输出量;
所述第一跟踪模块还用于根据所述状态量和所述输出量进行所述目标轨迹的跟踪。
进一步地,在本发明的一个实施例中,所述第一跟踪模块还包括:
约束条件建立模块,用于建立约束条件,所述约束条件用于在采用所述动力学模型进行所述目标轨迹的跟踪时进行约束。
进一步地,在本发明的一个实施例中,所述第二跟踪模块包括:
第一计算模块,用于采用所述运动学模型计算车辆横摆角的预测序列;
第二计算模块,用于根据所述车辆横摆角的预测序列和所述运动学模型计算得到车辆的横向位置坐标序列;
所述第二跟踪模块还用于根据所述车辆横摆角的预测序列以及所述横向位置坐标序列进行所述目标轨迹的跟踪。
第三方面,本发明实施例提供了一种车辆轨迹跟踪装置,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时,使得所述至少一个处理器实现第一方面所述的一种车辆轨迹跟踪方法。
第四方面,本发明实施例提供了一种存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于实现第一方面所述的一种车辆轨迹跟踪方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到:
本发明实施例通过计算目标轨迹的曲率半径,并在曲率半径大于或者等于预设值时采用动力学模型进行目标轨迹的跟踪,在曲率半径小于预设值时采用运动学模型进行目标轨迹的跟踪,实现了根据目标轨迹曲率灵活调用不同控制模型的轨迹跟踪,提升了车辆在道路的曲率变化剧烈情况下的轨迹跟踪的精确度,并兼顾了轨迹跟踪的实时性。
附图说明
为了更清楚地说明本申请实施例或者现有技术中的技术方案,下面对本申请实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本申请的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明一种车辆轨迹跟踪方法具体实施例的流程示意图;
图2为本发明一种车辆轨迹跟踪方法具体实施例的运动学模型示意图;
图3为本发明一种车辆轨迹跟踪系统具体实施例的结构示意图;
图4为本发明一种车辆轨迹跟踪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,仅用于解释本申请,而不能理解为对本申请的限制。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。
本发明的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,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、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
减小无人驾驶车辆轨迹跟踪偏差一直是轨迹跟踪技术的关键。传统的无人驾驶车辆轨迹跟踪一般采用PID算法、LQR算法或者MPC算法,然而PID算法和LQR算法在应对复杂曲率变化的轨迹跟踪时横向偏差较大。相较于PID算法和LQR算法,MPC算法虽然跟踪效果较好,但是在对大曲率变化的轨迹进行跟踪时仍然存在较大偏差。
传统方法为了减小轨迹跟踪的偏差,一般将曲率变化剧烈的轨迹进行轨迹重规划得到期望轨迹,再对期望轨迹进行跟踪。然而,通过轨迹重规划得到期望轨迹后在进行轨迹跟踪会使轨迹跟踪的整体计算时间将大大增加,显然不满足轨迹跟踪的实时性要求。
为此,本发明提出了一种车辆轨迹跟踪方法和系统。本发明通过计算目标轨迹的曲率半径,并在曲率半径大于或者等于预设值时采用动力学模型进行目标轨迹的跟踪,在曲率半径小于预设值时采用运动学模型进行目标轨迹的跟踪,实现了根据目标轨迹曲率灵活调用不同控制模型的轨迹跟踪,提升了车辆在道路的曲率变化剧烈情况下的轨迹跟踪的精确度,并兼顾了轨迹跟踪的实时性。
下面参照附图详细描述根据本发明实施例提出的一种车辆轨迹跟踪方法和系统,首先将参照附图描述根据本发明实施例提出的一种车辆轨迹跟踪方法。
参照图1,本发明实施例中提供一种车辆轨迹跟踪方法,本发明实施例中的一种车辆轨迹跟踪方法,可应用于终端中,也可应用于服务器中,还可以是运行于终端或服务器中的软件等。终端可以是平板电脑、笔记本电脑、台式计算机等,但并不局限于此。服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。本发明实施例中的一种车辆轨迹跟踪方法主要包括以下步骤:
S101、实时获取目标轨迹;
具体地,获取车辆行驶的目标轨迹。
S102、根据所述目标轨迹进行计算,得到所述目标轨迹的曲率半径;
具体地,根据目标轨迹的曲率,计算目标轨迹的曲率半径。
S103、确认所述曲率半径大于或者等于预设值,采用动力学模型进行所述目标轨迹的跟踪;
其中,预设值为预设的曲率半径的值,动力学模型为线性的模型。在本发明的一个实施例中,预设值为100m,当所述曲率半径大于或者等于100m时,采用线性的动力学模型进行所述目标轨迹的跟踪。
S103可以进一步划分以下步骤S1031-S1035:
步骤S1031、根据所述动力学模型得到线性化状态方程;
其中,车辆的动力学模型为:
其中,Fxr和Fxf为车辆的前后轮胎在纵向所受的力,Fyr和Fyf为车辆的前后轮胎在侧向所受的力,δf为前轮转角。
将(1)式转换为:
利用上一时刻的状态量作为初始点进行泰勒一阶展开对(2)式进行线性化,得到线性时变方程:
从而得到线性化状态方程。
步骤S1032、采用向前欧拉法对所述线性化状态方程进行离散化处理,得到离散状态空间表达式;
具体地,离散状态空间表达式:
其中,Adyn(k)=TAdyn(t)+I,Bdyn(k)=TBdyn(t),T表示采样时间间隔。
步骤S1033、根据所述离散状态空间表达式得到状态空间方程;
具体地,根据离散状态空间表达式做出以下定义:
其中,Im表示m维的单位矩阵。
从而得到新的状态空间方程:
步骤S1034、根据状态空间方程计算预测时域内的状态量和输出量;
在本发明的实施例中,预测时域Np大于控制时域Nc。
步骤S1045、根据所述状态量和所述输出量进行所述目标轨迹的跟踪。
其中:
在本发明的实施例中,步骤S103还包括建立约束条件,建立约束条件是模型预测控制算法的显著特征,所述约束条件用于在采用所述动力学模型进行所述目标轨迹的跟踪时进行约束。
在本发明的一个实施例中,将基于动力学模型的预测算法的代价函数设计为:
其中,ηr(k+i|k)为预测的输出量的参考值,Q为预测输出值的权重矩阵,R为控制增量权重矩阵,ε为松弛因子,用于防止出现无解的情况,ρ为松弛因子的权重系数。
由于代价函数为二次函数形式,通过将代价函数转换为二次规划问题进行求解,具体如下:
将其代入代价函数可得:
J=(Y-Yr)TQ(Y-Yr)+ΔUTRΔU+ρε2
=ETQE+(ΘΔU)TQ(ΘΔU)-2ETQ(ΘΔU)+ΔUTRΔU+ρε2
=ΔU(ΘTQΘ)ΔU-2ETQ(ΘΔU)+ΔUTRΔU+ρε2
整理为二次型形式:
J=xTHx+fTx
s.t.ΔUmin≤ΔUt≤ΔUmax
Umin≤AΔUt+Ut≤Umax
在每个采样周期时刻,利用Matlab中的Quadprog函数,结合内点法对标准二次型进行求解,得到一个控制序列,并取其中第一个控制元素通过计算得到当前控制量,再作用于横向控制系统。
通过持续计算不断得到新的控制序列,并将新的控制序列的第一项作为当前控制量作用于横向控制系统,即模型预测控制的反馈校正环节。
S104、确认所述曲率半径小于所述预设值,采用运动学模型进行所述目标轨迹的跟踪。
其中,运动学模型为非线性的模型,根据步骤S103可知,预设值为预设的曲率半径的值。在本发明的一个实施例中,预设值为100m,当所述曲率半径小于100m时,采用非线性的运动学模型进行所述目标轨迹的跟踪。
具体地,在本发明的实施例中,采用时效性和精度更高的二阶龙格-库塔法对运动学模型的微分方程进行离散化。
S104可以进一步划分为以下步骤S1041-S1043:
步骤S1041、采用所述运动学模型计算车辆横摆角的预测序列;
具体地,参照图2,采用所述运动学模型计算车辆横摆角的预测序列:{θ1,θ2、…θn-1、θn}。
步骤S1042、根据所述车辆横摆角的预测序列和所述运动学模型计算得到车辆的横向位置坐标序列;
具体地,通过(ξk,uk)处的ξk′=f′(ξk,uk)以及(uk+1,ξk+hf(ξk,uk+1))处的ξk+1′=f(uk+1,ξk+hf(ξk,uk+1))的平均数来确定斜率,结合车辆横摆角的预测序列{θ1,θ2、…θn-1、θn},得到车辆的横向位置坐标序列:{ξ1、ξ2、…ξn-1、ξk}、{u1、u2、…un-1、un}。
步骤S1043、根据所述车辆横摆角的预测序列以及所述横向位置坐标序列进行所述目标轨迹的跟踪。
具体地,假设控制时域Nc=m,预测时域Np=n,可以得到:
将车辆横摆角的预测序列代入(3)式得到:
简化为矩阵形式:
从而求得车辆横摆角。
将车辆的横向位置坐标序列代入(3)式得到:
从而求得车辆的横向位置坐标。
根据车辆横摆角和横向位置坐标进行所述目标轨迹的跟踪。
其次,参照附图描述根据本申请实施例提出的一种车辆轨迹跟踪系统。
图3是本申请一个实施例的一种车辆轨迹跟踪系统结构示意图。
所述系统具体包括:
目标轨迹获取模块301,用于实时获取目标轨迹;
曲率半径计算模块302,用于根据所述目标轨迹进行计算,得到所述目标轨迹的曲率半径;
第一跟踪模块303,用于确认所述曲率半径大于或者等于预设值,采用动力学模型进行所述目标轨迹的跟踪;
第二跟踪模块304,用于确认所述曲率半径小于所述预设值,采用运动学模型进行所述目标轨迹的跟踪。
进一步地,在本发明的一个实施例中,所述第一跟踪模块包括:
线性化模块,用于根据所述动力学模型得到线性化状态方程;
离散化模块,用于采用向前欧拉法对所述线性化状态方程进行离散化处理,得到离散状态空间表达式;
状态空间方程计算模块,用于根据所述离散状态空间表达式得到状态空间方程;
预测模块,用于根据状态空间方程计算预测时域内的状态量和输出量;
所述第一跟踪模块还用于根据所述状态量和所述输出量进行所述目标轨迹的跟踪。
进一步地,在本发明的一个实施例中,所述第一跟踪模块还包括:
约束条件建立模块,用于建立约束条件。
进一步地,在本发明的一个实施例中,所述第二跟踪模块包括:
第一计算模块,用于采用所述运动学模型计算车辆横摆角的预测序列;
第二计算模块,用于根据所述车辆横摆角的预测序列和所述运动学模型计算得到车辆的横向位置坐标序列;
所述第二跟踪模块还用于根据所述车辆横摆角的预测序列以及所述横向位置坐标序列进行所述目标轨迹的跟踪。
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。
参照图4,本申请实施例提供了一种车辆轨迹跟踪装置,包括:
至少一个处理器401;
至少一个存储器402,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401执行时,使得所述至少一个处理器401实现步骤S101-S104所述的一种车辆轨迹跟踪方法。
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。
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,在本申请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申请,但应当理解的是,除非另有相反说明,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申请是不必要的。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申请。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本申请的范围,本申请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,本申请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计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请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,本申请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申请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申请的实施方式,本领域的普通技术人员可以理解:在不脱离本申请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,本申请的范围由权利要求及其等同物限定。
以上是对本申请的较佳实施进行了具体说明,但本申请并不限于所述实施例,熟悉本领域的技术人员在不违背本申请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)
1.一种车辆轨迹跟踪方法,其特征在于,包括以下步骤:
实时获取目标轨迹;
根据所述目标轨迹进行计算,得到所述目标轨迹的曲率半径;
确认所述曲率半径大于或者等于预设值,采用动力学模型进行所述目标轨迹的跟踪;
确认所述曲率半径小于所述预设值,采用运动学模型进行所述目标轨迹的跟踪。
2.根据权利要求1所述的一种车辆轨迹跟踪方法,其特征在于,所述采用动力学模型进行所述目标轨迹的跟踪,包括:
根据所述动力学模型得到线性化状态方程;
采用向前欧拉法对所述线性化状态方程进行离散化处理,得到离散状态空间表达式;
根据所述离散状态空间表达式得到状态空间方程;
根据状态空间方程计算预测时域内的状态量和输出量;
根据所述状态量和所述输出量进行所述目标轨迹的跟踪。
3.根据权利要求2所述的一种车辆轨迹跟踪方法,其特征在于,所述采用动力学模型进行所述目标轨迹的跟踪,还包括:
建立约束条件,所述约束条件用于在采用所述动力学模型进行所述目标轨迹的跟踪时进行约束。
4.根据权利要求1所述的一种车辆轨迹跟踪方法,其特征在于,所述采用运动学模型进行所述目标轨迹的跟踪,包括:
采用所述运动学模型计算车辆横摆角的预测序列;
根据所述车辆横摆角的预测序列和所述运动学模型计算得到车辆的横向位置坐标序列;
根据所述车辆横摆角的预测序列以及所述横向位置坐标序列进行所述目标轨迹的跟踪。
5.一种车辆轨迹跟踪系统,其特征在于,包括:
目标轨迹获取模块,用于实时获取目标轨迹;
曲率半径计算模块,用于根据所述目标轨迹进行计算,得到所述目标轨迹的曲率半径;
第一跟踪模块,用于确认所述曲率半径大于或者等于预设值,采用动力学模型进行所述目标轨迹的跟踪;
第二跟踪模块,用于确认所述曲率半径小于所述预设值,采用运动学模型进行所述目标轨迹的跟踪。
6.根据权利要求5所述的一种车辆轨迹跟踪系统,其特征在于,所述第一跟踪模块包括:
线性化模块,用于根据所述动力学模型得到线性化状态方程;
离散化模块,用于采用向前欧拉法对所述线性化状态方程进行离散化处理,得到离散状态空间表达式;
状态空间方程计算模块,用于根据所述离散状态空间表达式得到状态空间方程;
预测模块,用于根据状态空间方程计算预测时域内的状态量和输出量;
所述第一跟踪模块还用于根据所述状态量和所述输出量进行所述目标轨迹的跟踪。
7.根据权利要求6所述的一种车辆轨迹跟踪系统,其特征在于,所述第一跟踪模块还包括:
约束条件建立模块,用于建立约束条件,所述约束条件用于在采用所述动力学模型进行所述目标轨迹的跟踪时进行约束。
8.根据权利要求5所述的一种车辆轨迹跟踪系统,其特征在于,所述第二跟踪模块包括:
第一计算模块,用于采用所述运动学模型计算车辆横摆角的预测序列;
第二计算模块,用于根据所述车辆横摆角的预测序列和所述运动学模型计算得到车辆的横向位置坐标序列;
所述第二跟踪模块还用于根据所述车辆横摆角的预测序列以及所述横向位置坐标序列进行所述目标轨迹的跟踪。
9.一种车辆轨迹跟踪装置,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1-4中任一项所述的一种车辆轨迹跟踪方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于:所述处理器可执行的程序在由处理器执行时用于实现如权利要求1-4中任一项所述的一种车辆轨迹跟踪方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533590.9A CN114895677B (zh) | 2022-05-17 | 2022-05-17 | 一种车辆轨迹跟踪方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210533590.9A CN114895677B (zh) | 2022-05-17 | 2022-05-17 | 一种车辆轨迹跟踪方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114895677A true CN114895677A (zh) | 2022-08-12 |
CN114895677B CN114895677B (zh) | 2023-06-16 |
Family
ID=82723678
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210533590.9A Active CN114895677B (zh) | 2022-05-17 | 2022-05-17 | 一种车辆轨迹跟踪方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114895677B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115892075A (zh) * | 2023-01-06 | 2023-04-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 轨迹规划方法、自动驾驶设备及计算机存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976321A (zh) * | 2017-12-27 | 2019-07-05 | 湖南中车时代电动汽车股份有限公司 | 一种用于智能驾驶系统的轨迹规划方法及智能驾驶系统 |
CN110398969A (zh) * | 2019-08-01 | 2019-11-01 | 北京主线科技有限公司 | 自动驾驶车辆自适应预测时域转向控制方法及装置 |
CN111596652A (zh) * | 2019-12-30 | 2020-08-28 | 山东省科学院自动化研究所 | 一种农药喷洒智能农机寻路导航控制方法及系统 |
CN112519882A (zh) * | 2019-09-17 | 2021-03-19 | 广州汽车集团股份有限公司 | 一种车辆参考轨迹跟踪方法及系统 |
CN113386781A (zh) * | 2021-05-24 | 2021-09-14 | 江苏大学 | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 |
CN113635892A (zh) * | 2021-10-18 | 2021-11-12 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
-
2022
- 2022-05-17 CN CN202210533590.9A patent/CN114895677B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976321A (zh) * | 2017-12-27 | 2019-07-05 | 湖南中车时代电动汽车股份有限公司 | 一种用于智能驾驶系统的轨迹规划方法及智能驾驶系统 |
CN110398969A (zh) * | 2019-08-01 | 2019-11-01 | 北京主线科技有限公司 | 自动驾驶车辆自适应预测时域转向控制方法及装置 |
CN112519882A (zh) * | 2019-09-17 | 2021-03-19 | 广州汽车集团股份有限公司 | 一种车辆参考轨迹跟踪方法及系统 |
CN111596652A (zh) * | 2019-12-30 | 2020-08-28 | 山东省科学院自动化研究所 | 一种农药喷洒智能农机寻路导航控制方法及系统 |
CN113386781A (zh) * | 2021-05-24 | 2021-09-14 | 江苏大学 | 一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法 |
CN113635892A (zh) * | 2021-10-18 | 2021-11-12 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
Non-Patent Citations (2)
Title |
---|
范贤波 等: "基于自适应MPC 的自动驾驶汽车轨迹跟踪控制", 《福州大学学报( 自然科学版)》 * |
范贤波 等: "基于自适应MPC 的自动驾驶汽车轨迹跟踪控制", 《福州大学学报( 自然科学版)》, 30 August 2021 (2021-08-30), pages 500 - 507 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115892075A (zh) * | 2023-01-06 | 2023-04-04 | 阿里巴巴达摩院(杭州)科技有限公司 | 轨迹规划方法、自动驾驶设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114895677B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | A novel vehicle dynamics stability control algorithm based on the hierarchical strategy with constrain of nonlinear tyre forces | |
CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
Chen et al. | A novel direct yaw moment controller for in-wheel motor electric vehicles | |
CN113415276B (zh) | 一种智能驾驶预瞄控制方法、装置和存储介质 | |
Morin et al. | Control of nonholonomic mobile robots based on the transverse function approach | |
Huang et al. | Adaptive neural control of vehicle yaw stability with active front steering using an improved random projection neural network | |
CN114895677B (zh) | 一种车辆轨迹跟踪方法、系统、装置及存储介质 | |
Yang et al. | Adaptive estimation of road gradient and vehicle parameters for vehicular systems | |
Lee et al. | Analysis of explicit model predictive control for path-following control | |
Ping et al. | Adaptive estimations of tyre–road friction coefficient and body’s sideslip angle based on strong tracking and interactive multiple model theories | |
Zhang et al. | An adaptive-prediction-horizon model prediction control for path tracking in a four-wheel independent control electric vehicle | |
CN113759707B (zh) | 用于自动驾驶车辆的预测控制优化方法和装置 | |
Coskun et al. | Vehicle lateral motion control via robust delay-dependent Takagi-Sugeno strategy | |
Xia et al. | Coordinated motion control for automated vehicles considering steering and driving force saturations | |
Hegedűs et al. | Implementation and design of ultra-local model-based control strategy for autonomous vehicles | |
Chen et al. | Yaw stability control for steer-by-wire vehicle based on radial basis network and terminal sliding mode theory | |
CN114355976B (zh) | 一种基于学习的控制无人机在风扰下完成轨迹跟踪的方法 | |
CN115390445A (zh) | 一种基于学习的多无人机系统的安全自适应控制方法 | |
Li et al. | Active vehicle obstacle avoidance based on integrated horizontal and vertical control strategy | |
Chen et al. | Path tracking controller design of automated parking systems via NMPC with an instructible solution | |
Smith et al. | Hierarchical control via an approximate aggregate manifold | |
CN114537421A (zh) | 调整系统故障的方法、装置、设备和计算机可读介质 | |
CN111077781B (zh) | 一种网络化控制系统及其输出跟踪控制方法 | |
Hakima et al. | Improvement of vehicle handling by an integrated control system of four wheel steering and ESP with fuzzy logic approach | |
Kovacs et al. | Integrated Lateral and Longitudinal Control with Optimization‐Based Allocation Strategy for Autonomous Electric Vehicles |
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 |