CN114967475B - 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 - Google Patents
一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 Download PDFInfo
- Publication number
- CN114967475B CN114967475B CN202210913234.XA CN202210913234A CN114967475B CN 114967475 B CN114967475 B CN 114967475B CN 202210913234 A CN202210913234 A CN 202210913234A CN 114967475 B CN114967475 B CN 114967475B
- Authority
- CN
- China
- Prior art keywords
- control
- vehicle
- slip
- yaw
- rate
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明涉及一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统,属于无人驾驶车辆运动控制技术领域,以期望轨迹为输入,利用MPC控制器、辨识后鲁棒车辆运动控制器和主动转向控制器计算得到控制用前轮转角,进一步利用车辆横摆稳定控制器和车轮转动控制器计算得到驱/制动力矩,根据控制用前轮转角和驱/制动力矩对无人驾驶车辆的运动进行控制,从而能够同时满足无人驾驶车辆的轨迹跟踪精度、稳定性和鲁棒性控制需求,使无人驾驶车辆在存在模型失配和外部扰动的多变环境中既可以高精度沿期望轨迹运动,又可以保持车辆行驶稳定,提升无人驾驶车辆的控制性能。
Description
技术领域
本发明涉及无人驾驶车辆运动控制技术领域,特别是涉及一种同时考虑无人驾驶车辆的轨迹跟踪精度、车辆稳定性和鲁棒性的一体化控制方法及系统。
背景技术
无人驾驶车辆的轨迹跟踪控制,能够基于给定的期望轨迹点,结合车辆自身的运动特性约束,解算出车辆底盘的横纵向控制量,是无人驾驶车辆的重要组成部分;车辆的稳定性控制,能够基于车辆的实时状态反馈,控制各轮驱动力和制动力的分配,是车辆在紧急或极限工况下的安全保障。但无人驾驶车辆轨迹跟踪控制往往只考虑轨迹跟踪的精度,忽略了车辆在自主工况下的稳定性,因此,稳定性控制要加入到无人驾驶车辆的控制中。同时,由于无人驾驶车辆轨迹跟踪控制和车辆稳定控制都存在对车辆模型建模误差的模型失配,并且车辆通常会受到来自地面和空气的外部扰动,因此,如何处理模型失配和外部扰动的鲁棒问题,以提升控制鲁棒性也是一项重要问题。
基于此,如何同时满足无人驾驶车辆的轨迹跟踪精度、稳定性和鲁棒性控制需求,在多变的外部条件下具有良好的鲁棒性、稳定性和轨迹跟踪精度,是建立无人驾驶车辆一体化控制方法亟待解决的问题。
发明内容
本发明的目的是提供一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统,能够同时满足无人驾驶车辆的轨迹跟踪精度、稳定性和鲁棒性控制需求,在多变的外部条件下具有良好的鲁棒性、稳定性和轨迹跟踪精度,提升无人驾驶车辆的控制性能。
为实现上述目的,本发明提供了如下方案:
一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法,所述控制方法包括:
根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹;所述三维相轨迹由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成;
根据所述无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,计算得到所述轮胎刚度的估计值和估计误差;所述状态参量包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率;
根据所述轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,自适应计算所述鲁棒车辆运动控制器的系统模型和鲁棒边界,得到辨识后鲁棒车辆运动控制器;利用所述辨识后鲁棒车辆运动控制器跟踪所述参考车速、所述参考加速度、所述参考横摆角速度和所述参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;
根据所述参考横摆角速度,利用主动转向控制器补偿所述初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;
利用车辆横摆稳定控制器跟踪所述参考侧滑角、所述参考侧滑角速度、所述参考横摆角速度、所述参考横摆角加速度,同时根据所述参考滑移率、所述参考侧偏角和所述控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率;
利用车轮转动控制器分别跟踪所述两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;
根据所述控制用前轮转角和所述驱/制动力矩对所述无人驾驶车辆的运动进行控制。
一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制系统,所述控制系统包括:
MPC控制模块,用于根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹;所述三维相轨迹由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成;
轮胎刚度辨识模块,用于根据所述无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,计算得到所述轮胎刚度的估计值和估计误差;所述状态参量包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率;
鲁棒控制模块,用于根据所述轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,自适应计算所述鲁棒车辆运动控制器的系统模型和鲁棒边界,得到辨识后鲁棒车辆运动控制器;利用所述辨识后鲁棒车辆运动控制器跟踪所述参考车速、所述参考加速度、所述参考横摆角速度和所述参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;
转向控制模块,用于根据所述参考横摆角速度,利用主动转向控制器补偿所述初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;
横摆控制模块,用于利用车辆横摆稳定控制器跟踪所述参考侧滑角、所述参考侧滑角速度、所述参考横摆角速度、所述参考横摆角加速度,同时根据所述参考滑移率、所述参考侧偏角和所述控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率;
车轮控制模块,用于利用车轮转动控制器分别跟踪所述两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;
运动控制模块,用于根据所述控制用前轮转角和所述驱/制动力矩对所述无人驾驶车辆的运动进行控制。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统,根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹。然后根据无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,以得到辨识后鲁棒车辆运动控制器,并利用其跟踪三维相轨迹,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角,并进一步利用主动转向控制器补偿初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角。再利用车辆横摆稳定控制器跟踪三维相轨迹,同时根据参考滑移率、参考侧偏角和控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率,利用车轮转动控制器分别跟踪两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩。最后根据控制用前轮转角和驱/制动力矩对无人驾驶车辆的运动进行控制,从而能够同时满足无人驾驶车辆的轨迹跟踪精度、稳定性和鲁棒性控制需求,使无人驾驶车辆在存在模型失配和外部扰动的多变环境中既可以高精度沿期望轨迹运动,又可以保持车辆行驶稳定,提升无人驾驶车辆的控制性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的控制方法的方法流程图;
图2为本发明实施例1所提供的控制方法的方法原理图;
图3为本发明实施例1所提供的车辆运动学模型示意图;
图4为本发明实施例1所提供的七自由度车辆动力学模型示意图;
图5为本发明实施例1所提供的车轮动力学模型示意图;
图6为本发明实施例2提供的控制系统的系统框图。
具体实施方式
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,都属于本发明保护的范围。
本发明的目的是提供一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统,能够同时满足无人驾驶车辆的轨迹跟踪精度、稳定性和鲁棒性控制需求,在多变的外部条件下具有良好的鲁棒性、稳定性和轨迹跟踪精度,即在存在模型失配和外部扰动的情况下满足轨迹跟踪和稳定性的控制需求,提升无人驾驶车辆的控制性能。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法,如图1和图2所示,所述控制方法包括:
S1:根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹;所述三维相轨迹由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成;
具体的,本实施例中,MPC(Model Predictive Control,模型预测控制)控制器的建立过程如下:
(1)建立车辆运动学模型和MPC控制系统
如图3所示,本实施例认为车辆速度方向和车辆轴线方向不重合,以车辆质心速度为车辆行驶速度,以车辆质心速度方向角(即车辆航向角)的角速度为车辆航向角速度,车辆以当前质心瞬时速度和航向角速度绕瞬心做圆周运动,则车辆运动学模型方程如下:
其中,为车辆后轴中心在大地坐标系下的纵坐标;为车辆后轴中心在大地坐标系下的纵向速度;为车辆质心行驶速度;为车辆在大地坐标系下的航向角;为车辆后轴中心在大地坐标系下的横坐标;为车辆后轴中心在大地坐标系下的横向速度;为车辆在大地坐标系下的航向角速度。
将上述线性时变系统使用向后一步欧拉方法进行离散化得到:
(2)建立模型预测控制器的预测模型
根据预测模型,设计具有代价函数和约束的模型预测控制器,其形式如下:
即通过求解上式的最优化问题,可以得到本实施例的MPC控制器的控制率,表示求解最小化目标函数的优化问题,为松弛变量;为代价函数;为状态误差和控制增量的权重矩阵;为松弛变量的权重系数;为在时刻输出变量的期望值,为在时刻的控制增量;为控制时域内的控制量;为控制量的最小值;为控制量的最大值,为控制增量的最小值;为控制增量的最大值。
为保证车辆用不大的控制能量实现最小的跟踪误差,轨迹跟踪目标函数为状态变量和控制输入的二次型函数。MPC模型预测控制器采用代价函数为以状态变量和控制输入的二次型函数形式,保证了跟踪性能和控制能量的最优性。
航向角速度,横摆角速度和侧滑角速度的关系为,由于侧滑角加速度通常很小,因此在这里近似认为,则可以根据参考航向角速度、参考航向角加速度得到参考侧滑角、参考侧滑角速度、参考横摆角速度及参考横摆角加速度,如下:
S2:根据所述无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,计算得到所述轮胎刚度的估计值和估计误差;所述状态参量包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率;
具体的,S2可以包括:建立轮胎刚度辨识模型;以无人驾驶车辆反馈的状态参量为输入,利用基于自适应遗忘因子的递推最小二乘法对轮胎刚度辨识模型进行求解,以对车辆模型的轮胎刚度进行辨识,输出轮胎刚度的估计值和估计误差。
更为具体的,S2可以包括:
(1)建立轮胎刚度辨识模型
选取Dugoff作为轮胎模型,并通过测量车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率来进行系统辨识,系统辨识模型如下:
其中,为车辆质量;为纵向加速度;为前轮纵向力;为后轮纵向力;为侧向加速度;为前轮横向力;为后轮横向力;为横摆旋转惯量;为横摆角加速度;为质心到前轴距离;为质心到后轴距离。可以通过Dugoff轮胎模型得到,其中,为轮胎纵向刚度的估计值;为前轮侧偏刚度的估计值;为后轮侧偏刚度的估计值;为的和值(通过Dugoff轮胎模型得到)与的比值,为(通过Dugoff轮胎模型得到)与的比值,为(通过Dugoff轮胎模型得到)与的比值。
Dugoff轮胎模型如下:
(2)在利用基于自适应遗忘因子的递推最小二乘法求解轮胎刚度辨识模型时,本实施例所用的方法为:设计基于自适应遗忘因子的递推最小二乘法轮胎刚度辨识器。
自适应遗忘因子的递推最小二乘法辨识器的递推公式为:
其中,为辨识的参数向量;为递推增益;为传感器观测到的车辆状态参量(包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率);为辨识参量系数;为协方差;为遗忘因子;为一定维数单位矩阵;为可调参数。
越小表示对新数据的加权越重,使得算法能较好的跟踪参数的变化,但过小又会增加估计参数对干扰的敏感度,因此一般需要通过试验在范围内取值。设初始值为,通过设计对预测误差的自适应率以保证参数估计的准确性。其中预测误差和在固定窗口中的方差可写为:
其中,为估计误差;为估计状态量;为估计方差;为中间第次辨识的估计误差;当方差超过了预设的阈值时,表示侧偏刚度发生突变,此时减小遗忘因子为固定值。随着样本数据的增加,逐渐增大遗忘因子,降低对噪声干扰的敏感性。设为遗忘因子调整次数,则遗忘因子的计算公式为:
S3:根据所述轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,自适应计算所述鲁棒车辆运动控制器的系统模型和鲁棒边界,得到辨识后鲁棒车辆运动控制器;利用所述辨识后鲁棒车辆运动控制器跟踪所述参考车速、所述参考加速度、所述参考横摆角速度和所述参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;
具体的,S3中,建立辨识后鲁棒车辆运动控制器可以包括:建立基于车辆动力学的不确定控制系统,即得到鲁棒车辆运动控制器,根据轮胎刚度辨识模型输出的轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,确定鲁棒车辆运动控制器的鲁棒控制率,以得到辨识后鲁棒车辆运动控制器。
更为具体的,本实施例中,辨识后鲁棒车辆运动控制器的建立过程如下:
(1)建立七自由度车辆动力学模型
如图4所示,鲁棒车辆运动控制器使用了七自由度车辆动力学模型,在考虑了车身纵向、侧滑和横摆三自由度动力学模型的基础上,加入四个车轮转动的动力学,此动力学模型可以对轮胎转动速度进行控制,通过建立车轮模型,可以实现对轮胎期望滑移率进行稳态跟踪。此模型做出如下假设:忽略空气动力学影响;忽略悬架系统,认为车辆无垂向、侧倾和俯仰运动;认为前轴左右车轮转向角和侧偏角相同;车辆为刚体且轮胎模型可能处于线性(低速)或非线性区(高速)。
基于以上假设,七自由度车辆动力学模型方程如下:
其中,为加速度;为前轮胎纵向力;为前轮转角;为侧滑角;为前轮胎侧向力;为后轮胎纵向力;为后轮胎侧向力;为车辆质量;为侧滑角速度; 为横摆角速度;为横摆角加速度;为质心到前轴距离;为质心到后轴距离;为横摆旋转惯量;为第个轮胎的旋转角加速度;为第个轮胎的驱动力矩;为第个轮胎的制动力矩;为轮胎摩擦阻力矩;为轮胎半径;为第个轮胎的纵向力;为轮胎旋转转动惯量。
由于车辆高速行驶时会产生较大的横纵向力与横摆力矩,因此轮胎经常会处于非线性区。Dugoff轮胎模型关于滑移率和侧偏角连续可微且函数和导数非线性较弱,因此本实施例采用了基于Dugoff公式的非线性轮胎模型,该模型已在S2中给出。
(2)基于上述七自由度车辆动力学模型和非线性轮胎模型,建立基于车辆动力学的不确定控制系统,得到鲁棒车辆运动控制器;
根据轮胎刚度辨识模型输出的轮胎刚度的估计值和估计误差可以得到轮胎横纵向刚度最小和最大值:
(3)设计不确定系统的鲁棒保性能控制率
对于上式应用Schur补定理可得:
对上式再次应用Schur补定理可得:
S4:根据所述参考横摆角速度,利用主动转向控制器补偿所述初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;
由于横摆角速度通常与侧向加速度和扰动力矩有关,而鲁棒车辆运动控制器跟踪的期望角速度仅依赖侧向加速度,因此需要将横摆角速度和侧向加速度解耦,并补偿由于扰动横摆力矩产生的扰动横摆角速度,使得鲁棒车辆运动控制器可以准确跟踪MPC控制器输出的期望状态变量。
基于上述建立的主动转向控制器,则计算得到控制用前轮转角可以包括:以参考横摆角速度为输入,利用主动转向控制器计算得到主动转向补偿转向角;计算初始前轮转角和主动转向补偿转向角的和,得到控制用前轮转角。
S5:利用车辆横摆稳定控制器跟踪所述参考侧滑角、所述参考侧滑角速度、所述参考横摆角速度、所述参考横摆角加速度,同时根据所述参考滑移率、所述参考侧偏角和所述控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率;
具体的,本实施例中,车辆横摆稳定控制器的建立过程包括:
(1)构造滑模面和滑模控制系统
设模型预测控制器输出的参考车辆侧滑角和横摆角速度为,对应参考侧滑角速度和横摆角加速度为。从传感器测量得到的车辆侧滑角和横摆角速度为,对应侧滑角速度和横摆角加速度为。为协调各轮胎滑移率及轮胎力,控制器选取两侧轮胎滑移率的单值函数为控制量,以跟踪具有横摆稳定性的相轨迹。构造滑模面如下:
(2)设计具有鲁棒性的滑模控制器
S6:利用车轮转动控制器分别跟踪所述两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;
针对轮胎模型的模型失配与轮胎迟滞力矩的不确定性,设计了具有鲁棒的精确反馈线性化控制器,以车辆横摆稳定控制器输出的两侧车轮滑移率,由于各车轮转动控制器形式相同,为简化表达,使用期望滑移率统一表示左侧或右侧车轮滑移率;
(1)设计基于车轮一阶动力学的反馈控制率
(2)证明精确反馈线性化控制器稳定性
因此控制系统稳定,横摆角速度误差和纵向速度误差可以稳定在原点,车轮转动控制器可以稳定跟踪车辆横摆稳定控制器下发的期望速度和横摆角速度。
S7:根据所述控制用前轮转角和所述驱/制动力矩对所述无人驾驶车辆的运动进行控制。
本实施例先根据无人驾驶车辆的期望轨迹,利用基于运动学模型的MPC控制器规划得到具有横摆稳定性的由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成的三维相轨迹;再设计轮胎刚度辨识模型,基于车辆传感器反馈的状态变量,采用基于自适应遗忘因子的递推最小二乘法实时辨识轮胎刚度,为鲁棒车辆运动控制器参数值提供实时反馈,得到辨识后鲁棒车辆运动控制器;利用辨识后鲁棒车辆运动控制器跟踪参考车速、参考加速度、参考横摆角速度和参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;根据参考横摆角速度,利用主动转向控制器,基于车辆侧向及横摆动力学补偿初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;利用车辆横摆稳定控制器跟踪参考侧滑角、参考侧滑角速度、参考横摆角速度、参考横摆角加速度,同时根据参考滑移率、参考侧偏角和控制用前轮转角实现车轮纵向力的分配,采用基于车辆稳定相平面的滑模控制,通过协调两侧轮胎滑移率,计算得到期望的两侧车轮滑移率;利用车轮转动控制器分别跟踪两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;根据控制用前轮转角和驱/制动力矩对无人驾驶车辆的运动进行控制。
本实施例提出了无人驾驶车辆整车一体化控制方法,通过采用层次化的一体化控制系统框架和具有车辆轨迹跟踪运动学模型、车辆运动的动力学模型以及车辆各分系统部件模型的整车层次化的控制模型,实现了将控制任务逐层分解为轨迹跟踪任务、运动控制任务和保持横摆稳定性任务,完成了基于MPC的轨迹跟踪控制、轮胎刚度辨识、鲁棒运动控制、主动转向补偿控制、车辆横摆稳定控制以及车轮驱动控制的递进式整合,共同分担了整体的算法求解复杂度和控制任务。鲁棒车辆运动控制器和车辆横摆稳定控制器跟踪三维相轨迹,鲁棒车辆运动控制器、主动转向控制器和车轮转动控制器分别解决模型失配和外部扰动问题,全面保证系统的鲁棒性和低保守性。
控制器通过合理的结构分层与关联,在不增加计算负担的基础上兼顾了模型的准确性,将强非线性和横纵向耦合模型引入控制器中,通过MPC和其他控制器分别实现轨迹跟踪和车辆运动控制;并且使用结合了车辆稳定相平面的车辆横摆稳定控制器协调轮胎力,显著地提升了车辆跟踪精度、运动能力和横摆稳定性。同时,MPC控制器采用在线控制方法,其他控制器采用离线控制方法,能够避免全部采用复杂模型而导致计算实时性下降的问题,能够同时兼顾计算实时性和控制性能。此外,控制器综合了自适应和鲁棒控制方法,自适应计算系统模型和鲁棒边界,能够较为全面地解决模型参数不确定和外部扰动的鲁棒问题,使无人车辆能够在多变环境的扰动下具有较低的保守性的同时,依然具有优异的轨迹跟踪,横摆稳定性和鲁棒性的控制性能。
实施例2:
本实施例用于提供一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制系统,如图6所示,所述控制系统包括:
MPC控制模块M1,用于根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹;所述三维相轨迹由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成;
轮胎刚度辨识模块M2,用于根据所述无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,计算得到所述轮胎刚度的估计值和估计误差;所述状态参量包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率;
鲁棒控制模块M3,用于根据所述轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,自适应计算所述鲁棒车辆运动控制器的系统模型和鲁棒边界,得到辨识后鲁棒车辆运动控制器;利用所述辨识后鲁棒车辆运动控制器跟踪所述参考车速、所述参考加速度、所述参考横摆角速度和所述参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;
转向控制模块M4,用于根据所述参考横摆角速度,利用主动转向控制器补偿所述初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;
横摆控制模块M5,用于利用车辆横摆稳定控制器跟踪所述参考侧滑角、所述参考侧滑角速度、所述参考横摆角速度、所述参考横摆角加速度,同时根据所述参考滑移率、所述参考侧偏角和所述控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率;
车轮控制模块M6,用于利用车轮转动控制器分别跟踪所述两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;
运动控制模块M7,用于根据所述控制用前轮转角和所述驱/制动力矩对所述无人驾驶车辆的运动进行控制。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法,其特征在于,所述控制方法包括:
根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹;所述三维相轨迹由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成;
根据所述无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,计算得到所述轮胎刚度的估计值和估计误差;所述状态参量包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率;
根据所述轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,自适应计算所述鲁棒车辆运动控制器的系统模型和鲁棒边界,得到辨识后鲁棒车辆运动控制器;利用所述辨识后鲁棒车辆运动控制器跟踪所述参考车速、所述参考加速度、所述参考横摆角速度和所述参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;
根据所述参考横摆角速度,利用主动转向控制器补偿所述初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;
利用车辆横摆稳定控制器跟踪所述参考侧滑角、所述参考侧滑角速度、所述参考横摆角速度、所述参考横摆角加速度,同时根据所述参考滑移率、所述参考侧偏角和所述控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率;
利用车轮转动控制器分别跟踪所述两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;
根据所述控制用前轮转角和所述驱/制动力矩对所述无人驾驶车辆的运动进行控制;
所述辨识后鲁棒车辆运动控制器的控制率为:
其中,为控制量,包括所述参考滑移率和所述参考侧偏角;和为求解LMI问题所得矩阵;为状态量,包括所述参考车速和所述参考横摆角速度;为所述初始前轮转角;和分别为所述无人驾驶车辆反馈的横向速度、纵向速度、横摆角速度和质心与前轴的距离;为所述参考侧偏角;
所述LMI问题可表示为:
其中,为正常数,为控制系统的系统矩阵,为控制系统的控制矩阵,Q和R均为权重矩阵,,为单位矩阵,为系统不确定矩阵的4个端点值,为控制不确定矩阵的4个端点值,,均根据所述轮胎刚度的估计值和估计误差计算得到;
所述主动转向控制器的控制率为:
所述车辆横摆稳定控制器的控制率为:
其中,为控制量;为左侧车轮滑移率;为右侧车轮滑移率;为可变参数;为符号函数;为滑模面,包括所述参考侧滑角和所述参考横摆角速度;为可变参数;为滑模控制器无误差标称系统函数,包括所述参考侧滑角速度和所述参考横摆角加速度;,分别为车辆侧滑角和横摆角速度;为滑模控制器无误差标称控制函数;为系统误差矩阵的极值;
所述车轮转动控制器的控制率为:
3.一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制系统,其特征在于,所述控制系统包括:
MPC控制模块,用于根据无人驾驶车辆的期望轨迹,利用MPC控制器规划得到具有横摆稳定性的三维相轨迹;所述三维相轨迹由参考车速、参考加速度、参考侧滑角、参考侧滑角速度、参考横摆角速度和参考横摆角加速度组成;
轮胎刚度辨识模块,用于根据所述无人驾驶车辆反馈的状态参量,使用基于自适应遗忘因子的递推最小二乘法辨识车辆模型的轮胎刚度,计算得到所述轮胎刚度的估计值和估计误差;所述状态参量包括车辆侧向加速度、横摆角速度、横纵向速度、反馈前轮转角和滑移率;
鲁棒控制模块,用于根据所述轮胎刚度的估计值和估计误差确定鲁棒车辆运动控制器的标称系统矩阵和不确定误差矩阵,自适应计算所述鲁棒车辆运动控制器的系统模型和鲁棒边界,得到辨识后鲁棒车辆运动控制器;利用所述辨识后鲁棒车辆运动控制器跟踪所述参考车速、所述参考加速度、所述参考横摆角速度和所述参考横摆角加速度,以解决由于轮胎刚度参数不确定性导致的模型失配,计算得到参考滑移率、参考侧偏角和初始前轮转角;
转向控制模块,用于根据所述参考横摆角速度,利用主动转向控制器补偿所述初始前轮转角,以抵消扰动横摆力矩对车辆运动的干扰,计算得到控制用前轮转角;
横摆控制模块,用于利用车辆横摆稳定控制器跟踪所述参考侧滑角、所述参考侧滑角速度、所述参考横摆角速度、所述参考横摆角加速度,同时根据所述参考滑移率、所述参考侧偏角和所述控制用前轮转角实现车轮纵向力的分配,计算得到两侧车轮滑移率;
车轮控制模块,用于利用车轮转动控制器分别跟踪所述两侧车轮滑移率,以解决车轮扰动摩擦阻力矩的干扰,计算得到驱/制动力矩;
运动控制模块,用于根据所述控制用前轮转角和所述驱/制动力矩对所述无人驾驶车辆的运动进行控制;
所述辨识后鲁棒车辆运动控制器的控制率为:
其中,为控制量,包括所述参考滑移率和所述参考侧偏角;和为求解LMI问题所得矩阵;为状态量,包括所述参考车速和所述参考横摆角速度;为所述初始前轮转角;和分别为所述无人驾驶车辆反馈的横向速度、纵向速度、横摆角速度和质心与前轴的距离;为所述参考侧偏角;
所述LMI问题可表示为:
其中,为正常数,为控制系统的系统矩阵,为控制系统的控制矩阵,Q和R均为权重矩阵,,为单位矩阵,为系统不确定矩阵的4个端点值,为控制不确定矩阵的4个端点值,,均根据所述轮胎刚度的估计值和估计误差计算得到;
所述主动转向控制器的控制率为:
所述车辆横摆稳定控制器的控制率为:
其中,为控制量;为左侧车轮滑移率;为右侧车轮滑移率;为可变参数;为符号函数;为滑模面,包括所述参考侧滑角和所述参考横摆角速度;为可变参数;为滑模控制器无误差标称系统函数,包括所述参考侧滑角速度和所述参考横摆角加速度;,分别为车辆侧滑角和横摆角速度;为滑模控制器无误差标称控制函数;为系统误差矩阵的极值;
所述车轮转动控制器的控制率为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210913234.XA CN114967475B (zh) | 2022-08-01 | 2022-08-01 | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210913234.XA CN114967475B (zh) | 2022-08-01 | 2022-08-01 | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114967475A CN114967475A (zh) | 2022-08-30 |
CN114967475B true CN114967475B (zh) | 2022-11-15 |
Family
ID=82969510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210913234.XA Active CN114967475B (zh) | 2022-08-01 | 2022-08-01 | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114967475B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115525054B (zh) * | 2022-09-20 | 2023-07-11 | 武汉理工大学 | 大型工业园区无人清扫车沿边路径跟踪控制方法及系统 |
CN115598983B (zh) * | 2022-10-28 | 2023-06-13 | 湖南大学无锡智能控制研究院 | 一种考虑时变时延的无人车横纵向协同控制方法及装置 |
CN117234215B (zh) * | 2023-11-09 | 2024-03-05 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454893A (zh) * | 2022-01-27 | 2022-05-10 | 中国矿业大学 | 一种路面自适应矿卡轨迹跟踪预测控制方法 |
-
2022
- 2022-08-01 CN CN202210913234.XA patent/CN114967475B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454893A (zh) * | 2022-01-27 | 2022-05-10 | 中国矿业大学 | 一种路面自适应矿卡轨迹跟踪预测控制方法 |
Non-Patent Citations (5)
Title |
---|
Trajectory Tracking Control of Autonomous Ground Vehicles Using Adaptive Learning MPC;Kunwu Zhang等;《IEEE Transactions on Neural Networks and Learning Systems》;IEEE;20210120;第32卷(第12期);第5554-5564页 * |
基于双扩展卡尔曼滤波器的汽车轮胎侧向力与侧偏刚度估计;陆辉等;《机电一体化》;20160915(第09期);第39-43、62页 * |
基于自适应MPC的自动驾驶汽车轨迹跟踪控制;范贤波等;《福州大学学报(自然科学版)》;福州大学;20210731;第49卷(第4期);第500-507页 * |
极限工况下无人驾驶车辆路径跟踪控制算法研究;储子昀;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20220115(第01期);第1-69页 * |
车辆的五自由度动力学模型及自适应模型预测控制;任贝;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;中国学术期刊(光盘版)电子杂志社;20220315(第03期);第1-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114967475A (zh) | 2022-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114967475B (zh) | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 | |
CN107415939B (zh) | 一种分布式驱动电动汽车转向稳定性控制方法 | |
CN112733270B (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
CN110780594B (zh) | 一种智能车的路径跟踪方法及系统 | |
CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
CN109606466B (zh) | 一种四轮独立驱动电动车辆的主动转向控制方法 | |
CN113753080B (zh) | 一种自动驾驶汽车横向运动自适应参数控制方法 | |
CN113126623B (zh) | 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法 | |
CN116552550A (zh) | 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统 | |
CN111679575A (zh) | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 | |
CN113031443A (zh) | 一种带有主动安全和自适应预瞄的车辆横向运动控制方法 | |
CN115583248A (zh) | 控制车辆的运动 | |
Koh et al. | Integrated speed and steering control driver model for vehicle–driver closed-loop simulation | |
Chen et al. | Path tracking control of four-wheel independent steering electric vehicles based on optimal control | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
Chen et al. | Sideslip Angle Fusion Estimation Method of Three-Axis Autonomous Vehicle Based on Composite Model and Adaptive Cubature Kalman Filter | |
CN115817509A (zh) | 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 | |
CN116834754A (zh) | 一种自动驾驶车辆自适应调速的横纵协同控制方法 | |
CN115933662A (zh) | 一种基于自适应模型预测控制的智能汽车轨迹跟踪和稳定性控制系统及方法 | |
CN115675459A (zh) | 一种智能车辆及其路径跟踪的控制方法、装置和存储介质 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 | |
CN114740845A (zh) | 一种基于浸入与不变流形车辆跟踪控制方法 | |
CN112764347A (zh) | 一种基于最大相关熵准则的智能车辆路径跟踪方法 | |
CN114896694B (zh) | 一种基于两点预瞄的路径跟踪控制方法 | |
CN113835343B (zh) | 一种无人车的有限时间跟踪复合控制方法 |
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 |