CN114987537A - 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 - Google Patents
基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 Download PDFInfo
- Publication number
- CN114987537A CN114987537A CN202210535066.5A CN202210535066A CN114987537A CN 114987537 A CN114987537 A CN 114987537A CN 202210535066 A CN202210535066 A CN 202210535066A CN 114987537 A CN114987537 A CN 114987537A
- Authority
- CN
- China
- Prior art keywords
- road
- neural network
- vehicle
- output
- longitudinal
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of 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
Abstract
本发明公开了基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法,本发明所提出的控制系统包括车辆动力学模型部分,前馈神经网络模型部分,模型预测控制部分,路径跟随控制部分和道路分类器共5部分,设计的神经网络代替传统车辆动力学物理模型,有效克服传统物理模型在轮胎非线性区域精度不足的问题,显著提高了自动驾驶车辆在漂移等极限工况下的轨迹跟踪能力;设计的道路分类器,通过自动驾驶车辆制动时识别不同道路的附着特性,有效提高了自动驾驶车辆的道路自适应性,提升了自动驾驶车辆在不同路面的附着特性辨识能力。
Description
技术领域
本发明涉及智能车辆自动驾驶领域,尤其是涉及一种利用神经网络实现自动驾驶车辆漂移的控制系统与方法。
背景技术
随着人工智能的应用以及先进传感器的发展和车载计算机的算力的提升,自动驾驶汽车已经当今世界汽车行业新的发展方向。高级别的自动驾驶车辆将极大提升车辆驾驶的安全性、舒适性,同时也将极大提高道路行驶效率和降低排放。
目前无人驾驶汽车主要由车辆的感知、规划、决策和控制几大部分组成,其中车辆控制主要是针对低速和中速工况下的轨迹跟踪,很少有涉及车辆极限工况下的控制研究。目前车辆轨迹跟踪控制主要是基于运动学和动力学建模,运动学建模在低速和大曲率道路上控制效果较好,但是在中高速时由于忽略了轮胎的侧偏与滑移,导致控制效果变差;基于动力学的车辆控制在车辆极限工况下由于轮胎进入非线性区域导致控制效果也大幅降低。随着神经网络的快速发展与应用,由于其良好的非线性拟合能力、泛化能力和非参数化建模等巨大优势,因此利用神经网络建模也成为一个极具前景的研究方向。同时,在自动驾驶车辆控制上,相较于其他控制方法,模型预测控制算法的良好控制特性高度依赖于精确的模型,因此利用神经网络建立精确的动力学模型将显著提高自动驾驶车辆在极限工况下的轨迹跟踪能力。
针对不同道路特性,尤其是在道路附着特性复杂的路面,为使神经网络达到良好的泛化能力,需要大量涵盖不同道路附着特性的训练样本,同时自动驾驶车辆感知模块也难以针对道路附着特性进行辨识,这些都将降低神经网络的应用潜力,因此需要进一步提高自动驾驶车辆的道路自适应性,提高车辆的道路附着特性辨识能力。
发明内容
针对上述问题,本发明提出一种基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,包括车辆动力学模型部分,前馈神经网络模型部分,模型预测控制部分,路径跟随部分和道路分类器共5部分。
本发明提出的模型预测控制器中的控制模型基于车辆动力学模型建立,模型预测控制器获取自动驾驶车辆的真实状态量(车辆驾驶过程中实际的纵向,横向速度,横摆角速度,车辆角速度),自动驾驶车辆参考稳态状态量Xss和参考稳态控制量Uss和稳态侧偏刚度Cλ,ss与稳态纵向刚度Cα,ss由前馈神经网络输出,模型预测控制器通过求解输出控制增量Δu,模型预测控制器输出的控制增量Δu与前馈神经网络输出的参考稳态控制量uss相加后得到实际的控制量。
所述前馈神经网络模型部分,使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在不同半径的高附着系数(路面A)和低附着系数(路面B)两种路面进行虚拟漂移获取数据,前馈神经网络的输入由路径跟随部分的控制器输出的修正后的道路曲率以及车辆漂移时的期望车身侧偏角β组成,前馈神经网络的输出为稳态侧偏刚度Cλ,ss、稳态纵向刚度Cα,ss、稳态状态矩阵Xss和稳态控制矩阵Uss。
本发明提出的道路分类器,其中的神经网络,通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在道路A和道路B上进行制动操作以获取数据训练网络。道路分类器根据车辆制动时所获取的路面摩擦特性去选择最符合当前道路特性的道路A或者道路B,确定道路类型就确定了前馈神经网络的输出,当为道路A时,前馈神经网络的输出为参考稳态状态量XssA、参考稳态控制量UssA、稳态侧偏刚度Cα,ssA、稳态纵向刚度Cλ,ssA,当为道路B时前馈神经网络的输出为参考稳态状态量XssB、参考稳态控制量UssB、稳态侧偏刚度Cα,ssB、稳态纵向刚度Cλ,ssB。
基于上述车辆漂移控制系统,本发明还提出一种基于神经网络的车辆漂移控制方法,包括:
S1:建立车辆动力学模型,包括:
建立车辆双轨动力学模型,具体的:
车辆双轨动力学模型不考虑车辆的侧倾、俯仰运动,车辆只在x-o-y平面内有运动。车辆为前轮转向,车身坐标系处于车辆左右对称平面内,车辆质心所在原点为o,x轴为车辆纵轴,正方向为车头方向,z轴正方向垂直于oxy向上,y轴指向车身侧向,其正方向满足右手法则。根据牛顿定律,在车辆质心处建立旋转平衡和力平衡方程,得到如下表达式:
式中,m表示车辆质量,vx,vy分别表示车辆纵向和横向速度,表示横摆角速度,表示横摆交角速度,IΨ表示车辆绕z轴的转动惯量,lf,lr分别表示质心到前轴和后轴的距离,twf,twr分别表示前后轮距,Fx,i,Fy,i分别表示轮胎的纵向力和横向力,下标i表示{front-left,front-right,rear-left,rear-right},δ表示前轮转向的角度。
本发明采用线性轮胎力公式,对非线性轮胎力进行一阶泰勒展开后忽略交叉刚度项,得到如下线性轮胎力公式:
Fy,i≈Fyss,i+Cα,iΔαi
Fx,i≈Fxss,i+Cλ,iΔλi
式中,Cα,i,Cλ,i分别表示轮胎侧向和纵向刚度,Fyss,i,Fxss,i分别表示横向和纵向稳态轮胎力,Δαi,Δλi分别表示横向和纵向平衡点的扰动变化量。
纵向滑移率(λi)在本发明中定义为下式:
式中,wi表示车轮角速度,re表示车轮置于地面的半径,Vxc,i表示车轮中心纵向速度.
车轮角加速度由下式表示:
车轮中心的速度可由下式表示:
式中,β表示车身侧偏角,vx、vy分别表示自动驾驶车辆的纵向和侧向速度,轮胎侧偏角由下式表示:
本发明中的控制量(U),状态量(X)以及参数(P)由如下所示:
U={Ti,δ}
P={m,Iψ,lf,lr,twf,twr,re,Iw,Cλ,i,Cα,i}
S2:建立并训练前馈神经网络,其中前馈神经网络由输入层、隐藏层和输出层构成。神经网络的计算方式如下式所示:
aj=f(Sj)
式中,第j个神经元的输出由Sj表示,wij表示前一层第i个神经元到当前层第j个神经元的权重,bj表示第j个神经元的偏置值,f表示激活函数,aj表示第j个节点的输出值,隐藏层的激活函数选择为sigmoid。
本发明通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在不同半径的路面A和路面B上进行虚拟漂移获取数据,针对高附着系数(路面A)和低附着系数(路面B)两种路面分别训练神经网络,其中每种路面类型所训练的神经网络又分为四个神经网络(NX,NU,NCλ,NCα),每个神经网络的输入为期望的车身侧偏角β以及修正后的道路曲率神经网络输出分别为以及,神经网络的输出用于替代前述的车辆动力学模型中的控制量(U)、状态量(X)以及车辆侧偏刚度Cα,i和纵向刚度Cλ,i。神经网络的4个输出将在模型预测控制器中用于控制车辆的前轮转角以及扭矩输出;
NX表示用于输出稳态状态量Xss的神经网络,NU表示用于输出稳态控制量的神经网络Uss,NCλ表示用于输出稳态侧偏刚度Cα,ss的神经网络,NCα表示用于输出稳态纵向刚度Cλ,ss的神经网络。
获取的数据划分为70%训练集,15%验证集,15%测试集。NX神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为4。NU神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为2。NCλ,NCα神经网络的输入层的神经元个数为2,隐藏层的神经元个数为4,输出层的神经元个数为1。
针对道路分类器中的神经网络(Nf),通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在道路A和道路B上进行制动操作以获取轮胎的垂向力Fy、纵向力Fx和纵向滑移率λ,将轮胎的纵向力Fx与垂向力Fy的比值μ和滑移率组成摩擦曲线,道路分类器从摩擦曲线中获取100个均匀分布的μ值,μ={μ1μ2…μ100}。实际获取的μ值将作为道路分类器中的神经网络Nf的输入。获取的数据划分为70%训练集,15%验证集,15%测试集。
Nf神经网络的输入神经元个数为100,隐藏层的神经元个数为2.输出层的个数为1。
S3:设计路径跟随PID控制算法,其控制方法为:
式中式中,kp表示比例系数,ki表示积分系数,kd表示微分系数,k表示参考路径曲率,当侧向误差elat为正时,Δk大于0,此时的值降低,即降低当前车辆行驶轨迹的曲率以靠近参考轨迹,当侧向误差elat为负时,Δk小于0,此时的值增加,即增加当前车辆行驶轨迹的曲率以靠近参考轨迹,其中规定当车辆质心位于参考路径的圆心一侧为正,反之为负。
S4:设计道路分类器,通过获取当前道路附着特性,选择最符合该附着特性的前馈神经网络以输出对应的Xss,Uss,Cλ,ss,Cα,ss。
道路分类器首先针对制动事件检测,通过监测制动主缸的压力去确定是否发生制动,发生制动时记录轮胎的垂向力Fy、纵向力Fx和纵向滑移率λ。制动结束后,绘制由标准化的纵向力μ和滑移率组成摩擦曲线。标准化的纵向力表示为:
μ=Fx/Fy
道路分类器从摩擦曲线中获取100个均匀分布的μ值,μ={μ1μ2…μ100}。实际获取的μ值将作为道路分类器中的神经网络Nf的输入,神经网络将输出最符合当前输入的道路附着特性的道路类型(道路A或者道路B)。当道路分类器确定当前道路附着特性最符合道路A的特性,则神经网络(NX,NU,NCλ,NCα)的输出为
XssA,UssA,Cλ,ssA,Cλα,ssA,若符合道路B特性,则神经网络(NX,NU,NCλ,NCα)的输出
为XssB,UssB,Cλ,ssB,Cα,ssB。
S5:设计模型预测控制算法,从前馈神经网络获取Xss,Uss,Cλ,ss,Cα,ss,通过在线滚动优化求解后获取前轮转向角和驱动力矩。
Δx(k+1)=AssΔx(k)+BssΔu(k)
式中的Ass和Bss均由来自神经网络的输出,参数P中的参数Cα和Cλ也来自神经网络的输出,参数P中的其他值均为已知量,式中k表示第k时刻。状态空间经过NP时长的预测,以及未来Nc时长的控制序列输入,状态空间可由下式表示:
ΔX=FssΔx(k)+ΦssΔU
式中ΔX,ΔU,Fss,Φss如下式所示:
ΔX=[Δx(k+1|k)T,Δx(k+2|k)T,…,Δx(k+NP|k)T]T
ΔU=[Δu(k)T,Δu(k)T,…,Δu(k+Nc-1)T]T
定义代价函数J(ΔU)如下所示:
J(ΔU)=ΔUTHΔU+2Δx(k)TMTΔU
模型预测控制通过计算得到使代价函数J最小的Nc控制时域的控制输入,如下式所示:
式中,Umin,Umax分别表示控制量的最小与最大值,AI表示值为1的下三角矩阵,因此该优化问题通过二次规划Quadratic-Programming(QP)求解得到ΔU。
本发明中模型预测控制器的采样周期TMPC设置为0.02s,控制时域Nc为1倍采样周期,预测时域为Np为50倍采样周期。
本发明有益效果:
1、本发明所提出的神经网络动力学建模方法相较于传统的物理模型有效提高了自动驾驶车辆建模的精度,精确的模型结合模型预测控制器显著提升了车辆控制能力,有效降低了轨迹跟踪横向误差,尤其是提高了车辆在漂移等极限工况下轮胎进入非线性区域的控制能力。
2、本发明所提出的道路分类器有效提升了自动驾驶车辆在不同路面下的道路自适应性,显著提高了自动驾驶车辆在多种路面附着特性下漂移的轨迹跟踪能力,同时有效克服了单一神经网络在面对复杂道路特性时的泛化能力不足的问题,减少了训练神经网络的数据量,也提高了自动驾驶车辆对于道路附着特性的辨识能力。
3、设计的模型预测控制器,通过优化求解输出控制增量ΔU与前馈神经网络输出的控制量Uss相结合得到最终的控制量,模型预测控制器可以有效补偿前馈神经网络的控制量,以弥补前馈神经网络输出控制量与参考轨迹实际的期望控制量之间的偏差,使得自动驾驶车辆能够沿着参考轨迹行驶。
4、设计的路径跟随控制部分,可针对当前自动驾驶车辆和参考路径之间的偏差去修正自动驾驶车辆的行驶曲率,从而有效提高自动驾驶车辆路径跟踪能力,降低自动驾驶的轨迹与参考轨迹之间的偏差。
附图说明
图1为自动驾驶车辆双轨非线性模型;
图2为道路分类器模块;
图3为PID路径跟随模块;
图4为前馈神经网络结构;
图5为数据采集与训练模块;
图6为自动驾驶车辆漂移控制系统。
具体实施方式
下面结合附图对本发明作进一步说明。
图1为自动驾驶车辆双轨非线性模型,在建立车辆动力学模型时进行了如下假设:
(1)假设车辆在平坦路面行驶,只考虑车辆的横向和纵向运动,忽略车辆的垂向运动。
(2)假设车辆的悬架系统为刚体,忽略悬架的运动及其对耦合关系的影响。
(3)忽略车辆的轮胎横向和纵向的耦合关系对车辆稳态漂移的影响。
(4)忽略车辆的横向载荷转移和纵向载荷转移。
(5)不考虑空气阻力对车辆漂移时的稳态特性的影响。
基于上述假设,车辆只在x-o-y平面内有运动。车辆为前轮转向,车身坐标系处于车辆左右对称平面内,车辆质心所在原点为o,x轴为车辆纵轴,正方向为车头方向,z轴正方向垂直于oxy向上,y轴指向车身侧向,其正方向满足右手法则。根据牛顿定律,在车辆质心处建立旋转平衡和力平衡方程,得到如下表达式:
式中,m表示车辆质量,vx,vy分别表示车辆纵向和横向速度,表示横摆角速度,表示横摆角加速度,IΨ表示车辆绕z轴的转动惯量,lf,lr分别表示质心到前轴和后轴的距离,twf,twr分别表示前后轮距,Fx,i,Fy,i分别表示轮胎的纵向力和横向力,下标i分别取fl、fr、rl、rr,分别表示前左、前右、后左、后右,δ表示前轮转向的角度。
对非线性轮胎力进行一阶泰勒展开后忽略交叉刚度项,得到如下线性轮胎力公式:
Fy,i≈Fyss,i+Cα,iΔαi
Fx,i≈Fxss,i+Cλ,iΔλi
式中,Cα,i,Cλ,i分别表示轮胎侧向和纵向刚度,Fyss,i,Fxss,i分别表示横向和纵向稳态轮胎力,Δαi,Δλi分别表示横向和纵向平衡点的扰动变化量。其中Cα,i,Cλ,i的值将直接由神经网络估计出。
纵向滑移率(λi)在本发明中定义为下式:
式中,wi表示车轮角速度,re表示车轮置于地面的半径,Vxc,i表示车轮中心纵向速度.
车轮角加速度由下式表示:
车轮中心的速度可由下式表示:
式中,β表示车身侧偏角,vx、vy分别表示自动驾驶车辆的纵向和侧向速度,轮胎侧偏角由下式表示:
图2为道路分类器模块,该模块通过获取当前道路附着特性选择最符合该附着特性的神经网络以输出对应的Xss,Uss,Cλ,ss,Cα,ss。
道路分类器首先针对制动事件检测,通过监测制动主缸的压力去确定是否发生制动,发生制动时记录轮胎的垂向力Fy、纵向力Fx和纵向滑移率λ。制动结束后,绘制由标准化的纵向力μ作为横坐标和纵向滑移率λ作为纵坐标组成摩擦曲线。标准化的纵向力表示为:
μ=Fx/Fy
道路分类器从摩擦曲线中获取100个均匀分布的μ值,。将实际获取的μ={μ1,μ2…μ100}值将作为道路分类器中的神经网络(Nf)的输入,由摩擦曲线得到对应的纵向滑移率λ,根据纵向滑移率λ,神经网络将输出最符合当前输入的道路附着特性的道路类型(道路A或者道路B)。当道路分类器确定当前道路特性最符合道路A的特性,则神经网络(NX,NU,NCλ,NCα)的输出为XssA,UssA,Cλ,ssA,Cα,ssA,若符合道路B特性,则神经网络(NX,NU,NCλ,NCα)的输出为XssB,USSB,Cλ,ssB,Cα,ssB。
图3为PID路径跟随模块,路径跟踪采用PID控制,其控制方法为:
式中,kp表示比例系数,ki表示积分系数,kd表示微分系数,k表示参考路径曲率,当侧向误差elat为正时,Δk大于0,此时的值降低,即降低当前车辆行驶轨迹的曲率以靠近参考轨迹,当侧向误差elat为负时,Δk小于0,此时的值增加,即增加当前车辆行驶轨迹的曲率以靠近参考轨迹,其中规定当车辆质心位于参考路径的圆心一侧为正,反之为负。
图4为前馈神经网络结构,其中前馈神经网络由输入层、隐藏层和输出层构成。神经网络的计算方式如下式所示:
aj=f(Sj)
式中,第j个神经元的输出由Sj表示,wij表示前一层第i个神经元到当前层第j个神经元的权重,bj表示第j个神经元的偏置值,f表示激活函数,aj表示第j个节点的输出值,隐藏层的激活函数选择为sigmoid。
图5为数据采集与训练模块,通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在不同半径的路面A和路面B上进行虚拟漂移获取数据,针对高附着系数(路面A)和低附着系数(路面B)两种路面分别训练神经网络,其中每种路面类型所训练的神经网络又分为四个神经网络(NX,NU,NCλ,NCα),每个神经网络的输入为期望的车身侧偏角β以及修正后的道路曲率神经网络输出分别为XssA,UssA,Cλ,ssA,Cα,ssA以及XssB,UssB,CλssB,CαssB,神经网络的输出用于替代前述的车辆动力学模型中的控制量(U)、状态量(X)以及车辆侧偏刚度Cα,i和纵向刚度Cλ,i。神经网络的4个输出将在模型预测控制器中用于控制车辆的前轮转角以及扭矩输出。
NX表示用于输出稳态状态量Xss的神经网络,NU表示用于输出稳态控制量的神经网络Uss,NCλ表示用于输出稳态侧偏刚度Cα,ss的神经网络,NCα表示用于输出稳态纵向刚度Cλ,ss的神经网络。
获取的数据划分为70%训练集,15%验证集,15%测试集。NX神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为4。NU神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为2。NCλ,NCα神经网络的输入层的神经元个数为2,隐藏层的神经元个数为4,输出层的神经元个数为1。
针对道路分类器中的神经网络(Nf),通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在道路A和道路B上进行制动操作以获取数据。获取的数据划分为70%训练集,15%验证集,15%测试集。
Nf神经网络的输入为车辆制动时采集的μ值,μ={μ1,μ1,…,μn},输出值为道路A或者道路B。输入层神经元个数为100,隐藏层的神经元个数为2。输出层的神经元个数为1。标准化纵向力μ如下式所示:
μ=Fx/Fy
式中Fx表示制动时轮胎的纵向力,Fy表示制动时轮胎的垂向力。
图6为自动驾驶车辆漂移控制系统,路径跟踪控制器输出修正后的参考路径曲率结合漂移所期望的车身侧偏角作为神经网络的输入,道路分类器通过对制动检测并获取当前道路附着特性以选择最符合当前道路特性的神经网络的输出并作为模型预测控制器的输入。
Δx(k+1)=AssΔx(k)+BssΔu(k)
式中的系统矩阵Ass和控制输入矩阵Bss均由来自神经网络的输出,Ass、Bss是由车辆动力学模型离散后得到的矩阵,参数P中的参数Cα和Cλ也来自神经网络的输出,参数P中的其他值均为已知量,式中k表示第k时刻。状态空间经过NP时长的预测,以及未来Nc时长的控制序列输入,状态空间可由下式表示:
ΔX=FssΔx(k)+ΦssΔU
式中ΔX,ΔU,Fss,Φss如下式所示:
ΔX=[Δx(k+1|k)T,Δx(k+2|k)T,…,Δx(k+NP|k)T]T
ΔU=[Δu(k)T,Δu(k)T,…,Δu(k+Nc-1)T]T
定义代价函数J(ΔU)如下所示:
J(ΔU)=ΔUTHΔU+2Δx(k)TMTΔU
模型预测控制通过计算得到使代价函数J最小的Nc控制时域的控制输入,如下式所示:
式中,AI表示值为1的下三角矩阵,Umin,Umax分别表示控制量的最小与最大值,因此该优化问题通过二次规划Quadratic-Programming(QP)求解得到ΔU。模型预测控制器的采样周期TMPC设置为0.02s,控制时域Nc为1倍采样周期,预测时域为Np为50倍采样周期。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技术所创的等效方式或变更均应包含在本发明的保护范围之内。
Claims (10)
1.基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,包括路径跟随部分、道路分类器部分、前馈神经网络模型部分、模型预测控制部分;
所述道路分类器,根据车辆制动时所获取的路面摩擦特性选择最符合当前道路特性的道路A或者道路B,其中道路A为高附着系数路面,道路B为低附着系数路面,当为道路A时,前馈神经网络的输出为参考稳态状态量XssA、参考稳态控制量UssA、稳态侧偏刚度Cα,ssA、稳态纵向刚度Cλ,ssA,当为道路B时,前馈神经网络的输出为参考稳态状态量XssB、参考稳态稳态控制量UssB、稳态侧偏刚度Cα,ssB、稳态纵向刚度Cλ,ssB;
所述前馈神经网络模型的输入包括路径跟随部分输出的修正后的道路曲率以及车辆漂移时的期望车身侧偏角β,前馈神经网络的输出为稳态侧偏刚度Cλ,ss、稳态纵向刚度Cα,ss、稳态状态矩阵Xss和稳态控制矩阵Uss,当道路分类器选择道路A时,Cλ,ss=Cλ,ssA,Cα,ss=Cα,ssA,Xss=XssA,Uss=UssA;当道路分类器选择道路B时,Cλ,ss=Cλ,ssB,Cα,ss=Cα,ssB,Xss=XssB,Uss=UssB;
模型预测控制器输入为自动驾驶车辆的真实状态量、及前馈神经网络输出的自动驾驶车辆参考稳态状态量Xss、参考稳态控制量Uss和稳态侧偏刚度Cλ,ss与稳态纵向刚度Cα,ss,模型预测控制器输出控制增量Δu,与前馈神经网络输出的参考稳态控制量uss相加后得到实际的前轮转角以及扭矩输出控制量。
3.根据权利要求1所述的基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,所述道路分类器包含神经网络,神经网络的输入神经元个数为100,隐藏层的神经元个数为2,输出层的个数为1;通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在道路A和道路B上进行制动操作以获取训练数据。
4.根据权利要求3所述的基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,所述道路分类器检测制动事件,通过监测制动主缸的压力确定是否发生制动,发生制动时记录轮胎的垂向力Fy、纵向力Fx和纵向滑移率λ,制动结束后,绘制由标准化的纵向力μ和滑移率λ组成摩擦曲线,标准化的纵向力表示为:
μ=Fx/Fy
道路分类器获取实际的μ值,该μ值作为道路分类器中的神经网络(Nf)的输入,神经网络根据摩擦曲线输出对应的滑移率,根据滑移率得到最符合当前输入的道路附着特性的道路类型:道路A或者道路B。
5.根据权利要求1所述的基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,所述前馈神经网络模型包括输入层、隐藏层和输出层,其计算方式如下式所示:
aj=f(Sj)
式中,第j个神经元的输出由Sj表示,wij表示前一层第i个神经元到当前层第j个神经元的权重,bj表示第j个神经元的偏置值,f表示激活函数,aj表示第j个节点的输出值,隐藏层的激活函数选择为sigmoid;
所述前馈神经网络使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在不同半径的路面A和路面B上进行虚拟漂移获取数据,针对高附着系数对应的路面A和低附着系数对应的路面B分别训练神经网络,其中每种路面类型所训练的神经网络又分为四个神经网络NX,NU,NCλ,NCα,每个神经网络的输入为期望的车身侧偏角β以及修正后的道路曲率神经网络输出分别为XssA,UssA,Cλ,ssA,Cα,ssA以及XssB,UssB,CλssB,CαssB,神经网络的4个输出将在模型预测控制器中用于控制车辆的前轮转角以及扭矩输出;
其中,NX神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为4;NU神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为2;NCλ,和NCα神经网络的输入层的神经元个数为2,隐藏层的神经元个数为4,输出层的神经元个数为1。
6.根据权利要求1所述的基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,所述模型预测控制器基于车辆双轨动力学模型建立,具体如下:
以车辆质心为原点o,x轴为车辆纵轴,正方向为车头方向,z轴正方向垂直于oxy向上,y轴指向车身侧向,其正方向满足右手法则,根据牛顿定律,在车辆质心处建立旋转平衡和力平衡方程,得到如下表达式:
式中,m表示车辆质量,vx,vy分别表示车辆纵向和横向速度,表示横摆角速度,表示横摆交角速度,IΨ表示车辆绕z轴的转动惯量,lf,lr分别表示质心到前轴和后轴的距离,twf,twr分别表示前后轮距,Fx,i,Fy,i分别表示轮胎的纵向力和横向力,下标i分别取fl、fr、rl、rr,,δ表示前轮转向的角度;
采用线性轮胎力公式,对非线性轮胎力进行一阶泰勒展开后忽略交叉刚度项,得到如下线性轮胎力公式:
Fy,i≈Fyss,i+Cα,iΔαi
Fx,i≈Fxss,i+Cλ,iΔλi
式中,Cα,i,Cλ,i分别表示轮胎侧向和纵向刚度,Fyss,i,Fxss,i分别表示横向和纵向稳态轮胎力,Δαi,Δλi分别表示横向和纵向平衡点的扰动变化量;
定义纵向滑移率(λi):
式中,wi表示车轮角速度,re表示车轮置于地面的半径,Vxc,i表示车轮中心纵向速度;
车轮角加速度由下式表示:
车轮中心的速度由下式表示:
8.根据权利要求6或7所述的基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,所述模型预测控制器的预测算法包括如下:
Δx(k+1)=AssΔx(k)+BssΔu(k)
式中的系统矩阵Ass和控制输入矩阵Bss均由来自神经网络的输出,参数P中的参数Cλ,i,Cα,i也来自神经网络的输出,参数P中的其他值均为已知量,式中k表示第k时刻,状态空间经过NP时长的预测,以及未来Nc时长的控制序列输入,状态空间可由下式表示:
ΔX=FssΔx(k)+ΦssΔU
式中ΔX,ΔU,Fss,Φss如下式所示:
ΔX=[Δx(k+1|k)T,Δx(k+2|k)T,…,Δx(k+NP|k)T]T
ΔU=[Δu(k)T,Δu(k)T,…,Δu(k+Nc-1)T]T
定义代价函数J(ΔU)如下所示:
J(ΔU)=ΔUTHΔU+2Δx(k)TMTΔU
模型预测控制通过计算得到使代价函数J最小的Nc控制时域的控制输入,如下式所示:
式中,Umin,Umax分别表示控制量的最小与最大值,因此该优化问题通过二次规划Quadratic-Programming(QP)求解得到ΔU。
9.根据权利要求8所述的基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统,其特征在于,模型预测控制器的采样周期TMPC设置为0.02s,控制时域Nc为1,预测时域为Np为50。
10.基于神经网络动力学的自动驾驶车辆道路自适应漂移控制方法,其特征在于,
S1:建立车辆双轨动力学模型,包括:
车辆双轨动力学模型不考虑车辆的侧倾、俯仰运动,车辆只在x-o-y平面内有运动,车辆为前轮转向,车身坐标系处于车辆左右对称平面内,车辆质心所在原点为o,x轴为车辆纵轴,正方向为车头方向,z轴正方向垂直于oxy向上,y轴指向车身侧向,其正方向满足右手法则,根据牛顿定律,在车辆质心处建立旋转平衡和力平衡方程,得到如下表达式:
式中,m表示车辆质量,vx,vy分别表示车辆纵向和横向速度,表示横摆角速度,表示横摆交角速度,IΨ表示车辆绕z轴的转动惯量,lf,lr分别表示质心到前轴和后轴的距离,twf,twr分别表示前后轮距,Fx,i,Fy,i分别表示轮胎的纵向力和横向力,下标i分别取fl、fr、rl、rr,δ表示前轮转向的角度;
采用线性轮胎力公式,对非线性轮胎力进行一阶泰勒展开后忽略交叉刚度项,得到如下线性轮胎力公式:
Fy,i≈Fyss,i+Cα,iΔαi
Fx,i≈Fxss,i+Cλ,iΔλi
式中,Cα,i,Cλ,i分别表示轮胎侧向和纵向刚度,Fyss,i,Fxss,i分别表示横向和纵向稳态轮胎力,Δαi,Δλi分别表示横向和纵向平衡点的扰动变化量;
纵向滑移率λ定义为下式:
式中,wi表示车轮角速度,re表示车轮置于地面的半径,Vxc,i表示车轮中心纵向速度.
车轮角加速度由下式表示:
车轮中心的速度由下式表示:
设计控制量U,状态量X以及中间参数P,如下所示:
U={Ti,δ}
P={m,Iψ,lf,lr,twf,twr,re,Iw,Cλ,i,Cα,i}
S2:建立前馈神经网络,其中前馈神经网络由输入层、隐藏层和输出层构成,神经网络的计算方式如下式所示:
aj=f(Sj)
式中,第j个神经元的输出由Sj表示,wij表示前一层第i个神经元到当前层第j个神经元的权重,bj表示第j个神经元的偏置值,f表示激活函数,aj表示第j个节点的输出值,隐藏层的激活函数选择为sigmoid;
通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在不同半径的路面A和路面B上进行虚拟漂移获取数据,针对高附着系数的路面A和低附着系数的路面B分别训练神经网络,其中每种路面类型所训练的神经网络又分为四个神经网络NX,NU,NCλ,NCα,每个神经网络的输入为期望的车身侧偏角β以及修正后的道路曲率神经网络输出分别为XssA,UssA,Cλ,ssA,Cα,ssA以及XssB,UssB,CλssB,CαssB,神经网络的4个输出将在模型预测控制器中用于控制车辆的前轮转角以及扭矩输出;
NX神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为4,NU神经网络的输入层的神经元个数为2,隐藏层的神经元个数为6,输出层的神经元个数为2,NCλ,NCα神经网络的输入层的神经元个数为2,隐藏层的神经元个数为4,输出层的神经元个数为1;
道路分类器中的神经网络Nf:通过使用模拟驾驶器,IPG-Carmaker和Simulink构建虚拟环境,驾驶员通过操作模拟驾驶器在道路A和道路B上进行制动操作以获取训练数据,Nf神经网络的输入神经元个数为100,隐藏层的神经元个数为2.输出层的个数为1;
S3:设计路径跟随PID控制算法:
式中k表示参考路径曲率,当侧向误差elat为正时,Δk大于0,此时的值降低,即降低当前车辆行驶轨迹的曲率以靠近参考轨迹,当侧向误差elat为负时,Δk小于0,此时的值增加,即增加当前车辆行驶轨迹的曲率以靠近参考轨迹,其中规定当车辆质心位于参考路径的圆心一侧为正,反之为负;
S4:设计道路分类器,通过获取当前道路附着特性,选择最符合该附着特性的前馈神经网络以输出对应的Xss,Uss,Cλ,ss,Cα,ss;
道路分类器针对制动事件检测,通过监测制动主缸的压力去确定是否发生制动,发生制动时记录轮胎的垂向力Fy、纵向力Fx和纵向滑移率λ,制动结束后,绘制由标准化的纵向力μ和滑移率组成摩擦曲线,标准化的纵向力表示为:
μ=Fx/Fy
道路分类器从摩擦曲线中获取一系列均匀分布的μ值,μ={μ1,μ1,…,μn}及对应的滑移率值,实际获取的μ值将作为道路分类器中的神经网络Nf的输入,神经网络将输出最符合当前输入的道路附着特性的道路A或者道路B,当道路分类器确定当前道路附着特性最符合道路A的特性,则神经网络NX,NU,NCλ,NCα的输出为XssA,UssA,Cλ,ssA,Cλα,ssA,若符合道路B特性,则神经网络NX,NU,NCλ,NCα的
输出为XssB,UssB,Cλ,ssB,Cα,ssB;
Δx(k+1)=AssΔx(k)+BssΔu(k)
式中的Ass和Bss均由来自神经网络的输出,参数P中的参数Cα和Cλ也来自神经网络的输出,参数P中的其他值均为已知量,式中k表示第k时刻,状态空间经过NP时长的预测,以及未来Nc时长的控制序列输入,状态空间可由下式表示:
ΔX=FssΔx(k)+ΦssΔU
式中ΔX,ΔU,Fss,Φss如下式所示:
ΔX=[Δx(k+1|k)T,Δx(k+2|k)T,…,Δx(k+NP|k)T]T
ΔU=[Δu(k)T,Δu(k)T,…,Δu(k+Nc-1)T]T
定义代价函数J(ΔU)如下所示:
J(ΔU)=ΔUTHΔU+2Δx(k)TMTΔU
模型预测控制通过计算得到使代价函数J最小的Nc控制时域的控制输入,如下式所示:
式中,Umin,Umax分别表示控制量的最小与最大值,因此该优化问题通过二次规划Quadratic-Programming求解得到ΔU,与前馈神经网络输出的参考稳态控制量uss相加后得到实际的控制量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535066.5A CN114987537A (zh) | 2022-05-17 | 2022-05-17 | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535066.5A CN114987537A (zh) | 2022-05-17 | 2022-05-17 | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114987537A true CN114987537A (zh) | 2022-09-02 |
Family
ID=83027934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210535066.5A Pending CN114987537A (zh) | 2022-05-17 | 2022-05-17 | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114987537A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116039636A (zh) * | 2022-12-15 | 2023-05-02 | 南通大学 | 考虑车轮打滑的轮式移动机器人自适应神经网络控制方法 |
CN116820016A (zh) * | 2023-08-31 | 2023-09-29 | 国汽(北京)智能网联汽车研究院有限公司 | 一种物流车的自动驾驶控制方法、装置、设备及存储介质 |
-
2022
- 2022-05-17 CN CN202210535066.5A patent/CN114987537A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116039636A (zh) * | 2022-12-15 | 2023-05-02 | 南通大学 | 考虑车轮打滑的轮式移动机器人自适应神经网络控制方法 |
CN116039636B (zh) * | 2022-12-15 | 2024-01-30 | 南通大学 | 考虑车轮打滑的轮式移动机器人自适应神经网络控制方法 |
CN116820016A (zh) * | 2023-08-31 | 2023-09-29 | 国汽(北京)智能网联汽车研究院有限公司 | 一种物流车的自动驾驶控制方法、装置、设备及存储介质 |
CN116820016B (zh) * | 2023-08-31 | 2023-11-21 | 国汽(北京)智能网联汽车研究院有限公司 | 一种物流车的自动驾驶控制方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
CN111806427B (zh) | 一种四轮毂电机驱动车辆的综合控制方法 | |
CN110356404B (zh) | 一种具有自主换道功能并提高侧向安全性的智能驾驶系统 | |
CN109144076B (zh) | 一种多车辆横纵向耦合协同控制系统及控制方法 | |
CN104773170B (zh) | 一种车辆稳定性集成控制方法 | |
CN106004870B (zh) | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 | |
CN107719372B (zh) | 基于动态控制分配的四驱电动汽车动力学多目标控制系统 | |
CN103057436B (zh) | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制系统与方法 | |
CN112141101B (zh) | 一种基于cnn和lstm的预瞄安全路径的方法及系统 | |
CN108791491A (zh) | 一种基于自评价学习的车辆侧向跟踪控制方法 | |
CN107512262A (zh) | 一种针对执行驱动空间受限时的车辆稳定控制系统轮胎力分配方法 | |
CN113753080B (zh) | 一种自动驾驶汽车横向运动自适应参数控制方法 | |
Sousa et al. | Nonlinear tire model approximation using machine learning for efficient model predictive 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 | |
Shen et al. | Stability and Maneuverability Guaranteed Torque Distribution Strategy of ddev in handling limit: a novel lstm-lmi approach | |
CN114212074B (zh) | 基于路面附着系数估计的车辆主动转向防侧翻控制方法 | |
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 | |
CN114044003B (zh) | 前后双轴转向车辆的循迹控制方法 | |
Wang et al. | Energy optimization of lateral motions for autonomous ground vehicles with four-wheel steering control | |
Ge et al. | Electronic differential control for distributed electric vehicles based on optimum ackermann steering model | |
CN114834263A (zh) | 电动汽车主动前轮转向与扭矩矢量的协调控制方法及装置 | |
CN114407880A (zh) | 一种无人驾驶紧急避障路径跟踪方法 | |
CN112987574A (zh) | 一种基于多智能体的云控智能底盘系统及控制方法 | |
Pratomo et al. | Obtaining the Optimum Estimated Coefficient Value of Tire Cornering Stiffness and Air Drag for a Commuter Electric Car Model Using the Curve Fitting Least Square Method |
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 |