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

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

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

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X_ss和参考稳态控制量U_ss和稳态侧偏刚度C_λ,ss与稳态纵向刚度C_α,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u_ss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C_λ,ss、稳态纵向刚度C_α,ss、稳态状态矩阵X_ss和稳态控制矩阵U_ss。

所述路径跟随部分，其输入为自动驾驶车辆的位置与参考轨迹的横向偏差，输出为修正后的道路曲率

所得修正后的道路曲率作为前馈神经网络的输入量之一。

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X_ssA、参考稳态控制量U_ssA、稳态侧偏刚度C_α,ssA、稳态纵向刚度C_λ,ssA，当为道路B时前馈神经网络的输出为参考稳态状态量X_ssB、参考稳态控制量U_ssB、稳态侧偏刚度C_α,ssB、稳态纵向刚度C_λ,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，v_x,v_y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，I_Ψ表示车辆绕z轴的转动惯量，l_f,l_r分别表示质心到前轴和后轴的距离，t_wf,t_wr分别表示前后轮距，F_x,i,F_y,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：

F_y,i≈F_yss,i+C_α,iΔα_i

F_x,i≈F_xss,i+C_λ,iΔλ_i

式中，C_α,i,C_λ,i分别表示轮胎侧向和纵向刚度，F_yss,i，F_xss,i分别表示横向和纵向稳态轮胎力，Δα_i，Δλ_i分别表示横向和纵向平衡点的扰动变化量。

纵向滑移率(λ_i)在本发明中定义为下式：

式中，w_i表示车轮角速度，r_e表示车轮置于地面的半径，V_xc,i表示车轮中心纵向速度.

车轮角加速度由下式表示：

式中，I_w表示车轮转动惯量，

表示车轮角加速度，表T_i示车轮驱动扭矩。

车轮中心的速度可由下式表示：

式中，β表示车身侧偏角，v_x、v_y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＝{T_i,δ}

P＝{m,I_ψ,l_f,l_r,t_wf,t_wr,r_e,I_w,C_λ,i,C_α,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：

a_j＝f(S_j)

式中，第j个神经元的输出由S_j表示，w_ij表示前一层第i个神经元到当前层第j个神经元的权重，b_j表示第j个神经元的偏置值，f表示激活函数，a_j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(N_X,N_U,N_Cλ,N_Cα)，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C_α,i和纵向刚度C_λ,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；

N_X表示用于输出稳态状态量X_ss的神经网络，N_U表示用于输出稳态控制量的神经网络U_ss，N_Cλ表示用于输出稳态侧偏刚度C_α,ss的神经网络，N_Cα表示用于输出稳态纵向刚度C_λ,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。N_X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。N_U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。N_Cλ,N_Cα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(N_f)，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F_y、纵向力F_x和纵向滑移率λ，将轮胎的纵向力F_x与垂向力F_y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N_f的输入。获取的数据划分为70％训练集，15％验证集，15％测试集。

N_f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，k_p表示比例系数，k_i表示积分系数，k_d表示微分系数，k表示参考路径曲率，当侧向误差e_lat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e_lat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X_ss，U_ss，C_λ，ss，C_α,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F_y、纵向力F_x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＝F_x/F_y

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N_f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(N_X,N_U,N_Cλ,N_Cα)的输出为

X_ssA，U_ssA，C_λ,ssA，C_λα,ssA，若符合道路B特性，则神经网络(N_X,N_U,N_Cλ,N_Cα)的输出

为X_ssB，U_ssB，C_λ,ssB，C_α,ssB。

S5:设计模型预测控制算法，从前馈神经网络获取X_ss，U_ss，C_λ,ss，C_α,ss，通过在线滚动优化求解后获取前轮转向角和驱动力矩。

将车辆动力学模型采用一阶近似

的方法进行离散化，得到如下的线性状态空间模型：

Δx(k+1)＝A_ssΔx(k)+B_ssΔu(k)

式中的A_ss和B_ss均由来自神经网络的输出，参数P中的参数C_α和C_λ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N_P时长的预测，以及未来N_c时长的控制序列输入，状态空间可由下式表示：

ΔX＝F_ssΔx(k)+Φ_ssΔU

式中ΔX，ΔU，F_ss，Φ_ss如下式所示：

ΔX＝[Δx(k+1|k)^T,Δx(k+2|k)^T,…,Δx(k+N_P|k)^T]^T

ΔU＝[Δu(k)^T,Δu(k)^T,…,Δu(k+N_c-1)^T]^T

定义代价函数J(ΔU)如下所示：

J(ΔU)＝ΔU^THΔU+2Δx(k)^TM^TΔU

式中，

和

分别是用于确定跟踪误差和输入能量消耗的加权矩阵。

模型预测控制通过计算得到使代价函数J最小的N_c控制时域的控制输入，如下式所示：

式中，U_min,U_max分别表示控制量的最小与最大值，A_I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T_MPC设置为0.02s,控制时域N_c为1倍采样周期，预测时域为N_p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U_ss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，v_x,v_y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，I_Ψ表示车辆绕z轴的转动惯量，l_f,l_r分别表示质心到前轴和后轴的距离，t_wf,t_wr分别表示前后轮距，F_x,i,F_y,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：

F_y,i≈F_yss,i+C_α,iΔα_i

F_x,i≈F_xss,i+C_λ,iΔλ_i

式中，C_α,i,C_λ,i分别表示轮胎侧向和纵向刚度，F_yss,i,F_xss,i分别表示横向和纵向稳态轮胎力，Δα_i,Δλ_i分别表示横向和纵向平衡点的扰动变化量。其中C_α,i,C_λ,i的值将直接由神经网络估计出。

纵向滑移率(λ_i)在本发明中定义为下式：

式中，w_i表示车轮角速度，r_e表示车轮置于地面的半径，V_xc,i表示车轮中心纵向速度.

车轮角加速度由下式表示：

式中，I_w表示车轮转动惯量，

表示车轮角加速度，表T_i示车轮前轮驱动扭矩。

车轮中心的速度可由下式表示：

式中，β表示车身侧偏角，v_x、v_y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X_ss，U_ss，C_λ，ss，C_α,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F_y、纵向力F_x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＝F_x/F_y

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(N_f)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(N_X,N_U,N_Cλ,N_Cα)的输出为X_ssA，U_ssA，C_λ,ssA，C_α,ssA，若符合道路B特性，则神经网络(N_X,N_U,N_Cλ,N_Cα)的输出为X_ssB,U_SSB,C_λ,ssB,C_α,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，k_p表示比例系数，k_i表示积分系数，k_d表示微分系数，k表示参考路径曲率，当侧向误差e_lat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e_lat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：

a_j＝f(S_j)

式中，第j个神经元的输出由S_j表示，w_ij表示前一层第i个神经元到当前层第j个神经元的权重，b_j表示第j个神经元的偏置值，f表示激活函数，a_j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(N_X,N_U,N_Cλ,N_Cα)，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X_ssA，U_ssA，C_λ,ssA，C_α,ssA以及X_ssB，U_ssB，C_λssB，C_αssB，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C_α,i和纵向刚度C_λ,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。

N_X表示用于输出稳态状态量X_ss的神经网络，N_U表示用于输出稳态控制量的神经网络U_ss，N_Cλ表示用于输出稳态侧偏刚度C_α,ss的神经网络，N_Cα表示用于输出稳态纵向刚度C_λ,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。N_X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。N_U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。N_Cλ,N_Cα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(N_f)，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。

N_f神经网络的输入为车辆制动时采集的μ值，μ＝{μ₁,μ₁,…,μ_n}，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＝F_x/F_y

式中F_x表示制动时轮胎的纵向力，F_y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。

将车辆动力学模型采用一阶近似

的方法进行离散化，得到如下的线性状态空间模型：

Δx(k+1)＝A_ssΔx(k)+B_ssΔu(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C_α和C_λ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N_P时长的预测，以及未来N_c时长的控制序列输入，状态空间可由下式表示：

ΔX＝F_ssΔx(k)+Φ_ssΔU

式中ΔX，ΔU，F_ss，Φ_ss如下式所示：

ΔX＝[Δx(k+1|k)^T,Δx(k+2|k)^T,…,Δx(k+N_P|k)^T]^T

ΔU＝[Δu(k)^T,Δu(k)^T,…,Δu(k+N_c-1)^T]^T

定义代价函数J(ΔU)如下所示：

J(ΔU)＝ΔU^THΔU+2Δx(k)^TM^TΔU

式中，

和

分别是用于确定跟踪误差和输入能量消耗的相对重要性的加权矩阵，。

模型预测控制通过计算得到使代价函数J最小的N_c控制时域的控制输入，如下式所示：

式中，A_I表示值为1的下三角矩阵，U_min,U_max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T_MPC设置为0.02s,控制时域N_c为1倍采样周期，预测时域为N_p为50倍采样周期。

求解得到的ΔU，即前轮转角和驱动力矩作用于自动驾驶车辆以使车辆保持期望的车身侧偏角和参考轨迹的曲率，PID控制器则针对自动驾驶车辆的实际行驶轨迹曲率输出曲率修正量Δk以得到修正后的曲率

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；

所述路径跟随部分，其输入为自动驾驶车辆的位置与参考轨迹的横向偏差，输出为修正后的道路曲率

所得修正后的道路曲率

作为前馈神经网络的输入；

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X_ssA、参考稳态控制量U_ssA、稳态侧偏刚度C_α,ssA、稳态纵向刚度C_λ,ssA，当为道路B时，前馈神经网络的输出为参考稳态状态量X_ssB、参考稳态稳态控制量U_ssB、稳态侧偏刚度C_α,ssB、稳态纵向刚度C_λ,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C_λ,ss、稳态纵向刚度C_α,ss、稳态状态矩阵X_ss和稳态控制矩阵U_ss，当道路分类器选择道路A时，C_λ,ss＝C_λ,ssA，C_α,ss＝C_α,ssA，X_ss＝X_ssA，U_ss＝U_ssA；当道路分类器选择道路B时，C_λ,ss＝C_λ,ssB，C_α,ss＝C_α,ssB，X_ss＝X_ssB，U_ss＝U_ssB；

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X_ss、参考稳态控制量U_ss和稳态侧偏刚度C_λ,ss与稳态纵向刚度C_α,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u_ss相加后得到实际的前轮转角以及扭矩输出控制量。

2.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，所述路径跟随部分采用PID控制算法，其控制方法为：

式中k表示参考路径曲率，当侧向误差e_lat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e_lat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。

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F_y、纵向力F_x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＝F_x/F_y

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(N_f)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：

a_j＝f(S_j)

式中，第j个神经元的输出由S_j表示，w_ij表示前一层第i个神经元到当前层第j个神经元的权重，b_j表示第j个神经元的偏置值，f表示激活函数，a_j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N_X,N_U,N_Cλ,N_Cα，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X_ssA，U_ssA，C_λ,ssA，C_α,ssA以及X_ssB，U_ssB，C_λssB，C_αssB，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，N_X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；N_U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；N_Cλ,和N_Cα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，v_x,v_y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，I_Ψ表示车辆绕z轴的转动惯量，l_f,l_r分别表示质心到前轴和后轴的距离，t_wf,t_wr分别表示前后轮距，F_x,i,F_y,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：

F_y,i≈F_yss,i+C_α,iΔα_i

F_x,i≈F_xss,i+C_λ,iΔλ_i

式中，C_α,i,C_λ,i分别表示轮胎侧向和纵向刚度，F_yss,i，F_xss,i分别表示横向和纵向稳态轮胎力，Δα_i，Δλ_i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(λ_i)：

式中，w_i表示车轮角速度，r_e表示车轮置于地面的半径，V_xc,i表示车轮中心纵向速度；

车轮角加速度由下式表示：

式中，I_w表示车轮转动惯量，

表示车轮角加速度，表T_i示车轮驱动扭矩；

车轮中心的速度由下式表示：

式中，车身侧偏角

四个轮胎侧偏角由下式表示：

7.根据权利要求6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，还包括定义控制量U，状态量X以及参数P，如下所示：

U＝{T_i,δ}

P＝{m,I_ψ,l_f,l_r,t_wf,t_wr,r_e,I_w,C_λ,i,C_α,i}。

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：

将车辆动力学模型采用一阶近似

的方法进行离散化，得到如下的线性状态空间模型：

Δx(k+1)＝A_ssΔx(k)+B_ssΔu(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C_λ,i,C_α,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N_P时长的预测，以及未来N_c时长的控制序列输入，状态空间可由下式表示：

ΔX＝F_ssΔx(k)+Φ_ssΔU

式中ΔX，ΔU，F_ss，Φ_ss如下式所示：

ΔX＝[Δx(k+1|k)^T,Δx(k+2|k)^T,…,Δx(k+N_P|k)^T]^T

ΔU＝[Δu(k)^T,Δu(k)^T,…,Δu(k+N_c-1)^T]^T

定义代价函数J(ΔU)如下所示：

J(ΔU)＝ΔU^THΔU+2Δx(k)^TM^TΔU

式中，

和

分别是用于确定跟踪误差和输入能量消耗的加权矩阵；

模型预测控制通过计算得到使代价函数J最小的N_c控制时域的控制输入，如下式所示：

式中，U_min,U_max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T_MPC设置为0.02s,控制时域N_c为1，预测时域为N_p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，v_x,v_y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，I_Ψ表示车辆绕z轴的转动惯量，l_f,l_r分别表示质心到前轴和后轴的距离，t_wf,t_wr分别表示前后轮距，F_x,i,F_y,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：

F_y，i≈F_yss，i+C_α，iΔα_i

F_x,i≈F_xss,i+C_λ,iΔλ_i

式中，C_α,i,C_λ,i分别表示轮胎侧向和纵向刚度，F_yss,i，F_xss,i分别表示横向和纵向稳态轮胎力，Δα_i，Δλ_i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，w_i表示车轮角速度，r_e表示车轮置于地面的半径，V_xc,i表示车轮中心纵向速度.

车轮角加速度由下式表示：

式中，I_w表示车轮转动惯量，

表示车轮角加速度，表T_i示车轮驱动扭矩；

车轮中心的速度由下式表示：

式中，车身侧偏角

四个轮胎侧偏角由下式表示：

设计控制量U，状态量X以及中间参数P，如下所示：

U＝{T_i,δ}

P＝{m,I_ψ,l_f,l_r,t_wf,t_wr,r_e,I_w,C_λ,i,C_α,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：

a_j＝f(S_j)

式中，第j个神经元的输出由S_j表示，w_ij表示前一层第i个神经元到当前层第j个神经元的权重，b_j表示第j个神经元的偏置值，f表示激活函数，a_j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N_X,N_U,N_Cλ,N_Cα，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X_ssA，U_ssA，C_λ,ssA，C_α,ssA以及X_ssB，U_ssB，C_λssB，C_αssB，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；

N_X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，N_U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，N_Cλ,N_Cα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N_f：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，N_f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e_lat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e_lat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X_ss，U_ss，C_λ，ss，C_α,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F_y、纵向力F_x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＝F_x/F_y

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,…,μ_n}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N_f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N_X,N_U,N_Cλ,N_Cα的输出为X_ssA，U_ssA，C_λ,ssA，C_λα,ssA，若符合道路B特性，则神经网络N_X,N_U,N_Cλ,N_Cα的

输出为X_ssB，U_ssB，C_λ,ssB，C_α,ssB；

S5:设计模型预测控制算法：将车辆动力学模型采用一阶近似

的方法进行离散化，得到如下的线性状态空间模型：

Δx(k+1)＝A_ssΔx(k)+B_ssΔu(k)

式中的A_ss和B_ss均由来自神经网络的输出，参数P中的参数C_α和C_λ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N_P时长的预测，以及未来N_c时长的控制序列输入，状态空间可由下式表示：

ΔX＝F_ssΔx(k)+Φ_ssΔU

式中ΔX，ΔU，F_ss，Φ_ss如下式所示：

ΔX＝[Δx(k+1|k)^T,Δx(k+2|k)^T,…,Δx(k+N_P|k)^T]^T

ΔU＝[Δu(k)^T,Δu(k)^T,…,Δu(k+N_c-1)^T]^T

定义代价函数J(ΔU)如下所示：

J(ΔU)＝ΔU^THΔU+2Δx(k)^TM^TΔU

式中，

和

分别是用于确定跟踪误差和输入能量消耗的加权矩阵；

模型预测控制通过计算得到使代价函数J最小的N_c控制时域的控制输入，如下式所示：

式中，U_min,U_max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u_ss相加后得到实际的控制量。

Images