CN115047766A - 一种基于预测控制模型的速度规划方法 - Google Patents
一种基于预测控制模型的速度规划方法 Download PDFInfo
- Publication number
- CN115047766A CN115047766A CN202210664539.1A CN202210664539A CN115047766A CN 115047766 A CN115047766 A CN 115047766A CN 202210664539 A CN202210664539 A CN 202210664539A CN 115047766 A CN115047766 A CN 115047766A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- path
- time
- control
- 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
- 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
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)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种基于预测控制模型的速度规划方法,包括:建立基于预测控制模型的车辆控制系统;获取当前场景中的路径信息,并规划出期望路径;获取目标车辆的车辆信息;将规划出的期望路径和目标车辆的车辆信息输入所建立的基于预测控制模型的车辆控制系统,生成与当前场景中的路径信息相对应的关于目标车辆的期望速度曲线,进而确定目标车辆的速度控制序列和加速度控制序列,即生成与当前场景中的路径信息相对应的关于目标车辆的速度规划方案。通过该方法能够使车辆在进入弯道之前就进行缓慢减速,然后平缓通过弯道,再加速驶入直道,这不仅使跟踪效率有了极大提升,同时也约束了加速度和加加速度,使得跟踪过程非常舒适,同时也减少了能耗。
Description
技术领域
本发明涉及自动驾驶领域,特别是针对曲率较大的路径进行速度规划。
背景技术
自动驾驶已经成为学术界和汽车行业的热门研究领域。自动驾驶的关键技术包括环境感知、决策、运动规划和路径跟踪。路径跟踪可以确保自动驾驶车辆采取适当的控制决策,沿着规划的路径行驶。在高速行驶时,这个问题更具有挑战性,因为车辆的稳定性和安全性是主要问题。自动驾驶的控制决策包括横向控制、纵向控制以及两者的集成。纵向控制是对车辆前进方向的速度控制,是指油门和刹车的协调,实现对变速的精确跟踪。横向控制是指转向控制,通常根据路径和曲率来减小跟踪误差。
现有的自主车辆路径跟踪方法大多只考虑匀速下的车辆路径跟踪,路径曲率较小,且跟踪速度较慢。一些研究给出了变速,并设计了纵向和横向控制器进行变速跟踪。然而,这些研究大多是基于曲率小的路径,期望速度曲线是通过一个简单的物理公式计算得到的。当路径曲率较大时,通过简单物理公式计算出的期望速度曲线变化会非常剧烈,这不仅增加了车辆的能耗,同时也会使车辆的跟踪过程极度不舒适。
因为路径的曲率是在不断变化的,所以如果仅以匀速做跟踪,速度过大会时导致在曲率大的地方跟踪效果差,甚至会存在安全隐患;速度过小,虽然能够安全通过大曲率路段,但是在曲率较小或者直线路段的跟踪效率很低。很显然,变速跟踪的效果会优于匀速跟踪。
因此,充分考虑路径信息,根据不同的路径参数给出合适的期望速度是非常重要的。
发明内容
本发明所解决的技术问题:
(1)车辆在进行路径/轨迹跟踪过程中,如果仅以匀速进行跟踪,会降低车辆的跟踪效率且影响跟踪效果。在曲率为0的路段,车辆可以以路径的最大限速为上限进行跟踪,但是如果该条路径存在弯道,则需要考虑车辆在过弯时的安全性,要保证车辆在整条路径上保持匀速跟踪的状态,则跟踪的最大速度几乎取决于通过弯道的最大速度,这将会导致车辆在曲率为0的路段也以较低的速度进行跟踪,即影响了车辆的跟踪效率。
(2)如果仅考虑路径的曲率,运用简单的物理公式对车辆的期望速度进行计算,该方法在小曲率路段(近乎直线路径)不会存在较大问题,但是如果路径的曲率较大并且存在多个连续的弯道时,如果仅用简单的物理公式计算期望速度则会导致所计算出的期望速度曲线是变化及其剧烈的折线,即加速度的变化非常剧烈,这不仅会影响车辆跟踪过程的舒适性,同时也会增加车辆跟踪过程的能耗。
为解决上述问题,本发明提出了一种针对曲率较大的路径进行速度规划的方法,使车辆沿着规划出的期望路径行驶的同时以期望速度进行变速跟踪。(速度规划是实现变速跟踪的基础,通过所设计的速度规划方法计算出期望路径对应的期望速度序列,使下层控制器以该期望速度跟踪期望路径,二者结合起来实现最终的变速跟踪。)
本发明所采取的技术方案是:
一种基于预测控制模型的速度规划方法,包括以下步骤:(所述预测控制模型是基于模型预测控制理论(MPC理论)设计的模型。)
S1、建立基于预测控制模型的车辆控制系统,包括:
S1-1、建立车辆运动学模型,并表示出车辆运动学模型的状态空间方程;
S1-2、运用前向欧拉方法对车辆运动学模型的状态空间进行离散化;
S1-3、基于离散化后的车辆运动学模型的状态空间,建立预测控制模型;
S1-4、由预测控制模型得到车辆的预测状态;
S1-5、基于车辆的预测状态,确定车辆控制系统的输出状态空间方程;
S1-6、基于车辆跟踪效果的考虑,建立关于期望路径的速度规划目标函数及预设约束条件,并建立车辆控制系统的输出约束条件;所述车辆控制系统的输出约束条件包括车辆的最大横向运动(所述车辆的最大横向运动包括车辆的最大横向加速度和最大横向偏移量,这里的“横向”是指垂直于车身的方向)和车辆的最大行驶速度;
S2、获取当前场景中的路径信息,并规划出期望路径;
S3、获取目标车辆的车辆信息;所述目标车辆的车辆信息包括目标车辆的车身的长、宽尺寸,以及最大行驶速度;
S4、将规划出的期望路径和目标车辆的车辆信息输入所建立的基于预测控制模型的车辆控制系统,生成与当前场景中的路径信息相对应的关于目标车辆的期望速度曲线,进而确定目标车辆的速度控制序列和加速度控制序列,即生成与当前场景中的路径信息相对应的关于目标车辆的速度规划方案。
进一步地,所述S1,建立基于预测控制模型的车辆控制系统,具体包括:
S1-1、建立车辆运动学模型(车辆运动学模型是基于简化的自行车模型建立的):
由车辆运动学模型表示的状态空间方程如下:
上述中,X是车辆在惯性坐标系XOY中X轴方向的坐标,Y是车辆在惯性坐标系XOY中Y轴方向的坐标,V是车辆的纵向速度(即:车辆沿车身方向的速度),是车辆的航向角(在速度规划中,把车辆看作一个质点,此时速度的方向跟航向角是相同的),是车辆在惯性坐标系XOY下沿X轴方向的速度;是车辆在惯性坐标系XOY下沿Y轴方向的速度,是车辆的纵向加速度(即:车辆沿车身方向的加速度);是状态空间;s是状态量;u是控制量,这里是指加速度;A和B均是系数;(所述惯性坐标系即大地坐标系)
S1-2、运用前向欧拉方法对车辆运动学模型的状态空间进行离散化,即:
由此得到,离散化后的车辆运动学模型的状态空间:
上述中,s(k+1)是k+1时刻的状态量;s(k)是k时刻的状态量;T是离散的时间间隔;I是和A同阶的单位矩阵;o(k)是车辆控制系统的输出矩阵;u(k)是k时刻的控制量,这里是指加速度;A(k)、B(k)和C(k)均是系数矩阵;
S1-3、基于离散化后的车辆运动学模型的状态空间,建立预测控制模型,即:
预测控制模型的状态空间方程中包含两个向量,一个是k时刻的状态量s(k),另一个是k-1时刻的控制量u(k-1);预测控制模型的状态空间方程为:
由离散化后的车辆运动学模型的状态空间,知:
由此建立预测控制模型为:
S1-4、基于预测控制模型进行车辆的预测状态推导,结果如下:
其中,Nc是控制时域,Np是预测时域,且Np>Nc;
S1-5、基于推导出的车辆的预测状态,确定车辆控制系统的输出状态空间方程:
所述车辆控制系统的输出状态空间方程可以简化为如下矩阵:
O=Ψξ(k)+ΘΔU(k), (11)
S1-6、基于车辆跟踪效果的考虑,建立关于期望路径的速度规划目标函数及预设约束条件,并建立车辆控制系统的输出约束条件;所述车辆控制系统的输出约束条件包括车辆的最大横向运动和车辆的最大行驶速度;具体包括:
S1-6-1、建立关于期望路径的速度规划目标函数如下:
式(12)中,用于衡量车辆行驶的平稳性,用于衡量车辆跟踪的舒适性,用于衡量车辆的跟踪效率,用于衡量车辆的跟踪误差;其中,a(k+i)是从k时刻开始到控制时域内每一个时刻的加速度;j(k+i)是从k时刻开始到控制时域内每一个时刻的加加速度(加加速度是加速度对时间的导数,衡量加速度的变化率);v(k+i)是从k时刻开始到预测时域内每一个时刻车辆的实际速度;vref(k+i)是从k时刻开始到预测时域内每一个时刻的参考速度;o(k+i)是从k时刻开始到预测时域内每一个时刻车辆的实际输出量;oref(k+i)是从k时刻开始到预测时域内每一个时刻的输出量参考值;Nc是控制时域,Np是预测时域,且Np>Nc;R1是车辆加速度的惩罚矩阵,R2是车辆加加速度的惩罚矩阵,Q1是车辆速度的惩罚矩阵,Q2是车辆跟踪效果的惩罚矩阵,并且R1、R2、Q1和Q2这四个惩罚矩阵均是正定矩阵(为了保证解是凸解);
S1-6-2、建立关于期望路径的预设约束条件如下:
umin≤u(k+i)≤umax,i=0,1,2,…,Nc-1; (13)
Δumin≤Δu(k+i)≤Δumax,i=0,1,2,…,Nc-1; (14)
式(13)是对控制量的约束,umin是控制量的最小约束值,umax是控制量的最大约束值;式(14)是对控制量增量的约束,Δumin是控制量增量的最小约束值,Δumax是控制量增量的最大约束值;
S1-6-3、建立车辆控制系统的输出约束条件如下:
ηmin≤η(k+i)≤ηmax,i=0,1,2,…,Np-1; (15)
式(15)中,ηmin是车辆控制系统的输出最小约束值,ηmax是车辆控制系统的输出最大约束值;
S1-6-4、确定车辆的约束速度最大值如下:
vref=vm=min(Vr,Vc); (16)
式(16)中,Vr是路径的最高限速,Vc是根据路径信息及车身信息计算路径几何参数给车辆的限速;vref是参考速度;vm是最大速度。
进一步地,所述S2中获取的当前场景中的路径信息包括当前场景中路径上的每一点在惯性坐标系XOY中X轴、Y轴方向的坐标信息以及路径的曲率信息。
进一步地,所述S2中获取的当前场景中的路径信息包括当前场景中的路径表达式;所述当前场景中的路径表达式是指当前场景中路径上的任意一点在惯性坐标系XOY中X轴方向的坐标和时间的关系,Y轴方向的坐标与时间的关系。(如:当前场景中的路径表达式可以由X0(t)和Y0(t)表示,X0(t)表示当前场景中路径上的点在惯性坐标系XOY中X轴方向的坐标和时间t的关系,Y0(t)表示当前场景中路径上的点在惯性坐标系XOY中Y轴方向的坐标和时间t的关系。)
进一步地,所述根据路径信息及车身信息计算路径几何参数给车辆的限速Vc,具体为:
式(17)中,D是车辆后轮的轴距;H是车辆重心距离地面的高度;g是重力加速度;R是车辆的转弯半径,其中ρ是路径曲率,满足是在惯性坐标系XOY下沿X轴方向的路径表达式对时间的一阶导数,是在惯性坐标系XOY下沿Y轴方向的路径表达式对时间的一阶导数,是在惯性坐标系XOY下沿X轴方向的路径表达式对时间的的二阶导数,是在惯性坐标系XOY下沿Y轴方向的路径表达式对时间的二阶导数。
与现有技术相比,本发明的有益效果是:
本发明针对曲率较大的路径提出了一种基于预测控制模型的速度规划方法,从而基于特定的路径得到对应的期望速度曲线,并且给出速度控制序列和加速度控制序列,使车辆沿着规划出的期望路径行驶的同时以期望速度进行变速跟踪。该方法能够使车辆在进入弯道之前就进行缓慢减速,然后平缓通过弯道,再加速驶入直道,这不仅使跟踪效率有了极大提升,同时也约束了加速度和加加速度,使得跟踪过程非常舒适,同时也减少了能耗。即:该方法基于预测控制模型进行速度规划,可以对车辆前方的路径情况进行预测,提前获取路径信息,从而在弯道之前就能够使车辆提前减速,缓慢过弯,过弯后由于车辆又提前获取到前方的直道信息,能够在过弯后及时加速,以较快的速度在直道上行驶。在该方法下,车辆不会出现急加速急减速的情况,提升了整个跟踪过程的舒适性;而在直道上又以较大速度行驶,提升了跟踪效率,同时也减少了能耗。
下面通过具体实施方式及附图对本发明作进一步详细说明,但并不意味着对本发明保护范围的限制。
附图说明
图1是本发明实施例的车辆运动学模型示意图。
图2是本发明实施例参考路径示意图。
图3是本发明实施例规划出的期望路径和生成的期望速度曲线图。
图4是本发明实施例目标车辆的速度控制序列图。
图5是本发明实施例目标车辆的加速度控制序列图。
具体实施方式
下面结合附图,通过对实施例的描述,对本发明的具体实施方式作进一步的说明。
实施例
本例给出一种基于预测控制模型的速度规划方法,包括以下步骤:(所述预测控制模型是基于模型预测控制理论(MPC理论)设计的模型。)
S1、建立基于预测控制模型的车辆控制系统,包括:
S1-1、建立车辆运动学模型,并表示出车辆运动学模型的状态空间方程;
S1-2、运用前向欧拉方法对车辆运动学模型的状态空间进行离散化;
S1-3、基于离散化后的车辆运动学模型的状态空间,建立预测控制模型;
S1-4、由预测控制模型得到车辆的预测状态;
S1-5、基于车辆的预测状态,确定车辆控制系统的输出状态空间方程;
S1-6、基于车辆跟踪效果的考虑,建立关于期望路径的速度规划目标函数及预设约束条件,并建立车辆控制系统的输出约束条件;所述车辆控制系统的输出约束条件包括车辆的最大横向运动(所述车辆的最大横向运动包括车辆的最大横向加速度和最大横向偏移量,这里的“横向”是指垂直于车身的方向)和车辆的最大行驶速度;
S2、获取当前场景中的路径信息,并规划出期望路径;
S3、获取目标车辆的车辆信息;所述目标车辆的车辆信息包括目标车辆的车身的长、宽尺寸,以及最大行驶速度;
S4、将规划出的期望路径和目标车辆的车辆信息输入所建立的基于预测控制模型的车辆控制系统,生成与当前场景中的路径信息相对应的关于目标车辆的期望速度曲线,进而确定目标车辆的速度控制序列和加速度控制序列,即生成与当前场景中的路径信息相对应的关于目标车辆的速度规划方案。
本例所述S1,建立基于预测控制模型的车辆控制系统,具体包括:
S1-1、建立车辆运动学模型(车辆运动学模型是基于简化的自行车模型建立的):
由车辆运动学模型表示的状态空间方程如下:
上述中,X是车辆在惯性坐标系XOY中X轴方向的坐标,Y是车辆在惯性坐标系XOY中Y轴方向的坐标,V是车辆的纵向速度(即:车辆沿车身方向的速度),是车辆的航向角(在速度规划中,把车辆看作一个质点,此时速度的方向跟航向角是相同的),是车辆在惯性坐标系XOY下沿X轴方向的速度;是车辆在惯性坐标系XOY下沿Y轴方向的速度,是车辆的纵向加速度(即:车辆沿车身方向的加速度);是状态空间;s是状态量;u是控制量,这里是指加速度;A和B均是系数;(所述惯性坐标系即大地坐标系)
S1-2、运用前向欧拉方法对车辆运动学模型的状态空间进行离散化,即:
由此得到,离散化后的车辆运动学模型的状态空间:
上述中,s(k+1)是k+1时刻的状态量;s(k)是k时刻的状态量;T是离散的时间间隔;I是和A同阶的单位矩阵;o(k)是车辆控制系统的输出矩阵;u(k)是k时刻的控制量,这里是指加速度;A(k)、B(k)和C(k)均是系数矩阵;
S1-3、基于离散化后的车辆运动学模型的状态空间,建立预测控制模型,即:
预测控制模型的状态空间方程中包含两个向量,一个是k时刻的状态量s(k),另一个是k-1时刻的控制量u(k-1);预测控制模型的状态空间方程为:
由离散化后的车辆运动学模型的状态空间,知:
由此建立预测控制模型为:
S1-4、基于预测控制模型进行车辆的预测状态推导,结果如下:
其中,Nc是控制时域,Np是预测时域,且Np>Nc;
S1-5、基于推导出的车辆的预测状态,确定车辆控制系统的输出状态空间方程:
所述车辆控制系统的输出状态空间方程可以简化为如下矩阵:
O=Ψξ(k)+ΘΔU(k), (11)
S1-6、基于车辆跟踪效果的考虑,建立关于期望路径的速度规划目标函数及预设约束条件,并建立车辆控制系统的输出约束条件;所述车辆控制系统的输出约束条件包括车辆的最大横向运动和车辆的最大行驶速度;具体包括:
S1-6-1、建立关于期望路径的速度规划目标函数如下:
式(12)中,用于衡量车辆行驶的平稳性,用于衡量车辆跟踪的舒适性,用于衡量车辆的跟踪效率,用于衡量车辆的跟踪误差;其中,a(k+i)是从k时刻开始到控制时域内每一个时刻的加速度;j(k+i)是从k时刻开始到控制时域内每一个时刻的加加速度(加加速度是加速度对时间的导数,衡量加速度的变化率);v(k+i)是从k时刻开始到预测时域内每一个时刻车辆的实际速度;vref(k+i)是从k时刻开始到预测时域内每一个时刻的参考速度;o(k+i)是从k时刻开始到预测时域内每一个时刻车辆的实际输出量;oref(k+i)是从k时刻开始到预测时域内每一个时刻的输出量参考值;Nc是控制时域,Np是预测时域,且Np>Nc;R1是车辆加速度的惩罚矩阵,R2是车辆加加速度的惩罚矩阵,Q1是车辆速度的惩罚矩阵,Q2是车辆跟踪效果的惩罚矩阵,并且R1、R2、Q1和Q2这四个惩罚矩阵均是正定矩阵(为了保证解是凸解);
S1-6-2、建立关于期望路径的预设约束条件如下:
umin≤u(k+i)≤umax,i=0,1,2,…,Nc-1; (13)
Δumin≤Δu(k+i)≤Δumax,i=0,1,2,…,Nc-1; (14)
式(13)是对控制量的约束,umin是控制量的最小约束值,umax是控制量的最大约束值;式(14)是对控制量增量的约束,Δumin是控制量增量的最小约束值,Δumax是控制量增量的最大约束值;
S1-6-3、建立车辆控制系统的输出约束条件如下:
ηmin≤η(k+i)≤ηmax,i=0,1,2,…,Np-1; (15)
式(15)中,ηmin是车辆控制系统的输出最小约束值,ηmax是车辆控制系统的输出最大约束值;
S1-6-4、确定车辆的约束速度最大值如下:
vref=vm=min(Vr,Vc); (16)
式(16)中,Vr是路径的最高限速,Vc是根据路径信息及车身信息计算路径几何参数给车辆的限速;vref是参考速度;vm是最大速度。
本例所述S2中获取的当前场景中的路径信息包括当前场景中路径上的每一点在惯性坐标系XOY中X轴、Y轴方向的坐标信息以及路径的曲率信息。或者,所述S2中获取的当前场景中的路径信息包括当前场景中的路径表达式;所述当前场景中的路径表达式是指当前场景中路径上的任意一点在惯性坐标系XOU中X轴方向的坐标和时间的关系,Y轴方向的坐标与时间的关系。(如:当前场景中的路径表达式可以由X0(t)和Y0(t)表示,X0(t)表示当前场景中路径上的点在惯性坐标系XOY中X轴方向的坐标和时间t的关系,Y0(t)表示当前场景中路径上的点在惯性坐标系XOY中Y轴方向的坐标和时间t的关系。)
本例所述根据路径信息及车身信息计算路径几何参数给车辆的限速Vc,具体为:
式(17)中,D是车辆后轮的轴距;H是车辆重心距离地面的高度;g是重力加速度;R是车辆的转弯半径,其中ρ是路径曲率,满足是在惯性坐标系XOY下沿X轴方向的路径表达式对时间的一阶导数,是在惯性坐标系XOY下沿Y轴方向的路径表达式对时间的一阶导数,是在惯性坐标系XOY下沿X轴方向的路径表达式对时间的的二阶导数,是在惯性坐标系XOY下沿Y轴方向的路径表达式对时间的二阶导数。
图1给出了本例车辆运动学模型的示意图。在惯性坐标系XOY下,(Xr,Yr)为车辆后轴轴心坐标,为车辆的航向角(即车体的横摆角),V为车辆后轴中心速度(即车辆的纵向速度)。在速度规划中,把车辆看作一个质点,此时速度的方向跟航向角是相同的。
图2给出了本例参考路径的示意图(即已知的路径图)。从该图能看出已知路径的形状,但不能直接得到已知路径上每一点在惯性坐标系XOY下的X、Y轴方向的坐标,路径曲率,路径擦系数等路径信息。
图3给出了本例规划出的期望路径和基于该路径生成的期望速度曲线图,其中,实线是基于图2中的参考路径规划得到的期望路径,虚线是基于规划出的期望路径和目标车辆的车辆信息生成的期望速度曲线。从图3中可以明显看出,在前方有大曲率路段时,速度会在弯道前逐渐减小,以较低的速度通过弯道后再加速。
本例将规划出的期望路径(如图3中的实线所示)和目标车辆的车辆信息输入所建立的基于预测控制模型的车辆控制系统,生成与当前场景中的路径信息相对应的关于目标车辆的期望速度曲线(如图3中的虚线所示),进而确定目标车辆的速度控制序列(如图4所示,图中简记为速度序列)和加速度控制序列(如图5所示,图中简记为加速度序列),即生成与当前场景中的路径信息相对应的关于目标车辆的速度规划方案。
本例是基于预测控制模型进行的速度规划,该方法可以对车辆前方的路径情况进行预测,提前获取路径信息,从而在弯道之前就能够使车辆提前减速,缓慢过弯,过弯后由于车辆又提前获取到前方的直道信息,能够在过弯后及时加速,以较快的速度在直道上行驶。在该方法下,车辆不会出现急加速急减速的情况,提升了整个跟踪过程的舒适性;而在直道上又以较大速度行驶,提升了跟踪效率,同时也减少了能耗。
上述结合附图对本发明进行了示例性描述,显然本发明的具体实现并不受本文所示的实施例限制。
Claims (5)
1.一种基于预测控制模型的速度规划方法,其特征在于,包括以下步骤:
S1、建立基于预测控制模型的车辆控制系统,包括:
S1-1、建立车辆运动学模型,并表示出车辆运动学模型的状态空间方程;
S1-2、运用前向欧拉方法对车辆运动学模型的状态空间进行离散化;
S1-3、基于离散化后的车辆运动学模型的状态空间,建立预测控制模型;
S1-4、由预测控制模型得到车辆的预测状态;
S1-5、基于车辆的预测状态,确定车辆控制系统的输出状态空间方程;
S1-6、基于车辆跟踪效果的考虑,建立关于期望路径的速度规划目标函数及预设约束条件,并建立车辆控制系统的输出约束条件;所述车辆控制系统的输出约束条件包括车辆的最大横向运动和车辆的最大行驶速度;
S2、获取当前场景中的路径信息,并规划出期望路径;
S3、获取目标车辆的车辆信息;所述目标车辆的车辆信息包括目标车辆的车身的长、宽尺寸,以及最大行驶速度;
S4、将规划出的期望路径和目标车辆的车辆信息输入所建立的基于预测控制模型的车辆控制系统,生成与当前场景中的路径信息相对应的关于目标车辆的期望速度曲线,进而确定目标车辆的速度控制序列和加速度控制序列,即生成与当前场景中的路径信息相对应的关于目标车辆的速度规划方案。
2.根据权利要求1所述的一种基于预测控制模型的速度规划方法,其特征在于,所述S1,建立基于预测控制模型的车辆控制系统,具体包括:
S1-1、建立车辆运动学模型:
由车辆运动学模型表示的状态空间方程如下:
上述中,X是车辆在惯性坐标系XOY中X轴方向的坐标,Y是车辆在惯性坐标系XOY中Y轴方向的坐标,V是车辆的纵向速度,是车辆的航向角,是车辆在惯性坐标系XOY下沿X轴方向的速度;是车辆在惯性坐标系XOY下沿Y轴方向的速度,是车辆的纵向加速度;是状态空间;s是状态量;u是控制量,这里是指加速度;A和B均是系数;
S1-2、运用前向欧拉方法对车辆运动学模型的状态空间进行离散化,即:
由此得到,离散化后的车辆运动学模型的状态空间:
上述中,s(k+1)是k+1时刻的状态量;s(k)是k时刻的状态量;T是离散的时间间隔;I是和A同阶的单位矩阵;o(k)是车辆控制系统的输出矩阵;u(k)是k时刻的控制量,这里是指加速度;A(k)、B(k)和C(k)均是系数矩阵;
S1-3、基于离散化后的车辆运动学模型的状态空间,建立预测控制模型,即:
预测控制模型的状态空间方程中包含两个向量,一个是k时刻的状态量s(k),另一个是k-1时刻的控制量u(k-1);预测控制模型的状态空间方程为:
由离散化后的车辆运动学模型的状态空间,知:
由此建立预测控制模型为:
S1-4、基于预测控制模型进行车辆的预测状态推导,结果如下:
其中,Nc是控制时域,Np是预测时域,且Np>Nc;
S1-5、基于推导出的车辆的预测状态,确定车辆控制系统的输出状态空间方程:
所述车辆控制系统的输出状态空间方程可以简化为如下矩阵:
O=Ψξ(k)+ΘΔU(k), (11)
S1-6、基于车辆跟踪效果的考虑,建立关于期望路径的速度规划目标函数及预设约束条件,并建立车辆控制系统的输出约束条件;所述车辆控制系统的输出约束条件包括车辆的最大横向运动和车辆的最大行驶速度;具体包括:
S1-6-1、建立关于期望路径的速度规划目标函数如下:
式(12)中,用于衡量车辆行驶的平稳性,用于衡量车辆跟踪的舒适性,用于衡量车辆的跟踪效率,用于衡量车辆的跟踪误差;其中,a(k+i)是从k时刻开始到控制时域内每一个时刻的加速度;j(k+i)是从k时刻开始到控制时域内每一个时刻的加加速度;v(k+i)是从k时刻开始到预测时域内每一个时刻车辆的实际速度;vref(k+i)是从k时刻开始到预测时域内每一个时刻的参考速度;o(k+i)是从k时刻开始到预测时域内每一个时刻车辆的实际输出量;oref(k+i)是从k时刻开始到预测时域内每一个时刻的输出量参考值;Nc是控制时域,Np是预测时域,且Np>Nc;R1是车辆加速度的惩罚矩阵,R2是车辆加加速度的惩罚矩阵,Q1是车辆速度的惩罚矩阵,Q2是车辆跟踪效果的惩罚矩阵,并且R1、R2、Q1和Q2这四个惩罚矩阵均是正定矩阵;
S1-6-2、建立关于期望路径的预设约束条件如下:
umin≤u(k+i)≤umax,i=0,1,2,…,Nc-1; (13)
Δumin≤Δu(k+i)≤Δumax,i=0,1,2,…,Nc-1; (14)
式(13)是对控制量的约束,umin是控制量的最小约束值,umax是控制量的最大约束值;式(14)是对控制量增量的约束,Δumin是控制量增量的最小约束值,Δumax是控制量增量的最大约束值;
S1-6-3、建立车辆控制系统的输出约束条件如下:
ηmin≤η(k+i)≤ηmax,i=0,1,2,…,Np-1; (15)
式(15)中,ηmin是车辆控制系统的输出最小约束值,ηmax是车辆控制系统的输出最大约束值;
S1-6-4、确定车辆的约束速度最大值如下:
vref=vm=min(Vr,Vc); (16)
式(16)中,Vr是路径的最高限速,Vc是根据路径信息及车身信息计算路径几何参数给车辆的限速;vref是参考速度;vm是最大速度。
3.根据权利要求1所述的一种基于预测控制模型的速度规划方法,其特征在于,所述S2中获取的当前场景中的路径信息包括当前场景中路径上的每一点在惯性坐标系XOY中X轴、Y轴方向的坐标信息以及路径的曲率信息。
4.根据权利要求1所述的一种基于预测控制模型的速度规划方法,其特征在于,所述S2中获取的当前场景中的路径信息包括当前场景中的路径表达式;所述当前场景中的路径表达式是指当前场景中路径上的任意一点在惯性坐标系XOY中X轴方向的坐标和时间的关系,Y轴方向的坐标与时间的关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210664539.1A CN115047766A (zh) | 2022-06-13 | 2022-06-13 | 一种基于预测控制模型的速度规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210664539.1A CN115047766A (zh) | 2022-06-13 | 2022-06-13 | 一种基于预测控制模型的速度规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115047766A true CN115047766A (zh) | 2022-09-13 |
Family
ID=83161703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210664539.1A Pending CN115047766A (zh) | 2022-06-13 | 2022-06-13 | 一种基于预测控制模型的速度规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115047766A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030636A (zh) * | 2023-03-28 | 2023-04-28 | 北京清研宏达信息科技有限公司 | 一种公交车速动态规划的方法和系统 |
CN116166061A (zh) * | 2023-04-26 | 2023-05-26 | 中国农业大学 | 无人驾驶的速度控制方法、装置、无人驾驶机和电子设备 |
CN117087669A (zh) * | 2023-10-20 | 2023-11-21 | 小米汽车科技有限公司 | 车辆速度跟踪控制方法、装置、车辆及存储介质 |
CN117261902A (zh) * | 2023-11-21 | 2023-12-22 | 北京理工大学 | 一种应用于盘山公路的速度规划方法、系统、设备及介质 |
-
2022
- 2022-06-13 CN CN202210664539.1A patent/CN115047766A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116030636A (zh) * | 2023-03-28 | 2023-04-28 | 北京清研宏达信息科技有限公司 | 一种公交车速动态规划的方法和系统 |
CN116166061A (zh) * | 2023-04-26 | 2023-05-26 | 中国农业大学 | 无人驾驶的速度控制方法、装置、无人驾驶机和电子设备 |
CN117087669A (zh) * | 2023-10-20 | 2023-11-21 | 小米汽车科技有限公司 | 车辆速度跟踪控制方法、装置、车辆及存储介质 |
CN117087669B (zh) * | 2023-10-20 | 2024-01-30 | 小米汽车科技有限公司 | 车辆速度跟踪控制方法、装置、车辆及存储介质 |
CN117261902A (zh) * | 2023-11-21 | 2023-12-22 | 北京理工大学 | 一种应用于盘山公路的速度规划方法、系统、设备及介质 |
CN117261902B (zh) * | 2023-11-21 | 2024-02-09 | 北京理工大学 | 一种应用于盘山公路的速度规划方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107943071B (zh) | 无人车的编队保持控制方法及系统 | |
CN115047766A (zh) | 一种基于预测控制模型的速度规划方法 | |
CN110597245B (zh) | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 | |
CN109669461B (zh) | 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法 | |
CN111806467B (zh) | 一种基于车辆行驶规律的变速动态换道轨迹规划方法 | |
CN111610780B (zh) | 一种自动驾驶车路径跟踪控制方法及其装置 | |
CN110703754B (zh) | 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 | |
CN111216713B (zh) | 一种自动驾驶车辆速度预瞄控制方法 | |
CN110362096A (zh) | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 | |
US8078373B2 (en) | Vehicle dynamics prediction with lane/path information using a preview-correction-prediction approach | |
CN109606368B (zh) | 一种智能汽车可拓车速自适应变化轨迹跟踪控制方法 | |
CN109976159A (zh) | 基于安全可控域的智能车辆横向控制方法 | |
CN111681452B (zh) | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 | |
CN110703763A (zh) | 无人车路径跟踪及避障方法 | |
Chen et al. | Dynamic drifting control for general path tracking of autonomous vehicles | |
Yu et al. | MPC-based regional path tracking controller design for autonomous ground vehicles | |
CN109664884B (zh) | 一种可变车速下的可拓自适应车道保持控制方法 | |
CN111409641A (zh) | 一种基于纵横向协调的轨迹跟踪控制方法及系统 | |
US20230211786A1 (en) | Path-controlling module, associated path-controlling device and associated method | |
CN113408062A (zh) | 自动驾驶全工况路面自适应mpc轨迹跟踪控制及评价方法 | |
CN114585548A (zh) | 在使用关于第二交通工具的轨迹信息的情况下基于mpc确定第一交通工具的轨迹 | |
CN114906173A (zh) | 一种基于两点预瞄驾驶员模型的自动驾驶决策方法 | |
CN115285145A (zh) | 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法 | |
CN115042810A (zh) | 一种车辆的横纵向综合控制方法及横纵向综合控制器 | |
CN116654017A (zh) | 一种紧急工况下基于周车轨迹预测的智能汽车避撞决策与路径规划的方法、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 |