CN115183792A - 基于高精度地图对无人驾驶车辆进行控制的方法及系统 - Google Patents

基于高精度地图对无人驾驶车辆进行控制的方法及系统 Download PDF

Info

Publication number
CN115183792A
CN115183792A CN202210814781.2A CN202210814781A CN115183792A CN 115183792 A CN115183792 A CN 115183792A CN 202210814781 A CN202210814781 A CN 202210814781A CN 115183792 A CN115183792 A CN 115183792A
Authority
CN
China
Prior art keywords
unmanned vehicle
vehicle
unmanned
steering wheel
gradient
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
Application number
CN202210814781.2A
Other languages
English (en)
Inventor
郭瑞
姚蔚利
杨会龙
尤峰
梁士昌
高晓成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Coal Electrical Co ltd
China Coal Shaanxi Yulin Chemical Energy Co ltd
China National Coal Group Corp
Original Assignee
China Coal Electrical Co ltd
China Coal Shaanxi Yulin Chemical Energy Co ltd
China National Coal Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Coal Electrical Co ltd, China Coal Shaanxi Yulin Chemical Energy Co ltd, China National Coal Group Corp filed Critical China Coal Electrical Co ltd
Priority to CN202210814781.2A priority Critical patent/CN115183792A/zh
Publication of CN115183792A publication Critical patent/CN115183792A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3407—Route searching; Route guidance specially adapted for specific applications
    • G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3833—Creation or updating of map data characterised by the source of data
    • G01C21/3844—Data obtained from position sensors only, e.g. from inertial navigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请公开了一种基于高精度地图对无人驾驶车辆进行控制的方法及系统，该方法包括：首先获取无人驾驶车辆四周的障碍物信息，其次根据障碍物信息确定无人驾驶车辆的局部行驶路径，然后根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，并修正局部行驶路径；再根据障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法计算无人驾驶车辆的目标速度和目标方向盘转角；最后利用目标速度对无人驾驶车辆进行纵向控制，并利用目标方向盘转角对无人驾驶车辆进行横向控制。该系统包括：感知模块、局部行驶路径确定模块、道路信息获取模块、惯导设备和控制模块。通过本申请，能够有效提高车辆行驶的稳定性和用户的舒适性。

Description

基于高精度地图对无人驾驶车辆进行控制的方法及系统
技术领域
本申请涉及无人驾驶控制技术领域，特别是涉及一种基于高精度地图对无人驾驶车辆进行控制的方法及系统。
背景技术
无人驾驶车辆是近年来的热门技术，为确保无人驾驶车辆的安全运行，如何对无人驾驶车辆进行控制，是个重要的技术问题。
目前无人驾驶车辆的控制方法，主要是基于车辆的车速、横摆角速度、航向角等信息，通过模型预测的方法对车辆进行横纵向控制，具体主要是针对车辆的加速度、方向盘转角增量进行约束，从而动态求解当前时刻的目标车速和目标方向盘转角，利用当前时刻的目标车速和目标方向盘转角对无人驾驶车辆进行控制。
然而，目前无人驾驶车辆的控制方法中，由于主要是基于当前时刻的目标车速和目标方向盘转角进行车辆的调节，先获取到当前信息进行相关计算后，才能发出控制指令，这就会导致控制过程迟缓，影响车辆行驶的稳定性。尤其是在车辆行驶于连续坡道、弯道时，更容易出现急加速、急减速以及急转向灯问题，使得无人驾驶车辆行驶的稳定性更差。
发明内容
本申请提供了一种基于高精度地图对无人驾驶车辆进行控制的方法及系统，以解决现有技术中的车辆控制方法使得车辆行驶的稳定性较差的问题。
为了解决上述技术问题，本申请实施例公开了如下技术方案：
一种基于高精度地图对无人驾驶车辆进行控制的方法，所述方法包括：
获取无人驾驶车辆四周的障碍物信息，所述障碍物信息包括：障碍物大小、障碍物横纵向速度以及障碍物距离车辆的横纵向距离；
根据所述障碍物信息确定无人驾驶车辆的局部行驶路径；
根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，并根据所述道路曲率和坡度信息，修正所述局部行驶路径；
根据所述障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角，所述车辆状态信息包括：无人驾驶车辆的当前车速和当前方向盘转角；
利用所述目标速度对无人驾驶车辆进行纵向控制；
利用所述目标方向盘转角对无人驾驶车辆进行横向控制。
可选地，根据所述障碍物信息确定无人驾驶车辆的局部行驶路径的方法，包括：
根据所述障碍物信息，对所述障碍物进行目标跟踪和预测，获取到无人驾驶车辆的可行驶区域；
根据无人驾驶车辆的全局路径和所述可行驶区域，规划出无人驾驶车辆的局部行驶路径。
可选地，根据所述障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角的方法，包括：
定义无人驾驶车辆状态为
Figure BDA0003741876520000021
控制变量为{vr δf}，车辆状态空间方程为
Figure BDA0003741876520000022
其中，x为无人驾驶车辆当前时刻的纵向位置，y为无人驾驶车辆当前时刻的横向位置，
Figure BDA0003741876520000023
为无人驾驶车辆当前时刻的横摆角，vr为无人驾驶车辆的目标速度，δf为无人驾驶车辆的目标前轮转角，l为无人驾驶车辆前后车轮的轴距；
根据所述无人驾驶车辆状态、控制变量和车辆状态空间方程，确定四轮汽车的运动学模型：
Figure BDA0003741876520000024
其中，k为当前时刻，k+1为下一时刻，
Figure BDA0003741876520000025
为第k时刻车辆的状态量，
Figure BDA0003741876520000026
为第k时刻车辆的控制量，
Figure BDA0003741876520000027
为第k+1时刻车辆的状态量，
Figure BDA0003741876520000028
根据所述运动学模型，采用MPC控制算法，利用公式Y＝Ψζ(k)+ΘU(k)计算得出无人驾驶车辆预测位姿与局部行驶路径的偏差，其中，Y为根据车辆运动学模型预测的无人驾驶车辆轨迹与局部行驶路径的偏差，ψ为状态量偏差的系数，Θ为控制量系数，U(k)为控制量；
根据所述无人驾驶车辆预测位姿与局部行驶路径的偏差，利用二次最优求解函数J＝YTQY+URUT，计算得出无人驾驶车辆的目标速度和目标方向盘转角，其中，J为目标评价函数，Q为车辆状态偏差评价系数，R为控制状态评价系数。
可选地，根据所述无人驾驶车辆状态、控制变量和车辆状态空间方程，确定四轮汽车的运动学模型：
Figure BDA0003741876520000031
包括：
将所述无人驾驶车辆状态和控制变量转换为矩阵格式，得到
Figure BDA0003741876520000032
其中，ζ为无人驾驶车辆状态，u为控制量；
根据矩阵格式的无人驾驶车辆状态和控制变量，对所述车辆空间状态进行一阶线性化，计算得出
Figure BDA0003741876520000033
其中，ζr为第r时刻车辆的状态量，ur为第r时刻车辆的控制量；
定义
Figure BDA0003741876520000034
当前时刻为k，对公式
Figure BDA0003741876520000035
离散化，可得四轮汽车的运动学模型
Figure BDA0003741876520000036
可选地，利用所述目标速度对无人驾驶车辆进行纵向控制的方法，包括：
利用公式Pt＝Pf+Pw+Pi+Pj，计算得出无人驾驶车辆的牵引力，其中，Pt为牵引力，Pf为滚动阻力，Pw为空气阻力，Pi为坡度阻力，Pj为惯性阻力；
根据无人驾驶车辆的实际速度和所述目标速度，利用公式P1＝a1*(vr-vact)，计算得出车速修正车辆的牵引力，其中，P1为车速修正车辆的牵引力，a1为修正系数，vr为无人驾驶车辆的目标车速，vact为车辆的实际车速；
利用公式P2＝a2*θ，计算得出坡度修正发动机的牵引力，其中，a2为坡度修正参数，θ为道路坡度，P2为坡度修正发动机的牵引力；
对无人驾驶车辆的牵引力、车速修正车辆的牵引力和坡度修正发动机的牵引力求和，计算得出无人驾驶车辆所需要的总牵引力；
根据所述总牵引力，控制无人驾驶车辆的发动机或制动系统。
可选地，利用所述目标方向盘转角对无人驾驶车辆进行横向控制的方法，包括：
根据当前局部行驶路径的横向坡度，利用公式δ2＝a3*φ，计算得出横向坡度修正的方向盘转角，其中，δ2为横向坡度修正的方向盘转角，a3为修正系数，φ为道路的横向坡度；
对所述目标方向盘转角和横向坡度修正的方向盘转角求和，计算得出无人驾驶车辆待请求的方向盘转角；
通过CAN通信，将所述待请求的方向盘转角发送至无人驾驶车辆的转向机。
一种基于高精度地图对无人驾驶车辆进行控制的系统，所述系统包括：
感知模块，用于获取无人驾驶车辆四周的障碍物信息，所述障碍物信息包括：障碍物大小、障碍物横纵向速度以及障碍物距离车辆的横纵向距离；
局部行驶路径确定模块，用于根据所述障碍物信息确定无人驾驶车辆的局部行驶路径；
道路信息获取模块，用于根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度,并根据所述道路曲率和坡度信息，修正所述局部行驶路径；
惯导设备，用于获取无人驾驶车辆的车辆位置信息和车辆姿态信息；
控制模块，用于根据所述障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角，所述车辆状态信息包括：无人驾驶车辆的当前车速和当前方向盘转角；
所述控制模块，还用于利用所述目标速度对无人驾驶车辆进行纵向控制，以及，利用所述目标方向盘转角对无人驾驶车辆进行横向控制。
可选地，所述感知模块包括：一个主激光雷达、两个补盲激光雷达以及两个毫米波雷达，所述主激光雷达设置于无人驾驶车辆车顶上方，两个补盲激光雷达分别设置于无人驾驶车辆左前侧和右前侧，两个毫米波雷达分别设置于无人驾驶车辆的前侧和后侧。
可选地，所述惯导设备包括GNSS(Global Navigation Satellite System，全球卫星导航系统)和IMU(Inertial measurement unit，惯性测量单元)，所述GNSS用于获取无人驾驶车辆的车辆位置信息，所述IMU用于获取无人驾驶车辆的车辆姿态信息。
可选地，所述无人驾驶车辆为线控车辆。
本申请的实施例提供的技术方案可以包括以下有益效果：
本申请提供一种基于高精度地图对无人驾驶车辆进行控制的方法，该方法首先获取无人驾驶车辆四周的障碍物信息，其次根据障碍物信息确定无人驾驶车辆的局部行驶路径，然后根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，并根据道路曲率和坡度信息修正局部行驶路径；再根据障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角；最后利用目标速度对无人驾驶车辆进行纵向控制，并利用目标方向盘转角对无人驾驶车辆进行横向控制。本实施例根据高精度地图，能够提前获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，也就是提前获取前方道路信息，从而能够更早对车辆进行横向和纵向控制，相比于现有技术中根据当前信息进行决策的方法，能够有效提高车辆运行的稳定性和用户的舒适性。本实施例中还依据道路曲率和道路坡度信息修正局部行驶路径，然后利用MPC控制算法计算出目标速度和目标方向盘转角，最后利用目标速度和目标方向盘转角分别进行纵向控制和横向控制，通过修正局部行驶路径，能够对车辆横纵向进行补偿控制，从而提高车辆控制的精确度，有利于进一步提高车辆运行的稳定性和用户的舒适性。
本申请还提供一种基于高精度地图对无人驾驶车辆进行控制的系统，该系统主要包括：感知模块、局部行驶路径确定模块、道路信息获取模块、惯导设备和控制模块。道路信息获取模块的设置，能够通过高精度地图获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，从而提前获取前方道路信息，为后续的车辆控制争取时间，有利于提高车辆行驶的稳定性和用户的舒适性。本实施例中的道路信息获取模块还根据道路曲率和坡度信息修正局部行驶路径，从而进一步提高车辆控制的准确性和精度，进而提高车辆运行的稳定性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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为本申请实施例所提供的一种基于高精度地图对无人驾驶车辆进行控制的方法的流程示意图；
图2为本申请实施例所提供的一种基于高精度地图对无人驾驶车辆进行控制的系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
为了更好地理解本申请，下面结合附图来详细解释本申请的实施方式。
实施例一
参见图1，图1为本申请实施例所提供的一种基于高精度地图对无人驾驶车辆进行控制的方法的流程示意图。由图1可知，本实施例中基于高精度地图对无人驾驶车辆进行控制的方法，主要包括如下过程：
S1：获取无人驾驶车辆四周的障碍物信息，该障碍物信息包括：障碍物大小、障碍物横纵向速度以及障碍物距离车辆的横纵向距离。
S2：根据障碍物信息确定无人驾驶车辆的局部行驶路径。
具体地，步骤S2包括如下过程：
S21：根据障碍物信息，对障碍物进行目标跟踪和预测，获取到无人驾驶车辆的可行驶区域。
S22：根据无人驾驶车辆的全局路径和可行驶区域，规划出无人驾驶车辆的局部行驶路径。
本实施例中无人驾驶车辆的全局路径可以采用如下方法获取：
首先确定无人驾驶车辆行驶的起点和终点，然后利用A*算法进行路径规划得到全局路径。
确定全局路径和可行驶区域后，规划局部行驶路径的方法具体为：将全局路径和可行驶区域转化到frenet坐标系，通过车辆运动学约束，拟合得到横纵向的样条曲线，也就是无人驾驶车辆的局部行驶路径。
继续参见图1可知，确定无人驾驶车辆的局部行驶路径之后，执行步骤S3：根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，并根据道路曲率和坡度信息，修正局部行驶路径。
本实施例通过高精度地图，能够提前获取车辆局部行驶路径上道路情况，具体包括道路曲率和道路坡度，为后续进行车辆控制提供依据。
本实施例根据道路曲率和坡度信息，修正局部行驶路径，主要包括在不同路况下对最大车速的约束和限制。
本实施例中道路曲率为ρ，从而通过公式r＝1/ρ计算得出行驶道路的半径r。再利用公式
Figure BDA0003741876520000071
计算得出无人驾驶车辆在弯道处的最大车速，其中，alat为弯道处的最大向心力加速度。根据最大向心力加速度以及道路半径对最大车速进行约束，从而能够有效提高弯道处车辆行驶的稳定性和舒适性。
在非结构化道路行驶时，根据道路坡度，能够确定无人驾驶车辆在坡道处的最大行驶车速和最小行驶车速。提前将无人驾驶车辆的车速调整至最大行驶车速和最小行驶车速之间，能够有效提高车辆行驶的平顺性和稳定性。
继续参见图1可知，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，并修改局部行驶路径之后，执行步骤S4：根据障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角。其中，车辆状态信息包括：无人驾驶车辆的当前车速和当前方向盘转角。
具体地，步骤S4包括如下过程：
S41：定义无人驾驶车辆状态为
Figure BDA0003741876520000072
控制变量为{vr δf}，车辆状态空间方程为
Figure BDA0003741876520000073
其中，x为无人驾驶车辆当前时刻的纵向位置，y为无人驾驶车辆当前时刻的横向位置，
Figure BDA0003741876520000074
为无人驾驶车辆当前时刻的横摆角，vr为无人驾驶车辆的目标速度，δf为无人驾驶车辆的目标前轮转角，l为无人驾驶车辆前后车轮的轴距。
确定无人驾驶车辆的目标前轮转角之后，根据车辆的转向系统传动比，即可将目标前轮转角转换为无人驾驶车辆的目标方向盘转角。
S42：根据无人驾驶车辆状态、控制变量和车辆状态空间方程，确定四轮汽车的运动学模型：
Figure BDA0003741876520000075
其中，k为当前时刻，k+1为下一时刻，
Figure BDA0003741876520000076
为第k时刻车辆的状态量，
Figure BDA0003741876520000077
为第k时刻车辆的控制量，
Figure BDA0003741876520000078
为第k+1时刻车辆的状态量，
Figure BDA0003741876520000081
具体地，步骤S42又包括如下过程：
S421：将无人驾驶车辆状态和控制变量转换为矩阵格式，得到
Figure BDA0003741876520000082
其中，ζ为无人驾驶车辆状态，u为控制量。
S422：根据矩阵格式的无人驾驶车辆状态和控制变量，对车辆空间状态进行一阶线性化，计算得出
Figure BDA0003741876520000083
其中，ζr为第r时刻车辆的状态量，ur为第r时刻车辆的控制量。
S423：定义
Figure BDA0003741876520000084
当前时刻为k，对公式
Figure BDA0003741876520000085
离散化，可得四轮汽车的运动学模型
Figure BDA0003741876520000086
S43：根据运动学模型，采用MPC控制算法，利用公式Y＝Ψζ(k)+ΘU(k)计算得出无人驾驶车辆预测位姿与局部行驶路径的偏差。
其中，Y为根据车辆运动学模型预测的无人驾驶车辆轨迹与局部行驶路径的偏差，ψ为状态量偏差的系数，Θ为控制量系数，U(k)为控制量。
根据以上步骤S42中四轮汽车的运动学模型
Figure BDA0003741876520000087
由于MPC算法的目的是使无人驾驶车辆跟踪一给定的路径，则根据运动学模型计算k+1,k+2,k+3,k+n时刻无人驾驶车辆预测位姿与局部行驶路径之间的偏差分别为：
Figure BDA0003741876520000088
将其转换为矩阵形式，为：Y＝Ψζ(k)+ΘU(k)。
S44：根据无人驾驶车辆预测位姿与局部行驶路径的偏差，利用二次最优求解函数J＝YTQY+URUT，计算得出无人驾驶车辆的目标速度和目标方向盘转角。
其中，J为目标评价函数，Q为车辆状态偏差评价系数，R为控制状态评价系数。
由以上二次最优求解函数可知，无人驾驶车辆预测位姿与局部行驶路径的偏差越小，无人驾驶车辆行驶轨迹越贴近设定的参考路径，则无人驾驶车辆的速度变化量越小，无人驾驶车辆运行越平稳。速度变化量与输出量U有关。根据目标函数，按照设定的参考路径，利用二次最优求解函数J＝YTQY+URUT，即可计算得出无人驾驶车辆的目标速度和目标前轮转角，再根据车辆的转向系统传动比，即可将目标前轮转角转换为无人驾驶车辆的目标方向盘转角。
继续参见图1可知，计算得出无人驾驶车辆的目标速度和目标方向盘转角之后，分别执行步骤S5和S6。
其中，步骤S5：利用目标速度对无人驾驶车辆进行纵向控制。
具体地，步骤S5包括如下过程：
S51：利用公式Pt＝Pf+Pw+Pi+Pj，计算得出无人驾驶车辆的牵引力，其中，Pt为牵引力，Pf为滚动阻力，Pw为空气阻力，Pi为坡度阻力，Pj为惯性阻力。
S52：根据无人驾驶车辆的实际速度和目标速度，利用公式P1＝a1*(vr-vact)，计算得出车速修正车辆的牵引力，其中，P1为车速修正车辆的牵引力，a1为修正系数，vr为无人驾驶车辆的目标车速，vact为车辆的实际车速。
S53：利用公式P2＝a2*θ，计算得出坡度修正发动机的牵引力，其中，a2为坡度修正参数，θ为道路坡度，P2为坡度修正发动机的牵引力。
通过计算坡度修正发动机的牵引力，能够考虑到不同坡道对车辆发动机的牵引力影响，有利于提高车辆控制的精确度。
S54：对无人驾驶车辆的牵引力、车速修正车辆的牵引力和坡度修正发动机的牵引力求和，计算得出无人驾驶车辆所需要的总牵引力。
S55：根据总牵引力，控制无人驾驶车辆的发动机或制动系统。
对无人驾驶车辆的发动机或制动系统进行控制，也就是对无人驾驶车辆进行纵向控制。
S6：利用目标方向盘转角对无人驾驶车辆进行横向控制。
具体地，步骤S6包括如下过程：
S61：根据当前局部行驶路径的横向坡度，利用公式δ2＝a3*φ，计算得出横向坡度修正的方向盘转角。其中，δ2为横向坡度修正的方向盘转角，a3为修正系数，φ为道路的横向坡度。
S62：对目标方向盘转角和横向坡度修正的方向盘转角求和，计算得出无人驾驶车辆待请求的方向盘转角。
S63：通过CAN通信，将待请求的方向盘转角发送至无人驾驶车辆的转向机。
实施例二
在图1所示实施例的基础上参见图2，图2为本申请实施例所提供的一种基于高精度地图对无人驾驶车辆进行控制的系统的结构示意图。由图2可知，本实施例中基于高精度地图对无人驾驶车辆进行控制的系统主要包括：感知模块、局部行驶路径确定模块、道路信息获取模块、惯导设备和控制模块。本实施例中的无人驾驶车辆为线控车辆，也就是通过CAN通信控制的车辆，通过CAN可以控制车辆的发动机和制动系统，同时通过CAN将车辆的状态信息反馈至控制模块。
其中，感知模块，用于获取无人驾驶车辆四周的障碍物信息，障碍物信息包括：障碍物大小、障碍物横纵向速度以及障碍物距离车辆的横纵向距离；局部行驶路径确定模块，用于根据障碍物信息确定无人驾驶车辆的局部行驶路径；道路信息获取模块，用于根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度,并根据道路曲率和坡度信息，修正局部行驶路径；惯导设备，用于获取无人驾驶车辆的车辆位置信息和车辆姿态信息；控制模块，用于根据障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角，车辆状态信息包括：无人驾驶车辆的当前车速和当前方向盘转角；控制模块，还用于利用目标速度对无人驾驶车辆进行纵向控制，以及，利用目标方向盘转角对无人驾驶车辆进行横向控制。
本实施例中的控制模块可以采用工控机。
感知模块包括：一个主激光雷达、两个补盲激光雷达以及两个毫米波雷达，主激光雷达设置于无人驾驶车辆车顶上方，两个补盲激光雷达分别设置于无人驾驶车辆左前侧和右前侧，两个毫米波雷达分别设置于无人驾驶车辆的前侧和后侧。
惯导设备包括：GNSS和IMU，GNSS用于获取无人驾驶车辆的车辆位置信息，IMU用于获取无人驾驶车辆的车辆姿态信息。
该实施例中基于高精度地图对无人驾驶车辆进行控制的系统的工作原理和工作方法，在图1所示的实施例中已经详细阐述，两个实施例之间可以互相参照，在此不再赘述。
以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于高精度地图对无人驾驶车辆进行控制的方法，其特征在于，所述方法包括：
获取无人驾驶车辆四周的障碍物信息，所述障碍物信息包括：障碍物大小、障碍物横纵向速度以及障碍物距离车辆的横纵向距离；
根据所述障碍物信息确定无人驾驶车辆的局部行驶路径；
根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度，并根据所述道路曲率和坡度信息，修正所述局部行驶路径；
根据所述障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角，所述车辆状态信息包括：无人驾驶车辆的当前车速和当前方向盘转角；
利用所述目标速度对无人驾驶车辆进行纵向控制；
利用所述目标方向盘转角对无人驾驶车辆进行横向控制。
2.根据权利要求1所述的一种基于高精度地图对无人驾驶车辆进行控制的方法，其特征在于，根据所述障碍物信息确定无人驾驶车辆的局部行驶路径的方法，包括：
根据所述障碍物信息，对所述障碍物进行目标跟踪和预测，获取到无人驾驶车辆的可行驶区域；
根据无人驾驶车辆的全局路径和所述可行驶区域，规划出无人驾驶车辆的局部行驶路径。
3.根据权利要求1所述的一种基于高精度地图对无人驾驶车辆进行控制的方法，其特征在于，根据所述障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角的方法，包括：
定义无人驾驶车辆状态为
Figure FDA0003741876510000011
控制变量为{vrδf}，车辆状态空间方程为
Figure FDA0003741876510000012
其中，x为无人驾驶车辆当前时刻的纵向位置，y为无人驾驶车辆当前时刻的横向位置，
Figure FDA0003741876510000013
为无人驾驶车辆当前时刻的横摆角，vr为无人驾驶车辆的目标速度，δf为无人驾驶车辆的目标前轮转角，l为无人驾驶车辆前后车轮的轴距；
根据所述无人驾驶车辆状态、控制变量和车辆状态空间方程，确定四轮汽车的运动学模型：
Figure FDA0003741876510000021
其中，k为当前时刻，k+1为下一时刻，
Figure FDA0003741876510000022
为第k时刻车辆的状态量，
Figure FDA0003741876510000023
为第k时刻车辆的控制量，
Figure FDA0003741876510000024
为第k+1时刻车辆的状态量，
Figure FDA0003741876510000025
根据所述运动学模型，采用MPC控制算法，利用公式Y＝Ψζ(k)+ΘU(k)计算得出无人驾驶车辆预测位姿与局部行驶路径的偏差，其中，Y为根据车辆运动学模型预测的无人驾驶车辆轨迹与局部行驶路径的偏差，ψ为状态量偏差的系数，Θ为控制量系数，U(k)为控制量；
根据所述无人驾驶车辆预测位姿与局部行驶路径的偏差，利用二次最优求解函数J＝YTQY+URUT，计算得出无人驾驶车辆的目标速度和目标方向盘转角，其中，J为目标评价函数，Q为车辆状态偏差评价系数，R为控制状态评价系数。
4.根据权利要求3所述的一种基于高精度地图对无人驾驶车辆进行控制的方法，其特征在于，根据所述无人驾驶车辆状态、控制变量和车辆状态空间方程，确定四轮汽车的运动学模型：
Figure FDA0003741876510000026
包括：
将所述无人驾驶车辆状态和控制变量转换为矩阵格式，得到
Figure FDA0003741876510000027
其中，ζ为无人驾驶车辆状态，u为控制量；
根据矩阵格式的无人驾驶车辆状态和控制变量，对所述车辆空间状态进行一阶线性化，计算得出
Figure FDA0003741876510000028
其中，ζr为第r时刻车辆的状态量，ur为第r时刻车辆的控制量；
定义
Figure FDA0003741876510000029
当前时刻为k，对公式
Figure FDA00037418765100000210
离散化，可得四轮汽车的运动学模型
Figure FDA0003741876510000031
5.根据权利要求1所述的一种基于高精度地图对无人驾驶车辆进行控制的方法，其特征在于，利用所述目标速度对无人驾驶车辆进行纵向控制的方法，包括：
利用公式Pt＝pf+pw+Pi+pj，计算得出无人驾驶车辆的牵引力，其中，Pt为牵引力，Pf为滚动阻力，Pw为空气阻力，Pi为坡度阻力，Pj为惯性阻力；
根据无人驾驶车辆的实际速度和所述目标速度，利用公式P1＝a1*(vr-vact)，计算得出车速修正车辆的牵引力，其中，P1为车速修正车辆的牵引力，a1为修正系数，vr为无人驾驶车辆的目标车速，vact为车辆的实际车速；
利用公式P2＝a2*θ，计算得出坡度修正发动机的牵引力，其中，a2为坡度修正参数，θ为道路坡度，P2为坡度修正发动机的牵引力；
对无人驾驶车辆的牵引力、车速修正车辆的牵引力和坡度修正发动机的牵引力求和，计算得出无人驾驶车辆所需要的总牵引力；
根据所述总牵引力，控制无人驾驶车辆的发动机或制动系统。
6.根据权利要求1所述的一种基于高精度地图对无人驾驶车辆进行控制的方法，其特征在于，利用所述目标方向盘转角对无人驾驶车辆进行横向控制的方法，包括：
根据当前局部行驶路径的横向坡度，利用公式δ2＝a3*φ，计算得出横向坡度修正的方向盘转角，其中，δ2为横向坡度修正的方向盘转角，a3为修正系数，φ为道路的横向坡度；
对所述目标方向盘转角和横向坡度修正的方向盘转角求和，计算得出无人驾驶车辆待请求的方向盘转角；
通过CAN通信，将所述待请求的方向盘转角发送至无人驾驶车辆的转向机。
7.一种基于高精度地图对无人驾驶车辆进行控制的系统，其特征在于，所述系统包括：
感知模块，用于获取无人驾驶车辆四周的障碍物信息，所述障碍物信息包括：障碍物大小、障碍物横纵向速度以及障碍物距离车辆的横纵向距离；
局部行驶路径确定模块，用于根据所述障碍物信息确定无人驾驶车辆的局部行驶路径；
道路信息获取模块，用于根据高精度地图，获取无人驾驶车辆局部行驶路径上的道路曲率和道路坡度,并根据所述道路曲率和坡度信息，修正所述局部行驶路径；
惯导设备，用于获取无人驾驶车辆的车辆位置信息和车辆姿态信息；
控制模块，用于根据所述障碍物信息、道路曲率、道路坡度和车辆状态信息，利用MPC控制算法，计算无人驾驶车辆的目标速度和目标方向盘转角，所述车辆状态信息包括：无人驾驶车辆的当前车速和当前方向盘转角；
所述控制模块，还用于利用所述目标速度对无人驾驶车辆进行纵向控制，以及，利用所述目标方向盘转角对无人驾驶车辆进行横向控制。
8.根据权利要求7所述的一种基于高精度地图对无人驾驶车辆进行控制的系统，其特征在于，所述感知模块包括：一个主激光雷达、两个补盲激光雷达以及两个毫米波雷达，所述主激光雷达设置于无人驾驶车辆车顶上方，两个补盲激光雷达分别设置于无人驾驶车辆左前侧和右前侧，两个毫米波雷达分别设置于无人驾驶车辆的前侧和后侧。
9.根据权利要求7所述的一种基于高精度地图对无人驾驶车辆进行控制的系统，其特征在于，所述惯导设备包括GNSS和IMU，所述GNSS用于获取无人驾驶车辆的车辆位置信息，所述IMU用于获取无人驾驶车辆的车辆姿态信息。
10.根据权利要求7所述的一种基于高精度地图对无人驾驶车辆进行控制的系统，其特征在于，所述无人驾驶车辆为线控车辆。
CN202210814781.2A 2022-07-12 2022-07-12 基于高精度地图对无人驾驶车辆进行控制的方法及系统 Pending CN115183792A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210814781.2A CN115183792A (zh) 2022-07-12 2022-07-12 基于高精度地图对无人驾驶车辆进行控制的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210814781.2A CN115183792A (zh) 2022-07-12 2022-07-12 基于高精度地图对无人驾驶车辆进行控制的方法及系统

Publications (1)

Publication Number Publication Date
CN115183792A true CN115183792A (zh) 2022-10-14

Family

ID=83517059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210814781.2A Pending CN115183792A (zh) 2022-07-12 2022-07-12 基于高精度地图对无人驾驶车辆进行控制的方法及系统

Country Status (1)

Country Link
CN (1) CN115183792A (zh)

Similar Documents

Publication Publication Date Title
EP3932761A1 (en) Vehicle abnormal lane change control method, device and system
CN107380161B (zh) 一种辅助驾驶员实现理想行驶轨迹的主动转向控制装置
Hima et al. Trajectory tracking for highly automated passenger vehicles
US20050200088A1 (en) Vehicle stability control system
US20230211786A1 (en) Path-controlling module, associated path-controlling device and associated method
CN109733398A (zh) 具有稳定性主动控制的自适应巡航系统及控制方法
CN110116732A (zh) 一种考虑轮胎侧偏刚度变化的车辆侧向稳定控制方法
Vivek et al. A comparative study of Stanley, LQR and MPC controllers for path tracking application (ADAS/AD)
US11654966B2 (en) Method for controlling the lateral position of a motor vehicle
US9180880B2 (en) Driving force control system for vehicle
WO2022266824A1 (zh) 一种转向控制方法及装置
US20210053617A1 (en) Control device and steering device
Hassanzadeh et al. Path and speed control of a heavy vehicle for collision avoidance manoeuvres
US20230131835A1 (en) Apparatus for controlling autonomous driving of independent driving electric vehicle and method thereof
WO2011086698A1 (ja) 車両制御装置
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
JP5158514B2 (ja) 車両
CN114435399B (zh) 基于预测模型的自动驾驶汽车稳定性路径跟踪方法
CN115183792A (zh) 基于高精度地图对无人驾驶车辆进行控制的方法及系统
US11794751B2 (en) Pro-active trajectory tracking control for automated driving during elevation transitions
CN114620033A (zh) 一种基于前轮反馈控制的泊车入库控制方法
JP5158515B2 (ja) 車両
CN114044003A (zh) 前后双轴转向车辆的循迹控制方法
CN112026759A (zh) 一种具有多模式切换的电动智能汽车避撞装置及方法
JP7430214B2 (ja) 制御演算装置

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