CN115343950A

CN115343950A - 一种适应复杂路面的车辆路径跟踪控制方法及控制系统

Info

Publication number: CN115343950A
Application number: CN202210821705.4A
Authority: CN
Inventors: 徐坤; 刘德梁; 李慧云; 潘仲鸣
Original assignee: Shenzhen Institute of Advanced Technology of CAS
Current assignee: Shenzhen Institute of Advanced Technology of CAS
Priority date: 2022-07-13
Filing date: 2022-07-13
Publication date: 2022-11-15

Abstract

本发明提供了一种适应复杂路面的车辆路径跟踪控制方法及控制系统，方法包括：通过预设概率车辆模型的离散迭代求解车辆状态量，并得到最优控制序列；将最优控制序列中的第一个控制量输入到真实车辆系统中，得到实际车辆状态量；基于迭代车辆状态量和实际车辆状态量之间的差值的绝对值，求解车辆的稳定性评价指标，得到当前时刻的切换策略；基于该切换策略选择一组控制器权重系数组合以及调用一个车辆误差模型。本发明的方案使无人驾驶车辆能有效应对道路的不确定性，实现了无人驾驶车辆在附着系数变化的路面以及曲率变化的路面下的路径跟踪算法的自适应性控制，有效提高智能车在复杂路面条件下的路径跟踪的稳定性。

Description

一种适应复杂路面的车辆路径跟踪控制方法及控制系统

技术领域

本发明涉及无人驾驶运动车辆控制领域，具体而言，涉及一种适应复杂路面的车辆路径跟踪控制方法及控制系统。

背景技术

真实的车辆系统是高度耦合的非线性系统。在行驶过程中会遇到因道路引起的不确定性变化，因此无人驾驶车辆在应对道路的不确定性因素时，往往容易发生如偏离轨迹、轮胎打滑失去转向能力等车辆失控现象。

在无人驾驶或智能驾驶车辆中，轨迹跟踪控制系统可以通过控制车辆的执行机构(如转向、驱动、制动)等，使车辆按照期望的轨迹行驶。一般可分为常规工况和极限工况两种情形。对于小侧向加速度的常规工况，采用简单的几何学、运动学模型或线性动力学模型通常可以满足需求。而在大侧向加速度下的极限工况，模型不准确可能会导致跟踪性能恶化，因此需要考虑轮胎的非线性、滑移、侧倾、俯仰运动、执行器动态特性等影响因素，建立高准确性的非线性动力学模型。但模型的复杂度增加必然会带来设计难度和计算量的增加，如何构建面向极限工况的高准确性且便于控制实现的数学模型是智能驾驶领域的一大挑战。

有方案采用神经网络模型作为车辆动力学模型，分两步，首先使用车辆动力学虚拟数据集进行神经网络模型的预训练，然后使用车辆动力学真实数据集进行神经网络模型的优化，最终拟合成基于数据驱动的车辆动力学模型。该方法采用完全黑箱车辆模型，不仅需要大量的数据做模型拟合，且对于模型的准确程度和学习安全性难以验证。

有方案采用车辆运动学模型来设计模型预测控制器，对预测模型本身并未做改变，而是通过控制器优化的控制量输入真实车辆系统反馈的误差值来模糊控制模型预测控制器权重系数。虽然能够提高一部分车辆在滑移时的路径追踪稳定性，但是对于模型预测控制器本身的优化控制量最优化并没用考虑模型的准确性。因此求解的控制量可能并不是真实场景中的最优解。

现有技术关于智能车辆的调控存在以下缺陷：

1.对于车辆模型的车辆制造误差、悬架侧倾的影响等不确定性因素上，无法实现精确建模，而车辆模型的不精确会导致预测控制量的不准确，在根本上导致车辆的运动控制不准确。

2.现有技术对于不同附着系数路面下的轮胎模型受力的建模还不够完善，致使模型预测控制器的最优化控制序列不准确，导致车辆控制出现偏差。

3.现有技术在提高控制器自适应性上主要通过控制器权重的调节，主流车辆模型预测控制算法框架的可优化项较少，所以可调控的参数较少。

发明内容

基于现有技术存在的问题，本发明提供了一种适应复杂路面的车辆路径跟踪控制方法及控制系统。具体方案如下：

一种适应复杂路面的车辆路径跟踪控制方法，包括如下：

在预设模型预测轮廓控制器中，通过预设概率车辆模型的离散迭代求解预测步长的车辆状态量，并得到当前时刻的最优控制序列；所述最优控制序列包括预测当前时刻之后多个时刻的控制量；

将所述概率车辆模型第一次迭代后的车辆状态量记为迭代车辆状态量；将最优控制序列中的第一个控制量输入到真实车辆系统中，观测真实车辆系统的实际车辆状态量；

基于迭代车辆状态量和实际车辆状态量之间的差值的绝对值，求解车辆的稳定性评价指标，并通过对稳定性评价指标进行逻辑判定分类以得到当前时刻的切换策略；

基于该切换策略选择一组控制器权重系数组合，并应用至模型预测轮廓控制器，完成所述模型预测轮廓控制器的参数调整；其中，不同的控制器权重系数组合对应着不同附着系数类型路面下的控制器模式；

基于该切换策略调用一个车辆误差模型，将该车辆误差模型更新到概率车辆模型中，完成当前时刻的车辆路径跟踪控制；其中，不同的车辆误差模型是基于不同附着系数类型路面下的车辆数据构建的。

在一个具体实施例中，所述概率车辆模型包括高斯过程模型拟合的车辆误差模型和基于轮胎侧滑考虑的车辆动力学模型。

在一个具体实施例中，所述车辆误差模型E(X_k,U_k)表达式为：

其中，GP(Z_k)表示具有五个输入维度、三个输出维度的高斯过程模型，其输出数据为

和

其中，车辆质心的位置为(x,y)，v_x、v_y为车辆质心的纵、横向速度，

为航向角速度；

所述概率车辆模型的表达式为：

其中，f(X_k,U_k)表示离散化的车辆动力学模型，

表示在k时刻下根据当前车辆状态量X_k和优化的控制量U_k递推出的下一时刻的车辆状态量。

在一个具体实施例中，每个控制量包括滞后误差、轮廓误差、朝向误差、边界误差、车辆矢量速度、路径中心线速度、加减速积极程度、转向积极程度在内的目标项；

所述控制器权重系数组合由控制量中各目标项的权重系数构成，不同目标项的权重系数之间的组合得到不同的控制器权重系数组合。

在一个具体实施例中，在模型预测轮廓控制器中，以道路中心线作为参考路径，将路径点离散化表示为集合{s₀，s₁，...，s_k，...s_max}；

每一个时刻路径点s_k都有对应的坐标[x_c(s_k)，y_c(s_k)]、航向角

轨迹半径R_c(s_k)，道路宽度W；

通过引入一个中心线速度v_c(s_k)将路径离散化s_k+1＝s_k+v_c(s_k)t，t是每个预测步长的时间，来保证车辆投影在道路中心线方向的行驶进程。

在一个具体实施例中，根据车辆与轨迹线的几何位置定义包括滞后误差e_l、轮廓误差e_c、朝向误差e_o、边界误差e_off在内的空间位姿误差；

模型预测轮廓控制器的误差优化项

为：

其中，q_c表示轮廓误差e_c的权重系数，q_l表示滞后误差e_l的权重系数，q_o表示朝向误差e_o的权重系数，q_off表示边界误差e_off的权重系数，

表示在k时刻下的车辆状态量。

在一个具体实施例中，涉及车辆矢量速度

以及路径中心线速度v_c的速度优化项

表达式如下：

其中，q_v表示车辆矢量速度为权重系数，q_ce表示路径中心线速度的权重系数。

在一个具体实施例中，关于加速积极程度τ(0＜τ＜1))、减速积极程度τ(-1＜τ＜0)和转向积极程度δ的动态优化项

表达式如下：

其中，q_τ表示加速积极程度的权重系数、q_-τ表示减速积极程度的权重系数，q_δ表示转向积极程度的权重系数。

在一个具体实施例中，切换策略的获取过程包括：

将迭代车辆状态量和实际车辆状态量之间的差值的绝对值作为原始误差表达；选择车辆行驶状态误差量；

基于预设状态量筛选矩阵，从所述原始误差表达中提取出关于所述车辆行驶状态误差量的真实误差表达；

基于所述真实误差表达构建多个稳定性评价指标；

将稳定性评价指标作为输入，选择相应的涉及模型预测轮廓控制器模式的切换策略。

在一个具体实施例中，取k时刻控制量U_k，输入到概率车辆模型得到k+1时刻的迭代车辆状态量

控制量U_k输入到真实车辆系统中观测到k+1时刻的真实车辆状态量

得到真实误差表达

的表达式为：

其中，状态量筛选矩阵B_d＝[I_3×3，0_3×3]。

在一个具体实施例中，基于所述真实误差表达构建三个稳定性评价指标，分别为Error1、Error2、Error3；

Error1是

的二范数，得到

随着车辆行驶可得到Error1序列，K＝[k，k-1，k-2，k-3，...，k-N]，N是基于k时刻使用的历史Error1序列长度，假设线性回归函数h_w(k)＝K^Tw_k，为了使回归函数与真实值更加拟合，将最小二乘拟合损失函数J定义为

w_k是每个k时刻基于过去N+1个Error1误差点的线性回归函数的导数，得到Error2_k＝w_k；

Error3是Error1的平滑处理，在每个k时刻对过去的N个Error1误差点求平均值得到Error3。

在一个具体实施例中，基于附着系数定义N种类型的附着系数类型路面；

在每种附着系数类型路面下的数据训练得到一种适用于该种附着系数类型路面的车辆误差模型；

设定N组控制器权重系数组合，每组控制器权重系数组合对应一种附着系数类型路面。

一种适应复杂路面的车辆路径跟踪控制系统，用于实现上述任一项所述的车辆路径跟踪控制方法；车辆路径跟踪控制系统包括：

车辆误差模型数据库，配置有不同附着系数路面下的车辆误差模型；

概率车辆模型，连接车辆误差模型数据库，配置有关于轮胎侧滑的车辆动力学模型，可从所述车辆误差模型数据库中调用车辆误差模型；

模型预测轮廓控制器，连接所述概率车辆模型，用于在预测步长内，以所述概率车辆模型作为预测模型，通过离散迭代对各目标项进行多目标的最优化求解，得到最优化控制序列；

控制器策略切换模块，连接所述误差模型数据库和控制器参数调整模块，用于获取迭代车辆状态量和实际车辆状态量，基于迭代车辆状态量和实际车辆状态量之间的差值的绝对值，求解车辆的稳定性评价指标，并通过对稳定性评价指标进行逻辑判定分类以得到当前时刻的切换策略，将切换策略分别输出至所述误差模型数据库和所述控制器参数调整模块；

控制器参数调整模块，连接所述模型预测轮廓控制器，配置有不同附着系数路面下的权重系数组合，用于根据切换策略输出相应的权重系数组合至所述模型预测轮廓控制器。

在一个具体实施例中，还包括真实车辆系统；

所述真实车辆系统分别连接所述模型预测轮廓控制器和所述控制器策略切换模块，用于接收所述模型预测轮廓控制器输出的最优化控制序列的第一个控制项，并检测在第一控制项的控制下得到的实际车辆状态量。

本发明具有如下有益效果：

本发明提供了一种适应复杂路面的车辆路径跟踪控制方法及控制系统，使无人驾驶车辆能有效应对道路的不确定性，实现了无人驾驶车辆在附着系数变化的路面以及曲率变化的路面下的路径跟踪算法的自适应性控制，有效提高智能车在复杂路面条件下的路径跟踪的稳定性。基于不同的路面构建相应的车辆误差模型，可根据路况调整车辆的动力学模型，使控制器可靠稳定且具备路况的自适应能力。以真实车辆系统和车辆模型对同一控制量的执行差异作为反馈，得到不同的切换策略，进而获取不同的权重系数和误差模型，实现策略的精准切换。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1是本发明实施例的车辆路径跟踪控制方法流程示意图；

图2是本发明实施例的车辆路径跟踪控制系统模块示意图；

图3是本发明实施例考虑轮胎侧偏特性的车辆动力学模型示意图；

图4是本发明实施例的稳定性评价指标的逻辑判定原理示意图；

图5是本发明实施例的仿真实验结果图。

附图标记：1-车辆误差模型数据库；2-概率车辆模型；3-模型预测轮廓控制器；4-控制器策略切换模块；5-控制器参数调整模块；6-真实车辆系统。

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，所描述的实施例仅是本发明的一部分实施例，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。

需要说明的是，本发明中的控制器模式，是指模型预测轮廓控制器的不同控制模式

实施例1

本实施例提出了一种适应复杂路面的车辆路径跟踪控制方法，能够解决无人驾驶车辆在附着系数变化的路面以及曲率变化的路面下的路径跟踪算法的自适应性控制问题，提高智能车在复杂路面条件下的路径跟踪的稳定性。车辆路径跟踪控制方法的流程示意图如说明书附图1所示。具体方案如下:

一种适应复杂路面的车辆路径跟踪控制方法，能够在每个时刻预测未来N个时刻的车辆状态量，求解出未来M个时刻的最优控制序列，基于车辆状态量和最优控制序列完成一个时刻的循环控制。每个时刻的循环包括如下步骤：

101、在预设模型预测轮廓控制器中，通过预设概率车辆模型的离散迭代求解预测步长的车辆状态量，并得到当前时刻的最优控制序列；最优控制序列中包括预测当前时刻之后多个时刻的控制量；

102、将概率车辆模型第一次迭代后的车辆状态量记为迭代车辆状态量；将最优控制序列中的第一个控制量输入到真实车辆系统中，观测真实车辆系统的实际车辆状态量；

103、基于迭代车辆状态量和实际车辆状态量之间的差值的绝对值，求解车辆的稳定性评价指标，并通过对稳定性评价指标进行逻辑判定分类以得到当前时刻的切换策略；

104、基于该切换策略选择一组控制器权重系数组合，并应用至模型预测轮廓控制器，完成模型预测轮廓控制器的参数调整；其中，不同的控制器权重系数组合对应着不同附着系数类型路面下的控制器模式；

105、基于该切换策略调用一个车辆误差模型，将该车辆误差模型更新到概率车辆模型中，完成当前时刻的车辆路径跟踪控制；其中，不同的车辆误差模型是基于不同附着系数类型路面下的车辆数据构建的。

本实施例的车辆路径跟踪控制方法需要借助特定的车辆路径跟踪控制系统完成。说明书附图2提供了一种车辆路径跟踪控制系统，系统包括车辆误差模型数据库、概率车辆模型、模型预测轮廓控制器、控制器参数调整模块、控制器策略切换模块。

需要说明的是，本实施例的车辆路径跟踪控制方法适用于复杂路面。针对车辆行驶过程最可能碰到的路面情况以及出于安全方面的考虑，构建出能够适应复杂路面状况的车辆误差模型。优选地，本实施例通过对三种不同附着系数路面下的车辆行驶数据，进行高斯过程模型训练优化，得到三种车辆误差模型。在实际应用中，可根据实际情况采取其他分类方式或分类数量进行分类。

基于附着系数定义N种类型的附着系数类型路面；在每种附着系数类型路面下的数据训练得到一种适用于该种附着系数类型路面的车辆误差模型，误差模型数据库中至少预设有N车辆误差模型。设定N组控制器权重系数组合，每组控制器权重系数组合对应一种附着系数类型路面。

具体地，采用附着系数对路面进行量化，根据不同路面的附着系数统计数据，按数值大小进行分类，分为高附着系数路面、中附着系数路面、低附着系数路面，如表1所示。

表1高、中、低附着系数路面示例表

	附着系数	路面类型
			高附着系数路面	μ<sub>1</sub>＝0.9	干燥的沥青或混凝土、潮湿混凝土
中附着系数路面	μ<sub>2</sub>＝0.6	潮湿沥青、砾石、干燥或潮湿的土路
			低附着系数路面	μ<sub>3</sub>＝0.25	冰雪、下雨天

行驶数据的收集涉及到车辆的极限状态，低附着系数路面下的实车行驶数据采集涉及到了车辆的极限工况，需要极高的门槛并且伴随车辆的侧偏打滑现象，危险性比较高，无法保障真实车辆的行驶安全问题。因此，本实施例采用高准确性车辆动力学仿真软件来代替实车进行行驶数据的采集。将路面附着系数按数值分类，在仿真环境下收集车辆行驶数据训练高斯过程车辆误差模型，生成可任意调用的车辆误差模型数据库。

按表1分类方式，将车辆动力学仿真软件中的道路路面附着系数分别设置为μ₁、μ₂、μ₃，在车辆动力学软件路线设置中，选择具有较大曲率变化的路线，路线参考现有的国际F1方程式赛车赛道，采用赛车赛道能够大限度的激发车辆的极限工况，有利于收集到车辆临界稳定区域车辆行驶数据。

在μ₁、μ₂、μ₃路面下收集的车辆行驶数据，按照车辆误差模型建模的方法，可以分别建立三个高斯过程车辆误差模型，同时在工控机中储存形成车辆误差模型数据库。三个车辆误差模型的存储方式是并联的，互相不干涉，车辆控制器每次只能调用其中的一个车辆误差模型。针对不同的附着系数路面，可以根据自定义切换策略动态的调整合适的概率车辆模型。采用多高斯过程误差模型数据库的方法拟合不同附着系数路面下的车辆模型失配误差降低了模型复杂度，避免了传统车辆动力学模型精确建模的计算复杂度，同时可以应用车辆动力学仿真环境进行训练数据的采集，经济且安全。

车辆误差模型数据库模块中预设有多个车辆误差模型。不同附着系数类型的典型路面下，采集车辆真实行驶数据和控制器预测数据，分别建立车辆在上面高、中、低等典型附着系数类型路面下的高斯过程车辆误差模型，生成车辆误差模型数据库。

具体地，作为模型预测轮廓控制器的预测模型，概率车辆模型包括高斯过程模型拟合的车辆误差模型和基于轮胎侧滑考虑的车辆动力学模型。说明书附图3给处理了考虑轮胎侧偏特性的车辆动力学模型的示意图。

其中，规定在全局坐标系X-O-Y中，车辆质心的位置为(x，y)，

为车辆的航向角，规定在车辆自身坐标系下，v_x、v_y为车辆质心的纵、横向速度，

为航向角速度，m是车辆质量，I是车辆转动惯量，L_r、L_f是车轮前后轴到质心的距离，F_f，y、F_r，y是前后轴横向轮胎力，F_f，x、F_r，x是前后轴纵向轮胎力，δ为前轮转角。得到车辆动力学模型的微分方程表达式为：

输入向量U＝[δ，τ]^T，τ∈[-1，1]代表车辆踏板的加速或减速指令，纵向驱动力F_x与τ线性相关，表示为F_x＝C_aτ，C_a是增益系数，当加速或减速时值会改变。F_f，x、F_r，x是前后轴纵向轮胎力定义为F_r，x＝ξF_x，F_f，x＝(1-ξ)F_x，ξ∈[0，1]。

使用四阶龙格库塔法(Runge-Kutta)将车辆动力学模型离散化得到：

X_k+1＝f(X_k，U_k)

车辆误差模型采用非参数建模高斯过程回归来实现，首先需要建立高斯过程模型的训练数据集，基于每个时间采样点K，定义训练数据集为

D＝{(x_i，y_i)|i＝1，2，...，n}

多维输入样本点

多维输出样本点

输出矩阵C_Y＝[0_3×3，I_3×3]。

高斯过程车辆误差模型E(X_k，U_k)表达式为：

其中，GP(Z_k)表示具有五个输入维度、三个输出维度的高斯过程模型，

和∑_k可理解为一个输出的中间变量，其输出数据为

和

由上述推导，概率车辆模型表示为

其中，f(X_k，U_k)表示离散化的车辆动力学模型，

表示在k时刻下根据当前车辆状态量X_k和优化的控制量U_k递推出的下一时刻车辆状态量。在模型预测控制器中，在任意k时刻，可根据当前车辆状态量X_k和优化的控制量U_k递推下一时刻车辆状态量

步骤101，将概率车辆模型应用到模型预测轮廓控制器中，通过概率车辆模型的离散迭代，可以求解每个预测步长的车辆状态量，用于模型预测轮廓控制器在预测步长内按优化项和约束项执行多目标优化任务，求解最优控制序列。

优选地，每个控制量包括滞后误差、轮廓误差、朝向误差、边界误差、车辆矢量速度、路径中心线速度、加减速积极程度、转向积极程度在内的目标项。控制器权重系数组合由控制量中各目标项的权重系数构成，不同目标项的权重系数之间的组合得到不同的控制器权重系数组合。

模型预测轮廓控制器中的较多的权重系数，可以对控制器的优化任务做更加细致的需求定义，同时预先设置完成的三组控制器权重系数组合可切换方式应对附着系数路面的权重系数组合，使控制器可靠稳定且具有自适应性，相比于模糊控制器实时调整控制权重系数方法中需要设置专家经验规则的方式，本实施例的方案更加的简单高效。

在模型预测轮廓控制器中，对滞后误差、轮廓误差、朝向误差、边界误差、路径中心线速度、加减速积极程度、转向积极程度等目标项，在预测步长内以上述各目标项进行多目标的最优化求解，得到最优化控制序列。

本实施例的控制器参考模型预测轮廓控制算法框架，以道路中心线作为参考路径，将路径点离散化表示为集合{s₀，s₁，...，s_k，...s_max}；每一个时刻路径点s_k都有对应的x-y轴坐标[x_c(s_k)，y_c(s_k)]、航向角

轨迹半径R_c(s_k)，道路宽度W；通过引入一个中心线速度v_c(s_k)，该速度保证车辆投影保证车辆投影在中心线方向的行驶进程。将路径离散化为：

s_k+1＝s_k+v_c(s_k)t

其中，t是每个预测步长的采样时间，得到轨迹序列为：s₀，s₁，...，s_k，...

在本实施例中，各目标项包括误差优化项、速度优化项以及动态优化项，综合各目标项定义成本函数。

根据车辆与轨迹线的几何位置定义包括滞后误差e_l、轮廓误差e_c、朝向误差e_o、边界误差e_off在内的空间位姿误差。

滞后误差e_l为：

轮廓误差e_c为：

朝向误差e_o为：

边界误差e_off为：

将上述各项误差整合得到模型预测轮廓控制器的几何误差优化项，误差优化项

为：

表示在k时刻下的车辆状态量。

在车辆速度优化任务中设置车辆速度优化项，具体涉及车辆矢量速度

以及路径中心线速度v_c，速度优化项

表达式如下：

其中，q_v表示车辆矢量速度为权重系数，q_ce表示路径中心线速度的权重系数，

是车辆矢量速度的2范数；v_c是中心线速度，可通过权重系数调整车辆速度优化策略。

动态优化项可通过调整控制项的权重系数来改变控制量变化的积极程度，包括加速积极程度、减速积极程度和转向积极程度。关于加速积极程度τ(0＜τ＜1))、减速积极程度τ(-1＜τ＜0)和转向积极程度δ的动态优化项

表达式如下：

根据上述说明的各优化项，本实施例给出了在t时刻下，车辆状态量估计为X₀(t)模型预测控制器在预测步长内迭代的综合优化问题，综合考虑以上多目标，定义成本函数为：

约束条件为：

s_k+1＝s_k+v_c(s_k)t

X₀＝X(t)，s₀＝s(k)

δ_min＜δ_k＜δ_max，

-1＜τ＜1，

其中，车辆转角δ_k、加减速指令τ均有约束项，权重系数共有以下q_l、q_c、q_o、q_off、q_v、q_ce、q_δ、q_-τ、q_τ，通过不同的组合可以达到不同的优化效果。可优化调控的参数多，调控精度和调控准确度提升。通过最优化求解器(如IPOPT、FORCES PRO)进行上述优化任务，控制器可以基于当前路径规划出一条最优的行驶轨迹以及最优的控制序列。

得到最优控制序列之后，取最优控制序列中的第一个控制量。本实施例中，在每个现实时刻都做一遍算法的循环，每次都取预测步长的第一个控制量。模型会预测出当前时刻到未来M个时刻的控制量，各个时刻的控制量便构成了最优控制序列。取第一个控制量作为实际控制量，便是取当前时刻的下一个时刻的控制量。同理，记录概率车辆模型第一次迭代后的车辆状态量，也是因为第一次迭代之后的车辆状态量代表当前时刻的下一时刻的车辆状态量。之所以预测接下来多个时刻的状态，而不是仅仅预测下一时刻的状态，是为了在当前时刻做出未来多个时刻的车辆状态预测，优化出有预见性的控制序列。通过优化未来一段时间的状态求解出未来的一段时间内的最优控制，来实现预测控制的目的。取第一个控制量是考虑到未来系统遇到的情况可能会发生变化，所以每个时间都这样进行，模型预测控制里叫滚动优化。这样既保证的预测能力，又保证里系统的滚动优化的能力。

本实施例的路径跟踪控制系统中，预设有真实车辆系统。将概率车辆模型第一次迭代后的车辆状态量记为迭代车辆状态量；将最优控制序列中的第一个控制量输入到真实车辆系统中，观测真实车辆系统的实际车辆状态量。控制量中含有各种控制车辆动作的指令，真实车辆系统根据控制量产生相应的车辆状态量，通过车辆传感器获取真实车辆状态量。真实车辆状态量和迭代车辆状态量反映了现实中的车辆和车辆模型对同一指令的反应，只有反应越接近，车辆模型才能越接近现实中的车辆。因此，需要计算真实车辆状态量和迭代车辆状态量之间的差的绝对值，以此来进行车辆稳定性评价指标的定义。

切换策略的获取过程包括：将迭代车辆状态量和实际车辆状态量之间的差值的绝对值作为原始误差表达；选择车辆行驶状态误差量；基于预设状态量筛选矩阵，从原始误差表达中提取出关于车辆行驶状态误差量的真实误差表达；基于真实误差表达构建多个稳定性评价指标；将稳定性评价指标作为输入，选择相应的涉及模型预测轮廓控制器模式的切换策略。基于实时车辆状态误差数据的车辆控制器模式切换策略，通过车辆稳定性评价指标设计的车辆误差模型以及控制器权重系数组合切换规则。

车辆控制器模式的切换策略是对概率车辆模型中的车辆误差模型的调用决策以及控制器权重系数调节模块中控制器权重系数组合的选择。关于稳定性评价指标，优选地，本实施例的方案设定三种指标。关于车辆行驶状态误差量，示例性的，可选择车辆位置(x,y)和航向角

状态量误差。

已知每个k时刻的最优控制序列U_k＝{U_k,U_k+1,…,U_k+m-1}，其中，m为控制序列的长度。取k时刻控制量U_k，输入到概率车辆模型得到k+1时刻的迭代车辆状态量

得到真实误差表达

的表达式为：

其中，状态量筛选矩阵B_d＝[I_3×3,0_3×3]。通过状态量筛选矩阵B_d＝[I_3×3,0_3×3]可得到实时车辆状态关于车辆行驶状态量误差的真实误差表达。

基于真实误差表达构建三个稳定性评价指标作为切换策略的输入，分别为Error1、Error2、Error3。

第一个指标Error1是

的二范数，得到

第二个指标Error2定义如下:随着车辆行驶可得到Error1序列，K＝[k,k-1,k-2,k-3,…,k-N]，N是基于k时刻使用的历史Error1序列长度，假设线性回归函数h_w(k)＝K^Tw_k，为了使回归函数与真实值更加拟合，将最小二乘拟合损失函数J定义为：

w_k是每个k时刻基于过去N+1个Error1误差点的线性回归函数的导数，得到：

Error2_k＝w_k

第三个指标Error3是Error1的平滑处理，在每个k时刻对过去的N个Error1误差点求平均值得到Error3。

基于定义的车辆稳定性评价指标，设计基于车辆稳定性评价指标的切换规则，如图4所示，输入数据为每一采样时刻的Error1、Error2、Error3。

在预先设定的每个控制器模式下，都有对应的模型以及对应的控制器中的权重系数。逻辑判定分类具体为：

当Error1>N1或Error2>N2时，控制器判断车辆进入即将失控状态，考虑无人驾驶车辆的操控安全问题，直接切换到安全系数最高的模型3以及对应控制器权重参数称为GP3模式；GP3可理解为保守的驾驶模式。

当Error1<N3、Error2<N4、Error3<N5时，控制器判断车辆进入相对可控的状态，切换到模型2以及对应控制器权重参数称为GP2模式；GP2可理解为正常的驾驶模式。

当Error1<N6、Error3<N7时，控制器认为车辆进入可控状态，切换到模型1以及对应控制器参数称为GP1模式。GP1可理解为激进的驾驶模式。

关于N1、N2、N3、N4、N5、N6、N7之间是存在大小关系的，都是根据经验调参得到。表2给出了N1、N2、N3、N4、N5、N6、N7的示例。

表2N1、N2、N3、N4、N5、N6、N7示例表

N1	N2	N3	N4	N5	N6	N7
							0.2	0.02	0.15	0.02	0.09	0.005	0.009

表2中的参数只是示例，在实际应用中需要综合车辆、路面状况等进行调参。系统可根据实时的判断车辆稳定性评价指标的大小来选择合适的控制器模式。

得到切换策略后，切换策略会输入到控制器参数调节模块，从该模块预先设置好的多组控制器权重系数组合中，调取相应的权重系数组合应用至模型预测轮廓控制器，完成控制器的参数调整，并在下一循环的控制器优化任务中起作用。具体实现方法如下：按照前述定义的高、中、低附着系数路面，在每类路面下给控制器配置相应的高斯过程车辆误差模型，在触发车辆极限工况的赛车赛道上，使用车辆动力学仿真软件中的高保真车辆模型来模拟真实车辆，进行模型预测轮廓控制器权重系数组合的调参，对高、中、低附着系数路面分别进行控制器的权重系数组合调试，调参过程可以使用强化学习的方法，使每种路面下的车辆控制都基本保持快速稳定的行驶。将调试得到的三组控制器权重系数组合定义为激进、正常、保守三种控制器驾驶模式，以用来应对高、中、低三种附着系数路面。

基于模型预测轮廓控制框架下的多组控制器权重系数组合可切换设计，提前调试好的控制器权重系数保证了控制器的可靠稳定性，同时可切换设计增加控制器对不同附着系数路面的自适应性，简单高效。

车辆误差模型数据库接收到调用指令后，将对应的车辆误差模型输入概率车辆动力学模型中，即完成一次车辆路径跟踪控制算法的循环，即可进入下时刻的循环。采用车辆动力学模型和高斯过程车辆误差模型结合生成的概率车辆动力学模型，相比于神经网络模型作为车辆动力学模型的方式，可靠性、准确性和可解释性都具有优势，同时所需要的先验训练数据量小。

说明书附图5提供了仿真模拟示意图。通过仿真模拟证明了本实施例的车辆路径跟踪控制方法的可行性。在图5中，E点是车辆出发点，将路径EA路面附着系数设置为0.9，路径AB路面附着系数设置为0.6，路径BC路面附着系数设置为0.25，路径CD路面附着系数设置为0.9，路径DE路面附着系数设置为0.6。图中轨迹线是车辆在赛道中行驶三圈的轨迹图，颜色由蓝色到黄分别对应车辆矢量速度范围为5m/s～25m/s。可以看出，车辆在上面三种不同附着路面的道路组合条件下，没有发生失控冲出赛道的情况，证明本申请的车辆路径跟踪控制方法可以使车辆的跟踪控制适应复杂的道路。

本实施例提供了一种适应复杂路面的车辆路径跟踪控制方法，使无人驾驶车辆能有效应对道路的不确定性，实现了无人驾驶车辆在附着系数变化的路面以及曲率变化的路面下的路径跟踪算法的自适应性控制，有效提高智能车在复杂路面条件下的路径跟踪的稳定性。基于不同的路面构建相应的车辆误差模型，可根据路况调整车辆的动力学模型，使控制器可靠稳定且具备路况的自适应能力。以真实车辆系统和车辆模型对同一控制量的执行差异作为反馈，得到不同的切换策略，进而获取不同的权重系数和误差模型，实现策略的精准切换。

实施例2

本实施例提出了一种适应复杂路面的车辆路径跟踪控制系统，可实现实施例1提出的一种适应复杂路面的车辆路径跟踪控制方法，车辆路径跟踪控制系统的模块示意图如说明书附图2所示。具体方案如下:

车辆路径跟踪控制系统包括：

车辆误差模型数据库1，配置有不同附着系数路面下的车辆误差模型。按自定义的高、中、低附着系数类型路面下，采集动力学仿真环境下实车行驶数据和控制器预测数据，分别进行高、中、低等典型附着系数类型路面下高斯过程车辆误差模型的建模。

概率车辆模型2，连接车辆误差模型数据库1，配置有关于轮胎侧滑的车辆动力学模型，可从车辆误差模型数据库1中调用车辆误差模型。概率车辆模型2由考虑轮胎侧滑的车辆动力学模型和车辆误差数据库中调用的高斯过程车辆误差模型组成，作为模型预测轮廓控制器3的预测模型。

模型预测轮廓控制器3，连接概率车辆模型2，用于在预测步长内，以概率车辆模型2作为预测模型，通过离散迭代对各目标项进行多目标的最优化求解，得到最优化控制序列。通过对滞后误差、轮廓误差、朝向误差、边界误差、路径中心线速度、加减速积极程度、转向积极程度在预测步长内进行考虑上述各项的多目标的最优化求解，产生最优化控制序列。

控制器策略切换模块4，连接误差模型数据库和控制器参数调整模块5，用于获取迭代车辆状态量和实际车辆状态量，基于迭代车辆状态量和实际车辆状态量之间的差值的绝对值，求解车辆的稳定性评价指标，并通过对稳定性评价指标进行逻辑判定分类以得到当前时刻的切换策略，将切换策略分别输出至误差模型数据库和控制器参数调整模块5。使用实际车辆状态量和预测模型得到的车辆状态量的差值的绝对值作为原始误差数据，选择适合的车辆行驶状态误差量，例如使用车辆位置(x,y)和航向角

状态量误差。车辆控制器模式切换策略是对概率车辆模型2中的车辆误差模型的调用决策以及控制器权重系数调节模块中控制器权重系数组合的选择。使用的原始误差数据是实际车辆状态量和迭代车辆状态量的差值的绝对值，以此来进行车辆稳定性评价指标的定义。

控制器参数调整模块5，连接模型预测轮廓控制器3，配置有不同附着系数路面下的权重系数组合，用于根据切换策略输出相应的权重系数组合至模型预测轮廓控制器3。可以根据车辆行驶过程中返回的实时误差数据来通过规则合理的调整权重系数，以达到不同权重系数组合的控制器效果。

真实车辆系统6，分别连接模型预测轮廓控制器3和控制器策略切换模块4，用于接收模型预测轮廓控制器3输出的最优化控制序列的第一个控制项，并检测在第一控制项的控制下得到的实际车辆状态量。

本领域普通技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个计算装置上，或者分布在多个计算装置所组成的网络上，可选地，他们可以用计算机装置可执行的程序代码来实现，从而可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件的结合。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。