CN115366914A - 基于模型预测控制的自动驾驶车辆控制方法、设备及介质 - Google Patents

Abstract

本发明公开了一种基于模型预测控制的自动驾驶车辆控制方法、电子设备及存储介质。该基于模型预测控制的自动驾驶车辆控制方法，包括利用机会约束规划模型对所述模型预测控制的约束条件进行优化的步骤，该步骤包括：S101、计算目标驾驶员的个性化驾驶操作特征的概率分布；S102、根据所述概率分布及置信度，构建个性化约束条件。本发明能够实现自动驾驶车辆的轨迹跟踪控制的个性化约束，能够体现出驾驶员的操作个性。

Description

基于模型预测控制的自动驾驶车辆控制方法、设备及介质

技术领域

本发明属于自动驾驶控制领域，涉及一种自动驾驶车辆的控制方法、电子设备及存储介质。

背景技术

随着汽车产业的不断发展和汽车保有量的迅速攀升，汽车在带来出行方便的同时也造成了交通事故、交通拥堵等问题。自动驾驶车辆的发展为这些问题提供了新的解决方案。自动驾驶车辆的发展将升级我国传统交通体系，改变人-车-路之间的关系。在现有研究中，自动驾驶车辆的决策和规划较少考虑不同驾驶员之间的差异性。在实际的道路交通中，不同驾驶员的车辆操作特点是不同的。因此，有必要分析驾驶员的实际操作数据，研究驾驶员的个性化特征，根据个性化特征设计、开发个性化的自动驾驶车辆决策、规划和控制系统。从驾驶员风格的角度探究交通安全逐渐成为一个研究热点。

当前个性化驾驶的研究还主要停留在驾驶风格研究的层面。传统的基于评价量表及调查问卷的驾驶风格研究方法有很强的主观性，研究结果不可避免的存在偏差。国内外研究者转而利用更为客观的实际行车数据来提取驾驶员的操作特性，据此进行驾驶风格研究。当前，智能交通系统正在向更为精细的个性化方向发展，寻求为驾驶员/乘员提供个性化的服务。因此，仅仅局限于某种或几种驾驶风格的分类不能满足这个发展趋势的需求，需针对不同驾驶员的操作特征，研究其个性化特征。

发明内容

针对上述问题，本发明提供一种基于模型预测控制的自动驾驶车辆控制方法、电子设备及存储介质，实现自动驾驶车辆的轨迹跟踪控制的个性化约束，能够体现出驾驶员的操作个性。

为达到上述目的，本发明采用如下的技术方案：

一种基于模型预测控制的自动驾驶车辆控制方法，包括利用机会约束规划模型对所述模型预测控制的约束条件进行优化的步骤，该步骤包括：

S101、计算目标驾驶员的个性化驾驶操作特征的概率分布；

S102、根据所述概率分布及置信度，构建个性化约束条件。

优选地，步骤S102中，构建跟驰场景下的个性化约束条件如下：

其中，T_max和T_min分别表示目标驾驶员的最小和最大车头时距，Θ_T和Θ_a分别表示跟驰场景下目标驾驶员车头时距极限值和纵向加速度极限值的概率分布，β表示置信度，T_t表示车辆当前时刻t的车头时距，a(t)表示车辆当前时刻t的纵向加速度，a_max表示目标驾驶员的最大纵向加速度。

优选地，步骤S102中，构建换道场景下的个性化约束条件如下：

其中，r(t)表示车辆当前时刻t的摇摆角加速度，r_max表示目标驾驶员的横摆角加速度的最大值，Θ_r表示换道场景下目标驾驶员的横摆角加速度极限值的概率分布，β表示置信度。

优选地，步骤S101中，所述目标驾驶员的个性化驾驶操作特征包括跟驰场景下的车头时距和纵向加速度及转弯场景下的横摆角加速度。可选地，通过对目标驾驶员的驾驶操作历史数据进行分析，获得这些个性化驾驶操作特征。

优选地，步骤S101中，分别根据车头时距极限值、纵向加速度极限值、横摆角加速度极限值的均值和方差计算车头时距极限值、纵向加速度极限值、横摆角加速度极限值的概率分布。

优选地，步骤S103中，将所述个性化约束条件引入MPC控制模块中，由所述MPC控制模块输出横向控制量和纵向控制量，所述横向控制量包括前轮转角，所述纵向控制量包括期望速度和加速度。

优选地，所述自动驾驶车辆控制方法还包括如下步骤：

S201、基于上一个时刻的预测位置和当前时刻车辆的实际位置的偏差值对车辆的横向控制量进行反馈修正。

通过引入反馈通道，利用被控车辆的运动偏差，对MPC进行反馈调节，消除控制器的稳态误差。

更优选地，所述自动驾驶车辆控制方法还包括如下步骤：

S202、根据模型预测控制算法输出的目标车速和目标加速度，利用下层的PID控制器转换为车辆的修正后的纵向控制量。

优选地，所述自动驾驶车辆控制方法还包括如下步骤：

S300、根据是否存在障碍物及车辆的前轮转角，对车辆的控制模式进行切换；

若车辆的前轮转角小于设定阈值且不存在障碍物时，纵向控制的权重大于横向控制；

若车辆的前轮转角大于所述设定阈值且不存在障碍车辆时，横向控制的权重大于纵向控制；

若车辆的前轮转角大于所述设定阈值且存在障碍车辆时，对车辆进行横向控制并兼顾避撞。

在不同的驾驶场景中，车辆对横纵向控制的需求不一样。根据是否有障碍物和车辆的前轮转角大小，对车辆的控制模式进行切换，在转向-直行-转向的切换过程中控制效果更平稳，避免在场景切换的过程中有横纵向运动的震荡。

本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的自动驾驶车辆控制方法。

本发明还提供一种存储介质，所述存储介质中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由处理器加载并执行以实现如上所述的自动驾驶车辆控制方法。

本发明采用以上方案，相比现有技术具有如下优点：

本发明的自动驾驶车辆的控制方法及控制系统，充分考虑了驾驶员的个性化特征，基于机会约束模型将不同驾驶员的操作特性引入到MPC控制算法之中，使自动驾驶能够体现驾驶员的操作个性，在很大程度上提高了人们对自动化驾驶的信赖度，并且促进了自动驾驶车辆的个性化控制的发展。

附图说明

为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。

图1为根据本发明实施例的对车辆轨迹跟踪控制的个性化约束构建的流程图。

图2为根据本发明实施例的控制框架图。

图3为根据本发明实施例的控制模式切换决策图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域的技术人员理解。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。

如前所述，鉴于现有技术的缺陷，本案发明人经长期研究和大量实践，得以提出本发明的技术方案。通过应连同所附图式一起阅读的以下具体实施方式将更完整地理解本发明。本文中揭示本发明的详细实施例；然而，应理解，所揭示的实施例仅具本发明的示范性，本发明可以各种形式来体现。因此，本文中所揭示的特定功能细节不应解释为具有限制性，而是仅解释为权利要求书的基础且解释为用于教示所属领域的技术人员在事实上任何适当详细实施例中以不同方式采用本发明的代表性基础。

除非特别定义，否则所有于此所用的技术及科学名词均与本领域技术人员所通常理解的意义相同。若于本文中所用定义与其他公开文献中所载定义有所矛盾或不一致，则应以此处所用的定义为准。

本实施例提供一种基于模型预测控制(Model Predictive Control，简称MPC)的自动驾驶车辆控制方法，充分考虑到了驾驶员的个性化特征，提出了在传统的模型预测控制算法中，基于机会约束模型将不同驾驶员的操作特性引入到MPC控制算法之中。约束条件是MPC算法控制效果的主要影响因素之一，通过分析驾驶员的操作历史数据，对MPC算法的约束条件进行优化，将驾驶员的个性化特征引入到自动驾驶车辆的轨迹跟踪控制中来，使其能够体现驾驶员的操作个性。这在很大程度上提高了人们对自动化驾驶的信赖度，并且促进了自动驾驶车辆的个性化控制的发展。

随机规划方法用来解决具有随机参数的规划问题，通过概率函数描述目标函数与约束条件中的不确定性，其中机会约束规划模型主要用于解决约束条件中含有不确定性的规划问题。因此，本发明选择该模型对MPC算法的约束条件进行优化，使其能够体现驾驶员的操作个性。该算法的核心思想是允许优化的约束条件有浮动，浮动的概率不小于某一置信水平β，其模型为：

其中，J(x,u)为MPC控制器的目标函，P表示驾驶员操作特征概率，β表示置信水平。

不同驾驶员的个性化操作特征大体服从正态分布的规律，则只需获得操作变量的均值和方差，就可以计算出对应的概率分布规律。因此，通过概率模型对MPC算法的约束条件进行优化，使其能够体现出驾驶员的个性特点。跟驰和换道是实际道路上最常见的两种工况。针对跟驰和换道，构建个性化的MPC控制约束条件。

因此，该自动驾驶车辆控制方法具体包括利用上述机会约束规划模型对所述模型预测控制的约束条件进行优化的步骤。结合图1所示，该步骤具体包括：

S100、获取目标驾驶员的驾驶操作历史数据，进行分析，获得该目标驾驶员的个性化驾驶操作特征，包括：跟驰场景下的车头时距和纵向加速度及转弯场景下的横摆角加速度。

S101、计算目标驾驶员的个性化驾驶操作特征的概率分布；具体为，根据各类个性化驾驶操作特征的均值、方差计算得到对应的概率分布，如车头时距极限值的概率分布、纵向加速度极限值的概率分布、横摆角加速度极限值的概率分布。

S102、根据所述概率分布及置信度，构建跟驰场景下及换道场景下的个性化约束条件。

具体描述如下。

1、跟驰场景下，MPC算法的个性化约束条件为

其中，T_max和T_min分别代表目标驾驶员的最小和最大车头时距，a_max表示目标驾驶员的最大纵向加速度。

整理得到个性化约束条件为：

其中，Θ_T和Θ_a分别表示跟驰场景下目标驾驶员车头时距和纵向加速度极限值的概率分布。

2、换道场景下，MPC算法的个性化约束条件为

P(r(t)≤r_max)≥β

其中，r_max为该目标驾驶员的横摆角加速度的最大值。

整理得到换道场景下的个性化约束条件为：

其中，Θ_r表示换道场景下目标驾驶员横摆角加速度极限值的概率分布。

根据驾驶员跟驰场景下个性化的加速度、车头时距和换道场景下横摆角加速度极限值的正态分布规律，通过上述方式将MPC算法中确定性约束转化为考虑随机性的概率性约束。根据给定的置信度β，通过体现驾驶员个性特征变量的概率分布，把概率性的约束转化为不等式约束，即上述个性化约束条件。将这些个性化约束条件输入MPC控制器中，作为MPC算法的约束条件，输出对被控车辆的纵向及横向控制量。MPC算法如何依据约束条件输出对车辆的控制量不是本发明的核心内容，且是本领域的已知技术，在此不做赘述。

本实施例的自动驾驶车辆控制方法还包括如下步骤：

S201、基于上一个时刻的预测位置和当前时刻车辆的实际位置的偏差值对车辆的横向控制量进行反馈修正；

S202、根据模型预测控制算法输出的目标车速和目标加速度，利用下层的PID控制器转换为车辆的修正后的纵向控制量。

该自动驾驶车辆控制算法中进一步引入PID反馈通道，利用被控车辆的运动偏差，对传统的MPC算法进行反馈调节，消除控制器的稳态误差。图2示出了本实施例的反馈MPC控制方法，其中(X_p,t,Y_p,t)表示t时刻目标轨迹，δ_t表示前轮转角，Y_p,k-T、Y_k-T分别表示t时刻上一步的预测横向位置和实际横向位置，U_pid,t表示t时刻PID控制器的输出控制量，v_des表示期望速度，a_des表示期望加速度，T_t表示输出的被控车辆的纵向控制量，V_t表示被控车辆t时刻的纵向速度。参照图2所示，规划器1输出t时刻的目标轨迹(X_p,t,Y_p,t)，MPC前馈控制器2基于该轨迹进行一个前馈控制，输出对被控车辆3横向控制量前轮转角δ_t和纵向控制量期望速度v_des、加速度a_des。进一步地，引入PID反馈通路，利用横向控制偏差值U_pid,t来修正MPC输出的控制量δ_t。具体地，PID控制器4基于上一个时刻t-1的预测位置和本时刻t车辆的实际位置的偏差值U_pid,t对横向控制量δ_t进行反馈修正，修正后的横向控制量为δ_t+U_pid,t。在纵向控制上，MPC前馈控制器2输出目标车速v_des和目标加速度a_des；根据纵向目标速度和加速度，利用一个下层的PID控制器，将其转化为车辆3的纵向控制量T_t(油门开度和制动缸压力)。

进一步地，所述自动驾驶车辆控制方法还包括如下步骤：

S300、根据是否存在障碍物及车辆的前轮转角，对车辆的控制模式进行切换。

在不同的驾驶场景中，车辆对横纵向控制的需求不一样。本实施例根据是否有障碍物和车辆的前轮转角大小，对车辆的控制模式进行切换。发明人基于混成自动机的模式切换控制器进行仿真，从仿真结果可知：有切换决策的控制器在转向-直行-转向的切换过程中控制效果更平稳，而没有切换的控制器在场景切换的过程中会有横纵向运动的震荡。

具体如图3所示，根据是否有障碍物和车辆的前轮转角值δ_real，在不同的交通环境下对车辆的控制模式进行切换。具体地，设置一个阈值δ_threshold，当δ_real<δ_threshold并且没有障碍车辆时，控制器纵向控制的权重更大；当δ_real>δ_threhold且没有障碍车辆时，控制器横向控制的权重更大；当δ_real>δ_threhold且有障碍时除了横向控制，纵向车辆控制器也要兼顾避撞。

本实施例提出了在传统的模型预测控制算法中引入PID反馈通道，提高传统MPC算法的动态和稳态性能；设计了面向典型驾驶场景的控制器切换方法，能够在面对不同场景时，切换控制器，提高控制器对环境的适应性。充分考虑到了驾驶员的个性化特征，基于机会约束模型将不同驾驶员的操作特性，以约束的形式引入到MPC算法之中。使控制的结果能够体现出个性化的特征。

本实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上所述的自动驾驶车辆控制方法。

本发明还提供一种存储介质，所述存储介质中存储有至少一条指令或者至少一段程序，所述至少一条指令或者所述至少一段程序由处理器加载并执行以实现如上所述的自动驾驶车辆控制方法。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (10)

1.一种基于模型预测控制的自动驾驶车辆控制方法，其特征在于，包括利用机会约束规划模型对所述模型预测控制的约束条件进行优化的步骤，该步骤包括：

S101、计算目标驾驶员的个性化驾驶操作特征的概率分布；

S102、根据所述概率分布及置信度，构建个性化约束条件。

2.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，步骤S102中，构建跟驰场景下的个性化约束条件如下：

其中，T_max和T_min分别表示目标驾驶员的最小和最大车头时距，Θ_T和Θ_a分别表示跟驰场景下目标驾驶员车头时距极限值和纵向加速度极限值的概率分布，β表示置信度，T_t表示车辆当前时刻t的车头时距，a(t)表示车辆当前时刻t的纵向加速度，a_max表示目标驾驶员的最大纵向加速度。

3.根据权利要求1或2所述的自动驾驶车辆控制方法，其特征在于，步骤S102中，构建换道场景下的个性化约束条件如下：

其中，r(t)表示车辆当前时刻t的摇摆角加速度，r_max表示目标驾驶员的横摆角加速度的最大值，Θ_r表示换道场景下目标驾驶员的横摆角加速度极限值的概率分布，β表示置信度。

4.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，步骤S101中，所述目标驾驶员的个性化驾驶操作特征包括跟驰场景下的车头时距和纵向加速度及转弯场景下的横摆角加速度；

步骤S101中，分别根据车头时距极限值、纵向加速度极限值、横摆角加速度极限值的均值和方差计算车头时距极限值、纵向加速度极限值、横摆角加速度极限值的概率分布。

5.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，所述自动驾驶车辆控制方法还包括如下步骤：

S103、将所述个性化约束条件引入模型预测控制算法中，输出横向控制量和纵向控制量，所述横向控制量包括前轮转角，所述纵向控制量包括期望速度和加速度。

6.根据权利要求1或5所述的自动驾驶车辆控制方法，其特征在于，所述自动驾驶车辆控制方法还包括如下步骤：

S201、基于上一个时刻的预测位置和当前时刻车辆的实际位置的偏差值对车辆的横向控制量进行反馈修正。

7.根据权利要求6所述的自动驾驶车辆控制方法，其特征在于，所述自动驾驶车辆控制方法还包括如下步骤：

S202、根据模型预测控制算法输出的目标车速和目标加速度，利用下层的PID控制器转换为车辆的修正后的纵向控制量。

8.根据权利要求1所述的自动驾驶车辆控制方法，其特征在于，所述自动驾驶车辆控制方法还包括如下步骤：

S300、根据是否存在障碍物及车辆的前轮转角，对车辆的控制模式进行切换；若车辆的前轮转角小于设定阈值且不存在障碍物时，纵向控制的权重大于横向控制；若车辆的前轮转角大于所述设定阈值且不存在障碍车辆时，横向控制的权重大于纵向控制；若车辆的前轮转角大于所述设定阈值且存在障碍车辆时，对车辆进行横向控制并兼顾避撞。

9.一种电子设备，包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，其特征在于，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至8中任一项所述的自动驾驶车辆控制方法。

10.一种存储介质，所述存储介质中存储有至少一条指令或者至少一段程序，其特征在于，所述至少一条指令或者所述至少一段程序由处理器加载并执行以实现如权利要求1至8中任一项所述的自动驾驶车辆控制方法。

Images