CN115454086A - 一种基于模型预测控制算法的车辆主动避撞控制方法 - Google Patents

一种基于模型预测控制算法的车辆主动避撞控制方法 Download PDF

Info

Publication number
CN115454086A
CN115454086A CN202211179305.4A CN202211179305A CN115454086A CN 115454086 A CN115454086 A CN 115454086A CN 202211179305 A CN202211179305 A CN 202211179305A CN 115454086 A CN115454086 A CN 115454086A
Authority
CN
China
Prior art keywords
vehicle
control
information
collision avoidance
time domain
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
CN202211179305.4A
Other languages
English (en)
Inventor
刘志强
张晴
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.)
Jiangsu University
Original Assignee
Jiangsu University
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 Jiangsu University filed Critical Jiangsu University
Priority to CN202211179305.4A priority Critical patent/CN115454086A/zh
Publication of CN115454086A publication Critical patent/CN115454086A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开一种基于模型预测控制算法的车辆主动避撞控制方法，包括步骤：S1、采集被控车辆信息、车辆位置信息和全局路径信息；S2、建立避障功能函数；S3、基于点质量模型建立的非线性车辆运动学模型；S4、得到的车辆避撞轨迹；S5、基于二自由度车辆动力学模型的建立状态预测模型；S6、得到车辆前轮转角控制量发送给被控车辆，实现避撞轨迹跟踪控制；S7、建立预测时域控制律更新预测时域值，传递给主动避撞控制器，实现主动转向避撞控制。本发明以模型预测控制算法为基础，实现了自主绕过障碍物和跟踪控制。同时充分考虑了控制器中预测时域与速度之间的关系，不仅进一步提升了控制器的控制精度，还提高了控制器的适应性和稳定性。

Description

一种基于模型预测控制算法的车辆主动避撞控制方法
技术领域
本发明涉及汽车主动安全领域，具体涉及一种基于模型预测控制的车辆主动避撞控制方法。
背景技术
随着我国汽车保有量的快速增长，交通事故频发、城市交通拥堵等现象日益严重。据统计，在所有的交通事故中，归因于汽车碰撞事故占有较大的比例(60-70％)，如果驾驶员能够在发生交通事故之前就提醒驾驶员注意危险并采取必要的安全措施，对于降低交通事故率必将非常有用，汽车主动避障控制系统是实现这一功能的有效手段。
汽车主动避撞控制系统主要通过传感系统获知车辆行驶前方道路交通环境，结合车辆自身行驶状态(车速、路面状况等)判断前方是否存在安全隐患，并发出相应的提示或报警信息，必要时控制系统主动接管驾驶员的工作，控制车辆自动避开障碍物，保证车辆安全。在智能汽车领域，车辆主动避撞控制技术的研究具有广阔的应用前景，具有重要的科学研究价值，具有强大的市场竞争力。
近年来，国内外学者对智能汽车的避障路径规划和轨迹跟踪控制问题上开展了大量的研究，在避障轨迹规划方面常采用五次多项式、几何路径规划以及人工势能算法等方法实现车辆避障路径规划；常采用的控制方法主要有模型预测控制算法、预瞄前馈和状态反馈控制算法等。但由于智能驾驶汽车运行环境的复杂多变性，已有的研究和实际运用之间仍有较大差距，在技术上仍有一些问题需要进一步研究，主要归纳如下：
主动避撞对于障碍物信息考虑不足。通常障碍物在主动避撞系统设计中被视为一个点或者一块区域，通过安全距离模型来评价障碍物与车辆的相对位置关系，而实际转向避撞过程中，要求控制系统不仅能够自主绕过障碍物，同时能够尽快回到预期的行驶轨迹或者区域，显然简单的障碍物位置信息不能同时满足避障和快速跟踪的需求。
避撞路径规划适用度低。对于多数侧向避撞系统而言，其避撞路径大多都是预先设置的，或者路径规划计算复杂，对于驾驶环境的变化应对能力不足，无法根据车辆状态和环境变化改变路径，不能保证智能车辆能准确处理任何避撞轨迹跟踪问题。
跟踪控制器控制参数缺乏可变性。模型预测控制算法的控制参数主要包括预测时域、控制时域和采样参数，三者对控制器的跟踪控制精度有着一定的影响，但是目前大多数学者在使用模型预测控制算法研究跟踪问题时，常使用固定控制参数的控制器，无法有效的保证控制器在不同速度下的跟踪控制精度。
发明内容
本发明针对以上现有技术存在的问题，从车辆模型、轨迹规划方法以及轨迹跟踪控制分层设计三个方面进行主动避撞控制研究，提出一种在保证控制系统精度的同时，又降低控制系统复杂程度，提高控制器的适应性的主动避撞控制方法具体如下。
一种基于模型预测控制算法的主动避撞控制方法，包括如下步骤：
S1：利用车载摄像机、毫米波雷达、车载导航设备获取被控车辆信息、车辆定位信息以及障碍物信息，并采集车辆行驶道路信息获得全局路径路信息，作为车辆行驶的参考轨迹。
S2：获取车辆避撞轨迹规划所需的信息后，根据道路信息、障碍物信息，被控车辆信息得到被控车辆与障碍物之间的距离偏差，综合考虑车辆速度和避撞权重对避让障碍物的影响，建立避障功能函数。
S3：建立局部避撞轨迹规划器；局部避撞轨迹规划器将基于点质量模型建立的非线性车辆运动学模型作为模型预测控制算法的预测模型；
S4：结合避障功能函数，加入车辆软约束，设定目标函数，得到的车辆避撞过程的位置坐标，从而得到规划好的避撞轨迹。
S5：根据车辆当前状态信息，建立二自由度车辆动力学模型，通过泰勒公式线性化以及前向欧拉离散化，得到离散化的线性车辆动力学模型，作为下层跟踪控制器中模型预测控制算法的预测模型。
S6：结合车辆动力学约束条件，以前轮转角增量作为控制量，设计目标函数，采用模型预测控制算法，求解得到最优前轮转角控制量，输入给被控车辆，实现避撞轨迹跟踪控制。
S7：建立预测时域控制律，通过仿真测试，建立车辆速度与预测时域之间的函数关系，从而根据当前车辆速度实时更新预测时域值，传递给上层避撞轨迹规划器，联合下次轨迹跟踪控制器，实现车辆的主动转向避撞控制。
进一步，所述S1中，被控车辆信息包括被控车辆当前状态运行信息；障碍物信息，包括障碍物的数量、大小、位置；所述车辆定位信息包括角度信息、加速度信息、速度信息以及位置信息。
进一步，所述S2中，避障功能函数的建立。通过车载设备获取自车信息，通过毫米波雷达获取前方障碍物信息以及位置关系，通过车载传感器获取自车的速度信息由此建立避障功能函数。
进一步，所述S3中，利用车辆状态信息、车辆位置信息以及点质量模型，建立针对车辆当前时刻运行状态的车辆运动学状态方程，使用前向欧拉离散化得到离散的非线性车辆运动学状态方程。
进一步，所述S4中包括如下步骤：
S4.1.使用侧向加速度作为车辆软约束；
S4.2.根据车辆当前时刻运行状态的车辆运动学状态方程，结合车辆软约束以及避障功能函数，以侧向加速度为控制量，设置上层非线性模型预测控制器的目标函数具体形式如下：
Figure BDA0003865952390000031
s.t·amin≤av(j)≤amax，(j＝1，2，…Nc)
式中：k表示k时刻，Q、R分别为输出权重矩阵和控制量权重矩阵，Nc为控制时域，Np为预测时域，χ(k+i|k)为预测轨迹点，χref(k+i|k)为参考轨迹点；ay为侧向加速度；Jobs,i为采样时刻i的避障功能函数；ρ为松弛因子权重，ε为不为零的正数，用于防止出现分母为0的现象；amin、amax分别表示侧向加速度的最小值和最大值，其中避障功能函数具体形式如下：
Figure BDA0003865952390000032
式中：Sobs为避障权重系数；
Figure BDA0003865952390000033
为i时刻车辆速度；(x0,y0)为要避开障碍物时车辆的目标位置；(xi,yi)为i时刻车辆位置；γ为障碍物与车辆航向的夹角信息，用来表示障碍物相对于车辆的位置；
S4.3.将目标函数转化为二次规划(QP)问题，利用有效集法行最优求解，滚动优化得到一系列最优侧向加速度控制量，进而得到离散的规划轨迹数据点；
S4.4.将所得到的离散的数据点，选取五次多项式拟合得到的局部路径的横坐标和横摆角，以下列形式传递给跟踪控制层。
Figure BDA0003865952390000041
Figure BDA0003865952390000042
式中：X为预测时域内车辆在大地坐标系下的纵向位移；ci和di分别为下层参考轨迹拟合系数和参考横摆角拟合系数。
进一步，所述S6包括如下步骤：
S6.1.根据建立的当前时刻车辆预测模型，以前轮转角增量为控制量，设置模型预测控制算法的目标函数，形式如下：
Figure BDA0003865952390000043
其中，
Figure BDA0003865952390000044
为车辆状态信息；
Figure BDA0003865952390000045
为车辆在k-1时刻的控制输入量；控制时域内的控制增量ΔU(k)；δf,k和Δδf,k分别为k时刻前轮转角控制量和前轮转角控制增量；硬约束yh包括轮胎侧偏角约束、质心侧偏角约束以及轮胎侧偏角约束；Δη(k+i|k)为预测时域内实际输出与已知参考轨迹之差；
Figure BDA0003865952390000046
为k+i时刻的控制增量，
Figure BDA0003865952390000047
为车辆在k+i的控制输入量；δf,min、δf,max分别为车辆前轮转角最小与最大；Δδf,min、Δδf,max分别为车辆前轮转角增量最小值和最大值；yh,min、yh,max分别为硬约束的最小值和最大值；Q、R分别为输出权重矩阵和控制量权重矩阵；ρ是权重系数，ε是系统松弛因子；
S6.2.将目标函数转化成二次规划问题，利用内点法对二次规划问题进行求解，求解得到控制时域内的控制增量ΔU(k)＝[Δu*(k),Δu*(k+1),…,Δu*(k+Nc-1)]，将控制增量序列的第一个元素作为受控对象的实际控制量，当来到下一个时刻k+1时，重复上述过程，如此滚动地完成一个个带约束的优化问题，以实现对被控对象的持续控制。
进一步，所述S7中，通过聚类分析及综合评价得到预测时域与速度之间函数关系，建立预测时域控制律，根据当前车辆速度实时更新预测时域值输入主动避撞控制器，实现车辆的主动转向避撞控制。函数形式如下：
Figure BDA0003865952390000051
其中：Np为预测时域值，v为车辆实际速度值。
与现有方法相比，本方面的有点主要体现在以下几个方面：
本发明所提出的一种车辆主动避撞控制方法，以双层模型预测控制算法为基础，建立主动避撞控制器，实现了自主绕过障碍物和跟踪控制。同时充分考虑了控制器中预测时域与速度之间的关系，不仅进一步提升了控制器的控制精度，还提高了控制器的适应性和稳定性。
此外本发明也给同领域研究提供了参考方法，可以以此为基础进一步延伸到其他相关避撞控制领域，具有很高的实用性及推广价值。
附图说明
图1基于模型预测控制算法的主动避撞控制方法构架；
图2传感模块；
图3MPC局部避障轨迹规划器示意图；
图4惩罚函数示意图；
图5障碍物与车辆之间位置关系示意图；
图6MPC轨迹跟踪控制器示意图；
具体实施方式
本发明提出一种基于模型预测控制算法的主动避撞控制方法，其具体构架如图1所示，其步骤在于：
S1：利用车载摄像机、毫米波雷达、车载设备获取被控车辆信息、车辆定位信息以及前方障碍物信息，并采集车辆行驶道路信息获得路段信息，作为车辆行驶的初步全局参考轨迹。
其中被控车辆信息包括被控车辆当前状态运行信息；障碍物信息，包括障碍物的数量、大小、位置；所述车辆定位信息包括角度信息、加速度信息、速度信息以及位置信息。
S2：获取车辆避撞轨迹规划所需的信息后，根据道路信息、障碍物信息，被控车辆信息建立基于惩罚函数的避障功能函数。此处，通过车载设备获取自车信息，通过毫米波雷达获取前方障碍物信息以及位置关系，通过车载传感器获取自车的速度信息由此建立避障功能函数。
S3：利用车辆状态信息、车辆位置信息以及点质量模型，建立针对车辆当前时刻运行状态的车辆运动学状态方程，使用前向欧拉离散化得到离散的非线性车辆运动学状态方程，作为主动避撞控制器上层规划器模型预测控制算法的预测模型，图3所示。
S4：根据基于惩罚函数，考虑车辆运行速度、避障系数以及车辆与障碍物的位置关系，建立避障功能函数。其中惩罚函数示意图以及障碍物与车辆之间位置关系示意图如图4和图5所示；使用侧向加速度作为车辆软约束，根据车辆当前时刻运行状态的车辆运动学状态方程，结合车辆软约束以及避障功能函数，以侧向加速度为控制量，设置上层非线性模型预测控制器的目标函数具体形式如下：
Figure BDA0003865952390000061
s.t.amin≤av(j)≤amax，(j＝1，2，…Nc)
式中：k表示k时刻，Q、R分别为输出权重矩阵和控制量权重矩阵，Nc为控制时域，Np为预测时域，χ(k+i|k)为预测轨迹点，χref(k+i|k)为参考轨迹点；ay为侧向加速度；Jobs,i为采样时刻i的避障功能函数；ρ为松弛因子权重，ε为不为零的正数，用于防止出现分母为0的现象；amin、amax分别表示侧向加速度的最小值和最大值。其中避障功能函数具体形式如下：
Figure BDA0003865952390000071
式中：Sobs为避障权重系数；
Figure BDA0003865952390000072
为i时刻车辆速度；(x0,y0)为要避开障碍物时车辆的目标位置；(xi,yi)为i时刻车辆位置；γ为障碍物与车辆航向的夹角信息，用来表示障碍物相对于车辆的位置；
S4.1.将目标函数转化为二次规划(QR)问题，利用有效集法行最优求解，得到最优侧向加速度控制量，进而得到离散的规划轨迹数据点。
S4.2.将所得到的离散的数据点，选取五次多项式拟合得到的局部路径的横坐标和横摆角，以下列形式传递给跟踪控制层，工作流程如图3所示。
Figure BDA0003865952390000073
Figure BDA0003865952390000074
式中：X为预测时域内车辆在大地坐标系下的纵向位移；ci和di分别为下层参考轨迹拟合系数和参考横摆角拟合系数。
S5：根据车辆当前状态信息，建立二自由度车辆动力学模型，通过泰勒公式线性化以及前向欧拉离散化，得到离散化的线性车辆动力学模型，作为下层跟踪控制器中模型预测控制算法的预测模型，所述预测模型具体形式如下：
Figure BDA0003865952390000075
式中：
Figure BDA0003865952390000076
Figure BDA0003865952390000077
为车辆在k时刻的状态量，
Figure BDA0003865952390000078
为车辆在k-1的控制输入量；Ck为输出矩阵系数，
Figure BDA0003865952390000079
为k时刻控制增量，对整个预测时域Np内控制输出进行迭代，得到k时刻输出矩阵Yc表达式为：
Figure BDA00038659523900000710
式中：Ψk和Θk为状态矩阵和输出矩阵权重，ΔU(k)为控制时域内的控制增量。
S6：结合车辆动力学约束条件，以前轮转角增量作为控制量，设计目标函数，采用模型预测控制算法，求解出最优前轮转角控制量，输入给被控车辆，实现实时避撞轨迹跟踪控制，具体流程如图6所示。
所述S6具体步骤如下：
S6.1.根据车辆状态信息及车辆定位信息建立当前时刻车辆状态矩阵，以前轮转角增量为控制量，设置模型预测控制算法的目标函数，形式如下：
Figure BDA0003865952390000081
其中，
Figure BDA0003865952390000082
为车辆状态信息；
Figure BDA0003865952390000083
为车辆在k-1时刻的控制输入量；控制时域内的控制增量ΔU(k)；δf,k和Δδf,k分别为k时刻前轮转角控制量和前轮转角控制增量；硬约束yh包括轮胎侧偏角约束、质心侧偏角约束以及轮胎侧偏角约束；Δη(k+i|k)为预测时域内实际输出与已知参考轨迹之差；
Figure BDA0003865952390000084
为k+i时刻的控制增量，
Figure BDA0003865952390000085
为车辆在k+i的控制输入量；δf,min、δf,max分别为车辆前轮转角最小与最大；Δδf,min、Δδf,max分别为车辆前轮转角增量最小值和最大值；yh,min、yh,max分别为硬约束的最小值和最大值；Q、R分别为输出权重矩阵和控制量权重矩阵；ρ是权重系数，ε是系统松弛因子；
S6.2.将目标函数转化成二次规划问题，利用内点法对二次规划问题进行求解，得到车辆前轮转角变化量，具体转化形式如下：
Figure BDA0003865952390000086
式中：
Figure BDA0003865952390000091
为正定矩阵；
Figure BDA0003865952390000092
为约束矩阵；Q、R分别为输出权重矩阵和控制量权重矩阵；ΔU(k)为控制时域内的控制增量；
Figure BDA0003865952390000093
为车辆状态信息；
Figure BDA0003865952390000094
为车辆在k-1时刻的控制输入量；ε是系统松弛因子，不小于0的正数。
求解得到控制时域内的控制增量ΔU(k)＝[Δu*(k),Δu*(k+1),…,Δu*(k+Nc-1)]，将控制增量序列的第一个元素当前时刻的控制量作为受控对象的实际控制量，当来到下一个时刻k+1时，重复上述过程，如此滚动地完成一个个带约束的优化问题，以实现对被控对象的持续控制。
S7：通过聚类分析及综合评价得到，建立预测时域控制律，根据当前车辆速度实时更新预测时域值输入到主动避撞控制器，提高控制器的适应性。其中预测时域与速度之间函数形式如下：
Figure BDA0003865952390000095
其中：Np为预测时域值，v为车辆实际速度值。
综上所述，本发明所提出的一种车辆主动避撞控制方法，以双层模型预测控制算法为基础，建立主动避撞控制器，实现了自主绕过障碍物和跟踪控制。同时充分考虑了控制器中预测时域与速度之间的关系，不仅进一步提升了控制器的控制精度，还提高了控制器的适应性和稳定性。
此外本发明也给同领域研究提供了参考方法，可以以此为基础进一步延伸到其他相关避撞控制领域，具有很高的实用性及推广价值。

Claims (7)

1.一种基于模型预测控制算法的主动避撞控制方法，其特征在于，包括以下步骤：
S1：利用车载摄像机、毫米波雷达、车载导航设备获取被控车辆信息、车辆定位信息以及障碍物信息，并采集车辆行驶道路信息获得全局路径路信息，作为车辆行驶的参考轨迹；
S2：获取车辆避撞轨迹规划所需的信息后，根据道路信息、障碍物信息，被控车辆信息得到被控车辆与障碍物之间的距离偏差，综合考虑车辆速度和避撞权重对避让障碍物的影响，建立避障功能函数；
S3：建立局部避撞轨迹规划器；局部避撞轨迹规划器将基于点质量模型建立的非线性车辆运动学模型作为模型预测控制算法的预测模型；
S4：结合避障功能函数，加入车辆软约束，设定目标函数，得到的车辆避撞过程的位置坐标，从而得到规划好的避撞轨迹；
S5：根据车辆当前状态信息，建立二自由度车辆动力学模型，通过泰勒公式线性化以及前向欧拉离散化，得到离散化的线性车辆动力学模型，作为下层跟踪控制器中模型预测控制算法的预测模型；
S6：结合车辆动力学约束条件，以前轮转角增量作为控制量，设计目标函数，采用模型预测控制算法，求解得到最优前轮转角控制量，输入给被控车辆，实现避撞轨迹跟踪控制；
S7：建立预测时域控制律，通过仿真测试，建立车辆速度与预测时域之间的函数关系，从而根据当前车辆速度实时更新预测时域值，传递给避撞轨迹规划器，联合下次轨迹跟踪控制器，实现车辆的主动转向避撞控制。
2.根据权利要求1所述的一种基于模型预测控制算法的车辆主动避撞控制方法，其特征在于，所述S1中，被控车辆信息包括被控车辆当前状态运行信息；障碍物信息，包括障碍物的数量、大小、位置；所述车辆定位信息包括角度信息、加速度信息、速度信息以及位置信息。
3.根据权利要求1所述的一种基于模型预测控制算法的车辆主动避撞控制方法，其特征在于，所述S2中，避障功能函数的建立：通过车载设备获取自车信息，通过毫米波雷达获取前方障碍物信息以及位置关系，通过车载传感器获取自车的速度信息由此建立避障功能函数。
4.根据权利要求1所述的一种基于模型预测控制算法的车辆主动避撞控制方法，其特征在于，所述S3中，利用车辆状态信息、车辆位置信息以及点质量模型，建立针对车辆当前时刻运行状态的车辆运动学状态方程，使用前向欧拉离散化得到离散的非线性车辆运动学状态方程。
5.根据权利要求1所述的一种基于模型预测控制算法的车辆主动避撞控制方法，其特征在于，所述S4中包括如下步骤：
S4.1.使用侧向加速度作为车辆软约束；
S4.2.根据车辆当前时刻运行状态的车辆运动学状态方程，结合车辆软约束以及避障功能函数，以侧向加速度为控制量，设置上层非线性模型预测控制器的目标函数J具体形式如下：
Figure FDA0003865952380000023
s.t.amin≤av(j)≤amax，(j＝1，2，…Nc)
式中：k表示k时刻，Q、R分别为输出权重矩阵和控制量权重矩阵，Nc为控制时域，Np为预测时域，χ(k+i|k)为预测轨迹点，χref(k+i|k)为参考轨迹点；ay为侧向加速度；Jobs,i为采样时刻i的避障功能函数；ρ为松弛因子权重，ε为不为零的正数，用于防止出现分母为0的现象；amin、amax分别表示侧向加速度的最小值和最大值，其中避障功能函数具体形式如下：
Figure FDA0003865952380000021
式中：Sobs为避障权重系数；
Figure FDA0003865952380000022
为i时刻车辆速度；(x0,y0)为要避开障碍物时车辆的目标位置；(xi,yi)为i时刻车辆位置；γ为障碍物与车辆航向的夹角信息，用来表示障碍物相对于车辆的位置；
S4.3.将目标函数转化为二次规划(QP)问题，利用有效集法行最优求解，滚动优化得到一系列最优侧向加速度控制量，进而得到离散的规划轨迹数据点；
S4.4.将所得到的离散的数据点，选取五次多项式拟合得到的局部路径的横坐标和横摆角，以下列形式传递给跟踪控制层；
Figure FDA0003865952380000031
Figure FDA0003865952380000032
式中：X为预测时域内车辆在大地坐标系下的纵向位移；ci和di分别为下层参考轨迹拟合系数和参考横摆角拟合系数。
6.根据权利要求1所述的一种基于模型预测控制算法的车辆主动避撞控制方法，其特征在于，所述S6包括如下步骤：
S6.1.根据车辆状态信息及车辆定位信息建立当前时刻车辆状态矩阵，以前轮转角增量为控制量，设置模型预测控制算法的目标函数
Figure FDA0003865952380000033
形式如下：
Figure FDA0003865952380000034
s.t.Δδf，min≤Δδf，k≤Δδf，max 控制增量约束
δf，min≤AΔδf，k+δf，k≤δf，max 控制量约束
yh，min≤yh≤yh，max 硬约束
ay，min-ε≤ay≤ay，max+ε 软约束
其中，
Figure FDA0003865952380000035
为车辆状态信息；
Figure FDA0003865952380000036
为车辆在k-1时刻的控制输入量；控制时域内的控制增量ΔU(k)；δf，k和Δδf，k分别为k时刻前轮转角控制量和前轮转角控制增量；硬约束yh包括轮胎侧偏角约束、质心侧偏角约束以及轮胎侧偏角约束；Δη(k+i|k)为预测时域内实际输出与已知参考轨迹之差；
Figure FDA0003865952380000037
为k+i时刻的控制增量，
Figure FDA0003865952380000038
为车辆在k+i的控制输入量；δf，min、δf，max分别为车辆前轮转角最小与最大；Δδf，min、Δδf，max分别为车辆前轮转角增量最小值和最大值；yh，min、yh，max分别为硬约束的最小值和最大值；Q、R分别为输出权重矩阵和控制量权重矩阵；ρ是权重系数，ε是系统松弛因子；
S6.2.将目标函数转化成二次规划问题，利用内点法对二次规划问题进行求解，得到车辆前轮转角变化量控制序列，并将该控制序列的第一个元素作为受控对象的实际控制量当来到下一个时刻k+1时，重复上述过程，如此滚动地完成一个个带约束的优化问题，以实现对被控对象的持续控制。
7.根据权利要求1所述的一种基于模型预测控制算法的车辆主动避撞控制方法，其特征在于，所述S7中，通过聚类分析及综合评价得到预测时域与速度之间函数关系，建立预测时域控制律，根据当前车辆速度实时更新预测时域值输入主动避撞控制器，实现车辆的主动转向避撞控制。函数形式如下：
Figure FDA0003865952380000041
其中：Np为预测时域值，v为车辆实际速度值。
CN202211179305.4A 2022-09-27 2022-09-27 一种基于模型预测控制算法的车辆主动避撞控制方法 Pending CN115454086A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211179305.4A CN115454086A (zh) 2022-09-27 2022-09-27 一种基于模型预测控制算法的车辆主动避撞控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211179305.4A CN115454086A (zh) 2022-09-27 2022-09-27 一种基于模型预测控制算法的车辆主动避撞控制方法

Publications (1)

Publication Number Publication Date
CN115454086A true CN115454086A (zh) 2022-12-09

Family

ID=84306034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211179305.4A Pending CN115454086A (zh) 2022-09-27 2022-09-27 一种基于模型预测控制算法的车辆主动避撞控制方法

Country Status (1)

Country Link
CN (1) CN115454086A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115923845A (zh) * 2023-01-09 2023-04-07 北京科技大学 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置
CN117572875A (zh) * 2024-01-15 2024-02-20 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质
WO2024152489A1 (zh) * 2023-01-18 2024-07-25 清华大学 智能车辆紧急避撞方法与系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108454623A (zh) * 2018-01-22 2018-08-28 大连理工大学 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法
CN109017778A (zh) * 2018-07-31 2018-12-18 大连民族大学 四轮独立驱动车辆的期望路径主动转向控制方法
CN110377039A (zh) * 2019-07-26 2019-10-25 吉林大学 一种车辆避障轨迹规划与跟踪控制方法
CN110780674A (zh) * 2019-12-04 2020-02-11 哈尔滨理工大学 一种提高自动驾驶轨迹跟踪控制的方法
CN111413966A (zh) * 2020-03-12 2020-07-14 天津大学 一种递进式模型预测无人驾驶规划跟踪协同控制方法
CN112947469A (zh) * 2021-03-16 2021-06-11 安徽卡思普智能科技有限公司 汽车换道轨迹规划与动态轨迹跟踪控制方法
CN113408062A (zh) * 2021-07-09 2021-09-17 中国石油大学(华东) 自动驾驶全工况路面自适应mpc轨迹跟踪控制及评价方法
CN113581201A (zh) * 2021-07-22 2021-11-02 重庆邮电大学 一种基于势场模型的无人汽车避撞控制方法及系统
CN114312848A (zh) * 2022-01-17 2022-04-12 吉林大学 基于双层mpc的智能驾驶汽车轨迹规划与跟踪控制方法
CN114942642A (zh) * 2022-06-13 2022-08-26 吉林大学 一种无人驾驶汽车轨迹规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108454623A (zh) * 2018-01-22 2018-08-28 大连理工大学 一种四轮独立驱动无人驾驶电动车辆轨迹跟踪控制方法
CN109017778A (zh) * 2018-07-31 2018-12-18 大连民族大学 四轮独立驱动车辆的期望路径主动转向控制方法
CN110377039A (zh) * 2019-07-26 2019-10-25 吉林大学 一种车辆避障轨迹规划与跟踪控制方法
CN110780674A (zh) * 2019-12-04 2020-02-11 哈尔滨理工大学 一种提高自动驾驶轨迹跟踪控制的方法
CN111413966A (zh) * 2020-03-12 2020-07-14 天津大学 一种递进式模型预测无人驾驶规划跟踪协同控制方法
CN112947469A (zh) * 2021-03-16 2021-06-11 安徽卡思普智能科技有限公司 汽车换道轨迹规划与动态轨迹跟踪控制方法
CN113408062A (zh) * 2021-07-09 2021-09-17 中国石油大学(华东) 自动驾驶全工况路面自适应mpc轨迹跟踪控制及评价方法
CN113581201A (zh) * 2021-07-22 2021-11-02 重庆邮电大学 一种基于势场模型的无人汽车避撞控制方法及系统
CN114312848A (zh) * 2022-01-17 2022-04-12 吉林大学 基于双层mpc的智能驾驶汽车轨迹规划与跟踪控制方法
CN114942642A (zh) * 2022-06-13 2022-08-26 吉林大学 一种无人驾驶汽车轨迹规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115923845A (zh) * 2023-01-09 2023-04-07 北京科技大学 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置
WO2024152489A1 (zh) * 2023-01-18 2024-07-25 清华大学 智能车辆紧急避撞方法与系统
CN117572875A (zh) * 2024-01-15 2024-02-20 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质
CN117572875B (zh) * 2024-01-15 2024-04-12 上海友道智途科技有限公司 一种基于热启动的实时速度规划方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN115454086A (zh) 一种基于模型预测控制算法的车辆主动避撞控制方法
Liu et al. A systematic survey of control techniques and applications in connected and automated vehicles
CN107867290B (zh) 一种考虑运动障碍物的汽车紧急避撞分层式控制方法
Erlien et al. Shared steering control using safe envelopes for obstacle avoidance and vehicle stability
Chen et al. Path tracking and handling stability control strategy with collision avoidance for the autonomous vehicle under extreme conditions
CN113276848B (zh) 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统
CN109799814B (zh) 基于运动学模型的履带无人车辆轨迹跟踪控制器设计方法
CN113238563B (zh) 一种高实时性的自动驾驶运动规划方法
CN112977478B (zh) 一种车辆控制方法及系统
CN107885932A (zh) 一种考虑人机和谐的汽车紧急避撞分层式控制方法
CN114942642A (zh) 一种无人驾驶汽车轨迹规划方法
Quirynen et al. Integrated obstacle detection and avoidance in motion planning and predictive control of autonomous vehicles
Lee et al. Automated driving control in safe driving envelope based on probabilistic prediction of surrounding vehicle behaviors
CN114442630B (zh) 一种基于强化学习和模型预测的智能车规划控制方法
CN113183953B (zh) 基于分布式驱动底盘的车辆碰后主动安全控制方法及系统
CN107856733B (zh) 一种面向人机和谐的汽车躲避动障碍物控制方法
CN114510032A (zh) 一种保障车辆快速编队稳定的多车协同控制方法及装置
Yin et al. Framework of integrating trajectory replanning with tracking for self-driving cars
Nietzschmann et al. Trajectory optimization for car-like vehicles in structured and semi-structured environments
Li et al. Path-following control for self-driving forklifts based on cascade disturbance rejection with coordinates reconstruction
Hegedüs et al. Real-time optimal motion planning for automated road vehicles
Chen et al. An overtaking obstacle algorithm for autonomous driving based on dynamic trajectory planning
CN114291112A (zh) 一种应用于自动驾驶汽车的决策规划协同增强方法
Chen et al. Automated vehicle path planning and trajectory tracking control based on unscented kalman filter vehicle state observer
Harada et al. Tracking Control of a Micro Ground Vehicle Using the Course Coordinate

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