CN115583248A

CN115583248A - 控制车辆的运动

Info

Publication number: CN115583248A
Application number: CN202210777719.0A
Authority: CN
Inventors: K·赫瓦蒂尼克; S·伊莱斯; A·克里希纳库马尔
Original assignee: Remark Automobile Co ltd
Current assignee: Ruimark Technology Co ltd
Priority date: 2021-07-05
Filing date: 2022-07-04
Publication date: 2023-01-10
Also published as: US20230001935A1; EP4116163A1

Abstract

本发明涉及控制车辆的运动。用于控制车辆的运动的方法包括以下步骤：获得关于与所述车辆的速度相关的矢量的输入信息；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩可重复地计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加到至少一个车轮以控制所述车辆的运动。

Description

控制车辆的运动

技术领域

本发明涉及控制车辆的运动。

背景技术

传统上，单独地处理根据驾驶员给出的命令使车辆转向以及控制车辆以防车辆由于打滑或高偏航率(横摆角速度)而冒险偏离航线。虽然这种方法在一些情况下可能提供优点，或者在一些情况下甚至可能是需要的，但是这决不是必需的。实际上，由驾驶员按照期望驾驶车辆和保持车辆在航线上的这种模块化方法几乎彼此独立，但是肯定不被认为是相同概念的两个方面，使得不可能实现其中使用组合车辆的运动的各个方面的协同能力的车辆运动控制。

然而，随着完全电动驱动的车辆的出现，这些概念可能被推翻并被更整体的方法所取代，在该方法中可以实现这种协同组合。

此外，在传统方法中，车辆的转向通常仅基于反馈控制，即，考虑过去的数据，并且仅使用测量值与期望值之间的差来控制车辆的运动。然而，该方法具有明显的缺点，即，它仅是反应性的方法，对其没有将允许包括关于车辆的可能未来轨迹的预测以影响运动的控制的任何前摄性方面。

发明内容

上述问题通过如下方面的主题来解决。进一步优选的实施方式由如下所述的主题给出。

根据本发明的实施方式，提供了一种用于控制车辆的运动的方法，所述方法包括以下步骤：获得关于与所述车辆的速度相关的矢量的输入信息；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩以可重复的方式计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加到所述至少一个车轮以控制所述车辆的运动。

根据本发明的另一实施方式，提供了一种车辆，所述车辆被构造成执行用于控制所述车辆的运动的方法，所述方法包括以下步骤：获得关于与所述车辆的速度相关的矢量的输入信息；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩以可重复的方式计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加到所述至少一个车轮以控制所述车辆的运动。

根据本发明的另一实施方式，提供了一种装置，所述装置被构造成执行用于控制车辆的运动的方法，所述方法包括以下步骤：获得关于与所述车辆的速度相关的矢量的输入信息；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩以可重复的方式计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加到所述至少一个车轮以控制所述车辆的运动。

根据本发明的另一实施方式，提供了一种包括到车辆的接口的装置，所述车辆经由所述接口向所述装置提供关于与所述车辆的速度相关的矢量的输入信息，所述装置被构造成：基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩以可重复的方式计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；将所获得的目标试验转矩输出到所述车辆以施加到所述至少一个车轮来控制所述车辆的运动。

本发明的实施方式改善了车辆的动态性能和驾驶性能。它增加了最大可实现的横向加速度和偏航率，提高了车辆的可控性和稳定性。它加速了车辆对方向盘输入的横向响应，提高了稳态和瞬态响应。

此外，在电动车辆中，无需任何进一步的开发，就可以单独地实现每个车轮的转向以及相应地控制每个车轮的运动，因此电动车辆是使用本发明的特别好的平台。

附图说明

现在将参考附图描述本发明的实施方式，这些实施方式是为了更好地理解发明概念而提供的，但不应被视为限制本发明，在附图中：

图1示出了本发明的总体方法实施方式的流程图；

图2示出了被构造成执行本实施方式的总体运动控制方法的车辆的示意图；以及

图3示出了本发明的装置实施方式的示意图。

具体实施方式

图1示出了本发明的总体方法实施方式的流程图。根据本发明的用于控制车辆的运动的方法包括以下步骤：获得关于与所述车辆的速度相关的矢量的输入信息(S101)；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩可重复地计算所述车辆的未来轨迹(S102)，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加(S103)到所述至少一个车轮以控制所述车辆的运动。

在本申请的上下文中，“运动”指的是车辆的所有类型的移动，即，包括车辆的加速和减速以及制动车辆和改变车辆的方向，并且因此不应被理解为限制车辆的移动类型。

获得输入信息的第一步骤可以以各种方式实现。例如，该信息可以由车辆感测或测量。替代地，可以从外部获得信息，例如通过GPS信号或类似信号获得。该信息的至少一部分还可以由来自另一实体(例如车辆)的信号提供，例如可以利用车辆到车辆通信。

此外，关于与所述车辆的速度相关的矢量的输入信息可以采取各种形式。例如，所述矢量可以包括速度和车辆偏航率。它也可以独立地获得，即，通过与车辆偏航率不同的手段和/或不同的来源来获得车辆的速度。可以直接获得信息，即直接获得关于速度和偏航率的信息，或者间接获得信息，即可以从其导出速度和偏航率的信息。例如，代替获得速度和偏航率，可以获得位置和偏航角，并且可以计算对应的导数以分别获得速度和偏航率。此外，该信息不被限制，并且可以包含与车辆运动的控制相关的另外信息。这种信息的示例可以是偏航率、偏航角、横向速度、纵向速度、车辆的车轮中的至少一个车轮的车轮转速(也称为角速度)、方向盘角度、横向加速度以及纵向加速度。显然，该列表不是最终的，并且可以在该信息中包含可以用于车辆的运动控制的任何量。

例如，与所述车辆的速度相关的矢量可以包括以下各项中的至少两者：所述车辆的横向速度、所述车辆的纵向速度、所述车辆的偏航率、以及所述车辆的横向速度与所述车辆的纵向速度的比率或上述量的任何导数或积分量。换句话说，如本领域技术人员可以理解的，代替使用速度，可以使用加速度，并且可以通过积分获得速度。同样地，可以使用与上述量中的一者基本相同或包含基本相同信息的任何量。例如，可以替代地使用速度的平方。

在另外的示例中，所述输入信息还可以包括所述车辆的运动目标。在此，运动目标例如是指由驾驶员提供的输入，其可以经由油门踏板和制动踏板提供。替代地，在涉及自主驾驶的场景中，运动目标可以是在执行本发明提供的控制之前由自主驾驶代理提供的输入。换句话说，运动目标可以指关于车辆运动的意图。

在基于上述的另一示例中，所述输入信息还可以包括车辆的所有四个车轮的相应角速度和所述车辆的偏航率，并且优化所述未来轨迹可以包括控制所述车辆的所述偏航率。

可重复地计算所述车辆的未来轨迹的第二步骤可以通过多种算法来实现，并且不限于特定的算法或过程。该算法可以基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩。试验转矩可以是要施加的转矩的第一猜测，并且可以基于若干考虑。例如，它可以基于先前施加的转矩或者甚至基于反馈回路计算。

注意，计算未来轨迹可以包括过去的数据，即，可以基于来自测量的结果和/或可以基于在先前时间应用的方法的先前结果。因此明显的是，该方法可以迭代地应用，并且每次迭代可以用于下一次迭代。

此外，未来轨迹的持续时间是可变的，并且可以根据各种要求来选择。例如，较长的持续时间可能导致较长的计算时间，使得实时分析的要求更具挑战性。由于所有这些决定也可能取决于可重复地计算未来轨迹的步骤的每次迭代，因此可能适当的是，对于计算轨迹的每次迭代，可以改变该参数。

该步骤的优化方面可以采取各种形式。一种可能的方法是将所计算的未来轨迹与目标轨迹(即目标车辆运动)进行比较，然后确定未来轨迹是否满足要求，例如是否足够接近目标轨迹。如果是这种情况，则优化完成，并且将试验转矩作为目标试验转矩。如果不是这种情况，即，所计算的未来轨迹没有以足够精度与目标轨迹相对应，则修改试验转矩并且重复计算。特别地，试验转矩的修改可以基于所计算的未来轨迹和目标轨迹之间的差。这种差可以以不同的方式计算，例如，可以将两个轨迹写为矢量，然后可以使用适当的规范来计算这些矢量之间的距离。

替代地，这种评估可以涉及除了仅轨迹本身之外的另外参数。通过使用成本函数，其中可以考虑与车辆的运动和车辆的运动的控制相关的若干参数。所涉及的可能的其它参数可以是运动目标中的误差，例如偏航率误差、力请求误差(即根据驾驶员的命令施加的力与根据所计算的未来轨迹施加的力之间的偏差)、限制滑移率的一个或多个松弛变量以及限制输入的参数。这些不同的参数可以相对于彼此被不同地加权，并且权重的这些差可以根据情况而改变。例如不同的驾驶风格。

然而，这仅仅是示例，并且决不被理解为限制性的。允许确定所计算的未来轨迹是否足以用于控制运动的下一步骤，从而获得目标试验转矩，并且在所计算的未来轨迹不足的情况下，确定新的试验转矩的任何过程对于该方面都是足够的。

在第三步骤中，将所获得的目标试验转矩施加到至少一个车轮以控制所述车辆的运动。

这里，注意，计算未来轨迹的概念可以包括试验转矩不是例如每个车轮的单个值，而是例如每个车轮的试验转矩的时间序列。该试验转矩的时间序列中的第一试验转矩对应于要施加到至少一个车轮以控制所述车辆的运动的转矩。其余的试验转矩，由于它们被称为将来要施加的目标试验转矩时，因此可以被用作该方法的下一次迭代的试验转矩。

在本发明的实施方式中，获得目标试验转矩的第二步骤可以包括以下子步骤：

在第一子步骤中，基于所述输入信息和要施加到至少一个车轮的试验转矩来计算车辆的未来轨迹。

在第二子步骤中，鉴于目标车辆运动来评估所计算的未来轨迹。

在第三子步骤中，如果该评估指示目标车辆运动不是最佳的，则根据该评估调节试验转矩，并在子步骤1开始另外的迭代；如果该评估指示目标车辆运动是最优的，则将试验转矩设定为目标试验转矩。

图2示出了被构造成执行本实施方式的总体运动控制方法的车辆2的示意图。该方法基本上对应于以上讨论的方法，即，车辆被构造成执行包括以下步骤的方法：获得关于与所述车辆的速度相关的矢量的输入信息(S101)；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩可重复地计算所述车辆的未来轨迹(S102)，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加(S103)到至少一个车轮以控制所述车辆的运动。

因此，与结合图1讨论的方法有关的上述考虑同样适用于被构造成执行这种方法的车辆。

图3示出了本发明的装置实施方式的示意图。该装置3可以包括处理器301以及存储器302。处理器可以是中央处理单元(CPU)或图形处理单元(GPU)。使用GPU对于一些优化算法可能是有利的。此外，它还可以可选地包括接口303。这些元件可以被构造成彼此交换数据，即，处理器301可以从存储器302和接口303两者接收数据，该数据然后由处理器301处理。因此，存储器302可以接收数据和/或向处理器301提供数据，即，所处理的数据以及要处理的数据。此外，存储器还可以接收数据和/或向接口303提供数据。与此一致，接口303可以提供数据和/或接收来自处理器301的数据，该数据则是要处理的数据或已处理的数据，并且接口303可以提供数据和/或接收来自存储器302的数据。

如图3中示意性示出的装置3可以被构造成执行用于控制车辆的运动的方法，该方法包括以下步骤：获得关于与所述车辆的速度相关的矢量的输入信息(S101)；基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩可重复地计算所述车辆的未来轨迹(S102)，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩施加(S103)到至少一个车轮以控制所述车辆的运动。

在这种情况下，装置3可以被认为是车辆1的整体部分。

替代地，图3中示意性示出的装置3，特别是在装置包括接口3的情况下，可以是这样的情况，即所述车辆经由所述接口向所述装置提供关于与所述车辆的速度相关的矢量的输入信息(S101)，并且所述装置被构造成：基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩可重复地计算所述车辆的未来轨迹(S102)，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及将所获得的目标试验转矩输出(S103)到所述车辆以施加到至少一个车轮来控制所述车辆的运动。

在这种情况下，装置3可以被认为是车辆1的模块化部分，因为装置3由车辆1提供输入信息，并且因此不是装置3自己获得输入信息。

下面，将详细描述本发明的另一实施方式。该实施方式包括三个部件：偏航率目标计算、模型预测控制(MPC)问题公式化和二次问题解算器。

偏航率目标计算部件基于车辆1的当前状态(例如通过查找表)来计算偏航率目标。使用查找表的计算可以提供比在线计算更快的计算。

MPC问题公式化部件创建适合于车辆的当前状态和期望行为的模型预测控制问题。这个问题可以被公式化为有限域(finite horizon)开环最优控制问题，该有限域位开环最优控制问题被传递到二次程序解算器以便求解。

二次程序解算器部件计算要施加到车辆(即车辆的车轮中的至少一个车轮)的转矩命令，即目标试验转矩。通过求解有限域开环最优控制问题，获得当前控制动作。优化返回最优控制序列。将该序列中的第一控制施加到车辆。

偏航率目标可以通过查找表获得。该表是二维的，以方向盘角度和车辆纵向速度作为输入，以参考偏航率作为输出，即：

参考表(查找表)的数据是离线生成的，例如通过在模拟中对被动车辆执行稳态分析。例如，在不同的恒定转向角下施加缓慢增加的纵向速度，并且将所测量的偏航率记录为稳态被动偏航率值。

在另外的详细的实施方式中，将所得到的稳态被动偏航率值乘以因数以产生不同于车辆被动行为的偏航率目标。对于车辆不稳定性更危险的较高速度，使用较小的因数。

此外，在本实施方式中，可能需要知道车辆的当前状态以能够确定最佳车轮转矩。车辆的当前状态可以是一组测量或估计，其使得系统能够为其内部车辆模型指定初始条件。

以下值可以包括车辆状态：当前估计的车辆纵向速度、当前估计的车辆横向速度、当前测量的车辆偏航率、车轮旋转速度(每个车轮一个)。

在另外的实施方式中，用于MPC的离散非线性车辆模型由下式给出：

在该实施方式中实现的线性时变(LTV)MPC使用由以下等式近似的线性车辆模型：

ξ(k+1)＝A_kξ(k)+B_ku(k)+d_k

其中ξ(k)是车辆模型状态矢量，u(k)是在时间步长k处的输入矢量，t是当前时间步长。预测域由N表示，因此，

u＝[δ，T_fl，T_fr，T_rl，T_rr]^Tk＝t，...，t+N-1

这里，δ是方向盘角度，车轮转矩用T_·★表示，其中标记·∈{f，r}表示前车轮值或后车轮值，而标记★∈{l，r}表示左车轮值或右车轮值。虽然该假定车辆具有四个车轮，即前车轮和后车轮、左车轮和右车轮，但这决不是限制性的。实际上，本实施方式不限于这种情形，并且这仅仅是为了便于理解而使用。

对于预测域中的每个时间步长，在该实施方式中使用的车辆模型在每次算法迭代时都被线性化一次。这产生了一组类似的线性模型-每个时间步长一次-该一组类似的线性模型可以一起被看作一个线性时变模型(LTV模型)。优化算法使用LTV模型来达到最佳转矩值。

可以在该时间步长的最可能的操作点附近使模型线性化。当转矩矢量首先初始化时，未来最可能的操作点是当前操作点，从而该值用于所有时间步长。一旦最优状态轨迹可用(已经在前一算法迭代中被计算)，它可用于使周围的模型线性化。

该模型可以在优化开始之前线性化，并且当所预测的最优轨迹改变时，模型可以不被重新线性化。这是可以接受的，因为当比较连续的算法迭代时，最佳轨迹改变应该很小。

由于在该MPC中使用的模型必须是线性的，矩阵Ak和Bk是通过沿着所预测的状态轨迹连续地线性化非线性车辆模型而获得的。在每个时间步长预测状态和输入，然后将预测值用于整个域的进一步预测。

d_k表示非线性模型与LTV模型的预测稳态响应偏差：

车辆的LTV模型可以用于计算由输入的改变产生的状态的改变。然而，本实施方式可能需要将状态的实际值与参考值进行比较。如果模拟LTV模型，则其输出可能不与非线性模型的输出精确匹配，因此计算一组校正“增量(delta)”值。

在本实施方式中，在系统已经被线性化之后，可以在每次算法迭代计算一次增量值。然后，对于所有优化迭代，这些增量值保持恒定。

通过在预测域上模拟全非线性模型来计算增量值。然后，对于每个时间步长，将LTV模型初始化为非线性状态值，应用该时间步长的输入值，并计算根据LTV模型的用于下一个时间步长的状态值。用于下一个时间步长的非线性状态值和用于下一个时间步长的LTV状态值之间的差是用于该时间步长的增量值。

一旦被计算，该增量值就被用于最优控制问题的目标函数中。在每个时间步长，增量值用作已知的干扰以将预测状态与非线性模拟状态对准或一致。如果系统输入不改变，则LTV模型和非线性模型将完美匹配。

所使用的模型可以是具有非线性轮胎、重量传递效应和车轮动力学的双轨自行车模型。坐标系是底盘固定的，并且不跟踪车辆的位置。

在左前车轮和右前车轮上假定相等的转向角，并且该模型不考虑任何车轮上的静态前束(static toe)。

车轮滑移在制动和加速时都以相同的方式使用以下等式计算：

该等式可能不支持在非常低速下的操作，这可能是合理的，因为本实施方式不应被要求在非常低速下有效。

该模型可以包括没有动态的简单负载传递行为。横向负载传递被假定为在前轴和后轴之间均匀地分开，并且其纯粹由横向加速度计算。纵向负载传递纯粹由纵向加速度计算。

使用以下等式计算负载传递：

由于该模型接受车轮转矩作为输入，所以它具有车轮动力学模型。该模型假定固定的车轮半径和惯性，并且不考虑滚动阻力。每个单独车轮的车轮动力学由以下等式描述：

空气动力阻力、下压力和转矩可以不被模型化。

每个步骤的目标是沿着域找到使成本函数最小化的最佳控制序列。该成本函数可以例如采取以下形式：

·成本函数的第一部分

是由标量q加权的偏航率跟踪平方误差。

·第二部分

是由标量w加权的力请求跟踪平方误差。

·第三部分

是松弛变量矢量ε_k乘以单位矩阵I并由标量p加权的平方。

·最后一部分是输入变量的成本：

对以S矩阵加权的输入的平方值进行处罚，而

对以R矩阵加权的输入改变的平方值进行处罚。

松弛变量可以用于当变量打破其软约束时进行处罚。例如，我们想要限制滑移率：

slip≤slip_limit或slip-slip_limit≤0

在优化问题中，上面的等式将被认为是硬约束，这意味着如果不等式不能被满足，则该问题是不可行的。

由于可能存在对滑移的间接控制，因此有可能极限将被打破，并且如果值超过极限，则我们想要处罚。为了实现这一点，在软约束不等式中添加松弛变量：

slip-slip_limit≤ε

优化算法计算松弛变量ε，以便它满足上面的软约束不等式，并且保持成本函数J(t)最小。为了使J(t)保持最小，

必须是最小的，并且当ε_k尽可能接近0时即就是这种情况。

通过改变成本函数中的权重，可以实现不同的行为。例如，如果q相对于R增大，则车辆将更好地跟随偏航率参考，但是车轮转矩可能经历更激进的改变。

关于硬约束，在本发明的另一实施方式中可以考虑以下内容的任何组合。

上输入极限和下输入极限：

u_low≤u(k)≤u_high

上输入速率极限和下输入速率极限：

Δu_low≤u(k)-u(k-1)≤Δu_high

MPC输出中的转向必须与驾驶员转向参考相同：

u(1，k)＝δ_ref(k)

优化中的第一状态是当前测量状态ξ₀：

ξ(1)＝ξ₀

在所有预测步骤中都必须满足LTV车辆模型等式：

ξ(k+1)＝A_kξ(k)+B_ku(k)+d_k

如果驾驶员力请求为负(驾驶员正在制动)，则与后车轮相比，用前车轮硬制动两次：

u(2，k)+u(3，k)＝2*(u(4，k)+u(5，k))

车轮转矩与预测车轮速度的乘积的总和(总功率)在加速时必须低于电池的放电功率极限，而在用马达制动时必须高于充电功率极限：

-chargePowerLimit≤u(2：5，k)*ξ(4：7，k)≤dischargePowerLimit

滑移率和滑移角位于上界和下界之间以将车辆保持在稳定区域中：

s_low≤s(k)≤s_upp

α_low≤α(k)≤α_upp

车轮上的力的总和必须尽可能地接近驾驶员的力请求(力请求跟踪)：

一旦MPC问题如本文中其它地方所述的那样被公式化，该问题就可以被传递到二次程序解算器-一种解决特殊类别的优化问题的软件部件。

通常，二次程序解算器求解公式化为二次程序的优化问题：

subject to l≤Ax≤u

在本公开的情况下：

矢量x表示优化变量。解算器将输出这些变量的最优值。

x＝[u₀；u₁；...；u_Nc；∈₀；∈₁；...；∈_Np]

u_k＝[T_fl，k，T_fr，k，T_rl，k，T_rr，k]

其中u_k是要施加到系统的转矩输入，并且∈_k是支配软约束的松弛变量。

矩阵P和矢量q是由如本文中其它地方所述的成本函数公式计算的。这些参数包括偏航率跟踪项、松弛变量项和输入变量项。本文中其它地方描述的软约束也通过这些参数来实现。

矩阵A以及矢量l和u是由本文中其它地方描述的硬约束公式计算的。这些参数可以包括车辆模型、输出约束(功率和转矩)、初始条件(当前车辆状态)和用于前后分离的再生制动转矩的特殊功能可见性(affordance)。

确定允许施加在后轴和前轴上的最大差动转矩的差动转矩极限可以是离线生成的查找表的形式(基于力请求)。

基于方向盘角度的最后两个值来预测预测域的转向角：

δ(k+1)＝γ₁δ(k)+γ₂δ(k-1)

下面，将讨论在本发明的另一实施方式中使用的模型预测控制器的另外的细节。

在每个时间采样中，控制器采用以下输入：

·当前车辆状态

和当前加速度(a_x，a_y)

ο通过Vx和Vy估计功能在PCU上估计纵向速度和横向速度(v_x，v_y)

ο从IMU传感器获得偏航率

和车辆纵向加速度和横向加速度(a_x，a_y)

ο车辆的四个当前车轮速度(ω_fl，ω_fr，ω_rl，ω_rr)来自PCU上的车轮转速传感器映射功能。

·方向盘角度的最后两个值

·功率和转矩极限

·差动转矩极限

·基于整个预测域的预测转向角的偏航率参考

下面将讨论在本发明的另一实施方式中使用的车辆模型模拟的另外细节。

在非线性和线性车辆模型模拟中，将当前车辆状态和加速度用作输入，通过非线性和线性车辆模型模拟获得所有状态的更新。然后，使用来自非线性模型的更新的状态和加速度作为非线性和线性车辆模型模拟的下一循环的起始点。重复该过程，直到覆盖整个预测域，即，直到实现了针对整个预测域的用于模型的线性和非线性版本的车辆状态的预测。除了车辆状态之外，车辆模型还使用整个预测域上的转向预测以及四个车轮转矩作为输入。在第一次“开启”之后，用于在两个车辆模型中获得车辆状态预测的转矩都等于初始值。在算法的每个下一次迭代中，来自前一次迭代的最佳转矩被用于该目的。

速度和偏航率的改变由以下等式捕获：

其中I_z是围绕偏航z轴的惯性矩。

所有四个车轮转速的改变通过以下给出：

通过以下等式进行加速度更新：

通过上述模拟，从LTV模型A_k和B_k获得了矩阵以及增量值矩阵—在整个预测域上从非线性和线性模型获得的车辆状态中的差异。

增量值用于最优控制问题的目标函数中，并且对于所有优化迭代保持恒定。

下面将讨论在本发明的另一实施方式中使用的问题公式化和优化的另外细节。

当前车辆状态的测量或估计用于初始化优化问题。模型预测控制器从当前状态开始其计划状态轨迹，并且计划产生最佳未来行为的控制输入。每个步骤的目标是沿着域找到使成本函数最小化的最佳控制序列。

通过改变车轮转矩输入u_k并通过车辆模型获得对应的车辆状态，获得最佳转矩，作为其中成本函数最小且满足所有约束的转矩。

Claims

1.一种用于控制车辆的运动的方法，所述方法包括以下步骤：

获得关于与所述车辆的速度相关的矢量的输入信息；

基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩以可重复的方式计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；以及

将所获得的目标试验转矩施加到所述至少一个车轮以控制所述车辆的运动。

2.根据权利要求1所述的方法，其中，与所述车辆的速度相关的所述矢量包括以下各项中的至少两者：

所述车辆的横向速度、所述车辆的纵向速度、所述车辆的偏航率、以及所述车辆的所述横向速度与所述车辆的所述纵向速度的比率、或上述量的任何导数或积分量。

3.根据权利要求1或2所述的方法，其中，所述输入信息还包括关于所述车辆的运动目标的信息。

4.根据权利要求3所述的方法，其中，所述输入信息还包括所述车辆的所有四个车轮的相应角速度以及所述车辆的偏航率，并且

优化所述未来轨迹包括控制所述车辆的所述偏航率。

5.根据权利要求4所述的方法，其中，使用以下步骤来计算要施加到所述车辆的至少一个车轮的所述试验转矩：

将所计算的未来轨迹与目标轨迹进行比较；以及

确定所计算的未来轨迹是否接近所述目标轨迹。

6.根据权利要求5所述的方法，其中，

当所计算的未来轨迹接近所述目标轨迹时，选择与所计算的未来轨迹对应的所述试验转矩作为所述目标试验转矩；并且

当所计算的未来轨迹不接近所述目标轨迹时，修改所述试验转矩并将所计算的未来轨迹与所述目标轨迹进行比较。

7.根据权利要求4所述的方法，其中，

输入信息还包括所述车辆的运动目标，其中，所述运动目标包括由驾驶员在所述车辆的油门踏板和制动踏板中的至少一者上提供的输入。

8.一种车辆，所述车辆被构造成执行用于控制所述车辆的运动的方法，所述方法包括以下步骤：

获得关于与所述车辆的速度相关的矢量的输入信息；

9.一种装置，所述装置被构造成执行用于控制车辆的运动的方法，所述方法包括以下步骤：

获得关于与所述车辆的速度相关的矢量的输入信息；

10.一种包括到车辆的接口的装置，

所述车辆经由所述接口向所述装置提供关于与所述车辆的速度相关的矢量的输入信息，

所述装置被构造成：

基于所述输入信息和要施加到所述车辆的至少一个车轮的试验转矩以可重复的方式计算所述车辆的未来轨迹，以鉴于目标车辆运动优化所述未来轨迹，从而获得目标试验转矩；

将所获得的目标试验转矩输出到所述车辆以施加到所述至少一个车轮来控制所述车辆的运动。

11.根据权利要求10所述的装置，所述装置还包括：

偏航率目标计算部件，所述偏航率目标计算部件适于基于所述车辆的当前状态计算偏航率目标；以及

模型预测控制问题公式化部件，所述模型预测控制问题公式化部件适于创建适合于所述车辆的当前状态和期望行为的模型预测控制问题，其中，所述模型预测控制问题被公式化为有限域开环最优控制问题。

12.根据权利要求11所述的装置，所述装置还包括：

二次程序解算器部件，所述二次程序解算器部件适于计算要施加到所述车辆的所述车轮中的至少一个车轮的转矩命令。