CN115817509A - 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 - Google Patents
一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 Download PDFInfo
- Publication number
- CN115817509A CN115817509A CN202211438889.2A CN202211438889A CN115817509A CN 115817509 A CN115817509 A CN 115817509A CN 202211438889 A CN202211438889 A CN 202211438889A CN 115817509 A CN115817509 A CN 115817509A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- angle
- prediction
- cost function
- 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
Links
Images
Classifications
-
- 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
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供了一种基于AMPC的多轴分布式驱动车辆转向辅助轨迹跟踪方法,基于线性二自由度的单轨模型建立预测模型,能使车辆在轮胎力处于线性区时实现较高的预测精度;驾驶员模型采用了线性二次型调节器,能够尽可能模拟熟练驾驶员跟踪预想轨迹的条件;方法中考虑干预辅助量、参考轨迹跟踪误差、前轮转角及其变化率等多方面因素构造多成本目标函数,并且引入了驾驶权衰减系数和驾驶权重系数来衡量与表征预测窗口内对驾驶员意图的置信程度,最终求解得到的最优前轮转角输出值,能够使车辆迅速平稳的到达目标轨迹,且在过程中减少抖动并能保证平顺性。
Description
技术领域
本发明属于智能电动汽车辅助驾驶技术领域,具体涉及一种基于AMPC(AdaptiveModel Predictive Control,自适应模型预测控制)的多轴分布式驱动车辆转向辅助轨迹跟踪方法。
背景技术
目前,适用于智能电动汽车的辅助驾驶技术借助不同类型传感器对环境信息的感知能力,利用高算力的车载计算平台对感知信息的处理和整合,能够在一定程度上辅助驾驶员决策并提高车辆行驶安全性。然而,本领域中大多现有技术主要是针对乘用车辆设计,但对于部分特殊的商用车辆并不能良好地适用,尤其是对于一些多轴的商用运输车辆,由于其重量大、车身体积大、驾驶舱较高等特点,导致驾驶员的驾驶视野普遍不佳,而且较差的车身灵活性与制动性能,也使得驾驶难度相对于乘用车高出很多,驾驶员对于车辆周围环境以及车身姿态都不容易把控。长途的驾驶运输任务中,疲劳、分神等问题也存在严重安全隐患。此类车辆的辅助驾驶中必须要兼顾作业任务,但由于现有任务型辅助驾驶系统多需要频繁的人机交替驾驶,导致驾驶员对其的接受和信任程度不高,并且在人机协同的辅助驾驶轨迹跟踪中,系统对驾驶员意图轨迹和权限的引入,仍缺乏较有效的解决手段。因此,本领域中迫切需要针对多轴分布式驱动车辆的特点,提供更加完善的辅助驾驶与转向轨迹跟踪策略。
发明内容
有鉴于此,针对上述本领域中存在的技术问题,本发明提供了一种基于AMPC的多轴分布式驱动车辆转向辅助轨迹跟踪方法,具体包括以下步骤:
S1、在上层控制中,针对n轴分布式驱动车辆,以车辆的横纵坐标xy、纵向速度vx、航向角侧向速度vy和横摆角速度ωr作为输入变量,建立线性二自由度单轨车辆模型对未来车辆的动力学状态进行预测,并输出预测的最优方向盘转角控制量、预测的轨迹与参考轨迹的侧向位置误差ed和航向角误差所述参考轨迹为所提方法外部输入信息,为辅助跟踪控制所需要的已知量;
S2、在上层控制中,以车辆的横纵坐标xy、纵向速度vx、航向角侧向速度vy和横摆角速度ωr作为输入变量,建立线性二次型调节驾驶员模型,以累计侧向误差、横向误差及方向盘转角加权和最小构建代价函数,计算驾驶员意图前轮转角;
S3、在下层控制中,定义由上层步骤S1预测的最优方向盘转角控制量与步骤S2得到的驾驶员意图前轮转角确定的前轮转角差为干预辅助量,并以所述干预辅助量、所述预测的轨迹与参考轨迹的侧向位置误差ed和航向角误差均达到最小作为优化目标,同时将方向盘转角及其变化率均达到最小也作为优化目标,综合以上优化目标构建多目标成本函数;
S4、基于所述多目标成本函数求解下一时刻最优前轮转角输出值。
进一步地,步骤S1中所述线性二自由度单轨车辆模型具体构建过程如下:
对五轴分布式驱动车辆进行动力学分析,并考虑控制量u(k)=[δr(k)],δr为前轮转角,扰动量v(k)=[ρ(k)],ρ为道路曲率,设车辆动力学状态量:其中,ed和分别为侧向位置误差和航向角误差;建立以下连续状态空间方程:
Z=Ccx+Du,cu
式中,Ci为第i轴的侧偏刚度,Li为第i轴距离车辆质心的长度,I为车辆沿横摆方向的转动惯量,Cc为连续状态方程的输出矩阵;
式中,
进行离散化得到离散状态空间方程:
x(k+1)=Adx(k)+Bu,du(k)+Bv,dv(k)
Z(k)=Cdx(k)
式中,k表示时间,Ad是离散状态空间方程的状态矩阵,Bu,d是离散状态空间方程的控制矩阵,Bv,d是离散状态空间方程的可测扰动矩阵,下标d表示对相应参数的离散处理,Cd为Cc相同形式的离散状态方程的输出矩阵;
则系统未来p个时刻动力学状态的迭代形式为:
Xp=[x(k),x(k+1),…,x(k+p)]T
Up=[u(k),u(k+1),…,u(k+p)]T
Vp=[v(k),v(k+1),...,v(k+p)]T
其中,Up为自适应模型预测控制求解的最优序列,p为预测时间窗口,上标T表示向量的转置;
在预测时域窗口内,模型预测输出表示为:
z(k+p|k)=Cdx(k+p|k)
Zp=[y(k),y(k+1),...,y(k+p)]T;
式中,Zp为k时刻在预测时间窗口p内的模型预测输出序列,y为该预测时间窗口内的单个模型预测输出;
进一步地,步骤S2中所述线性二次型调节驾驶员模型具体建立过程包括:
假设在实际道路中道路曲率较小则:
建立以下状态空间方程:
式中,
d的含义与可测干扰项kr相同;
构建以下关于累计侧向误差、横向误差及方向盘转角加权和代价函数
式中,Q和R分别为状态量和控制量的加权矩阵,均为半正定矩阵,具体表示为:
矩阵中元素均表示具体参数的权重;
在求解该使代价函数最小的驾驶员意图前轮转角过程中,引入曲率前馈环节uf,则控制量可表示为:
u(k)=-Kx(k)+uf
进一步地,步骤S3中定义步骤S1中预测的状态变量为:
Jz,k(k)=[z(k)-zref(k)]2
式中,下标ref代表参考轨迹;
定义干预辅助量成本函数:
JΔu,k(k)=[uOut(k)-ud(k)]2
式中,uout(k)为步骤S1中模型预测的控制量,ud(k)为步骤S2得到的驾驶员意图控制量;
以及定义方向盘转角及其变化率成本函数Ju,k(k)和Jdu,k(k);
综合各成本函数构建以下多目标成本函数:
Jk=Jzk+Juk+Jduk+JΔuk+Jεk
其中,Jεk=ρε·εk 2为松弛变量的代价函数,用于惩罚状态量、控制量等对优化问题中的软约束的违反程度,εk为松弛变量,ρε为权重系数,且满足ρε>0。
道路跟踪误差成本函数Jzk的具体形式可表示为:
其中,sz为归一化系数对角矩阵,具体表示为:
矩阵中各元素表示状态向量对应元素的归一化系数;
Z(k+h|k)与Zref(k+h|k)分别为k+h时刻的预测状态以及参考状态,Q(k+h|k)为用于惩罚跟踪误差的半正定对角代价权重矩阵,在滚动优化的过程中,将进行实时的调整更新;
干预辅助量成本函数、定义方向盘转角及其变化率成本函数的具体形式为:
其中,R(K),E(k),F(k)为t=k时刻的权重矩阵,u(k+h|k)表示k时刻预测最优控制量,ud(k+h|k)为k时刻驾驶员输入意图控制量;
上述各归一化系数分别由对应参数的最大值和最小值确定:
引入驾驶权衰减系数Γ和驾驶权重系数Θ,分别用于在预测时间窗口内衡量对驾驶员意图输入量的置信程度以及控制人机间驾驶权重,并构造成本函数以下Jk求解所述系数:
Jk=(1-Γ(t))·QTrack(k)·JTrack,k+ΘΓ(t)JΔuk+nε·max{Γ(t),(1-Γ(t))}·Jεk
其中,nΓ,min表示预测时间窗口t=1,2,...,p内的短期预测部分,即预测步长的前几个步长,nΓ,max表示预测时间窗口内的长期预测部分,即预测步长的后几个步长,ΔT为预测采样时间间隔,Jtrack,,k为反映车辆状态的部分代价函数记为:Jtrack,k=[Jzk,Juk,Jduk]T;
Q(k),R(k),E(k),F(k)分别表示为:
Q(k)=Qz,Track(k)·(1-Γ(t))
R(k)=Qu,Track(k)·(1-Γ(t))
E(k)=Qdu,Track(k)·(1-Γ(t))
F(k)=ΘΓ(t)
其中,Qz,Track、Qu,Track、Qdu,Track分别为道路跟踪误差成本函数Jzk的权重系数、干预辅助量成本函数Juk的权重系数、方向盘转角成本函数Jduk的权重系数;
通过求解最终得到最优的前轮转角输出值。
上述本发明所提供的基于AMPC的多轴分布式驱动车辆转向辅助轨迹跟踪方法,基于线性二自由度的单轨模型建立预测模型,能使车辆在轮胎力处于线性区时实现较高的预测精度;驾驶员模型采用了线性二次型调节器,能够尽可能模拟熟练驾驶员跟踪预想轨迹的条件;方法中考虑干预辅助量、参考轨迹跟踪误差、前轮转角及其变化率等多方面因素构造多成本目标函数,并且引入了驾驶权衰减系数和驾驶权重系数来衡量与表征预测窗口内对驾驶员意图的置信程度,最终求解得到的最优前轮转角输出值,能够使车辆迅速平稳的到达目标轨迹,且在过程中减少抖动并能保证平顺性。
附图说明
图1为本发明所提供方法的原理框架图;
图2为针对五轴分布式驱动车辆平面结构和动力学原理框图;
图3为本发明所提供方法对驾驶意图转角控制与参考轨迹误差控制的原理图;
图4为本发明所提供方法引入的驾驶权衰减系数动态特性图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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。
本发明所提供的种基于AMPC的多轴分布式驱动车辆转向辅助轨迹跟踪方法,如图1所示,具体包括以下步骤:
S1、在上层控制中,针对n轴分布式驱动车辆,以车辆的横纵坐标xy、纵向速度vx、航向角侧向速度vy和横摆角速度ωr作为输入变量,建立线性二自由度单轨车辆模型对未来车辆的动力学状态进行预测,并输出预测的最优方向盘转角控制量、预测的轨迹与参考轨迹的侧向位置误差ed和航向角误差所述参考轨迹为所提方法外部输入信息,为辅助跟踪控制所需要的已知量;
S2、在上层控制中,以车辆的横纵坐标xy、纵向速度vx、航向角侧向速度vy和横摆角速度ωr作为输入变量,建立线性二次型调节驾驶员模型,以累计侧向误差、横向误差及方向盘转角加权和最小构建代价函数,计算驾驶员意图前轮转角;
S3、在下层控制中,定义由上层步骤S1预测的最优方向盘转角控制量与步骤S2得到的驾驶员意图前轮转角确定的前轮转角差为干预辅助量,并以所述干预辅助量、所述预测的轨迹与参考轨迹的侧向位置误差ed和航向角误差均达到最小作为优化目标,同时将方向盘转角及其变化率均达到最小也作为优化目标,综合以上优化目标构建多目标成本函数;
S4、基于所述多目标成本函数求解下一时刻最优前轮转角输出值。
在本发明的一个优选实施方式中,步骤S1中所述线性二自由度单轨车辆模型具体构建过程如下:
对五轴分布式驱动车辆进行如图2所示的动力学分析,并考虑控制量u(k)=[δr(k)],δr为前轮转角,扰动量v(k)=[ρ(k)],ρ为道路曲率,设车辆动力学状态量:其中,ed和分别为侧向位置误差和航向角误差;建立以下连续状态空间方程:
z=Ccx+Du,cu
式中,
式中,Ci为第i轴的侧偏刚度,Li为第i轴距离车辆质心的长度,I为车辆沿横摆方向的转动惯量,Cc为连续状态方程的输出矩阵;
进行离散化得到离散状态空间方程:
x(k+1)=Adx(k)+Bu,du(k)+Bv,dv(k)
z(k)=Cdx(k)
式中,k表示时间,Ad是离散状态空间方程的状态矩阵,Bu,d是离散状态空间方程的控制矩阵,Bv,d是离散状态空间方程的可测扰动矩阵,下标d表示对相应参数的离散处理,Cd为Cc相同形式的离散状态方程的输出矩阵;
则系统未来p个时刻动力学状态的迭代形式为:
Xp=[x(k),x(k+1),...,x(k+p)]T
Up=[u(k),u(k+1),...,u(k+p)]T
Vp=[v(k),v(k+1),...,v(k+p)]T
其中,Up为自适应模型预测控制求解的最优序列,p为预测时间窗口,上标T表示向量的转置;
在预测时域窗口内,模型预测输出表示为:
z(k+p|k)=Cdx(k+p|k)
Zp=[y(k),y(k+1),...,y(k+p)]T;
式中,Zp为k时刻在预测时间窗口p内的模型预测输出序列,y为该预测时间窗口内的单个模型预测输出;
在本发明的一个优选实施方式中,步骤S2中所述线性二次型调节驾驶员模型具体建立过程包括:
假设在实际道路中道路曲率较小则:
建立以下状态空间方程:
式中,
d的含义与可测干扰项kr相同;
构建以下关于累计侧向误差、横向误差及方向盘转角加权和代价函数
式中,Q和R分别为状态量和控制量的加权矩阵,均为半正定矩阵,具体表示为:
矩阵中元素均表示具体参数的权重;
在求解该使代价函数最小的驾驶员意图前轮转角过程中,引入曲率前馈环节uf,则控制量可表示为:
u(k)=-Kx(k)+uf
在本发明的一个优选实施方式中,如图3所示,步骤S3中定义步骤S1中预测的状态变量为:
Jz,k(k)=[z(k)-zref(k)]2
式中,下标ref代表参考轨迹;
定义干预辅助量成本函数:
JΔu,k(k)=[uout(k)-ud(k)]2
式中,uout(k)为步骤S1中模型预测的控制量,ud(k)为步骤S2得到的驾驶员意图控制量;
以及定义方向盘转角及其变化率成本函数Ju,k(k)和Jdu,k(k);
综合各成本函数构建以下多目标成本函数:
Jk=Jzk+Juk+Jduk+JΔuk+Jεk
其中,Jεk=ρε·εk 2为松弛变量的代价函数,用于惩罚状态量、控制量等对优化问题中的软约束的违反程度,εk为松弛变量,ρε为权重系数,且满足ρε>0。
道路跟踪误差成本函数Jzk的具体形式可表示为:
其中,sz为归一化系数对角矩阵,具体表示为:
矩阵中各元素表示状态向量对应元素的归一化系数;
Z(k+h|k)与Zref(k+h|k)分别为k+h时刻的预测状态以及参考状态,Q(k+h|k)为用于惩罚跟踪误差的半正定对角代价权重矩阵,在滚动优化的过程中,将进行实时的调整更新;
干预辅助量成本函数、定义方向盘转角及其变化率成本函数的具体形式为:
其中,R(k),E(k),F(k)为t=k时刻的权重矩阵,u(k+h|k)表示k时刻预测最优控制量,ud(k+h|k)为k时刻驾驶员输入意图控制量;
上述各归一化系数分别由对应参数的最大值和最小值确定:
引入驾驶权衰减系数Γ和驾驶权重系数Θ,分别用于在预测时间窗口内衡量对驾驶员意图输入量的置信程度以及控制人机间驾驶权重,并构造成本函数以下Jk求解所述系数:
Jk=(1-Γ(t))·QTrack(k)·JTrack,k+ΘΓ(t)JΔuk+nε·max{Γ(t),(1-Γ(t))}·Jεk
其中,nΓ,min表示预测时间窗口t=1,2,...,p内的短期预测部分,即预测步长的前几个步长,nΓ,max表示预测时间窗口内的长期预测部分,即预测步长的后几个步长,ΔT为预测采样时间间隔,Jtrack,k为反映车辆状态的部分代价函数记为:Jtrack,k=[Jzk,Juk,Jduk]T;
Q(k),R(k),E(k),F(k)分别表示为:
Q(k)=Qz,Track(k)·(1-Γ(t))
R(k)=Qu,Track(k)·(1-Γ(t))
E(k)=Qdu,Track(k)·(1-Γ(t))
F(k)=ΘΓ(t)
其中,Qz,Track、Qu,Track、Qdu,Track分别为道路跟踪误差成本函数Jzk的权重系数、干预辅助量成本函数Juk的权重系数、方向盘转角成本函数Jduk的权重系数;
通过求解最终得到最优的前轮转角输出值。驾驶衰减系数动态变化如图4所示,随时时间的延长呈现出e指数的衰减效果,使得短期预测较多的考虑满足驾驶员的输入,长期的预测更加依赖于参考目标轨迹。
应理解,本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.一种基于AMPC的多轴分布式驱动车辆转向辅助轨迹跟踪方法,其特征在于:具体包括以下步骤:
S1、在上层控制中,针对n轴分布式驱动车辆,以车辆的横纵坐标xy、纵向速度vx、航向角侧向速度vy和横摆角速度ωr作为输入变量,建立线性二自由度单轨车辆模型对未来车辆的动力学状态进行预测,并输出预测的最优方向盘转角控制量、预测的轨迹与外部输入的参考轨迹的侧向位置误差ed和航向角误差
S2、在上层控制中,以车辆的横纵坐标xy、纵向速度vx、航向角侧向速度vy和横摆角速度ωr作为输入变量,建立线性二次型调节驾驶员模型,以累计侧向误差、横向误差及方向盘转角加权和最小构建代价函数,计算驾驶员意图前轮转角;
S3、在下层控制中,定义由上层步骤S1预测的最优方向盘转角控制量与步骤S2得到的驾驶员意图前轮转角确定的前轮转角差为干预辅助量,并以所述干预辅助量、所述预测的轨迹与参考轨迹的侧向位置误差ed和航向角误差均达到最小作为优化目标,同时将方向盘转角及其变化率均达到最小也作为优化目标,综合以上优化目标构建多目标成本函数;
S4、基于所述多目标成本函数求解下一时刻最优前轮转角输出值。
2.如权利要求1所述的方法,其特征在于:步骤S1中所述线性二自由度单轨车辆模型具体构建过程如下:
对五轴分布式驱动车辆进行动力学分析,并考虑控制量u(k)=[δr(k)],δr为前轮转角,扰动量v(k)=[ρ(k)],ρ为道路曲率,设车辆动力学状态量:其中,ed和分别为侧向位置误差和航向角误差;建立以下连续状态空间方程:
z=Ccx+Du,cu
式中,
式中,Ci为第i轴的侧偏刚度,Li为第i轴距离车辆质心的长度,I为车辆沿横摆方向的转动惯量,Cc为连续状态方程的输出矩阵;
进行离散化得到离散状态空间方程:
x(k+1)=Adx(k)+Bu,du((k)+Bv,dv(k)
z(k)=Cdx(k)
式中,k表示时间,Ad是离散状态空间方程的状态矩阵,Bu,d是离散状态空间方程的控制矩阵,Bu,d是离散状态空间方程的可测扰动矩阵,下标d表示对相应参数的离散处理,Cd为Cc相同形式的离散状态方程的输出矩阵;
则系统未来p个时刻动力学状态的迭代形式为:
Xp=[x(k),x(k+1),...,x(k+p)]T
Up=[u(k),u(k+1),...,u(k+p)]T
Vp=[v(k),v(k+1),...,v(k+p)]T
其中,Up为自适应模型预测控制求解的最优序列,p为预测时间窗口,上标T表示向量的转置;
在预测时域窗口内,模型预测输出表示为:
z(k+p|k)=Cdx(k+p|k)
Zp=[y(k),y(k+1),...,(k+p)]T;
式中,Zp为k时刻在预测时间窗口p内的模型预测输出序列,y为该预测时间窗口内的单个模型预测输出;
3.如权利要求2所述的方法,其特征在于:步骤S2中所述线性二次型调节驾驶员模型具体建立过程包括:
假设在实际道路中道路曲率较小则:
建立以下状态空间方程:
式中,
d的含义与可测干扰项kr相同;
构建以下关于累计侧向误差、横向误差及方向盘转角加权和代价函数
式中,Q和R分别为状态量和控制量的加权矩阵,均为半正定矩阵,具体表示为:
矩阵中元素均表示具体参数的权重;
在求解该使代价函数最小的驾驶员意图前轮转角过程中,引入曲率前馈环节uf,则控制量可表示为:
u(k)=-Kx(k)+uf
4.如权利要求3所述的方法,其特征在于:步骤S3中定义步骤S1中预测的状态变量为:
Jzk(k)=[z(k)-zref(k)]2
式中,下标ref代表参考轨迹;
定义干预辅助量成本函数:
JΔu,k(k)=[uout(k)-ud(k)]2
式中,uout(k)为步骤S1中模型预测的控制量,ud(k)为步骤S2得到的驾驶员意图控制量;
以及定义方向盘转角及其变化率成本函数Ju,k(k)和Jdu,k(k);
综合各成本函数构建以下多目标成本函数:
Jk=Jzk+Juk+Jduk+JΔuk+Jεk
其中,Jεk=ρε·εk 2为松弛变量的代价函数,用于惩罚状态量、控制量等对优化问题中的软约束的违反程度,εk为松弛变量,ρε为权重系数,且满足ρε>0。
道路跟踪误差成本函数Jzk的具体形式可表示为:
其中,s2为归一化系数对角矩阵,具体表示为:
矩阵中各元素表示状态向量对应元素的归一化系数;
Z(k+h|k)与Zref(k+h|k)分别为k+h时刻的预测状态以及参考状态,Q(k+h|k)为用于惩罚跟踪误差的半正定对角代价权重矩阵,在滚动优化的过程中,将进行实时的调整更新;
干预辅助量成本函数、定义方向盘转角及其变化率成本函数的具体形式为:
其中,R(k),E(k),F(k)为t=k时刻的权重矩阵,u{k+h|k)表示k时刻预测最优控制量,ud(k+h|k)为k时刻驾驶员输入意图控制量;
上述各归一化系数分别由对应参数的最大值和最小值确定:
引入驾驶权衰减系数Γ和驾驶权重系数Θ,分别用于在预测时间窗口内衡量对驾驶员意图输入量的置信程度以及控制人机间驾驶权重,并构造成本函数以下Jk求解所述系数:
Jk=(1-Γ(t))·QTack(k)·JTrack,k+ΘΓ(t)JΔuk+nε·max{Γ(t).(1-Γ(t))}·Jεk
其中,nΓ,min表示预测时间窗口t=1,2...,p内的短期预测部分,即预测步长的前几个步长,nΓ,max表示预测时间窗口内的长期预测部分,即预测步长的后几个步长,ΔT为预测采样时间间隔,Jtrack,k为反映车辆状态的部分代价函数记为:Jtrack,k=[Jzk,Juk,Jduk]T;
Q(k),R(k),E(k),F(k)分别表示为:
Q(k)=Qz,Track(k)·(1-Γ(t))
R(k)=Qu,Track(k)·(1-Γ(t))
E(k)=Qdu,Track(k)·(1-Γ(t))F(k)=ΘΓ(t)
其中,Qz,Track、Qu,Track、Qdu,Track分别为道路跟踪误差成本函数Jzk的权重系数、干预辅助量成本函数Juk的权重系数、方向盘转角成本函数Jduk的权重系数;
通过求解最终得到最优的前轮转角输出值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438889.2A CN115817509A (zh) | 2022-11-17 | 2022-11-17 | 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211438889.2A CN115817509A (zh) | 2022-11-17 | 2022-11-17 | 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115817509A true CN115817509A (zh) | 2023-03-21 |
Family
ID=85528663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211438889.2A Pending CN115817509A (zh) | 2022-11-17 | 2022-11-17 | 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115817509A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117485325A (zh) * | 2024-01-02 | 2024-02-02 | 中国重汽集团济南动力有限公司 | 一种多轴分布式电驱车辆转向控制方法及车辆 |
-
2022
- 2022-11-17 CN CN202211438889.2A patent/CN115817509A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117485325A (zh) * | 2024-01-02 | 2024-02-02 | 中国重汽集团济南动力有限公司 | 一种多轴分布式电驱车辆转向控制方法及车辆 |
CN117485325B (zh) * | 2024-01-02 | 2024-03-19 | 中国重汽集团济南动力有限公司 | 一种多轴分布式电驱车辆转向控制方法及车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112733270B (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
CN110356404B (zh) | 一种具有自主换道功能并提高侧向安全性的智能驾驶系统 | |
CN107415939B (zh) | 一种分布式驱动电动汽车转向稳定性控制方法 | |
Lin et al. | Trajectory tracking of autonomous vehicle with the fusion of DYC and longitudinal–lateral control | |
Chen et al. | Path tracking and handling stability control strategy with collision avoidance for the autonomous vehicle under extreme conditions | |
CN112141101B (zh) | 一种基于cnn和lstm的预瞄安全路径的方法及系统 | |
CN108791290B (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
CN114967676A (zh) | 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法 | |
CN111538328B (zh) | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 | |
CN114967475B (zh) | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 | |
CN112977478B (zh) | 一种车辆控制方法及系统 | |
CN115598983B (zh) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 | |
CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
CN113581201A (zh) | 一种基于势场模型的无人汽车避撞控制方法及系统 | |
CN111559389A (zh) | 一种智能汽车在变附着系数重复性轨迹下的控制方法 | |
CN112829766A (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN112937571A (zh) | 一种智能汽车轨迹跟踪控制方法及系统 | |
CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
CN115817509A (zh) | 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 | |
CN117389276B (zh) | 一种基于行驶风险预测的无人车行驶路径跟踪控制方法 | |
CN116198522B (zh) | 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法 | |
CN111413979B (zh) | 一种基于快速模型预测的汽车轨迹跟踪控制方法 | |
CN116834754A (zh) | 一种自动驾驶车辆自适应调速的横纵协同控制方法 | |
CN115805939A (zh) | 智能电动汽车路径跟踪控制方法及装置 | |
CN115167135A (zh) | 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统 |
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 |