CN115903851A - 一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 - Google Patents
一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 Download PDFInfo
- Publication number
- CN115903851A CN115903851A CN202211704081.4A CN202211704081A CN115903851A CN 115903851 A CN115903851 A CN 115903851A CN 202211704081 A CN202211704081 A CN 202211704081A CN 115903851 A CN115903851 A CN 115903851A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- tracking control
- dynamic model
- adaptive learning
- trajectory tracking
- 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
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法、装置、电子设备,方法具体包括:对车辆动力学模型进行参数化表征构建参数化车辆动态模型,基于参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律,根据轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。本发明解决了由于车辆动力学的非线性和驾驶环境的不确定性,导致车辆系统控制方法性能下降以及无法自适应学习的问题,通过构建参数化车辆动态模型,剥离了车辆系统的已知和未知信息,通过构建基于自适应学习的轨迹跟踪控制方法,让车辆可以学习系统的重复运行特征,还有效处理了车辆系统的欠驱动特性以及非线性、不确定性等因素,可广泛应用于车辆自动驾驶领域。
Description
技术领域
本发明涉及车辆自动驾驶技术领域,尤其是一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法。
背景技术
作为智能交通系统的重要发展方向,自动驾驶汽车由于其在提高驾驶安全、缓解交通拥堵等方面的展现出的巨大潜力受到了社会各界的广泛关注和认可。轨迹跟踪控制作为自动驾驶汽车领域的关键问题之一,是实现自动驾驶的核心基础。在复杂实际驾驶环境中,由于车辆动力系统具有高度非线性、强不确定性、物理约束限制、执行器故障等固有特性,研究如何在复杂驾驶环境中实现高精度的轨迹跟踪控制,具有重要的理论和实际意义。
现有的车辆轨迹跟踪控制方法中,存在以下问题:
1、基于模型的控制方法在设计过程中需要先建立精确的车辆模型,进而基于所建立的车辆模型设计相应控制算法,然而,实际中由于车辆动力学的高度非线性和驾驶环境的不确定性,很难获得精确的车辆动力学模型,加上未知外界干扰或噪音,会导致基于模型的控制方法性能下降甚至系统失稳;
2、无模型/半无模型控制方法通常需要耗时耗力的调参过程来改善控制器性能,同时并不具备学习能力,当动态系统重复运行时,模型控制性能保持不变;
3、基于学习的控制方法大多需要大量的数据来训练模型,并且在控制过程中可能产生不平滑的控制信号,不利于车辆稳定运行。
发明内容
有鉴于此,本发明实施例提供一种稳定且精确的,基于自适应学习的自动驾驶车辆轨迹跟踪控制方法。
一方面,本发明实施例提供了一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,包括:
建立车辆动力学模型;
对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型;
根据所述参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律;
根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。
可选地,所述建立车辆动力学模型,包括:
根据车辆二自由度动力系统结构构建二自由度车辆横向运动模型;
根据所述二自由度车辆横向运动模型构建所述车辆动力学模型。
可选地,对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型,包括:
通过引入两个状态变量对所述车辆动力学模型进行坐标变换,构建参数化车辆动态模型;其中,所述状态变量的表达式为:
其中,x1为一个状态变量,x2为另一个状态变量,β为车辆的滑移角,γ为车辆横摆角速度,a为前轴到质心的距离,b为后轴到质心的距离,vx为纵向速度。
可选地,所述根据所述参数化车辆动态模型构建基于自适应迭代学习的轨迹跟踪控制律,包括:
将迭代次数设置为所述参数化车辆动态模型的下标;
根据设置下标的参数化车辆动态模型,构建所述基于自适应学习的自动驾驶车辆轨迹跟踪控制律。
可选地,所述根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制,包括:
根据所述车辆动力学模型生成参考轨迹,并确定期望参考输入信号;
配置车辆参数,其中,所述车辆参数包括:横摆惯性力矩、标准转向刚性、前轴到质心的距离、后轴到质心的距离、质量;
根据配置的所述车辆参数,确定控制器参数;
根据所述控制器参数和轨迹跟踪控制律,对所述目标车辆进行轨迹跟踪控制。
可选地,所述方法还包括当误差较小时,先对所述轨迹跟踪控制律进行优化,再对所述目标车辆进行轨迹跟踪控制。
可选地,所述方法还包括通过复合能量函数对轨迹跟踪控制的收敛性进行分析的步骤。
可选地,所述通过复合能量函数对轨迹跟踪控制的收敛性进行分析,包括:
建立复合能量函数,所述复合能量函数分为两项,第一项用于证明跟踪误差的收敛性,第二项用于证明参数学习误差的收敛性;
将所述轨迹跟踪控制律代入所述参数化车辆动态模型和求导后的跟踪误差所得到的表达式,确定第一表达式;
基于迭代学习律,根据所述复合能量函数第二项确定第二表达式;
将所述第一表达式和所述第二表达式代入所述复合能量函数的差分方程后进行累加,得到差分累加方程;
将所述差分累加方程进行跟踪误差收敛性分析得到所述复合能量函数对轨迹跟踪控制的收敛性分析结果。
另一方面,本发明实施例还提供了一种基于自适应学习的自动驾驶车辆轨迹跟踪控制装置,包括:
参数化模块,用于建立车辆动力学模型,然后对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型;
方法设计模块,用于根据所述参数化车辆动态模型构建基于自适应迭代学习的轨迹跟踪控制律;
执行与应用模块,用于根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。
另一方面,本发明实施例还提供了一种电子设备,包括处理器以及存储器,所述存储器用于存储程序,所述处理器执行所述程序实现上述基于自适应学习的自动驾驶车辆轨迹跟踪控制方法。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例至少包括以下有益成果:本发明的实施例所提车辆轨迹跟踪控制方法能够有效处理车辆系统的欠驱动特性及非线性、不确定性等因素,有利于提升车辆系统的鲁棒性;本发明所提出的模型参数化表征方法,可以有效剥离车辆系统的已知和未知信息,便于控制器设计和参数估计,降低了控制器设计难度;本发明的实施例通过所提出的自适应学习控制方法对车辆系统的重复运行特征进行学习,逐步提升车辆的轨迹跟踪控制精度,增强车辆对驾驶环境的自适应能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,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是本发明实施例提供的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法的流程图;
图2是构建车辆动力学模型的流程图;
图3是车辆二自由度动力系统结构的示意图;
图4是根据轨迹跟踪控制律对目标车辆进行轨迹跟踪控制的流程图;
图5是车辆轨迹跟踪控制算法的结构框图;
图6是复合能量函数对轨迹跟踪控制的收敛性进行分析的流程图;
图7是基于自适应学习的自动驾驶车辆轨迹跟踪控制装置的示意图;
图8是道路曲率为零且vx=10时,不同迭代次数下车辆横向偏差跟踪性能随时间变化的曲线图;
图9是道路曲率为零且vx=10时,不同迭代次数下车辆横摆角跟踪性能随时间变化的曲线图;
图10是道路曲率为零且vx=10时,不同迭代次数下车辆横摆角速度跟踪性能随时间变化的曲线图;
图11是道路曲率为零且vx=10时,不同迭代次数下车辆滑移角跟踪性能随时间变化的曲线图;
图12是道路曲率为零且vx=10时,沿迭代轴的最大跟踪误差随迭代次数变化的曲线图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明实施例提供了一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法如图1所示,该方法包括步骤101至步骤104:
步骤101:建立车辆动力学模型。
其中,车辆动力学模型用于描述车辆在运动时的运动状态。
参照图2,上述步骤101建立车辆动力学模型这一步骤,具体可以包括步骤201至步骤202。
步骤201:根据车辆二自由度动力系统结构构建二自由度车辆横向运动模型。
其中,二自由度车辆横向运动模型的建立是因为在低速情况下,我们假设车辆模型中前后轮的速度矢量与车轮方向一致,但是当车辆速度很高时,车辆模型中前后轮的速度矢量不再与车轮方向一致,此时运动学模型就不能准确地描述车辆的运动状态,这就需要使用动力学模型对车辆进行建模,二自由度指的是横向上y轴的运动和绕z轴的转动,忽略纵向x轴的运动和力;横向指车辆的侧向运动方向,主要与车辆转弯相关,纵向指车辆前进的方向,主要与车辆加速和制动相关。
车辆二自由度动力系统结构示意图参照图3,其中,β和γ分别表示车辆的滑移角和横摆角速度,FLf和FLr分别表示前轴和后轴的转向侧偏力,a表示前轴到质心的距离,b表示后轴到质心的距离,vx表示纵向速度,vy表示横向速度,FLf表示前轴转向侧偏力,FLr表示后轴转向侧偏力,δ表示前轮转向角。
其中,二自由度车辆横向运动模型为:
车辆在行驶过程中,通常会受到侧向干扰力,且侧向干扰力是未知的,我们分别定义df、dr为前后轮受到的侧向干扰力。则前轴和后轴的转向侧偏力可描述为:
FLf=FLfn+df(β,γ), (3)
FLr=FLrn+dr(β,γ), (4)
FLfn=μCf·αf, (5)
FLrn=μCr·αr, (6)
其中,μ是道路附着系数,αf、αr分别表示前、后轮侧偏角,αf、αr的表达式为:
为了充分考虑轮胎侧偏特性的不确定性,对轮胎侧偏刚度进行了建模:
其中,Cf表示前轮侧偏刚度,Cr表示后轮侧偏刚度,Cf0和Cr0是标准转向刚性,Δf和Δr代表不确定性。
步骤202:根据所述二自由度车辆横向运动模型构建所述车辆动力学模型。
将公式(1)一(9)整合得到车辆动力学模型如下:
其中,Jz表示横摆惯性力矩,m表示质量,αf表示前轮侧偏角,αr表示后轮侧偏角,df表示前轮受到的横向外部扰动力,dr表示后轮受到的横向外部扰动力。
步骤102:对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型。
通过引入两个状态变量对所述车辆动力学模型(10)和(11)进行坐标变换,构建参数化车辆动态模型。
其中,所述状态变量的表达式为:
其中,x1为一个状态变量,x2为另一个状态变量,β为车辆的滑移角,γ为车辆横摆角速度,a为前轴到质心的距离,b为后轴到质心的距离,vx为纵向速度。
参数化车辆动态模型表达式为:
其中,u=δ,δ表示前轮转向角。
f(x)中的元素可以表示为:
ω中的元素可以表示为:
步骤103:根据所述参数化车辆动态模型构建基于自适应迭代学习的轨迹跟踪控制律。
其中,因为车辆系统有重复运行的特征,所以我们要为参数化车辆动态模型配置迭代次数,参数化车辆动态模型在配置迭代次数后可重新表示为:
其中,i为迭代次数。
基于式(14)构建基于自适应迭代学习的轨迹跟踪控制律,表达式为:
其中,c是一个大于0的给定的常数,ξ是一个可调的参数,范围在(0,1)内,并使其满足|Πf|<ξ,即Πf+ξ>0,k是一个给定常数并满足|Πf|<k,且
其中,Γ为正定的学习增益矩阵,t是当前时刻,T是一次迭代需要的时间长度。
参照图5,是构建的基于自适应学习的自动驾驶车辆轨迹跟踪控制算法的结构框图,其中参考轨迹由车辆动力学模型生成,记忆存储器用于记录存储记忆参考轨迹[βd,γd]通过迭代更新学习律后每次迭代学习的结果。
当误差时,所提出的路径跟踪控制器对系统不确定性和外部干扰的补偿主要由轨迹跟踪控制律(15)的第二项和第三项决定,第二项用于补偿前轮转弯刚度的不确定性,第三项用于补偿外部干扰的影响,参数迭代更新学习律(16)用于自适应学习估计前后轮的侧偏刚度不确定性。
步骤104:根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。
在构建了基于自适应迭代学习的轨迹跟踪控制律后,参照图4,上述步骤104的根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制这一步骤,具体可以包括以下步骤401至步骤404。
步骤401:根据车辆动力学模型生成参考轨迹,并确定所述参考轨迹的期望参考输入信号。
步骤402:配置车辆参数。
其中,所述车辆参数包括:横摆惯性力矩Jz、标准转向刚性Cf0和Cr0、前轴到质心的距离a、后轴到质心的距离b、质量m等参数,车辆参数的设置由实际情况而定,本发明实施例不作限定。
步骤403:根据配置的所述车辆参数,确定控制器参数。
步骤404:根据所述控制器参数和轨迹跟踪控制律,对所述目标车辆进行轨迹跟踪控制。
其中,在实际控制过程中,当误差控制律会存在数值上的退化情况,其中η>0,η是一个足够小的常数,该常数可由用户根据控制精度要求确定,本发明实施例不作限定,为了避免数值退化情况发生,需要先对所述轨迹跟踪控制律进行优化,再对所述目标车辆进行轨迹跟踪控制,假设在的情况下用η代替代替后轨迹跟踪控制律表达式如下:
前述方法还包括通过复合能量函数对轨迹跟踪控制的收敛性进行分析的步骤,具体包括步骤601至605:
步骤601:建立复合能量函数,所述复合能量函数分为两项,第一项用于证明跟踪误差的收敛性,第二项用于证明参数学习误差的收敛性;
其中,复合能量函数Ei的表达式为:
步骤602:将所述参数化车辆动态模型以及所述跟踪误差求导后的表达式带入所述控制律,确定第一表达式;
首先将两次迭代中的复合能量函数差分方程表示为:
由上式可以看出,复合能量函数分为两项。第一项V1证明跟踪误差的收敛性,在每次迭代中,系统的初始状态会被重置到与参考状态相同的位置,即ex,i(0)=0,该项可以表述为:
对跟踪误差求导并结合xi的状态表达式可得:
将式(20)应用于式(19),并结合跟踪控制律(15)可得:
其中,I2为二阶单位矩阵;
(1)根据Πf+ξ>0,可以推导出
从而可以得到如下关系
(2)由|Πf|<k,可得
步骤603:基于迭代学习律,根据所述复合能量函数第二项确定第二表达式。
其中,迭代学习律(16)表达式为:
基于迭代学习律,结合复合能量函数第二项我们可得如下式子:
步骤604:将所述第一表达式和所述第二表达式代入所述复合能量函数的差分方程后进行累加,得到差分累加方程。
将式(22)和(25)代入复合能量函数差分方程(18)中,可得结论:
从式(25)可以看出,两次迭代中复合能量函数的差分是小于0的,即说明随迭代次数的增加,Ei值单调递减。根据(25)我们可以分析跟踪误差收敛性。
根据式(25)得到差分累加方程表达式为:
步骤605:将所述差分累加方程进行跟踪误差收敛性分析得到所述复合能量函数对轨迹跟踪控制的收敛性分析结果。
从式(26)可以看出,若E0是有界的,那么Ei也是有界的,且ex,i收敛。E0有界证明如下:
由于Ei(y)是正定的,并且初次迭代过程E0随时间导数是连续的,故在有限时间内,并不是无穷的值,故在有限时间内是有限的且初次迭代过程中参数估计值为预设值。故可说明Ei是有界的,即最终可证明ex,i收敛。
从上述收敛性分析可以看出,反馈增益c和学习增益Γ的正定性是保证该控制算法收敛的唯一条件。
下面以详细举例描述本发明实施例提供的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法的执行和应用。
1、首先由车辆动力学模型生成参考轨迹。此处车辆动力学模型为理想模型,即不确定性及外界干扰设置为0,没有干扰,即d1(β,γ)=d2(β,γ)=0;侧偏刚度是确定的,没有不确定性,即Δf=Cf0,Δr=Cr0,Cf=2Cf0,Cr=2Cr0,由式(10)和(11)可得如下表达式:
2、由前述参考轨迹方程确定对应的期望参考输入信号如下,此处的期望参考信号数值为车辆在直线道路行驶时进行超车,先直线行驶,然后变道,最后再回到原车道场景时的数据:
dx1=25,dx2=25,dy1=3.76,dy2=3.76,
其中xp是纵向位置,xp=vxt,t∈[0,T]。
3、设定的车辆参数为:Jz=2280kg/m2、Cf0=67810N/rad、Cr0=67810N/rad、a=1.192m、b=1.598m、m=1528.13kg。
4、接着根据前述选择的车辆参数选择控制器参数,需要保证算法的收敛性,控制器参数如下:
5、最后执行并获得轨迹跟踪控制结果,轨迹跟踪控制结果参照图8-12。
如图8-11所示,本发明实施例提供了道路曲率为零且vx=10时,不同迭代次数下车辆的横向偏差、横摆角、横摆角速度以及滑移角的跟踪性能的曲线图,在图8-11中,不同的迭代次数包括1次、5次和250次,通过这些曲线图,可以看出车辆的横向偏差、横摆角、横摆角速度以及滑移角的跟踪性能因为迭代次数不同随着时间的增加,迭代次数越多的跟踪性能越好,本发明相较于现有技术有对车辆系统的重复运行特征进行学习,逐步提升车辆的轨迹跟踪控制精度,增强车辆对驾驶环境的自适应能力的特点。
如图12所示,本发明实施例提供了道路曲率为零且vx=10时,不同迭代次数下沿迭代轴的最大跟踪误差的曲线图,通过该曲线图,可以看出车辆沿迭代轴的最大跟踪误差随着迭代次数的增加逐渐降低,本发明相较于现有技术有对车辆系统的重复运行特征进行学习,逐步提高车辆的轨迹跟踪控制精度,增强车辆对环境的自适应能力的特点。
综上所述,本发明实施例的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法具有以下优点:
1、本发明实施例充分利用了车辆系统的重复运行特征进行学习,逐步提高车辆的轨迹跟踪控制精度,增强车辆对环境的自适应能力。
2、本发明实施例采用参数化表征的方法有效剥离了车辆系统的已知和未知信息,便于控制器设计和参数估计。
3、本发明实施例所提供的车辆轨迹跟踪控制方法能有效处理车辆系统的欠驱动特性以及非线性、不确定性等因素,有利于提升车辆系统的鲁棒性。
参照图7,本发明实施例还提供了一种基于自适应学习的自动驾驶车辆轨迹跟踪控制装置,包括:
参数化模块701,用于建立车辆动力学模型,对车辆动力学模型进行参数化表征构建参数化车辆动态模型;
方法设计模块702,用于根据所述参数化车辆动态模型构建基于自适应迭代学习的轨迹跟踪控制律;
执行与应用模块703,用于根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。
本发明实施例还提供了一种电子设备,该电子设备可以进行基于自适应学习的自动驾驶车辆轨迹跟踪控制,首先对车辆动力学模型进行参数化表征构建参数化车辆动态模型,然后基于参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律,最后根据轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。本发明解决了由于车辆动力学的非线性和驾驶环境的不确定性,以及外界未知干扰噪音导致难以获得精确的车辆动力学模型和控制方法性能下降的问题,通过构建基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,剥离了车辆系统的已知和未知信息,让车辆系统可以学习系统的重复运行特征,还有效处理了车辆系统的欠驱动特性以及非线性、不确定性等因素。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨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,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,包括:
建立车辆动力学模型;
对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型;
根据所述参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律;
根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。
2.根据权利要求1所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,所述建立车辆动力学模型,包括:
根据车辆二自由度动力系统结构构建二自由度车辆横向运动模型;
根据所述二自由度车辆横向运动模型构建所述车辆动力学模型。
4.根据权利要求3所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,所述根据所述参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律,包括:
将迭代次数设置为所述参数化车辆动态模型的下标;
根据设置下标的参数化车辆动态模型,构建所述基于自适应学习的自动驾驶车辆轨迹跟踪控制律。
5.根据权利要求4所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,所述根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制,包括:
根据所述车辆动力学模型生成参考轨迹,并确定期望参考输入信号;
配置车辆参数,其中,所述车辆参数包括:横摆惯性力矩、标准转向刚性、前轴到质心的距离、后轴到质心的距离、质量;
根据配置的所述车辆参数,确定控制器参数;
根据所述控制器参数和轨迹跟踪控制律,对所述目标车辆进行轨迹跟踪控制。
6.根据权利要求1所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,所述方法还包括当误差较小时,先对所述轨迹跟踪控制律进行优化,再对所述目标车辆进行轨迹跟踪控制。
7.根据权利要求1所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,所述方法还包括通过复合能量函数对轨迹跟踪控制的收敛性进行分析的步骤。
8.根据权利要求7所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法,其特征在于,所述通过复合能量函数对轨迹跟踪控制的收敛性进行分析,包括:
建立复合能量函数,所述复合能量函数分为两项,第一项用于证明跟踪误差的收敛性,第二项用于证明参数学习误差的收敛性;
将所述轨迹跟踪控制律代入由所述参数化车辆动态模型和求导后的跟踪误差确定的表达式,确定第一表达式;
基于迭代学习律,根据所述复合能量函数第二项确定第二表达式;
将所述第一表达式和所述第二表达式代入所述复合能量函数的差分方程后进行累加,得到差分累加方程;
将所述差分累加方程进行跟踪误差收敛性分析得到所述复合能量函数对轨迹跟踪控制的收敛性分析结果。
9.一种基于自适应学习的自动驾驶车辆轨迹跟踪控制装置,其特征在于,包括:
参数化模块,用于建立车辆动力学模型,对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型;
方法设计模块,用于根据所述参数化车辆动态模型构建基于自适应迭代学习的轨迹跟踪控制律;
执行与应用模块,用于根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。
10.一种电子设备,其特征在于,包括处理器以及存储器,所述存储器用于存储程序,所述处理器执行所述程序实现如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211704081.4A CN115903851A (zh) | 2022-12-29 | 2022-12-29 | 一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211704081.4A CN115903851A (zh) | 2022-12-29 | 2022-12-29 | 一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115903851A true CN115903851A (zh) | 2023-04-04 |
Family
ID=86482324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211704081.4A Pending CN115903851A (zh) | 2022-12-29 | 2022-12-29 | 一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115903851A (zh) |
-
2022
- 2022-12-29 CN CN202211704081.4A patent/CN115903851A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Active front steering-based electronic stability control for steer-by-wire vehicles via terminal sliding mode and extreme learning machine | |
Acosta et al. | Teaching a vehicle to autonomously drift: A data-based approach using neural networks | |
CN110615003B (zh) | 基于策略梯度在线学习算法的巡航控制系统及设计方法 | |
CN107831761A (zh) | 一种智能车的路径跟踪控制方法 | |
Ma et al. | Direct yaw-moment control of electric vehicles based on adaptive sliding mode | |
Jalali et al. | Development of a path-following and a speed control driver model for an electric vehicle | |
CN113183950A (zh) | 一种电动汽车主动前轮转向的自适应控制方法 | |
CN111158264A (zh) | 面向车载应用的模型预测控制快速求解方法 | |
CN112578672A (zh) | 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法 | |
Chen et al. | Rhonn modelling-enabled nonlinear predictive control for lateral dynamics stabilization of an in-wheel motor driven vehicle | |
Guo et al. | Adaptive non‐linear coordinated optimal dynamic platoon control of connected autonomous distributed electric vehicles on curved roads | |
CN111240327A (zh) | 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法 | |
Vošahlík et al. | Traction control allocation employing vehicle motion feedback controller for four-wheel-independent-drive vehicle | |
CN115903851A (zh) | 一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 | |
Hakima et al. | Designing a fuzzy logic controller to adjust the angle of tires in four wheel steering vehicles | |
CN111857112B (zh) | 一种汽车局部路径规划方法及电子设备 | |
Iyer et al. | Sliding mode control using power rate exponential reaching law for urban platooning | |
CN113741172A (zh) | 一种基于带宽参数整定的滑移率自抗扰控制方法及控制器 | |
CN117806175B (zh) | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 | |
Shen et al. | Stability Analysis and Control Validation of DDEV in Handling Limit via SOSP: A Strategy Based on Stability Region | |
Sun et al. | Minimum Lap Time Control for 4WIS&4WID Autonomous Vehicle with a Nonlinear Programming Method | |
CN114475590B (zh) | 一种电动汽车力矩控制方法和系统以及可读存储介质 | |
Yu et al. | DGPR‐MPC: Learning‐based model predictive controller for autonomous vehicle path following | |
CN113359477B (zh) | 一种车辆纵侧向耦合轨迹跟踪控制器设计方法 | |
Dong et al. | Vehicle State Estimation Based on Recurrent Neural Network |
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 |