CN115938154A - 基于场端协同的大型电动卡车的自主泊车系统的设置方法 - Google Patents
基于场端协同的大型电动卡车的自主泊车系统的设置方法 Download PDFInfo
- Publication number
- CN115938154A CN115938154A CN202211388406.2A CN202211388406A CN115938154A CN 115938154 A CN115938154 A CN 115938154A CN 202211388406 A CN202211388406 A CN 202211388406A CN 115938154 A CN115938154 A CN 115938154A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- parking
- information
- speed
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 103
- 230000006855 networking Effects 0.000 claims abstract description 56
- 230000010365 information processing Effects 0.000 claims abstract description 25
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 50
- 230000033001 locomotion Effects 0.000 claims description 42
- 230000005540 biological transmission Effects 0.000 claims description 39
- 238000007726 management method Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 239000000725 suspension Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 235000014676 Phragmites communis Nutrition 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 208000035139 partial with pericentral spikes epilepsy Diseases 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000011514 reflex Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 244000089486 Phragmites australis subsp australis Species 0.000 claims 1
- 238000002939 conjugate gradient method Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 238000013461 design Methods 0.000 claims 1
- 230000005358 geomagnetic field Effects 0.000 claims 1
- 230000007704 transition Effects 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 244000273256 Phragmites communis Species 0.000 description 2
- 230000002567 autonomic effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其方法包括的步骤为:第一步、搭载车联网平台;第二步、建立停车场管理模块;第三步、构建自主泊车控制系统;第四步、进行轨迹跟踪控制;第五步、搭建实时车端避撞系统;第六步、信息处理系统的建立;有益效果:提高交通运行的效率。该系统适用于半智能驾驶和智能驾驶的过渡阶段,是技术的极大飞跃。应用该系统,不仅可以节省驾驶员的停车时间,还能提升人们的驾驶体验。有效缓解停车供需矛盾,实现资源的最大利用,帮助人们节省时间。可以降低驾驶难度,改善产业结构,促进整个国家的信息化水平。
Description
技术领域
本发明涉及一种自主泊车系统的设置方法,特别涉及一种基于场端协同的大型电动卡车的自主泊车系统的设置方法。
背景技术
目前,自动驾驶车辆是一种集环境感知、路径规划、轨迹跟踪、控制执行等功能于一体的智能车辆系统,也称为无人驾驶,是当前汽车工业发展的必然趋势及技术创新的主要领域。对于大型卡车,具有较高的操作难度和越来越高的使用频率,目前国内外存在越来越多的针对大型卡车的智能化停车场。大型智能停车场场景下路径具有速度较低、交通参与者较少、安全性可控等特点,被认为是率先实现自动驾驶产业化的重点场景之一。大型停车场场景下自动驾驶车辆可在停车场提供信息的情况下,进行自主的路径规划,然后根据自身感知系统,完成自主泊车。如何合理地为大型卡车完成高效停车,对于提高停车场的车辆运行效率及管理调度有重要的意义。而智能泊车对车辆要求有着更高的电量,且信息采集的信号均以电信号的形式传递,所以本方案目前仅针对电动卡车。
在电动车自身参数的基础上,需要对其进行运动控制,配合上层的机器视觉以及轨迹规划等功能,获取实时信息,控制车辆实现合理的轨迹跟踪控制。轨迹跟踪控制是指在惯性坐标系中,移动无人车必须从一个给定的初始状态出发,到达和跟随给定的目标轨迹,而无人车的初始点可以在这条轨迹上,也可以不在轨迹上,这是无人车智能驾驶研究领域中一个重要的问题。目前轨迹跟踪问题的研究对象多为轮式移动机器人、无人驾驶汽车以及无人机。
中国发明专利申请“基于临时事件的无人车停车方法、装置及电子设备”(申请号:CN 202110810680.3,申请公布日:2021.08.17)公开了一种基于临时事件的无人车停车方法,能够实现基于临时事件触发无人车停车功能,通过车载传感器和控制器综合检测道路环境、交通规则、障碍物等约束条件,动态调整无人车的停车位置,提升无人车与外界用户之间交互能力和环境应对能力;该专利申请主要解决无人车在临时事件介入情况下的停车决策问题,以确定是否响应临时事件、是否停车、如何停车及停在何处等问题。
中国发明专利“一种基于无人驾驶及车联网的自动泊车方法”(专利号ZL201910892986.0)发明了一种无人驾驶车辆的自动泊车方法,通过车联网与无人驾驶技术的结合,车主在移动端输入泊车参数信息及选择泊车模式,可以实现车辆的自动泊车动作;该专利主要适用于载人自动驾驶车辆,针对特定的停车场及具备自动泊车功能的车辆,解决客户泊车难的痛点。
中国发明专利申请“一种基于人工智能的新能源汽车自动驾驶停车系统”(申请号:202011368423.0,申请公布号:2021.02.19)公开了一种基于人工智能的新能源汽车自动驾驶停车系统,通过电量剩余检测模块检测新能源汽车到达停车场后的剩余电量,并根据历史数据判断汽车能否靠剩余电量到达目的地,根据判断结果选择充电和非充电空车位;在寻找到合适空车位后通过空位扫描模块扫描确认空车位上是否有障碍物,并进一步决策是否停车;该专利申请主要基于车载传感器及控制器,用于解决车辆是否充电、停车位主动选择的问题。
针对上述几项专利,现有自动驾驶车辆的停车系统大部分应用于泊车场景,并没有考虑自动驾驶车辆从发出停车申请的位置至停车位之间的路径导航;现有自动驾驶车辆停车系统大部分应用于小型家用车,操纵情况较为简单,实现成果考虑因素较少,并不能适用于大型电动卡车,现有自动驾驶车辆的停车系统大部分基于单车智能实现,即依靠车辆自身的传感器来定位和识别车位,并没有融合“车辆-道路-云端-停车场端”之间的信息交互,不能很好地进行统一的车位调度和路径规划。
发明内容
本发明的目的是为了解决现有自动驾驶车辆的停车系统大部分基于单车智能实现,即依靠车辆自身的传感器来定位和识别车位,并没有融合“车辆-道路-云端-停车场端”之间的信息交互,不能很好地进行统一的车位调度和路径规划的问题,而提供的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法。
本发明提供的基于场端协同的大型电动卡车的自主泊车系统的设置方法,其方法包括的步骤如下:
第一步、搭载车联网平台,车联网平台包括信息接收模块、信息整理模块、高精度地图平台和信息发送模块,其中信息接收模块和信息发送模块与场端系统和车载电脑通过网络相连接来实现信息的实时传输和命令的申请与接受,信息整理模块包括车位存储单元和停车管理单元,信息整理模块会根据接收到的信息对停车场内车辆的停靠信息进行处理和汇总,车位存储单元利用场端支持系统的检测得到空闲停车位的编号及位置,当空闲停车位被识别和定位之后,信息处理模块将车位信息存储在车位数据库中,等待车辆申请;当自动驾驶车辆发出停车申请命令后,车位推荐单元利用逼近理想解的排序算法,得到空闲停车位的最优排序,并将最优车位推荐给自动驾驶车辆,车联网平台将更新车位数据库,并不再发布已被推荐的车位至其他车辆,高精度地图平台负责对停车场的地图数据进行监测,高精度地图平台根据上传到车联网平台的车位及申请车辆的定位坐标进行定位,车联网平台将通过访问预存的地图,发送给相对应车辆相关信息;
第二步、建立停车场管理模块,停车场管理模块中包括场端车位检测单元和路侧数据单元;其中场端车位检测单元通过车位检测传感器检测车位的空闲状态和车位编号,对车位信号进行预处理;而路侧数据单元负责接收来自车联网平台发布的车辆车位申请命令,及平台发布的停车位信息;
第三步、构建自主泊车控制系统,自主泊车控制系统包括建立车辆模型,进行路径规划并将行驶信息传递至运动执行部分,是整个自主泊车的控制中心,具体过程如下:
车辆的自主泊车控制系统首先根据车辆的自身属性,如车辆轴距L及前轮最大转向角θmax来确定出汽车的最小转弯半径,然后依据该半径以及车辆运动时的速度航向角和相关的位置坐标,建立出车辆的实时模型,以便控制车辆,然后车辆根据自身模型和车联网平台发布的地图信息以及目标车位信息进行路径规划,同时需要考虑避撞情况,使用Hybrid A*算法,它会在连续坐标系下逐步进行启发式搜索,子节点扩张和基于现有的障碍物地图对该路径进行碰撞检测,无碰撞路径对应节点会添加至扩张树中,生成大量可能路径,最后采用设计损失函数构造维诺图和共轭梯度方法进行非参数化插值,对生成路径的质量进行提升,以求得到能够有效避障,平滑且高效的目标路径;
第四步、进行轨迹跟踪控制,车辆的轨迹跟踪控制系统,根据相关计算控制车辆有合适的速度和转向角,控制车辆能够按照相应的路径行驶;
车辆的轨迹跟踪控制系统,将车辆视为理想条件下以后轴为中心的自行车模型,然后根据Pure Pursuit轨迹跟踪的控制方法,依据传感器实时采集出特定时刻的车辆几何中心位置坐标、速度与水平线夹角、前轮转角、车身与目标点夹角、前视距离和该时刻的运动速度,从而使车辆运动时有准确的行驶路线,最后轨迹跟踪控制系统根据输入的目标轨迹,计算出当前油门-刹车-转向的车辆执行器的目标值,并将目标数据通过CAN传递给车辆执行器ECU,执行器则根据目标值,来具体控制执行器的动作;
第五步、搭建实时车端避撞系统,车端避撞系统发现难以避免的障碍物时,自动发出警报同时采取制动或规避的措施,以避免碰撞的发生;
实时车端避撞系统是车辆实现避撞的方法或者是遇到无法避免的情况时的解决办法,实时车端避撞系统包括信号采集模块、数据处理模块和执行模块,执行模块包括启动警报、关闭车窗和紧急刹车数种决策执行方式,信号采集模块基于自身车辆传感器实时采集出车辆本身与周边车辆和障碍物的实时状态信息及当前道路信息,将实时数据不断传输至实时车端避撞系统的数据处理模块,数据处理模块根据自身的车速以及与障碍物之间的实时距离,计算出避撞临界安全距离,综合当前自车与障碍物间纵向距离完成避撞决策,规划出自车决策办法,如果距离能够进行制动而避免碰撞,车辆实施合适的减速度进行减速,如果距离太短导致无法进行避撞,那么车辆将强制触发警报和紧急刹车的数种决策;
第六步、信息处理系统的建立,信息处理系统负责采集车辆行驶时的相关信息并将其发送共享至各个系统供给使用;
信息处理系统包括信息的采集层、传输层和应用层三个部分,采集层负责采集车辆的实时运行参数、道路环境参数以及预测参数并将其转化为电信号,传输层负责连接各个系统,传输层提供信息传输服务,即实现对输入输出的数据的汇总、分析、加工和传输,应用层指的是将各种信息整合起来,将业务逻辑和资源紧密结合在一起,并以多媒体的丰富形式向用户展现信息处理的结果。
上述步骤中的自动驾驶车辆内配置有车载电脑,车载电脑也是自动驾驶车辆的控制中心,车载电脑中内置提前输入的自主泊车控制系统和轨迹跟踪控制系统以及车端避撞系统的相关代码,车载电脑与车联网平台通过网络相连,停车场管理模块和车联网平台同样通过网络相连接,停车场内部场端传感器通过实时采集车辆行驶信息和车位信息并将其发送至车联网平台供所有人看到和使用,同时车联网平台中的高精度地图平台也会共享停车场的详细地图供车辆使用,具体过程如下:
车载电脑接收到车联网平台的发布的地图信息和车位信息之后,将其共享至下行系统中,首先自主泊车控制系统通过事先建立好的车辆运动模型和接收到的地图信息以及车位信息,规划出合理的行驶路径,该路径在电脑中传输至轨迹跟踪控制系统,轨迹跟踪控制系统启动车辆,车端传感器开始运行,车载摄像头和场端传感器共同作用的数据在车联网平台中发布,同时发送至车载电脑中,计算出车辆与障碍物的实时距离,车辆运动之后,车端传感器监测车辆并将采集到的车速信息,转向角信息转化为电信号输入的轨迹跟踪控制系统,轨迹跟踪控制系统根据行驶路径和位置信息进行调配,计算出下一时刻的速度和转向角,通过电信号输入给车辆,同时车速信息、转向角信息和车辆与障碍物间距信息以及位置地图信息都会共享给车端避撞系统,车端避撞系统实时运行,计算是否为安全距离,如果一切正常,则继续行驶,如果小于安全距离,则车端避撞系统将直接传递出电信号至制动系统、电机和警报开关,进行强制刹车,电机急停和报警。
车联网平台的工作内容如下:
车联网平台通过网络相连,用于受理车主的泊车指令,车联网平台的信息接收模块和信息发送模块同时与无人驾驶车辆和停车场管理模块通过网络相连,实现场端传感器与车端传感器的相连,用于全方位监测车辆行驶路径和统计可用停车位,获取车辆周围环境信息,配合引导车辆避开其他车辆及障碍物,驶入泊车车位,车联网平台用于从停车场管理模块获取到可用泊车车位并发送至车辆,还用于对停车场内停放的车辆进行实时调控;
车联网平台之中的信息整理模块,主要负责车辆与车位的管理和车位最优化推荐,包括车位识别/定位单元、车位推荐单元和停车管理单元三部分,车位识别定位单元利用人工智能技术进行停车位识别,得到空闲停车位的编号及位置,当空闲停车位被识别和定位之后,车联网平台将车位信息存储在服务器中,等待车位申请命令;当自动驾驶车辆发出停车申请命令后,通过网络层传递到车联网平台,车联网平台中的车位推荐单元利用逼近理想解的排序算法,得到空闲停车位的最优排序,并将最优车位通过网络发送给自动驾驶车辆,同时车联网平台将更新车位数据库,并不再发布已被推荐的车位至其他车辆;
高精地图平台属于车联网平台的下行部分,可输出车道级别的停车场地图数据,用于支持低延迟、高精度的路径规划,车联网平台将车辆申请停车命令传递给信息接收模块,进而高精度地图平台将停车场的路况信息通过网络实时发送至车载导航系统,车载导航系统根据泊车位置与停车场实时路况信息判断出泊车可行路径,依据上传到车联网平台的车位及申请车辆的定位坐标,车联网平台将通过访问预存的地图,引导车辆自动驾驶至该车位,完成停车。
搭建的停车场管理模块工作如下:
满足上述步骤的停车场为具有引导并管理无人车辆功能的停车场,为合理利用停车场泊车车位,减少资源浪费,停车场管理系统设置有场端车位检测单元,场端车位检测单元为车位地磁检测装置,车位地磁检测装置由地磁传感器、电源、单片机和通信单元组成,场端车位检测单元通过检测车辆形式到停车位时对车位附近大地磁场的扰动来确定停车状态,能够将车位实时使用信息上传至停车场管理模块,场端车位检测单元负责统计并上报停车场内停泊车辆信息,包括车牌号、泊车时长、车辆位置以及自主泊车车辆行驶时的相关信息,场端车位检测单元采集到车辆相关信息后通过网络实时传递到车联网平台中,路侧数据单元负责监视手机车辆行驶信息,并将其传送至车联网平台中供使用。
自主泊车控制系统工作过程包括的步骤如下:
步骤1、确定最小转弯半径:汽车的最小转弯半径是指当前轮转向角达到最大,汽车以最低稳定车速做转向运动时,汽车外侧转向轮中心面在支撑平面上行驶过的轨迹圆半径,RA表示汽车的最小转弯半径,其计算公式如下:
式中:L表示车辆轴距,θmax表示前轮最大转向角;
步骤2、建立车辆运动模型:通过以车辆后轴中心点为参考点,根据车辆自身信息建立车辆自身模型,自行车模型的建立基于如下假设:
1)、不考虑车辆在垂直方向,即Z轴方向的运动,即假设车辆的运动是一个二维平面上的运动;
2)、假设车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速;这样车辆的左右两个轮胎的运动可以合并为一个轮胎来描述;
3)、假设车辆行驶速度变化缓慢,忽略前后轴载荷的转移;
4)、假设车身和悬架系统都是刚性系统;
5)、假设车辆的运动和转向是由前轮驱动的;
在大地坐标系OXY下,由于车辆后轴中心点的车速与车辆质心处的车速相差较小,并且与车身方向始终一致,运动轨迹方程易于表达,因此将车辆后轴中心点(x,y)作为参考点,后轴中心点的车速为v,车辆前轴中心点的坐标为(xf,yf),车辆的航向角为θ,车辆的轴距为L,车辆后轴延伸线与前轮转角垂直的延伸线相交于一点P,为车辆的瞬时转向中心,点Р与后轴中心点的距离为转向半径R。
车辆运动学模型按以下公式表示:
δ为前轮等效转角,根据几何关系可得,车辆瞬时转向中心对应的角度也为δ,因此前轮等效转角与轴距、转向半径的关系可表示为:
车辆前轴中心点坐标与后轴中心点坐标的关系:
xf=x+L·cosθ
yf=y+L·sinθ
车辆后轴中心点在大地坐标系下横轴与纵轴上的分速度为:
由于车辆不发生侧滑,所以车辆前后轮方向的垂直方向上速度为零;
由上述计算可以得出:
综上可知,车辆的运动学方程为:
该式中,[x,y,θ]T为车辆的状态量,表使车辆的位姿,[v,δ]T为控制量,表使车辆的速度和前轮转角;
其中,(x,y)表示车辆几何中心位置坐标;(xf,yf)表示车辆前轮中心位置坐标,δ为前轮等效转角;v表示车辆速度;L表示轴距;θ表示车辆的航向角;R表示给定转角下后轴遵循着的圆的半径;
步骤3、路径规划:Hybrid A*算法将初始姿态点(x1,y1,θ1)加入开启列表中,将开启列表中优先级最高的节点加入到关闭列表中,判断当前节点是否小于阈值,如果小于阈值,则用Reeds-Shepp曲线或Dubins曲线与目标姿态点(x2,y2,θ2)相连接,并进行碰撞检测,如果和障碍物无碰撞,则保留该曲线并生成路径,如果与障碍物发生碰撞则放弃该曲线,并从开启列表中重新寻找节点,重新进行扩展,最终生成从起始状态到目标状态且符合车辆运动学约束的可行路径,具体过程如下:
(1)、首先车载电脑中车辆路径规划系统根据场端提供的相关地图以及当前定位信息和目标库位进行判断,控制端将场端提供的地图信息转变为车辆可用的二维栅格地图,并得到车辆的初始姿态(x1,y1,θ1)与目标姿态(x2,y2,θ2);
(2)、Hybrid A*算法选择两者的最大值作为最终的启发信息,H(n)=max(Reeds-Shepp,A*)第一种“考虑约束不考虑障碍物”是为了防止机器人从错误的方向到达目标,第二种“考虑障碍物不考虑约束”是为了防止在断头路或者U型障碍物里浪费时间;
(3)、上述(2)中使用的Reeds-Shepp曲线既可以对车辆进行启发信息的探索,又可以在后续的节点扩展中给出两个节点之间符合车辆运动学模型的区间路径;
在Reeds-Shepp曲线的路径中,允许尖瓣存在,为了表示尖瓣,需要在字段中的字母上加入上标,用来表示运动方向,表示如下:
符号 | 含义 | 绕单位圆 |
L+ | 向前左转 | 逆时针 |
L- | 向后左转 | 顺时针 |
R+ | 向前左转 | 逆时针 |
R- | 向后左转 | 顺时针 |
S+ | 向前直走 | / |
S- | 向后直走 | / |
根据车辆运动学模型的微分方程如下:
其积分形式如下:
积分可得:
ψ(t)=t
对应的路径如下:
如果t>0:车辆前进,符号+,如果t<0:车辆后退,符号-。
Reeds andShepp曲线共有48种字段短语中的“|”表示车辆运动朝向由正向转为反向或者由反向转为正向,这48个字段中的一些对于字段类型的实际路径存在两种公式,对于给定的任意情形,至多68个公式;
下表列出了充分集合中的48个字段:
位置姿态的统一,具体如下:
在计算之前,要将车辆的姿态归一化,假设车辆的初始姿态为(x1,y1,θ1),目标姿态为(x2,y2,θ2),车辆的半径为r=ρ,归一化的过程就是向量的平移和旋转的过程,使得变换后的起始位姿(0,0,0),目标姿态为(x,y,φ),车辆的转弯半径r=1;
x=((x2-x1)*cos(θ1)+(y2-y1)*sin(θ1))/ρ
y=(-(x2-x1)*sin(θ1)+(y2-y1)*cos(θ1))/ρ
φ=θ2-θ1
利用对称关系降低求解复杂度,具体如下:
Reeds-Shepp曲线求解原理为,将目标点变更后,相当于原目标点A关于y轴与x轴进行对称,得到新的目标点B,生成一组新的路径t,u,v,利用timefilp对称性,即符号对称性和reflect对称性,即RL对称性可得下表关系:
(x,y,θ) | (-x,y,-θ) | (-x,-y,θ) | (x,-y,-θ) |
L+ | L- | R- | R+ |
R+ | R- | L- | L+ |
S+ | S- | S- | S+ |
L- | L+ | R+ | R- |
R- | R+ | L+ | L- |
S- | S+ | S+ | S- |
以此简化计算;
步骤4、碰撞检测:将车身用三个重叠圆代替,对于每个状态,计算障碍物栅格点到圆心的距离是否大于半径来进行碰撞检测,三个圆的并集包含车身,圆的近似是有效的,因为圆的碰撞检测很快,只要计算占据栅格中障碍物点到圆心的距离是否小于半径,小于半径则说明有碰撞产生,否则没有,计算量小,准确度相对较高。
轨迹跟踪控制系统的具体工作过程如下:
根据已给出的路径,将其计算为一条曲率连续的参考轨迹,车辆前轴与后轴均作为控制点,横向误差采取为以车辆前轴中心为控制点的转角跟踪误差控制,纵向误差采取以车辆后轴中心点为控制点的速度跟踪误差控制,控制器通过控制电机电压改变电机功率,实现对速度与前轮转角的控制,将车辆转角和车辆速度的控制解耦到以前后轴中心点为控制点的双轴控制,实现了车辆速度和转角速度的分离控制,减少了二者控制的相互影响,充分地利用了车辆前后轴自由度,具有更大的前后轮自由度的和较高的跟踪精度;
包括以下过程:
步骤1、根据车辆的实时位姿以及泊车点位姿,结合速度与转角速度约束的车辆运动学模型,获取车辆的以后轴为几何中心的参考位姿序列;
步骤2、通过位姿变换关系,将几何中心点参考位姿序列转换为车辆的后轴中心点参考轨迹;
步骤3、车辆运动学模型按以下公式表示:
y(t+Δt)=y(t)+vt sin(δt)Δt
x(t+Δt)=x(t)+vt cos(δt)Δt
其中,(x,y)表示车辆几何中心位置坐标;δ表示速度与水平线夹角;β表示前轮转角;α表示车身与目标点夹角;t表示某一时刻;Δt表示时间间隔;L表示轴距;Lf表示前视距离;vt表示t时刻速度;R表示给定转角下后轴遵循着的圆的半径;
步骤4、速度与转角速度约束按以下公式表示:
V(t+Δt)=V(t)+aΔt
V≤Vmax
β≤βmax
V表示速度值;Vmax设的速度最大值;βmax设的前轮转角最大值;
步骤5、转弯半径与前视距离约束按以下公式表示:
R≤Rmax
Lf=kvc
其中,Rmax为车辆最大转弯半径;k表示前视距离与速度之间的比例系数;
步骤6、位姿变换关系按以下公式表示:
其中,xf与yf表示前轴中心点的位置坐标;xr与yr表示后轴中心点的位置坐标;
根据后轴中心参考轨迹,采用反馈控制的预瞄方法,获取后轮转角控制量;
包括以下过程:
计算后轴中心点到所述后轴中心点参考轨迹上最近点A的距离d;
计算离这个点距离满足前视距离Lf的下一个点B;
将车辆后轴中心点参考轨迹的B点作为后轮预瞄点P;
根据预设的后轮预瞄系数k,距离d,后轮预瞄点P的位置坐标,计算获得车辆前轮转角β;
最后车辆通过实时更新自身状态信息,更新当前速度和转向角,通过PID控制器获取受控对象的速度控制量,最终驶入停车位。
车端避撞系统的工作过程如下:
车端避撞系统由信号采集模块、数据处理模块和执行模块三个部分组成,具体部分的工作过程包括如下步骤:
步骤1、信号采集模块的工作:信号采集模块采用雷达和摄像头的技术自动测出本车与障碍物之间的距离;
步骤2、数据处理模块的工作:数据处理模块对瞬时速度进行处理并判断出安全距离,若小于安全距离,则发出指令进行报警或者刹车,具体过程如下:
以自车质心为参考点建立坐标系;引入能够反映行车状况危险程度的车辆碰撞时距TTC-1,再结合行车信息及车辆所处危险等级临界指标,由下式计算输出协同避撞制动减速度阈值ax-max
上式中,vm为自车初始车速,vn为障碍物速度,此处将障碍物理想为无速度的固定物体,所以vn=0,S0为自车与障碍物间纵向距离,0.8作为车辆处于危险等级TTC-1临界指标;
基于理想制动减速度a′x和制动减速度阈值ax-max,通过比较后输出当前路况协同避撞时的期望制动减速度ax-fine:当|a′x|≤|ax-max|时,令ax-fine=a′x;当|a′x|>|ax-max|,令ax-fine=ax-max;
基于协同避撞期望制动减速度ax-fine,完成协同避撞轨迹规划,表示为:
上式中,x′(t)、y′(t)分别为t时刻自车坐标,vm为自车初始速度,t′m为协同避撞完成时间,X(t′m)为对应完成协同避撞时自车质心的纵向位移;
根据已规划的轨迹,考虑自车平稳且有效完成避撞,对避撞过程中的临界碰撞场景进行分析,并计算得到避撞临界安全距离D协同;
基于协同避撞临界安全距离D协同,比较实时采集的自车与障碍物间纵向距离S0和协同避撞临界安全距离D协同两者间大小关系;
步骤3、执行模块的工作:执行模块接收数据处理模块的指令并实施,发出警报、关闭车窗和自动刹车的指令;
若S0<D协同,碰撞无法避免,控制车辆尽全力制动减轻碰撞伤害;执行模块并发出相应警报;
若S0>D协同,碰撞可以避免,车辆继续行驶。
信息处理系统的工作过程如下:
信息处理系统主要由三大层次结构组成,按照其层次由低到高分别是采集层、传输层和应用层,各层的工作步骤如下:
步骤1、采集层的工作:采集层负责采集车辆的车速、转向角、定位信息、里程、发动机转速和车内温度,采集层由车辆传感器来完成,变速器上的传感器包括有车速传感器、温度传感器、轴转速传感器和压力传感器,方向器上的传感器包括有转角传感器、转矩传感器和液压传感器;悬架上的传感器包括有车速传感器、加速度传感器、车身高度传感器、侧倾角传感器和转角传感器;
车用传感器是汽车计算机系统的输入装置,它把汽车运行中各种工况信息,车速、各种介质的温度和发动机运转工况转化成电信号输入到车载计算机中,采集到的数据也会上传到后台服务器进行统一的处理与分析,得到用户所需要的业务数据,为车辆提供可靠的数据支持来完成后续的工作;
步骤2、传输层的工作:传输层是由网络服务器以及WEB服务组成,从通信和信息处理的角度来看,传输层向上面的应用层提供通信服务;传输层位于网络层之上,它为运行在不同主机上的进程之间提供了逻辑通信,而网络层提供主机之间的逻辑通信;即使网络层协议不可靠,传输层同样能为应用程序提供可靠的服务;传输层提供应用进程之间的逻辑通信,即端到端通信;逻辑通信指的是传输层之间的通信是延水平方向传送数据,但事实上这两个传输层之间并没有一条水平方向的物理连接;
当传输层采用面向连接的TCP时,这种逻辑通信信道就相当于一条全双工的可靠信道;由服务器对数据进行统计的管理,为每辆车提供相应的业务,同时可以对数据进行联合分析,成为局部车联网服务业务,为用户群提供高效、准确和及时的数据服务;
步骤3、应用层的工作:应用层将网络传输层所有传输数据去除固有格式,即SF、FF、CF标志位、Len和填充位后剩余Data部分的应用,将Data部分赋予实际意义;
网络层做的是数据如何传输,而应用层考虑的是获取数据中的信息,应用层中的请求指的是客户端发送给服务端的信息;应用层中的响应指的是服务端发送给客户端的信息,客户端通常指诊断仪、上位机和测试工具,服务端通常指BCM、GW和PEPS车身电子元器件,标准应用层服务参考ISO 15765-3和ISO 14229-1文件,运用于测试、监控、诊断和车辆在线刷新的场景。
本发明的有益效果:
本发明提供的基于场端协同的大型电动卡车的自主泊车系统的设置方法利用车辆上的车载设备通过无线通信技术,对车联网平台中的所有静态、动态信息进行有效利用,在车辆运行中提供不同的功能服务,车联网表现出以下几点特征:车联网能够为车与障碍物之间的间距提供保障,降低车辆发生碰撞事故的几率;车联网能够帮助车主实时导航或者是实现自主驾驶,并通过与其它车辆或网络系统的通信,提高交通运行的效率。本发明提出了一种切实可行的自主泊车系统以便携人们的生活。该系统适用于半智能驾驶和智能驾驶的过渡阶段,是技术的极大飞跃。应用该系统,不仅可以节省驾驶员的停车时间,还能提升人们的驾驶体验。
本系统通过大数据分析,来合理调配停车资源,从而有效缓解停车供需矛盾,实现资源的最大利用,帮助人们节省时间。另外则是可以降低驾驶难度,对于大多数人来说,停车入库是困难的过程,本系统的实施,能够帮助我们减轻驾驶压力,有一个更好的心态驾驶车辆。其次车辆智能化已经成为了衡量一个国家社会文明和科技进步的重要标志之一。作为一个新型的交叉学科领域,智能车辆的研究集成了信息科学与人工智能技术的最新成果,具有广泛的学科发展和理论价值,是国家科研水平综合实力的集中体现,研究成果也会促进相关学科的迅猛发展,带动整个国民经济的发展,改善产业结构,促进整个国家的信息化水平。
附图说明
图1为本发明所述的自动泊车车辆最小转弯半径图示意图。
图2为本发明所述的阿克曼转向几何示意图。
图3为本发明所述的自行车模型示意图。
图4为本发明所述的碰撞检测示意图。
图5为本发明所述的自主泊车系统总流程示意图。
图6为本发明所述的停车场管理模块与车联网平台信息交流流程示意图。
图7为本发明所述的自主泊车车辆与车联网平台信息交流流程示意图。
图8为本发明所述的路径规划流程示意图。
图9为本发明所述的轨迹跟踪控制系统流程示意图。
图10为本发明所述的车端避撞系统流程示意图。
具体实施方式
请参阅图1至图10所示:
本发明提供的基于场端协同的大型电动卡车的自主泊车系统的设置方法,其方法包括的步骤如下:
第一步、搭载车联网平台,车联网平台包括信息接收模块、信息整理模块、高精度地图平台和信息发送模块,其中信息接收模块和信息发送模块与场端系统和车载电脑通过网络相连接来实现信息的实时传输和命令的申请与接受,信息整理模块包括车位存储单元和停车管理单元,信息整理模块会根据接收到的信息对停车场内车辆的停靠信息进行处理和汇总,车位存储单元利用场端支持系统的检测得到空闲停车位的编号及位置,当空闲停车位被识别和定位之后,信息处理模块将车位信息存储在车位数据库中,等待车辆申请;当自动驾驶车辆发出停车申请命令后,车位推荐单元利用逼近理想解的排序算法,得到空闲停车位的最优排序,并将最优车位推荐给自动驾驶车辆,车联网平台将更新车位数据库,并不再发布已被推荐的车位至其他车辆,高精度地图平台负责对停车场的地图数据进行监测,高精度地图平台根据上传到车联网平台的车位及申请车辆的定位坐标进行定位,车联网平台将通过访问预存的地图,发送给相对应车辆相关信息;
第二步、建立停车场管理模块,停车场管理模块中包括场端车位检测单元和路侧数据单元;其中场端车位检测单元通过车位检测传感器检测车位的空闲状态和车位编号,对车位信号进行预处理;而路侧数据单元负责接收来自车联网平台发布的车辆车位申请命令,及平台发布的停车位信息;
第三步、构建自主泊车控制系统,自主泊车控制系统包括建立车辆模型,进行路径规划并将行驶信息传递至运动执行部分,是整个自主泊车的控制中心,具体过程如下:
车辆的自主泊车控制系统首先根据车辆的自身属性,如车辆轴距L及前轮最大转向角θmax来确定出汽车的最小转弯半径,然后依据该半径以及车辆运动时的速度航向角和相关的位置坐标,建立出车辆的实时模型,以便控制车辆,然后车辆根据自身模型和车联网平台发布的地图信息以及目标车位信息进行路径规划,同时需要考虑避撞情况,使用Hybrid A*算法,它会在连续坐标系下逐步进行启发式搜索,子节点扩张和基于现有的障碍物地图对该路径进行碰撞检测,无碰撞路径对应节点会添加至扩张树中,生成大量可能路径,最后采用设计损失函数构造维诺图和共轭梯度方法进行非参数化插值,对生成路径的质量进行提升,以求得到能够有效避障,平滑且高效的目标路径;
第四步、进行轨迹跟踪控制,车辆的轨迹跟踪控制系统,根据相关计算控制车辆有合适的速度和转向角,控制车辆能够按照相应的路径行驶;
车辆的轨迹跟踪控制系统,将车辆视为理想条件下以后轴为中心的自行车模型,然后根据Pure Pursuit轨迹跟踪的控制方法,依据传感器实时采集出特定时刻的车辆几何中心位置坐标、速度与水平线夹角、前轮转角、车身与目标点夹角、前视距离和该时刻的运动速度,从而使车辆运动时有准确的行驶路线,最后轨迹跟踪控制系统根据输入的目标轨迹,计算出当前油门-刹车-转向的车辆执行器的目标值,并将目标数据通过CAN传递给车辆执行器ECU,执行器则根据目标值,来具体控制执行器的动作;
第五步、搭建实时车端避撞系统,车端避撞系统发现难以避免的障碍物时,自动发出警报同时采取制动或规避的措施,以避免碰撞的发生;
实时车端避撞系统是车辆实现避撞的方法或者是遇到无法避免的情况时的解决办法,实时车端避撞系统包括信号采集模块、数据处理模块和执行模块,执行模块包括启动警报、关闭车窗和紧急刹车数种决策执行方式,信号采集模块基于自身车辆传感器实时采集出车辆本身与周边车辆和障碍物的实时状态信息及当前道路信息,将实时数据不断传输至实时车端避撞系统的数据处理模块,数据处理模块根据自身的车速以及与障碍物之间的实时距离,计算出避撞临界安全距离,综合当前自车与障碍物间纵向距离完成避撞决策,规划出自车决策办法,如果距离能够进行制动而避免碰撞,车辆实施合适的减速度进行减速,如果距离太短导致无法进行避撞,那么车辆将强制触发警报和紧急刹车的数种决策;
第六步、信息处理系统的建立,信息处理系统负责采集车辆行驶时的相关信息并将其发送共享至各个系统供给使用;
信息处理系统包括信息的采集层、传输层和应用层三个部分,采集层负责采集车辆的实时运行参数、道路环境参数以及预测参数并将其转化为电信号,传输层负责连接各个系统,传输层提供信息传输服务,即实现对输入输出的数据的汇总、分析、加工和传输,应用层指的是将各种信息整合起来,将业务逻辑和资源紧密结合在一起,并以多媒体的丰富形式向用户展现信息处理的结果。
上述步骤中的自动驾驶车辆内配置有车载电脑,车载电脑也是自动驾驶车辆的控制中心,车载电脑中内置提前输入的自主泊车控制系统和轨迹跟踪控制系统以及车端避撞系统的相关代码,车载电脑与车联网平台通过网络相连,停车场管理模块和车联网平台同样通过网络相连接,停车场内部场端传感器通过实时采集车辆行驶信息和车位信息并将其发送至车联网平台供所有人看到和使用,同时车联网平台中的高精度地图平台也会共享停车场的详细地图供车辆使用,具体过程如下:
车载电脑接收到车联网平台的发布的地图信息和车位信息之后,将其共享至下行系统中,首先自主泊车控制系统通过事先建立好的车辆运动模型和接收到的地图信息以及车位信息,规划出合理的行驶路径,该路径在电脑中传输至轨迹跟踪控制系统,轨迹跟踪控制系统启动车辆,车端传感器开始运行,车载摄像头和场端传感器共同作用的数据在车联网平台中发布,同时发送至车载电脑中,计算出车辆与障碍物的实时距离,车辆运动之后,车端传感器监测车辆并将采集到的车速信息,转向角信息转化为电信号输入的轨迹跟踪控制系统,轨迹跟踪控制系统根据行驶路径和位置信息进行调配,计算出下一时刻的速度和转向角,通过电信号输入给车辆,同时车速信息、转向角信息和车辆与障碍物间距信息以及位置地图信息都会共享给车端避撞系统,车端避撞系统实时运行,计算是否为安全距离,如果一切正常,则继续行驶,如果小于安全距离,则车端避撞系统将直接传递出电信号至制动系统、电机和警报开关,进行强制刹车,电机急停和报警。
车联网平台的工作内容如下:
车联网平台通过网络相连,用于受理车主的泊车指令,车联网平台的信息接收模块和信息发送模块同时与无人驾驶车辆和停车场管理模块通过网络相连,实现场端传感器与车端传感器的相连,用于全方位监测车辆行驶路径和统计可用停车位,获取车辆周围环境信息,配合引导车辆避开其他车辆及障碍物,驶入泊车车位,车联网平台用于从停车场管理模块获取到可用泊车车位并发送至车辆,还用于对停车场内停放的车辆进行实时调控;
车联网平台之中的信息整理模块,主要负责车辆与车位的管理和车位最优化推荐,包括车位识别/定位单元、车位推荐单元和停车管理单元三部分,车位识别定位单元利用人工智能技术进行停车位识别,得到空闲停车位的编号及位置,当空闲停车位被识别和定位之后,车联网平台将车位信息存储在服务器中,等待车位申请命令;当自动驾驶车辆发出停车申请命令后,通过网络层传递到车联网平台,车联网平台中的车位推荐单元利用逼近理想解的排序算法,得到空闲停车位的最优排序,并将最优车位通过网络发送给自动驾驶车辆,同时车联网平台将更新车位数据库,并不再发布已被推荐的车位至其他车辆;
高精地图平台属于车联网平台的下行部分,可输出车道级别的停车场地图数据,用于支持低延迟、高精度的路径规划,车联网平台将车辆申请停车命令传递给信息接收模块,进而高精度地图平台将停车场的路况信息通过网络实时发送至车载导航系统,车载导航系统根据泊车位置与停车场实时路况信息判断出泊车可行路径,依据上传到车联网平台的车位及申请车辆的定位坐标,车联网平台将通过访问预存的地图,引导车辆自动驾驶至该车位,完成停车。
搭建的停车场管理模块工作如下:
满足上述步骤的停车场为具有引导并管理无人车辆功能的停车场,为合理利用停车场泊车车位,减少资源浪费,停车场管理系统设置有场端车位检测单元,场端车位检测单元为车位地磁检测装置,车位地磁检测装置由地磁传感器、电源、单片机和通信单元组成,场端车位检测单元通过检测车辆形式到停车位时对车位附近大地磁场的扰动来确定停车状态,能够将车位实时使用信息上传至停车场管理模块,场端车位检测单元负责统计并上报停车场内停泊车辆信息,包括车牌号、泊车时长、车辆位置以及自主泊车车辆行驶时的相关信息,场端车位检测单元采集到车辆相关信息后通过网络实时传递到车联网平台中,路侧数据单元负责监视手机车辆行驶信息,并将其传送至车联网平台中供使用。
自主泊车控制系统工作过程包括的步骤如下:
步骤1、确定最小转弯半径:汽车的最小转弯半径是指当前轮转向角达到最大,汽车以最低稳定车速做转向运动时,汽车外侧转向轮中心面在支撑平面上行驶过的轨迹圆半径,RA表示汽车的最小转弯半径,其计算公式如下:
式中:L表示车辆轴距,θmax表示前轮最大转向角;
步骤2、建立车辆运动模型:通过以车辆后轴中心点为参考点,根据车辆自身信息建立车辆自身模型,自行车模型的建立基于如下假设:
1)、不考虑车辆在垂直方向,即Z轴方向的运动,即假设车辆的运动是一个二维平面上的运动;
2)、假设车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速;这样车辆的左右两个轮胎的运动可以合并为一个轮胎来描述;
3)、假设车辆行驶速度变化缓慢,忽略前后轴载荷的转移;
4)、假设车身和悬架系统都是刚性系统;
5)、假设车辆的运动和转向是由前轮驱动的;
在大地坐标系OXY下,由于车辆后轴中心点的车速与车辆质心处的车速相差较小,并且与车身方向始终一致,运动轨迹方程易于表达,因此将车辆后轴中心点(x,y)作为参考点,后轴中心点的车速为v,车辆前轴中心点的坐标为(xf,yf),车辆的航向角为θ,车辆的轴距为L,车辆后轴延伸线与前轮转角垂直的延伸线相交于一点P,为车辆的瞬时转向中心,点Р与后轴中心点的距离为转向半径R。
车辆运动学模型按以下公式表示:
δ为前轮等效转角,根据几何关系可得,车辆瞬时转向中心对应的角度也为δ,因此前轮等效转角与轴距、转向半径的关系可表示为:
车辆前轴中心点坐标与后轴中心点坐标的关系:
xf=x+L·cosθ
yf=y+L·sinθ
车辆后轴中心点在大地坐标系下横轴与纵轴上的分速度为:
由于车辆不发生侧滑,所以车辆前后轮方向的垂直方向上速度为零;
由上述计算可以得出:
综上可知,车辆的运动学方程为:
该式中,[x,y,θ]T为车辆的状态量,表使车辆的位姿,[v,δ]T为控制量,表使车辆的速度和前轮转角;
其中,(x,y)表示车辆几何中心位置坐标;(xf,yf)表示车辆前轮中心位置坐标,δ为前轮等效转角;v表示车辆速度;L表示轴距;θ表示车辆的航向角;R表示给定转角下后轴遵循着的圆的半径;
步骤3、路径规划:Hybrid A*算法将初始姿态点(x1,y1,θ1)加入开启列表中,将开启列表中优先级最高的节点加入到关闭列表中,判断当前节点是否小于阈值,如果小于阈值,则用Reeds-Shepp曲线或Dubins曲线与目标姿态点(x2,y2,θ2)相连接,并进行碰撞检测,如果和障碍物无碰撞,则保留该曲线并生成路径,如果与障碍物发生碰撞则放弃该曲线,并从开启列表中重新寻找节点,重新进行扩展,最终生成从起始状态到目标状态且符合车辆运动学约束的可行路径,具体过程如下:
(1)、首先车载电脑中车辆路径规划系统根据场端提供的相关地图以及当前定位信息和目标库位进行判断,控制端将场端提供的地图信息转变为车辆可用的二维栅格地图,并得到车辆的初始姿态(x1,y1,θ1)与目标姿态(x2,y2,θ2);
(2)、Hybrid A*算法选择两者的最大值作为最终的启发信息,H(n)=max(Reeds-Shepp,A*)第一种“考虑约束不考虑障碍物”是为了防止机器人从错误的方向到达目标,第二种“考虑障碍物不考虑约束”是为了防止在断头路或者U型障碍物里浪费时间;
(3)、上述(2)中使用的Reeds-Shepp曲线既可以对车辆进行启发信息的探索,又可以在后续的节点扩展中给出两个节点之间符合车辆运动学模型的区间路径;
在Reeds-Shepp曲线的路径中,允许尖瓣存在,为了表示尖瓣,需要在字段中的字母上加入上标,用来表示运动方向,表示如下:
符号 | 含义 | 绕单位圆 |
L+ | 向前左转 | 逆时针 |
L- | 向后左转 | 顺时针 |
R+ | 向前左转 | 逆时针 |
R- | 向后左转 | 顺时针 |
S+ | 向前直走 | / |
S- | 向后直走 | / |
根据车辆运动学模型的微分方程如下:
其积分形式如下:
积分可得:
ψ(t)=t
对应的路径如下:
如果t>0:车辆前进,符号+,如果t<0:车辆后退,符号-。
Reeds and Shepp曲线共有48种字段短语中的“|”表示车辆运动朝向由正向转为反向或者由反向转为正向,这48个字段中的一些对于字段类型的实际路径存在两种公式,对于给定的任意情形,至多68个公式;
下表列出了充分集合中的48个字段:
位置姿态的统一,具体如下:
在计算之前,要将车辆的姿态归一化,假设车辆的初始姿态为(x1,y1,θ1),目标姿态为(x2,y2,θ2),车辆的半径为r=ρ,归一化的过程就是向量的平移和旋转的过程,使得变换后的起始位姿(0,0,0),目标姿态为车辆的转弯半径r=1;
x=((x2-x1)*cos(θ1)+(y2-y1)*sin(θ1))/ρ
y=(-(x2-x1)*sin(θ1)+(y2-y1)*cos(θ1))/ρ
φ=θ2-θ1
利用对称关系降低求解复杂度,具体如下:
Reeds-Shepp曲线求解原理为,将目标点变更后,相当于原目标点A关于y轴与x轴进行对称,得到新的目标点B,生成一组新的路径t,u,v,利用timefilp对称性,即符号对称性和reflect对称性,即RL对称性可得下表关系:
(x,y,θ) | (-x,y,-θ) | (-x,-y,θ) | (x,-y,-θ) |
L+ | L- | R- | R+ |
R+ | R- | L- | L+ |
S+ | S- | S- | S+ |
L- | L+ | R+ | R- |
R- | R+ | L+ | L- |
S- | S+ | S+ | S- |
以此简化计算;
步骤4、碰撞检测:将车身用三个重叠圆代替,对于每个状态,计算障碍物栅格点到圆心的距离是否大于半径来进行碰撞检测,三个圆的并集包含车身,圆的近似是有效的,因为圆的碰撞检测很快,只要计算占据栅格中障碍物点到圆心的距离是否小于半径,小于半径则说明有碰撞产生,否则没有,计算量小,准确度相对较高。
轨迹跟踪控制系统的具体工作过程如下:
根据已给出的路径,将其计算为一条曲率连续的参考轨迹,车辆前轴与后轴均作为控制点,横向误差采取为以车辆前轴中心为控制点的转角跟踪误差控制,纵向误差采取以车辆后轴中心点为控制点的速度跟踪误差控制,控制器通过控制电机电压改变电机功率,实现对速度与前轮转角的控制,将车辆转角和车辆速度的控制解耦到以前后轴中心点为控制点的双轴控制,实现了车辆速度和转角速度的分离控制,减少了二者控制的相互影响,充分地利用了车辆前后轴自由度,具有更大的前后轮自由度的和较高的跟踪精度;
包括以下过程:
步骤1、根据车辆的实时位姿以及泊车点位姿,结合速度与转角速度约束的车辆运动学模型,获取车辆的以后轴为几何中心的参考位姿序列;
步骤2、通过位姿变换关系,将几何中心点参考位姿序列转换为车辆的后轴中心点参考轨迹;
步骤3、车辆运动学模型按以下公式表示:
y(t+Δt)=y(t)+vt sin(δt)Δt
x(t+Δt)=x(t)+vt cos(δt)Δt
其中,(x,y)表示车辆几何中心位置坐标;δ表示速度与水平线夹角;β表示前轮转角;α表示车身与目标点夹角;t表示某一时刻;Δt表示时间间隔;L表示轴距;Lf表示前视距离;vt表示t时刻速度;R表示给定转角下后轴遵循着的圆的半径;
步骤4、速度与转角速度约束按以下公式表示:
V(t+Δt)=V(t)+aΔt
V≤Vmax
β≤βmax
V表示速度值;Vmax设的速度最大值;βmax设的前轮转角最大值;
步骤5、转弯半径与前视距离约束按以下公式表示:
R≤Rmax
Lf=kvc
其中,Rmax为车辆最大转弯半径;k表示前视距离与速度之间的比例系数;
步骤6、位姿变换关系按以下公式表示:
其中,xf与yf表示前轴中心点的位置坐标;xr与yr表示后轴中心点的位置坐标;
根据后轴中心参考轨迹,采用反馈控制的预瞄方法,获取后轮转角控制量;
包括以下过程:
计算后轴中心点到所述后轴中心点参考轨迹上最近点A的距离d;
计算离这个点距离满足前视距离Lf的下一个点B;
将车辆后轴中心点参考轨迹的B点作为后轮预瞄点P;
根据预设的后轮预瞄系数k,距离d,后轮预瞄点P的位置坐标,计算获得车辆前轮转角β;
最后车辆通过实时更新自身状态信息,更新当前速度和转向角,通过PID控制器获取受控对象的速度控制量,最终驶入停车位。
车端避撞系统的工作过程如下:
车端避撞系统由信号采集模块、数据处理模块和执行模块三个部分组成,具体部分的工作过程包括如下步骤:
步骤1、信号采集模块的工作:信号采集模块采用雷达和摄像头的技术自动测出本车速度、以及与障碍物之间的距离;
步骤2、数据处理模块的工作:数据处理模块对瞬时速度进行处理并判断出安全距离,若小于安全距离,则发出指令进行报警或者刹车,具体过程如下:
以自车质心为参考点建立坐标系;引入能够反映行车状况危险程度的车辆碰撞时距TTC-1,再结合行车信息及车辆所处危险等级临界指标,由下式计算输出协同避撞制动减速度阈值ax-max
上式中,vm为自车初始车速,vn为障碍物速度,此处将障碍物理想为无速度的固定物体,所以vn=0,S0为自车与障碍物间纵向距离,0.8作为车辆处于危险等级TTC-1临界指标;
基于理想制动减速度a′x和制动减速度阈值ax-max,通过比较后输出当前路况协同避撞时的期望制动减速度ax-fine:当|a′x|≤|ax-max|时,令ax-fine=a′x;当|a′x|>|ax-max|,令ax-fine=ax-max;
基于协同避撞期望制动减速度ax-fine,完成协同避撞轨迹规划,表示为:
上式中,x′(t)、y′(t)分别为t时刻自车坐标,vm为自车初始速度,t′m为协同避撞完成时间,X(t′m)为对应完成协同避撞时自车质心的纵向位移;
根据已规划的轨迹,考虑自车平稳且有效完成避撞,对避撞过程中的临界碰撞场景进行分析,并计算得到避撞临界安全距离D协同;
基于协同避撞临界安全距离D协同,比较实时采集的自车与障碍物间纵向距离S0和协同避撞临界安全距离D协同两者间大小关系;
步骤3、执行模块的工作:执行模块接收数据处理模块的指令并实施,发出警报、关闭车窗和自动刹车的指令;
若S0<D协同,碰撞无法避免,控制车辆尽全力制动减轻碰撞伤害;执行模块并发出相应警报;
若S0>D协同,碰撞可以避免,车辆继续行驶。
信息处理系统的工作过程如下:
信息处理系统主要由三大层次结构组成,按照其层次由低到高分别是采集层、传输层和应用层,各层的工作步骤如下:
步骤1、采集层的工作:采集层负责采集车辆的车速、转向角、定位信息、里程、发动机转速和车内温度,采集层由车辆传感器来完成,变速器上的传感器包括有车速传感器、温度传感器、轴转速传感器和压力传感器,方向器上的传感器包括有转角传感器、转矩传感器和液压传感器;悬架上的传感器包括有车速传感器、加速度传感器、车身高度传感器、侧倾角传感器和转角传感器;
车用传感器是汽车计算机系统的输入装置,它把汽车运行中各种工况信息,车速、各种介质的温度和发动机运转工况转化成电信号输入到车载计算机中,采集到的数据也会上传到后台服务器进行统一的处理与分析,得到用户所需要的业务数据,为车辆提供可靠的数据支持来完成后续的工作;
步骤2、传输层的工作:传输层是由网络服务器以及WEB服务组成,从通信和信息处理的角度来看,传输层向上面的应用层提供通信服务;传输层位于网络层之上,它为运行在不同主机上的进程之间提供了逻辑通信,而网络层提供主机之间的逻辑通信;即使网络层协议不可靠,传输层同样能为应用程序提供可靠的服务;传输层提供应用进程之间的逻辑通信,即端到端通信;逻辑通信指的是传输层之间的通信是延水平方向传送数据,但事实上这两个传输层之间并没有一条水平方向的物理连接;
当传输层采用面向连接的TCP时,这种逻辑通信信道就相当于一条全双工的可靠信道;由服务器对数据进行统计的管理,为每辆车提供相应的业务,同时可以对数据进行联合分析,成为局部车联网服务业务,为用户群提供高效、准确和及时的数据服务;
步骤3、应用层的工作:应用层将网络传输层所有传输数据去除固有格式,即SF、FF、CF标志位、Len和填充位后剩余Data部分的应用,将Data部分赋予实际意义;
网络层做的是数据如何传输,而应用层考虑的是获取数据中的信息,应用层中的请求指的是客户端发送给服务端的信息;应用层中的响应指的是服务端发送给客户端的信息,客户端通常指诊断仪、上位机和测试工具,服务端通常指BCM、GW和PEPS车身电子元器件,标准应用层服务参考ISO 15765-3和ISO 14229-1文件,运用于测试、监控、诊断和车辆在线刷新的场景。
Claims (8)
1.一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:其方法包括的步骤如下:
第一步、搭载车联网平台,车联网平台包括信息接收模块、信息整理模块、高精度地图平台和信息发送模块,其中信息接收模块和信息发送模块与场端系统和车载电脑通过网络相连接来实现信息的实时传输和命令的申请与接受,信息整理模块包括车位存储单元和停车管理单元,信息整理模块会根据接收到的信息对停车场内车辆的停靠信息进行处理和汇总,车位存储单元利用场端支持系统的检测得到空闲停车位的编号及位置,当空闲停车位被识别和定位之后,信息处理模块将车位信息存储在车位数据库中,等待车辆申请;当自动驾驶车辆发出停车申请命令后,车位推荐单元利用逼近理想解的排序算法,得到空闲停车位的最优排序,并将最优车位推荐给自动驾驶车辆,车联网平台将更新车位数据库,并不再发布已被推荐的车位至其他车辆,高精度地图平台负责对停车场的地图数据进行监测,高精度地图平台根据上传到车联网平台的车位及申请车辆的定位坐标进行定位,车联网平台将通过访问预存的地图,发送给相对应车辆相关信息;
第二步、建立停车场管理模块,停车场管理模块中包括场端车位检测单元和路侧数据单元;其中场端车位检测单元通过车位检测传感器检测车位的空闲状态和车位编号,对车位信号进行预处理;而路侧数据单元负责接收来自车联网平台发布的车辆车位申请命令,及平台发布的停车位信息;
第三步、构建自主泊车控制系统,自主泊车控制系统包括建立车辆模型,进行路径规划并将行驶信息传递至运动执行部分,是整个自主泊车的控制中心,具体过程如下:
车辆的自主泊车控制系统首先根据车辆的自身属性,如车辆轴距L及前轮最大转向角θmax来确定出汽车的最小转弯半径,然后依据该半径以及车辆运动时的速度航向角和相关的位置坐标,建立出车辆的实时模型,以便控制车辆,然后车辆根据自身模型和车联网平台发布的地图信息以及目标车位信息进行路径规划,同时需要考虑避撞情况,使用Hybrid A*算法,它会在连续坐标系下逐步进行启发式搜索,子节点扩张和基于现有的障碍物地图对该路径进行碰撞检测,无碰撞路径对应节点会添加至扩张树中,生成大量可能路径,最后采用设计损失函数构造维诺图和共轭梯度方法进行非参数化插值,对生成路径的质量进行提升,以求得到能够有效避障,平滑且高效的目标路径;
第四步、进行轨迹跟踪控制,车辆的轨迹跟踪控制系统,根据相关计算控制车辆有合适的速度和转向角,控制车辆能够按照相应的路径行驶;
车辆的轨迹跟踪控制系统,将车辆视为理想条件下以后轴为中心的自行车模型,然后根据Pure Pursuit轨迹跟踪的控制方法,依据传感器实时采集出特定时刻的车辆几何中心位置坐标、速度与水平线夹角、前轮转角、车身与目标点夹角、前视距离和该时刻的运动速度,从而使车辆运动时有准确的行驶路线,最后轨迹跟踪控制系统根据输入的目标轨迹,计算出当前油门-刹车-转向的车辆执行器的目标值,并将目标数据通过CAN传递给车辆执行器ECU,执行器则根据目标值,来具体控制执行器的动作;
第五步、搭建实时车端避撞系统,车端避撞系统发现难以避免的障碍物时,自动发出警报同时采取制动或规避的措施,以避免碰撞的发生;
实时车端避撞系统是车辆实现避撞的方法或者是遇到无法避免的情况时的解决办法,实时车端避撞系统包括信号采集模块、数据处理模块和执行模块,执行模块包括启动警报、关闭车窗和紧急刹车数种决策执行方式,信号采集模块基于自身车辆传感器实时采集出车辆本身与周边车辆和障碍物的实时状态信息及当前道路信息,将实时数据不断传输至实时车端避撞系统的数据处理模块,数据处理模块根据自身的车速以及与障碍物之间的实时距离,计算出避撞临界安全距离,综合当前自车与障碍物间纵向距离完成避撞决策,规划出自车决策办法,如果距离能够进行制动而避免碰撞,车辆实施合适的减速度进行减速,如果距离太短导致无法进行避撞,那么车辆将强制触发警报和紧急刹车的数种决策;
第六步、信息处理系统的建立,信息处理系统负责采集车辆行驶时的相关信息并将其发送共享至各个系统供给使用;
信息处理系统包括信息的采集层、传输层和应用层三个部分,采集层负责采集车辆的实时运行参数、道路环境参数以及预测参数并将其转化为电信号,传输层负责连接各个系统,传输层提供信息传输服务,即实现对输入输出的数据的汇总、分析、加工和传输,应用层指的是将各种信息整合起来,将业务逻辑和资源紧密结合在一起,并以多媒体的丰富形式向用户展现信息处理的结果。
2.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的自动驾驶车辆内配置有车载电脑,车载电脑也是自动驾驶车辆的控制中心,车载电脑中内置提前输入的自主泊车控制系统和轨迹跟踪控制系统以及车端避撞系统的相关代码,车载电脑与车联网平台通过网络相连,停车场管理模块和车联网平台同样通过网络相连接,停车场内部场端传感器通过实时采集车辆行驶信息和车位信息并将其发送至车联网平台供所有人看到和使用,同时车联网平台中的高精度地图平台也会共享停车场的详细地图供车辆使用,具体过程如下:
车载电脑接收到车联网平台的发布的地图信息和车位信息之后,将其共享至下行系统中,首先自主泊车控制系统通过事先建立好的车辆运动模型和接收到的地图信息以及车位信息,规划出合理的行驶路径,该路径在电脑中传输至轨迹跟踪控制系统,轨迹跟踪控制系统启动车辆,车端传感器开始运行,车载摄像头和场端传感器共同作用的数据在车联网平台中发布,同时发送至车载电脑中,计算出车辆与障碍物的实时距离,车辆运动之后,车端传感器监测车辆并将采集到的车速信息,转向角信息转化为电信号输入的轨迹跟踪控制系统,轨迹跟踪控制系统根据行驶路径和位置信息进行调配,计算出下一时刻的速度和转向角,通过电信号输入给车辆,同时车速信息、转向角信息和车辆与障碍物间距信息以及位置地图信息都会共享给车端避撞系统,车端避撞系统实时运行,计算是否为安全距离,如果一切正常,则继续行驶,如果小于安全距离,则车端避撞系统将直接传递出电信号至制动系统、电机和警报开关,进行强制刹车,电机急停和报警。
3.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的车联网平台通过网络相连,用于受理车主的泊车指令,车联网平台的信息接收模块和信息发送模块同时与无人驾驶车辆和停车场管理模块通过网络相连,实现场端传感器与车端传感器的相连,用于全方位监测车辆行驶路径和统计可用停车位,获取车辆周围环境信息,配合引导车辆避开其他车辆及障碍物,驶入泊车车位,车联网平台用于从停车场管理模块获取到可用泊车车位并发送至车辆,还用于对停车场内停放的车辆进行实时调控;
车联网平台之中的信息整理模块,主要负责车辆与车位的管理和车位最优化推荐,包括车位识别/定位单元、车位推荐单元和停车管理单元三部分,车位识别定位单元利用人工智能技术进行停车位识别,得到空闲停车位的编号及位置,当空闲停车位被识别和定位之后,车联网平台将车位信息存储在服务器中,等待车位申请命令;当自动驾驶车辆发出停车申请命令后,通过网络层传递到车联网平台,车联网平台中的车位推荐单元利用逼近理想解的排序算法,得到空闲停车位的最优排序,并将最优车位通过网络发送给自动驾驶车辆,同时车联网平台将更新车位数据库,并不再发布已被推荐的车位至其他车辆;
高精地图平台属于车联网平台的下行部分,可输出车道级别的停车场地图数据,用于支持低延迟、高精度的路径规划,车联网平台将车辆申请停车命令传递给信息接收模块,进而高精度地图平台将停车场的路况信息通过网络实时发送至车载导航系统,车载导航系统根据泊车位置与停车场实时路况信息判断出泊车可行路径,依据上传到车联网平台的车位及申请车辆的定位坐标,车联网平台将通过访问预存的地图,引导车辆自动驾驶至该车位,完成停车。
4.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的停车场为具有引导并管理无人车辆功能的停车场,为合理利用停车场泊车车位,减少资源浪费,停车场管理系统设置有场端车位检测单元,场端车位检测单元为车位地磁检测装置,车位地磁检测装置由地磁传感器、电源、单片机和通信单元组成,场端车位检测单元通过检测车辆形式到停车位时对车位附近大地磁场的扰动来确定停车状态,能够将车位实时使用信息上传至停车场管理模块,场端车位检测单元负责统计并上报停车场内停泊车辆信息,包括车牌号、泊车时长、车辆位置以及自主泊车车辆行驶时的相关信息,场端车位检测单元采集到车辆相关信息后通过网络实时传递到车联网平台中,路侧数据单元负责监视手机车辆行驶信息,并将其传送至车联网平台中供使用。
5.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的自主泊车控制系统工作过程包括的步骤如下:
步骤1、确定最小转弯半径:汽车的最小转弯半径是指当前轮转向角达到最大,汽车以最低稳定车速做转向运动时,汽车外侧转向轮中心面在支撑平面上行驶过的轨迹圆半径,RA表示汽车的最小转弯半径,其计算公式如下:
式中:L表示车辆轴距,θmax表示前轮最大转向角;
步骤2、建立车辆运动模型:通过以车辆后轴中心点为参考点,根据车辆自身信息建立车辆自身模型,自行车模型的建立基于如下假设:
1)、不考虑车辆在垂直方向,即Z轴方向的运动,即假设车辆的运动是一个二维平面上的运动;
2)、假设车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速;这样车辆的左右两个轮胎的运动可以合并为一个轮胎来描述;
3)、假设车辆行驶速度变化缓慢,忽略前后轴载荷的转移;
4)、假设车身和悬架系统都是刚性系统;
5)、假设车辆的运动和转向是由前轮驱动的;
在大地坐标系OXY下,由于车辆后轴中心点的车速与车辆质心处的车速相差较小,并且与车身方向始终一致,运动轨迹方程易于表达,因此将车辆后轴中心点(x,y)作为参考点,后轴中心点的车速为v,车辆前轴中心点的坐标为(xf,yf),车辆的航向角为θ,车辆的轴距为L,车辆后轴延伸线与前轮转角垂直的延伸线相交于一点P,为车辆的瞬时转向中心,点Р与后轴中心点的距离为转向半径R;
车辆运动学模型按以下公式表示:
δ为前轮等效转角,根据几何关系可得,车辆瞬时转向中心对应的角度也为δ,因此前轮等效转角与轴距、转向半径的关系可表示为:
车辆前轴中心点坐标与后轴中心点坐标的关系:
xf=x+L·cosθ
yf=y+L·sinθ
车辆后轴中心点在大地坐标系下横轴与纵轴上的分速度为:
由于车辆不发生侧滑,所以车辆前后轮方向的垂直方向上速度为零;
由上述计算可以得出:
综上可知,车辆的运动学方程为:
该式中,[x,y,θ]T为车辆的状态量,表使车辆的位姿,[v,δ]T为控制量,表使车辆的速度和前轮转角;
其中,(x,y)表示车辆几何中心位置坐标;(xf,yf)表示车辆前轮中心位置坐标,δ为前轮等效转角;v表示车辆速度;L表示轴距;θ表示车辆的航向角;R表示给定转角下后轴遵循着的圆的半径;
步骤3、路径规划:Hybrid A*算法将初始姿态点(x1,y1,θ1)加入开启列表中,将开启列表中优先级最高的节点加入到关闭列表中,判断当前节点是否小于阈值,如果小于阈值,则用Reeds-Shepp曲线或Dubins曲线与目标姿态点(x2,y2,θ2)相连接,并进行碰撞检测,如果和障碍物无碰撞,则保留该曲线并生成路径,如果与障碍物发生碰撞则放弃该曲线,并从开启列表中重新寻找节点,重新进行扩展,最终生成从起始状态到目标状态且符合车辆运动学约束的可行路径,具体过程如下:
(1)、首先车载电脑中车辆路径规划系统根据场端提供的相关地图以及当前定位信息和目标库位进行判断,控制端将场端提供的地图信息转变为车辆可用的二维栅格地图,并得到车辆的初始姿态(x1,y1,θ1)与目标姿态(x2,y2,θ2);
(2)、Hybrid A*算法选择两者的最大值作为最终的启发信息,H(n)=max(Reeds-Shepp,A*)第一种“考虑约束不考虑障碍物”是为了防止机器人从错误的方向到达目标,第二种“考虑障碍物不考虑约束”是为了防止在断头路或者U型障碍物里浪费时间;
(3)、上述(2)中使用的Reeds-Shepp曲线既可以对车辆进行启发信息的探索,又可以在后续的节点扩展中给出两个节点之间符合车辆运动学模型的区间路径;
在Reeds-Shepp曲线的路径中,允许尖瓣存在,为了表示尖瓣,需要在字段中的字母上加入上标,用来表示运动方向,表示如下:
根据车辆运动学模型的微分方程如下:
其积分形式如下:
x(t)=x(0)+∫0 tV(τ)cos(ψ(τ))dτ
y(t)=y(0)+∫0 tV(τ)sin(ψ(τ))dτ
积分可得:
ψ(t)=t
对应的路径如下:
如果t>0:车辆前进,符号+,如果t<0:车辆后退,符号-;
Reeds and Shepp曲线共有48种字段短语中的“|”表示车辆运动朝向由正向转为反向或者由反向转为正向,这48个字段中的一些对于字段类型的实际路径存在两种公式,对于给定的任意情形,至多68个公式;
下表列出了充分集合中的48个字段:
位置姿态的统一,具体如下:
在计算之前,要将车辆的姿态归一化,假设车辆的初始姿态为(x1,y1,θ1),目标姿态为(x2,y2,θ2),车辆的半径为r=ρ,归一化的过程就是向量的平移和旋转的过程,使得变换后的起始位姿(0,0,0),目标姿态为(x,y,φ),车辆的转弯半径r=1;
x=((x2-x1)*cos(θ1)+(y2-y1)*sin(θ1))/ρ
y=(-(x2-x1)*sin(θ1)+(y2-y1)*cos(θ1))/ρ
φ=θ2-θ1
利用对称关系降低求解复杂度,具体如下:
Reeds-Shepp曲线求解原理为,将目标点变更后,相当于原目标点A关于y轴与x轴进行对称,得到新的目标点B,生成一组新的路径t,u,v,利用timefilp对称性,即符号对称性和reflect对称性,即RL对称性可得下表关系:
以此简化计算;
步骤4、碰撞检测:将车身用三个重叠圆代替,对于每个状态,计算障碍物栅格点到圆心的距离是否大于半径来进行碰撞检测,三个圆的并集包含车身,圆的近似是有效的,因为圆的碰撞检测很快,只要计算占据栅格中障碍物点到圆心的距离是否小于半径,小于半径则说明有碰撞产生,否则没有,计算量小,准确度相对较高。
6.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的轨迹跟踪控制系统的具体工作过程如下:
根据已给出的路径,将其计算为一条曲率连续的参考轨迹,车辆前轴与后轴均作为控制点,横向误差采取为以车辆前轴中心为控制点的转角跟踪误差控制,纵向误差采取以车辆后轴中心点为控制点的速度跟踪误差控制,控制器通过控制电机电压改变电机功率,实现对速度与前轮转角的控制,将车辆转角和车辆速度的控制解耦到以前后轴中心点为控制点的双轴控制,实现了车辆速度和转角速度的分离控制,减少了二者控制的相互影响,充分地利用了车辆前后轴自由度,具有更大的前后轮自由度的和较高的跟踪精度;
包括以下过程:
步骤1、根据车辆的实时位姿以及泊车点位姿,结合速度与转角速度约束的车辆运动学模型,获取车辆的以后轴为几何中心的参考位姿序列;
步骤2、通过位姿变换关系,将几何中心点参考位姿序列转换为车辆的后轴中心点参考轨迹;
步骤3、车辆运动学模型按以下公式表示:
y(t+Δt)=y(t)+vtsin(δt)Δt
x(t+Δt)=x(t)+vtcos(δt)Δt
其中,(x,y)表示车辆几何中心位置坐标;δ表示速度与水平线夹角;β表示前轮转角;α表示车身与目标点夹角;t表示某一时刻;Δt表示时间间隔;L表示轴距;Lf表示前视距离;vt表示t时刻速度;R表示给定转角下后轴遵循着的圆的半径;
步骤4、速度与转角速度约束按以下公式表示:
V(t+Δt)=V(t)+aΔt
V≤Vmax
β≤βmax
V表示速度值;Vmax设的速度最大值;βmax设的前轮转角最大值;
步骤5、转弯半径与前视距离约束按以下公式表示:
R≤Rmax
Lf=kvc
其中,Rmax为车辆最大转弯半径;k表示前视距离与速度之间的比例系数;
步骤6、位姿变换关系按以下公式表示:
其中,xf与yf表示前轴中心点的位置坐标;xr与yr表示后轴中心点的位置坐标;
根据后轴中心参考轨迹,采用反馈控制的预瞄方法,获取后轮转角控制量;
包括以下过程:
计算后轴中心点到所述后轴中心点参考轨迹上最近点A的距离d;
计算离这个点距离满足前视距离Lf的下一个点B;
将车辆后轴中心点参考轨迹的B点作为后轮预瞄点P;
根据预设的后轮预瞄系数k,距离d,后轮预瞄点P的位置坐标,计算获得车辆前轮转角β;
最后车辆通过实时更新自身状态信息,更新当前速度和转向角,通过PID控制器获取受控对象的速度控制量,最终驶入停车位。
7.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的车端避撞系统的工作过程如下:
车端避撞系统由信号采集模块、数据处理模块和执行模块三个部分组成,具体部分的工作过程包括如下步骤:
步骤1、信号采集模块的工作:信号采集模块采用雷达和摄像头的技术自动测出本车速度、以及与障碍物之间的距离;
步骤2、数据处理模块的工作:数据处理模块对瞬时速度进行处理并判断出安全距离,若小于安全距离,则发出指令进行报警或者刹车,具体过程如下:
以自车质心为参考点建立坐标系;引入能够反映行车状况危险程度的车辆碰撞时距TTC-1,再结合行车信息及车辆所处危险等级临界指标,由下式计算输出协同避撞制动减速度阈值ax-max
上式中,vm为自车初始车速,vn为障碍物速度,此处将障碍物理想为无速度的固定物体,所以vn=0,S0为自车与障碍物间纵向距离,0.8作为车辆处于危险等级TTC-1临界指标;
基于理想制动减速度a′x和制动减速度阈值ax-max,通过比较后输出当前路况协同避撞时的期望制动减速度ax-fine:当|a′x|≤|ax-max|时,令ax-fine=a′x;当|a′x|>|ax-max|,令ax-fine=ax-max;
基于协同避撞期望制动减速度ax-fine,完成协同避撞轨迹规划,表示为:
上式中,x′(t)、y′(t)分别为t时刻自车坐标,vm为自车初始速度,t′m为协同避撞完成时间,X(t′m)为对应完成协同避撞时自车质心的纵向位移;
根据已规划的轨迹,考虑自车平稳且有效完成避撞,对避撞过程中的临界碰撞场景进行分析,并计算得到避撞临界安全距离D协同;
基于协同避撞临界安全距离D协同,比较实时采集的自车与障碍物间纵向距离S0和协同避撞临界安全距离D协同两者间大小关系;
步骤3、执行模块的工作:执行模块接收数据处理模块的指令并实施,发出警报、关闭车窗和自动刹车的指令;
若S0<D协同,碰撞无法避免,控制车辆尽全力制动减轻碰撞伤害;执行模块并发出相应警报;
若S0>D协同,碰撞可以避免,车辆继续行驶。
8.根据权利要求1所述的一种基于场端协同的大型电动卡车的自主泊车系统的设置方法,其特征在于:所述的信息处理系统的工作过程如下:
信息处理系统主要由三大层次结构组成,按照其层次由低到高分别是采集层、传输层和应用层,各层的工作步骤如下:
步骤1、采集层的工作:采集层负责采集车辆的车速、转向角、定位信息、里程、发动机转速和车内温度,采集层由车辆传感器来完成,变速器上的传感器包括有车速传感器、温度传感器、轴转速传感器和压力传感器,方向器上的传感器包括有转角传感器、转矩传感器和液压传感器;悬架上的传感器包括有车速传感器、加速度传感器、车身高度传感器、侧倾角传感器和转角传感器;
车用传感器是汽车计算机系统的输入装置,它把汽车运行中各种工况信息,车速、各种介质的温度和发动机运转工况转化成电信号输入到车载计算机中,采集到的数据也会上传到后台服务器进行统一的处理与分析,得到用户所需要的业务数据,为车辆提供可靠的数据支持来完成后续的工作;
步骤2、传输层的工作:传输层是由网络服务器以及WEB服务组成,从通信和信息处理的角度来看,传输层向上面的应用层提供通信服务;传输层位于网络层之上,它为运行在不同主机上的进程之间提供了逻辑通信,而网络层提供主机之间的逻辑通信;即使网络层协议不可靠,传输层同样能为应用程序提供可靠的服务;传输层提供应用进程之间的逻辑通信,即端到端通信;逻辑通信指的是传输层之间的通信是延水平方向传送数据,但事实上这两个传输层之间并没有一条水平方向的物理连接;
当传输层采用面向连接的TCP时,这种逻辑通信信道就相当于一条全双工的可靠信道;由服务器对数据进行统计的管理,为每辆车提供相应的业务,同时可以对数据进行联合分析,成为局部车联网服务业务,为用户群提供高效、准确和及时的数据服务;
步骤3、应用层的工作:应用层将网络传输层所有传输数据去除固有格式,即SF、FF、CF标志位、Len和填充位后剩余Data部分的应用,将Data部分赋予实际意义;
网络层做的是数据如何传输,而应用层考虑的是获取数据中的信息,应用层中的请求指的是客户端发送给服务端的信息;应用层中的响应指的是服务端发送给客户端的信息,客户端通常指诊断仪、上位机和测试工具,服务端通常指BCM、GW和PEPS车身电子元器件,标准应用层服务参考ISO 15765-3和ISO 14229-1文件,运用于测试、监控、诊断和车辆在线刷新的场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388406.2A CN115938154A (zh) | 2022-11-08 | 2022-11-08 | 基于场端协同的大型电动卡车的自主泊车系统的设置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211388406.2A CN115938154A (zh) | 2022-11-08 | 2022-11-08 | 基于场端协同的大型电动卡车的自主泊车系统的设置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115938154A true CN115938154A (zh) | 2023-04-07 |
Family
ID=86556566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211388406.2A Pending CN115938154A (zh) | 2022-11-08 | 2022-11-08 | 基于场端协同的大型电动卡车的自主泊车系统的设置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938154A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116279435A (zh) * | 2023-05-17 | 2023-06-23 | 常州星宇车灯股份有限公司 | 一种新型停车辅助系统 |
CN117416342A (zh) * | 2023-12-18 | 2024-01-19 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆的智能泊车方法 |
CN117854314A (zh) * | 2024-01-12 | 2024-04-09 | 镁佳(北京)科技有限公司 | 一种停车自动牵引模拟方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014224455A1 (de) * | 2014-11-28 | 2016-06-02 | Robert Bosch Gmbh | Verfahren zum berührungslosen Aufladen eines elektrisch angetriebenen Fahrzeugs |
CN111959498A (zh) * | 2020-07-14 | 2020-11-20 | 重庆智行者信息科技有限公司 | 一种自动驾驶车辆的垂直泊车方法及其装置、车辆 |
CN114255594A (zh) * | 2021-12-28 | 2022-03-29 | 吉林大学 | 一种自主代客泊车运动规划与运动控制方法 |
-
2022
- 2022-11-08 CN CN202211388406.2A patent/CN115938154A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014224455A1 (de) * | 2014-11-28 | 2016-06-02 | Robert Bosch Gmbh | Verfahren zum berührungslosen Aufladen eines elektrisch angetriebenen Fahrzeugs |
CN111959498A (zh) * | 2020-07-14 | 2020-11-20 | 重庆智行者信息科技有限公司 | 一种自动驾驶车辆的垂直泊车方法及其装置、车辆 |
CN114255594A (zh) * | 2021-12-28 | 2022-03-29 | 吉林大学 | 一种自主代客泊车运动规划与运动控制方法 |
Non-Patent Citations (1)
Title |
---|
张小龙;杨国太;: "基于混合算法的智能立体停车库研究", 铜仁学院学报, no. 03, 7 March 2018 (2018-03-07) * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116279435A (zh) * | 2023-05-17 | 2023-06-23 | 常州星宇车灯股份有限公司 | 一种新型停车辅助系统 |
CN116279435B (zh) * | 2023-05-17 | 2023-08-25 | 常州星宇车灯股份有限公司 | 一种新型停车辅助系统 |
CN117416342A (zh) * | 2023-12-18 | 2024-01-19 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆的智能泊车方法 |
CN117416342B (zh) * | 2023-12-18 | 2024-03-08 | 上海伯镭智能科技有限公司 | 一种无人驾驶车辆的智能泊车方法 |
CN117854314A (zh) * | 2024-01-12 | 2024-04-09 | 镁佳(北京)科技有限公司 | 一种停车自动牵引模拟方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021136130A1 (zh) | 一种轨迹规划方法及装置 | |
JP7236749B2 (ja) | 環境アクティブセンシングタイプの駐車場自動駐車システム | |
CN115938154A (zh) | 基于场端协同的大型电动卡车的自主泊车系统的设置方法 | |
WO2021027568A1 (zh) | 障碍物避让方法及装置 | |
CN112230642B (zh) | 道路可行驶区域推理方法及装置 | |
CN113916246A (zh) | 一种无人驾驶避障路径规划方法和系统 | |
WO2019213981A1 (zh) | 基于等效力的行车风险实时评估方法及其装置 | |
CN113492830B (zh) | 一种车辆泊车路径规划方法及相关设备 | |
CN109131317A (zh) | 基于多段式规划与机器学习的自动垂直泊车系统及方法 | |
CN113632033B (zh) | 车辆控制方法及装置 | |
JP2017512347A (ja) | 車両ネットワーキングに基づいた自律車両用の自己自動化駐車場のための装置及び方法 | |
CN109278752A (zh) | 基于合作感知的插电式混合动力汽车能量优化控制方法 | |
WO2022016351A1 (zh) | 一种行驶决策选择方法以及装置 | |
CN113460033B (zh) | 一种自动泊车方法以及装置 | |
CN115520218B (zh) | 自动驾驶车辆四点转弯轨迹规划方法 | |
US20230242098A1 (en) | Parking control method and related device | |
EP4134769A1 (en) | Method and apparatus for vehicle to pass through boom barrier | |
WO2024012604A1 (zh) | 一种基于物联网的智能化泊车管理系统 | |
CN111832667B (zh) | 一种园区无人驾驶观光车的驾驶行为决策系统 | |
WO2022156309A1 (zh) | 一种轨迹预测方法、装置及地图 | |
CN112684791A (zh) | 一种基于5g的无人驾驶物流车 | |
CN114879687A (zh) | 一种用于无人物流车的智能控制方法 | |
US20220042812A1 (en) | Pre-computing routes for autonomous vehicles using map shards | |
CN111487975A (zh) | 一种基于智能网联系统的港口卡车自动编队方法及系统 | |
CN113954858A (zh) | 一种规划车辆行驶路线的方法以及智能汽车 |
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 |