CN115991187A - 基于无偏移模型预测的车辆控制方法、控制器及存储介质 - Google Patents
基于无偏移模型预测的车辆控制方法、控制器及存储介质 Download PDFInfo
- Publication number
- CN115991187A CN115991187A CN202310279846.2A CN202310279846A CN115991187A CN 115991187 A CN115991187 A CN 115991187A CN 202310279846 A CN202310279846 A CN 202310279846A CN 115991187 A CN115991187 A CN 115991187A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- representing
- disturbance
- lateral
- acceleration
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000001133 acceleration Effects 0.000 claims abstract description 101
- 230000003416 augmentation Effects 0.000 claims description 15
- 230000003190 augmentative effect Effects 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000035802 rapid maturation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本发明公开了一种基于无偏移模型预测的车辆控制方法、控制器及存储介质，属于控制系统技术领域，控制方法包括：获取车辆状态信息和目标轨迹信息，根据车辆状态信息获取可测量的干扰量，基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量；根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；以车辆的前轮转角和车辆速度为控制量建立控制目标函数，在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量。本发明降低了状态反馈误差信号的噪声，消除了模型失配和外界干扰引起的稳态误差，提高了系统的动态性能。
Description
技术领域
本发明涉及控制系统技术领域，尤其涉及一种基于无偏移模型预测的车辆控制方法、控制器及存储介质。
背景技术
近年来，汽车自动驾驶技术发展迅速，这归功于实时优化技术和嵌入式部署技术的快速成熟和广泛应用。 基于优化技术的模型预测控制（MPC）和最优控制在汽车自动驾驶的运动控制中起着举足轻重的作用。
目前的车辆控制方法有些只考虑了横向控制，忽略了纵向控制；有些考虑了横纵向的耦合控制，但是没有考虑到纵向控制的干扰误差。
然而，纵向控制的干扰误差会引起较大的稳态误差，从而降低车辆控制系统的动态性能。
发明内容
本发明提供了一种基于无偏移模型预测的车辆控制方法、控制器及存储介质，可以降低状态反馈误差信号的噪声，消除模型失配和外界干扰引起的稳态误差，提高控制系统的动态性能。
根据本发明的一方面，提供了一种基于无偏移模型预测的车辆控制方法，包括：获取车辆状态信息和目标轨迹信息，根据车辆状态信息获取可测量的干扰量，并基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量；根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；以车辆的前轮转角和车辆速度为控制量建立控制目标函数，并设置控制量和控制量增量的约束条件，在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量，其中，松弛因子用于增加约束条件的对系统的稳定性。
可选的，获取车辆状态信息和目标轨迹信息，根据车辆状态信息获取可测量的干扰量，并基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量，包括：采用增广状态方程来观察扰动，获取车辆状态量和不可测量的干扰量；其中，车辆状态量和不可测量的干扰量作为增广状态方程的增广状态，控制量和可测量的干扰量作为增广状态方程的增广控制变量。
可选的，采用增广状态方程来观察扰动，获取车辆状态量和不可测量的干扰量，包括：
；
其中，是增广状态，是增广控制变量，是车辆状态量，是不可测量的干扰量，是控制量，是可测量的干扰量，是车辆状态量的一阶导数，是不可测量的干扰量的一阶导数；
；
其中，表示纵向速度误差，表示整车加速度，和分别表示可测量的纵向加速度扰动和不可测量的纵向加速度扰动；
；
为横向速度，和分别为前轮侧向力和后轮侧向力，为整车质量，为纵向速度，为横摆角速度，和分别表示可测量的横向加速度扰动和不可测量的横向加速度扰动；
；
其中，表示横向跟随误差，表示车辆航向角误差，和分别表示可测量的车辆航向角误差扰动和不可测量的车辆航向角误差扰动，和分别表示可测量的横向跟随误差扰动和不可测量的横向跟随误差扰动；
；
表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示车辆绕z轴的转动惯量，是横摆角速度扰动；
；
是车辆航向角的一阶导数，是参考曲率；
，，，， ；
表示不可测量的纵向加速度扰动的一阶导数；表示不可测量的横向加速度扰动的一阶导数；表示不可测量的横摆角速度扰动的一阶导数；表示不可测量的横向跟随误差扰动的一阶导数；表示不可测量的车辆航向角误差扰动的一阶导数。
可选的，根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考，包括：引入横向和纵向加速度的松弛因子λ，将纵向加速度扰动乘以松弛因子λ，将横向参考加速度乘以松弛因子λ，基于车辆动力学模型计算出参考轮胎侧向力，其中，λ∈(0,1]；根据参考轮胎侧向力和轮胎横向逆动力学模型得到前轮转角参考。
可选的，将纵向加速度扰动乘以松弛因子λ，将横向参考加速度乘以松弛因子λ，将基于车辆动力学模型计算出参考轮胎侧向力，包括：
；
；
；
其中，为整车加速度的参考值，表示纵向加速度扰动，和分别为前轮侧向力的参考值和后轮的侧向力的参考值，为整车质量，为横向参考加速度，表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示车辆绕z轴的转动惯量，表示可测量的横摆角速度扰动；
由于车辆处于稳定状态，因此只考虑横向约束，
，；
是额定摩擦力，和分别表示前轮的垂向载荷和后轮的垂向载荷；
，用于判断车辆是向心运动还是离心运动；
其中，是向心误差方向力，为纵向速度，是参考轨迹给出的参考横摆角速度，是横向加速度扰动，
；
；
其中，表示松驰因子的最大值，表示松弛因子最大值的一阶导数，表示松弛量，为任意正实数；
引入松弛因子λ计算出参考轮胎侧向力后，利用轮胎横向动力学模型可得到前轮侧偏角和后轮侧偏角，前轮侧偏角和后轮侧偏角满足如下关系，
；
其中，为参考横摆角速度，进而可以推导出，
；
；
其中，为横向速度参考值，为前轮侧偏角参考值，为后轮侧偏角参考值，为前轮转角参考值；
车辆航向角误差的参考值为：，横向跟随误差参考值为零，纵向速度误差参考值为零。
可选的，转向系统的动力学模型：；其中，表示前轮转角，表示前轮的转向率；
；
， ；
；
其中，和分别表示车辆航向角和参考车辆航向角，表示车辆航向角误差，表示车辆航向角误差的一阶导数，表示车辆航向角的一阶导数，表示参考曲率，表示纵向速度，表示横向速度，表示车辆航向角误差扰动，和分别表示可测量的车辆航向角误差扰动和不可测量的车辆航向角误差扰动，表示横向跟随误差的一阶导数，表示横向跟随误差扰动。
可选的，控制量，车辆状态量，干扰量；不可测量的干扰量和可测量的干扰量中所包括的变量与干扰量中所包括的变量相同；其中，表示控制量，表示前轮转角，表示整车加速度，表示车辆状态量，表示纵向速度误差，表示横向跟随误差，表示车辆航向角误差，表示横向速度，表示横摆角速度，表示纵向加速度扰动，表示横向加速度扰动，表示横摆角速度扰动，表示横向跟随误差扰动，表示车辆航向角误差扰动。
可选的，目标函数为，控制量的约束条件为，控制增量的约束条件为；其中，表示目标函数，表示积分代价，表示车辆状态量，表示控制量，表示可测量的干扰量，表示不可测量的干扰量，表示整车加速度，表示整车加速度的最小值，表示整车加速度的最大值，表示前轮的转向率，表示前轮的转向率的最大值。
根据本发明的另一方面，提供了一种基于无偏移模型预测的车辆控制器，包括：无迹卡尔曼滤波器，用于获取车辆状态量和不可测量的干扰量；非线性参考值生成器，用于根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；无偏非线性MPC求解器，用于在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的无偏移模型预测的车辆控制方法。
本发明实施例的技术方案，通过获取车辆状态信息和目标轨迹信息，根据车辆状态信息获取可测量的干扰量，基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量；根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；以车辆的前轮转角和车辆速度为控制量建立控制目标函数，在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量，使用无迹卡尔曼滤波器观测车辆状态量和不可测量的干扰量，降低了状态反馈误差信号的噪声，消除了模型失配和外界干扰引起的稳态误差，提高了系统的动态性能。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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一种基于无偏移模型预测的车辆控制方法的流程图；
图2是本发明实施例提供的又一种基于无偏移模型预测的车辆控制方法的流程图；
图3是本发明实施例提供的一种基于无偏移模型预测的车辆控制器的原理示意图；
图4是本发明实施例提供的一种无偏移模型预测的车辆控制系统的原理示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1是本发明实施例提供的一种基于无偏移模型预测的车辆控制方法的流程图，本实施例可适用于自动驾驶的情况，该方法可以由无偏移模型预测车辆控制器来执行，该无偏移模型预测车辆控制器可以采用硬件和/或软件的形式实现，该无偏移模型预测车辆控制器可配置于车辆中。
如图1所示，该方法包括：
S101、获取车辆状态信息和目标轨迹信息，根据车辆状态信息获取可测量的干扰量，并基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量。
其中，车辆状态信息包括但不限于制动系统反馈信号、转向系统反馈信号、驱动系统反馈信号和融合定位信号。其中，制动系统反馈信号、转向系统反馈信号和驱动系统反馈信号可以由自动驾驶车辆底盘提供，融合定位信息通常可以由自动驾驶感知定位模块提供。
目标轨迹信息包括但不限于车辆目标轨迹点坐标值、目标航向角、目标轨迹曲率、目标速度和目标加速度。
其中，干扰量包括可测量的干扰量和不可测量的干扰量。无迹卡尔曼滤波器基于扰动在稳态下是恒定的假设，用于观察车辆状态量和不可测量的干扰量。可测量的干扰量和不可测量的干扰量包括参考曲率、参考加速度、纵向加速度扰动、横向加速度扰动和横摆角速度扰动。
车辆状态量包括但不限于纵向速度误差、横向跟随误差、车辆航向角误差、横向速度和横摆角速度。
S102、根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考。
其中，车辆动力学模型包括但不限于横向动力学模型、纵向动力学模型、转向系统的动力学模型。
在建立车车辆动力学模型时，不能完全的将轮胎的极限条件应用到构建车辆动力学模型上，因此需要乘以松弛因子。换句话说，松弛因子即为安全系数，确保获取状态参考和控制参考的过程中不破坏稳定性的约束条件。
状态参考包括但不限于纵向速度误差参考、横向跟随误差参考、车辆航向角误差参考、横向速度和横摆角速度参考。
控制参考包括但不限于前轮转角参考值和整车加速度参考值。
S103、以车辆的前轮转角和车辆速度为控制量建立控制目标函数，并设置控制量和控制量增量的约束条件，在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量。
控制量包括但不限于车辆的前轮转角和整车加速度，控制增量包括但不限于前轮的转向率。
车辆速度为车辆的纵向速度。以车辆的前轮转角和纵向速度为控制量建立控制目标函数，目标函数的决策量包括但不限于车辆状态量、控制量、可观测的干扰量和不可观测的干扰量，以车辆前轮转向率增量和整车加速度为约束条件，构建车辆跟踪模型；采用模型预测控制方法根据状态参考和控制参考对车辆跟踪模型求解，得到当前时刻车辆跟踪的最优控制量；最优控制量为车辆在控制时域内每一时刻的车辆前轮转角和纵向速度；将最优控制量中当前时刻的车辆前轮转角和纵向速度确定为下一时刻的输入，实现车辆的路径跟踪。
本发明实施例的技术方案，通过获取车辆状态信息和目标轨迹信息，根据车辆状态信息获取可测量的干扰量，基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量；根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；以车辆的前轮转角和车辆速度为控制量建立控制目标函数，在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量，使用无迹卡尔曼滤波器观测车辆状态量和不可测量的干扰量，降低了状态反馈误差信号的噪声，消除了模型失配和外界干扰引起的稳态误差，提高了系统的动态性能。
图2是本发明实施例提供的又一种基于无偏移模型预测的车辆控制方法的流程图，基于上述实施方式进一步进行优化与扩展，并可以与上述实施方式中各个可选技术方案结合。
如图2所示，该方法包括：
S201、采用增广状态方程来观察扰动，获取车辆状态量和不可测量的干扰量。
其中，车辆状态量和不可测量的干扰量作为增广状态方程的增广状态，控制量和可测量的干扰量作为增广状态方程的增广控制变量。
采用增广状态方程来观察扰动，获取车辆状态量和不可测量的干扰量，包括：
；
车辆的非线性动力学模型微分方程为：。
其中，是增广状态，是增广控制变量，是车辆状态量，是不可测量的干扰量，是控制量，是可测量的干扰量，是车辆状态量的一阶导数，是不可测量的干扰量的一阶导数。
；
其中，表示纵向速度误差，表示整车加速度，和分别表示可测量的纵向加速度扰动和不可测量的纵向加速度扰动；
；
为横向速度，和分别为前轮侧向力和后轮侧向力，为整车质量，为纵向速度，为横摆角速度，和分别表示可测量的横向加速度扰动和不可测量的横向加速度扰动。
；
其中，表示横向跟随误差，表示车辆航向角误差，和分别表示可测量的车辆航向角误差扰动和不可测量的车辆航向角误差扰动，和分别表示可测量的横向跟随误差扰动和不可测量的横向跟随误差扰动。
；
表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示整车横摆转动惯量，是可测量的横摆角速度扰动。
；
是车辆航向角的一阶导数，是参考曲率。
，，，， ；稳态下的状态导数应为零，其中无偏无迹卡尔曼滤波器本身为传统开源算法，这里不再赘述。
表示不可测量的纵向加速度扰动的一阶导数；表示不可测量的横向加速度扰动的一阶导数；表示不可测量的横摆角速度扰动的一阶导数；表示不可测量的横向跟随误差扰动的一阶导数；表示不可测量的车辆航向角误差扰动的一阶导数。本发明使用无迹卡尔曼滤波器获取车辆状态量和不可测量的干扰量，提高了状态反馈的平滑度，解决了车辆动力学模型失配和外界干扰引起的稳态误差问题。
S202、根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考。
具体的，使用单轨模型描述车辆动力学模型，主要解决了最常见的前轮驱动和前轮转向配置车辆的运动控制问题。
对于纵向运动，满足以下关系，；
其中， ；
；
；
其中，为整车质量，为纵向速度，是表示整车加速度，由驱动电机和制动系统的扭矩转换而来，表示纵向加速度扰动，表示前轮的纵向加速度，表示后轮的纵向加速度，和分别为前轮的纵向力和后轮纵向力，
和分别表示可测量的纵向加速度扰动和不可测量的纵向加速度扰动，表示可测量的前轮纵向力，表示可测量的前轮侧向力，表示可测量的前轮转角，表示侧向扰动力。在本发明实施例中，上标“-”表示可测量，上标“~”表示不可测量。本发明通过将纵向加速度扰动引入无偏移模型预测车辆控制器，在保证车辆横向跟踪精度的前提下，解决了纵向速度跟踪精度不佳的问题，同时平衡了横纵向跟踪精度。
对于横向运动，动力学方程如下，；
；
；
其中，表示横向速度，和分别为前轮侧向力和后轮侧向力，为整车质量，为纵向速度，为横摆角速度，表示横向加速度扰动，和分别表示可测量的横向加速度扰动和不可测量的横向加速度扰动，表示可测量的前轮纵向力，表示可测量的前轮侧向力，表示纵向扰动力。
对于横摆运动，可以获得以下结果：；
；
；
其中，表示横摆角速度，表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示车辆绕z轴的转动惯量，表示横摆角速度扰动，和分别是可测量的横摆角速度扰动和不可测量的横摆角速度扰动，表示可测量的前轮侧向力，表示整车扰动扭矩。
转向系统的动力学模型：；其中，表示前轮转角，表示前轮的转向率。根据实验观察，忽略了转向率建立的动力学模型。这是因为转向率的响应过程非常迅速，从零到最大转向率通常只需要十毫秒左右。
；
，；
；
其中，和分别表示车辆航向角和参考车辆航向角，表示车辆航向角误差，表示车辆航向角误差的一阶导数，表示车辆航向角的一阶导数，表示参考曲率，表示纵向速度，表示横向速度，表示车辆航向角误差扰动，和分别表示可测量的车辆航向角误差扰动和不可测量的车辆航向角误差扰动，表示横向跟随误差的一阶导数，表示横向跟随误差扰动。
引入横向和纵向加速度的松弛因子λ，将纵向加速度扰动乘以松弛因子λ，将横向参考加速度乘以松弛因子λ，基于车辆动力学模型计算出参考轮胎侧向力，其中，λ∈(0,1]。假设轮胎侧偏角和前轮转角为小角度，则可以得到以下公式：
，。
车辆侧向力的平衡方程为：；其中，，。
车辆的力矩平衡方程为：；
联立车辆侧向力的平衡方程和车辆的力矩平衡方程，可以推到出前轮的参考侧向力和后轮的参考侧向力。
前轮的参考轮胎侧向力为： ；
后轮的参考轮胎侧向力为： ；
参考轮胎侧向力为： ；
其中，为整车加速度的参考值，表示纵向加速度扰动，表示横向加速度扰动，和分别为前轮侧向力的参考值和后轮的侧向力的参考值，为整车质量，为横向参考加速度，是参考轨迹给出的参考横摆角速度，表示参考曲率，表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示整车横摆转动惯量，表示横摆角速度扰动；
由于车辆处于稳定状态，因此只考虑横向约束，横向约束条件为： ，。其中，是额定摩擦力，和分别表示前轮的垂向载荷和后轮的垂向载荷；由于车辆此时在拐弯，需要判断车辆是向心运动还是离心运动。向心误差方向力，用于判断车辆是向心运动还是离心运动；其中，是向心误差方向力，为纵向速度，是参考轨迹给出的参考横摆角速度，是横向加速度扰动。
；
；
其中，表示松驰因子的最大值，表示松弛因子最大值的一阶导数，表示松弛量，为任意正实数；当车辆直线行驶时，，松弛量可以防止车辆在直线行驶过程中出现没有可行解的情况。
引入松弛因子λ计算出参考轮胎侧向力后，对轮胎横向动力学模型进行逆运算可得到前轮侧偏角和后轮侧偏角，
轮胎横向动力学模型，
即，；
；
基于TMeasy轮胎模型的结果，引入了负载对轮胎刚度的影响：
即，；， ；
表示垂向载荷，表示轮胎侧偏角，轮胎侧偏角包括前轮侧偏角和后轮侧偏角，表示轮胎侧偏刚度，和分别表示额定摩擦力和标称载荷，为整车质量，表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示重力加速度，表示整车加速度，为质心到地面的距离。
而且，前轮侧偏角和后轮侧偏角还满足以下关系：
；
其中，表示前轮侧偏角或者后轮侧偏角，表示车辆质心速度方向与车头指向（即车辆的纵轴x)的夹角，表示前轮转角或者后轮转角。
而且由于是前转的车辆，因此没有后轮转向机构，因此后轮转角可以忽略，也就是说，前轮侧偏角和后轮侧偏角满足如下关系：
；
其中，为参考横摆角速度，进而可以推导出，
；
；
其中，为横向速度参考值，为前轮侧偏角参考值，为后轮侧偏角参考值，为前轮转角参考值；车辆航向角误差的参考值为：，横向跟随误差参考值为零，纵向速度误差参考值为零。通过假设轮胎侧偏角和前轮转角为小角度，可以得到车辆状态量和控制量的参考值。
控制量，所述车辆状态量；
干扰量；不可测量的干扰量和可测量的干扰量中所包括的变量与干扰量中所包括的变量相同；其中，表示控制量，表示前轮转角，表示整车加速度，表示车辆状态量，表示纵向速度误差，表示横向跟随误差，表示车辆航向角误差，表示横向速度，表示横摆角速度，表示纵向加速度扰动，表示横向加速度扰动，表示横摆角速度扰动，表示横向跟随误差扰动，表示车辆航向角误差扰动。
S203、以车辆的前轮转角和车辆速度为控制量建立控制目标函数，并设置控制量和控制量增量的约束条件，在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量，其中，松弛因子用于增加约束条件的对系统的稳定性。
目标函数为，控制量的约束条件为，控制增量的约束条件为；
其中，表示目标函数，表示积分代价，表示车辆状态量，表示控制量，表示可测量的干扰量，表示不可测量的干扰量，表示整车加速度，表示整车加速度的最小值，表示整车加速度的最大值，表示前轮的转向率，表示前轮的转向率的最大值。
一般情况下，可测量的干扰量的轨迹是已知的，不可测量的干扰量需要通过无迹卡尔曼滤波器来观察，因此假设它们在预测时间内保持不变， 对于目标函数来说在有约束条件下的最小化就是积分代价函数函数。示例性的，积分代价函数可以表示为：
。
是状态参考，是控制参考，Q是状态权重矩阵，R是控制权重矩阵。积分代价函数反映了状态增量和控制增量的变化，通过基于梯度的模型预测控制方法求解目标函数，可以得出最优控制量进而控制自动驾驶车辆。本发明是一个高度抽象概括的运动控制方法，其并不受制于特定场景，特定车型的开发，极大地提高了开发效率。
图3是本发明实施例提供的一种基于无偏移模型预测的车辆控制器的原理示意图。如图3所示，该无偏移模型预测车辆控制器100包括：
无迹卡尔曼滤波器101，用于获取车辆状态量和不可测量的干扰量。无迹卡尔曼滤波器101采用无迹卡尔曼滤波器算法，来观测纵向和侧向的噪声和其他无法直接测量的噪声信号，观测得到的信号估计将会输入无偏非线性MPC求解器103，进一步提高无偏移模型预测控制器的动态表现。
非线性参考值生成器102，用于根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考。非线性参考值生成器102主要通过自动驾驶轨迹规划层传来的信息，即轨迹点及其对应的速度，加速度，航向角，曲率等信息，计算出此时稳态车辆应具有的状态。
无偏非线性MPC求解器103，用于在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量。本发明采用基于梯度的模型预测控制方法对目标函数进行求解，由于其效率高、内存消耗低，非常适合部署在嵌入式电控单元中。
图4是本发明实施例提供的一种无偏移模型预测的车辆控制系统的原理示意图。如图4所示，无偏移模型预测车辆控制器100包括：无迹卡尔曼滤波器101、非线性参考值生成器102和无偏非线性MPC求解器103。
无偏移模型预测车辆控制器100通过经过故障诊断模块200检测的状态输入，状态输入包括轨迹输入和状态反馈量，结合控制反馈量，计算得到自动驾驶车辆的控制量u，最优控制量u包括整车加速度和方向盘转角控制量（前轮转角），上述控制量通过CAN总线传递给底盘执行机构，达到控制驱动电机、制动系统、转向电机的目的，完成自动车辆驾驶控制的闭环任务。
故障诊断处理模块200使用信号看门狗处理轨迹输入，对状态反馈量和最优控制量u进行检测，查看信号是否丢失，如果丢失则进入故障处理。同时故障诊断处理模块200也会检测底盘的各个子系统，当底盘子系统出现故障时，也会进入故障处理状态。一旦进入故障处理模式，将退出自动驾驶模式并由驾驶员接手控制。
本发明实施例所提供的无偏移模型预测的车辆控制器可执行本发明任意实施例所提供的基于无偏移模型预测的车辆控制方法，具备执行方法相应的功能模块和有益效果。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现上述任一实施例的基于无偏移模型预测的车辆控制方法。
计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种基于无偏移模型预测的车辆控制方法，其特征在于，包括：
获取车辆状态信息和目标轨迹信息，根据所述车辆状态信息获取可测量的干扰量，并基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量；
根据车辆动力学模型和所述车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；
以车辆的前轮转角和车辆速度为控制量建立控制目标函数，并设置所述控制量和控制量增量的约束条件，在所述约束条件下，采用所述状态参考和所述控制参考对目标函数进行求解，计算出最优控制量，发送给被控车辆执行量，其中，所述松弛因子用于增加所述约束条件的对系统的稳定性。
2.根据权利要求1所述的方法，其特征在于，获取车辆状态信息和目标轨迹信息，根据所述车辆状态信息获取可测量的干扰量，并基于无迹卡尔曼滤波器算法获取车辆状态量和不可测量的干扰量，包括：
采用增广状态方程来观察扰动，获取所述车辆状态量和所述不可测量的干扰量；其中，所述车辆状态量和所述不可测量的干扰量作为所述增广状态方程的增广状态，控制量和所述可测量的干扰量作为所述增广状态方程的增广控制变量。
3.根据权利要求2所述的方法，其特征在于，采用增广状态方程来观察扰动，获取车辆状态量和不可测量的干扰量，包括：
；
其中，是增广状态，是增广控制变量，是车辆状态量，是不可测量的干扰量，是控制量，是可测量的干扰量，是车辆状态量的一阶导数，是不可测量的干扰量的一阶导数；
；
其中，表示纵向速度误差，表示整车加速度，和分别表示可测量的纵向加速度扰动和不可测量的纵向加速度扰动；
；
为横向速度，和分别为前轮侧向力和后轮侧向力，为整车质量，为纵向速度，为横摆角速度，和分别表示可测量的横向加速度扰动和不可测量的横向加速度扰动；
；
其中，表示横向跟随误差，表示车辆航向角误差，和分别表示可测量的车辆航向角误差扰动和不可测量的车辆航向角误差扰动，和分别表示可测量的横向跟随误差扰动和不可测量的横向跟随误差扰动；
；
表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示车辆绕z轴的转动惯量，是横摆角速度扰动；
；
是车辆航向角的一阶导数，是参考曲率；
，，，， ；
表示不可测量的纵向加速度扰动的一阶导数；表示不可测量的横向加速度扰动的一阶导数；表示不可测量的横摆角速度扰动的一阶导数；表示不可测量的横向跟随误差扰动的一阶导数；表示不可测量的车辆航向角误差扰动的一阶导数。
4.根据权利要求1所述的方法，其特征在于，根据车辆动力学模型和所述车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考，包括：
引入横向和纵向加速度的松弛因子λ，将纵向加速度扰动乘以所述松弛因子λ，将横向参考加速度乘以所述松弛因子λ，基于所述车辆动力学模型计算出参考轮胎侧向力，其中，λ∈(0,1]；
根据所述参考轮胎侧向力和轮胎横向逆动力学模型得到前轮转角参考。
5.根据权利要求4所述的方法，其特征在于，引入横向和纵向加速度的松弛因子λ，将纵向加速度扰动乘以所述松弛因子λ，将横向参考加速度乘以所述松弛因子λ，将基于所述车辆动力学模型计算出参考轮胎侧向力，包括：
；
；
；
其中，为整车加速度的参考值，表示纵向加速度扰动，和分别为前轮侧向力的参考值和后轮的侧向力的参考值，为整车质量，为横向参考加速度，表示车辆质心到前轴的距离，表示车辆质心到后轴的距离，表示车辆绕z轴的转动惯量，表示可测量的横摆角速度扰动；
由于车辆处于稳定状态，因此只考虑横向约束，
，；
是额定摩擦力，和分别表示前轮的垂向载荷和后轮的垂向载荷；
，用于判断车辆是向心运动还是离心运动；
其中，是向心误差方向力，为纵向速度，是参考轨迹给出的参考横摆角速度，是横向加速度扰动，
；
；
其中，表示松驰因子的最大值，表示松弛因子最大值的一阶导数，表示松弛量，为任意正实数；
引入松弛因子λ计算出参考轮胎侧向力后，利用轮胎横向动力学模型可得到前轮侧偏角和后轮侧偏角，前轮侧偏角和后轮侧偏角满足如下关系，
；
其中，为参考横摆角速度，进而可以推导出，
；
；
其中，为横向速度参考值，为前轮侧偏角参考值，为后轮侧偏角参考值，为前轮转角参考值；
车辆航向角误差的参考值为：，横向跟随误差参考值为零，纵向速度误差参考值为零。
6.根据权利要求1所述的方法，其特征在于，车辆动力学模型包括：转向系统的动力学模型：；其中，表示前轮转角，表示前轮的转向率；
；
， ；
；
其中，和分别表示车辆航向角和参考车辆航向角，表示车辆航向角误差，表示车辆航向角误差的一阶导数，表示车辆航向角的一阶导数，表示参考曲率，表示纵向速度，表示横向速度，表示车辆航向角误差扰动，和分别表示可测量的车辆航向角误差扰动和不可测量的车辆航向角误差扰动，表示横向跟随误差的一阶导数，表示横向跟随误差扰动。
7.根据权利要求1所述的方法，其特征在于，所述控制量，所述车辆状态量，
所述干扰量；所述不可测量的干扰量和所述可测量的干扰量中所包括的变量与干扰量中所包括的变量相同；其中，表示控制量，表示前轮转角，表示整车加速度，表示车辆状态量，表示纵向速度误差，表示横向跟随误差，表示车辆航向角误差，表示横向速度，表示横摆角速度，表示纵向加速度扰动，表示横向加速度扰动，表示横摆角速度扰动，表示横向跟随误差扰动，表示车辆航向角误差扰动。
8.根据权利要求1所述的方法，其特征在于，所述目标函数为，控制量的约束条件为，控制增量的约束条件为；
其中，表示目标函数，表示积分代价，表示车辆状态量，表示控制量，表示可测量的干扰量，表示不可测量的干扰量，表示整车加速度，表示整车加速度的最小值，表示整车加速度的最大值，表示前轮的转向率，表示前轮的转向率的最大值。
9.一种基于无偏移模型预测的车辆控制器，其特征在于，包括：
无迹卡尔曼滤波器，用于获取车辆状态量和不可测量的干扰量；
非线性参考值生成器，用于根据车辆动力学模型和车辆状态量，引入横向和纵向加速度的松弛因子获取状态参考和控制参考；
无偏非线性MPC求解器，用于在约束条件下，采用状态参考和控制参考对目标函数进行求解，计算出最优控制量。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的基于无偏移模型预测的车辆控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310279846.2A CN115991187B (zh) | 2023-03-22 | 2023-03-22 | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310279846.2A CN115991187B (zh) | 2023-03-22 | 2023-03-22 | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115991187A true CN115991187A (zh) | 2023-04-21 |
| CN115991187B CN115991187B (zh) | 2023-06-06 |
Family
ID=85992308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310279846.2A Active CN115991187B (zh) | 2023-03-22 | 2023-03-22 | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115991187B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117234215A (zh) * | 2023-11-09 | 2023-12-15 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111824146A (zh) * | 2020-06-19 | 2020-10-27 | 武汉理工大学 | 一种路径跟随模型预测控制方法、系统、装置及存储介质 |
| CN111891118A (zh) * | 2020-08-05 | 2020-11-06 | 桂林电子科技大学 | 基于模型预测控制算法的电动汽车防侧翻控制方法 |
| CN113759707A (zh) * | 2020-12-10 | 2021-12-07 | 北京京东乾石科技有限公司 | 用于自动驾驶车辆的预测控制优化方法和装置 |
| WO2022266824A1 (zh) * | 2021-06-22 | 2022-12-29 | 华为技术有限公司 | 一种转向控制方法及装置 |
| US20230001935A1 (en) * | 2021-07-05 | 2023-01-05 | Rimac Automobiles Ltd. | Controlling motion of a vehicle |
-
2023
- 2023-03-22 CN CN202310279846.2A patent/CN115991187B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111824146A (zh) * | 2020-06-19 | 2020-10-27 | 武汉理工大学 | 一种路径跟随模型预测控制方法、系统、装置及存储介质 |
| CN111891118A (zh) * | 2020-08-05 | 2020-11-06 | 桂林电子科技大学 | 基于模型预测控制算法的电动汽车防侧翻控制方法 |
| CN113759707A (zh) * | 2020-12-10 | 2021-12-07 | 北京京东乾石科技有限公司 | 用于自动驾驶车辆的预测控制优化方法和装置 |
| WO2022266824A1 (zh) * | 2021-06-22 | 2022-12-29 | 华为技术有限公司 | 一种转向控制方法及装置 |
| US20230001935A1 (en) * | 2021-07-05 | 2023-01-05 | Rimac Automobiles Ltd. | Controlling motion of a vehicle |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117234215A (zh) * | 2023-11-09 | 2023-12-15 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
| CN117234215B (zh) * | 2023-11-09 | 2024-03-05 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115991187B (zh) | 2023-06-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Reina et al. | Vehicle dynamics estimation via augmented Extended Kalman Filtering | |
| CN107380254B (zh) | 使用系统状态预测的电动助力转向控制 | |
| Melzi et al. | On the vehicle sideslip angle estimation through neural networks: Numerical and experimental results | |
| Zhang et al. | Fault-tolerant control for intelligent electrified vehicles against front wheel steering angle sensor faults during trajectory tracking | |
| CN110850895B (zh) | 一种路径跟踪方法、装置、设备及存储介质 | |
| CN111873991B (zh) | 一种车辆转向的控制方法、装置、终端及存储介质 | |
| WO2007018765A2 (en) | Online estimation of vehicle side-slip under linear operating region | |
| CN115991187B (zh) | 基于无偏移模型预测的车辆控制方法、控制器及存储介质 | |
| CN107380169B (zh) | 一种汽车转向操纵特性的在线预测方法及系统 | |
| CN103279675B (zh) | 轮胎-路面附着系数与轮胎侧偏角的估计方法 | |
| CN109017805B (zh) | 一种针对存在不确定性的行驶系统车辆稳定性控制方法 | |
| Arat et al. | An intelligent tyre based adaptive vehicle stability controller | |
| CN114987607B (zh) | 一种车辆的转向控制方法、装置、设备及存储介质 | |
| CN114852051A (zh) | 一种车辆行驶控制方法、装置、电子设备及存储介质 | |
| Zhou et al. | A layered roll stability control strategy for commercial vehicles based on adaptive model predictive control | |
| CN114670877A (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
| Alshawi et al. | An adaptive unscented kalman filter for the estimation of the vehicle velocity components, slip angles, and slip ratios in extreme driving manoeuvres | |
| Chen et al. | Virtual-point-based asymptotic tracking control of 4WS vehicles | |
| Ghoneim | Application of variable-structure output feedback control to active front steering for understeer and oversteer conditions | |
| Lawson et al. | Fault tolerant control for an electric power steering system | |
| CN117087802B (zh) | 一种基于电动两轮车的转弯拐点补偿方法及系统 | |
| JP7351012B2 (ja) | 車両重量の推定方法、装置、電子機器、記憶媒体およびコンピュータプログラム | |
| Edrén et al. | Road friction effect on the optimal vehicle control strategy in two critical manoeuvres | |
| CN113212431A (zh) | 一种跟踪控制方法、装置、设备及存储介质 | |
| CN117325885A (zh) | 一种车辆控制方法、装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |