CN115991187B - 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 PDF

Info

Publication number
CN115991187B
CN115991187B CN202310279846.2A CN202310279846A CN115991187B CN 115991187 B CN115991187 B CN 115991187B CN 202310279846 A CN202310279846 A CN 202310279846A CN 115991187 B CN115991187 B CN 115991187B
Authority
CN
China
Prior art keywords
vehicle
disturbance
representing
lateral
control
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.)
Active
Application number
CN202310279846.2A
Other languages
English (en)
Other versions
CN115991187A (zh
Inventor
刘梦可
刘金波
张建
高原
王宇
王御
李林润
姜洪伟
孟祥希
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202310279846.2A priority Critical patent/CN115991187B/zh
Publication of CN115991187A publication Critical patent/CN115991187A/zh
Application granted granted Critical
Publication of CN115991187B publication Critical patent/CN115991187B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于无偏移模型预测的车辆控制方法、控制器及存储介质
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：
Figure SMS_1
；
其中，
Figure SMS_3
是增广状态，
Figure SMS_5
是增广控制变量，
Figure SMS_7
是车辆状态量，
Figure SMS_4
是不可测量的干扰量，
Figure SMS_6
是控制量，
Figure SMS_8
是可测量的干扰量，
Figure SMS_9
是车辆状态量的一阶导数，
Figure SMS_2
是不可测量的干扰量的一阶导数；
Figure SMS_10
；
其中，
Figure SMS_11
表示纵向速度误差，
Figure SMS_12
表示整车加速度，
Figure SMS_13
和
Figure SMS_14
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；
Figure SMS_15
；
Figure SMS_17
为横向速度，
Figure SMS_19
和
Figure SMS_21
分别为前轮侧向力和后轮侧向力，
Figure SMS_18
为整车质量，
Figure SMS_20
为纵向速度，
Figure SMS_22
为横摆角速度，
Figure SMS_23
和
Figure SMS_16
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；
Figure SMS_24
；
其中，
Figure SMS_25
表示横向跟随误差，
Figure SMS_26
表示车辆航向角误差，
Figure SMS_27
和
Figure SMS_28
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，
Figure SMS_29
和
Figure SMS_30
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；
Figure SMS_31
；
Figure SMS_32
表示车辆质心到前轴的距离，
Figure SMS_33
表示车辆质心到后轴的距离，
Figure SMS_34
表示车辆绕z轴的转动惯量，
Figure SMS_35
是横摆角速度扰动；
Figure SMS_36
；
Figure SMS_37
是车辆航向角的一阶导数，
Figure SMS_38
是参考曲率；
Figure SMS_39
，
Figure SMS_40
，
Figure SMS_41
，
Figure SMS_42
，
Figure SMS_43
；
Figure SMS_44
表示不可测量的纵向加速度扰动的一阶导数；
Figure SMS_45
表示不可测量的横向加速度扰动的一阶导数；
Figure SMS_46
表示不可测量的横摆角速度扰动的一阶导数；
Figure SMS_47
表示不可测量的横向跟随误差扰动的一阶导数；
Figure SMS_48
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：
Figure SMS_49
；
Figure SMS_50
；
Figure SMS_51
；
其中，
Figure SMS_53
为整车加速度的参考值，
Figure SMS_54
表示纵向加速度扰动，
Figure SMS_55
和
Figure SMS_52
分别为前轮侧向力的参考值和后轮的侧向力的参考值，
Figure SMS_57
为整车质量，
Figure SMS_60
为横向参考加速度，
Figure SMS_61
表示车辆质心到前轴的距离，
Figure SMS_56
表示车辆质心到后轴的距离，
Figure SMS_58
表示车辆绕z轴的转动惯量，
Figure SMS_59
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，
Figure SMS_62
，
Figure SMS_63
；
Figure SMS_64
是额定摩擦力，
Figure SMS_65
和
Figure SMS_66
分别表示前轮的垂向载荷和后轮的垂向载荷；
Figure SMS_67
，用于判断车辆是向心运动还是离心运动；
其中，
Figure SMS_68
是向心误差方向力，
Figure SMS_69
为纵向速度，
Figure SMS_70
是参考轨迹给出的参考横摆角速度，
Figure SMS_71
是横向加速度扰动，
Figure SMS_72
；
Figure SMS_73
；
其中，
Figure SMS_74
表示松驰因子的最大值，
Figure SMS_75
表示松弛因子最大值的一阶导数，
Figure SMS_76
表示松弛量，
Figure SMS_77
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，
Figure SMS_78
；
其中
Figure SMS_79
，
Figure SMS_80
为参考横摆角速度，进而可以推导出，
Figure SMS_81
；
Figure SMS_82
；
其中，
Figure SMS_83
为横向速度参考值，
Figure SMS_84
为前轮侧偏角参考值，
Figure SMS_85
为后轮侧偏角参考值，
Figure SMS_86
为前轮转角参考值；
车辆航向角误差的参考值为：
Figure SMS_87
，横向跟随误差参考值为零
Figure SMS_88
，纵向速度误差参考值为零
Figure SMS_89
。
可选的，转向系统的动力学模型：
Figure SMS_90
；其中，
Figure SMS_91
表示前轮转角，
Figure SMS_92
表示前轮的转向率；
Figure SMS_93
；
Figure SMS_94
，
Figure SMS_95
；
Figure SMS_96
；
其中，
Figure SMS_99
和
Figure SMS_102
分别表示车辆航向角和参考车辆航向角，
Figure SMS_104
表示车辆航向角误差，
Figure SMS_97
表示车辆航向角误差的一阶导数，
Figure SMS_103
表示车辆航向角的一阶导数，
Figure SMS_105
表示参考曲率，
Figure SMS_106
表示纵向速度，
Figure SMS_100
表示横向速度，
Figure SMS_107
表示车辆航向角误差扰动，
Figure SMS_108
和
Figure SMS_109
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，
Figure SMS_98
表示横向跟随误差的一阶导数，
Figure SMS_101
表示横向跟随误差扰动。
可选的，控制量
Figure SMS_118
，车辆状态量
Figure SMS_112
，干扰量
Figure SMS_114
；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，
Figure SMS_113
表示控制量，
Figure SMS_117
表示前轮转角，
Figure SMS_121
表示整车加速度，
Figure SMS_125
表示车辆状态量，
Figure SMS_119
表示纵向速度误差，
Figure SMS_123
表示横向跟随误差，
Figure SMS_110
表示车辆航向角误差，
Figure SMS_115
表示横向速度，
Figure SMS_120
表示横摆角速度，
Figure SMS_124
表示纵向加速度扰动，
Figure SMS_122
表示横向加速度扰动，
Figure SMS_126
表示横摆角速度扰动，
Figure SMS_111
表示横向跟随误差扰动，
Figure SMS_116
表示车辆航向角误差扰动。
可选的，目标函数为
Figure SMS_129
，控制量的约束条件为
Figure SMS_131
，控制增量的约束条件为
Figure SMS_134
；其中，
Figure SMS_136
表示目标函数，
Figure SMS_138
表示积分代价，
Figure SMS_139
表示车辆状态量，
Figure SMS_140
表示控制量，
Figure SMS_127
表示可测量的干扰量，
Figure SMS_132
表示不可测量的干扰量，
Figure SMS_135
表示整车加速度，
Figure SMS_137
表示整车加速度的最小值，
Figure SMS_128
表示整车加速度的最大值，
Figure SMS_130
表示前轮的转向率，
Figure SMS_133
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：
Figure SMS_141
；
车辆的非线性动力学模型微分方程为：
Figure SMS_142
。
其中，
Figure SMS_145
是增广状态，
Figure SMS_147
是增广控制变量，
Figure SMS_149
是车辆状态量，
Figure SMS_144
是不可测量的干扰量，
Figure SMS_146
是控制量，
Figure SMS_148
是可测量的干扰量，
Figure SMS_150
是车辆状态量的一阶导数，
Figure SMS_143
是不可测量的干扰量的一阶导数。
Figure SMS_151
；
其中，
Figure SMS_152
表示纵向速度误差，
Figure SMS_153
表示整车加速度，
Figure SMS_154
和
Figure SMS_155
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；
Figure SMS_156
；
Figure SMS_158
为横向速度，
Figure SMS_160
和
Figure SMS_162
分别为前轮侧向力和后轮侧向力，
Figure SMS_159
为整车质量，
Figure SMS_161
为纵向速度，
Figure SMS_163
为横摆角速度，
Figure SMS_164
和
Figure SMS_157
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。
Figure SMS_165
；
其中，
Figure SMS_166
表示横向跟随误差，
Figure SMS_167
表示车辆航向角误差，
Figure SMS_168
和
Figure SMS_169
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，
Figure SMS_170
和
Figure SMS_171
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。
Figure SMS_172
；
Figure SMS_173
表示车辆质心到前轴的距离，
Figure SMS_174
表示车辆质心到后轴的距离，
Figure SMS_175
表示整车横摆转动惯量，
Figure SMS_176
是可测量的横摆角速度扰动。
Figure SMS_177
；
Figure SMS_178
是车辆航向角的一阶导数，
Figure SMS_179
是参考曲率。
Figure SMS_180
，
Figure SMS_181
，
Figure SMS_182
，
Figure SMS_183
，
Figure SMS_184
；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。
Figure SMS_185
表示不可测量的纵向加速度扰动的一阶导数；
Figure SMS_186
表示不可测量的横向加速度扰动的一阶导数；
Figure SMS_187
表示不可测量的横摆角速度扰动的一阶导数；
Figure SMS_188
表示不可测量的横向跟随误差扰动的一阶导数；
Figure SMS_189
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，
Figure SMS_190
；
其中，
Figure SMS_191
；
Figure SMS_192
；
Figure SMS_193
；
其中，
Figure SMS_194
为整车质量，
Figure SMS_197
为纵向速度，
Figure SMS_199
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，
Figure SMS_196
表示纵向加速度扰动，
Figure SMS_198
表示前轮的纵向加速度，
Figure SMS_200
表示后轮的纵向加速度，
Figure SMS_201
和
Figure SMS_195
分别为前轮的纵向力和后轮纵向力，
Figure SMS_202
和
Figure SMS_203
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，
Figure SMS_204
表示可测量的前轮纵向力，
Figure SMS_205
表示可测量的前轮侧向力，
Figure SMS_206
表示可测量的前轮转角，
Figure SMS_207
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，
Figure SMS_208
；
Figure SMS_209
；
Figure SMS_210
；
其中，
Figure SMS_212
表示横向速度，
Figure SMS_214
和
Figure SMS_216
分别为前轮侧向力和后轮侧向力，
Figure SMS_213
为整车质量，
Figure SMS_218
为纵向速度，
Figure SMS_220
为横摆角速度，
Figure SMS_222
表示横向加速度扰动，
Figure SMS_215
和
Figure SMS_217
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，
Figure SMS_219
表示可测量的前轮纵向力，
Figure SMS_221
表示可测量的前轮侧向力，
Figure SMS_211
表示纵向扰动力。
对于横摆运动，可以获得以下结果：
Figure SMS_223
；
Figure SMS_224
；
Figure SMS_225
；
其中，
Figure SMS_227
表示横摆角速度，
Figure SMS_231
表示车辆质心到前轴的距离，
Figure SMS_233
表示车辆质心到后轴的距离，
Figure SMS_228
表示车辆绕z轴的转动惯量，
Figure SMS_229
表示横摆角速度扰动，
Figure SMS_232
和
Figure SMS_234
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，
Figure SMS_226
表示可测量的前轮侧向力，
Figure SMS_230
表示整车扰动扭矩。
转向系统的动力学模型：
Figure SMS_235
；其中，
Figure SMS_236
表示前轮转角，
Figure SMS_237
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。
Figure SMS_238
；
Figure SMS_239
，
Figure SMS_240
；
Figure SMS_241
；
其中，
Figure SMS_243
和
Figure SMS_246
分别表示车辆航向角和参考车辆航向角，
Figure SMS_250
表示车辆航向角误差，
Figure SMS_245
表示车辆航向角误差的一阶导数，
Figure SMS_247
表示车辆航向角的一阶导数，
Figure SMS_251
表示参考曲率，
Figure SMS_253
表示纵向速度，
Figure SMS_242
表示横向速度，
Figure SMS_249
表示车辆航向角误差扰动，
Figure SMS_252
和
Figure SMS_254
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，
Figure SMS_244
表示横向跟随误差的一阶导数，
Figure SMS_248
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
Figure SMS_255
和前轮转角
Figure SMS_256
为小角度，则可以得到以下公式：
Figure SMS_257
，
Figure SMS_258
。
车辆侧向力的平衡方程为：
Figure SMS_259
；其中，
Figure SMS_260
，
Figure SMS_261
。
车辆的力矩平衡方程为：
Figure SMS_262
；
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：
Figure SMS_263
；
后轮的参考轮胎侧向力为：
Figure SMS_264
；
参考轮胎侧向力为：
Figure SMS_265
；
其中，
Figure SMS_266
为整车加速度的参考值，
Figure SMS_270
表示纵向加速度扰动，
Figure SMS_274
表示横向加速度扰动，
Figure SMS_267
和
Figure SMS_269
分别为前轮侧向力的参考值和后轮的侧向力的参考值，
Figure SMS_273
为整车质量，
Figure SMS_275
为横向参考加速度，
Figure SMS_271
是参考轨迹给出的参考横摆角速度，
Figure SMS_276
表示参考曲率，
Figure SMS_277
表示车辆质心到前轴的距离，
Figure SMS_278
表示车辆质心到后轴的距离，
Figure SMS_268
表示整车横摆转动惯量，
Figure SMS_272
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：
Figure SMS_280
，
Figure SMS_283
。其中，
Figure SMS_286
是额定摩擦力，
Figure SMS_281
和
Figure SMS_284
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
Figure SMS_287
，用于判断车辆是向心运动还是离心运动；其中，
Figure SMS_288
是向心误差方向力，
Figure SMS_279
为纵向速度，
Figure SMS_282
是参考轨迹给出的参考横摆角速度，
Figure SMS_285
是横向加速度扰动。
Figure SMS_289
；
Figure SMS_290
；
其中，
Figure SMS_291
表示松驰因子的最大值，
Figure SMS_292
表示松弛因子最大值的一阶导数，
Figure SMS_293
表示松弛量，
Figure SMS_294
为任意正实数；当车辆直线行驶时，
Figure SMS_295
，松弛量
Figure SMS_296
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
Figure SMS_297
，
即，
Figure SMS_298
；
Figure SMS_299
；
基于TMeasy轮胎模型的结果，引入了负载对轮胎刚度的影响：
即，
Figure SMS_300
；
Figure SMS_301
，
Figure SMS_302
；
Figure SMS_304
表示垂向载荷，
Figure SMS_308
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，
Figure SMS_311
表示轮胎侧偏刚度，
Figure SMS_305
和
Figure SMS_309
分别表示额定摩擦力和标称载荷
Figure SMS_312
，
Figure SMS_314
为整车质量，
Figure SMS_303
表示车辆质心到前轴的距离，
Figure SMS_307
表示车辆质心到后轴的距离，
Figure SMS_310
表示重力加速度，
Figure SMS_313
表示整车加速度，
Figure SMS_306
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：
Figure SMS_315
；
其中，
Figure SMS_316
表示前轮侧偏角或者后轮侧偏角，
Figure SMS_317
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，
Figure SMS_318
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
Figure SMS_319
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：
Figure SMS_320
；
其中
Figure SMS_321
，
Figure SMS_322
为参考横摆角速度，进而可以推导出，
Figure SMS_323
；
Figure SMS_324
；
其中，
Figure SMS_325
为横向速度参考值，
Figure SMS_326
为前轮侧偏角参考值，
Figure SMS_327
为后轮侧偏角参考值，
Figure SMS_328
为前轮转角参考值；车辆航向角误差的参考值为：
Figure SMS_329
，横向跟随误差参考值为零
Figure SMS_330
，纵向速度误差参考值为零
Figure SMS_331
。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
Figure SMS_332
，所述车辆状态量
Figure SMS_333
；
干扰量
Figure SMS_336
；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，
Figure SMS_338
表示控制量，
Figure SMS_342
表示前轮转角，
Figure SMS_337
表示整车加速度，
Figure SMS_341
表示车辆状态量，
Figure SMS_345
表示纵向速度误差，
Figure SMS_348
表示横向跟随误差，
Figure SMS_334
表示车辆航向角误差，
Figure SMS_340
表示横向速度，
Figure SMS_344
表示横摆角速度，
Figure SMS_347
表示纵向加速度扰动，
Figure SMS_335
表示横向加速度扰动，
Figure SMS_339
表示横摆角速度扰动，
Figure SMS_343
表示横向跟随误差扰动，
Figure SMS_346
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
Figure SMS_349
，控制量的约束条件为
Figure SMS_350
，控制增量的约束条件为
Figure SMS_351
；
其中，
Figure SMS_353
表示目标函数，
Figure SMS_357
表示积分代价，
Figure SMS_360
表示车辆状态量，
Figure SMS_354
表示控制量，
Figure SMS_356
表示可测量的干扰量，
Figure SMS_359
表示不可测量的干扰量，
Figure SMS_362
表示整车加速度，
Figure SMS_352
表示整车加速度的最小值，
Figure SMS_355
表示整车加速度的最大值，
Figure SMS_358
表示前轮的转向率，
Figure SMS_361
表示前轮的转向率的最大值。
一般情况下，可测量的干扰量
Figure SMS_363
的轨迹是已知的，不可测量的干扰量
Figure SMS_364
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：
Figure SMS_365
。
Figure SMS_366
是状态参考，
Figure SMS_367
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
Figure SMS_368
和不可测量的干扰量
Figure SMS_369
。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
Figure SMS_370
和控制参考
Figure SMS_371
。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
Figure SMS_372
。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
Figure SMS_373
，状态输入
Figure SMS_374
包括轨迹输入和状态反馈量，结合控制反馈量
Figure SMS_375
，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
Figure SMS_376
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 (9)

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；
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。
2.根据权利要求1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：
Figure QLYQS_1
；
其中，
Figure QLYQS_3
是增广状态，
Figure QLYQS_5
是增广控制变量，
Figure QLYQS_7
是车辆状态量，
Figure QLYQS_4
是不可测量的干扰量，
Figure QLYQS_6
是控制量，
Figure QLYQS_8
是可测量的干扰量，
Figure QLYQS_9
是车辆状态量的一阶导数，
Figure QLYQS_2
是不可测量的干扰量的一阶导数；
Figure QLYQS_10
；
其中，
Figure QLYQS_11
表示纵向速度误差，
Figure QLYQS_12
表示整车加速度，
Figure QLYQS_13
和
Figure QLYQS_14
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；
Figure QLYQS_15
；
Figure QLYQS_17
为横向速度，
Figure QLYQS_20
和
Figure QLYQS_22
分别为前轮侧向力和后轮侧向力，
Figure QLYQS_18
为整车质量，
Figure QLYQS_19
为纵向速度，
Figure QLYQS_21
为横摆角速度，
Figure QLYQS_23
和
Figure QLYQS_16
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；
Figure QLYQS_24
；
其中，
Figure QLYQS_25
表示横向跟随误差，
Figure QLYQS_26
表示车辆航向角误差，
Figure QLYQS_27
和
Figure QLYQS_28
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，
Figure QLYQS_29
和
Figure QLYQS_30
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；
Figure QLYQS_31
；
Figure QLYQS_32
表示车辆质心到前轴的距离，
Figure QLYQS_33
表示车辆质心到后轴的距离，
Figure QLYQS_34
表示车辆绕z轴的转动惯量，
Figure QLYQS_35
是横摆角速度扰动；
Figure QLYQS_36
；
Figure QLYQS_37
是车辆航向角的一阶导数，
Figure QLYQS_38
是参考曲率；
Figure QLYQS_39
，
Figure QLYQS_40
，
Figure QLYQS_41
，
Figure QLYQS_42
，
Figure QLYQS_43
；
Figure QLYQS_44
表示不可测量的纵向加速度扰动的一阶导数；
Figure QLYQS_45
表示不可测量的横向加速度扰动的一阶导数；
Figure QLYQS_46
表示不可测量的横摆角速度扰动的一阶导数；
Figure QLYQS_47
表示不可测量的横向跟随误差扰动的一阶导数；
Figure QLYQS_48
表示不可测量的车辆航向角误差扰动的一阶导数。
3.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。
4.根据权利要求3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：
Figure QLYQS_49
；
Figure QLYQS_50
；
Figure QLYQS_51
；
其中，
Figure QLYQS_53
为整车加速度的参考值，
Figure QLYQS_55
表示纵向加速度扰动，
Figure QLYQS_58
和
Figure QLYQS_54
分别为前轮侧向力的参考值和后轮的侧向力的参考值，
Figure QLYQS_56
为整车质量，
Figure QLYQS_59
为横向参考加速度，
Figure QLYQS_60
表示车辆质心到前轴的距离，
Figure QLYQS_52
表示车辆质心到后轴的距离，
Figure QLYQS_57
表示车辆绕z轴的转动惯量，
Figure QLYQS_61
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，
Figure QLYQS_62
，
Figure QLYQS_63
；
Figure QLYQS_64
是额定摩擦力，
Figure QLYQS_65
和
Figure QLYQS_66
分别表示前轮的垂向载荷和后轮的垂向载荷；
Figure QLYQS_67
，用于判断车辆是向心运动还是离心运动；
其中，
Figure QLYQS_68
是向心误差方向力，
Figure QLYQS_69
为纵向速度，
Figure QLYQS_70
是参考轨迹给出的参考横摆角速度，
Figure QLYQS_71
是横向加速度扰动，
Figure QLYQS_72
；
Figure QLYQS_73
其中，
Figure QLYQS_74
表示松驰因子的最大值，
Figure QLYQS_75
表示松弛因子最大值的一阶导数，
Figure QLYQS_76
表示松弛量，
Figure QLYQS_77
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，
Figure QLYQS_78
；
其中
Figure QLYQS_79
，
Figure QLYQS_80
为参考横摆角速度，进而可以推导出，
Figure QLYQS_81
；
Figure QLYQS_82
；
其中，
Figure QLYQS_83
为横向速度参考值，
Figure QLYQS_84
为前轮侧偏角参考值，
Figure QLYQS_85
为后轮侧偏角参考值，
Figure QLYQS_86
为前轮转角参考值；
车辆航向角误差的参考值为：
Figure QLYQS_87
，横向跟随误差参考值为零
Figure QLYQS_88
，纵向速度误差参考值为零
Figure QLYQS_89
。
5.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：
Figure QLYQS_90
；其中，
Figure QLYQS_91
表示前轮转角，
Figure QLYQS_92
表示前轮的转向率；
Figure QLYQS_93
；
Figure QLYQS_94
，
Figure QLYQS_95
；
Figure QLYQS_96
；
其中，
Figure QLYQS_98
和
Figure QLYQS_102
分别表示车辆航向角和参考车辆航向角，
Figure QLYQS_106
表示车辆航向角误差，
Figure QLYQS_101
表示车辆航向角误差的一阶导数，
Figure QLYQS_103
表示车辆航向角的一阶导数，
Figure QLYQS_107
表示参考曲率，
Figure QLYQS_109
表示纵向速度，
Figure QLYQS_97
表示横向速度，
Figure QLYQS_100
表示车辆航向角误差扰动，
Figure QLYQS_105
和
Figure QLYQS_108
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，
Figure QLYQS_99
表示横向跟随误差的一阶导数，
Figure QLYQS_104
表示横向跟随误差扰动。
6.根据权利要求1所述的方法，其特征在于，所述控制量
Figure QLYQS_110
，所述车辆状态量
Figure QLYQS_111
，
所述干扰量
Figure QLYQS_113
；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，
Figure QLYQS_118
表示控制量，
Figure QLYQS_122
表示前轮转角，
Figure QLYQS_114
表示整车加速度，
Figure QLYQS_116
表示车辆状态量，
Figure QLYQS_120
表示纵向速度误差，
Figure QLYQS_123
表示横向跟随误差，
Figure QLYQS_115
表示车辆航向角误差，
Figure QLYQS_119
表示横向速度，
Figure QLYQS_124
表示横摆角速度，
Figure QLYQS_126
表示纵向加速度扰动，
Figure QLYQS_112
表示横向加速度扰动，
Figure QLYQS_117
表示横摆角速度扰动，
Figure QLYQS_121
表示横向跟随误差扰动，
Figure QLYQS_125
表示车辆航向角误差扰动。
7.根据权利要求1所述的方法，其特征在于，所述目标函数为
Figure QLYQS_127
，控制量的约束条件为
Figure QLYQS_128
，控制增量的约束条件为
Figure QLYQS_129
；
其中，
Figure QLYQS_131
表示目标函数，
Figure QLYQS_133
表示积分代价，
Figure QLYQS_136
表示车辆状态量，
Figure QLYQS_132
表示控制量，
Figure QLYQS_135
表示可测量的干扰量，
Figure QLYQS_138
表示不可测量的干扰量，
Figure QLYQS_140
表示整车加速度，
Figure QLYQS_130
表示整车加速度的最小值，
Figure QLYQS_134
表示整车加速度的最大值，
Figure QLYQS_137
表示前轮的转向率，
Figure QLYQS_139
表示前轮的转向率的最大值。
8.一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，用于根据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；
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。
9.一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1-3中任一项所述的基于无偏移模型预测的车辆控制方法。
CN202310279846.2A 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 Active CN115991187B (zh)

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 CN115991187A (zh) 2023-04-21
CN115991187B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
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
CN113759707B (zh) * 2020-12-10 2024-06-18 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
EP4116163A1 (en) * 2021-07-05 2023-01-11 Rimac Automobiles Ltd. Controlling motion of a vehicle

Also Published As

Publication number Publication date
CN115991187A (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
Reina et al. Vehicle dynamics estimation via augmented extended Kalman filtering
CN111873991B (zh) 一种车辆转向的控制方法、装置、终端及存储介质
CN110850895B (zh) 一种路径跟踪方法、装置、设备及存储介质
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
CN110341714B (zh) 一种同时估计车辆质心侧偏角和扰动的方法
CN107380169B (zh) 一种汽车转向操纵特性的在线预测方法及系统
Huang et al. Calculation algorithm of tire‐road friction coefficient based on limited‐memory adaptive extended Kalman filter
CN114987607B (zh) 一种车辆的转向控制方法、装置、设备及存储介质
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
CN113212431A (zh) 一种跟踪控制方法、装置、设备及存储介质
CN112622876A (zh) 车辆质心位置确定方法、装置、设备和存储介质
CN114852051A (zh) 一种车辆行驶控制方法、装置、电子设备及存储介质
Huang et al. Determination of motor torque for power-assist electric bicycles using observer-based sensor fusion
Huang et al. Estimation of sideslip angle based on extended Kalman filter
CN114670877A (zh) 车辆控制方法、装置、电子设备及存储介质
JP2017001561A (ja) 車両制御装置
CN115071736A (zh) 基于故障估计的自动驾驶车辆容错控制方法及系统
Deng et al. RLS-based online estimation on vehicle linear sideslip
Chen et al. Virtual-point-based asymptotic tracking control of 4WS vehicles
Lawson et al. Fault tolerant control for an electric power steering system
Wang et al. Observer-based prescribed performance path-following control for autonomous ground vehicles via error shifting method
Ghoneim Application of variable-structure output feedback control to active front steering for understeer and oversteer conditions
CN116729407B (zh) 车辆横向速度检测方法、电子设备及存储介质

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