CN116184808A - 车辆的路径跟踪方法、装置、车辆及存储介质 - Google Patents
车辆的路径跟踪方法、装置、车辆及存储介质 Download PDFInfo
- Publication number
- CN116184808A CN116184808A CN202310005334.7A CN202310005334A CN116184808A CN 116184808 A CN116184808 A CN 116184808A CN 202310005334 A CN202310005334 A CN 202310005334A CN 116184808 A CN116184808 A CN 116184808A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- fuzzy
- control law
- tracking
- deviation
- 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 79
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 48
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000004069 differentiation Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 25
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical group C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B11/00—Automatic controllers
- G05B11/01—Automatic controllers electric
- G05B11/36—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential
- G05B11/42—Automatic controllers electric with provision for obtaining particular characteristics, e.g. proportional, integral, differential for obtaining a characteristic which is both proportional and time-dependent, e.g. P. I., P. I. D.
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本申请涉及一种车辆的路径跟踪方法、装置、车辆及存储介质，包括：基于建立的车辆误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律，基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，得到实际输出量，据此求解车辆轨迹跟踪的控制律，将得到的控制律待定参数代入车辆轨迹跟踪的控制律输出当前控制量，并对车辆的横向路径进行跟踪。由此，解决了当前路径跟踪算法缺乏必要的控制稳定性理论，参数标定过于复杂等问题，增强用户体验感。
Description
技术领域
本申请涉及车辆技术领域，特别涉及一种车辆的路径跟踪方法、装置、车辆及存储介质。
背景技术
智能化作为车辆新四化的代表之一，如今的技术发展势头愈发快速，其中车辆的自动驾驶技术是智能化开发的主阵地，从技术流向可以划分为感知、定位、预测、决策、规划及控制六大模块，其中控制模块起着直接与车辆执行器直接交互的关键作用，自动驾驶车辆控制模块可分为纵向速度控制和横向路径跟踪控制，其中横向路径跟踪控制的目的是控制车辆方向盘或前轮转角，使得车辆按照预定路径转向行驶，横向路径跟踪控制算法可以提高路径跟踪精度，进而提升驾乘人员的安全感和舒适性。
相关技术中，车辆的路径跟踪算法有基于PID控制的路径跟踪、基于纯跟踪的路径跟踪以及基于模型预测控制的路径跟踪等方法。其中，基于PID控制的路径跟踪算法根据目标路径信息和当前车辆位姿信息，计算路径误差，调整车辆当前位姿，消除稳态误差，使车辆平稳运行；基于纯跟踪的方法，通过预先设定目标轨迹中的一个点，计算圆弧路径，根据车辆实时运动状态，对车辆前进方向和速度进行动态调整，能够实现精度较高的路径跟踪控制；基于模型预测控制的路径规划，其控制策略为根据系统k时刻的状态和控制输入，来预测k+1时刻的输出，主要实现模型的预测作用。
然而，以上方法虽然能够实现较为准确的路径跟踪，但是算法效率较低，并且无法实现在路径跟踪的过程中实时动态避障。
发明内容
本申请提供一种车辆的路径跟踪方法、装置、车辆及存储介质，以解决当前路径跟踪算法缺乏必要的控制稳定性理论，参数标定过于复杂等问题，从而增强用户体验感。
本申请第一方面实施例提供一种车辆的路径跟踪方法，包括以下步骤：
建立车辆的误差微分模型，并基于所述车辆的误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律；
基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用所述至少一个目标模糊控制器对所述车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，并利用预先建立的专家数据库和模糊规则库求解所述多个模糊输出量，得到实际输出量；以及
根据所述实际输出量求解所述车辆轨迹跟踪的控制律，得到控制律待定参数，将所述控制律待定参数代入所述车辆轨迹跟踪的控制律输出当前控制量，以根据所述当前控制量对车辆的横向路径进行跟踪。
根据上述技术手段，本申请基于“李雅普诺夫稳定性理论+模糊逻辑推理系统”的路径跟踪控制算法具有算法理论覆盖面广、理论支撑强等特点，提出一种兼具控制算法稳定性理论和参数模糊自适应的自动驾驶汽车路径跟踪控制方法，鲁棒性更高，增强了用户体验感。
进一步地，所述利用所述至少一个目标模糊控制器对所述车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，包括：
确定所述至少一个目标模糊控制器输入参数，所述输入参数包括距离偏差和航向角偏差；
根据距离偏差的值域和航向角偏差的值域分别将所述距离偏差和所述航向角偏差分为多个第一模糊集，并根据所述车辆轨迹跟踪的控制律中每个待定参数的值域将所述每个待定参数分为多个第二模糊集；
基于所述第一模糊集和所述第二模糊集，利用所述至少一个目标模糊控制器对所述距离偏差、所述航向角偏差和所述每个待定参数进行模糊化处理，得到所述多个模糊输出量。
根据上述技术手段，本申请设计一种模糊控制器，可以实时调整参数，使系统具有较好的鲁棒性和稳定性。
进一步地，所述利用预先建立的专家数据库和模糊规则库求解所述多个模糊输出量，得到实际输出量，包括：
将每个模糊输出量变换为所述每个模糊输出量对应论域范围内的清晰量；
对所述清晰量进行尺度变换，得到所述实际的输出量。
根据上述技术手段，本申请通过建立模糊规则，可以使得系统算法更加精确，提高路径跟踪精度。
进一步地，所述车辆的误差微分模型为：
其中，
为纵向误差的微分，/>
为横向误差的微分，/>
为航向角误差的微分，xe为横向误差，ye为纵向误差，/>
为航向角误差，v为车速，ω为角速度，vr为期望控制量，ωr为期望控制量。
根据上述技术手段，本申请通过计算得到车辆的误差微分模型，可以对任意轨迹进行跟踪测试，提高系统的跟踪范围。
进一步地，所述预设的李雅普诺夫函数为：
其中，
为李雅普诺夫函数，k2为待定参数。
根据上述技术手段，本申请通过李雅普诺夫函数，算法理论覆盖面广、理论支撑强，使系统具有较好的鲁棒性和稳定性。
进一步地，所述预设的李雅普诺夫函数的稳定性条件为：
其中，
为对李雅普诺夫函数求导。
根据上述技术手段，本申请通过李雅普诺夫函数求导，算法理论覆盖面广、理论支撑强，提高车辆路径跟踪的稳定性。
本申请第二方面实施例提供一种车辆的路径跟踪装置，包括：
构建模块，用于建立车辆的误差微分模型，并基于所述车辆的误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律；
处理模块，用于基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用所述至少一个目标模糊控制器对所述车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，并利用预先建立的专家数据库和模糊规则库求解所述多个模糊输出量，得到实际输出量；以及
跟踪模块，用于根据所述实际输出量求解所述车辆轨迹跟踪的控制律，得到控制律待定参数，将所述控制律待定参数代入所述车辆轨迹跟踪的控制律输出当前控制量，以根据所述当前控制量对车辆的横向路径进行跟踪。
进一步地，所述处理模块，具体用于：
确定所述至少一个目标模糊控制器输入参数，所述输入参数包括距离偏差和航向角偏差；
根据距离偏差的值域和航向角偏差的值域分别将所述距离偏差和所述航向角偏差分为多个第一模糊集，并根据所述车辆轨迹跟踪的控制律中每个待定参数的值域将所述每个待定参数分为多个第二模糊集；
基于所述第一模糊集和所述第二模糊集，利用所述至少一个目标模糊控制器对所述距离偏差、所述航向角偏差和所述每个待定参数进行模糊化处理，得到所述多个模糊输出量。
进一步地，所述处理模块，具体用于：
将每个模糊输出量变换为所述每个模糊输出量对应论域范围内的清晰量；
对所述清晰量进行尺度变换，得到所述实际的输出量。
进一步地，所述车辆的误差微分模型为：
其中，
为纵向误差的微分，/>
为横向误差的微分，/>
为航向角误差的微分，xe为横向误差，ye为纵向误差，/>
为航向角误差，v为车速，ω为角速度，vr为期望控制量，ωr为期望控制量。
进一步地，所述预设的李雅普诺夫函数为：
其中，
为李雅普诺夫函数，k2为待定参数。
进一步地，所述预设的李雅普诺夫函数的稳定性条件为：
其中，
为对李雅普诺夫函数求导。
本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的车辆的路径跟踪方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的车辆的路径跟踪方法。
由此，本申请提出一种兼具控制算法稳定性理论和参数模糊自适应的自动驾驶汽车路径跟踪控制方法，首先基于二自由度运动学模型推导车辆误差微分模型，然后基于李雅普诺夫反演法建立包含三个待定参数的控制律，接着建立模糊推理系统对上述三个待定参数进行模糊化处理，从而建立了基于模糊推理系统的智能汽车横向路径跟踪方法。由此，解决了当前路径跟踪算法缺乏必要的控制稳定性理论，参数标定过于复杂等问题，增强用户体验感。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种车辆的路径跟踪方法的流程图；
图2为根据本申请的一个实施例的车辆二自由度运动学模型示意图；
图3为根据本申请的一个实施例的模糊推理系统结构示意图；
图4为根据本申请的一个实施例的距离误差隶属度函数示意图；
图5为根据本申请的一个实施例的航向误差隶属度函数示意图；
图6为根据本申请的一个实施例的k1隶属度函数示意图；
图7为根据本申请的一个实施例的k1的模糊规则曲面示意图；
图8为根据本申请的一个实施例的5m/s的路径跟踪效果示意图；
图9为根据本申请的一个实施例的15m/s的路径跟踪效果示意图；
图10为根据本申请的一个实施例的30m/s的路径跟踪效果示意图；
图11为根据本申请的一个实施例的车辆的路径跟踪方法的流程图；
图12为根据本申请实施例的车辆的路径跟踪装置的方框示意图；
图13为根据本申请实施例的车辆的结构示意图。
附图标记说明：10-车辆的路径跟踪装置、100-构建模块、200-处理模块、300-跟踪模块、1301-存储器、1302-处理器、1303-通信接口。
具体实施方式
下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的车辆的路径跟踪方法、装置、车辆及存储介质。
在介绍本申请实施例提出的车辆的路径跟踪方法之前，先简单介绍下相关技术中的车辆的路径跟踪方法。
相关技术中提出一种车辆路径跟踪控制方法、控制器及控制系统，该方法包括获取车辆当前位置、当前航向角及当前前轮转角；将车辆当前位置和当前航向角与预设路径比较，计算实时横向偏差和实时航向偏差；根据预设修正因子，将实时横向偏差和实时航向偏差合成实时总误差；将实时总误差作为模糊PID(Proportion Integral Differential，比例、积分、微分)算法的输入，以调整当前车轮转角与实时跟踪预设路径所对应的期望车轮转角相同；其中，模糊PID算法的实时比例系数和实时积分系数的调整过程为：分别经预设模糊逻辑计算出相应增量后，再经对应调整系数进行调整。
相关技术中还提出一种基于模糊自适应PID的无人驾驶车辆路径跟踪控制方法，该方法可对障碍标的物高度、长度、宽度、车辆坐标位置、车辆两侧车轮坐标、车辆底盘高度、后方车辆坐标、车速、左侧车辆坐标、车速、右侧车辆坐标、车速进行数据采集；可对道路障碍标的物数据和无人驾驶车辆进行计算处理，以最小的偏移角度和位置进行规避障碍标的物，同时对后方车辆、两侧车辆的坐标、车速进行计算，有效规避后方来车和两侧来车；根据无人驾驶车辆与障碍标的物、后方车辆、左侧车辆和右侧车辆的间距进行判断是否进行变道或从哪一侧进行变道，同时对变道过程中无人驾驶车辆与后方来车和两侧来车数据进行计算，实时调整无人驾驶车辆坐标和车速。
然而，上述方法基于“模糊控制+PID”的方式进行路径跟踪，主要依靠调参实现，缺乏对车辆运动模型的应用。
相关技术还提出一种路径跟踪控制方法，包括：基于模糊控制算法，通过根据获取当前车速和当前路径曲率来计算基准预瞄距离，通过根据获取到的车辆行驶偏差和车辆行驶偏差变化率来计算得到调整预瞄距离，进而根据调整预瞄距离对基准预瞄距离进行补偿计算，以得到目标预瞄距离。本发明还公开一种路径跟踪控制设备。
然而，该方法虽然考虑了车辆行驶偏差，可以对预瞄距离进行实时的调整补偿，以适应实际行驶过程中不断变化的外部环境约束，但是此方法只适用于算力有限的量产实车控制器。
正是基于上述问题，本申请提供了一种车辆的路径跟踪方法，在该方法中，通过建立的车辆误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律，基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，根据得到的实际输出量求解车辆轨迹跟踪的控制律，将得到的控制律待定参数代入车辆轨迹跟踪的控制律输出当前控制量，并对车辆的横向路径进行跟踪。由此，解决了当前路径跟踪算法缺乏必要的控制稳定性理论，参数标定过于复杂等问题，从而增强用户体验感。
具体而言，图1为本申请实施例所提供的一种车辆的路径跟踪方法的流程图。
如图1所示，该车辆的路径跟踪方法包括以下步骤：
在步骤S101中，建立车辆的误差微分模型，并基于车辆的误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律。
进一步地，在一些实施例中，车辆的误差微分模型为：
其中，
为纵向误差的微分，/>
为横向误差的微分，/>
为航向角误差的微分，xe为横向误差，ye为纵向误差，/>
为航向角误差，v为车速，ω为角速度，vr为期望控制量，ωr为期望控制量。
具体而言，如图2所示，图2为根据本申请的一个实施例的车辆二自由度运动学模型示意图，本申请实施例利用车辆的后轴中点的x坐标和y坐标描述车辆的当前位置，用车辆的当前朝向与x坐标的夹角描述车辆的姿态，那么就可以用(x0,y0,θ)完整描述车辆的当前位姿。设车辆以图2的速度v进行运动，则车辆在x方向的速度分量、y方向的速度分量可表示为：
若选取车速和角速度为控制量，则改写为如下矩阵表达式：
设车辆路径跟踪的参考轨迹的期望状态为
对应的期望控制量为[vr,ωr]。车辆二自由度运动学模型满足非完整约束条件，则有：
根据Frenet坐标系相关知识，可以将横纵向误差和航向角误差，写为如下形式：
据此，计算纵向误差的微分，具体推导如下：
然后计算横向误差的微分，具体推导如下式：
综合式(4)(5)和(6)可得横向、纵向和航向角误差的微分方程：
因此，车辆轨迹跟踪的目标就是寻找控制律[v,ω]T，使得对任意的参考轨迹和初始状态，系统的误差方程均能收敛到0。
进一步地，在一些实施例中，预设的李雅普诺夫函数为：
其中，
为李雅普诺夫函数，k2为待定参数。
具体而言，本申请实施例根据车辆的误差微分方程，利用反演控制器设计的思想，设计合理的李雅普诺夫函数，并根据李雅普诺夫函数的稳定性条件可求得小车轨迹跟踪的控制律，暂定选取李雅普诺夫函数为：
进一步地，在一些实施例中，预设的李雅普诺夫函数的稳定性条件为：
其中，
为对李雅普诺夫函数求导。
具体而言，本申请实施例对李雅普诺夫函数求导，得到：
根据选定的李雅普诺夫函数及其导函数，选取路径跟踪控制律为：
式中，k1，k3为待定参数。
将式(10)代入(9)，得到：
显然，当k1，k2，k3均大于0时，李雅普诺夫函数满足：
因此，本申请实施例选用式(10)的控制律满足车辆轨迹跟踪的稳定性条件。
在步骤S102中，基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用至少一个目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，并利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，得到实际输出量。
可以理解的是，控制律[v,ω]T中共有k1，k2，k3三个参数，确定待定参数可以利用系统辨识的传统方法求得，但算法复杂，鲁棒性差。因此，本申请实施例基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差设计模糊控制器，实时调整参数，使得系统具有较好的鲁棒性和稳定性。
具体而言，模糊控制器的一般结构如图3所示，包括系统输入、模糊化、数据库、规则库、模糊推理、清晰化以及系统输出等七部分，为了简化轨迹跟踪模糊控制器的模糊规则，本申请实施例将横纵向误差合并为距离误差，即：
其中，k1，k2，k3三个参数需要设计三个模糊控制器，三个模糊控制器均采用距离偏差和航向角偏差作为输入，分别输出三个参数。
进一步地，在一些实施例中，利用至少一个目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，包括：确定至少一个目标模糊控制器输入参数，输入参数包括距离偏差和航向角偏差；根据距离偏差的值域和航向角偏差的值域分别将距离偏差和航向角偏差分为多个第一模糊集，并根据车辆轨迹跟踪的控制律中每个待定参数的值域将每个待定参数分为多个第二模糊集；基于第一模糊集和第二模糊集，利用至少一个目标模糊控制器对距离偏差、航向角偏差和每个待定参数进行模糊化处理，得到多个模糊输出量。
需要说明的是，在本申请实施例中，模糊控制器需要对系统的输入和输出进行模糊化处理，此过程可以称为模糊化环节，其作用是将系统中的所有精确量(包括系统的外界参考输入、系统输出和系统状态等)转换为模糊量，使其变成符合模糊控制器要求的输入量，然后进行尺度变换，把其变换到各自的论域范围内，再进行模糊化处理，使原来精确的输人量变为模糊量，并用相应的模糊集合来表示。
具体而言，本申请实施例假定距离偏差de的值域为[0,1.2]，航向角偏差
的值域为[0,π]，将de和/>
分为7个模糊集：SB(超大)、HB(很大)、B(大)、M(中等)、S(小)、HS(很小)、SS(超小)。
进一步地，假定k1的值域为[0.1,0.3]，k2,k3的值域均为[0.1,0.7]，将k1，k2，k3分为7个模糊集：SB(超大)、HB(很大)、B(大)、M(中等)、S(小)、HS(很小)、SS(超小)。
其中，五个变量de,
k1,k2,k3均采用三角形隶属度函数，当对模糊控制器进行模糊化处理后，本申请实施例将绘制k1的两个输入量及一个输出量隶属度函数图，如图4～6所示。
进一步地，在一些实施例中，利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，得到实际输出量，包括：将每个模糊输出量变换为每个模糊输出量对应论域范围内的清晰量；对清晰量进行尺度变换，得到实际的输出量。
其中，数据库和规则库环节包含控制系统具体应用过程中的控制要求，通常由专家数据库和模糊控制规则库组成。其中，专家数据库包括变量的隶属函数、尺度变换因子和模糊空间的分级数等；模糊规则库包括用模糊变量表示的一系列控制规则，能够反映出控制专家的经验和知识。
进一步地，由分析式(10)可知，k1影响车辆的速度，k2和k3影响小车的角速度，因此，当距离偏差较小时，k1的值应适当增加，以维持速度保持在较大的目标值范围；当航向角偏差较小时，k2和k3的值应适当增加，以维持角速度保持在较大的目标值范围，同时转弯半径、速度与角速度有关系r＝v/ω，为使转弯半径平滑过渡，在建立模糊规则时应注意v与ω的协调关系。
综上，本申请实施例建立de、
与k1的模糊规则表，如下表1所示：
表1
根据表1，本申请实施例可以绘制k1的模糊规则曲面，如图7所示。
de、
与k2的模糊规则表如下表2所示：
表2
de、
与k3的模糊规则表如下表3所示：
表3
在步骤S103中，根据实际输出量求解车辆轨迹跟踪的控制律，得到控制律待定参数，将控制律待定参数代入车辆轨迹跟踪的控制律输出当前控制量，以根据当前控制量对车辆的横向路径进行跟踪。
需要说明的是，本申请实施例针对模糊环节还设置了解模糊环节，其作用是将模糊推理过程所得的模糊量转换为用于表达真实含义的清晰量，其包含两个过程：第一，将模糊控制量经清晰化处理，先变换为表示在其论域范围内的清晰量；第二，将第一步得到的清晰量经过尺度变换，转换成实际的输出量。
其中，常用的解模糊方法有三种：最大隶属度法、取中位数法及重心法，本申请实施例采用重心法进行解模糊，对于具有m个输出量化级数的离散域情况，有：
可以理解的是，与最大隶属度法相比较，重心法具有更平滑的输出推理控制。
需要说明的是，为验证本申请实施例提出的算法的路径跟踪效果，可以选取正弦曲线作为参考线，并利用模糊控制算法进行路径跟踪。
具体而言，由于模糊控制算法对目标跟踪速度比较敏感，本申请实施例选取了5m/s，15m/s以及30m/s三种不同速度进行路径跟踪，结果分别如图8～10所示。由图可以得出如下结论：(1)当目标速度较小时，路径跟踪横向误差较小，误差量级在厘米级别，也存在高频误差振荡现象，这将导致前轮转角出现左右高频晃动的问题；(2)随着速度的增大，横向误差逐渐增大；(3)当速度接近30m/s后，平均横向误差达到了0.5m，此时跟踪效果十分糟糕，算法已无法用于路径跟踪，故本申请实施例提出的的基于李雅普诺夫反演法得到的模糊控制律也不适用于高速区间。
为便于本领域技术人员进一步了解本申请实施例提出的车辆的路径跟踪方法，下面结合图11进行详细阐述。
如图11所示，图11为根据本申请的一个实施例的车辆的路径跟踪方法的流程图，包括以下步骤：
S1101，开始。
S1102，建立车辆误差微分模型。
S1103，基于李雅普诺夫反演法建立控制率模型。
S1104，模糊控制器整体设计方案；控制器输入、输出变量模糊化；建立模糊逻辑推理系统规则；根据模糊输出量求解实际变量。
S1105，根据误差量和模糊逻辑系统求解控制率待定参数。
S1106，系数代入控制率，输出控制量。
S1107，结束。
根据本申请实施例提出的车辆的路径跟踪方法，通过建立的车辆误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律，基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，根据得到的实际输出量求解车辆轨迹跟踪的控制律，将得到的控制律待定参数代入车辆轨迹跟踪的控制律输出当前控制量，并对车辆的横向路径进行跟踪。由此，解决了当前路径跟踪算法缺乏必要的控制稳定性理论，参数标定过于复杂等问题，从而增强用户体验感。
其次参照附图描述根据本申请实施例提出的车辆的路径跟踪装置。
图12是本申请实施例的车辆的路径跟踪装置的方框示意图。
如图12所示，该车辆的路径跟踪装置10包括：构建模块100、处理模块200和跟踪模块300。
其中，构建模块100，用于建立车辆的误差微分模型，并基于车辆的误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律；
处理模块200，用于基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用至少一个目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，并利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，得到实际输出量；以及
跟踪模块300，用于根据实际输出量求解车辆轨迹跟踪的控制律，得到控制律待定参数，将控制律待定参数代入车辆轨迹跟踪的控制律输出当前控制量，以根据当前控制量对车辆的横向路径进行跟踪。
进一步地，在一些实施例中，处理模块200，具体用于：
确定至少一个目标模糊控制器输入参数，输入参数包括距离偏差和航向角偏差；
根据距离偏差的值域和航向角偏差的值域分别将距离偏差和航向角偏差分为多个第一模糊集，并根据车辆轨迹跟踪的控制律中每个待定参数的值域将每个待定参数分为多个第二模糊集；
基于第一模糊集和第二模糊集，利用至少一个目标模糊控制器对距离偏差、航向角偏差和每个待定参数进行模糊化处理，得到多个模糊输出量。
进一步地，在一些实施例中，处理模块200，具体用于：
将每个模糊输出量变换为每个模糊输出量对应论域范围内的清晰量；
对清晰量进行尺度变换，得到实际的输出量。
进一步地，在一些实施例中，车辆的误差微分模型为：
其中，
为纵向误差的微分，/>
为横向误差的微分，/>
为航向角误差的微分，xe为横向误差，ye为纵向误差，/>
为航向角误差，v为车速度，ω为角速度，vr为期望控制量，ωr为期望控制量。
进一步地，在一些实施例中，预设的李雅普诺夫函数为：
其中，
为李雅普诺夫函数，k2为待定参数。
进一步地，在一些实施例中，预设的李雅普诺夫函数的稳定性条件为：
其中，
为对李雅普诺夫函数求导。
需要说明的是，前述对车辆的路径跟踪方法实施例的解释说明也适用于该实施例的车辆的路径跟踪装置，此处不再赘述。
根据本申请实施例提出的车辆的路径跟踪装置，通过建立的车辆误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律，基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用目标模糊控制器对车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，利用预先建立的专家数据库和模糊规则库求解多个模糊输出量，根据得到的实际输出量求解车辆轨迹跟踪的控制律，将得到的控制律待定参数代入车辆轨迹跟踪的控制律输出当前控制量，并对车辆的横向路径进行跟踪。由此，解决了当前路径跟踪算法缺乏必要的控制稳定性理论，参数标定过于复杂等问题，从而增强用户体验感。
图13为本申请实施例提供的车辆的结构示意图。该车辆可以包括：
存储器1301、处理器1302及存储在存储器1301上并可在处理器1302上运行的计算机程序。
处理器1302执行程序时实现上述实施例中提供的车辆的路径跟踪方法。
进一步地，车辆还包括：
通信接口1303，用于存储器1301和处理器1302之间的通信。
存储器1301，用于存放可在处理器1302上运行的计算机程序。
存储器1301可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器1301、处理器1302和通信接口1303独立实现，则通信接口1303、存储器1301和处理器1302可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图13中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器1301、处理器1302及通信接口1303，集成在一块芯片上实现，则存储器1301、处理器1302及通信接口1303可以通过内部接口完成相互间的通信。
处理器1302可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的车辆的路径跟踪方法。
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申请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是必须针对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一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请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，N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。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，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种车辆的路径跟踪方法，其特征在于，包括以下步骤：
建立车辆的误差微分模型，并基于所述车辆的误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律；
基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用所述至少一个目标模糊控制器对所述车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，并利用预先建立的专家数据库和模糊规则库求解所述多个模糊输出量，得到实际输出量；以及
根据所述实际输出量求解所述车辆轨迹跟踪的控制律，得到控制律待定参数，将所述控制律待定参数代入所述车辆轨迹跟踪的控制律输出当前控制量，以根据所述当前控制量对车辆的横向路径进行跟踪。
2.根据权利要求1所述的方法，其特征在于，所述利用所述至少一个目标模糊控制器对所述车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，包括：
确定所述至少一个目标模糊控制器输入参数，所述输入参数包括距离偏差和航向角偏差；
根据距离偏差的值域和航向角偏差的值域分别将所述距离偏差和所述航向角偏差分为多个第一模糊集，并根据所述车辆轨迹跟踪的控制律中每个待定参数的值域将所述每个待定参数分为多个第二模糊集；
基于所述第一模糊集和所述第二模糊集，利用所述至少一个目标模糊控制器对所述距离偏差、所述航向角偏差和所述每个待定参数进行模糊化处理，得到所述多个模糊输出量。
3.根据权利要求2所述的方法，其特征在于，所述利用预先建立的专家数据库和模糊规则库求解所述多个模糊输出量，得到实际输出量，包括：
将每个模糊输出量变换为所述每个模糊输出量对应论域范围内的清晰量；
对所述清晰量进行尺度变换，得到所述实际的输出量。
4.根据权利要求3所述的方法，其特征在于，所述车辆的误差微分模型为：
其中，
为纵向误差的微分，/>
为横向误差的微分，/>
为航向角误差的微分，xe为横向误差，ye为纵向误差，/>
为航向角误差，v为车速，ω为角速度，vr为期望控制量，ωr为期望控制量。
5.根据权利要求4所述的方法，其特征在于，所述预设的李雅普诺夫函数为：
其中，
为李雅普诺夫函数，k2为待定参数。
6.根据权利要求5所述的方法，其特征在于，所述预设的李雅普诺夫函数的稳定性条件为：
其中，
为对李雅普诺夫函数求导。
7.一种车辆的路径跟踪装置，其特征在于，包括：
构建模块，用于建立车辆的误差微分模型，并基于所述车辆的误差微分模型和预设的李雅普诺夫函数的稳定性条件，得到车辆轨迹跟踪的控制律；
处理模块，用于基于车辆实际位姿与期望位姿之间的横纵向偏差和航向角偏差，确定至少一个目标模糊控制器，并利用所述至少一个目标模糊控制器对所述车辆轨迹跟踪的控制律进行模糊化处理，得到多个模糊输出量，并利用预先建立的专家数据库和模糊规则库求解所述多个模糊输出量，得到实际输出量；以及
跟踪模块，用于根据所述实际输出量求解所述车辆轨迹跟踪的控制律，得到控制律待定参数，将所述控制律待定参数代入所述车辆轨迹跟踪的控制律输出当前控制量，以根据所述当前控制量对车辆的横向路径进行跟踪。
8.根据权利要求7所述的装置，其特征在于，所述处理模块，具体用于：
确定所述至少一个目标模糊控制器输入参数，所述输入参数包括距离偏差和航向角偏差；
根据距离偏差的值域和航向角偏差的值域分别将所述距离偏差和所述航向角偏差分为多个第一模糊集，并根据所述车辆轨迹跟踪的控制律中每个待定参数的值域将所述每个待定参数分为多个第二模糊集；
基于所述第一模糊集和所述第二模糊集，利用所述至少一个目标模糊控制器对所述距离偏差、所述航向角偏差和所述每个待定参数进行模糊化处理，得到所述多个模糊输出量。
9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的车辆的路径跟踪方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的车辆的路径跟踪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310005334.7A CN116184808A (zh) | 2023-01-03 | 2023-01-03 | 车辆的路径跟踪方法、装置、车辆及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310005334.7A CN116184808A (zh) | 2023-01-03 | 2023-01-03 | 车辆的路径跟踪方法、装置、车辆及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116184808A true CN116184808A (zh) | 2023-05-30 |
Family
ID=86450030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310005334.7A Pending CN116184808A (zh) | 2023-01-03 | 2023-01-03 | 车辆的路径跟踪方法、装置、车辆及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116184808A (zh) |
-
2023
- 2023-01-03 CN CN202310005334.7A patent/CN116184808A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114655248A (zh) | 自动驾驶车辆的横向控制方法、装置及车辆 | |
| Wang et al. | Lateral control of autonomous vehicles based on fuzzy logic | |
| CN111650929B (zh) | 一种自适应滑模控制方法、系统及移动机器人控制器 | |
| CN111538328B (zh) | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 | |
| CN111338353A (zh) | 一种动态驾驶环境下智能车辆变道轨迹规划方法 | |
| CN110687797B (zh) | 一种基于位置和姿态的自适应mpc泊车横向控制方法 | |
| CN108303982A (zh) | 自动引导运输车、其控制方法及控制系统 | |
| CN109991974A (zh) | 自动驾驶路径跟随方法、装置及控制设备 | |
| CN113650609B (zh) | 基于模糊规则的人机共驾控制权柔性转移方法及系统 | |
| CN113126623B (zh) | 一种考虑输入饱和的自适应动态滑模自动驾驶车辆路径跟踪控制方法 | |
| CN115366876A (zh) | 自动驾驶车辆的横向控制方法、装置、车辆及存储介质 | |
| CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
| CN114852085A (zh) | 基于路权侵入度的车辆自动驾驶轨迹规划方法 | |
| CN114384916A (zh) | 一种越野车路径规划的自适应决策方法及系统 | |
| CN114906128A (zh) | 一种基于mcts算法的自动泊车运动规划方法 | |
| CN110027547A (zh) | 车辆横向控制方法和装置 | |
| CN116184808A (zh) | 车辆的路径跟踪方法、装置、车辆及存储介质 | |
| Duan et al. | Implementing trajectory tracking control algorithm for autonomous vehicles | |
| CN110989346B (zh) | 一种集成驾驶员决策行为的智能操纵方法 | |
| CN114355941A (zh) | 基于改进Stanley控制的车辆路径跟踪方法 | |
| Zhu et al. | Trajectory planning algorithm using Gauss pseudo-spectral method based on vehicle-infrastructure cooperative system | |
| Chen et al. | LSTM-Based Trajectory Tracking Control for Autonomous Vehicles | |
| Gao et al. | Balancing accuracy and efficiency: Fast motion planning based on nonlinear model predictive control | |
| CN114355924B (zh) | 一种改进型纯跟踪路径跟踪方法 | |
| CN116933961A (zh) | 一种基于teb优化框架的混合交通场景轨迹规划方法 |
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 |