CN117048639B - 一种车辆自适应路径控制方法、存储介质及计算机 - Google Patents
一种车辆自适应路径控制方法、存储介质及计算机 Download PDFInfo
- Publication number
- CN117048639B CN117048639B CN202311315885.XA CN202311315885A CN117048639B CN 117048639 B CN117048639 B CN 117048639B CN 202311315885 A CN202311315885 A CN 202311315885A CN 117048639 B CN117048639 B CN 117048639B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- front wheel
- model
- path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 239000011159 matrix material Substances 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 230000000670 limiting effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供了一种车辆自适应路径控制方法、存储介质及计算机，控制方法包括以下步骤：以二自由度车辆动力学模型为基础构建路径跟踪基础模型；对路径跟踪基础模型进行离散处理后构建含控制量增量的状态空间方程，将状态空间方程进行迭代构建MPC控制模型；对MPC控制模型中的输出状态量的权重矩阵Q和输入控制量增量的权重矩阵R进行模糊化处理；根据构建的状态空间方程，构建曲率前馈控制模型；根据模糊处理的MPC控制模型和曲率前馈控制模型分别计算车辆行驶路径中的前轮转角和前轮转角前馈值，以控制车辆的行驶路径。本发明提供的车辆自适应路径控制方法根据外界环境及时调节前轮转角，提高车辆的对不同路径的适应特性。
Description
技术领域
本发明涉及车辆自动驾驶领域，具体涉及一种车辆自适应路径控制方法、存储介质及计算机。
背景技术
随着智能化与网联化技术的迅速发展，自动驾驶在汽车领域已经占据重要地位，因其自身具有的独特优势，已引起学者广泛关注。自动驾驶主要包括环境感知、定位地图、自主决策与规划及控制执行等模块，其中路径跟踪是控制执行的关键环节，也是自动驾驶的核心技术之一，精准的路径跟踪是智能车辆跟踪性能优劣重要体现，能够决定自动驾驶汽车的安全性和舒适性。
在车辆路径跟踪过程中，由于车辆自身以及外部道路环境的因素，车辆稳定性会受到一定影响。在复杂的工况下，自动驾驶控制器参数固定不变会严重干扰车辆性能，因此需要频繁调参来保证控制器的适用性。在大曲率弯道工况下，可能会导致车辆自身控制无法跟踪规划路径，进而出现车辆横向运动剧烈，出现失稳等危险状况。
发明内容
基于此，本发明的目的是提供一种车辆自适应路径控制方法、存储介质及计算机，以解决现有技术中存在的技术问题。
本发明提出一种车辆自适应路径控制方法，其特征在于，包括以下步骤：
构建车辆行驶路径的力平衡方程，根据所述力平衡方程中轮胎侧向力和滑移关系得到车辆的二自由度车辆动力学模型，以所述二自由度车辆动力学模型为基础构建路径跟踪基础模型；
对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，根据所述离散路径跟踪基础模型构建含控制量增量的状态空间方程，将所述状态空间方程在预测时域和控制时域内进行迭代，根据迭代结果构建MPC控制模型；
对所述MPC控制模型中的输出状态量的权重矩阵和输入控制量增量的权重矩阵进行预设模糊化处理，得到目标MPC控制模型；
根据构建的所述含控制量增量的状态空间方程，构建曲率前馈控制模型，以消除由曲率变化引起的稳态误差；
根据所述目标MPC控制模型和所述曲率前馈控制模型分别计算车辆行驶路径中的前轮转角和前轮转角前馈值，根据所述前轮转角和所述前轮转角计算车辆行驶中的最优前轮转角，以完成车辆行驶路径中的路径控制。
优选地，所述构建车辆行驶路径的力平衡方程，根据所述力平衡方程中轮胎侧向力和滑移关系得到车辆的二自由度车辆动力学模型的步骤包括：
以大地为参考建立大地坐标系，以车辆为参考系建立车身坐标系，根据牛顿第二定律构建车辆行驶路径中的沿y轴和z轴的力平衡方程为：
；
根据所述车辆行驶路径中的沿y轴和z轴的力平衡方程，确定车辆的二自由度车辆动力学模型为：
；
；
式中，坐标原点在车辆质心处，轴正方向为车辆前进方向，轴与轴垂直在同一平面，且遵循右手法则，轴垂直于平面；为自车质量；为侧向车速，为侧向加速度；为纵向车速；为横摆角速度，为横摆角速度的导数；和分别为前、后轮侧向力；为转动惯量；和分别为前、后轴到质心距离，和分别为前、后轮胎侧偏刚度；为前轮转角。
优选地，所述以所述二自由度车辆动力学模型为基础构建路径跟踪基础模型的步骤为：
构建所述车辆行驶路径中的曲线坐标系；
根据所述车身坐标系和所述曲线坐标系，获取车辆路径跟踪中车辆的质心与参考路径的侧向误差和航向误差；
其中，所述侧向误差和所述航向误差的表达式为：
；
；
式中，；；为期望航向角；为纵向车速；为道路曲率；
根据所述侧向误差和所述航向误差得到所述路径跟踪基础模型；其中，所述路径跟踪基础模型的状态方程表达式为：
；
式中，是系统状态量矩阵；是输入量；是道路曲率变化产生的系统扰动项；为状态输出矩阵；为44的单位矩阵；
；
。
优选地，所述对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，根据所述离散路径跟踪基础模型构建含控制量增量的状态空间方程，将所述状态空间方程在预测时域和控制时域内进行迭代，根据迭代结果构建MPC控制模型包括：
采用前向欧拉法对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，所述离散路径跟踪基础模型的表达式为：
；
式中，；；；；为离散系统的采样时间；，k代表离散点；
根据所述离散路径跟踪基础模型，构建含控制量增量的状态空间方程，所述含控制量增量的状态空间方程的表达式为：
；
式中，；；；；
根据预测时域和控制时域对所述状态空间方程进行迭代，得到所述预测时域内的状态变量和预测时域内的输出变量，所述预测时域内的状态变量的表达式为：
；
所述预测时域内的输出变量的表达式为：
；
式中，为输入增量；
根据所述预测时域内的状态变量和所述预测时域内的输出变量，得到预测时域内状态空间方程和输出方程的表达式为：
；
式中，
；
；
；
；
；
；
根据所述预测时域内状态空间方程和输出方程构建MPC控制模型，其中，MPC控制模型中的代价函数表达式为：
；
式中，和分别为MPC控制模型中输出状态量的权重矩阵和输入控制量增量的权重矩阵；为松弛因子；为松弛因子权重，为输入控制量的增量。
优选地，所述根据迭代结果构建MPC控制模型之后，所述车辆自适应路径控制方法还包括：
对所述MPC控制模型的表达式进行多约束的标准二次规划转换，所述多约束的标准二次规划转换后的代价函数表达式为：
；
式中，，，，和为输入前轮转角增量约束最值；和为输出状态量约束最值；为预测时域内系统跟误差。
优选地，所述对所述MPC控制模型中的输出状态量的权重矩阵和输入控制量增量的权重矩阵进行预设模糊化处理，得到目标MPC控制模型的步骤包括：
选择影响所述权重矩阵和所述权重矩阵的变量参数，其中，所述变量参数包括侧向误差的权重参数、侧向速度误差的权重参数、航向误差的权重参数、航向角速度误差的权重参数，前轮转角的权重参数r；
构建模糊处理模型，采用所述模糊处理模型对所述侧向误差的权重参数和所述前轮转角的权重参数r进行模糊化处理，得到所述权重参数的模糊输出量和所述权重参数r的模糊输出量；
根据质心法求解车辆行驶过程中的所述权重参数的模糊输出量和所述权重参数r的模糊输出量，得到所述权重参数的精确输出量和所述权重参数r的精确输出量，根据所述精确输出量和所述精确输出量得到车辆行驶过程中所述侧向误差的最优权重参数和所述前轮转角的最优权重参数，和的表达式为：
；
式中，、分别为基准车速下所述侧向误差和所述前轮转角的最优权重参数；
根据不同车速下的所述侧向误差的最优权重参数和所述前轮转角的最优权重参数，得到不同车速下所述权重矩阵的最优解和所述权重矩阵的最优解，所述权重矩阵的最优解和所述权重矩阵的最优解的表达式为：
；
式中，、、分别为基准车速下所述侧向速度误差、所述航向误差、和所述航向角速度误差的最优权重参数。
优选地，在所述曲率前馈控制模型中获取稳定的前轮转角前馈值的表达式为：
；
其中，为稳态方向角误差，为转向不足斜率，为轴距。
优选地，所述根据所述目标MPC控制模型和所述曲率前馈控制模型分别计算车辆行驶路径中的前轮转角和前轮转角前馈值，根据所述前轮转角和所述前轮转角计算车辆行驶中的最优前轮转角的步骤为：
根据所述目标MPC控制模型得到车辆行驶路径中，模糊处理控制下的第一前轮转角；
根据所述曲率前馈控制模型得到车辆行驶路径中，曲率前馈控制下的第二前轮转角；
将所述第一前轮转角和所述第二前轮转角进行求和，得到车辆当前的前轮转角。
本发明还提出一种存储介质，其上存储有计算机程序，该程序被处理器执行时上述车辆自适应路径控制方法。
本发明还提出一种计算机，包括存储器、处理器以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计算机程序时实现上述车辆自适应路径控制方法。
本发明相比于现有技术的有益效果为：本申请提供的车辆自适应路径控制方法，根据车辆行驶路径的力平衡方程构建路径跟踪基础模型，对路径跟踪基础模型进行离散处理，含控制量增量的状态空间方程进行迭代，构建MPC控制模型，根据路径跟踪对MPC控制模型中的输出状态量的权重矩阵和输入控制量增量的权重矩阵进行预设模糊化处理，得到目标MPC控制模型；进一步的，根据构建的含控制量增量的状态空间方程，构建曲率前馈控制模型；根据目标MPC控制模型获得前轮转角，根据曲率前馈控制模型前轮转角前馈值，最终将两者求和，得到的前轮转角给到智能汽车，以使得汽车行驶至目的地，提高智能汽车的行驶的准确性和智能化程度。
本发明的附加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，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例中的车辆自适应路径控制方法的流程图；
图2为本发明第一实施例中的隶属度函数示意图；
图3为本发明第一实施例中的隶属度函数示意图；
图4为本发明第一实施例中的隶属度函数示意图；
图5为本发明第三实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的车辆自适应路径控制方法，所述车辆自适应路径控制方法具体包括步骤S10至S50：
S10，构建车辆行驶路径的力平衡方程，根据所述力平衡方程中轮胎侧向力和滑移关系得到车辆的二自由度车辆动力学模型，以所述二自由度车辆动力学模型为基础构建路径跟踪基础模型；
在具体实施时，以大地为参考建立大地坐标系，可选的，在本实施例中，大地作为参考的建立的坐标系为全局坐标系，再以车辆为参考系建立车身坐标系，可选的，车身坐标系是将车辆自身作为参考系建立的坐标系，原点一般选取车辆后轴中心点或者车辆的质心，在本实施例中，选取车辆的质心为车身坐标系的原点；根据牛顿第二定律构建车辆行驶路径中的沿y轴和z轴的力平衡方程为：
；
根据所述车辆行驶路径中的沿y轴和z轴的力平衡方程，确定车辆的二自由度车辆动力学模型为：
；
；
式中，坐标原点在车辆质心处，轴正方向为车辆前进方向，轴与轴垂直在同一平面，且遵循右手法则，轴垂直于平面；为自车质量；为侧向车速，为侧向加速度；为纵向车速；为横摆角速度，为横摆角速度的导数；和分别为前、后轮侧向力；为转动惯量；和分别为前、后轴到质心距离，和分别为前、后轮胎侧偏刚度；为前轮转角。
进一步的，构建车辆行驶路径中的曲线坐标系；坐标系是一种基于曲线的坐标系，它描述了物体在曲线上的位置和运动状态。在本实施例中，坐标系可以体现汽车相对于道路的位置，方便横纵向解耦控制。在已知车身坐标系和坐标系下，获取车辆路径跟踪中车辆的质心与参考路径的侧向误差和航向误差；
其中，所述侧向误差和所述航向误差的表达式为：；
；
式中，；；为期望航向角；为纵向车速；为道路曲率；
根据所述侧向误差和所述航向误差得到所述路径跟踪基础模型；其中，所述路径跟踪基础模型的状态方程表达式为：
；
式中，是系统状态量矩阵；是输入量；是道路曲率变化产生的系统扰动项；为状态输出矩阵；为44的单位矩阵；
；
。
S20，对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，根据所述离散路径跟踪基础模型构建含控制量增量的状态空间方程，将所述状态空间方程在预测时域和控制时域内进行迭代，根据迭代结果构建MPC控制模型；
在具体实施时，采用前向欧拉法对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，所述离散路径跟踪基础模型的表达式为：
；
式中，；；；；为离散系统的采样时间；，k代表离散点；具体的，因为建立的系统是非线性的，首先要把系统转换为线性系统，这样就跟时间t相关，代表系统的当前时刻，但是线性系统不容易直接处理，所以要对线性系统离散化，离散化的k就相当于是当前采样时刻，k+1就是下一采样时刻对线性系统离散化。
根据所述离散路径跟踪基础模型，构建含控制量增量的状态空间方程，所述含控制量增量的状态空间方程的表达式为：
；
式中，；；；；
其中，表示车辆行驶过程中的跟踪误差；根据预测时域和控制时域对所述状态空间方程进行迭代，得到所述预测时域内的状态变量和预测时域内的输出变量，所述预测时域内的状态变量的表达式为：
；
所述预测时域内的输出变量的表达式为：
；
式中，为k采样时刻的输入增量；
根据所述预测时域内的状态变量和所述预测时域内的输出变量，得到预测时域内状态空间方程和输出方程的表达式为：
；
式中，
；
；
；
；
；
；
根据所述预测时域内状态空间方程和输出方程构建MPC控制模型，其中，MPC控制模型中的代价函数表达式为：
；
式中，和分别为MPC控制模型中输出状态量的权重矩阵和输入控制量增量的权重矩阵；为松弛因子；为松弛因子权重，为输入控制量的增量，迭代初始值，取中的第一个增量进行，依次进行后续的迭代。
进一步的，在本实施例中，在根据迭代结果构建MPC控制模型之后，所述车辆自适应路径控制方法还包括：
对所述MPC控制模型的表达式进行多约束的标准二次规划转换，将MPC最优控制求解问题转换成含多约束的标准二次规划问题；多约束的标准二次规划转换后的代价函数表达式为：
；
式中，，，，和为输入前轮转角增量约束最值；和为输出状态量约束最值；为预测时域内系统跟误差；MPC控制模型的表达式为求解最小代价函数的表达式，根据的最小代价值和和的最优矩阵，获取k时刻的最优输入量。
S30，对所述MPC控制模型中的输出状态量的权重矩阵和输入控制量增量的权重矩阵进行预设模糊化处理，得到目标MPC控制模型；
选择影响权重矩阵和权重矩阵的变量参数，其中，变量参数包括侧向误差的权重参数、侧向速度误差的权重参数、航向误差的权重参数、航向角速度误差的权重参数，前轮转角的权重参数r；
MPC控制模型中的两个权重矩阵Q和R， 分别对应状态量和控制量，可以描述为：
；
在具体实施时，车辆处在不同环境中，由于系统复杂，会与理想条件差别较大，车速变化也会对路径跟踪控制器的控制效果造成较大的影响。固定权重的控制器无法保持较好的控制效果，因此本申请采用模糊控制方法实现对MPC控制器权重参数的自适应调节，保证不同车速下的跟踪性能，具体的，权重矩阵Q为：，权重矩阵R为：。
权重参数越大，其对相应变量的限制作用越强，权重参数的相对大小决定了控制器对各变量的控制程度。误差的权重参数越大，跟踪精度越高；转角的权重参数越大，转角变化率越小，驾驶平稳性与舒适性更好。在高车速条件下，车辆短时间的位置变动较大，转角过大容易导致超调，所以应增大转角权重，加强对前轮转角的限制，防止车辆因超调而左右摇摆，导致车辆的跟踪精度与行驶稳定性变差。根据以上分析，在本实施例中，将，设置为0，为定值，通过调节和r改变权重的相对大小。
构建模糊处理模型，采用模糊处理模型对侧向误差的权重参数和前轮转角的权重参数r进行模糊化处理，得到权重参数的模糊输出量和权重参数r的模糊输出量；
定义输入输出的模糊集，设定模糊调节的输入变量为车速，论域取值为（-3,3）；输出变量为控制系数、r的调整量，表示为、。论域取值为（-2.5,2.5），论域取值为（-4.2,4.2）。
定义输入输出的隶属度函数，其中，模糊处理模型中，模糊语言变量集划分为5个模糊子集：负大(NB)，负小(NS)，零(O)，正小(PS)，正大(PB)，输入输出的隶属度函数均定义为高斯型函数，具体如下：
；
其中，为变量；和为参数；
根据隶属度函数可以建立论域与模糊子集的关系，具体的，输入量是精确量，在输入的隶属度函数中对应求解输入模糊量，再根据输入模糊量和模糊规则推理找出对应的模糊输出量，然后再解模糊即可得到输出量的精确值。
建立模糊规则，如表1所示：
根据模糊规则分别计算出和，和的模糊关系，用和表示。= ，= 。根据上述模糊规则，输入量经过模糊推理后，得到所重参数的模糊输出量和权重参数r的模糊输出量；
可选的，的隶属度函数如图2所示，的隶属度函数如图3所示，的隶属度函数如图4所示；根据和对应的隶属度函数求解，根据和对应的隶属度函数求解，在求解时，将的论域范围按预定递增规则进行间隔划分，例如按递增1进行划分，得到的取值为（-3、-2、-1、0、1、2、3），在的隶属度函数读取的取不同值时对应的NB、NS、O、PS、PB的值，得到5x7的矩阵A，类似的，将的论域范围按预定递增规则进行间隔划分，例如按递增0.5进行划分，得到的取值为（-2.5、-2、…2、2.5），在的隶属度函数读取的取不同值时对应的PB、PS、O、NS、NB的值，得到5x11的矩阵B，最后根据矩阵A和矩阵B即可求解，类似的，求解，此处不再赘述。
根据质心法求解车辆行驶过程中的权重参数的模糊输出量和权重参数r的模糊输出量，得到权重参数的精确输出量和权重参数r的精确输出量，根据精确输出量和精确输出量得到车辆行驶过程中侧向误差的最优权重参数和前轮转角的最优权重参数，和的表达式为：
；
式中，、分别为基准车速下所述侧向误差和所述前轮转角的最优权重参数；
根据不同车速下的所述侧向误差的最优权重参数和所述前轮转角的最优权重参数，得到不同车速下所述权重矩阵的最优解和所述权重矩阵的最优解，所述权重矩阵的最优解和所述权重矩阵的最优解的表达式为：
；
式中，、、分别为基准车速下所述侧向速度误差、所述航向误差、和所述航向角速度误差的最优权重参数，具体的，如上分析所示，在本实施例中，和均为0，为定值。
根据不同车速下的权重矩阵的最优解和所述权重矩阵的最优解，即可得到车辆行驶路径中的目标MPC控制模型。
S40，根据构建的所述含控制量增量的状态空间方程，构建曲率前馈控制模型，以消除由曲率变化引起的稳态误差；
其中，由构建的含控制量增量的状态空间方程可知，车辆在变曲率弯道行驶时，因为干扰项的存在，即使矩阵趋于稳定，系统的跟踪误差也很难完全收敛；为了消除路径参考曲率变化引起的稳态误差，构建一种含曲率前馈控制模型。
在具体实施时，在曲率前馈控制模型中获取稳定的前轮转角前馈值的表达式为：
；
其中，为稳态方向角误差，为转向不足斜率，为轴距。
S50，根据所述目标MPC控制模型和所述曲率前馈控制模型分别计算车辆行驶路径中的前轮转角和前轮转角前馈值，根据所述前轮转角和所述前轮转角计算车辆行驶中的最优前轮转角，以完成车辆行驶路径中的路径控制。
在具体实施时，根据车辆行驶路径中复杂的场地环境，目标MPC控制模型根据模糊处理策略得到在车辆路径跟踪过程中不同时刻的前轮转角，含曲率前馈控制模型计算稳定的前轮转角前馈值，将前轮转角和前轮转角前馈值求和，得到车辆在当前道路状况的最优前轮转角，形成融合曲率前馈的权重自适应模型预测最优调节控制律； 具体的最优前轮转角的计算表达式为：
；
式中，为最优前轮转角；目标MPC控制模型得出的前轮转角，在本实施例中，即为离散路径跟踪基础模型中的最优输入量，；为曲率前馈控制模型得出的前轮转角前馈值。
在具体实施时，车辆启动后，智驾控制系统初始化，检查感知、定位、规划及底盘等模块信号收发是否正常，加载车辆动力学基本参数、权重自适应MPC控制器参数以及曲率前馈控制模型设计参数，如果检查异常或者加载参数异常，则车辆急停，待检查正常则重新启动。检测正常后，由规划模块下发参考路径的信息，传输到车辆状态信息更新模块计算横向跟踪误差，车辆状态信息更新模块将系统跟踪误差分别给到构建的权重自适应MPC控制模型和曲率前馈控制模型，最终计算出适合当前路径的前轮转角给到智能汽车，智能汽车再实时的反馈当前姿态信息和底盘信号，如果最终到达目的地则完成控制，未到达目的地则重新按照上述步骤极性前轮转角计算，再次进行智能控制，直至车辆到达目的地；本申请提供的车辆自适应路径控制方法，根据构建的权重自适应MPC控制模型和曲率前馈控制模型最终计算合适的前轮转角给到智能汽车，以使得汽车行驶至目的地，提高智能汽车的行驶的准确性和智能化程度。
实施例二
本发明实施例二提出一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的车辆自适应路径控制方法。
实施例三
本发明还提出一种计算机，请参阅图5，所示为本发明第三实施例中的计算机，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的车辆自适应路径控制方法。
其中，存储器10至少包括一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器（例如，SD或DX存储器等）、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元，例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元 (Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器（Central Processing Unit, CPU）、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图5示出的结构并不构成对计算机的限定，在其它实施例当中，该计算机可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (3)
1.一种车辆自适应路径控制方法，其特征在于，包括以下步骤：
构建车辆行驶路径的力平衡方程，根据所述力平衡方程中轮胎侧向力和滑移关系得到车辆的二自由度车辆动力学模型，以所述二自由度车辆动力学模型为基础构建路径跟踪基础模型；
对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，根据所述离散路径跟踪基础模型构建含控制量增量的状态空间方程，将所述状态空间方程在预测时域和控制时域内进行迭代，根据迭代结果构建MPC控制模型；
对所述MPC控制模型中的输出状态量的权重矩阵和输入控制量增量的权重矩阵进行预设模糊化处理，得到目标MPC控制模型；
根据构建的所述含控制量增量的状态空间方程，构建曲率前馈控制模型，以消除由曲率变化引起的稳态误差；
根据所述目标MPC控制模型和所述曲率前馈控制模型分别计算车辆行驶路径中的前轮转角和前轮转角前馈值，根据所述前轮转角和所述前轮转角计算车辆行驶中的最优前轮转角，以完成车辆行驶路径中的路径控制；
所述构建车辆行驶路径的力平衡方程，根据所述力平衡方程中轮胎侧向力和滑移关系得到车辆的二自由度车辆动力学模型的步骤包括：
以大地为参考建立大地坐标系，以车辆为参考系建立车身坐标系，根据牛顿第二定律构建车辆行驶路径中的沿y轴和z轴的力平衡方程为：
；
根据所述车辆行驶路径中的沿y轴和z轴的力平衡方程，确定车辆的二自由度车辆动力学模型为：
；
；
式中，坐标原点在车辆质心处，轴正方向为车辆前进方向，轴与轴垂直在同一平面，且遵循右手法则，轴垂直于平面；为自车质量；为侧向车速，为侧向加速度；为纵向车速；为横摆角速度，为横摆角速度的导数；和分别为前、后轮侧向力；为转动惯量；和分别为前、后轴到质心距离，和分别为前、后轮胎侧偏刚度；为前轮转角；
所述以所述二自由度车辆动力学模型为基础构建路径跟踪基础模型的步骤为：
构建所述车辆行驶路径中的曲线坐标系；
根据所述车身坐标系和所述曲线坐标系，获取车辆路径跟踪中车辆的质心与参考路径的侧向误差和航向误差；
其中，所述侧向误差和所述航向误差的表达式为：
；
；
式中，；；为期望航向角；为纵向车速；为道路曲率；
根据所述侧向误差和所述航向误差得到所述路径跟踪基础模型；其中，所述路径跟踪基础模型的状态方程表达式为：
；
式中，是系统状态量矩阵；是输入量；是道路曲率变化产生的系统扰动项；为状态输出矩阵；为44的单位矩阵；
；
；
所述对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，根据所述离散路径跟踪基础模型构建含控制量增量的状态空间方程，将所述状态空间方程在预测时域和控制时域内进行迭代，根据迭代结果构建MPC控制模型的步骤包括：
采用前向欧拉法对所述路径跟踪基础模型进行离散处理，得到离散路径跟踪基础模型，所述离散路径跟踪基础模型的表达式为：
；
式中，；；；；为离散系统的采样时间；，k代表离散点；
根据所述离散路径跟踪基础模型，构建含控制量增量的状态空间方程，所述含控制量增量的状态空间方程的表达式为：
；
式中，；；；；
根据预测时域和控制时域对所述状态空间方程进行迭代，得到所述预测时域内的状态变量和预测时域内的输出变量，所述预测时域内的状态变量的表达式为：
；
所述预测时域内的输出变量的表达式为：
；
式中，为输入增量；
根据所述预测时域内的状态变量和所述预测时域内的输出变量，得到预测时域内状态空间方程和输出方程的表达式为：
；
式中，
；
；
；
；
；
；
根据所述预测时域内状态空间方程和输出方程构建MPC控制模型，其中，MPC控制模型中的代价函数表达式为：
；
式中，和分别为MPC控制模型中输出状态量的权重矩阵和输入控制量增量的权重矩阵；为松弛因子；为松弛因子权重，为输入控制量的增量；
所述根据迭代结果构建MPC控制模型之后，所述车辆自适应路径控制方法还包括：
对所述MPC控制模型的表达式进行多约束的标准二次规划转换，所述多约束的标准二次规划转换后的代价函数表达式为：
；
式中，，，，和为输入前轮转角增量约束最值；和为输出状态量约束最值；为预测时域内系统跟误差；
所述对所述MPC控制模型中的输出状态量的权重矩阵和输入控制量增量的权重矩阵进行预设模糊化处理，得到目标MPC控制模型的步骤包括：
选择影响所述权重矩阵和所述权重矩阵的变量参数，其中，所述变量参数包括侧向误差的权重参数、侧向速度误差的权重参数、航向误差的权重参数、航向角速度误差的权重参数，前轮转角的权重参数r；
构建模糊处理模型，采用所述模糊处理模型对所述侧向误差的权重参数和所述前轮转角的权重参数r进行模糊化处理，得到所述权重参数的模糊输出量和所述权重参数r的模糊输出量；
根据质心法求解车辆行驶过程中的所述权重参数的模糊输出量和所述权重参数r的模糊输出量，得到所述权重参数的精确输出量和所述权重参数r的精确输出量，根据所述精确输出量和所述精确输出量得到车辆行驶过程中所述侧向误差的最优权重参数和所述前轮转角的最优权重参数， 和的表达式为：
；
式中，、分别为基准车速下所述侧向误差和所述前轮转角的最优权重参数；
根据不同车速下的所述侧向误差的最优权重参数和所述前轮转角的最优权重参数，得到不同车速下所述权重矩阵的最优解和所述权重矩阵的最优解，所述权重矩阵的最优解和所述权重矩阵的最优解的表达式为：
；
式中，、、分别为基准车速下所述侧向速度误差、所述航向误差、和所述航向角速度误差的最优权重参数；
在所述曲率前馈控制模型中获取稳定的前轮转角前馈值的表达式为：
；
其中，为稳态方向角误差，为转向不足斜率，为轴距；
所述根据所述目标MPC控制模型和所述曲率前馈控制模型分别计算车辆行驶路径中的前轮转角和前轮转角前馈值，根据所述前轮转角和所述前轮转角计算车辆行驶中的最优前轮转角的步骤为：
根据所述目标MPC控制模型得到车辆行驶路径中，模糊处理控制下的第一前轮转角；
根据所述曲率前馈控制模型得到车辆行驶路径中，曲率前馈控制下的第二前轮转角；
将所述第一前轮转角和所述第二前轮转角进行求和，得到车辆当前的前轮转角。
2.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1任一所述的车辆自适应路径控制方法。
3.一种计算机，包括存储器、处理器以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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1任一所述的车辆自适应路径控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315885.XA CN117048639B (zh) | 2023-10-12 | 2023-10-12 | 一种车辆自适应路径控制方法、存储介质及计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311315885.XA CN117048639B (zh) | 2023-10-12 | 2023-10-12 | 一种车辆自适应路径控制方法、存储介质及计算机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117048639A CN117048639A (zh) | 2023-11-14 |
| CN117048639B true CN117048639B (zh) | 2024-01-23 |
Family
ID=88664864
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311315885.XA Active CN117048639B (zh) | 2023-10-12 | 2023-10-12 | 一种车辆自适应路径控制方法、存储介质及计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117048639B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710294A (zh) * | 2018-04-13 | 2018-10-26 | 四川木牛流马智能科技有限公司 | 一种无人车路径跟踪前馈控制方法 |
| CN112026774A (zh) * | 2020-08-31 | 2020-12-04 | 清华大学 | 基于自车摄像头、雷达感知信息的周围车辆侧滑识别方法 |
| CN114185272A (zh) * | 2021-12-03 | 2022-03-15 | 成都信息工程大学 | 一种基于模型预测控制的具有预览特性的自适应速度智能车辆路径跟踪方法 |
| CN114435399A (zh) * | 2022-01-27 | 2022-05-06 | 上海工程技术大学 | 基于预测模型的自动驾驶汽车稳定性路径跟踪方法 |
| CN114572251A (zh) * | 2022-04-08 | 2022-06-03 | 苏州易驱汽车科技有限公司 | 一种预测控制的高速自动驾驶汽车轨迹跟踪方法 |
| CN114625002A (zh) * | 2022-02-28 | 2022-06-14 | 浙江零跑科技股份有限公司 | 一种基于模型预测控制的车辆横纵向集成控制方法 |
| CN116080682A (zh) * | 2022-12-30 | 2023-05-09 | 同济大学 | 一种面向复杂道路环境的自动驾驶车辆横向控制方法 |
| CN116552550A (zh) * | 2023-04-28 | 2023-08-08 | 贵州师范大学 | 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统 |
| CN116627044A (zh) * | 2023-07-26 | 2023-08-22 | 华东交通大学 | 行驶轨迹预测控制方法 |
| CN116679721A (zh) * | 2023-07-05 | 2023-09-01 | 昆明理工大学 | 一种用于汽车非直线轨迹跟踪的控制方法 |
| CN116834754A (zh) * | 2023-05-25 | 2023-10-03 | 上海工程技术大学 | 一种自动驾驶车辆自适应调速的横纵协同控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110395120A (zh) * | 2019-08-14 | 2019-11-01 | 厦门金龙联合汽车工业有限公司 | 一种四轮分布式驱动客车的横摆运动控制方法 |
-
2023
- 2023-10-12 CN CN202311315885.XA patent/CN117048639B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108710294A (zh) * | 2018-04-13 | 2018-10-26 | 四川木牛流马智能科技有限公司 | 一种无人车路径跟踪前馈控制方法 |
| CN112026774A (zh) * | 2020-08-31 | 2020-12-04 | 清华大学 | 基于自车摄像头、雷达感知信息的周围车辆侧滑识别方法 |
| CN114185272A (zh) * | 2021-12-03 | 2022-03-15 | 成都信息工程大学 | 一种基于模型预测控制的具有预览特性的自适应速度智能车辆路径跟踪方法 |
| CN114435399A (zh) * | 2022-01-27 | 2022-05-06 | 上海工程技术大学 | 基于预测模型的自动驾驶汽车稳定性路径跟踪方法 |
| CN114625002A (zh) * | 2022-02-28 | 2022-06-14 | 浙江零跑科技股份有限公司 | 一种基于模型预测控制的车辆横纵向集成控制方法 |
| CN114572251A (zh) * | 2022-04-08 | 2022-06-03 | 苏州易驱汽车科技有限公司 | 一种预测控制的高速自动驾驶汽车轨迹跟踪方法 |
| CN116080682A (zh) * | 2022-12-30 | 2023-05-09 | 同济大学 | 一种面向复杂道路环境的自动驾驶车辆横向控制方法 |
| CN116552550A (zh) * | 2023-04-28 | 2023-08-08 | 贵州师范大学 | 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统 |
| CN116834754A (zh) * | 2023-05-25 | 2023-10-03 | 上海工程技术大学 | 一种自动驾驶车辆自适应调速的横纵协同控制方法 |
| CN116679721A (zh) * | 2023-07-05 | 2023-09-01 | 昆明理工大学 | 一种用于汽车非直线轨迹跟踪的控制方法 |
| CN116627044A (zh) * | 2023-07-26 | 2023-08-22 | 华东交通大学 | 行驶轨迹预测控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 分布式驱动智能汽车轨迹跟踪的协同控制;陈齐平;万锐;曾德全;罗茶根;燕冬;制造业自动化;第45卷(第05期);96-101 * |
| 基于曲率优化的智能汽车路径跟踪控制研究;刘浩;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(2023年第3期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117048639A (zh) | 2023-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733270B (zh) | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 | |
| US10408638B2 (en) | System and method for controlling a vehicle under sensor uncertainty | |
| CN107415939B (zh) | 一种分布式驱动电动汽车转向稳定性控制方法 | |
| CN111055921B (zh) | 一种基于数据驱动的四轮转向模型预测控制方法 | |
| CN114655248A (zh) | 自动驾驶车辆的横向控制方法、装置及车辆 | |
| CN109476287A (zh) | 用于控制车辆的方法和系统 | |
| US20210263526A1 (en) | Method and device for supporting maneuver planning for an automated driving vehicle or a robot | |
| Yang et al. | Quasi-linear optimal path controller applied to post impact vehicle dynamics | |
| 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 | |
| Liu et al. | Finite-time optimized robust control with adaptive state estimation algorithm for autonomous heavy vehicle | |
| Sieberg et al. | Hybrid state estimation–a contribution towards reliability enhancement of artificial neural network estimators | |
| Fu et al. | Nmpc-based path tracking control strategy for autonomous vehicles with stable limit handling | |
| 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 | |
| Lin et al. | A reinforcement learning backstepping‐based control design for a full vehicle active Macpherson suspension system | |
| CN117389276B (zh) | 一种基于行驶风险预测的无人车行驶路径跟踪控制方法 | |
| CN115476881B (zh) | 车辆轨迹跟踪控制方法、装置、设备及介质 | |
| CN117048639B (zh) | 一种车辆自适应路径控制方法、存储介质及计算机 | |
| CN114435371B (zh) | 一种道路坡度估计方法和装置 | |
| Hu et al. | Robust tube-based model predictive control for autonomous vehicle path tracking | |
| CN115071736A (zh) | 基于故障估计的自动驾驶车辆容错控制方法及系统 | |
| CN114839992A (zh) | 一种基于多智能体强化学习的自动驾驶协同决策方法 | |
| Shi et al. | Robust Learning-Based Gain-Scheduled Path Following Controller Design for Autonomous Ground Vehicles | |
| Elsisi | Model predictive control with laguerre function based on social ski driver algorithm for autonomous vehicle | |
| CN117261521B (zh) | 一种高度和阻尼自适应的半主动悬架智能控制与进化方法 | |
| CN118323192A (zh) | 一种车辆驾驶控制方法，系统及其存储介质 |
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 |