CN117234215B - 无人车纵向控制方法、装置、电子设备及无人车 - Google Patents

Abstract

本申请提供一种无人车纵向控制方法、装置、电子设备及存储介质。该方法应用于无人车、无人驾驶设备或自动驾驶设备，包括：确定无人车在预测时域内的预测位置生成的预测点序列，并生成轨迹点序列；构建预测时域内每个周期对应的边界约束和多边形约束，并确定每个周期对应的状态量权重和控制量权重；基于状态量、控制量、状态量权重以及控制量权重，构建二次规划问题的代价函数；对代价函数最小化过程中的状态量和控制量进行约束，得到代价函数最小时的状态量序列和控制量序列；利用当前周期无人车的实际速度及加速度补偿对无人车进行纵向控制。本申请降低了无人车纵向控制的误差，提高无人车纵向控制的准确性及稳定性。

Description

无人车纵向控制方法、装置、电子设备及无人车

技术领域

本申请涉及无人驾驶技术领域，尤其涉及一种无人车纵向控制方法、装置、电子设备及无人车。

背景技术

随着人工智能技术的快速发展，自动驾驶技术逐渐走向成熟，致力于为驾驶员提供更加安全、高效和便捷的驾驶体验。自动驾驶系统主要分为感知、预测、定位、决策、规划与控制等核心模块。其中，控制模块作为自动驾驶系统的最后一环，负责实际执行规划模块的输出结果，确保车辆按照预定的轨迹进行运行。通常，控制模块可以进一步分为纵向控制器和横向控制器，前者负责控制车辆的油门和刹车，后者负责控制车辆的方向盘转角。

在目前的自动驾驶系统中，PID控制器被广泛应用于纵向控制环节。它依赖于实时获取的轨迹、自车状态以及油门刹车标定表来计算输出的控制量。其中，轨迹通常由规划模块给出，包含了车辆的先验位置、速度、加速度、航向角和曲率等信息；自车的实时状态通常由感知和定位模块提供，如车辆的当前位置、速度和加速度等；而油门刹车标定表则描述了速度、加速度与油门、刹车之间的关系。

尽管上述自动驾驶系统在很多情境下都能够满足轨迹跟踪的需求，但在实际操作中仍存在一些问题。首先，基于PID控制器的控制策略通常只考虑当前时刻的轨迹点，并根据当前的位置误差、速度误差来计算控制量。这种方法在某些复杂的场景下，可能会导致控制器的输出出现超调和振荡现象，造成纵向控制的误差相对较大，且误差收敛时间较长。这种现象很大程度上是由于PID控制器在计算控制量时，没有考虑到未来的轨迹信息，从而使得其在复杂场景下的控制效果受限。因此，如何在复杂的驾驶场景下，实现更加准确、稳定的纵向控制，成为了当前自动驾驶技术面临的重要技术挑战。

发明内容

有鉴于此，本申请实施例提供了一种无人车纵向控制方法、装置、电子设备及无人车，以解决现有技术存在的纵向控制误差较大，误差收敛时间较长，纵向控制的准确性及稳定性差的问题。

本申请实施例的第一方面，提供了一种无人车纵向控制方法，该方法包括：获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于规划轨迹以及预测点序列生成轨迹点序列；利用预定的纵向积分模型构建等式约束，构建预测时域内每个周期对应的边界约束和多边形约束，并根据轨迹点序列确定每个周期对应的状态量权重和控制量权重；基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；利用等式约束、边界约束以及多边形约束，对代价函数最小化过程中的状态量和控制量进行约束，得到代价函数最小时的状态量序列和控制量序列；将控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期无人车的实际速度及加速度补偿对无人车进行纵向控制。

本申请实施例的第二方面，提供了一种无人车纵向控制装置，包括：获取模块，被配置为获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于规划轨迹以及预测点序列生成轨迹点序列；构建约束模块，被配置为利用预定的纵向积分模型构建等式约束，构建预测时域内每个周期对应的边界约束和多边形约束，并根据轨迹点序列确定每个周期对应的状态量权重和控制量权重；构建函数模块，被配置为基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；约束模块，被配置为利用等式约束、边界约束以及多边形约束，对代价函数最小化过程中的状态量和控制量进行约束，得到代价函数最小时的状态量序列和控制量序列；控制模块，被配置为将控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期无人车的实际速度及加速度补偿对无人车进行纵向控制。

本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。

本申请实施例的第四方面，提供了一种无人车，包括自动驾驶系统，自动驾驶系统中设有控制单元，控制单元中的纵向控制器用于实现上述无人车纵向控制方法的步骤，以便对无人车进行纵向控制。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于规划轨迹以及预测点序列生成轨迹点序列；利用预定的纵向积分模型构建等式约束，构建预测时域内每个周期对应的边界约束和多边形约束，并根据轨迹点序列确定每个周期对应的状态量权重和控制量权重；基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；利用等式约束、边界约束以及多边形约束，对代价函数最小化过程中的状态量和控制量进行约束，得到代价函数最小时的状态量序列和控制量序列；将控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期无人车的实际速度及加速度补偿对无人车进行纵向控制。本申请降低了无人车纵向控制的误差，误差收敛时间短，提高无人车纵向控制的准确性及稳定性。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术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申请的一些实施例，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它的附图。

图1是基于单点的纵向控制与基于多点的纵向控制的示意图；

图2是本申请实施例提供的无人车纵向控制方法的流程示意图；

图3是本申请实施例提供的无人车纵向控制装置的结构示意图；

图4是本申请实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

无人驾驶车辆，也称自动驾驶车辆、无人车或轮式移动机器人，是融合环境感知、路径规划、状态识别和车辆控制等多元一体的集成化、智能化的新时代技术产物。无人车自动驾驶系统主要由传感器驱动，感知系统，定位融合系统，决策系统，规划系统，控制系统等系统组成。在无人车驾驶中，控制模块的主要作用是指根据上游规划系统规划的轨迹与自车运动相关的实时状态生成控制量。控制模块由以下两个主要部分组成：纵向控制器和横向控制器，其中纵向控制器用于生成油门和刹车量，横向控制器用于生成方向盘转角量。

PID算法是自动驾驶领域中最常见的纵向控制方法之一。PID算法需要的输入有规划轨迹、自车实时状态、油门刹车标定表。规划轨迹是规划模块给出的结果（可为控制模块提供先验的位置、速度、加速度、航向角、曲率等相关信息），无人车实时状态是感知和定位给出的结果（包括当下位置、速度、加速度等），油门刹车标定表用于表征的是速度、加速度与刹车量、油门量之间的对应关系。

常见的PID控制器是双环纵向控制，包括位置控制器和速度控制器。位置控制器输入位置偏差（即用规划位置减去实际位置），输出速度补偿；速度控制器输入速度偏差（即用规划速度减去实际速度再加上速度补偿），输出加速度补偿；油门刹车标定表输入实际速度和加速度补偿，输出刹车量和油门量。

下面结合附图对现有技术存在的问题以及本申请的技术方案分别进行简要说明，其中现有技术采用的是基于单点的纵向控制方法，而本申请采用的则是基于多点的纵向控制方法。如图1所示，图1是基于单点的纵向控制与基于多点的纵向控制的示意图。

根据上述对现有技术的描述可知，现有技术存在的问题点包括：控制器在跟踪轨迹时只考虑了当前时刻的轨迹点，所计算出的位置误差、速度误差以及输出的油门刹车量等都是当前时刻的误差，控制器进行轨迹跟随时很容易出现超调和振荡，纵向误差相对较大且误差收敛时间相对较长。根本原因在于控制器的输出缺乏对未来的预测，难以在相对复杂的场景下有较好的控制效果。

鉴于现有技术中存在的问题，本申请提出了一种基于Tube-MPC设计的纵向控制策略。与传统控制策略不同，该方法不仅考虑当前的轨迹参考点，而是基于轨迹上多个参考点的信息进行控制量的生成，具有更强的“预测”功能。模型预测控制（MPC）是一种先进的控制策略，其核心思想是在给定的时间范围内，根据预测的未来数据（如未来的轨迹点和车辆状态）来重复优化控制策略，而非单纯依赖当前的数据。这使得控制器能够提前“看到”未来可能遇到的驾驶场景，并根据这些信息提前作出决策，从而提高控制精度和稳定性。

为了保证车辆的行驶安全和控制的可靠性，本申请还特别引入了“Tube”约束范围。在MPC策略中，状态量和控制量都被约束在这个Tube范围内，通过构建一个MPC问题（即带约束的二次规划问题），求解得到最优的控制量，确保车辆的行驶状态不会超出预定的安全或可接受的界限。通过引入基于Tube-MPC的设计，本申请提供的纵向控制策略不仅能够更精确地跟踪轨迹，还能够有效地应对复杂的驾驶场景，显著提高车辆的行驶稳定性和控制精度。

下面将结合附图以及具体实施例对本申请实施例的一种无人车纵向控制方法、装置、电子设备及无人车进行详细说明。

图2是本申请实施例提供的无人车纵向控制方法的流程示意图。图2的无人车纵向控制方法可以由无人车车机系统的控制单元执行。如图2所示，该无人车纵向控制方法具体可以包括：

S201，获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于规划轨迹以及预测点序列生成轨迹点序列；

S202，利用预定的纵向积分模型构建等式约束，构建预测时域内每个周期对应的边界约束和多边形约束，并根据轨迹点序列确定每个周期对应的状态量权重和控制量权重；

S203，基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；

S204，利用等式约束、边界约束以及多边形约束，对代价函数最小化过程中的状态量和控制量进行约束，得到代价函数最小时的状态量序列和控制量序列；

S205，将控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期无人车的实际速度及加速度补偿对无人车进行纵向控制。

在一些实施例中，确定无人车在预测时域内的预测位置生成的预测点序列，包括：

利用离散时间、状态量和控制量构建纵向积分模型，基于无人车的当前位置，利用纵向积分模型对无人车在预测时域内运动的位置进行预测，得到预测位置，利用预测位置生成预测点序列；

其中，纵向积分模型用于表征控制量的变化与离散时间及状态量的变化关系，状态量包括位置和速度，控制量包括加速度。

具体地，本申请通过构建纵向的车辆位置、速度以及加速度的积分模型来对未来一段时间（预测时域）内车辆运动的位置进行预测，从而生成由车辆的预测位置组成的预测点序列。在一个示例中，本申请离散形式的纵向积分模型可以采用如以下公式（1），其中，将离散时间记作dt，状态量为位置和速度，控制量为加速度，通过求解最优加速度量，推演得到自车的位置和速度。

（1）

其中，表示无人车的位置，/>表示无人车的速度，/>表示无人车的加速度，下标/>表示当前的时间步。

进一步地，基于无人车的当前位置，使用纵向积分模型向后推演得到自车未来一段时间内的可能运动到的位置，形成预测点序列。因此，为了使用上述纵向积分模型，首先获取无人车的当前位置和速度/>，然后基于控制策略或其他外部因素，确定一个或多个加速度值/>，利用上述公式，可以计算出下一个时间步/>的预测位置/>和速度。重复这个过程，本申请可以在预测时域内得到一系列的预测位置，从而形成一个预测点序列。

在一些实施例中，基于规划轨迹以及预测点序列生成轨迹点序列，包括：

获取规划轨迹上距离无人车当前位置对应时间戳最近的当前轨迹点以及预测时域内的其他轨迹点，将当前轨迹点及其他轨迹点与预测点序列中的预测位置在时间上进行对应，以生成轨迹点序列。

具体地，规划轨迹通常是由规划模块提前计算出的，它指示车辆从起点到终点的理想轨迹。在这个规划轨迹上，每个点都与一个时间戳相关联，表示车辆应该在特定的时间达到该点。当无人车开始行驶时，首先确定其当前位置，然后在规划轨迹中查找与无人车当前位置对应时间戳最近的点，将该点称之为“当前轨迹点”。除了这个点外，本申请实施例还将提取规划轨迹中预测时域内的其他轨迹点。

进一步地，本申请实施例使用之前描述的纵向积分模型来生成预测点序列，这个序列预测了无人车在未来的移动轨迹。这个预测是基于无人车的当前状态（如位置、速度和加速度）。最后，将规划轨迹中的当前轨迹点及其预测时域内的其他轨迹点与预测点序列中的预测位置进行时间对应。也就是说，本申请实施例通过将规划轨迹中的每一个点与预测点序列中时间上最接近的点进行匹配，从而生成一个新的轨迹点序列。

通过上述实施例提供的方式，本申请不仅考虑了原始的规划轨迹，还考虑了车辆的实时状态和预测的移动轨迹。这使得无人车能够更加灵活地应对实际道路环境中的各种情况，如突然出现的障碍物或路况变化。

在一些实施例中，状态量和控制量采用多边形约束和边界约束，构建预测时域内每个周期对应的边界约束和多边形约束，包括：

根据多边形约束上界、多边形约束下界、状态量的多边形约束观测矩阵、以及控制量的多边形约束观测矩阵，构建预测时域内每个周期对应的状态量和控制量的多边形约束；

根据边界约束上界、边界约束下界、状态量的边界约束观测矩阵、以及控制量的边界约束观测矩阵，构建预测时域内每个周期对应的状态量和控制量的边界约束。

具体地，本申请实施例使用了基于Tube概念的多边形约束和边界约束来约束状态量和控制量。基于Tube的概念将与预测点序列中的每一个点的位置、速度约束在一定范围内，针对状态量（即位置和速度）使用软约束（通过多边形约束+松弛因子来实现）；基于Tube概念将对控制量序列中的每一个加速度约束在一定范围内，针对控制量（即加速度）使用硬约束（通过边界约束来实现），其中，通过汇总未来每个周期算出的加速度，形成控制量序列。

也就是说，本申请通过构建状态量约束和控制量约束，利用状态量约束的范围对预测点序列中的每一个预测点对应的车辆位置和速度进行约束，确保车辆的状态量（位置和速度）和控制量（加速度）都在可接受的范围内。同时，利用控制量约束的范围对优化过程中的加速度进行约束。

在一个示例中，多边形约束和边界约束分别采用如下的不等式约束（考虑松弛因子的情形下构建的不等式约束），参照以下公式（2）和公式（3）所示：

（2）

（3）

其中，、/>、/>分别表示控制量下界、状态量下界、多边形约束下界；/>、/>、/>分别表示控制量上界、状态量上界、多边形约束上界；/>、/>分别表示状态量的多边形约束观测矩阵、控制量的多边形约束观测矩阵，在不考虑松弛因子的情况下，多边形约束可表示为：/>；/>、/>分别表示控制量的边界约束观测矩阵、状态量的边界约束观测矩阵；在不考虑松弛因子的情况下，边界约束可写作和/>；/>、/>、/>分别表示控制量的松弛因子的观测矩阵、状态量的松弛因子的观测矩阵、多边形约束的松弛因子的观测矩阵；本申请针对该部分的设置开放了配置参数，可以根据实际情况灵活配置约束条件，从而体现出Tube的概念。

下面以不考虑松弛因子的情形下的多边形约束和边界约束的构建过程进行详细说明，具体可以包括以下内容：

首先，本申请实施例定义状态量的多边形约束，为每个预测时域内的周期构建了状态量的约束。这些约束是基于多边形约束上界、多边形约束下界、状态量的多边形约束观测矩阵以及控制量的多边形约束观测矩阵。因此，对于预测点序列中的每一个点，其位置和速度耦合约束在一定范围内，耦合关系和范围由上述参数定义的。在不考虑松弛因子的情形下，构建得到的多边形约束为：。

其次，本申请实施例还定义了控制量的边界约束。这些约束是基于边界约束上界、边界约束下界、状态量的边界约束观测矩阵以及控制量的边界约束观测矩阵。对于预测点序列中的每一个加速度，它都被约束在一个确定的边界内。在不考虑松弛因子的情形下，构建得到的多边形约束为：和/>。

通过这些约束，确保了车辆的状态量（如位置和速度）和控制量（如加速度）都在可接受的范围内。这不仅确保了车辆的运动行为与预期的规划轨迹一致，还确保了车辆的运动状态不会超出预定的安全范围。需要注意的是，本申请实施例中的约束考虑了Tube的概念，这意味着本申请为每个预测周期都考虑了一个特定的约束范围。这种方法提供了额外的灵活性，允许车辆在满足约束的同时进行某种程度的适应性调整。

在一些实施例中，为边界约束及所述多边形约束分别设置松弛因子，该方法还包括：

根据多边形约束上界、多边形约束下界、状态量的多边形约束观测矩阵、控制量的多边形约束观测矩阵、以及多边形约束的松弛因子的观测矩阵，构建预测时域内每个周期对应的状态量和控制量的多边形约束；

根据边界约束上界、边界约束下界、状态量的边界约束观测矩阵、控制量的边界约束观测矩阵、以及边界约束的松弛因子的观测矩阵，构建预测时域内每个周期对应的状态量和控制量的边界约束。

具体地，参照上述的公式（2）和公式（3），分别表示对状态量和控制量的多边形约束、状态量边界约束、控制量边界约束（考虑量松弛因子对上述两种不等式约束引入buffer，松弛因子作为优化变量会不断变化，自适应调整约束上下界，实现软约束），本申请实施例通过设计公式（2）和公式（3）中的相关参数，使得多边形约束加松弛因子作用到状态量，以实现对状态量的软约束（具体实现就是：设计控制量的多边形约束观测矩阵为0矩阵，设计状态量的多边形约束观测矩阵、边形约束的松弛因子的观测矩阵为非0矩阵，设计多边形约束上界和多边形约束下界为自定义的状态量的上界和状态量下界）；使得边界约束作用到控制量，以实现对控制量的硬约束（具体实现就是：设计控制量的松弛因子的观测矩阵和状态量的松弛因子的观测矩阵为0矩阵，设计控制量的边界约束观测矩阵为非0矩阵，设计状态量的边界约束观测矩阵为0矩阵，设计状态量上界和状态量下界分别为正负方向一个很大的数使得状态量一定满足边界约束（因为针对状态量的约束是软约束，由多边形约束去实现，边界约束必须要一定满足），设计控制量上界和控制量下界为自定义的控制量上界和控制量下界）。

在一些实施例中，该方法还包括：为松弛因子设置相应的边界约束及权重，其中，松弛因子权重用于表征在利用代价函数对状态量、控制量和松弛因子进行优化时，松弛因子的重要程度，松弛因子包括上松弛因子和下松弛因子。

具体地，下松弛因子，表示当下位置、速度的下松弛因子，体现了位置和速度的下约束边界的弹性程度；上松弛因子/>，表示当下位置、速度的上松弛因子，体现了位置和速度的上约束边界的弹性程度。上下松弛因子是优化问题的另一部分优化变量；本申请针对该部分的设置开放了配置参数。

进一步地，下松弛因子权重、/>，分别表示下松弛因子二次项系数和一次项系数状态量权重，体现了下松弛因子在优化问题的中的重要程度；上松弛因子权重/>、/>，分别表示上松弛因子二次项系数和一次项系数状态量权重，体现了上松弛因子在优化问题的中的重要程度；本申请针对该部分的设置开放了配置参数。

在一些实施例中，根据轨迹点序列确定每个周期对应的状态量权重和控制量权重，包括：

获取轨迹点序列中的每个轨迹点对应的车辆位置、速度以及加速度数据，将车辆位置、速度以及加速度数据与预设的权重参数相乘，得到每个周期的代价。

具体地，从轨迹点序列中获取每个轨迹点的数据，这些数据包括车辆在每个特定时间点的位置、速度和加速度。这些数据通常是由路径规划算法或者传感器提供的，并代表了车辆在规划路径上的理想状态。然后，将这些数据与预设的权重参数相乘。例如，通过为每种状态量（位置、速度）和控制量（加速度）都设定了特定的权重参数。这些权重参数可以根据实际应用场景、车辆特性或者其他相关因素进行定制。

通过上述方法，本申请实施例可以为每个周期得到状态量权重Q和q以及控制量权重R和r。这些权重将被用于优化算法中，帮助无人车在遵循规划轨迹的同时，根据实际环境调整其行驶状态和控制策略。

基于上述实施例的描述，下面就可以利用模型预测控制方法构建一个基础的MPC问题（带约束的二次规划问题）的代价函数，求解该代价函数，便可以得到最优的控制序列，将控制序列的第一个元素作为加速度补偿输出。下面结合具体实施例对MPC问题的构建过程进行详细阐述，具体可以包括以下内容：

a. 代价函数如以下公式（4）所示。代价函数由两部分构成，第一部分是关于状态量和控制量的二次规划问题，第二部分是关于松弛因子的二次规划问题。

（4）

b. 约束如公式（2）、（3）、（5）、（6）所示。其中，约束条件中，公式（5）表示通过积分模型引入的等式约束；公式（2）和公式（3）分别表示对状态量和控制量的多边形约束和边界约束（考虑量松弛因子对上述两种不等式约束引入buffer，松弛因子作为优化变量会不断变化，自适应调整约束上下界），即本申请实施例对状态量使用多边形约束+松弛因子实现软约束，对控制量使用边界约束实现硬约束，在式（2）和式（3）中修正相关系数实现；公式（6）表示对松弛因子的边界约束。（5）

（6）

c. 状态量，表示当下位置和速度；控制量/>，表示当下加速度；状态量和控制量是优化问题的一部分优化变量，最终要输出的是控制量；

d. 状态量权重、/>，分别表示状态量二次项系数和一次项系数状态量权重，体现了状态量在优化问题的中的重要程度；控制量权重/>、/>，分别表示控制量二次项系数和一次项系数控制量权重，体现了控制量在优化问题的中的重要程度；

e. 下松弛因子，表示当下位置、速度的下松弛因子，体现了位置和速度的下约束边界的弹性程度；上松弛因子/>，表示当下位置、速度的上松弛因子，体现了位置和速度的上约束边界的弹性程度。上下松弛因子是优化问题的另一部分优化变量；

f. 下松弛因子权重、/>，分别表示下松弛因子二次项系数和一次项系数状态量权重，体现了下松弛因子在优化问题的中的重要程度；上松弛因子权重/>、/>，分别表示上松弛因子二次项系数和一次项系数状态量权重，体现了上松弛因子在优化问题的中的重要程度；

g. 根据积分模型引入的等式约束如式（5），其中表示状态转移矩阵，其中/>表示控制矩阵；

h. 多边形约束和边界约束形成的不等式约束如式（2）、（3）。其中，、/>、/>分别表示控制量下界、状态量下界、多边形约束下界；/>、/>、/>分别表示控制量上界、状态量上界、多边形约束上界；/>、/>分别表示状态量的多边形约束观测矩阵、控制量的多边形约束观测矩阵，在不考虑松弛因子的情况下，多边形约束可表示为：；/>、/>分别表示控制量的边界约束观测矩阵、状态量的边界约束观测矩阵；在考虑松弛因子的情况下，边界约束可写作/>和；/>、/>、/>分别表示控制量的松弛因子的观测矩阵、状态量的松弛因子的观测矩阵、多边形约束的松弛因子的观测矩阵；

i. 上下松弛因子的下边界约束形成不等式约束如式（6），其中，、/>表示上松弛因子的下边界以及下松弛因子的下边界。

总体来说，本申请技术方案是使用模型预测控制（MPC）为车辆进行路径跟踪。在每个时间步，都会基于当前的状态和预测模型，预测未来的轨迹，并通过优化这个轨迹来决定下一个时间步的控制输入（即加速度补偿）。这个优化问题是一个带约束的二次规划问题，可以通过求解代价函数的方式来实现。

在一些实施例中，利用当前周期无人车的实际速度、加速度补偿以及预设的油门刹车标定表，确定当前周期的油门量和刹车量，包括：

将无人车的实际速度及加速度补偿作为输入，对油门刹车标定表进行查询，输出与实际速度及加速度补偿具有对应关系的油门量和刹车量，得到当前周期的油门量和刹车量。

具体地，通过求解MPC问题的代价函数计算出加速度补偿，然后获取当前周期下无人车的实际速度，将无人车的实际速度以及加速度补偿作为油门刹车标定表的查询输入，对油门刹车标定表进行查询，输出与实际速度及加速度补偿具有对应关系的油门量和刹车量，从而得到当前周期的油门量和刹车量。

在实际应用中，在对油门刹车标定表进行查询时，除了考虑无人车的实际速度以及加速度补偿外，还可以结合规划轨迹的规划加速度以及重力加速度补偿，得到加速度控制量，再通过标定表得到油门刹车量，实现纵向控制。

根据本申请实施例提供的技术方案，本申请提供了一种先进的自动驾驶无人车控制策略，该策略针对车辆的状态量和控制量进行了精确的约束和权重调整。通过这种方法，车辆能够在各种真实驾驶场景中实现优化的纵向跟踪效果。采用本技术方案的无人车，在多数真实场景下，其纵向跟踪的位置误差能够基本保持在±10cm之内，而速度误差能够基本保持在±0.1m/s之内。这种精确的跟踪效果不仅为车辆提供了更高的驾驶稳定性和安全性，而且显著地优于传统的PID控制策略。这种显著的技术效果得益于本方案中采用的基于轨迹点序列的状态量和控制量约束方法，以及对状态量和控制量的权重进行灵活调整的策略。这些方法确保了车辆能够在不同的驾驶环境中都能够实现优化的驾驶策略，从而达到理想的跟踪效果。总体来说，本申请技术方案为自动驾驶无人车提供了一种高效、稳定的纵向跟踪方法，使得车辆在实际驾驶中能够实现超越传统控制策略的跟踪效果，为自动驾驶技术的发展和应用提供了重要的技术支持。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

图3是本申请实施例提供的无人车纵向控制装置的结构示意图。如图3所示，该无人车纵向控制装置包括：

获取模块301，被配置为获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于规划轨迹以及预测点序列生成轨迹点序列；

构建约束模块302，被配置为利用预定的纵向积分模型构建等式约束，构建预测时域内每个周期对应的边界约束和多边形约束，并根据轨迹点序列确定每个周期对应的状态量权重和控制量权重；

构建函数模块303，被配置为基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；

约束模块304，被配置为利用等式约束、边界约束以及多边形约束，对代价函数最小化过程中的状态量和控制量进行约束，得到代价函数最小时的状态量序列和控制量序列；

控制模块305，被配置为将控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期无人车的实际速度及加速度补偿对无人车进行纵向控制。

在一些实施例中，图3的获取模块301利用离散时间、状态量和控制量构建纵向积分模型，基于无人车的当前位置，利用纵向积分模型对无人车在预测时域内运动的位置进行预测，得到预测位置，利用预测位置生成预测点序列；其中，纵向积分模型用于表征控制量的变化与离散时间及状态量的变化关系，状态量包括位置和速度，控制量包括加速度。

在一些实施例中，图3的获取模块301获取规划轨迹上距离无人车当前位置对应时间戳最近的当前轨迹点以及预测时域内的其他轨迹点，将当前轨迹点及其他轨迹点与预测点序列中的预测位置在时间上进行对应，以生成轨迹点序列。

在一些实施例中，状态量和控制量采用多边形约束和边界约束，图3的构建约束模块302根据多边形约束上界、多边形约束下界、状态量的多边形约束观测矩阵、以及控制量的多边形约束观测矩阵，构建预测时域内每个周期对应的状态量和控制量的多边形约束；根据边界约束上界、边界约束下界、状态量的边界约束观测矩阵、以及控制量的边界约束观测矩阵，构建预测时域内每个周期对应的状态量和控制量的边界约束。

在一些实施例中，图3的构建约束模块302为边界约束及多边形约束分别设置松弛因子，根据多边形约束上界、多边形约束下界、状态量的多边形约束观测矩阵、控制量的多边形约束观测矩阵、以及多边形约束的松弛因子的观测矩阵，构建预测时域内每个周期对应的状态量和控制量的多边形约束；根据边界约束上界、边界约束下界、状态量的边界约束观测矩阵、控制量的边界约束观测矩阵、以及边界约束的松弛因子的观测矩阵，构建预测时域内每个周期对应的状态量和控制量的边界约束。

在一些实施例中，图3的构建约束模块302为松弛因子设置相应的边界约束及权重，其中，松弛因子权重用于表征在利用代价函数对状态量、控制量和松弛因子进行优化时，松弛因子的重要程度，松弛因子包括上松弛因子和下松弛因子。

在一些实施例中，图3的构建约束模块302获取轨迹点序列中的每个轨迹点对应的车辆位置、速度以及加速度数据，将车辆位置、速度以及加速度数据与预设的权重参数相乘，得到每个周期的状态量权重和控制量权重。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。

本申请实施例还提供了一种无人车，包括自动驾驶系统，所述自动驾驶系统中设有控制单元，控制单元中的纵向控制器用于实现上述无人车纵向控制方法的步骤，以便对无人车进行纵向控制。

图4是本申请实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，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402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所申请的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种无人车纵向控制方法，其特征在于，包括：

获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于所述规划轨迹以及所述预测点序列生成轨迹点序列；

利用预定的纵向积分模型构建等式约束，构建所述预测时域内每个周期对应的边界约束和多边形约束，并根据所述轨迹点序列确定每个周期对应的状态量权重和控制量权重；

基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；

利用所述等式约束、所述边界约束以及所述多边形约束，对所述代价函数最小化过程中的状态量和控制量进行约束，得到所述代价函数最小时的状态量序列和控制量序列；

将所述控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期所述无人车的实际速度及所述加速度补偿对所述无人车进行纵向控制；

其中，所述代价函数由关于状态量和控制量的二次规划问题，以及关于松弛因子的二次规划问题组成；

在关于状态量和控制量的二次规划问题中，所述状态量表示当下位置和速度，所述控制量表示当下加速度，所述状态量权重表示状态量二次项系数和一次项系数状态量权重，所述控制量权重表示控制量二次项系数和一次项系数控制量权重；

在关于松弛因子的二次规划问题中，下松弛因子表示当下位置和速度的下松弛因子，上松弛因子表示当下位置和速度的上松弛因子，下松弛因子权重表示下松弛因子二次项系数和一次项系数状态量权重，上松弛因子权重表示上松弛因子二次项系数和一次项系数状态量权重。

2.根据权利要求1所述的方法，其特征在于，所述确定无人车在预测时域内的预测位置生成的预测点序列，包括：

利用离散时间、状态量和控制量构建纵向积分模型，基于所述无人车的当前位置，利用所述纵向积分模型对所述无人车在预测时域内运动的位置进行预测，得到所述预测位置，利用所述预测位置生成所述预测点序列；

其中，所述纵向积分模型用于表征所述控制量的变化与所述离散时间及所述状态量的变化关系，所述状态量包括位置和速度，所述控制量包括加速度。

3.根据权利要求1所述的方法，其特征在于，所述基于所述规划轨迹以及所述预测点序列生成轨迹点序列，包括：

获取所述规划轨迹上距离无人车当前位置对应时间戳最近的当前轨迹点以及所述预测时域内的其他轨迹点，将所述当前轨迹点及所述其他轨迹点与所述预测点序列中的预测位置在时间上进行对应，以生成所述轨迹点序列。

4.根据权利要求1所述的方法，其特征在于，所述状态量和控制量采用多边形约束和边界约束，所述构建所述预测时域内每个周期对应的边界约束和多边形约束，包括：

根据多边形约束上界、多边形约束下界、所述状态量的多边形约束观测矩阵、以及所述控制量的多边形约束观测矩阵，构建所述预测时域内每个周期对应的状态量和控制量的多边形约束；

根据边界约束上界、边界约束下界、所述状态量的边界约束观测矩阵、以及所述控制量的边界约束观测矩阵，构建所述预测时域内每个周期对应的状态量和控制量的边界约束。

5.根据权利要求4所述的方法，其特征在于，为所述边界约束及所述多边形约束分别设置松弛因子，所述方法还包括：

根据所述多边形约束上界、所述多边形约束下界、所述状态量的多边形约束观测矩阵、所述控制量的多边形约束观测矩阵、以及多边形约束的松弛因子的观测矩阵，构建所述预测时域内每个周期对应的状态量和控制量的多边形约束；

根据所述边界约束上界、所述边界约束下界、所述状态量的边界约束观测矩阵、所述控制量的边界约束观测矩阵、以及边界约束的松弛因子的观测矩阵，构建所述预测时域内每个周期对应的状态量和控制量的边界约束。

6.根据权利要求5所述的方法，其特征在于，所述方法还包括：

为所述松弛因子设置相应的边界约束及权重，其中，松弛因子权重用于表征在利用所述代价函数对所述状态量、所述控制量和所述松弛因子进行优化时，所述松弛因子的重要程度，所述松弛因子包括上松弛因子和下松弛因子。

7.根据权利要求1所述的方法，其特征在于，所述根据所述轨迹点序列确定每个周期对应的状态量权重和控制量权重，包括：

获取所述轨迹点序列中的每个轨迹点对应的车辆位置、速度以及加速度数据，将所述车辆位置、速度以及加速度数据与预设的权重参数相乘，得到每个周期的状态量权重和控制量权重。

8.一种无人车纵向控制装置，其特征在于，包括：

获取模块，被配置为获取无人车的规划轨迹，并确定无人车在预测时域内的预测位置生成的预测点序列，基于所述规划轨迹以及所述预测点序列生成轨迹点序列；

构建约束模块，被配置为利用预定的纵向积分模型构建等式约束，构建所述预测时域内每个周期对应的边界约束和多边形约束，并根据所述轨迹点序列确定每个周期对应的状态量权重和控制量权重；

构建函数模块，被配置为基于状态量、控制量、状态量权重以及控制量权重，利用模型预测控制方法构建二次规划问题的代价函数；

约束模块，被配置为利用所述等式约束、所述边界约束以及所述多边形约束，对所述代价函数最小化过程中的状态量和控制量进行约束，得到所述代价函数最小时的状态量序列和控制量序列；

控制模块，被配置为将所述控制量序列中的第一个加速度值作为当前周期的加速度补偿，利用当前周期所述无人车的实际速度及所述加速度补偿对所述无人车进行纵向控制；

其中，所述代价函数由关于状态量和控制量的二次规划问题，以及关于松弛因子的二次规划问题组成；

在关于状态量和控制量的二次规划问题中，所述状态量表示当下位置和速度，所述控制量表示当下加速度，所述状态量权重表示状态量二次项系数和一次项系数状态量权重，所述控制量权重表示控制量二次项系数和一次项系数控制量权重；

在关于松弛因子的二次规划问题中，下松弛因子表示当下位置和速度的下松弛因子，上松弛因子表示当下位置和速度的上松弛因子，下松弛因子权重表示下松弛因子二次项系数和一次项系数状态量权重，上松弛因子权重表示上松弛因子二次项系数和一次项系数状态量权重。

9.一种电子设备，包括存储器，处理器及存储在存储器上并可在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权利要求1至7中任一项所述的方法。

10.一种无人车，其特征在于，包括自动驾驶系统，所述自动驾驶系统中设有控制单元，所述控制单元中的纵向控制器用于实现权利要求1至7中任一项所述的方法，以便对所述无人车进行纵向控制。