CN117270525A - 一种基于能耗最优化的无人集卡编队控制方法及装置 - Google Patents
一种基于能耗最优化的无人集卡编队控制方法及装置 Download PDFInfo
- Publication number
- CN117270525A CN117270525A CN202311118867.2A CN202311118867A CN117270525A CN 117270525 A CN117270525 A CN 117270525A CN 202311118867 A CN202311118867 A CN 202311118867A CN 117270525 A CN117270525 A CN 117270525A
- Authority
- CN
- China
- Prior art keywords
- unmanned
- tractor
- card formation
- set card
- data
- 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
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 234
- 238000005265 energy consumption Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 238000013501 data transformation Methods 0.000 claims description 9
- 238000006073 displacement reaction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000011217 control strategy Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种基于能耗最优化的无人集卡编队控制方法及装置，其中，所述方法包括：获取无人集卡编队数据，并对无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；基于该无人集卡编队数据建立无人集卡编队运动学模型和动力学模型；基于该运动学模型和动力学模型建立能耗最优控制方程；基于该运动学模型和动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；基于能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令。本发明通过无人集卡轨迹跟踪及能耗优化控制策略的技术，保障在无人集卡稳定跟随轨迹与前车行驶的情况下，达到能量消耗最低效果。
Description
技术领域
本发明涉及无人驾驶技术领域，尤其涉及一种基于能耗最优化的无人集卡编队控制方法及装置。
背景技术
近年来，国内外无人驾驶的发展极其迅速，无人技术也涵盖生活的各个领域，伴随第四次工业革命的到来，无人驾驶技术得到长足发展，将在可以预见的未来对人类的出行方式和生活方式产生深远影响。目前，全世界对无人驾驶汽车技术的研究正如火如荼地展开，但缺乏对无人驾驶汽车系统性技术问题的详细分析和解决技术问题管理模式的研究，政策体系和技术支持也未足够完善，导致无人驾驶无法落地使用。
公路运输作为国民经济和现代化服务的重要产业，也是物流运输系统中最基本和最主要的流程之一，同时公路运输也是运输体系中能耗消耗最大的运输方式，现阶段，将无人驾驶技术与集卡结合起来，不仅可以提高运输效率，还可以降低工人成本。对此，以用于特定场景的无人集卡编队为研究对象，针对无人集卡编队质量大、质心高，致能耗大，跟随误差大等问题，从无人集卡速度控制、轨迹跟踪及能耗优化控制策略等关键技术入手，保障在无人集卡稳定跟随轨迹与前车行驶的情况下，达到能量消耗最低效果。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于能耗最优化的无人集卡编队控制方法及装置，通过无人集卡速度控制、轨迹跟踪及能耗优化控制策略的关键技术，保障在无人集卡稳定跟随轨迹与前车行驶情况下，达到能量消耗最低效果。
为了解决上述技术问题，本发明实施例提供了一种基于能耗最优化的无人集卡编队控制方法，所述方法包括：
获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；
基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；
基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令。
可选的，所述获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据，包括：
基于传感设备获取无人集卡编队数据，其中，所述无人集卡编队数据包括速度、相对距离和实时转角数据；
对所述无人集卡编队数据进行数据清理处理，获得数据清理处理后的无人集卡编队数据；
对数据清理处理后的无人集卡编队数据进行数据集成处理，获得数据集成处理后的无人集卡编队数据；
对数据集成处理后的无人集卡编队数据进行数据变换处理，获得数据变换处理后的无人集卡编队数据；
对数据变换处理后的无人集卡编队数据进行数据归约处理，获得数据预处理后的无人集卡编队数据。
可选的，所述基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型，包括：
基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型，其中，所述无人集卡编队运动学模型为：
其中，x为牵引车纵向位移量，y为牵引车横向位移量，φ为横摆角，ωt为铰接角度，θ1为牵引车转向轴转角，v为牵引车速度，l1为牵引车轴距，l2为半挂车轴距，e1为相对于牵引车后轴偏移量，ω0为牵引车前轴转向率，a为牵引车纵向加速度；
基于数据预处理后的无人集卡编队数据建立无人集卡编队动力学模型。
可选的，所述基于数据预处理后的无人集卡编队数据建立无人集卡编队动力学模型，包括：
基于数据预处理后的无人集卡编队数据计算无人集卡牵引车和无人集卡半挂车动力学方程，其中，无人集卡牵引车侧向运动方程为：
mtaty1＝Fyti1+Fyti2-Fsty，
无人集卡牵引车横摆运动方程为：
无人集卡半挂车侧向运动方程为：
msasy1＝Fysi1+Fsty，
无人集卡半挂车横摆运动方程为：
基于所述无人集卡牵引车和无人集卡半挂车动力学方程计算无人集卡牵引车和无人集卡半挂车的约束方程，其中，所述无人集卡牵引车与无人集卡半挂车在牵引点连接处存在横向运动约束，约束方程为：
其中，mt为牵引车质量，ms为半挂车质量，Izt1为牵引车横摆转动惯量，Isz2为半挂车横摆转动惯量，a1为牵引车到前轴距离，a2为牵引车到后轴距离，b1为半挂车到第五轴距离，b2为半挂车到后轴距离，Fsty为牵引车恒半挂车铰接处侧向力，Fyti1为牵引车前轴侧向力，Fyti2为牵引车后轴侧向力，Fysi1为半挂车后轴侧向力，la为牵引车轴距，lb为半挂车第五轴到后轴的距离，θ为牵引车与半挂车的铰接角度，Istp为牵引车质心到铰接点距离，vxt1为牵引车纵向车速，vxt1为半挂车纵向车速，vyt1为牵引车侧向车速，vyt1为半挂车侧向车速，ψ1为牵引车横摆角速度，ψ2为半挂车横摆角速度。
可选的，所述基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程，包括：
基于传感设备获取无人集卡编队的相对距离；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用无人集卡编队的相对距离和PID控制算法计算瞬时期望速度，其中，所述瞬时期望速度的计算公式为：
其中，Pv为瞬时速度求解比例系数，Iv为瞬时速度求解积分时间系数，Dv为瞬时速度求解微分时间系数，sdiff为无人集卡编队的相对距离，v0为瞬时速度求解时初始化速度；
基于所述瞬时期望速度利用电机转速控制原理设计能耗最优控制方程。
可选的，所述基于所述瞬时期望速度利用电机转速控制原理设计能耗最优控制方程，包括：
基于所述瞬时期望速度利用电机转速控制原理中的转速-转矩-效率关系设计能耗最优控制方程，其中，所述能耗最优控制方程为：
约束方程为：
其中，Tti为第i辆无人集卡车转矩，ηi为第i辆无人集卡车转矩为Tti时的效率，Ttimax为第i辆无人集卡车转速为n时的最大转矩。
可选的，所述基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程，包括：
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程，其中，所述横向误差方程为：
基于所述横向误差方程计算横向误差最大值，其中，所述横向误差最大值的计算公式为：
δe(t)＝max{δf(t)，δr(t)}；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立航向误差方程，其中，所述航向误差方程为：
其中，δf(t)与δr(t)为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的横向误差值，θef与θer为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，δef(t)与δer(t)为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的横向点，与/>为第i辆无人集卡中牵引车和半挂车所处位置的横向点，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
可选的，所述基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令，包括：
基于所述能耗最优控制方程计算无人集卡车的效率最优转矩；
基于所述效率最优转矩输出无人集卡车转矩和制动控制指令；
基于所述横向误差方程和航向误差方程计算无人集卡车的转角控制量；
基于所述转角控制量输出无人集卡车转角控制指令。
可选的，所述基于所述横向误差方程和航向误差方程计算无人集卡车的转角控制量，包括：
基于所述横向误差方程和航向误差方程定义转角控制量，其中，若无人集卡牵引车横向误差较大，则取无人集卡牵引车航向误差θe＝θef，若无人集卡半挂车横向误差较大，则取无人集卡半挂车航向误差θe＝θer，则所述转角控制量公式为：
δ(t)＝k1δe(t)+k2θe；
其中，
基于不考虑航向误差的情况下，将横向误差值表示为：
其中，
将所述横向误差值代入所述转角控制量公式中，计算无人集卡车的转角控制量，所述无人集卡车的转角控制量的计算公式为：
其中，k为增益参数，e(t)为横向误差指数，v(t)为车速，k1、k2为横向误差与航向误差的权值，θe为航向误差，θef与θer为无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
另外，本发明实施例还提供了一种基于能耗最优化的无人集卡编队控制装置，所述装置包括：
数据预处理模块：获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；
建立模型模块：基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型；
能耗最优控制方程模块：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程；
误差方程模块：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；
在本发明实施例中，依据无人集卡编队动力学和运动学模型，设计能耗最优化控制方程、横向误差方程和航向误差方程，对此能够输出对于无人集卡编队的最佳控制指令，满足无人集卡编队运行时，能够达到最低能耗要求和轨迹跟踪精度高的要求，解决了针对无人集卡编队因质量大和质心低导致跟随精度低和能耗大的问题，从而能够保障在无人集卡稳定跟随轨迹与前车行驶的情况下，达到能量消耗最低和跟随精度高的效果，进一步提高了无人集卡编队的续航里程。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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，显而易见的，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它的附图。
图1是本发明实施例中的基于能耗最优化的无人集卡编队控制方法的流程示意图；
图2是本发明实施例中的基于能耗最优化的无人集卡编队控制装置的结构组成示意图。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于能耗最优化的无人集卡编队控制方法的流程示意图。
如图1所示，一种基于能耗最优化的无人集卡编队控制方法，所述方法包括：
S11：获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；
在本发明具体实施过程中，所述获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据，包括：基于传感设备获取无人集卡编队数据，其中，所述无人集卡编队数据包括速度、相对距离和实时转角数据；对所述无人集卡编队数据进行数据清理处理，获得数据清理处理后的无人集卡编队数据；对数据清理处理后的无人集卡编队数据进行数据集成处理，获得数据集成处理后的无人集卡编队数据；对数据集成处理后的无人集卡编队数据进行数据变换处理，获得数据变换处理后的无人集卡编队数据；对数据变换处理后的无人集卡编队数据进行数据归约处理，获得数据预处理后的无人集卡编队数据。
具体的，借助先进传感设备与通信技术，获取到无人集卡编队中各牵引车与半挂车车辆位置与位姿信息，对速度、相对距离及实时转角等数据；对无人集卡编队数据进行数据清理，识别或删除离群点并解决不一致性来清理数据，清除异常数据和重复数据；将数据清理后的无人集卡编队数据结合起来并统一存储，完成数据集成；将数据集成后的无人集卡编队数据通过规范化和数据概化的方式将数据转化成适用于数据挖掘的形式，完成数据变换；最后对该数据进行数据规约，数据挖掘时往往数据量非常大，在少量数据上进行挖掘分析需要很长的时间，数据归约技术可以用来得到数据的归约表示，它小得多，但仍然接近于保持原数据的完整性，并且结果与归约前结果相同或几乎相同，从而完成数据预处理。
S12：基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型；
在本发明具体实施过程中，所述基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型，包括：基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型，其中，所述无人集卡编队运动学模型为：
其中，x为牵引车纵向位移量，y为牵引车横向位移量，φ为横摆角，ωt为铰接角度，θ1为牵引车转向轴转角，v为牵引车速度，l1为牵引车轴距，l2为半挂车轴距，e1为相对于牵引车后轴偏移量，ωθ为牵引车前轴转向率，a为牵引车纵向加速度；
基于数据预处理后的无人集卡编队数据建立无人集卡编队动力学模型。
进一步的，所述基于数据预处理后的无人集卡编队数据建立无人集卡编队动力学模型，包括：
基于数据预处理后的无人集卡编队数据计算无人集卡牵引车和无人集卡半挂车动力学方程，其中，无人集卡牵引车侧向运动方程为：mtaty1＝Fyti1+Fyti2-Fsty，无人集卡牵引车横摆运动方程为：无人集卡半挂车侧向运动方程为：msasy1＝Fysi1+Fsty，无人集卡半挂车横摆运动方程为：/> 基于所述无人集卡牵引车和无人集卡半挂车动力学方程计算无人集卡牵引车和无人集卡半挂车的约束方程，其中，所述无人集卡牵引车与无人集卡半挂车在牵引点连接处存在横向运动约束，约束方程为：
其中，mt为牵引车质量，ms为半挂车质量，Izt1为牵引车横摆转动惯量，Isz2为半挂车横摆转动惯量，a1为牵引车到前轴距离，a2为牵引车到后轴距离，b1为半挂车到第五轴距离，b2为半挂车到后轴距离，Fsty为牵引车恒半挂车铰接处侧向力，Fyti1为牵引车前轴侧向力，Fyti2为牵引车后轴侧向力，Fysi1为半挂车后轴侧向力，la为牵引车轴距，lb为半挂车第五轴到后轴的距离，θ为牵引车与半挂车的铰接角度，Istp为牵引车质心到铰接点距离，vxt1为牵引车纵向车速，vxt1为半挂车纵向车速，vyt1为牵引车侧向车速，vyt1为半挂车侧向车速，ψ1为牵引车横摆角速度，ψ2为半挂车横摆角速度。
具体的，运动学模型可以分析当前车辆运动状况，预测车辆运动趋势，因此根据数据预处理后的无人集卡编队数据建立运动学模型，无人集卡编队运动学模型为：
其中，x为牵引车纵向位移量，y为牵引车横向位移量，φ为横摆角，ωt为铰接角度，θ1为牵引车转向轴转角，v为牵引车速度，l1为牵引车轴距，l2为半挂车轴距，e1为相对于牵引车后轴偏移量，ω0为牵引车前轴转向率，a为牵引车纵向加速度；
动力学模型可以解释当前车辆的行为机制，可以分析车辆行驶的稳定性、速度、惯量等，因此首先根据数据预处理后的无人集卡编队数据进行动力学分析，分别计算无人集卡牵引车和半挂车的动力学方程，其中，无人集卡牵引车侧向运动方程为：mtaty1＝Fyti1+Fyti2-Fsty，无人集卡牵引车横摆运动方程为：无人集卡半挂车侧向运动方程为：msasy1＝Fysi1+Fsty，无人集卡半挂车横摆运动方程为：根据无人集卡牵引车和无人集卡半挂车动力学方程计算无人集卡牵引车和无人集卡半挂车的约束方程，约束方程表示动力学模型所必须满足的构成条件，其中，无人集卡牵引车与无人集卡半挂车在牵引点连接处存在横向运动约束，约束方程为：
其中，mt为牵引车质量，ms为半挂车质量，Izt1为牵引车横摆转动惯量，Isz2为半挂车横摆转动惯量，a1为牵引车到前轴距离，a2为牵引车到后轴距离，b1为半挂车到第五轴距离，b2为半挂车到后轴距离，Fsty为牵引车恒半挂车铰接处侧向力，Fyti1为牵引车前轴侧向力，Fyti2为牵引车后轴侧向力，Fysi1为半挂车后轴侧向力，la为牵引车轴距，lb为半挂车第五轴到后轴的距离，θ为牵引车与半挂车的铰接角度，Istp为牵引车质心到铰接点距离，vxt1为牵引车纵向车速，vxt1为半挂车纵向车速，vyt1为牵引车侧向车速，Vyt1为半挂车侧向车速，ψ1为牵引车横摆角速度，ψ2为半挂车横摆角速度。
S13：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程；
在本发明具体实施过程中，所述基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程，包括：基于传感设备获取无人集卡编队的相对距离；基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用无人集卡编队的相对距离和PID控制算法计算瞬时期望速度，其中，所述瞬时期望速度的计算公式为：
其中，Pv为瞬时速度求解比例系数，Iv为瞬时速度求解积分时间系数，Dv为瞬时速度求解微分时间系数，sdiff为无人集卡编队的相对距离，v0为瞬时速度求解时初始化速度；
基于所述瞬时期望速度利用电机转速控制原理设计能耗最优控制方程。
进一步的，所述基于所述瞬时期望速度利用电机转速控制原理设计能耗最优控制方程，包括：基于所述瞬时期望速度利用电机转速控制原理中的转速-转矩-效率关系设计能耗最优控制方程，其中，所述能耗最优控制方程为：
约束方程为：
其中，Ttj为第i辆无人集卡车转矩；ηi为第i辆无人集卡车转矩为Ttj时的效率；Ttimax为第i辆无人集卡车转速为n时的最大转矩。
具体的，通过传感器设备可以获得无人集卡的相对距离；基于无人集卡编队运动学模型和动力学模型利用相对距离和PID控制算法计算瞬时期望速度，此处的PID算法用于无人集卡纵向控制，为下一步计算每辆无人集卡瞬时转矩的输入奠定基础，瞬时期望速度的计算公式为：
其中，Pv为瞬时速度求解比例系数，Iv为瞬时速度求解积分时间系数，Dv为瞬时速度求解微分时间系数，sdiff为无人集卡编队的相对距离，v0为瞬时速度求解时初始化速度；
根据计算出的瞬时期望速度利用电机转速控制原理中的转速-转矩-效率关系设计能耗最优控制方程，通过该方程输出瞬时转速下，效率最高的电机转矩，以达到无人集卡编队能耗最优控制效果，对转速-转矩-效率关系设置一个约束方程，是能耗最优控制方程必要的构成条件，能耗最优控制方程为：
约束方程为：
其中，Tti为第i辆无人集卡车转矩；ηi为第i辆无人集卡车转矩为Tti时的效率；Ttimax为第i辆无人集卡车转速为n时的最大转矩。
S14：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；
在本发明具体实施过程中，所述基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程，包括：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程，其中，所述横向误差方程为：
基于所述横向误差方程计算横向误差最大值，其中，所述横向误差最大值的计算公式为：δe(t)＝max{δf(t)，δr(t)}；基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立航向误差方程，其中，所述航向误差方程为：
其中，δf(t)与δr(t)为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的横向误差值，θef与θer为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，δef(t)与δer(t)为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的横向点，与/>为第i辆无人集卡中牵引车和半挂车所处位置的横向点；θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
具体的，无人集卡编队运行时，除了满足最低能耗要求外，还需要满足轨迹跟踪精度高的要求，理想状态下跟随规划好的轨迹行驶，而无人集卡编队跟随控制的横向控制为轨迹跟踪控制，根据运动学模型和动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程，Stanley轨迹跟踪控制算法通过控制横向误差和航向误差来达到车辆的精确控制，并且该算法精度高且计算量小，横向误差被定义为车辆前轴与路径上最近点之间的距离，横向误差方程为：
根据横向误差方程计算横向误差最大值，其中，横向误差最大值的计算公式为：δe(t)＝max{δf(t)，δr(t)}；根据该运动学模型和动力学模型利用Stanley轨迹跟踪控制算法建立航向误差方程，对于航行误差，即车身方向与参考轨迹最近的切线方向夹角，用自车航向点减去横向点，其中，航向误差方程为：
其中，δf(t)与δr(t)为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的横向误差值，θef与θer为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，δef(t)与δer(t)为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的横向点，与/>为第i辆无人集卡中牵引车和半挂车所处位置的横向点，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
S15：基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令。
在本发明具体实施过程中，所述基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令，包括：基于所述能耗最优控制方程计算无人集卡车的效率最优转矩；基于所述效率最优转矩输出无人集卡车转矩和制动控制指令；基于所述横向误差方程和航向误差方程计算无人集卡车的转角控制量；基于所述转角控制量输出无人集卡车转角控制指令。
进一步的，所述基于所述横向误差方程和航向误差方程计算无人集卡车的转角控制量，包括：基于所述横向误差方程和航向误差方程定义转角控制量，其中，若无人集卡牵引车横向误差较大，则取无人集卡牵引车航向误差θe＝θef，若无人集卡半挂车横向误差较大，则取无人集卡半挂车航向误差θe＝θer，则所述转角控制量公式为：
δ(t)＝k1δe(t)+k2θe；其中，
基于不考虑航向误差的情况下，将横向误差值表示为：
其中，/>
将所述横向误差值代入所述转角控制量公式中，计算无人集卡车的转角控制量，所述无人集卡车的转角控制量的计算公式为：
其中，k为增益参数，e(t)为横向误差指数，v(t)为车速，k1、k2为横向误差与航向误差的权值，θe为航向误差，θef与θer为无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
具体的，先采用PID算法，根据两车距离差值得到瞬时期望速度，再以速度为输入，利用电机的转速-转矩-效率关系，输出瞬时转速下，效率最高的电机转矩，即为效率最优转矩；根据效率最优转矩输出对应的无人集卡车转矩和制动控制指令，该转矩和制动控制指令是对应效率最优转矩输出的，因而能达到无人集卡编队多车协同优化控制和达到无人集卡编队能耗最优控制效果；根据横向误差方程和航向误差方程定义转角控制量，其中，若无人集卡牵引车横向误差较大，则取无人集卡牵引车航向误差θe＝θef，若无人集卡半挂车横向误差较大，则取无人集卡半挂车航向误差θe＝θer，则转角控制量公式为：
δ(t)＝k1δe(t)+k2θe；其中，
在不考虑航向误差的情况下，横向误差越大，前轮转向角越大，arctan函数产生一个直接指向期望路径的前轮偏角，并且收敛受车速v(t)限制，将横向误差值表示为：
其中，/>
将横向误差值代入所述转角控制量公式中，计算无人集卡车的转角控制量，转角控制量由两部分组成：1.由航向误差引起的转角，即当前车身方向与参考轨迹最近的点的切线方向的夹角；2.由横向误差引起的转角，即前轮中心到参考轨迹最近点的横向距离，所述无人集卡车的转角控制量的计算公式为：
其中，k为增益参数，e(t)为横向误差指数，v(t)为车速，k1、k2为横向误差与航向误差的权值，θe为航向误差，θef与θer为无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
根据得到的无人集卡车的转角控制量的计算公式计算转角控制量，并根据转角控制量输出转角控制指令，该转角控制指令能够满足轨迹跟踪精度高的要求并且能在理想状态下跟随规划好的轨迹行驶，达到对车辆行驶的精准控制。
在本发明实施例中，依据无人集卡编队动力学和运动学模型，设计能耗最优化控制方程、横向误差方程和航向误差方程，对此能够输出对于无人集卡编队的最佳控制指令，满足无人集卡编队运行时，能够达到最低能耗要求和轨迹跟踪精度高的要求，解决了针对无人集卡编队因质量大和质心低导致跟随精度低和能耗大的问题，从而能够保障在无人集卡稳定跟随轨迹与前车行驶的情况下，达到能量消耗最低和跟随精度高的效果，进一步提高了无人集卡编队的续航里程。
实施例二
请参阅图2，图2是本发明实施例中的基于能耗最优化的无人集卡编队控制装置的结构组成示意图。
如图2所示，一种基于能耗最优化的无人集卡编队控制装置，所述装置包括：
数据预处理模块21：获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；
建立模型模块22：基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型；
能耗最优控制方程模块23：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程；
误差方程模块24：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；
控制指令模块25：基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令。
在本发明具体实施过程中，装置项的具体实施方式可参详上述方法项的实施方式，在此不再赘述。
在本发明实施例中，依据无人集卡编队动力学和运动学模型，设计能耗最优化控制方程、横向误差方程和航向误差方程，对此能够输出对于无人集卡编队的最佳控制指令，满足无人集卡编队运行时，能够达到最低能耗要求和轨迹跟踪精度高的要求，解决了针对无人集卡编队因质量大和质心低导致跟随精度低和能耗大的问题，从而能够保障在无人集卡稳定跟随轨迹与前车行驶的情况下，达到能量消耗最低和跟随精度高的效果，进一步提高了无人集卡编队的续航里程。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，ReadOnly Memory)、随机存取存储器(RAM，Random AccessMemory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于能耗最优化的无人集卡编队控制方法及装置进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述方法包括：
获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；
基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；
基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令。
2.根据权利要求1所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据，包括：
基于传感设备获取无人集卡编队数据，其中，所述无人集卡编队数据包括速度、相对距离和实时转角数据；
对所述无人集卡编队数据进行数据清理处理，获得数据清理处理后的无人集卡编队数据；
对数据清理处理后的无人集卡编队数据进行数据集成处理，获得数据集成处理后的无人集卡编队数据；
对数据集成处理后的无人集卡编队数据进行数据变换处理，获得数据变换处理后的无人集卡编队数据；
对数据变换处理后的无人集卡编队数据进行数据归约处理，获得数据预处理后的无人集卡编队数据。
3.根据权利要求1所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型，包括：
基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型，其中，所述无人集卡编队运动学模型为：
其中，x为牵引车纵向位移量，y为牵引车横向位移量，φ为横摆角，ωt为铰接角度，θ1为牵引车转向轴转角，v为牵引车速度，l1为牵引车轴距，l2为半挂车轴距，e1为相对于牵引车后轴偏移量，ωθ为牵引车前轴转向率，a为牵引车纵向加速度；
基于数据预处理后的无人集卡编队数据建立无人集卡编队动力学模型。
4.根据权利要求3所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于数据预处理后的无人集卡编队数据建立无人集卡编队动力学模型，包括：
基于数据预处理后的无人集卡编队数据计算无人集卡牵引车和无人集卡半挂车动力学方程，其中，无人集卡牵引车侧向运动方程为：
mtaty1＝Fyti1+Fyti2-Fstt，
无人集卡牵引车横摆运动方程为：
无人集卡半挂车侧向运动方程为：
msasy1＝Fysi1+Fsty，
无人集卡半挂车横摆运动方程为：
基于所述无人集卡牵引车和无人集卡半挂车动力学方程计算无人集卡牵引车和无人集卡半挂车的约束方程，其中，所述无人集卡牵引车与无人集卡半挂车在牵引点连接处存在横向运动约束，约束方程为：
其中，mt为牵引车质量，ms为半挂车质量，Izt1为牵引车横摆转动惯量，Isz2为半挂车横摆转动惯量，a1为牵引车到前轴距离，a2为牵引车到后轴距离，b1为半挂车到第五轴距离，b2为半挂车到后轴距离，Fsty为牵引车恒半挂车铰接处侧向力，Fyti1为牵引车前轴侧向力，Fyti2为牵引车后轴侧向力，Fysi1为半挂车后轴侧向力，la为牵引车轴距，lb为半挂车第五轴到后轴的距离，θ为牵引车与半挂车的铰接角度，Istp为牵引车质心到铰接点距离，vxt1为牵引车纵向车速，vxt1为半挂车纵向车速，vyt1为牵引车侧向车速，vyt1为半挂车侧向车速，ψ1为牵引车横摆角速度，ψ2为半挂车横摆角速度。
5.根据权利要求1所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程，包括：
基于传感设备获取无人集卡编队的相对距离；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用无人集卡编队的相对距离和PID控制算法计算瞬时期望速度，其中，所述瞬时期望速度的计算公式为：
其中，Pv为瞬时速度求解比例系数，Iv为瞬时速度求解积分时间系数，Dv为瞬时速度求解微分时间系数，sdiff为无人集卡编队的相对距离，v0为瞬时速度求解时初始化速度；
基于所述瞬时期望速度利用电机转速控制原理设计能耗最优控制方程。
6.根据权利要求5所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于所述瞬时期望速度利用电机转速控制原理设计能耗最优控制方程，包括：
基于所述瞬时期望速度利用电机转速控制原理中的转速-转矩-效率关系设计能耗最优控制方程，其中，所述能耗最优控制方程为：
约束方程为：
其中，Tti为第i辆无人集卡车转矩，ηi为第i辆无人集卡车转矩为Tti时的效率，Ttimax为第i辆无人集卡车转速为n时的最大转矩。
7.根据权利要求1所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程，包括：
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程，其中，所述横向误差方程为：
基于所述横向误差方程计算横向误差最大值，其中，所述横向误差最大值的计算公式为：
δe(t)＝max{δf(t)，δr(t)}；
基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立航向误差方程，其中，所述航向误差方程为：
其中，δf(t)与δr(t)为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的横向误差值，θef与θer为第i辆无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，δef(t)与δer(t)为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的横向点，与/>为第i辆无人集卡中牵引车和半挂车所处位置的横向点，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
8.根据权利要求1所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令，包括：
基于所述能耗最优控制方程计算无人集卡车的效率最优转矩；
基于所述效率最优转矩输出无人集卡车转矩和制动控制指令；
基于所述横向误差方程和航向误差方程计算无人集卡车的转角控制量；
基于所述转角控制量输出无人集卡车转角控制指令。
9.根据权利要求8所述的一种基于能耗最优化的无人集卡编队控制方法，其特征在于，所述基于所述横向误差方程和航向误差方程计算无人集卡车的转角控制量，包括：
基于所述横向误差方程和航向误差方程定义转角控制量，其中，若无人集卡牵引车横向误差较大，则取无人集卡牵引车航向误差θe＝θef，若无人集卡半挂车横向误差较大，则取无人集卡半挂车航向误差θe＝θer，则所述转角控制量公式为：
δ(t)＝k1δe(t)+k2θe；
其中，
基于不考虑航向误差的情况下，将横向误差值表示为：
其中，
将所述横向误差值代入所述转角控制量公式中，计算无人集卡车的转角控制量，所述无人集卡车的转角控制量的计算公式为：
其中，k为增益参数，e(t)为横向误差指数，v(t)为车速，k1、k2为横向误差与航向误差的权值，θe为航向误差，θef与θer为无人集卡中牵引车与半挂车与所在位置的参考轨迹的航向误差值，θrf与θrr为第i辆无人集卡中牵引车和半挂车所处位置相对参考轨迹的航向点，θpf与θpr为第i辆无人集卡中牵引车和半挂车所处位置的横向点。
10.一种基于能耗最优化的无人集卡编队控制装置，其特征在于，所述装置包括：
数据预处理模块：获取无人集卡编队数据，并对所述无人集卡编队数据进行数据预处理，获得数据预处理后的无人集卡编队数据；
建立模型模块：基于数据预处理后的无人集卡编队数据建立无人集卡编队运动学模型和无人集卡编队动力学模型；
能耗最优控制方程模块：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型建立能耗最优控制方程；
误差方程模块：基于所述无人集卡编队运动学模型和无人集卡编队动力学模型利用Stanley轨迹跟踪控制算法建立横向误差方程和航向误差方程；
控制指令模块：基于所述能耗最优控制方程、横向误差方程和航向误差方程输出无人集卡车转矩、制动及转角控制指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118867.2A CN117270525A (zh) | 2023-08-31 | 2023-08-31 | 一种基于能耗最优化的无人集卡编队控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311118867.2A CN117270525A (zh) | 2023-08-31 | 2023-08-31 | 一种基于能耗最优化的无人集卡编队控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117270525A true CN117270525A (zh) | 2023-12-22 |
Family
ID=89218697
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311118867.2A Pending CN117270525A (zh) | 2023-08-31 | 2023-08-31 | 一种基于能耗最优化的无人集卡编队控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117270525A (zh) |
-
2023
- 2023-08-31 CN CN202311118867.2A patent/CN117270525A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3932761A1 (en) | Vehicle abnormal lane change control method, device and system | |
| CN114435470B (zh) | 自动倒车控制方法、装置、车辆和存储介质 | |
| CN113721606A (zh) | 引导式自动驾驶物流车辆控制系统及方法 | |
| CN111679676A (zh) | 一种agv运动轨迹控制方法 | |
| CN116182884A (zh) | 基于frenet坐标系横纵解耦的智能车辆局部路径规划方法 | |
| Zhang et al. | Cooperative strategy of trajectory tracking and stability control for 4WID autonomous vehicles under extreme conditions | |
| Yang et al. | Trajectory tracking control of intelligent driving vehicles based on MPC and Fuzzy PID | |
| Yue et al. | Automated hazard escaping trajectory planning/tracking control framework for vehicles subject to tire blowout on expressway | |
| CN117270525A (zh) | 一种基于能耗最优化的无人集卡编队控制方法及装置 | |
| CN114435399B (zh) | 基于预测模型的自动驾驶汽车稳定性路径跟踪方法 | |
| Xia et al. | Coordination control method of autonomous ground electric vehicle for simultaneous trajectory tracking and yaw stability control | |
| CN113928308B (zh) | 半挂卡车的倒车控制方法、装置及半挂卡车 | |
| Yang et al. | ESO-based lateral control for electrical vehicles with unmodeled tire dynamics on uneven road | |
| Mohamed-Ahmed et al. | Non-linear control based on state estimation for the convoy of autonomous vehicles | |
| CN115329579A (zh) | 一种考虑整车质量变化的商用车质量和坡度联合估计方法 | |
| CN111857112B (zh) | 一种汽车局部路径规划方法及电子设备 | |
| CN116472505A (zh) | 用于减少多挂车重型车辆高速跑偏的方法 | |
| Liu et al. | Optimum path tracking control for the inverse problem of vehicle handling dynamics based on the hp-adaptive Gaussian pseudospectral method | |
| Ling et al. | Research on torque distribution of four-wheel independent drive off-road vehicle based on PRLS road slope estimation | |
| Lattarulo et al. | RRT Trajectory Planning Approach For Automated Semi-trailer truck Parking | |
| Xia et al. | State estimation and application of the hitch angle of a semitrailer train under full working conditions based on multimodel information fusion | |
| Zeng et al. | Research on Hierarchical Stability Control Strategy Based on Model Predictive Control for Multi-axis H-Type Distributed Drive Electric Vehicles | |
| CN111627247B (zh) | 一种多车编队控制方法及装置 | |
| Zhou et al. | Local Trajectory Planning and Control of Smart Vehicle Based on Enhanced Particle Swarm Optimization Method | |
| Alleleijn et al. | Lateral string stability of vehicle platoons |
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 |