CN117311153A - 自适应模型预测非线性控制延边清扫控制跟踪方法和系统 - Google Patents
自适应模型预测非线性控制延边清扫控制跟踪方法和系统 Download PDFInfo
- Publication number
- CN117311153A CN117311153A CN202311383252.2A CN202311383252A CN117311153A CN 117311153 A CN117311153 A CN 117311153A CN 202311383252 A CN202311383252 A CN 202311383252A CN 117311153 A CN117311153 A CN 117311153A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- error
- model
- prediction
- nonlinear
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010408 sweeping Methods 0.000 title claims abstract description 22
- 230000003044 adaptive effect Effects 0.000 title claims description 6
- 230000008859 change Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明提供一种自适应模型预测非线性控制延边清扫控制跟踪方法和系统，该方法包括：S1：根据车辆行驶特性，建立非线性运动学模型；S2：根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；S3：基于预测模型构建目标函数；S4：设置增量约束和安全约束；S5：设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；S6：进行优化求解，得出理论转角并下发底盘系统。本发明的方法既可以保证自动驾驶环卫车辆对理论期望路径实现高精度和稳定跟踪的目的，又可以在一定程度上保证作业车辆的安全性。
Description
技术领域
本发明涉及自动驾驶控制技术领域，具体地，涉及一种自适应模型预测非线性控制延边清扫控制跟踪方法和系统。
背景技术
近些年来，随着人工智能技术和智慧交通的快速发展，无人驾驶已经成为汽车行业新一轮的研究热点和发展方向。城市环卫清扫领域作为无人驾驶下的一个细化场景，对无人驾驶技术的发展以及落地具有很重要的推动作用。
环卫车辆在城市环境中起着至关重要的作用，用于保持城市的卫生和整洁。在城市道路的路沿延边清扫任务中，环卫车辆需要进行精确的路径跟踪，以确保清扫的有效性，又要保证车辆与路沿的防碰撞安全性。传统的路径跟踪控制方法往往难以适应复杂多变的城市环境，特别是在交通繁忙或道路条件不稳定的情况下，其路径跟踪表现可能受到限制。同时，为了保障环卫车辆作业时的安全性，需要在路径跟踪的过程中考虑清扫路沿与环卫车辆扫盘的安全距离。然而，传统的控制方法往往难以灵活地调整车辆的行驶轨迹，并且没有办法满足不同情况下的安全约束。此外，模型预测控制(MPC)作为一种先进的控制策略，能够通过预测系统动态来生成最优的控制序列。然而，MPC在应对环境变化和不确定性方面可能存在一定的挑战，需要进一步优化和适应性调整的方法。因此，有必要开发一种能够克服传统路径跟踪方法和MPC的不足之处的新型控制策略，以实现在不同环境下精确的路径跟踪，并确保环卫车辆与清扫路牙的碰撞安全性。
专利CN 116560371A公开了一种基于模糊控制器的MPC路径跟踪控制方法，该专利主要包括：推导了二自由度动力学误差模型和预测模型；根据预测模型设计了基于跟踪误差的目标函数，同时设计了模糊控制器对目标函数的相关误差权重进行调节。该专利虽然利用了模糊控制器对目标函数的权重系数进行自适应调节，但是并没有考虑当前时刻误差的变化趋势，因为车辆对控制指令的响应是需要时间的，单方面仅仅考虑误差，这样很容易导致无人驾驶车辆跟踪超调；并且二自由度线性模型并不能更准确的对车辆的状态进行预测，准确性不高，另一方面，虽然该跟踪方法在优化矩阵中添加了增量等约束，但是并未在优化矩阵中考虑外界环境给的约束条件，安全性不高。
发明内容
针对上述技术问题，本发明提供了一种自适应模型预测非线性控制延边清扫控制跟踪方法和系统。本发明提供的方法既可以保证自动驾驶环卫车辆对理论期望路径实现高精度和稳定跟踪的目的，又可以在一定程度上保证作业车辆的安全性。
为达到上述目的，本发明的技术方案提供了一种自适应模型预测非线性控制延边清扫控制跟踪方法，其包括如下步骤：S1：根据车辆行驶特性，建立非线性运动学模型；S2：根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；S3：基于预测模型构建目标函数；S4：根据车辆转向系统的特性设置前轮转角增量约束，并根据车辆作业时的延边距离设置延边距离安全约束；S5：设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；S6：进行优化求解，得出理论转角并下发底盘系统。
进一步地，在步骤S1中，所述非线性运动学模型为二自由度非线性运动学模型。
进一步地，所述二自由度非线性运动学模型的运动学方程如下：
i＝vxsin(ψ)
其中，vx为车辆的纵向速度，L是车辆轴距，δ是车辆前轮转角，l和ψ分别为基于轨迹目标参考点的车辆横向误差和车辆航向角误差，和i为l和ψ对应的变化率。
进一步地，在步骤S2中，预测模型中的相关矩阵为：
其中，
其中，N表示设置的预测时域，hN表示第N个预测时域内运动模型的离散步长，表示第N个预测时域内的轨迹参考横摆角速度，vN表示第N个预测时域内的轨迹参考速度。
进一步地，在步骤S3中，基于预测模型来建立目标函数J，以ψ和l作为控制系统的输入量，以δ作为控制系统的输出量：
其中，q1，q2分别为车辆横向误差l和航向角误差ψ的权重系数，r为转角δ的权重系数，δrN为第N个预测时域内的规划参考理论转角。
进一步地，在步骤S4中，输出控制量的增量约束：Δδmin≤δN-δN-1≤Δδmax；并且
考虑车辆扫盘清扫安全的步骤具体包括：
通过规划交互获取理论延边时每个轨迹点的扫盘延边距离DrN；
根据每一个预测周期内的横向误差l和航向角误差ψ，并且根据车辆行状的几何关系计算出优化过程中每一个车辆位置处扫盘距离路牙的横向距离DN，并且在约束中令DN＞0，其中DN的计算公式为：
其中，H表示车辆坐标系下扫盘距离后轴中心的长度，W表示扫盘张开时的宽度。
进一步地，在步骤S6中，根据所推导出的预测模型以及设置的安全约束，在非线性求解器中进行优化求解，并且模糊控制器根据当前车辆的横向误差和航向角误差以及对应的误差变化率来调节对应变量的cost。
本发明的技术方案还提供了一种自适应模型预测非线性控制延边清扫控制跟踪系统，其包括如下模块：非线性运动学模型建立模块，用于根据车辆行驶特性，建立非线性运动学模型；预测模型建立模块，用于根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；目标函数构建模块，用于基于预测模型构建目标函数；增量约束和安全约束设置模块，用于根据车辆转向系统的特性设置前轮转角增量约束，并根据车辆作业时的延边距离设置延边距离安全约束；模糊控制器设计模块，用于设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；求解模块，用于进行优化求解，得出理论转角并下发底盘系统。
本发明提供的方法不仅在模型角度上能够更好的描述车辆的运动系统，并且在模糊求解器中把相应误差的变化率作为控制器的输入，这样控制器的自适应性更强，同时在约束矩阵中考虑了与外界安全边界的交互，这样优化出来的控制指令更加具有安全性。
附图说明
图1是本发明所提供的自动驾驶车辆路径跟踪方法的流程框图；
图2是本发明所额外添加的安全约束的示意图。
具体实施方式
下面结合具体实施例对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明提供的路径跟踪方法，旨在保证环卫车辆作业时既要有高的跟踪性能又要有安全性。系统主要包括以下关键点：
结合以当前时刻车辆的跟踪误差和误差变化率作为模糊控制器的输入，对目标函数的权重系数进行调节，在保证高跟踪性能的基础上，又能提高系统的自适应性；
在优化矩阵中添加与外界环境交互的安全边界约束，在保证高跟踪性能的基础上，同时保证作业车辆的安全性能。
在本发明的实施方式中，一种自适应模型预测非线性控制延边清扫控制跟踪方法包括如下步骤：S1：根据车辆行驶特性，建立非线性运动学模型；S2：根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；S3：基于预测模型构建目标函数；S4：根据车辆转向系统的特性设置前轮转角增量约束，并根据车辆作业时的延边距离设置延边距离安全约束；S5：设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；S6：进行优化求解，得出理论转角并下发底盘系统。
进一步地，在步骤S1中，所述非线性运动学模型为二自由度非线性运动学模型。
进一步地，所述二自由度非线性运动学模型的运动学方程如下：
i＝vxsin(ψ)
其中，vx为车辆的纵向速度，L是车辆轴距，δ是车辆前轮转角，l和ψ分别为基于轨迹目标参考点的车辆横向误差和车辆航向角误差，和i为l和ψ对应的变化率。
进一步地，在步骤S2中，预测模型中的相关矩阵为：
其中，
其中，N表示设置的预测时域，hN表示第N个预测时域内运动模型的离散步长，表示第N个预测时域内的轨迹参考横摆角速度，vN表示第N个预测时域内的轨迹参考速度。
进一步地，在步骤S3中，基于预测模型来建立目标函数J，以ψ和l作为控制系统的输入量，以δ作为控制系统的输出量：
其中，q1，q2分别为车辆横向误差l和航向角误差ψ的权重系数，r为转角δ的权重系数，δrN为第N个预测时域内的规划参考理论转角。
进一步地，在步骤S4中，输出控制量的增量约束：Δδmin≤δN-δN-1≤Δδmax；并且
考虑车辆扫盘清扫安全的步骤具体包括：
通过规划交互获取理论延边时每个轨迹点的扫盘延边距离DrN；
根据每一个预测周期内的横向误差l和航向角误差ψ，并且根据车辆行状的几何关系计算出优化过程中每一个车辆位置处扫盘距离路牙的横向距离DN，并且在约束中令DN＞0，其中DN的计算公式为：
其中，H表示车辆坐标系下扫盘距离后轴中心的长度，W表示扫盘张开时的宽度。
进一步地，在步骤S6中，根据所推导出的预测模型以及设置的安全约束，在非线性求解器中进行优化求解，并且模糊控制器根据当前车辆的横向误差和航向角误差以及对应的误差变化率来调节对应变量的cost。
在本发明的另一实施方式中，一种自适应模型预测非线性控制延边清扫控制跟踪系统包括如下模块：非线性运动学模型建立模块，用于根据车辆行驶特性，建立非线性运动学模型；预测模型建立模块，用于根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；目标函数构建模块，用于基于预测模型构建目标函数；增量约束和安全约束设置模块，用于根据车辆转向系统的特性设置前轮转角增量约束，并根据车辆作业时的延边距离设置延边距离安全约束；模糊控制器设计模块，用于设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；求解模块，用于进行优化求解，得出理论转角并下发底盘系统。
在具体实施例中，如图1所示，本发明的技术方案为：
根据车辆行驶特性，建立基于车辆横向跟踪误差l和车辆航向角跟踪误差的运动学非线性误差模型；
根据非线性运动学模型建立预测模型；
选择并固定合适的预测时域和控制时域；
基于预测模型构建以车辆航向角误差车辆横向跟踪误差l和车辆前轮转角δ的目标函数J；
根据车辆转向系统的特性设置前轮转角增量约束以及根据车辆作业时的延边距离设置延边距离安全约束；
设计模糊控制器，其中模糊控制器的输入是车辆航向角误差车辆横向跟踪误差l以及两者误差的变化率/>和i，模糊控制器的输出为目标函数J中车辆航向角误差/>和车辆横向跟踪误差l对应的权重系数q1、q2；
根据上述推导出的非线性预测模型以及设置的安全约束，在非线性求解器中进行优化求解，并且模糊控制器可以根据当前车辆的跟踪误差以及误差变化率来调节对应变量的cost，具有自适应性并且保证了车辆的高跟踪性和安全性。
优选地，上述自动驾驶运动学模型为二自由度非线性运动模型。
优选地，所建立的车辆模型和预测模型的具体步骤包括：
建立车辆二自由度运动学非线性模型，其运动学方程如下：
i＝vx sin(ψ)
其中，vx为车辆的纵向速度，L是车辆轴距，δ是前轮转角，l和ψ分别为车辆基于轨迹目标参考点的横向误差和航向角误差，和i为其对应的变化率。
省去线性化过程，直接建立预测模型，其中预测模型中的相关矩阵为：
其中，
上述矩阵中，其中N表示设置的预测时域，hN表示第N个预测时域内运动模型的离散步长，表示第N个预测时域内的轨迹参考横摆角速度，vN表示第N个预测时域内的轨迹参考速度。
优选地，基于上述构建的非线性预测模型来建立目标函数J，以ψ和l作为控制系统的输入量，以δ做为控制系统的输出量：
其中q1，q2分别为车辆横向跟踪偏差l和航向角跟踪偏差ψ的权重系统，r为转角δ的权重系数，δrN为第N个预测时域内的规划参考理论转角。
优选地，考虑到车辆的转向机性能以及车辆的作业行驶安全性，所需要构建的安全约束主要包括：
输出控制量的增量约束：Δδmin≤δN-δN-1≤Δδmax；
由于环卫车辆清扫用的扫盘安装在车辆前方，如图2所示，考虑车辆扫盘清扫安全的主要步骤具体包括：
通过规划交互获取理论延边时每个轨迹点的扫盘延边距离DrN；
根据每一个预测周期内的横向偏差l和航向角偏差ψ，并且根据车辆行状的几何关系计算出优化过程中每一个车辆位置处扫盘距离路牙的横向距离DN，并且在约束中令DN＞0，其中DN的计算公式为：
其中，H表示车辆坐标系下扫盘距离后轴中心的长度，W表示扫盘张开时的宽度。
优选地，根据上述所建立的目标函数，将车辆横向跟踪误差l和车辆航向角误差ψ以及其对应的变化率作为模糊控制器的输入，将目标函数中的权重系数q1和q2作为模糊控制器的输出，并且模糊控制器的输出幅值限制根据速度实现调节，来保证车辆系统的跟踪效果和自适应性。
本发明提供的跟踪方法具有以下有益效果：
本发明提供的车辆系统路径跟踪方法，基于非线性运动学模型，建模更加接近于车辆系统；当自车位置与路径轨迹存在较大的横向或者航向偏差时，模糊控制器可以结合当前的误差变化率进行判断目前自车车辆是处在误差扩大的趋势还是误差缩小的趋势，来调节相对应的权重系数，使控制系统可以更快的收敛至轨迹；当自车位置与路径的偏差较小时，模糊控制器可以进行决策调节权重系数，避免控制系统的超调，提高控制系统的稳定性。同时MPC在优化时考虑环卫车辆扫盘位置距离路沿的距离，在一定程度上保证了车辆作业的安全性。
以上所述的仅是本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
Claims (8)
1.一种自适应模型预测非线性控制延边清扫控制跟踪方法，其特征在于，包括如下步骤：
S1：根据车辆行驶特性，建立非线性运动学模型；
S2：根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；
S3：基于预测模型构建目标函数；
S4：根据车辆转向系统的特性设置前轮转角增量约束，并根据车辆作业时的延边距离设置延边距离安全约束；
S5：设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；
S6：进行优化求解，得出理论转角并下发底盘系统。
2.根据权利要求1所述的方法，其特征在于，在步骤S1中，所述非线性运动学模型为二自由度非线性运动学模型。
3.根据权利要求2所述的方法，其特征在于，所述二自由度非线性运动学模型的运动学方程如下：
其中，vx为车辆的纵向速度，L是车辆轴距，δ是车辆前轮转角，l和ψ分别为基于轨迹目标参考点的车辆横向误差和车辆航向角误差，和/>为l和ψ对应的变化率。
4.根据权利要求3所述的方法，其特征在于，在步骤S2中，预测模型中的相关矩阵为：
其中，
其中，N表示设置的预测时域，hN表示第N个预测时域内运动模型的离散步长，表示第N个预测时域内的轨迹参考横摆角速度，vN表示第N个预测时域内的轨迹参考速度。
5.根据权利要求4所述的方法，其特征在于，在步骤S3中，基于预测模型来建立目标函数J，以ψ和l作为控制系统的输入量，以δ作为控制系统的输出量：
其中，q1，q2分别为车辆横向误差l和航向角误差ψ的权重系数，r为转角δ的权重系数，δrN为第N个预测时域内的规划参考理论转角。
6.根据权利要求5所述的方法，其特征在于，在步骤S4中，输出控制量的增量约束：Δδmin≤δN-δN-1≤Δδmax；并且
考虑车辆扫盘清扫安全的步骤具体包括：
通过规划交互获取理论延边时每个轨迹点的扫盘延边距离DrN；
根据每一个预测周期内的横向误差l和航向角误差ψ，并且根据车辆行状的几何关系计算出优化过程中每一个车辆位置处扫盘距离路牙的横向距离DN，并且在约束中令DN>0，其中DN的计算公式为：
其中，H表示车辆坐标系下扫盘距离后轴中心的长度，W表示扫盘张开时的宽度。
7.根据权利要求6所述的方法，其特征在于，在步骤S6中，根据所推导出的预测模型以及设置的安全约束，在非线性求解器中进行优化求解，并且模糊控制器根据当前车辆的横向误差和航向角误差以及对应的误差变化率来调节对应变量的cost。
8.一种自适应模型预测非线性控制延边清扫控制跟踪系统，其特征在于，包括如下模块：
非线性运动学模型建立模块，用于根据车辆行驶特性，建立非线性运动学模型；
预测模型建立模块，用于根据非线性运动学模型建立预测模型，选择并固定合适的预测时域和控制时域；
目标函数构建模块，用于基于预测模型构建目标函数；
增量约束和安全约束设置模块，用于根据车辆转向系统的特性设置前轮转角增量约束，并根据车辆作业时的延边距离设置延边距离安全约束；
模糊控制器设计模块，用于设计模糊控制器，其中，模糊控制器的输入是车辆航向角误差、车辆横向误差以及两个误差的变化率，模糊控制器的输出为目标函数中车辆航向角误差和车辆横向误差对应的权重系数；
求解模块，用于进行优化求解，得出理论转角并下发底盘系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311383252.2A CN117311153B (zh) | 2023-10-24 | 2023-10-24 | 自适应模型预测非线性控制延边清扫控制跟踪方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311383252.2A CN117311153B (zh) | 2023-10-24 | 2023-10-24 | 自适应模型预测非线性控制延边清扫控制跟踪方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117311153A true CN117311153A (zh) | 2023-12-29 |
| CN117311153B CN117311153B (zh) | 2024-06-21 |
Family
ID=89286421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311383252.2A Active CN117311153B (zh) | 2023-10-24 | 2023-10-24 | 自适应模型预测非线性控制延边清扫控制跟踪方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117311153B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018113927A1 (de) * | 2017-06-13 | 2018-12-13 | GM Global Technology Operations LLC | System und Verfahren zur seitlichen Steuerung eines Fahrzeugs bei niedriger Geschwindigkeit |
| 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 |
| CN114326709A (zh) * | 2021-12-03 | 2022-04-12 | 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智能车辆路径跟踪方法 |
| CN114779641A (zh) * | 2022-04-27 | 2022-07-22 | 福州大学 | 基于新航向误差定义的环境自适应mpc路径追踪控制方法 |
| WO2022160196A1 (zh) * | 2021-01-28 | 2022-08-04 | 浙江吉利控股集团有限公司 | 车辆驾驶控制方法、装置、车辆及存储介质 |
| CN114967676A (zh) * | 2022-04-12 | 2022-08-30 | 苏州感测通信息科技有限公司 | 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法 |
| CN115421499A (zh) * | 2022-10-14 | 2022-12-02 | 成都信息工程大学 | 具有转向补偿功能的智能车辆路径跟踪方法 |
| CN116520700A (zh) * | 2023-05-06 | 2023-08-01 | 湖南大学 | 一种欠驱动自动驾驶车辆的路径跟踪控制方法 |
| CN116560371A (zh) * | 2023-05-25 | 2023-08-08 | 上海工程技术大学 | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 |
| US11780551B1 (en) * | 2022-10-28 | 2023-10-10 | Huazhong University Of Science And Technology | Non-singular finite-time control method and system for dynamic positioning of unmanned boat with prescribed performance |
| CN116880486A (zh) * | 2023-07-13 | 2023-10-13 | 重庆大学 | 一种考虑跟踪误差约束的自动驾驶汽车轨迹跟踪控制方法 |
-
2023
- 2023-10-24 CN CN202311383252.2A patent/CN117311153B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102018113927A1 (de) * | 2017-06-13 | 2018-12-13 | GM Global Technology Operations LLC | System und Verfahren zur seitlichen Steuerung eines Fahrzeugs bei niedriger Geschwindigkeit |
| WO2022160196A1 (zh) * | 2021-01-28 | 2022-08-04 | 浙江吉利控股集团有限公司 | 车辆驾驶控制方法、装置、车辆及存储介质 |
| 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 |
| CN114326709A (zh) * | 2021-12-03 | 2022-04-12 | 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智能车辆路径跟踪方法 |
| CN114967676A (zh) * | 2022-04-12 | 2022-08-30 | 苏州感测通信息科技有限公司 | 基于强化学习的模型预测控制轨迹跟踪控制系统及方法方法 |
| CN114779641A (zh) * | 2022-04-27 | 2022-07-22 | 福州大学 | 基于新航向误差定义的环境自适应mpc路径追踪控制方法 |
| CN115421499A (zh) * | 2022-10-14 | 2022-12-02 | 成都信息工程大学 | 具有转向补偿功能的智能车辆路径跟踪方法 |
| US11780551B1 (en) * | 2022-10-28 | 2023-10-10 | Huazhong University Of Science And Technology | Non-singular finite-time control method and system for dynamic positioning of unmanned boat with prescribed performance |
| CN116520700A (zh) * | 2023-05-06 | 2023-08-01 | 湖南大学 | 一种欠驱动自动驾驶车辆的路径跟踪控制方法 |
| CN116560371A (zh) * | 2023-05-25 | 2023-08-08 | 上海工程技术大学 | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 |
| CN116880486A (zh) * | 2023-07-13 | 2023-10-13 | 重庆大学 | 一种考虑跟踪误差约束的自动驾驶汽车轨迹跟踪控制方法 |
Non-Patent Citations (2)
| Title |
|---|
| 宋晓华;邵毅明;屈治华;束海波;: "基于模型预测控制的车辆轨迹跟踪稳定性研究", 重庆理工大学学报(自然科学), no. 08, 15 August 2020 (2020-08-15) * |
| 陈威;廖文浩;刘明春;: "基于MPC的自动驾驶车辆横向路径跟踪控制", 南昌大学学报(工科版), no. 03, 28 September 2020 (2020-09-28) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117311153B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111845774B (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
| Xu et al. | Preview path tracking control with delay compensation for autonomous vehicles | |
| CN108227491B (zh) | 一种基于滑模神经网络的智能车轨迹跟踪控制方法 | |
| Altché et al. | High-speed trajectory planning for autonomous vehicles using a simple dynamic model | |
| CN113276848A (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 | |
| CN111123701B (zh) | 基于管道预测模型的自动驾驶路径跟踪抗干扰控制方法 | |
| CN112693449B (zh) | 一种无人车辆极限工况下横纵向耦合控制方法 | |
| CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
| CN109669463A (zh) | 一种考虑agv速度和前轮偏向角可变的区间轨迹跟踪方法 | |
| CN113515125A (zh) | 一种无人驾驶汽车全工况避障控制方法及性能评价方法 | |
| CN112947469A (zh) | 汽车换道轨迹规划与动态轨迹跟踪控制方法 | |
| CN114510063B (zh) | 一种无人履带车辆及其轨迹跟踪控制方法和系统 | |
| CN113978450A (zh) | 一种抗侧倾的商用车路径跟踪博弈控制方法 | |
| CN113433942A (zh) | 一种基于最优航向角的长轴车辆路径跟踪控制方法 | |
| CN114228690A (zh) | 一种基于ddpg和迭代控制的自动驾驶车辆侧倾控制方法 | |
| CN117311153B (zh) | 自适应模型预测非线性控制延边清扫控制跟踪方法和系统 | |
| CN115373287B (zh) | 一种折腰转向拖拉机的自适应参数模型预测路径跟踪控制方法 | |
| Wohner et al. | Hierarchical nonlinear model predictive control for an autonomous racecar | |
| CN115447615A (zh) | 基于车辆运动学模型预测控制的轨迹优化方法 | |
| CN114355941A (zh) | 基于改进Stanley控制的车辆路径跟踪方法 | |
| Cai et al. | Trajectory tracking control for autonomous parking based on adaptive reduced-horizon model predictive control | |
| Mobus et al. | Constrained optimal control for lateral vehicle guidance | |
| CN112706770A (zh) | 一种考虑线控转向迟滞的车辆汇入控制系统及方法 | |
| Szͩcs et al. | Experimental verification of a control system for autonomous navigation | |
| CN117519133B (zh) | 一种无人驾驶采棉机轨迹跟踪控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |