CN117389276A - 一种基于行驶风险预测的无人车行驶路径跟踪控制方法 - Google Patents

Abstract

本申请公开了一种基于行驶风险预测的无人车行驶路径跟踪控制方法，涉及无人驾驶技术领域，包括：构建无人车的三自由度动力学模型；采集无人车的当前状态数据；利用三自由度动力学模型和当前状态数据，采用高阶马尔科夫模型获得未来多步长内的轨迹偏离预测值；利用三自由度动力学模型和当前状态数据，预测横摆角速度和侧向速度，获得横摆失稳预测值；基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数；将三自由度动力学模型、轨迹偏离预测值、横摆失稳预测值和权重系数，构建多目标成本函数，生成转向控制指令和横向力控制指令。针对现有技术中的车辆稳定性控制差的问题，本申请提高了复杂环境下车辆的稳定控制性。

Description

一种基于行驶风险预测的无人车行驶路径跟踪控制方法

技术领域

本申请涉及无人驾驶技术领域，特别涉及一种基于行驶风险预测的无人车行驶路径跟踪控制方法。

背景技术

随着无人驾驶技术的发展，自动驾驶汽车正在加速实现商业化应用。无人驾驶汽车通过采集周围环境信息、建立环境模型、进行路径规划与控制等技术实现自动驾驶。其中，轨迹跟踪控制技术是实现自动驾驶的关键技术之一。

针对不同应用场景，学者们提出多种轨迹跟踪控制方法。例如基于PID控制、模糊控制、鲁棒控制等经典控制策略，可以在一定程度上实现轨迹跟踪。但这些方法对复杂环境的适应性较差。基于Reinforcement Learning、Model Predictive Control等方法可以在部分复杂环境下保证轨迹跟踪性能。但以上方法普遍存在只关注轨迹跟踪精度而忽略车辆稳定性的问题。在高速复杂环境下，如果不能兼顾稳定性控制，将导致严重的安全事故风险。因此如何在复杂环境下实现轨迹跟踪精度与车辆稳定性的协调控制，是自动驾驶控制面临的重要科学问题。

在相关技术中，比如中国专利文献CN115214673A中提供了一种无人驾驶汽车轨迹跟踪器的控制方法，将车辆的速度作为输入，计算出车辆行驶的参考轨迹，将得到的参考轨迹输入到模型预测轨迹跟踪控制器中，建立整车的动力学模型；车辆的整车模型只沿着y轴侧向运动和沿着z轴横摆运动，将整车模型建立空间状态方程作为控制器的预测模型；在建立的空间状态方程的基础上添加输出状态方程，根据整车的状态方程将车辆横向速度作为预测轨迹的输入；在轨迹跟踪优化过程中设置优化目标来实现对系统增量的控制，优化的轨迹与实际轨迹之间的误差作为跟踪目标，通过不断优化得到新的控制增量，不断重复上述过程，实现道路轨迹的跟踪。但是本申请至少存在如下技术问题：仅建立了车辆动力学模型，没有对行驶过程中的风险进行预测；没有对可能出现的轨迹偏离和车辆失稳情况进行预判，当出现突发状况时无法提前作出响应；直接以轨迹跟踪误差作为优化目标函数，这会使得在部分情形下为追求轨迹精度而牺牲了车辆的横摆稳定性控制；由于没有建立横摆稳定性的控制目标，也没有进行权重优化，稳定性控制不足。

发明内容

1.要解决的技术问题

针对现有技术中存在的无人驾驶领域车辆稳定性控制差的问题，本申请提供了一种基于行驶风险预测的无人车行驶路径跟踪控制方法，通过构建行驶风险预测模型，采用权重残差法实现轨迹精度与稳定性的协调控制，在复杂环境下实现车辆的安全可靠控制。

2.技术方案

本申请的目的通过以下技术方案实现。

本说明书实施例提供一种基于行驶风险预测的无人车行驶路径跟踪控制方法，包括：构建无人车的三自由度动力学模型；采集无人车的当前状态数据；利用三自由度动力学模型和当前状态数据，构建长时域轨迹偏离预测模型，采用高阶马尔科夫模型获得未来多步长内的轨迹偏离预测值；利用三自由度动力学模型和当前状态数据，构建瞬时横摆失稳预测模型，预测横摆角速度和侧向速度，获得横摆失稳预测值；基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数；将三自由度动力学模型、轨迹偏离预测值、横摆失稳预测值和权重系数，构建多目标成本函数，生成转向控制指令和横向力控制指令。

进一步地，构建无人车的三自由度动力学模型包括：根据无人车的结构参数，构建动力学模型的刚体坐标系；利用刚体坐标系、无人车的质量参数和转动惯量参数，建立动力学模型的质量矩阵；利用刚体坐标系和动力学特性，建立车轮与地面接触模型；利用刚体坐标系、质量矩阵和动力学特性，建立车轮驱动模型和制动力模型；利用刚体坐标系、质量矩阵和转向系统特性，建立转向系统模型；集成建立的模型，形成无人车的横向运动模型Fx、纵向运动模型Fy和横摆运动模型Mz；对集成的模型进行仿真验证，生成三自由度动力学模型。

进一步地，无人车的横向运动模型Fx、纵向运动模型Fy和横摆运动模型Mz分别通过如下公式计算：

其中，m为整车车辆质量，v_x为纵向车速，v_y为横向车速，为纵向加速度，/>为横向加速度，w_r为横摆角速度，/>为横摆角加速度，F_x1为正常行使的车轮纵向力，F_y1为正常行使的车轮横向力，F_x2为紧急制动的车轮纵向力，F_y2为紧急制动的车轮横向力；F_x3为急转弯的车轮纵向力，F_y3为急转弯的车轮横向力；F_x4为极限操控的车轮纵向力，F_y4为极限操控的车轮横向力，δ_f为前轮转角，a和b分别为质心到前轴和后轴距离；B为前轴中心到后轴中心的距离，I_z为横摆转动惯量。

进一步地，三自由度动力学模型通过如下公式计算：

其中，为质心侧偏角的一阶导数，β为质心侧偏角，K_af为前轮线性侧偏刚度，K_ar为后轮线性侧偏刚度，K_xf和K_xr分别为前后轮纵向侧偏刚度，m为整车车辆质量，/>为纵向加速度，v_x为纵向车速，a和b分别为质心到前轴和后轴距离，δ_f为前轮转角；/>为横摆角加速度，w_r为横摆角速度，I_z为横摆转动惯量，ΔM_z为附加横摆力矩；/>为横向加速度，v_y为横向车速，/>为航向角，/>为航向角的速率，s_f和s_r分别为前轮和后轮的纵向滑移率，/>和/>分别为车辆纵横向坐标点。

进一步地，获取轨迹偏离预测值包括：获取包含无人车的侧向速度和侧向加速度的行驶数据；利用获取的行驶数据训练马尔科夫模型，获得马尔科夫模型的转移概率矩阵Q_i；将当前状态数据和转移概率矩阵相结合，作为马尔科夫模型的输入；重复所有步骤，以获取多步长的轨迹偏离预测值。

进一步地，马尔科夫模型的转移概率矩阵Q_i通过如下公式计算：

其中，为第i步时，起始状态m到目标状态n的转移概率值P；

转移概率值P通过如下公式计算：

其中，a_j为车辆纵向加速度，v为车辆纵向速度，t为时间，l_p为预测步长，表示为状态k到状态j的第i阶转移概率矩阵，0≤λ_i≤1，/>表示为权重因子，n为马尔科夫模型的阶数。

进一步地，获得横摆失稳预测值包括：定义无人车的横摆角速度和侧向速度的安全边界；获取车辆状态数据，状态数据包含车辆急转弯和避障瞬时失稳情况下的状态数据；使用获取的车辆状态数据，建立横摆角速度和侧向速度的预测模型；利用预测模型对当前状态数据进行瞬时预测，获取未来一步的横摆角速度和侧向速度，生成瞬时预测结果；比较瞬时预测结果与安全边界，当瞬时预测结果超过安全边界时，判定为无人车瞬时失稳。

进一步地，基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数包括：定义轨迹偏离预测的期望值和横摆失稳预测的期望值；计算轨迹偏离预测值相对于轨迹偏离预测期望值的残差R₁；计算横摆失稳预测值R₁相对于横摆失稳预测期望值的残差R₂；将轨迹偏离残差R₁和横摆失稳残差R₂进行归一化处理，得到残差R₁'和残差R₂'；将残差R₁'和残差R₂'作为轨迹偏离预测和横摆失稳预测的权重系数输出。

进一步地，轨迹偏离残差R₁和横摆失稳残差R₂分别通过如下公式计算：

其中，η_Y和分别为轨迹偏离和横摆角速度的评价指标权重系数，N_e为预瞄周期，Y_r(k)和Y(k)分别为在第k个周期的预测侧向位移和参考侧向位移，W_r(k)和/>分别为在第k个周期的预测横摆角速度和参考横摆角速度；

其中，轨迹偏离和横摆角速度的评价指标权重系数η_Y和分别通过如下公式计算：

η_Y＝ε_Y/(ε_Y+ε_W)

其中，轨迹偏离的相对残差ε_y和横摆角速度的相对残差ε_W分别通过如下公式计算：

ε_y＝|Y-Y_r|/Y_r

ε_W＝|W-W_r|/W_r

其中，Y和W分别表示预测的侧向位移和横摆角速度，Y_r和W_r分别表示Y和W对应的期望阈值。

进一步地，生成转向控制指令和横向力控制指令包括：利用三自由度动力学模型，建立轨迹跟踪误差成本函数和横摆稳定性成本函数；将得到的权重系数分配给的成本函数；利用分配权重系数的成本函数，构建多目标聚合成本函数，协调轨迹跟踪成本和横摆稳定性成本；获取构建的多目标聚合成本函数的最小值，生成最优转向角和最优横摆力；根据最优转向角和最优横摆力，通过控制分配算法生成转向控制指令和横向力控制指令。

进一步地，多目标聚合成本函数的最小值通过如下公式计算：

其中，μ_k为k步预测的系统状态量，u_k为k步预测的控制量输入，ν和q_ν分别为直接横摆力矩控制可行解和权重系数，t表示当前瞬间时刻，(t+k,t)表示在t时刻之后的k步预测，是t时刻向后预测k步的预测输出，/>是t时刻向后预测k步的参考输出，Q和R分别为输出量权重矩阵和控制量权重矩阵，N_c为控制时域长度，N_p为预测时域长度，Δu为控制输入变化量，_ρ为权衡参数，用于平衡多个目标之间的重要性；ε为控制约束松弛程度的参数。

3.有益效果

相比于现有技术，本申请的优点在于：

(1)构建了无人车的三自由度动力学模型，可以准确描述无人车的横向、纵向和横摆运动，为控制系统建模提供精确基础，利用马尔科夫模型预测长时域内的轨迹偏离，可以提前预测无人车偏离行驶路径的风险，构建瞬时横摆失稳预测模型，可以准确预测无人车在急转弯和避障时的横摆失稳风险，从而提高了车辆稳定控制精度；

(2)利用残差法计算权重，可以实现对轨迹偏离预测和横摆失稳预测的自适应融合；这避免了简单线性加权可能带来的控制目标不平衡问题，生成转向控制和横向力控制指令，可以有效抑制和纠正无人车的侧滑和失稳，实现了控制目标的优化平衡，提高了车辆的整体控制精度；

(3)建立多目标成本函数，实现轨迹跟踪控制和横摆稳定控制的协调优化，解决了仅考虑单一轨迹跟踪目标可能带来的车辆失稳问题；多目标控制优化实现轨迹跟踪和车辆稳定的协同控制，提高了车辆的整体控制精度；

综上，本申请通过构建风险预测模型提高对环境的适应性，并使用权重残差法实现轨迹精度和稳定性的协同控制，从根本上提升了无人车在复杂场景下的稳定性控制能力。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的一种基于行驶风险预测的无人车行驶路径跟踪控制方法的示例性流程图；

图2是根据本说明书一些实施例所示的车辆横摆运动模型示意图；

图3是根据本说明书一些实施例所示的横摆稳定性相平面判据示意图；

图4是根据本说明书一些实施例所示的轨迹跟踪情况示意图；

图5是根据本说明书一些实施例所示的横摆角速度控制情况示意图。

具体实施方式

下面结合附图对本说明书实施例提供的方法和系统进行详细说明。

图1是根据本说明书一些实施例所示的一种基于行驶风险预测的无人车行驶路径跟踪控制方法的示例性流程图，如图1所示，一种基于行驶风险预测的无人车行驶路径跟踪控制方法，本方法提高了无人车在复杂环境下的行驶稳定性，包括如下技术步骤：

S100构建无人车的三自由度动力学模型，该模型能够准确描述无人车的运动状态；这一步骤涉及构建无人车的三自由度动力学模型，其中自由度包括横向运动、纵向运动和车辆姿态。该模型描述了无人车在不同运动状态下的动力学特性，为后续路径跟踪控制提供基础。

S200采集无人车的当前状态数据，包括车速、横向加速度等，用于反映无人车的实时行驶状态；在这个阶段，需要采集无人车的各种传感器数据，例如位置、速度、姿态角等。这些数据用来描述无人车当前的状态，为后续预测和控制提供准确的输入。

S300利用构建的三自由度动力学模型与采集的当前状态数据，构建长时域的轨迹偏离预测模型，采用高阶马尔可夫方法预测未来多步长内的轨迹偏离趋势；在这一步骤中，利用构建的三自由度动力学模型和当前状态数据，建立一个长时域轨迹偏离预测模型。这个模型可以使用高阶马尔科夫模型等方法，通过对当前状态和动力学模型的预测，获得未来多步长内的轨迹偏离预测值。

S400利用三自由度动力学模型与当前状态数据，构建瞬时横摆失稳预测模型，预测关键参数横摆角速度、侧向加速度，判断无人车的瞬时失稳可能性；在这个阶段，利用三自由度动力学模型和当前状态数据构建瞬时横摆失稳预测模型。该模型可以通过预测横摆角速度和侧向速度，来获得横摆失稳预测值，用于后续的控制。

S500基于残差法比较轨迹偏离预测与横摆失稳预测的重要性，获得两者的权重系数；在这一步骤中，利用残差法基于预测值和期望值之间的差异，获得轨迹偏离预测值和横摆失稳预测值的权重系数。残差的大小与权重系数成正比，用于衡量预测偏离程度与其对控制的重要性。

S600根据多种预测结果与权重系数，构建多目标成本函数，生成转向控制指令与横向力控制指令，综合控制无人车的轨迹跟踪精度与横摆稳定性。将三自由度动力学模型、轨迹偏离预测值、横摆失稳预测值和权重系数结合起来，构建一个多目标成本函数。基于这个成本函数，可以通过优化算法(如最小二乘法或优化器)生成最佳的转向控制指令和横向力控制指令，以实现路径跟踪和稳定控制。

综上所述，S100构建的动力学模型为后续S300和S400的预测模型提供了运动学基础。S200获取的当前状态数据为S300和S400提供了初始输入和验证数据，状态数据反映了实时运动情况；S300的长时域轨迹偏离预测考虑了动力学约束，评估了长时间内偏离轨迹的可能性。S400的瞬时横摆预测则关注失控的瞬时情况，两者预测互为补充。S500通过残差法比较两种预测的重要性，提供控制优化的目标权重。S600集成各预测结果和权重，进行控制优化，生成控制指令。S100至S600形成了一个从建模、采集数据、预测评估到最终控制的闭环流程，每一特征都是整体方案的必要组成部分，相互依存、配合。系统能够综合利用车辆动力学、实时状态数据、预测模型和权重系数，从多个角度和多个时域对无人车的路径跟踪和稳定性控制进行优化。这种综合考虑和协同作用的方式，使得本申请更加全面、准确和可靠，从而提高无人车在复杂场景下的稳定性控制能力。

图2是根据本说明书一些实施例所示的车辆横摆运动模型示意图，如图2所示，本申请构建三自由度无人车动力学模型的流程和运动方程。该模型是实现稳定性控制的基础。S100构建无人车的三自由度动力学模型。包括如下技术步骤：

根据无人车的结构参数，构建动力学模型的刚体坐标系，在这一步骤中，根据无人车的结构参数，建立动力学模型的刚体坐标系。刚体坐标系可以以车辆的几何中心或其他参考点为基准，用来描述无人车在运动过程中的位置和方向。利用刚体坐标系、无人车的质量参数和转动惯量参数，建立动力学模型的质量矩阵。通过利用刚体坐标系、无人车的质量参数和转动惯量参数，建立动力学模型的质量矩阵。质量矩阵描述了无人车在不同自由度上的质量分布情况，为后续建立动力学模型的力和力矩方程提供了基础。利用刚体坐标系和动力学特性，建立车轮与地面接触模型。在这个阶段，利用刚体坐标系和动力学特性，建立车轮与地面接触的模型。本申请考虑了无人车在横向和纵向运动中与地面之间的相互作用，以及摩擦和阻力等因素。利用刚体坐标系、质量矩阵和动力学特性，建立车轮驱动模型和制动力模型。通过利用刚体坐标系、质量矩阵和动力学特性，建立车轮驱动模型和制动力模型。这些模型描述了车轮在横向和纵向运动中受到的驱动力和制动力，考虑了动力学特性和质量分布对车辆运动的影响。利用刚体坐标系、质量矩阵和转向系统特性，建立转向系统模型。在这一步骤中，利用刚体坐标系、质量矩阵和转向系统特性，建立转向系统模型。这个模型描述了转向系统对无人车横向运动的控制，考虑了质量分布和转向系统的特性对车辆操控性能的影响。集成至建立的模型，形成无人车的横向运动模型、纵向运动模型和横摆运动模型。通过将上述步骤中的模型集成起来，形成无人车的横向运动模型、纵向运动模型和横摆运动模型。这些模型综合考虑了无人车的结构、质量分布、动力学特性和操控系统，描述了无人车在三个自由度上的运动行为。对集成的模型进行仿真验证，生成三自由度动力学模型。最后，对集成的模型进行仿真验证，通过进行不同场景下的模拟和测试，生成最终的三自由度动力学模型。这个模型可以用于路径跟踪控制方法中的预测和优化算法，以提高无人车在复杂场景下的稳定性控制能力。

通过上述步骤的串联和相互配合，从构建刚体坐标系到建立各个组成部分的模型，最终形成了无人车的三自由度动力学模型。这个模型综合考虑了无人车的结构、质量分布、动力学特性和操控系统，为后续路径跟踪和稳定性控制提供准确的基础。

其中，车辆运动包括纵向、横向和绕质心旋转三个方向的运动，三自由度模型将三个方向的运动都考虑在内，可以全面描述车辆的运动状态。横向运动直接影响车辆的横摆稳定性。纵向运动中的加速度变化会影响横摆。三自由度模型可以描述两者间的相互耦合效应。车辆失稳主要是横摆运动和横向运动超出范围的结果。三自由度模型可以直接对两者建模，便于直接评估稳定状态。单独考虑横向运动，很难准确判断车辆的稳定边界。三自由度模型可以直接判定横摆状态是否稳定。三自由度模型可以提供完整的车辆状态输入，有利于设计高性能的稳定性控制器。可以直接在三自由度模型上验证控制器，确保在不同工作条件下的稳定性。综上，三自由度模型能全面描述车辆状态，有利于直接分析和控制稳定性，因此需要构建该模型来提升稳定性控制效果。

具体地，无人车的横向运动模型Fx、纵向运动模型Fy和横摆运动模型Mz分别通过如下公式计算：

其中，m为整车车辆质量，v_x为纵向车速，v_y为横向车速，为纵向加速度，/>为横向加速度，w_r为横摆角速度，/>为横摆角加速度，F_x1为正常行使的车轮纵向力，F_y1为正常行使的车轮横向力，F_x2为紧急制动的车轮纵向力，F_y2为紧急制动的车轮横向力；F_x3为急转弯的车轮纵向力，F_y3为急转弯的车轮横向力；F_x4为极限操控的车轮纵向力，F_y4为极限操控的车轮横向力，δ_f为前轮转角，a和b分别为质心到前轴和后轴距离；B为前轴中心到后轴中心的距离，I_z为横摆转动惯量。

具体的，车辆质量m，反映车辆的转动惯量，直接影响横摆运动的特征，是无人车的整车质量是建立动力学模型的重要参数之一。它反映了车辆在运动过程中所受到的惯性力、惯性矩和重力等因素的影响。整车质量的准确估计对于模型的有效性和控制算法的设计至关重要；质心到前轴和后轴的距离是描述车辆动力学特性的重要参数。它们决定了车辆在横向和纵向运动中的转动惯量和动力分布。通过合理选择这些距离参数，可以准确描述车辆的动力学行为；轴距B，影响车辆转向稳定性，轴距越大，转向稳定性越好，轴距是指前轴和后轴之间的距离。在三自由度模型中，假设前轴和后轴的轴距相等。轴距对于车辆的横向运动和横摆特性具有重要影响。通过考虑轴距的影响，可以更准确地描述车辆的横向稳定性和操控性能；前轮转角δ_f，决定车辆的转向率，对横摆运动有直接影响，前轮的转角是无人车横向运动模型中的重要输入参数。它用来控制车辆的转向行为，决定了车辆横向运动的轨迹和路径。通过调节前轮的转角，可以实现无人车的转向控制和路径跟踪；横摆角速度w_r，直接反映横摆运动状态，是评估稳定性的关键参数，横摆角速度是描述无人车横向运动的重要变量。它表示车辆绕质心纵轴旋转的速度，反映了车辆的横摆稳定性和转向响应速度；横摆转动惯量I_z，影响横摆运动阻尼特性，横摆转动惯量是描述车辆绕质心纵轴转动惯量的参数。它反映了车辆横摆运动的惯性特性；纵向速度v_x，高速时横摆效应更明显；横向速度v_y，反映横摆运动状态，纵向车速和横向车速是描述无人车纵向和横向运动的速度参数。它们是模型中的状态变量，用来计算车辆在纵向和横向方向上的加速度和力。

车轮力，根据各轮受力分配情况研判车辆运动状态，车轮纵向力和横向力是描述车辆与地面之间接触和传递力的参数。它们是模型中的输出变量，反映了车辆在不同自由度上受到的力的作用。F_x1为正常行使的车轮纵向力，F_y1为正常行使的车轮横向力，在正常行驶时，车辆的各项状态参数如侧向速度、横摆角速度等都在合理范围内，轨迹偏离和横摆失稳的预测值也较小。此时轨迹跟踪成本函数和横摆稳定性成本函数的权重系数接近0.5，实现轨迹精度和稳定性的平衡。F_x2为紧急制动的车轮纵向力，F_y2为紧急制动的车轮横向力，在紧急制动时，车辆纵向减速度较大，轨迹偏离预测值会增大。此时为了保证车辆稳定性，会提高横摆稳定性成本函数的权重。转向控制会减小转向角，横向力控制会相应补偿，以保持车辆稳定。F_x3为急转弯的车轮纵向力，F_y3为急转弯的车轮横向力，在急转弯时，侧向加速度较大，横摆角速度和轨迹偏离也会增加。此时会提高轨迹跟踪成本函数的权重，允许较大的转向角来保证轨迹跟踪精度。横向力控制也会相应补偿以保持稳定。F_x4为极限操控的车轮纵向力，F_y4为极限操控的车轮横向力，在极限操控如避障时，轨迹偏离预测和横摆失稳预测值都很大。此时轨迹跟踪成本和横摆稳定性成本的权重会根据情况动态调整，实现轨迹精度和稳定性的最佳平衡。会允许较大的转向角和横摆力来满足轨迹跟踪和稳定性需求。

通过选取合适的参数和合理的取值范围，无人车的三自由度模型可以更准确地描述车辆的动力学行为和运动特性，为后续的控制算法设计和仿真验证提供基础和参考。

三自由度动力学模型通过如下公式计算：

其中，为质心侧偏角的一阶导数，β为质心侧偏角，K_af为前轮线性侧偏刚度，K_ar为后轮线性侧偏刚度，K_xf和K_xr分别为前后轮纵向侧偏刚度，m为整车车辆质量，/>为纵向加速度，v_x为纵向车速，a和b分别为质心到前轴和后轴距离，δ_f为前轮转角；/>为横摆角加速度，w_r为横摆角速度，I_z为横摆转动惯量，ΔM_z为附加横摆力矩；/>为横向加速度，v_y为横向车速，/>为航向角，/>为航向角的速率，s_f和s_r分别为前轮和后轮的纵向滑移率，/>和/>分别为车辆纵横向坐标点，这些参数影响车辆的横向和纵向运动；综上，上述参数准确地描述车辆动力学特性和刻画轮胎－地面之间的力学关系，可以实现对无人车运动行为的准确建模和精确控制。

其中，S200实现采集车辆当前状态数据，为构建预测模型和设计控制器提供输入，是整体解决方案的基础。包括：安装惯性测量单元获得车辆的加速度数据，反映车辆的运动状态变化。获取前轮转向角，反映车辆的转向输入。获取车轮转速，反映车辆的速度状态。综合利用各传感器数据，采用数据融合技术，获得车辆的整体状态信息，提供完整的模型输入。通过采集各关键状态参数，并进行信息融合，可以准确获得车辆的姿态状态、速度状态、转向状态等信息，建立精确的车辆状态描述，为构建精准的预测模型和高性能控制器奠定基础，从而提高车辆的稳定性控制效果。

在本实施例中，安装惯性测量单元IMU，在车辆质心附近安装六轴IMU，配置三轴陀螺仪和三轴加速度计。陀螺仪测量范围±2000°/s，满量程线性度误差0.1％。加速度计测量范围±20g，零偏温度系数10ug/℃。安装车辆转向角传感器，在转向轴上安装光电编码器，分辨率0.1°，精度±0.2°，转速范围0°/s至1200°/s。安装车轮转速传感器，在四个车轮安装霍尔效应传感器检测轮速，分辨率1rpm，精度±0.5％。数据融合算法，采用卡尔曼滤波算法对IMU数据进行修正和优化，结合转向角和车轮转速信息，估计车辆各状态变量，包括纵向速度、横向速度、横摆角速度等。通过选用精度较高的传感器，并应用数据融合技术，可以获得精确、可靠的车辆状态信息，满足构建精细预测模型与稳定性控制的需求。

在无人车的自主导航中，保持良好的稳定性控制能力对于安全性和性能至关重要。利用马尔科夫模型进行轨迹偏离预测的方法，从而提高无人车在复杂场景下的稳定性控制能力。核心思想是通过训练马尔科夫模型，根据当前状态数据和转移概率矩阵预测未来的轨迹偏离情况。S300获取轨迹偏离预测值，以下是主要步骤：

获取包含无人车的侧向速度和侧向加速度的行驶数据。这些数据可以通过车辆传感器、惯性测量单元(IMU)等设备获取。利用获取的行驶数据训练马尔科夫模型，获得马尔科夫模型的转移概率矩阵。这一步骤涉及将行驶数据进行处理和特征提取，然后使用机器学习算法训练马尔科夫模型。将当前状态数据和转移概率矩阵相结合，作为马尔科夫模型的输入。当前状态数据可以包括车辆的位置、速度、加速度等信息。重复步骤至，以获取多步长的轨迹偏离预测值。通过多次迭代，可以预测未来多个时间步长内的轨迹偏离情况。

马尔科夫模型是一种基于状态转移的随机过程模型，其中当前状态的转移仅依赖于前一个状态，而与更早的状态无关。在无人车的轨迹偏离预测中，马尔科夫模型能够将当前状态和历史转移概率结合起来，提供未来轨迹偏离的概率分布。通过收集和记录包含侧向速度和侧向加速度的行驶数据，可以通过机器学习算法训练马尔科夫模型。这些数据可以来自实际车辆的试验数据或者模拟仿真。在训练过程中，需要对数据进行预处理和特征提取，以便马尔科夫模型能够学习到有效的状态转移规律。利用训练得到的马尔科夫模型，可以将当前状态数据和转移概率矩阵相结合，得出未来的轨迹偏离预测值。通过多次迭代，可以预测未来多个时间步长内的轨迹偏离情况，进而提供给无人车的稳定性控制系统。能够根据历史行驶数据预测未来的轨迹偏离情况，提供了与实时数据无关的预测能力。由于马尔科夫模型的简洁性和高效性，可以在实时环境中快速进行轨迹偏离预测。马尔科夫模型的参数和状态转移概率矩阵可以被解释和理解，有利于对预测结果进行解释和分析。通过预测未来的轨迹偏离情况，可以提前采取措施来增强车辆的稳定性，例如调整车辆姿态、控制转向力等。利用轨迹偏离预测结果可以优化无人车的自动导航和路径规划算法，提高车辆的路径跟踪性能和安全性。

其中，马尔科夫模型的核心就是状态转移矩阵，它反映了一个状态向其他状态转移的概率。转移概率矩阵描述了车辆当前状态到其他可能状态的概率分布，包含了车辆状态演化的全部信息。对于轨迹偏离问题，转移概率矩阵表示了从当前位置状态向其他偏离状态的转移概率。通过转移预测，可以得到未来时刻车辆达到各个可能偏离状态的概率。如果达到偏离状态的概率高于设置的阈值，则可以判断很可能出现轨迹偏离。因此转移概率矩阵反映了轨迹偏离的趋势，是进行风险预测的依据。综上，马尔可夫转移概率矩阵反映了状态演化规律，可以用于预测轨迹偏离风险，判断偏离发生的概率，这是进行稳定性控制的重要先决条件。

具体地，转移概率矩阵反映了马尔科夫模型的状态转移特性，是实现状态预测的基础。当前状态数据可以确定模型的初始状态，为转移预测提供起点。将二者相结合作为模型输入，可以进行与实际情况对应的状态演化预测。进行多步长预测，可以判断车辆在长时域内的轨迹偏离风险，实现对可能偏离的提前预判。提前判断轨迹偏离风险，对于提高控制器的稳定性与环境适应性非常重要。控制器可以根据预测结果提前规划应对策略，主动补偿和规避横摆不稳情况。即时评估预测结果，可以准确区分正常和异常情况，防止误判导致的控制失误。

具体地，无人车在复杂环境下，轨迹精度控制与横摆稳定性控制存在矛盾，难以平衡。选取横摆角速度和侧向速度作为稳定性判据，这两个参数可以直接反映横摆运动状态，适合评价稳定性。建立安全状态区域，直观判定当前状态是否稳定，将稳定区作为约束条件。设置松弛边界，容忍细小超限，防止误报引起的控制失误。双闭环控制结构，同时兼顾轨迹精度和稳定性控制。可以直观、高效地判断和控制横摆状态，实现轨迹精度和稳定性的协调控制。

马尔科夫模型的转移概率矩阵Q_i通过如下公式计算：

其中，为第i步时，起始状态m到目标状态n的转移概率值P；

转移概率值P通过如下公式计算：

其中，a_j为车辆纵向加速度，v为车辆纵向速度，t为时间，l_p为预测步长，表示为状态k到状态j的第i阶转移概率矩阵，0≤λ_i≤1，/>表示为权重因子，n为马尔科夫模型的阶数。

具体地，收集车辆行驶数据，获取不同行驶状态下的纵向加速度a_j和速度v；将状态空间离散化，得到所有可能的状态i和j；计算每个状态i到状态j的转移次数n(i,j)，以及状态i的总次数n(i)；计算状态i到状态j的转移概率：p(i,j)＝n(i,j)/n(i)；对不同阶数n的马尔可夫模型，计算权重因子：λ_i，0≤λ_i≤1，

计算高阶转移概率：

将所有状态对的P(i,j)整理成转移概率矩阵P；每隔时间t，利用新数据更新P矩阵；将当前状态作为初始值，与P矩阵迭代求解，得到未来N_p步的状态预测；依此类推，反复进行马尔科夫模型预测，实现长时域轨迹偏离评估。

图3表示对车辆横摆角速度和侧向速度限定在状态空间中创建一个平行四边形，该区域内部作为横摆运动的安全稳定区域。该稳定区域在控制器中作为安全约束，并且引入松弛边界，使预测状态保持在安全区域内，保证车辆的轨迹跟踪精度和稳定性。

其中，横摆角速度和侧向速度的组合可以直接判定横摆状态是否稳定。因此选取两者作为稳定性评估的输入。图中平行四边形表示两者的安全状态范围，可以直观判断当前状态是否安全稳定。引入松弛边界，可以容忍轻微超出，防止误报导致的控制失误。将安全区域作为控制器的约束条件，可以规避边界区域，保证稳定性。双闭环控制结构，既考虑轨迹精度，也考虑稳定性，使控制更均衡。该方法可以直观、高效地判断和控制横摆稳定状态，避免潜在风险，增强车辆的整体稳定性和环境适应性。本申请通过计算车辆未来时域内轨迹跟踪精度和瞬时失稳程度两个状态量的相对残差，提出一种基于相对残差的多目标权重系数在线优化方法，以满足高速无人驾驶车辆横摆稳定性控制的需求。

提高无人车在复杂场景下的稳定性控制能力，其中关键的一步是获得横摆失稳预测值。S400获得横摆失稳预测值包括：

定义无人车的横摆角速度和侧向速度的安全边界；在开始实施横摆失稳预测的过程之前，需要定义无人车的横摆角速度和侧向速度的安全边界。安全边界是一个临界点，用于判定横摆角速度和侧向速度是否超出安全范围。

获取车辆状态数据，状态数据包含车辆急转弯和避障瞬时失稳情况下的状态数据；获取车辆状态数据是预测横摆失稳的基础。在这一步中，需要收集车辆在急转弯和避障瞬时失稳情况下的状态数据。这些数据包括车辆的横摆角速度、侧向速度以及其他可能影响横摆稳定性的参数。

使用获取的车辆状态数据，建立横摆角速度和侧向速度的预测模型；利用获取的车辆状态数据，可以建立横摆角速度和侧向速度的预测模型。预测模型可以是基于统计分析、机器学习或深度学习等方法构建的模型，用于预测车辆在下一步的横摆角速度和侧向速度。

利用预测模型对当前状态数据进行瞬时预测，获取未来一步的横摆角速度和侧向速度，生成瞬时预测结果；利用建立的预测模型，对当前状态数据进行瞬时预测。通过对当前状态数据进行处理和分析，可以得到未来一步的横摆角速度和侧向速度的预测结果。

比较瞬时预测结果与安全边界，当瞬时预测结果超过安全边界时，判定为无人车瞬时失稳。将瞬时预测结果与事先定义的安全边界进行比较。如果瞬时预测结果超过安全边界，就判定无人车出现了横摆失稳的瞬时状态。

通过上述方案，获得无人车在复杂场景下的横摆失稳预测值，从而提高无人车的稳定性控制能力。本申请可以帮助无人车在关键时刻做出及时的调整和控制，确保行驶安全和稳定性。

具体地，根据获取的车辆状态数据建立预测模型：数据采集，在车辆进行平顺行驶、急转弯、避障等状态下，收集车辆的横摆角速度、侧向速度、转向角等状态数据。数据预处理，对采集的数据进行去噪、标定等预处理，得到质量良好的样本数据。模型构建，运用机器学习算法，如LSTM、随机森林等，根据状态数据样本训练横摆角速度和侧向速度的预测模型。模型优化，调节算法超参数，提升预测准确度，获得最优模型。模型验证，使用验证数据集测试模型预测效果，确保其预测精度满足要求。模型集成，将横摆角速度和侧向速度的模型集成，组成稳定性预测模型。

具体地，利用预测模型对当前状态数据进行瞬时预测：获取当前输入，读取车辆当前的状态，包括横摆角速度、侧向速度、转向角等，作为模型输入。数据格式化，将当前状态格式化为模型的输入格式，如转换维度等。模型预测，将格式化后的数据输入到横摆角速度和侧向速度的集成预测模型。获取输出，模型完成一步时间的预测计算，输出预测的下一时刻横摆角速度和侧向速度。输出后处理，对模型输出进行后处理，如去噪、平滑等，得到最终的一步预测输出。更新输入，将当前状态更新为上一时刻的预测输出状态，形成闭环过程。通过对当前状态进行预测，可以依次递归获得每一时刻的横摆角速度和侧向速度，实现对稳定性风险的实时评估。

具体的，比较瞬时预测结果与安全边界：获取预测输出，获得中预测的下一时刻横摆角速度ω和侧向速度v_y；读取安全边界，读取事先定义的横摆角速度安全范围[ω_min，ω_max]和侧向速度安全范围[v_ymin，v_ymax]；比较横摆角速度，判断预测ω是否在[ω_min，ω_max]范围内；比较侧向速度，判断预测v_y是否在[v_ymin，v_ymax]范围内；进行与判断，如果ω或v_y超出定义安全范围，则判定车辆会在下一时刻发生横摆失稳；输出判断结果，输出布尔逻辑量表示的瞬时失稳判断结果，true表示会失稳，false表示安全。

基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数，以提高无人车在复杂场景下的稳定性控制能力。S500基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数包括：

定义轨迹偏离预测的期望值和横摆失稳预测的期望值；在开始实施残差法之前，需要定义轨迹偏离预测和横摆失稳预测的期望值。这些期望值可以是经验值、基于历史数据的统计特征或领域专家的知识等。

其中，期望值的设置：收集大量无人车的实际行驶数据，包括轨迹偏离参数(侧向加速度、横摆角速度等)和横摆失稳参数(轮胎侧滑角、横向加速度等)。通过统计分析历史行驶数据，确定正常行驶状态下，轨迹偏离参数和横摆失稳参数的均值和方差范围。参考行业安全标准，确定无人车的最高允许轨迹偏离量和横摆失稳的安全阈值。将统计得到的正常行驶参数均值与安全阈值相结合，确定轨迹偏离预测的期望值为正常均值的80％，横摆失稳预测的期望值为安全阈值的50％。在实际运行中，收集无人车的实时行驶数据，持续优化期望值设置，使其反映无人车的实际运行状态。这种基于大数据统计并结合安全约束确定期望值的方法，可以使残差法更好地评估无人车的风险状态。在符合技术效果的基础上，期望值的设置也可以通过：数据分析和统计、领域专家知识和基于大数据建模分析等。

计算轨迹偏离预测值相对于轨迹偏离预测期望值的残差R₁；残差是指实际观测值与期望值之间的差异。对于轨迹偏离预测值，可以计算其与轨迹偏离预测期望值之间的残差。残差反映了实际预测与期望之间的误差或偏差。

其中，计算轨迹偏离预测值与期望值残差：在每一个控制周期内，获取当前时刻t的轨迹偏离预测输出值P_t。设置轨迹偏离预测的期望值E_t，可以根据历史数据统计获得。计算当前时刻预测值P_t与期望值E_t的差值：e(t)＝P_t-E_t；对多个控制周期内的残差e_t进行积分，计算累积残差：R₁＝∑e(t)；设置残差容限范围[E_min,E_max]，如果累积残差R₁超出该范围，则触发控制器调整。以上步骤循环进行，不断计算轨迹偏离预测值与期望值之间的残差，作为控制器状态评估的依据。同时积累残差历史数据，优化期望值设置，使残差分析更准确。

计算横摆失稳预测值相对于横摆失稳预测期望值的残差R₂；类似的，对于横摆失稳预测值，可以计算其与横摆失稳预测期望值之间的残差。横摆失稳预测值的残差表示实际预测与期望之间的误差或偏差。R₂的计算同R₁，在此不再赘述。

将轨迹偏离残差R₁和横摆失稳残差R₂进行归一化处理，得到残差R₁'和残差R₂'；将轨迹偏离残差和横摆失稳残差进行归一化处理，以确保它们具有相同的取值范围或统一的统计特性。常见的归一化方法包括线性缩放、标准化等。

将残差R₁'和残差R₂'作为轨迹偏离预测和横摆失稳预测的权重系数输出；将归一化后的轨迹偏离残差和横摆失稳残差作为轨迹偏离预测和横摆失稳预测的权重系数输出。这些权重系数反映了轨迹偏离预测和横摆失稳预测在整体预测中的相对重要性。

综上，可以利用残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数。这些权重系数可以用于调整和控制无人车在复杂场景下的稳定性。根据不同的应用需求和系统特点，可以根据收集到的数据和相关的领域知识进行权重系数的设定和调整。

具体地，定义期望值，可以获得控制评估的参考基准。计算预测输出与期望值的残差，可以量化控制偏差的大小。轨迹偏离残差越大，表示轨迹跟踪误差越大，控制效果越差。横摆失稳残差越大，表示横摆状态越不稳定，稳定性控制效果越差。评估残差大小，可以判断各控制目标的达成程度，发现控制薄弱点。比较不同残差的大小关系，可以判断稳定性相对轨迹控制存在优先需求。根据残差调整控制量，可以对薄弱的稳定性控制进行增强。从而在平衡不同控制目标时，优先考虑稳定性控制的需求。综上，残差评估有利于发现稳定性控制的薄弱点，并进行针对性改进，因此对提高稳定性控制具有重要技术意义。

更具体地，期望阈值是预定的轨迹跟踪控制目标和效果标准，代表了期望的控制精度。预测值是模型预测的当前实际控制效果，反映了轨迹跟踪的实际偏差。将二者比较，可以判断当前轨迹控制的实际效果是否达到了预期的精度要求。比较结果以残差形式表现了当前轨迹控制的偏差情况。残差越大，表示轨迹跟踪越偏离预期，控制效果越差。根据残差结果，可以增强对轨迹控制效果较差的情况的控制强度。从而提高轨迹跟踪精度，减小与预期的偏差，有助于提高稳定性控制效果。

更具体地，设置期望阈值，在本实施例中，收集统计分析典型场景下的历史轨迹偏离数据，确定正常轨迹偏离的区间范围；进行大批量仿真测试，确定车辆在稳定操控下的最大轨迹偏离范围；参考国际标准和规范，确定轨迹偏离的建议阈值区间；综合上述数据，预先定义轨迹偏离的期望阈值区间；监测车辆在不同路况下的实际轨迹偏离情况，动态调整期望阈值；确保期望阈值设置高于正常偏离区间，并有一定余量空间；在阈值设定上优先考虑对稳定性控制的需求。通过上述方式，可以设置一个既能确保正常轨迹控制质量，又不会导致过度控制而破坏稳定性的合理期望阈值，以平衡控制效果与稳定性。

其中，轨迹偏离的相对残差ε_y和横摆角速度的相对残差ε_W分别通过如下公式计算：

ε_y＝|Y-Y_r|/Y_r

ε_W＝|W-W_r|/W_r

其中，Y和W分别表示预测的侧向位移和横摆角速度，Y_r和W_r分别表示Y和W对应的期望阈值；

η_Y和分别为轨迹偏离和横摆角速度的评价指标权重系数分别通过如下公式计算：

η_Y＝ε_Y/(ε_Y+ε_W)

计算第k个周期预测模型输出的预测值与期望阈值的轨迹偏离残差R(k)，轨迹偏离残差R(k)通过如下公式计算：

其中，Y_r(k)和Y(k)分别为在第k个周期的预测侧向位移和参考侧向位移，W_r(k)和分别为在第k个周期的预测横摆角速度和参考横摆角速度，N_e为预瞄周期，η_Y和/>分别为轨迹偏离和横摆角速度的评价指标权重系数；

具体地，轨迹偏离残差R₁的计算融合了目标的预测侧向位移、预测横摆角速度以及相应的参考值，能够合理评估目标运动轨迹的预测偏差。预测侧向位移Y_r(k)反映了目标在方位角维度的运动趋势，参考侧向位移Y(k)代表目标的实际方位角位移。两者的差异即为方位角轨迹偏差。预测横摆角速度W_r(k)反映了目标的机动能力，参考横摆角速度代表目标的实际机动水平，两者差异即为机动能力估计偏差。利用预瞄周期N_e进行归一化，消除周期时长的影响。权重系数η_Y和/>允许自定义轨迹偏差和机动能力估计偏差在残差中的贡献度。轨迹偏离残差R₁综合考虑了目标运动的完整性和机动性，能更准确评估轨迹预测的偏差，有助于提高后续的轨迹预测和捕获效果。

具体地，相对残差进行了归一化处理，消除了量纲影响，使不同参数的残差具有可比性。相对残差直接反映了参数相对于期望水平的偏差或超调程度。相对残差可直接映射为权重，表示控制需求的优先级。权重相对值可直观地进行比较，判断控制不足的方向。根据权重调整控制量占比，可动态优化控制策略。在满足轨迹需求前提下，可增加稳定性控制量，提高稳定性。相对残差方法赋予控制器自适应调节控制分配的能力。综上，使用相对残差可以实现控制资源的动态优化分配，在满足轨迹精度前提下提高稳定性控制，因而有利于提高整体控制效果。

具体地，预测侧向位移反映了轨迹跟踪效果，是衡量轨迹控制的核心指标。预测横摆角速度直接相关到车辆的操纵稳定性，是评价稳定性控制的重要参数。计算二者的相对残差，可以判断轨迹控制和稳定性控制的偏差程度。两个参数代表了车辆运动控制的两个关键方面，残差可全面评估控制情况。权重适当考虑两个方面，可以实现对轨迹跟踪效果和稳定性的平衡控制。在轨迹允许范围内，提高稳定性控制量，有利于提升整体控制稳定性。二者权重根据实时控制效果进行动态调整，实现自适应控制。综上，选择这两个参数进行残差计算，可以对轨迹精度和稳定性控制进行评估，实现二者的协同控制，从而提高车辆的整体控制稳定性。

生成转向控制指令和横向力控制指令，以提高无人车在复杂场景下的稳定性控制能力，S600生成转向控制指令和横向力控制指令包括：

利用三自由度动力学模型，建立轨迹跟踪误差成本函数和横摆稳定性成本函数；在这一步骤中，利用三自由度动力学模型，建立轨迹跟踪误差成本函数和横摆稳定性成本函数。这些成本函数反映了无人车与期望轨迹的偏差以及横摆稳定性的指标。

将S500得到的权重系数分配给的成本函数；通过将S500得到的权重系数分配给轨迹跟踪误差成本函数和横摆稳定性成本函数，将重要程度的权重引入到成本函数中。这些权重系数指导系统更注重哪些成本因素，从而影响最优转向控制和横向力控制的生成。

利用分配权重系数的成本函数，构建多目标聚合成本函数，协调轨迹跟踪成本和横摆稳定性成本；利用分配权重系数的成本函数，构建多目标聚合成本函数，以协调轨迹跟踪成本和横摆稳定性成本。多目标聚合成本函数综合考虑了轨迹跟踪误差和横摆稳定性两项指标，并平衡它们的影响。

获取构建的多目标聚合成本函数的最小值，生成最优转向角和最优横摆力；基于构建的多目标聚合成本函数，通过求取该成本函数的最小值，生成最优的转向角和横摆力。这些最优值代表了在多目标优化的框架下，实现轨迹跟踪和横摆稳定的最佳控制策略。

根据最优转向角和最优横摆力，通过控制分配算法生成转向控制指令和横向力控制指令。根据最优转向角和最优横摆力，通过控制分配算法生成转向控制指令和横向力控制指令。这些控制指令将被传输给车辆的执行器，实现对转向和横向力的控制。

具体地，中轨迹跟踪误差成本函数，采用车辆轨迹与参考轨迹间的横向偏差构建，使车辆能够准确跟踪参考轨迹，具有减小轨迹跟踪误差的技术效果。横摆稳定性成本函数：采用车辆横摆角、横摆角速度等参数构建，使车辆横摆运动稳定，具有提高横摆稳定性的技术效果。

通过以上步骤，利用成本函数、权重系数和多目标优化的方法，可以生成最优的转向控制指令和横向力控制指令，从而提高无人车在复杂场景下的稳定性控制能力。

具体地，中权重分配方法，根据当前车辆状态，判断轨迹跟踪和横摆稳定性的优先级。如果轨迹偏离较大，则给轨迹跟踪误差成本函数分配更大权重；如果横摆运动较大，则给横摆稳定性成本函数分配更大权重。通过自适应调整权重分配比例，实现两者的协调优化。

具体地，中构建多目标聚合成本函数，将分配了权重的轨迹跟踪成本和横摆稳定性成本线性求和。采用加权最小二乘的方法构建多目标聚合成本函数。通过调整权重，平衡轨迹跟踪精度和横摆稳定性。

具体地，中最优控制量生成方法，将聚合成本函数代入优化求解器，寻找成本函数的最小值点。最小值点对应的转向角和横摆力即为最优控制量。采用数值优化算法，高效生成最优控制解。

具体地，S660中的控制指令生成方法，根据最优转向角，计划转向执行轨迹，生成转向控制指令。根据最优横摆力，计算需要的左右轮制动力/驱动力，生成横向力控制指令。控制指令通过CAN总线发送执行，闭环控制车辆运动。采用模型预测控制和闭环反馈，提高控制精度。具体地，多目标聚合成本函数的最小值通过如下公式计算：

其中，μ_k为k步预测的系统状态量，u_k为k步预测的控制量输入，ν和q_ν分别为直接横摆力矩控制可行解和权重系数，t表示当前瞬间时刻，(t+k,t)表示在t时刻之后的k步预测，是t时刻向后预测k步的预测输出，/>是t时刻向后预测k步的参考输出，Q和R分别为输出量权重矩阵和控制量权重矩阵，N_c为控制时域长度，N_p为预测时域长度，Δu为控制输入变化量，_ρ为权衡参数，用于平衡多个目标之间的重要性；ε为控制约束松弛程度的参数。

具体地，通过在成本函数中引入直接横摆力矩控制可行解和权重系数，可以优化系统对横摆控制的调节能力，并根据不同的控制需求进行权衡；是t时刻向后预测k步的预测输出，/>是t时刻向后预测k步的参考输出，用于平衡预测输出与参考输出之间的误差，使系统更好地追踪参考轨迹并维持稳定性；Δu为控制输入变化量，用于计算转向控制指令和横向力控制指令的调整幅度，通过控制输入的变化，系统可以根据当前状态和控制目标快速进行调整，提高控制精度和响应速度；Q和R分别为输出量权重矩阵和控制量权重矩阵，Q用于调节系统对输出量(如轨迹偏差)的重视程度，R表示控制量权重矩阵，用于调节系统对控制量(如转向角和横摆力)的优化程度。_ρ为权衡参数，用于平衡控制输入的约束限制和控制性能之间的关系；ε为控制约束松弛程度的参数，可以在满足约束条件的前提下，提高系统的鲁棒性和控制品质。更具体地，Q和R通常为一个对称正定矩阵，对角元素表示不同输出量的权重系数。

在本申请中，通过综合考虑以上参数的取值和权衡，系统可以生成最优的转向控制指令和横向力控制指令，以提高无人车在复杂场景下的稳定性控制能力。参数之间的相互配合和协同能够优化控制策略，提高控制精度和鲁棒性，从而使无人车能够更稳定地跟踪轨迹并保持横向稳定。

为验证本申请所提出的控制方法的有效性和优越性，搭建仿真测试平台，测试环境以及高精度整车动力学模型由Carsim仿真软件提供。控制器1为不具备风险预测模块的无人车轨迹跟踪控制器，控制器2为本申请提出的基于行驶风险预测的轨迹跟踪及稳定性协调控制器。选择低附着路面的附着系数为0.40，车速设置为70km/h，整车质量为2185kg，进行了标准双移线工况试验测试。

图4是根据本说明书一些实施例所示的轨迹跟踪情况示意图，图5是根据本说明书一些实施例所示的横摆角速度控制情况示意图；在图4中，实线为参考行使轨迹，虚线为控制器1的行使轨迹，点划线为控制器2(本申请提出的协调控制器)的行驶轨迹，横坐标为X轴方向的偏离位移，纵坐标为Y轴方向的偏离位移；在图5中，实线为期望值，虚线为控制器1的横摆角速度曲线，点划线为控制器2(本申请提出的协调控制器)的横摆角速度曲线。如图4和图5所示，试验结果表明，控制器1很难保障车辆在极限工况下轨迹跟踪精度，高速转弯过程中失去了轨迹跟踪能力，并且车辆的横摆稳定性控制效果不理想，处于失稳状态。控制器2(本申请提出的协调控制器)可以明显提升轨迹跟踪精度和横摆稳定性，全程跟踪误差基本保持在较小的范围内。

其中，控制器1仅关注轨迹跟踪控制目标，未考虑横摆稳定性，在高速转弯时无法兼顾两者。未预测转弯过程中的横摆增长和失稳现象，导致在附着条件较差时，横摆运动失控。没有根据附着条件和速度主动调整横摆抑制力，难以应对附着条件恶化。相比而言，控制器2(本申请提出的协调控制器)基于对行驶风险的预测，实现了协调控制，预测模型准确预测转弯中的轨迹偏离和横摆失稳风险，提前做出控制调整。权重自适应分配算法主动调整轨迹和横摆控制的优先级，实现两者的协调。多目标优化控制同时兼顾轨迹跟踪精度和横摆抑制效果。闭环控制和模型预测相结合，提高了转弯中的控制稳定性。在附着条件较差时，可以维持较小的跟踪误差和稳定的横摆运动。明显提升了极端工况下的轨迹跟踪精度和横摆稳定性。

综上所述，本申请的控制器通过对可能的行驶风险进行预测和评估，实现了轨迹跟踪和横摆稳定性的协调优化控制，显著提高了无人车辆的安全性和操纵稳定性。

Claims (11)

1.一种基于行驶风险预测的无人车行驶路径跟踪控制方法，包括：

构建无人车的三自由度动力学模型；

采集无人车的当前状态数据；

利用三自由度动力学模型和当前状态数据，构建长时域轨迹偏离预测模型，采用高阶马尔科夫模型获得未来多步长内的轨迹偏离预测值；

利用三自由度动力学模型和当前状态数据，构建瞬时横摆失稳预测模型，预测横摆角速度和侧向速度，获得横摆失稳预测值；

基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数；

将三自由度动力学模型、轨迹偏离预测值、横摆失稳预测值和权重系数，构建多目标成本函数，生成转向控制指令和横向力控制指令。

2.根据权利要求1所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

构建无人车的三自由度动力学模型包括：

根据无人车的结构参数，构建动力学模型的刚体坐标系；

利用刚体坐标系、无人车的质量参数和转动惯量参数，建立动力学模型的质量矩阵；

利用刚体坐标系和动力学特性，建立车轮与地面接触模型；

利用刚体坐标系、质量矩阵和动力学特性，建立车轮驱动模型和制动力模型；

利用刚体坐标系、质量矩阵和转向系统特性，建立转向系统模型；

集成建立的模型，形成无人车的横向运动模型F_x、纵向运动模型F_y和横摆运动模型M_z；

对集成的模型进行仿真验证，生成三自由度动力学模型。

3.根据权利要求2所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

无人车的横向运动模型F_x、纵向运动模型F_y和横摆运动模型M_z分别通过如下公式计算：

其中，m为整车车辆质量，v_x为纵向车速，v_y为横向车速，为纵向加速度，/>为横向加速度，w_r为横摆角速度，/>为横摆角加速度，F_x1为正常行使的车轮纵向力，F_y1为正常行使的车轮横向力，F_x2为紧急制动的车轮纵向力，F_y2为紧急制动的车轮横向力；F_x3为急转弯的车轮纵向力，F_y3为急转弯的车轮横向力；F_x4为极限操控的车轮纵向力，F_y4为极限操控的车轮横向力，δ_f为前轮转角，a和b分别为质心到前轴和后轴距离；B为前轴中心到后轴中心的距离，I_z为横摆转动惯量。

4.根据权利要求3所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

三自由度动力学模型通过如下公式计算：

其中，为质心侧偏角的一阶导数，β为质心侧偏角，K_af为前轮线性侧偏刚度，K_ar为后轮线性侧偏刚度，K_xf和K_xr分别为前后轮纵向侧偏刚度，m为整车车辆质量，/>为纵向加速度，v_x为纵向车速，a和b分别为质心到前轴和后轴距离，δ_f为前轮转角；/>为横摆角加速度，w_r为横摆角速度，I_z为横摆转动惯量，ΔM_z为附加横摆力矩；/>为横向加速度，v_y为横向车速，为航向角，/>为航向角的速率，s_f和s_r分别为前轮和后轮的纵向滑移率，/>和/>分别为车辆纵横向坐标点。

5.根据权利要求1所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

获取轨迹偏离预测值包括：

获取包含无人车的侧向速度和侧向加速度的行驶数据；

利用获取的行驶数据训练马尔科夫模型，获得马尔科夫模型的转移概率矩阵Q_i；

将当前状态数据和转移概率矩阵相结合，作为马尔科夫模型的输入；

重复所有步骤，以获取多步长的轨迹偏离预测值。

6.根据权利要求5所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

马尔科夫模型的转移概率矩阵Q_i通过如下公式计算：

其中，为第i步时，起始状态m到目标状态n的转移概率值P；

转移概率值P通过如下公式计算：

其中，a_j为车辆纵向加速度，v为车辆纵向速度，t为时间，l_p为预测步长，表示为状态k到状态j的第i阶转移概率矩阵，0≤λ_i≤1，/>表示为权重因子，n为马尔科夫模型的阶数。

7.根据权利要求1所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

获得横摆失稳预测值包括：

定义无人车的横摆角速度和侧向速度的安全边界；

获取车辆状态数据，状态数据包含车辆急转弯和避障瞬时失稳情况下的状态数据；

使用获取的车辆状态数据，建立横摆角速度和侧向速度的预测模型；

利用预测模型对当前状态数据进行瞬时预测，获取未来一步的横摆角速度和侧向速度，生成瞬时预测结果；

比较瞬时预测结果与安全边界，当瞬时预测结果超过安全边界时，判定为无人车瞬时失稳。

8.根据权利要求1所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

基于残差法获得轨迹偏离预测值和横摆失稳预测值的权重系数包括：

定义轨迹偏离预测的期望值和横摆失稳预测的期望值；

计算轨迹偏离预测值相对于轨迹偏离预测期望值的残差R₁；

计算横摆失稳预测值R₁相对于横摆失稳预测期望值的残差R₂；

将轨迹偏离残差R₁和横摆失稳残差R₂进行归一化处理，得到残差R₁'和残差R₂'；

将残差R₁'和残差R₂'作为轨迹偏离预测和横摆失稳预测的权重系数输出。

9.根据权利要求8所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

轨迹偏离残差R₁和横摆失稳残差R₂分别通过如下公式计算：

其中，η_Y和分别为轨迹偏离和横摆角速度的评价指标权重系数，N_e为预瞄周期，Y_r(k)和Y(k)分别为在第k个周期的预测侧向位移和参考侧向位移，W_r(k)和/>分别为在第k个周期的预测横摆角速度和参考横摆角速度；

其中，轨迹偏离和横摆角速度的评价指标权重系数η_Y和分别通过如下公式计算：

η_Y＝ε_Y/(ε_Y+ε_W)

其中，轨迹偏离的相对残差ε_y和横摆角速度的相对残差ε_W分别通过如下公式计算：

ε_y＝|Y-Y_r|/Y_r

ε_W＝|W-W_r|/W_r

其中，Y和W分别表示预测的侧向位移和横摆角速度，Y_r和W_r分别表示Y和W对应的期望阈值。

10.根据权利要求1所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

生成转向控制指令和横向力控制指令包括：

利用三自由度动力学模型，建立轨迹跟踪误差成本函数和横摆稳定性成本函数；

将得到的权重系数分配给的成本函数；

利用分配权重系数的成本函数，构建多目标聚合成本函数，协调轨迹跟踪成本和横摆稳定性成本；

获取构建的多目标聚合成本函数的最小值，生成最优转向角和最优横摆力；

根据最优转向角和最优横摆力，通过控制分配算法生成转向控制指令和横向力控制指令。

11.根据权利要求10所述的基于行驶风险预测的无人车行驶路径跟踪控制方法，其特征在于：

多目标聚合成本函数的最小值通过如下公式计算：

其中，μ_k为k步预测的系统状态量，u_k为k步预测的控制量输入，ν和q_ν分别为直接横摆力矩控制可行解和权重系数，t表示当前瞬间时刻，(t+k,t)表示在t时刻之后的k步预测，是t时刻向后预测k步的预测输出，/>是t时刻向后预测k步的参考输出，Q和R分别为输出量权重矩阵和控制量权重矩阵，N_c为控制时域长度，N_p为预测时域长度，Δu为控制输入变化量，_ρ为权衡参数，用于平衡多个目标之间的重要性；ε为控制约束松弛程度的参数。