CN117434836A - 一种基于扩张状态观测器的无模型自适应的车辆控制方法 - Google Patents

Abstract

本说明书实施例公开了一种基于扩张状态观测器的无模型自适应的车辆控制方法，方案可以包括：基于预瞄偏差角的车辆路径跟踪动力学分析；建立基于预瞄偏差角的动态线性化；基于动态线性化数据模型构建扩张状态观测器进行当前时刻扰动估计；获取当前时刻伪偏导数估计值；获取MFAC控制率算法；将扩张状态观测器获取的扰动估计值引入控制率算法中进行补偿；引入衰减因子对扰动进行抑制。本申请技术方案通过引入扩张状态观测器对扰动进行观测，进而对观测到的扰动进行补偿，此外，在控制率中还引入了衰减因子对扰动进行抑制，本发明对扰动进行补偿和抑制处理，提高了自动驾驶车辆控制系统的鲁棒性。

Description

一种基于扩张状态观测器的无模型自适应的车辆控制方法

技术领域

本申请涉及自动驾驶技术领域，尤其涉及一种基于扩张状态观测器的无模型自适应的车辆控制方法。

背景技术

自动驾驶关键技术包括感知、决策、控制等层面。其中，控制层是指通过控制方法控制加速、减速和转向操作以实现对期望路径的精确跟踪控制。目前，许多基于车辆动力学模型的控制方法，如模型预测控制、滑膜控制、鲁棒控制等，已经广泛运用于车辆路径跟踪问题中。然而，车辆的运行过程需要面对复杂环境和工况，使得车辆动力学系统的精确模型难以建立。因此，如何独立于系统模型设计控制方案引起了人们的关注。

无模型自适应控制(MFAC)方法是一种数据驱动控制(DDC)方法，其参数设计不依赖于控制对象结构，即无需对控制对象进行建模或参数辨识，而只通过控制系统的输入输出数据进行控制参数设计。相比于其他DDC方法，MFAC具有适应性强、易于工程实现的优点被广泛应用于多种工业领域。

此外，在自动驾驶车辆的运行过程中，由于天气、路况、自身传感器的故障、网络攻击等原因，在行驶过程中会存在多种扰动。针对自动驾驶车辆存在各种扰动的路径跟踪问题，现有的MFAC方法可以分为两类，第一类方法是从对噪声数据进行滤波角度考虑：利用跟踪微分器的滤波能力，将其与MFAC控制器进行模块化设计，实现了对测量扰动的抑制。但跟踪微分器的引入会使信号产生相位损失，影响到控制器的响应速度，效果仍有待提升；第二类方法从改进MFAC控制律角度考虑：通过在MFAC控制律中引入衰减因子，以实现对扰动的抑制；此类方法在跟踪常值参考信号时扰动抑制效果较好，但在参考信号时变时此类方法的控制效果则有待改善。

发明内容

本说明书实施例提供一种基于扩张状态观测器的无模型自适应的车辆控制方法，以提高自动驾驶车辆控制系统的鲁棒性。

为解决上述技术问题，本说明书实施例是这样实现的：

本发明提供一种基于扩张状态观测器的无模型自适应的车辆控制方法，包括：

S1、建立对于目标自动驾驶车辆的控制目标，具体包括：

基于所述目标自动驾驶车辆上安装的GPS天线实时获取所述目标自动驾驶车辆的当前位置点的坐标，将位于所述目标自动驾驶车辆的期望轨迹上且距离所述目标自动驾驶车辆前方预定距离的点定义为预瞄点，基于所述GPS天线获取所述预瞄点的坐标；将所述目标自动驾驶车辆的运动方向与连接所述预瞄点和所述目标自动驾驶车辆的当前位置点的直线的夹角设定为预瞄偏差角，将控制所述目标自动驾驶车辆的路径跟踪问题转换为使得所述预瞄偏差角与零度角的偏差小于预定角度的问题；

S2：建立基于所述预瞄偏差角的动态线性化数据模型的形式，具体包括：

将关于预瞄偏差角的动力学系统表述为如公式示意的离散时间非线性系统：

θ(k+1)＝f(θ(k),......,θ(k-n_θ),u(k),......,u(k-n_u)) (4)

其中，符号θ(k)表示当前时刻的预瞄偏差角，u(k)为当前时刻前轮转角，符号n_θ表示第一整数，符号n_u表示第二整数，符号f(·)表示非线性函数；

当所述非线性函数f(·)存在连续偏导数的条件下且式满足广义Lipschiz条件时，式表示为如式所示的紧格式动态线性化数据模型的形式：

Δθ(k+1)＝φ_c(k)Δu(k)+w(k) (5)

其中，符号φ_c(k)表示伪偏导数(PDD)，符号w(k)表示有界的总扰动；

S3：基于所述动态线性化数据模型构建扩张状态观测器以进行当前时刻扰动估计，具体包括：

定义z₁(k)＝θ(k)，z₂(k)＝w(k)，其中z₂(k)∈R是未知且有界的，将公式示意的动态线性化数据模型转化为如式示意的状态空间方程：

将定义为z_i的估计，将/>定义为估计误差，进而构建数据驱动的扩张状态观测器如下：

其中，符号T表示采样时间，符号β₁和符号β₂表示所述扩张状态观测器的增益；

S4、获取当前时刻的伪偏导数估计值

考虑如式所示的伪偏导数估计算法准则函数：

其中，符号μ表示权重因子，用来惩罚PPD估计值的过大变化，符号为符号φ_c(k)的估计值；

将式代入式对φ_c(k)求导，并令其为0，得PPD参数估计算法如式所示：

其中，符号η∈(0,1]是加入的步长因子；

引入重置算法如式所示

其中，符号表示符号/>的初值；

S5：获取MFAC控制率算法，

控制输入准则函数如式所示：

其中，符号θ^*(k+1)表示期望预瞄偏差角，其数值为0，符号λ＞0表示权重因子，用于惩罚过度控制输入量的变化；

将式代入式对u(k)求导，并令其为0，得控制输入算法如式所示：

其中，符号ρ∈(0,1]是步长因子；

S6、将所述扩张状态观测器获取的扰动估计值引入控制率算法中进行补偿，具体包括：

引入扩张状态观测器获取的扰动估计值进行补偿后控制率算法由转变为式

S7：引入衰减因子对扰动进行抑制，具体包括：

引入衰减因子对扰动进行因子后控制率算法由转变为式

其中，符号M表示衰减因子，所述衰减因子M的描述如式所示

其中，符号e_m为常数，符号k_m为从|θ^*(k+1)-θ(k)|≥e_m变化到|θ^*(k+1)-θ(k)|≤e_m的时刻。

本说明书一个实施例至少能够达到以下有益效果：本发明为了提高自动驾驶车辆在路径跟踪中的鲁棒性，提供了一种基于扩张状态观测器的无模型自适应车辆控制方法，该方法引入扩张状态观测器对扰动进行观测，进而对观测到的扰动进行补偿。此外，在控制率中还引入了衰减因子对扰动进行抑制，本发明对扰动进行补偿和抑制处理，提高了车辆控制系统的鲁棒性。

附图说明

为了更清楚地说明本说明书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，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法中预瞄点与预瞄距离的示意图；

图2是本说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法中车辆行驶时的控制过程示意图；

图3是本说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法中车辆路径跟踪横向误差的示意图；

图4是本说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法中车辆行驶路径的示意图；

图5是本说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法中预瞄偏差角跟踪曲线的示意图；

图6是本说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法中车辆航向角误差的示意图。

具体实施方式

为使本说明书一个或多个实施例的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书一个或多个实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书一个或多个实施例保护的范围。

应当理解，尽管在本申请文件中可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。

接下来，将针对说明书实施例提供的一种基于扩张状态观测器的无模型自适应的车辆控制方法结合附图进行具体说明。

下面先对本申请技术方案的设计思路进行说明，本申请技术方案提供一种自动驾驶车辆用基于扩张状态观测器的无模型自适应控制方法及，用以在车辆动力学模型未知的情况下，解决在行驶过程中存在各种内部、外部扰动下的路径跟踪控制问题，该方法通过引入扩张状态观测器与衰减因子，在控制率中对扰动进行补偿与抑制，提高了自动驾驶车辆的路径跟踪精度和算法的鲁棒性。

下面结合图1至图6对本发明技术方案进行阐述，方案的具体内容包括以下步骤：

步骤S1：基于预瞄偏差角的车辆路径跟踪动力学分析。

当汽车的运行速度较快时(在高速路上行驶时)，司机会盯着前方较远的一个点；当汽车的速度较慢时(即将转弯时)，则会盯着前面较近的一个点。自动驾驶参考这样的过程，引入了预瞄点和预瞄距离的概念，如图1所示。

预瞄点指的是在期望轨迹上、汽车前方某一距离的点；预瞄距离是预瞄点与车辆当前点的距离。预瞄距离与汽车运行速度之间的关系可以用式表示：

其中x是预瞄距离(m)，v是当前汽车速度(m/s)，x_min是最小预瞄距离(m)，x_max是最大预瞄距离(m)，A是常数。这里存在最大的预瞄距离，是汽车设备感知能力具有限制的缘故，而存在最小的预瞄距离，则是为了在汽车速度为零时保证预瞄点在汽车前方位置处。

车辆行驶时的控制过程如图2所示，自动驾驶车辆控制的目标是使车辆满足条件LD→0，AD→0，其中ld表示车辆预瞄点与汽车运行方向延长线的距离，ad表示预瞄点航向角与汽车航向角α之差。

连接预瞄点与车辆当前位置点，假设车辆的运动方向与这条连线的夹角为θ，将该夹角定义为预瞄偏差角，规定当预瞄点在车辆运行方向右前侧时的预瞄偏差角为正。预瞄偏差角的计算如式所示：

θ＝arctan(dx/dy)-AD (2)

其中dx＝x_d-x，dy＝y_d-y，(x_d,y_d)为预瞄点坐标，(x,y)为车辆当前点坐标。

通过分析可知，如果θ，LD，AD的定义如图2所示，则可得出以下结论：

具体分析过程如下：

在图2(a)中，AD＝∠ACB，同时在ΔABC中sinθ＝AE/AB，由于θ→0且AB≥d_min≠0(预瞄距离不为0)，则可以推断出AE→0，即LD→0。此外，又由于sin∠ACB＝AE/AC且AE→0，则可以推出AD→0，通过该分析可知，控制θ使之趋于0为自动驾驶车辆路径跟踪问题提供了解决方案，实际场景中，可以设定一个角度大于零的预定角度，控制目标为使得预瞄偏差角小于该预定角度即可认定为满足控制需求。

该步骤执行主体为GPS天线，目标自动驾驶车辆上安装的GPS天线获取当前时刻车辆位置坐标及预瞄点坐标；预瞄偏差角计算模块，用于基于当前时刻车辆位置坐标及预瞄点坐标计算预瞄偏差角。

步骤S2：建立基于预瞄偏差角的动态线性化。

关于预瞄偏差角的动力学系统可以表述为离散时间非线性系统：

θ(k+1)＝f(θ(k),……,θ(k-n_θ),u(k),……,u(k-n_u)) (4)

其中θ(k)为当前时刻的预瞄偏差角，u(k)为当前时刻前轮转角，n_θ，n_u为两个未知整数，f(·)是未知的非线性函数。

当f(·)存在连续偏导数的条件且式满足广义Lipschiz条件时，式表示为如式所示的紧格式动态线性化数据模型的形式：

Δθ(k+1)＝φ_c(k)Δu(k)+w(k) (5)

其中φ_c(k)为伪偏导数(PDD)，w(k)为有界的总扰动。

步骤S3：基于动态线性化数据模型构建扩张状态观测器进行当前时刻扰动估计。

定义z₁(k)＝θ(k)，z₂(k)＝w(k)，其中z₂(k)∈R是未知且有界的，则动态线性化数据模型可以转化为如式状态空间方程：

将定义为z_i的估计，将/>定义为估计误差，进而构建数据驱动的扩张状态观测器如下：

其中T是采样时间，β₁，β₂是扩张状态观测器增益。

该步骤执行主体为扰动估计计算模块，用于基于上一时刻的扰动估计值、PPD、控制输入值来获取当前时刻的扰动估计值。

步骤S4：获取当前时刻伪偏导数估计值。

考虑如式所示的伪偏导数估计算法准则函数：

其中，μ为权重因子，用来惩罚PPD估计值的过大变化，为φ_c(k)的估计值。

将式代入式对φ_c(k)求导，并令其为0，得PPD参数估计算法如式所示：

其中，符号η∈(0,1]是加入的步长因子，目的是使该算法具有更强的灵活性和一般性。

为了使PPD估计算法具有更强的跟踪时变参数的能力，并更好地适应无人驾驶实际情况，需要引入重置算法如式所示

其中，符号是/>的初值。

该步骤执行主体为PPD估计计算模块，用于基于上一时刻的扰动估计值、PPD、控制输入值来获取当前时刻的PPD估计值。

步骤S5：获取MFAC控制率算法。

控制输入准则函数如式所示：

J₂(u(k))＝|θ^*(k+1)-θ(k+1)|²+λ|u(k)-u(k-1)|² (11)

其中，符号θ^*(k+1)为期望预瞄偏差角，其数值为0；λ＞0代表权重因子，用于惩罚过度控制输入量的变化。

将式代入式对u(k)求导，并令其为0，得控制输入算法如式所示：

其中，ρ∈(0,1]是步长因子，它的加入目的是使控制算法更具一般性。

步骤6：将扩张状态观测器获取的扰动估计值引入控制率算法中进行补偿。

引入扩张状态观测器获取的扰动估计值进行补偿后控制率算法由转变为式

步骤S7：引入衰减因子对扰动进行抑制。

引入衰减因子对扰动进行因子后控制率算法由转变为式

其中，符号M表示衰减因子，其描述如式所示

其中，符号e_m为常数，k_m为从|θ^*(k+1)-θ(k)|≥e_m变化到|θ^*(k+1)-θ(k)|≤e_m的时刻。

该步骤执行主体为控制输入计算模块，用于基于当前时刻的扰动估计值、PPD和上一时刻控制输入值来获取当前时刻的控制输入值；控制输入执行单元，控制输入信号作用于车辆前轮，使其转向。

将上述控制输入信号作用于自动驾驶车辆被控系统，得到新的输入和输出数据，重复上述步骤即实现一种基于扩张状态观测器的无模型自适应控制方案。

本申请技术方案提供一种自动驾驶车辆用基于扩张状态观测器的无模型自适应控制方法及，用以在车辆动力学模型未知的情况下，解决在行驶过程中存在各种内部、外部扰动下的路径跟踪控制问题，该方法通过引入扩张状态观测器与衰减因子，在控制率中对扰动进行补偿与抑制，提高了自动驾驶车辆的路径跟踪精度和算法的鲁棒性。

此外，本发明提供了一个基于CarSim-Simulink联合平台的高保真全车模型仿真案例，具体如下：

仿真案例中，本发明实施选用的车辆模型参数如表1所示。

表1车辆模型参数

为验证本发明提出的基于扩张状态观测器的MFAC方案(ESO-RMFAC)的有效性，给出常规MFAC方法和带有衰减因子的RMFAC方案的仿真对比实验。对比分析路径跟踪横向误差、预瞄偏差角误差、航向角误差等指标，验证本发明方法的优越性。

仿真场景：外界扰动下的双移线路径跟踪测试

在车辆运行过程纵向速度为40km/h，在第5秒至第15秒施加正铉型号扰动，仿真结果如下

从图3和图4中可以看出，由于ESO-RMFAC和RMFAC对扰动都具有抑制作用，其路径跟踪效果及横向跟踪误差优于MFAC。但由于ESO-RMAFC对扰动还进行了补偿使得其性能更优于RMFAC。此外，由图5和图6中可以看出，ESO-RMFAC在转弯时的航向角误差与预瞄偏差角均小于其他两种方法，说明其转弯时控制稳定性较强。

为了直观分析各个控制方法的性能，考虑以下若干性能指标对控制器进行评价

1)车辆路径跟踪均方根误差值(RMSE)

2)车辆路径跟踪最大误差(e_max)

表2展示了各个控制方法的性能指标，ESO-RMFAC控制方法的各项指标都优于MFAC、RMFAC控制方法，反映了出ESO-RMFAC在外界干扰下具有较好的路径跟踪性能。

表2控制方法性能指标

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。

Claims (1)

1.一种基于扩张状态观测器的无模型自适应的车辆控制方法，其特征在于，所述方法包括：

S1、建立对于目标自动驾驶车辆的控制目标，具体包括：

基于所述目标自动驾驶车辆上安装的GPS天线实时获取所述目标自动驾驶车辆的当前位置点的坐标，将位于所述目标自动驾驶车辆的期望轨迹上且距离所述目标自动驾驶车辆前方预定距离的点定义为预瞄点，基于所述GPS天线获取所述预瞄点的坐标；将所述目标自动驾驶车辆的运动方向与连接所述预瞄点和所述目标自动驾驶车辆的当前位置点的直线的夹角设定为预瞄偏差角，将控制所述目标自动驾驶车辆的路径跟踪问题转换为使得所述预瞄偏差角与零度角的偏差小于预定角度的问题；

S2：建立基于所述预瞄偏差角的动态线性化数据模型的形式，具体包括：

将关于预瞄偏差角的动力学系统表述为如公式示意的离散时间非线性系统：

θ(k+1)＝f(θ(k),……,θ(k-n_θ),u(k),……,u(k-n_u)) (4)

其中，符号θ(k)表示当前时刻的预瞄偏差角，u(k)为当前时刻前轮转角，符号n_θ表示第一整数，符号n_u表示第二整数，符号f(·)表示非线性函数；

当所述非线性函数f(·)存在连续偏导数的条件下且式满足广义Lipschiz条件时，式表示为如式所示的紧格式动态线性化数据模型的形式：

Δθ(k+1)＝φ_c(k)Δu(k)+w(k) (5)

其中，符号φ_c(k)表示伪偏导数(PDD)，符号w(k)表示有界的总扰动；

S3：基于所述动态线性化数据模型构建扩张状态观测器以进行当前时刻扰动估计，具体包括：

定义z₁(k)＝θ(k)，z₂(k)＝w(k)，其中，符号z₂(k)∈R是未知且有界的，将公式示意的动态线性化数据模型转化为如式示意的状态空间方程：

将定义为z_i的估计，将/>定义为估计误差，进而构建数据驱动的扩张状态观测器如下：

其中，符号T表示采样时间，符号β₁和符号β₂表示所述扩张状态观测器的增益；

S4、获取当前时刻的伪偏导数估计值

考虑如式所示的伪偏导数估计算法准则函数：

其中，符号μ表示权重因子，用来惩罚PPD估计值的过大变化，符号为符号φ_c(k)的估计值；

将式代入式对φ_c(k)求导，并令其为0，得PPD参数估计算法如式所示：

其中，符号η∈(0,1]是加入的步长因子；

引入重置算法如式所示

其中，符号表示符号/>的初值；

S5：获取MFAC控制率算法，

控制输入准则函数如式所示：

J₂(u(k))＝|θ^*(k+1)-θ(k+1)|²+λ|u(k)-u(k-1)|² (11)

其中，符号θ^*(k+1)表示期望预瞄偏差角，其数值为0，符号λ＞0表示权重因子，用于惩罚过度控制输入量的变化；

将式代入式对u(k)求导，并令其为0，得控制输入算法如式所示：

其中，符号ρ∈(0,1]是步长因子；

S6、将所述扩张状态观测器获取的扰动估计值引入控制率算法中进行补偿，具体包括：

引入扩张状态观测器获取的扰动估计值进行补偿后控制率算法由转变为式

S7：引入衰减因子对扰动进行抑制，具体包括：

引入衰减因子对扰动进行因子后控制率算法由转变为式

其中，符号M表示衰减因子，所述衰减因子M的描述如式所示

其中，符号e_m为常数，符号k_m为从|θ^*(k+1)-θ(k)|≥e_m变化到|θ^*(k+1)-θ(k)|≤e_m的时刻。