CN117572875A - 一种基于热启动的实时速度规划方法、系统、设备及介质 - Google Patents
一种基于热启动的实时速度规划方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN117572875A CN117572875A CN202410051650.2A CN202410051650A CN117572875A CN 117572875 A CN117572875 A CN 117572875A CN 202410051650 A CN202410051650 A CN 202410051650A CN 117572875 A CN117572875 A CN 117572875A
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- speed planning
- optimal control
- model
- 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 38
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000004891 communication Methods 0.000 claims description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013461 design Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种基于热启动的实时速度规划方法、系统、设备及介质，利用模型预测控制的优越性生成平滑且安全的速度轨迹，且在热启动的帮助下显著地减少实时速度规划求解模型预测控制问题所需要的计算时间，利用模型预测控制得到的最优解，兼顾避障性能以及舒适性能，利用历史帧的最优解信息可以达到帧间稳定的规划效果，减少出现跳变，使基于模型预测控制的速度规划能够在车载芯片中实时运行。
Description
技术领域
本发明属于智能驾驶技术领域，设计轨迹规划，具体涉及到一种基于热启动的实时速度规划方法、系统、设备及介质。
背景技术
自动驾驶技术中的速度规划是保证车辆舒适性安全性的关键一环，也是直接决定了自动驾驶的体感性能。目前，主流的自动驾驶速度规划方法主要集中在基于PID，模型预测控制（MPC）以及基于规则的速度规划。
基于PID控制的速度规划特点是简单而且容易实现，但是在交互性较强的工况下，单输入单输出的PID控制会导致控制系统呈现Bang-Bang控制的振荡状态，且由于真实车辆动力学模型属于非线性系统，基于线型模型的PID或者级联式PID对非线性模型的控制精度较低。
基于模型预测控制的速度规划能够考虑未来的状态，适应不确定性，处理多变量约束，但是由于其计算复杂度较高，若不加以优化，不太适用于实时性要求较高的场景。
基于规则的速度规划可以通过制定规则来适应不同的交通场景，并通过人为标定使规划出的速度轨迹平滑，但是场景的数量随着自动驾驶在更多场合的启用会呈几何倍数的增加，靠规则的堆叠对于普适性的自动驾驶场景来说是难以实现的，且当智能车面对设计时没有考虑过的工况时，基于规则的设计则会不够灵活甚至带来对安全性的挑战。
发明内容
针对上述问题，本发明的主要目的在于设计一种基于热启动的实时速度规划方法、系统、设备及介质，通过热启动来降低模型预测控制，解决控制精度低、设计不够灵活以及实时性较差的问题。
为了实现上述目的本发明采用如下技术方案：
一种基于热启动算法的模型预测控制的速度规划方法，包括如下步骤：
步骤1：获取车辆行驶下的障碍物信息以及规划路径，生成当前时刻的ST图；
步骤2：获取车辆当前时刻的行驶状态；
步骤3：将步骤2的信息作为模型预测控制问题的输入，并结合ST图以及道路限速信息，建立当前时刻的最优控制模型；
步骤4：获取上一时刻KKT条件的灵敏度矩阵，计算当前时刻最优控制模型的初始解猜测，求解最优控制模型的最优控制输入；
步骤5：将最优控制输入应用到车辆系统中，并演进到车辆下一个时刻，持续更新和优化控制输入，实现车辆的速度规划。
作为本发明进一步的描述，所述步骤1中，利用SL坐标系生成当前时刻ST图，包括速度规划，步骤如下：
S11：定义SL坐标系，以路径作为参考，S表示路径的方向，L表示与路径垂直的方向；
S12：将车辆的空间解耦为空间，则速度规划为在路径运动，
s(t) 空间的规划，其模型表达式为：
，
，
其中，表示对时间的导数，表示沿着给定路径的位移量，表示车辆速度，表
示车辆加速度，速度规划表示为沿着已经路径行走时，求解时刻的加速度。
作为本发明进一步的描述，所述ST图的建立为：包含了划定规划的可行域，将障碍
物在到时刻占用车辆前方到的道路进行表达，映射到S-T坐标系中。
作为本发明进一步的描述，所述步骤3中，所述模型预测控制问题定义为寻找到时间内，对应时间的车辆加速度；
则有限时域最优控制模型，表达式为：
，
，
，
，
，
，
其中，和分别对应目标点和参考速度，和代表的上下界，
即ST图中的避碰约束，和代表限速约束，和分别代表加速度的上下
界。
作为本发明进一步的描述，所述步骤4中，当前时刻最优控制模型的初始解猜测，计算过程为：
将速度规划的最优控制模型转化为二次规划问题，表达式为：
，
，
，
其中，为优化变量，矩阵由有限时域最优控制模型的离散化推导求
得；
则，上述二次规划问题的最优性必要条件，表示为：
，
，
，
，
，
其中，和分别为等式约束和不等式约束的拉格朗日乘子，为松弛变量；通过内
点法求解上述二次规划问题的最优性必要条件的方程组，即得到当前时刻速度规划问题的
最优解。
作为本发明进一步的描述，所述步骤5中，每个时刻的KKT条件参数方程为：
，
其中，为KKT条件中除了初始状态的所有变量；
前一时刻对应的初始状态值对应的最优解，其中，为最优
控制模型最优解的流形，则下一时刻初始状态所对应的最优解，表示为：
，
其中，为KKT条件的灵敏度矩阵。
一种基于热启动算法的模型预测控制的速度规划系统，包括ST图建立模块、最优控制模型构建模块、最优控制输入求解模块、持续更新速度规划模块；
所述ST图建立模块，包括速度规划和ST的建立，将障碍物信息映射到二维空间；
所述最优控制模型构建模块，根据速度规划问题，配合ST图建立模块，进行当前时刻的最优控制模型构建；
所述最优控制输入求解模块，进行有限时域最优控制问题求解；
所述持续更新速度规划模块，算法热启动，将有限时域最优控制输入应用到车辆系统中，并演进到车辆下一个时刻，持续更新和优化控制输入，进行车辆的速度规划。
一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，所述存储器，用于存储计算机程序；
所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行上述的方法。
一种计算机可读的存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现上述的方法。
相对于现有技术，本发明的技术效果为：
本发明提供了一种基于热启动的实时速度规划方法、系统、设备及介质，利用模型预测控制的优越性生成平滑且安全的速度轨迹，且在热启动的帮助下显著地减少实时速度规划求解模型预测控制问题所需要的计算时间，利用模型预测控制得到的最优解，兼顾避障性能以及舒适性能，利用历史帧的最优解信息可以达到帧间稳定的规划效果，减少出现跳变，使基于模型预测控制的速度规划能够在车载芯片中实时运行。
附图说明
图1为本发明的速度规划方法整体流程示意图；
图2为本发明中SL坐标系示意图；
图3为本发明中针对障碍车在S-T坐标系中的示意图；
图4为本发明中多个障碍物ST空间的映射示意图；
图5为本发明的模型预测控制问题最优解的流形示意图；
图6为本发明的速度规划系统示意图。
具体实施方式
下面结合附图对本发明进行详细描述：
在本发明的一种实施例中，公开一种基于热启动算法的模型预测控制的速度规划方法，参考图1-5所示，包括如下步骤：
步骤1：获取车辆行驶下的障碍物信息以及规划路径，生成当前时刻的ST图；
步骤2：获取车辆当前时刻的行驶状态；
步骤3：将步骤2的信息作为模型预测控制问题的输入，并结合ST图以及道路限速信息，建立当前时刻的最优控制模型；
步骤4：获取上一时刻KKT条件的灵敏度矩阵，计算当前时刻最优控制模型的初始解猜测，求解最优控制模型的最优控制输入；
步骤5：将最优控制输入应用到车辆系统中，并演进到车辆下一个时刻，持续更新和优化控制输入，实现车辆的速度规划。
具体的，本实施例，旨在通过算法热启动来降低模型预测控制在实时计算时所需要的求解时间，借助上一帧求解的信息，对下一帧的求解进行热启动，以提高实时性和性能，具体内容包括如下：
本实施例，上述步骤1中，利用SL坐标系生成当前时刻ST图，包括速度规划和ST的建立，步骤如下：
1.速度规划
S11：定义SL坐标系，SL坐标系以路径作为参考，S表示路径的方向，L表示与路径垂直的方向；
S12：将车辆的空间解耦为空间，则速度规划为在路径运动，
s(t) 空间的规划，其模型表达式为：
，
，
其中，表示对时间的导数，表示沿着给定路径的位移量，表示车辆速度，表
示车辆加速度，速度规划表示为沿着已经路径行走时，求解时刻的加速度（油门）。
上述，首先给出SL坐标系的概念，SL坐标系将车辆的空间解耦为空间，如果一条路径已经由横向规划给出，那么速度规划就是在路径上运动的问
题，即s(t) 空间的规划问题，如图2所示。
2.ST图
ST图的建立，即将具体的规划空间表达出来，其中包含了划定规划的可行域。
ST图如图3所示，如果前方有一辆障碍车，在时刻到时刻之间，会占用车辆前方到的一段道路，那么在S-T坐标系中，就可以映射为图中的黑色矩形区域。
如图4所示，当整个空间有数个障碍物存在时，映射后的ST空间中有很多障碍物，然后在此二维空间进行避障规划，以此方式将速度规划变为一个二维坐标系下求可行曲线的数学规划问题，映射后的图被称为ST图。
本实施例，上述速度规划问题的目标是寻找到时间内，对应时间的车辆加速
度，使得在给定时间范围内车辆能够安全、平滑地沿着给定路径行驶。则上述步骤3中，
模型预测控制问题定义为寻找到时间内，对应时间的车辆加速度；因此，定义如下
有限时域最优控制模型，来同时考虑车辆速度的平滑性和安全性，表达式为：
，
，，
，
，
，
其中，和分别对应目标点和参考速度，和代表的上下界，
即ST图中的避碰约束，和代表限速约束，和分别代表加速度的上下
界。
以上定义的目标函数和约束条件，能够确保生成的速度规划方案符合实际可行性和安全性。
本实施例，最关键的一环即对上述最优控制模型中所定义的优化问题求解。上述步骤4中，当前时刻最优控制模型的初始解猜测，计算过程为：
一般来说，速度规划的最优控制模型可以转化为一个一般化的二次规划(Quadratic programming)问题，表达式为：
，
，
，
其中，为优化变量，矩阵由上述有限时域最优控制模型的离散化推
导求得。
则，上述二次规划问题的最优性必要条件，可以用如下Karush-Kuhn-Tucker(KKT)条件表示，表达式为：
，
，
，
，
，
其中，和分别为等式约束和不等式约束的拉格朗日乘子，为松弛变量；通过内
点法求解上述二次规划问题的最优性必要条件的方程组，即得到当前时刻速度规划问题的
最优解。
本实施例，算法热启动，包括如下内容：
由于速度规划的最优控制模块是在时域中的连续帧规划，因此之前帧的最优解信息能够被利用来进行对当前时刻计算热启动。
上述步骤5中，考虑每个时刻的KKT条件的参数方程；其中，为KKT条
件中除了初始状态的所有变量；在模型预测控制问题中，该参数方程依赖于未知的初始
状态值。
因此，可以定义最优控制模型最优解的流形，如图5所示，当前一帧对应的
初始状态值对应的最优解已知，并且需要计算下一帧初始状态所对应的
最优解，则下一帧初始状态所对应的最优解，表示为：
，
其中，为KKT条件的灵敏度矩阵。
通过上述内容，公开了本发明基于热启动的实时速度规划方法，本发明相对于现有技术具有以下优势：
1.本发明利用上一时刻的KKT条件的灵敏度矩阵，计算当前时刻二次规划问题的初始解猜测，极大地提高求解速度，满足车载芯片实时规划的性能要求；
2.本发明利用ST图的信息，生成模型预测控制问题进行求解，将速度规划问题降维，减少计算复杂度，计算速度快；
3.本发明模型利用预测控制得到的最优解，兼顾避障性能以及舒适性能，使速度加减速平滑；
4.本发明利用历史帧的最优解信息能够达到帧间稳定的规划效果，减少出现跳变。
在本发明的另一种实施例中，公开一种基于热启动算法的模型预测控制的速度规划系统，如图6所示，该系统包括ST图建立模块、最优控制模型构建模块、最优控制输入求解模块、持续更新速度规划模块；
所述ST图建立模块，包括速度规划和ST的建立，将障碍物信息映射到二维空间；
所述最优控制模型构建模块，根据速度规划问题，配合ST图建立模块，进行当前时刻的最优控制模型构建；
所述最优控制输入求解模块，进行有限时域最优控制问题求解；
所述持续更新速度规划模块，算法热启动，将有限时域最优控制输入应用到车辆系统中，并演进到车辆下一个时刻，持续更新和优化控制输入，进行车辆的速度规划。
在本发明的另一种实施例中，还包括一种电子设备，该电子设备可以包括处理器以及存储由计算机程序指令的存储器。
具体的，本实施例，上述处理器可以包括中央处理器（CPU），或者特定集成电路，或者可以被配置成本实施例的一个或多个集成电路；上述的存储器可以包括用于数据或指令的大容量存储器，针对该存储器，包括但不限于硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合；在适当的情况下，存储器可包括可移除或不可移除（或固定）的介质；在特定实施例中，存储器是非易失性固态存储器。在特定实施例中，存储器包括只读存储器(ROM)。在适当的情况下，该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
上述处理器通过读取并执行存储器中存储的计算机程序指令，实现本发明上述公开的实时速度规划方法。
还需要说明的是，本实施例的电子设备还可以包括通信接口和通信总线。其中，处理器、存储器、通信接口通过通信总线连接并完成相互间的通信。通信接口，主要用于实现本发明实施例中各单元、各模块、装置或设备之间的通信。
上述的通信总线包括硬件、软件或者软硬件两者的结合，将在线数据流量设备的部件彼此耦接在一起。在适当的情况下，通信总线可以包括一个或多个总线。
另外，结合上述实施例中电网窃电检测方法，本发明的实施例可提供一种计算机存储介质来实现，该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行上述的实时速度规划方法。
需要明确的是，本发明并不限于上述公开的方法、系统、设备，还包括本领域技术人员基于本发明的思路后作出的各种改变、修改和添加，或者改变步骤之间的顺序。
本发明当以硬件的方式实现时，其可以是电子电路、专用集成电路，适当的固件、插件、功能卡等；当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段，程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传，“机器可读介质”可以包括能够存储或传输信息的任何介质，例如：电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、光盘、硬盘、光纤介质、射频链路等待。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种基于热启动算法的模型预测控制的速度规划方法，其特征在于，包括如下步骤：
步骤1：获取车辆行驶下的障碍物信息以及规划路径，生成当前时刻的ST图；
步骤2：获取车辆当前时刻的行驶状态；
步骤3：将步骤2的信息作为模型预测控制问题的输入，并结合ST图以及道路限速信息，建立当前时刻的最优控制模型；
步骤4：获取上一时刻KKT条件的灵敏度矩阵，计算当前时刻最优控制模型的初始解猜测，求解最优控制模型的最优控制输入；
步骤5：将最优控制输入应用到车辆系统中，并演进到车辆下一个时刻，持续更新和优化控制输入，实现车辆的速度规划。
2.根据权利要求1所述的一种基于热启动算法的模型预测控制的速度规划方法，其特征在于：所述步骤1中，利用SL坐标系生成当前时刻ST图，包括速度规划，步骤如下：
S11：定义SL坐标系，以路径作为参考，S表示路径的方向，L表示与路径垂直的方向；
S12：将车辆的空间解耦为/>空间，则速度规划为在路径运动，s(t)空间的规划，其模型表达式为：
，
，
其中，表示对时间/>的导数，/>表示沿着给定路径的位移量，/>表示车辆速度，/>表示车辆加速度，速度规划表示为沿着已经路径行走时，求解/>时刻的加速度/>。
3.根据权利要求2所述的一种基于热启动算法的模型预测控制的速度规划方法，其特征在于：所述ST图的建立为：包含了划定规划的可行域，将障碍物在到/>时刻占用车辆前方/>到/>的道路进行表达，映射到S-T坐标系中。
4.根据权利要求3所述的一种基于热启动算法的模型预测控制的速度规划方法，其特征在于：所述步骤3中，所述模型预测控制问题定义为寻找到/>时间内，对应时间/>的车辆加速度/>；
则有限时域最优控制模型，表达式为：
，
，
，
，
，
，
其中，和/>分别对应目标点和参考速度，/>和/>代表/>的上下界，即ST图中的避碰约束，/>和/>代表限速约束，/>和/>分别代表加速度的上下界。
5.根据权利要求4所述的一种基于热启动算法的模型预测控制的速度规划方法，其特征在于：所述步骤4中，当前时刻最优控制模型的初始解猜测，计算过程为：
将速度规划的最优控制模型转化为二次规划问题，表达式为：
，
，
，
其中，为优化变量，矩阵/>由有限时域最优控制模型的离散化推导求得；
则，上述二次规划问题的最优性必要条件，表示为：
，
，
，
，
，
其中，和/>分别为等式约束和不等式约束的拉格朗日乘子，/>为松弛变量；通过内点法求解上述二次规划问题的最优性必要条件的方程组，即得到当前时刻速度规划问题的最优解。
6.根据权利要求1所述的一种基于热启动算法的模型预测控制的速度规划方法，其特征在于：所述步骤5中，每个时刻的KKT条件参数方程为：
，
其中，为KKT条件中除了初始状态/>的所有变量；
前一时刻对应的初始状态值对应的最优解/>，其中，/>为最优控制模型最优解的流形，则下一时刻初始状态/>所对应的最优解，表示为：
，
其中，为KKT条件的灵敏度矩阵。
7.一种基于热启动算法的模型预测控制的速度规划系统，其特征在于：包括ST图建立模块、最优控制模型构建模块、最优控制输入求解模块、持续更新速度规划模块；
所述ST图建立模块，包括速度规划和ST的建立，将障碍物信息映射到二维空间；
所述最优控制模型构建模块，根据速度规划问题，配合ST图建立模块，进行当前时刻的最优控制模型构建；
所述最优控制输入求解模块，进行有限时域最优控制问题求解；
所述持续更新速度规划模块，算法热启动，将有限时域最优控制输入应用到车辆系统中，并演进到车辆下一个时刻，持续更新和优化控制输入，进行车辆的速度规划。
8.一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信，其特征在于，所述存储器，用于存储计算机程序；
所述处理器，用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1-6中任一项所述的方法。
9.一种计算机可读的存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被处理器执行时实现权利要求1-6中任一项中所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410051650.2A CN117572875B (zh) | 2024-01-15 | 2024-01-15 | 一种基于热启动的实时速度规划方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410051650.2A CN117572875B (zh) | 2024-01-15 | 2024-01-15 | 一种基于热启动的实时速度规划方法、系统、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117572875A true CN117572875A (zh) | 2024-02-20 |
| CN117572875B CN117572875B (zh) | 2024-04-12 |
Family
ID=89862747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410051650.2A Active CN117572875B (zh) | 2024-01-15 | 2024-01-15 | 一种基于热启动的实时速度规划方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117572875B (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080300787A1 (en) * | 2006-02-03 | 2008-12-04 | Gm Global Technology Operations, Inc. | Method and apparatus for on-vehicle calibration and orientation of object-tracking systems |
| US20120059782A1 (en) * | 2010-09-03 | 2012-03-08 | Honeywell International Inc. | System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver |
| KR20180116663A (ko) * | 2017-04-17 | 2018-10-25 | 호남대학교 산학협력단 | 자율주행 제어권 전환 시스템 및 방법 |
| US20190243320A1 (en) * | 2018-02-05 | 2019-08-08 | Mitsubishi Electric Research Laboratories, Inc. | Method and Apparatus for Preconditioned Predictive Control |
| CN110275434A (zh) * | 2019-05-20 | 2019-09-24 | 江苏大学 | 一种基于条件触发无偏mpc算法的独立悬架结构车辆控制方法 |
| DE102018125250A1 (de) * | 2018-10-12 | 2020-04-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Steuereinheit zur Führung eines Fahrzeugs |
| US20200293009A1 (en) * | 2019-03-11 | 2020-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Model Predictive Control of Systems with Continuous and Discrete Elements of Operations |
| AU2020104213A4 (en) * | 2020-12-22 | 2021-03-11 | Aman Kataria | Blockchain for 5g-enabled iot for industrial automation |
| WO2021073079A1 (zh) * | 2019-10-17 | 2021-04-22 | 南京航空航天大学 | 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 |
| EP3816758A1 (en) * | 2019-10-17 | 2021-05-05 | Nokia Solutions and Networks Oy | Grid-based movement control |
| WO2021175313A1 (zh) * | 2020-03-05 | 2021-09-10 | 中国第一汽车股份有限公司 | 自动驾驶控制方法、装置、车辆及存储介质 |
| WO2022001708A1 (zh) * | 2020-06-28 | 2022-01-06 | 华为技术有限公司 | 车辆控制方法、装置、车辆及存储介质 |
| CN114428499A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种融合Astar与DWA算法的移动小车路径规划方法 |
| CN114802299A (zh) * | 2022-04-12 | 2022-07-29 | 武汉路特斯汽车有限公司 | 路径轨迹规划方法、终端及计算机可读存储介质 |
| CN114834467A (zh) * | 2022-05-18 | 2022-08-02 | 北京京东乾石科技有限公司 | 自动驾驶车辆的控制运行方法、装置及无人车 |
| CN114945885A (zh) * | 2020-01-19 | 2022-08-26 | 三菱电机株式会社 | 自主或半自主车辆的自适应控制 |
| CN115454086A (zh) * | 2022-09-27 | 2022-12-09 | 江苏大学 | 一种基于模型预测控制算法的车辆主动避撞控制方法 |
| US20230074148A1 (en) * | 2021-08-20 | 2023-03-09 | Mitsubishi Electric Research Laboratories, Inc. | Controller for Optimizing Motion Trajectory to Control Motion of One or More Devices |
| CN115981313A (zh) * | 2022-12-09 | 2023-04-18 | 深圳市大数据研究院 | 机器人路径规划方法、系统、电子设备及存储介质 |
-
2024
- 2024-01-15 CN CN202410051650.2A patent/CN117572875B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080300787A1 (en) * | 2006-02-03 | 2008-12-04 | Gm Global Technology Operations, Inc. | Method and apparatus for on-vehicle calibration and orientation of object-tracking systems |
| US20120059782A1 (en) * | 2010-09-03 | 2012-03-08 | Honeywell International Inc. | System and method for solving quadratic programming problems with bound constraints utilizing a semi-explicit quadratic programming solver |
| KR20180116663A (ko) * | 2017-04-17 | 2018-10-25 | 호남대학교 산학협력단 | 자율주행 제어권 전환 시스템 및 방법 |
| US20190243320A1 (en) * | 2018-02-05 | 2019-08-08 | Mitsubishi Electric Research Laboratories, Inc. | Method and Apparatus for Preconditioned Predictive Control |
| DE102018125250A1 (de) * | 2018-10-12 | 2020-04-16 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Steuereinheit zur Führung eines Fahrzeugs |
| US20200293009A1 (en) * | 2019-03-11 | 2020-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Model Predictive Control of Systems with Continuous and Discrete Elements of Operations |
| CN110275434A (zh) * | 2019-05-20 | 2019-09-24 | 江苏大学 | 一种基于条件触发无偏mpc算法的独立悬架结构车辆控制方法 |
| WO2021073079A1 (zh) * | 2019-10-17 | 2021-04-22 | 南京航空航天大学 | 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 |
| EP3816758A1 (en) * | 2019-10-17 | 2021-05-05 | Nokia Solutions and Networks Oy | Grid-based movement control |
| CN114945885A (zh) * | 2020-01-19 | 2022-08-26 | 三菱电机株式会社 | 自主或半自主车辆的自适应控制 |
| WO2021175313A1 (zh) * | 2020-03-05 | 2021-09-10 | 中国第一汽车股份有限公司 | 自动驾驶控制方法、装置、车辆及存储介质 |
| WO2022001708A1 (zh) * | 2020-06-28 | 2022-01-06 | 华为技术有限公司 | 车辆控制方法、装置、车辆及存储介质 |
| AU2020104213A4 (en) * | 2020-12-22 | 2021-03-11 | Aman Kataria | Blockchain for 5g-enabled iot for industrial automation |
| US20230074148A1 (en) * | 2021-08-20 | 2023-03-09 | Mitsubishi Electric Research Laboratories, Inc. | Controller for Optimizing Motion Trajectory to Control Motion of One or More Devices |
| CN114428499A (zh) * | 2021-12-16 | 2022-05-03 | 哈尔滨理工大学 | 一种融合Astar与DWA算法的移动小车路径规划方法 |
| CN114802299A (zh) * | 2022-04-12 | 2022-07-29 | 武汉路特斯汽车有限公司 | 路径轨迹规划方法、终端及计算机可读存储介质 |
| CN114834467A (zh) * | 2022-05-18 | 2022-08-02 | 北京京东乾石科技有限公司 | 自动驾驶车辆的控制运行方法、装置及无人车 |
| CN115454086A (zh) * | 2022-09-27 | 2022-12-09 | 江苏大学 | 一种基于模型预测控制算法的车辆主动避撞控制方法 |
| CN115981313A (zh) * | 2022-12-09 | 2023-04-18 | 深圳市大数据研究院 | 机器人路径规划方法、系统、电子设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 孙浩;杜煜;丁建文;: "考虑轮胎力耦合约束的智能汽车轨迹跟踪控制算法", 中国惯性技术学报, no. 06, 15 December 2019 (2019-12-15), pages 804 - 810 * |
| 李树荣;张强;张晓东;雷阳;: "高效计算时间最优轨迹的牛顿-共轭梯度增广拉格朗日方法", 上海交通大学学报, no. 12, 28 December 2012 (2012-12-28), pages 1891 - 1895 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117572875B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113805572B (zh) | 运动规划的方法与装置 | |
| US11327449B2 (en) | Nonlinear optimization for stochastic predictive vehicle control | |
| US20200363800A1 (en) | Decision Making Methods and Systems for Automated Vehicle | |
| US10065654B2 (en) | Online learning and vehicle control method based on reinforcement learning without active exploration | |
| JP6444977B2 (ja) | 自己運転または部分的に自己運転する陸上車両を制御するための装置 | |
| Schoellig et al. | Optimization-based iterative learning for precise quadrocopter trajectory tracking | |
| US11753023B2 (en) | Adaptive control of autonomous or semi-autonomous vehicle | |
| CN113498523B (zh) | 用于控制机器对象的操作的装置和方法以及存储介质 | |
| US20210096576A1 (en) | Deep learning based motion control of a vehicle | |
| US11887009B2 (en) | Autonomous driving control method, apparatus and device, and readable storage medium | |
| CN113771829B (zh) | 用于自动驾驶车辆的控制方法和装置 | |
| US20210109531A1 (en) | Trajectory generator, trajectory generating method and non-transitory tangible computer-readable storage medium | |
| CN112977412A (zh) | 一种车辆控制方法、装置、设备及计算机存储介质 | |
| Jiang et al. | Ensuring safety for vehicle parking tasks using Hamilton-Jacobi reachability analysis | |
| CN113342005B (zh) | 一种无人驾驶设备的横向控制方法及装置 | |
| CN117572875B (zh) | 一种基于热启动的实时速度规划方法、系统、设备及介质 | |
| WO2023176083A1 (en) | Model-based control with uncertain motion model | |
| CN114167857B (zh) | 一种无人驾驶设备的控制方法及装置 | |
| US20210383202A1 (en) | Prediction of future sensory observations of a distance ranging device | |
| Risso et al. | Set-valued model predictive control | |
| CN117666594B (zh) | 基于分块高斯消元的运动规划方法、系统、设备及介质 | |
| Chen et al. | Prescribed‐time stabilisation control of differential driven automated guided vehicle | |
| Aguiar et al. | A sampled-data model predictive framework for cooperative path following of multiple robotic vehicles | |
| CN116300478B (zh) | 基于变量分离微分动态规划的轨迹生成方法、介质及设备 | |
| CN117234215B (zh) | 无人车纵向控制方法、装置、电子设备及无人车 |
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 |