CN117742163A - 一种前馈自学习方法及基于前馈自学习实现的lcc控制方法 - Google Patents

Abstract

本发明提供一种前馈自学习方法，其可以有效的解决由于四轮汽车模型简化为二轮自行车模型带来的建模误差，且可以降低系统研发成本。其通过引入前馈模型修正系数K_ff来修正由于四轮汽车模型简化为二轮自行车模型带来的建模误差，车辆实际运行时使用修公正后的前馈角度规划θ_FF替代θ_FFbasic作为方向盘的转向角计算基础。同时本申请还公开一种基于前馈自学习实现的LCC控制方法。

Description

一种前馈自学习方法及基于前馈自学习实现的LCC控制方法

技术领域

本发明涉及自动驾驶技术领域，具体为一种前馈自学习方法及基于前馈自学习实现的LCC控制方法。

背景技术

车辆驾驶时为了降低和相邻车道的车辆碰撞的概率，通常将车辆开在当前车道的中间。而在随着汽车电气化和智能化的快速普及，车道居中辅助功能(LCC)成为越来越多汽车的标配功能。现有的车道居中辅助功能的方向盘转角指令一般由两部分构成：前馈部分和反馈部分。

关于前馈部分的计算方法，现有技术中通常利用阿克曼转向几何理论将四轮汽车简化为二轮自行车模型，如图2所示，前轮轴心1和后轮轴心2之间的轴距为L；当前弯道的半径为R，也是车辆转弯半径；前轮转向角为δ，弧线3为以R为半径的目标弯道。而汽车方向盘的理论转向角的计算方法为：

前馈角θ_FFbasic= g*δ= g *arctan(L*Curv)。其中，Curv为曲率Curv=1/R，g为前轮转向角δ和方向盘的前馈角的传动比，具体数据与车辆中传动齿轮的参数相关。通过计算可以获得自车通过转弯半径为R的路段的理论转向角：前馈θ_FFbasic。

但是，实际车辆行驶时，只考虑前馈角θ_FFbasic进行转向是不能将车辆控制在当前车道的中间位置的，还需要考虑车辆行驶方向与当前目标车道的两个偏差：车辆横向偏差Dy，即当前车辆是与道路中轴线是偏左还是偏右，以及车辆航向偏差Dc1，即车辆航向和目标路径方向切线的夹角。如图2所示，现有技术中通常会基于PID(proportional-integral-derivativecontrol，比例积分微分控制)技术构建计算模块，通过输入的车辆横向偏差Dy和车辆航向偏差Dc1计算得出反馈角θ_Fb，用来调整前馈角θ_FFbasic的偏差，即：

调整后转向角 = θ_FFbasic+θ_Fb。

但是，由于目前的车辆前馈模型均为简化二轮自行车模型，模型误差不可避免，所以在实践中发现现有技术中将四轮汽车模型简化为二轮自行车模型的方法，在不同车速、不同弯道半径下仍然存在模型误差，导致会出现计算得到的θ_FFbasic不准的问题。虽然现有技术中已经引入了θ_Fb负责对驾驶过程中可能出现的风阻、路面颠簸、外部干扰等扰动的修正，但是前馈角θ_FFbasic的模型偏差已经超过的θ_Fb修正能力上限，从而导致控制策略的失败。体现在车辆行驶上，就是转向角会大幅波动，导致车辆行驶出现震荡，会使汽车在LCC过弯时出现画龙，影响了驾驶舒适性甚至引发安全问题。而为了弥补前馈角θ_FFbasic的模型误差，通常在车辆LCC系统研发阶段需要投入大量人力进行实验和调试，极大地提高了研发成本。

发明内容

为了解决现有的基于简化二轮自行车模型计算前馈θ_FFbasic结果不够精准的问题，本发明提供一种前馈自学习方法，其可以有效的解决由于四轮汽车模型简化为二轮自行车模型带来的建模误差，且可以降低系统研发成本。同时本申请还公开一种基于前馈自学习实现的LCC控制方法。

本发明的技术方案是这样的：一种前馈自学习方法，其特征在于，其包括以下步骤：

S1：构建LCC的转向角的角度规划方法：

θ = θ_FF+ θ_Fb= K_ffθ_FFbasic+ θ_Fb；

其中，θ为LCC的转向角的角度规划，θ_Fb为反馈角，θ_FFbasic为前馈角，θ_FF为前馈角度规划；K_ff为前馈模型修正系数；

S2：构建二维变量空间，横坐标车道线曲率Curv，纵坐标为车速vehspd，每一个车道线曲率Curv和车速vehspd对应一个前馈模型修正系数K_ff；

K_ff= Map（vehspd, Curv）；

K_ff的取值在所述二维变量空间中基于车速vehspd和车道线曲率Curv进行查询；Map()为二维变量空间的查询方法；

S3：将所有的前馈模型修正系数K_ff都初始化为默认值；

S4：读取待测试车辆当前的反馈角θ_Fb和预设的反馈角阈值THR_Fb；

如果abs（θ_Fb）＞THR_Fb，则判断当前θ_FF不合适，执行步骤S5；

否则，判断当前θ_FF为合适的值，停止对当前的前馈角度规划的调整；

其中，THR_Fb为大于0的角度值；

S5：读取待测试车辆当前的θ_FFbasic值；

读取待测试车辆当前的车速vehspd，以及基于当前所在车道对应的车道线曲率Curv，在所述二维变量空间找到对应的K_ffx；

计算得到控制车辆当前的前馈角规划：θ_FF= K_ffxθ_FFbasic；

S6：通过θ_FF*θ_Fb的符号判断θ_FF是偏大还是偏小；

当θ_FF*θ_Fb＞0时，表示θ_Fb在补充θ_FF，θ_FF偏小，需要增大K_ffx，执行步骤S7；

当θ_FF*θ_Fb＜0时，表示θ_Fb在缩减θ_FF，θ_FF偏大，需要减小K_ffx，执行步骤S8；

S7：将增大调整后的K_ffx记作K_ffx"，并将K_ffx"的值存储到所述二维变量空间K_ffx的位置；并循环执行步骤S4~S6；

调整增大K_ffx的方法为：

K_ffx" = K_ffx+[abs(θ_Fb)-THR_Fb]*i；其中，i为转化比率，0<i<1；

S8：将减小调整后的K_ffx记作K_ffx"，并将K_ffx"的值存储到所述二维变量空间K_ffx的位置；循环执行步骤S4~S6；

调整减小K_ffx的方法为：

K_ffx" = K_ffx-[abs(θ_Fb)-THR_Fb]*i；其中，i为转化比率，0<i<1。

其进一步特征在于：

所述二维变量空间中，横坐标车道线曲率Curv包括：0.0001、0.0005、0.001、0.00125、0.0017、0.0025、0.005、0.01和0.1；

所述二维变量空间中，纵坐标车速vehspd的取值为以0为起始的等差数列；

所述二维变量空间中，前馈模型修正系数K_ff的默认值为1。

一种基于前馈自学习实现的LCC控制方法，其特征在于，其包括以下步骤：

a1：根据待测试车辆的车型，选择二维变量空间中的纵坐标为车速vehspd的公差，以及根据带控制车辆的车型设置其最大的车速vehspd；

基于车速vehspd的最大车速和公差，得到所有的纵坐标值后，构建所述二维变量空间；

a2：将所述二维变量空间中所有的K_ff都初始化为默认值；

a3：根据待测试车辆的车型，设置其对应的反馈角阈值THR_Fb和转化比率i；

a4：在二维变量空间的所有纵坐标中，选择出厂前测试场景；

所述出厂前测试场景包括：出厂前测试车速和出厂前车道线曲率；

a5：在待测试车辆出厂前，基于前馈自学习方法完成所有针对所述出厂前测试场景的K_ff的计算；其余纵坐标车速vehspd对应的K_ff的计算在车辆出厂后在车辆实际运行期间完成。

其进一步特征在于：

步骤a5中，在车辆实际运行中，在弯道行驶时，实时获取当前车速，并判断当前车速是否属于所述二维变量空间的纵坐标值；

如果当前车速属于所述二维变量空间的纵坐标值，则判断当前车速对应的前馈模型修正系数K_ff是否为默认值，如果是默认值则执行步骤步骤S4~S8；否则，直接使用当前车速对应的前馈模型修正系数K_ff进行弯道居中控制；

如果当前车速不属于所述二维变量空间的纵坐标值，则将所有的相邻的两个纵向坐标记作一个区间组，找到到当前车速所属的区间，记作：目标区间；基于所属目标区间的的两个边界值对应的前馈模型修正系数K_ff，采用线性差值的方式计算得到当前车速所对应的前馈模型修正系数K_ff。

本申请提供的一种前馈自学习方法，其通过引入前馈模型修正系数K_ff来修正由于四轮汽车模型简化为二轮自行车模型带来的建模误差，车辆实际运行时使用修公正后的前馈角度规划θ_FF替代θ_FFbasic作为方向盘的转向角计算基础；前馈模型修正系数K_ff计算过程中，利用反馈规划角θ_Fb的大小与方向作为评价指标，通过预设的反馈角阈值THR_Fb和θ_Fb的比较判断当前的θ_FF大小是否合适，进而判断是否需要调整规划θ_FF，通过θ_Fb和θ_FF的补偿关系来对θ_FF的值进行调整，进而得到前馈模型修正系数K_ff，整个修正过程无需人工记录数据和修改参数，不但效率高，且降低了出错的概率；对二维变量空间中的前馈模型修正系数K_ff的测定过程分为两部分，一部分针对出厂前测试场景，在出厂前完成，其余的在出厂后自动实施，无需在出厂前完成所有的前馈模型修正系数K_ff的测定，也避免了在出厂前构建所有的测试场景，降低了出厂前的工序，降低了整体研发成本；前馈模型修正系数K_ff基于其对应的车道线曲率Curv和车速vehspd存储在二维变量空间中，后续在实际使用时，已经完成计算的部分，根据和车辆当前的车速和目标车道的车道线曲率直接调用前馈模型修正系数K_ff，与当前的实时前馈角θ_FFbasic进行计算即可得到对应的前馈角度规划θ_FF，而没有完成计算的K_ff，调用前馈自学习方法自动实施计算过程，避免了错标或者漏标的问题发生的概率。本方法中，在K_ff计算过程实施之前，根据待测试车辆的车型，指定反馈角阈值THR_Fb和转化比率i，确保计算结果更有针对性，符合待测试车辆的品控需求。

附图说明

图1为现有技术中四轮汽车简化为二轮自行车模型的示意图；

图2为现有技术中反馈θ_Fb和前馈θ_FFbasic来源示意图；

图3为本方法中前馈自学习过程流程示意图；

图4为本方法中二维变量空间的结构示意图。

其中，1为前轮轴心，2为后轮轴心，3为弧线，表示以R为半径的目标弯道。

具体实施方式

本申请引入前馈模型修正系数K_ff，对前馈角进行模型误差修正，具体为一种前馈自学习方法，其包括以下步骤。

S1： 构建LCC的转向角的角度规划方法：

θ = θ_FF+ θ_Fb= K_ffθ_FFbasic+ θ_Fb；

其中，θ为LCC的转向角的角度规划，θ_Fb为反馈角，θ_FFbasic为前馈角，K_ff为前馈模型修正系数；

θ_FF为前馈角度规划，即模型误差修正后的前馈角。

因为参数K_ff为模型及车辆的固有误差，完成一次全场景学习后，可进行固化。所以，本方法中通过将二维变量空间存储于控制器内部掉电保持存储区，计算得到的K_ff都保存在二维空间中，后续车辆运行中直接调用即可。

S1：构建二维变量空间，横坐标车道线曲率Curv，纵坐标为车速vehspd，每一个车道线曲率Curv和车速vehspd对应一个前馈模型修正系数K_ff；

K_ff= Map（vehspd, Curv）；

K_ff的取值在所述二维变量空间中基于车速vehspd和车道线曲率Curv进行查询。从舒适度的角度，具体的K_ff的取值范围为：K_ff∈(0,2)。实际应用时，可以通过设置异常值判断条件，对于超出K_ff取值范围的数值进行判断并删除。为了缩短计算时间，提高计算效率，将前馈模型修正系数K_ff的初始化后默认值为设置为1。Map()为二维变量空间的查询方法，具体基于现有技术中对二维表的查询方法实现。

曲率是转弯半径的倒数，本方法中在二维变量空间中，设置的横坐标车道线曲率Curv包括：0.0001、0.0005、0.001、0.00125、0.0017、0.0025、0.005、0.01和0.1； 即便可以满足车辆运行使用。

二维变量空间中，纵坐标车速vehspd的取值为以0为起始的等差数列，具体的公差基于待测试车辆的舒适度需求进行设置，如一些大型客车，会设置较小的公差，确保覆盖较多的车速。而对舒适度要求较低的车辆，则可以设置较大的公差。如图4所示的实施例中，待测试车辆的车速范围：0-140Km/h，公差设置为20Km/h。则，二维变量空间的纵坐标包括：0、20、40、60、80、100、120、140。

如图4所示的实施例为某款九座商务车适用的二维变量空间，其包括横坐标车道线曲率、纵坐标为车速（单位Km/h），以及不同的车速和弯道曲率组合对应通的K_ff的值。如：基于车辆上安装的监控相机，可以扫描识别当前弯道的形状进而识别目标车道线的曲率Curv，当检测到车辆正以80km/h通过曲率为0.0017的弯道时，查表得K_ff=K_ff55，K_ff55对应第五行、第五列的值。

S3：将所有的前馈模型修正系数K_ff都初始化为默认值。

如图3所示，为本方法中利用反馈规划角θ_Fb的大小与方向作为评价指标，自动评价θ_FF，然后通过设计算法自动优化、自动补足前馈修正系数K_ff的弯道居中控制前馈自学习的过程。

当θ_FF不合适时，横向偏差Dy或航向偏差Dc1偏大，从而导致由Dy、Dc1经PID运算获得的abs（θ_Fb）偏大，因此本方法中将abs（θ_Fb）作为θ_FF是否合适的评价指标。

S4：读取待测试车辆当前的反馈角θ_Fb和预设的反馈角阈值THR_Fb；

如果abs（θ_Fb）＞THR_Fb，则判断当前θ_FF不合适，执行步骤S5；

否则，abs（θ_Fb）≤THR_Fb，判断当前θ_FF为合适的值，表示学习到了学习到了正确的Kffx，停止对当前的前馈角度规划的调整；

其中，THR_Fb为大于0的角度值。

具体应用时，阈值THR_Fb针对不同的车型设置为不同的值，阈值THR_Fb用来判断当前θ_Fb的角度大小，过大的θ_Fb会导致车辆转向振动较大，大型车辆对应的阈值THR_Fb相对较小。具体的取值通过针对不同车型的车辆进行实验采集，本实施例中的九座商务车的弯道阈值THR_Fb设置为10°。

S5：读取待测试车辆当前的θ_FFbasic值；

读取待测试车辆当前的车速vehspd，以及基于当前所在车道对应的车道线曲率Curv，在二维变量空间找到对应的K_ffx；

计算得到控制车辆当前的前馈角规划：θ_FF= K_ffxθ_FFbasic。

S6：通过θ_FF*θ_Fb的符号判断θ_FF是偏大还是偏小；

当θ_FF*θ_Fb＞0时，表示θ_Fb在补充θ_FF，θ_FF偏小，需要增大K_ffx，执行步骤S7；

当θ_FF*θ_Fb＜0时，表示θ_Fb在缩减θ_FF，θ_FF偏大，需要减小K_ffx，执行步骤S8。

S7：将增大调整后的K_ffx记作K_ffx"，并将K_ffx"的值存储到二维变量空间K_ffx的位置；并循环执行步骤S4~S6；

调整增大K_ffx的方法为：

K_ffx" = K_ffx+[abs(θ_Fb)-THR_Fb]*i；其中，i为转化比率，0<i<1；

S8：将减小调整后的K_ffx记作K_ffx"，并将K_ffx"的值存储到二维变量空间K_ffx的位置；循环执行步骤S4~S6；

调整减小K_ffx的方法为：

K_ffx" = K_ffx-[abs(θ_Fb)-THR_Fb]*i；其中，i为转化比率，0<i<1。

本方法中，通过[abs(θ_Fb)-THR_Fb]*i，计算出当前车速（vehspd）及曲率Curv下前馈所需修正因子。其中i为转化比率，控制每次调整的角度大小，i值越小，每次调整的角度越小，i值越大，每次调整角度越大。具体的i值设置根据车辆的调整效率需求和舒适度需求进行设置，本实施例中的九座商务车的转化比率i设置为0.02。

一种基于前馈自学习实现的LCC控制方法，其包括以下步骤。

a1：根据待测试车辆的车型，选择二维变量空间中的纵坐标为车速vehspd的公差，以及根据带控制车辆的车型设置其最大的车速vehspd；

基于车速vehspd的最大车速和公差，得到所有的纵坐标值后，构建二维变量空间。

a2：将二维变量空间中所有的K_ff都初始化为默认值。

a3：根据待测试车辆的车型，设置其对应的反馈角阈值THR_Fb和转化比率i。

a4：在二维变量空间的所有纵坐标中，选择出厂前测试场景；

出厂前测试场景包括：出厂前测试车速和出厂前车道线曲率。

a5：在待测试车辆出厂前，基于前馈自学习方法完成所有针对出厂前测试场景的K_ff的计算；其余纵坐标车速vehspd对应的K_ff的计算在车辆出厂后在车辆实际运行期间完成。

具体的出厂前测试场景的选择原则为：曲率选择难度较大和常用的，本实施例中，曲率选择：0.01、0.005和0.0017，车速选择40、60和80 Kph。

如图4所示的实施例中，在9个横坐标车道线曲率Curv和8个纵坐标为车速vehspd的组合下，如果全部在出厂前完成计算，则需要构建满足9个曲率Curv的测试场景，实施72次测试。然而，基于本方法只需要指定出厂前测试场景，在出厂前完成部分测试即可。极大地降低了出厂前的测试所需工时。

步骤a5中，在车辆实际运行中，在弯道行驶时，实时获取当前车速，并判断当前车速是否属于二维变量空间的纵坐标值；

如果当前车速属于二维变量空间的纵坐标值，则判断当前车速对应的前馈模型修正系数K_ff是否为默认值，如果是默认值则执行步骤步骤S4~S8；否则，直接使用当前车速对应的前馈模型修正系数K_ff进行弯道居中控制；

如果当前车速不属于所述二维变量空间的纵坐标值，则将所有的相邻的两个纵向坐标记作一个区间组，找到到当前车速所属的区间，记作：目标区间；基于所属目标区间的的两个边界值对应的前馈模型修正系数K_ff，采用线性差值的方式计算得到当前车速所对应的前馈模型修正系数K_ff。

线性差值方程为：y =kx+b。

例如，当前车速为15，曲率为0.01。

假设其位于中相邻的两个纵坐标构成的区间(10,20)之中，如果横坐标曲率为0.01时，纵坐标10和20对应的前馈模型修正系数K_ff分别为：1.0和1.5，则带入到线性差值方程中：

1.0 = k*10+b；

1.5= k*20 +b。

最终得到当前车速15对应的前馈模型修正系数K_ff为1.25。

使用本发明的技术方案后，通过参数自学习方法，简化了对前馈角模型误差的修正过程，降低了模型修正参数的计算难度，提高了计算效率，实现了前馈模型修正系数K_ff的自动评价、自动优化、自动补足，极大地节约了人工成本和时间成本。同时本方法会在车辆的全生命周期内自动评价、自动优化，自动补足前馈参数，提升前馈参数的可靠性，使得LCC前馈参数始终保持在较高准确率水平，大幅提高LCC控制方法的鲁棒性，降低故障率和售后成本。

Claims (6)

1.一种前馈自学习方法，其特征在于，其包括以下步骤：

S1：构建LCC的转向角的角度规划方法：

θ = θ_FF + θ_Fb= K_ffθ_FFbasic + θ_Fb；

其中，θ为LCC的转向角的角度规划，θ_Fb为反馈角，θ_FFbasic为前馈角，θ_FF为前馈角度规划；K_ff为前馈模型修正系数；

S2：构建二维变量空间，横坐标车道线曲率Curv，纵坐标为车速vehspd，每一个车道线曲率Curv和车速vehspd对应一个前馈模型修正系数K_ff；

K_ff = Map（vehspd, Curv）；

K_ff的取值在所述二维变量空间中基于车速vehspd和车道线曲率Curv进行查询；Map()为二维变量空间的查询方法；

S3：将所有的前馈模型修正系数K_ff都初始化为默认值；

S4：读取待测试车辆当前的反馈角θ_Fb和预设的反馈角阈值THR_Fb；

如果abs（θ_Fb）＞THR_Fb，则判断当前θ_FF不合适，执行步骤S5；

否则，判断当前θ_FF为合适的值，停止对当前的前馈角度规划的调整；

其中，THR_Fb为大于0的角度值；

S5：读取待测试车辆当前的θ_FFbasic值；

读取待测试车辆当前的车速vehspd，以及基于当前所在车道对应的车道线曲率Curv，在所述二维变量空间找到对应的K_ffx；

计算得到控制车辆当前的前馈角规划：θ_FF= K_ffxθ_FFbasic；

S6：通过θ_FF*θ_Fb的符号判断θ_FF是偏大还是偏小；

当θ_FF*θ_Fb＞0时，表示θ_Fb在补充θ_FF，θ_FF偏小，需要增大K_ffx，执行步骤S7；

当θ_FF*θ_Fb＜0时，表示θ_Fb在缩减θ_FF，θ_FF偏大，需要减小K_ffx，执行步骤S8；

S7：将增大调整后的K_ffx记作K_ffx"，并将K_ffx"的值存储到所述二维变量空间K_ffx的位置；并循环执行步骤S4~S6；

调整增大K_ffx的方法为：

K_ffx" = K_ffx+[abs(θ_Fb)-THR_Fb]*i；其中，i为转化比率，0<i<1；

S8：将减小调整后的K_ffx记作K_ffx"，并将K_ffx"的值存储到所述二维变量空间K_ffx的位置；循环执行步骤S4~S6；

调整减小K_ffx的方法为：

K_ffx" = K_ffx-[abs(θ_Fb)-THR_Fb]*i；其中，i为转化比率，0<i<1。

2.根据权利要求1所述一种前馈自学习方法，其特征在于：所述二维变量空间中，横坐标车道线曲率Curv包括：0.0001、0.0005、0.001、0.00125、0.0017、0.0025、0.005、0.01和0.1。

3.根据权利要求1所述一种前馈自学习方法，其特征在于：所述二维变量空间中，纵坐标车速vehspd的取值为以0为起始的等差数列。

4.根据权利要求1所述一种前馈自学习方法，其特征在于：所述二维变量空间中，前馈模型修正系数K_ff的默认值为1。

5.一种基于前馈自学习实现的LCC控制方法，其特征在于，其包括以下步骤：

a1：根据待测试车辆的车型，选择二维变量空间中的纵坐标为车速vehspd的公差，以及根据带控制车辆的车型设置其最大的车速vehspd；

基于车速vehspd的最大车速和公差，得到所有的纵坐标值后，构建所述二维变量空间；

a2：将所述二维变量空间中所有的K_ff都初始化为默认值；

a3：根据待测试车辆的车型，设置其对应的反馈角阈值THR_Fb和转化比率i；

a4：在二维变量空间的所有纵坐标中，选择出厂前测试场景；

所述出厂前测试场景包括：出厂前测试车速和出厂前车道线曲率；

a5：在待测试车辆出厂前，基于前馈自学习方法完成所有针对所述出厂前测试场景的K_ff的计算；其余纵坐标车速vehspd对应的K_ff的计算在车辆出厂后在车辆实际运行期间完成。

6.根据权利要求5所述一种基于前馈自学习实现的LCC控制方法，其特征在于：步骤a5中，在车辆实际运行中，在弯道行驶时，实时获取当前车速，并判断当前车速是否属于所述二维变量空间的纵坐标值；

如果当前车速属于所述二维变量空间的纵坐标值，则判断当前车速对应的前馈模型修正系数K_ff是否为默认值，如果是默认值则执行步骤步骤S4~S8；否则，直接使用当前车速对应的前馈模型修正系数K_ff进行弯道居中控制；

如果当前车速不属于所述二维变量空间的纵坐标值，则将所有的相邻的两个纵向坐标记作一个区间组，找到到当前车速所属的区间，记作：目标区间；基于所属目标区间的的两个边界值对应的前馈模型修正系数K_ff，采用线性差值的方式计算得到当前车速所对应的前馈模型修正系数K_ff。