CN117774940A - 一种基于质量估计的无人物流车横纵向协调控制方法 - Google Patents
一种基于质量估计的无人物流车横纵向协调控制方法 Download PDFInfo
- Publication number
- CN117774940A CN117774940A CN202311377054.5A CN202311377054A CN117774940A CN 117774940 A CN117774940 A CN 117774940A CN 202311377054 A CN202311377054 A CN 202311377054A CN 117774940 A CN117774940 A CN 117774940A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- transverse
- longitudinal
- control
- unmanned logistics
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 4
- 230000009977 dual effect Effects 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000000452 restraining effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种基于质量估计的无人物流车横纵向协调控制方法，针对无人驾驶智能车辆横纵向动力学之间的关联特性，设计无人驾驶车辆路径跟踪的横纵向协调控制系统。采用扩展卡尔曼滤波算法对车辆质量进行精确的识别，运用模型预测算法与双重比例‑积分‑微分算法实现对油门开度、制动压力及前轮转角的协调控制，保证路径跟踪控制的性能，该横纵向协调控制方法能够在无人驾驶物流车载重量变化下，在期望速度下稳定进行期望路径的跟踪，保证跟踪过程中的横向稳定性，提高车辆的动力性以及安全性。
Description
技术领域
本发明涉及无人车辆控制技术领域，具体涉及一种基于质量估计的无人物流车横纵向调节控制方法。
背景技术
运动控制作为无人物流车实现自主行驶的关键环节，是无人物流车研究领域中的核心问题之一，指根据当前周围环境和车体位移、姿态、车速等信息按照一定的逻辑做出决策，并分别向油门、制动及转向等执行系统发出控制指令。其研究内容主要包括横向控制和纵向控制，横向控制主要研究无人物流车的路径跟踪能力，即如何控制车辆沿规划的路径行驶，并保证车辆的行驶安全性、平稳性与乘坐舒适性；纵向控制主要研究智能车辆的速度跟踪能力，控制车辆按照预定的速度巡航或与前方动态目标保持一定的距离。
无人物流车具有参数不确定性、时滞及高度非线性动态特性等特点，为典型的多输入—多输出复杂耦合动力学系统，如何构建可处理其时滞及高度非线性等特性的运动控制方法是实现智能车辆自主行驶的重点和难点，且始终是无人物流车研究领域的热点。
发明内容
针对现有技术的缺陷，本发明提供一种基于质量估计的无人物流车横纵向调节控制方法，确保无人物流车在期望速度下跟踪期望的路径，同时解决无人物流车进行路径跟踪控制时建立动力学模型质量作为常量处理，参数值和预期值之间存在差异影响无人物流车路径跟踪控制器跟踪精度的问题。
为了达到上述目的，本发明所采用的技术方案是：一种基于质量估计的无人物流车横纵向协调控制方法，其基于扩展卡尔曼滤波算法、模型预测控制、PID控制算法设计了基于质量估计的无人物流车横纵向协调控制系统，包括质量估计方法、纵向控制系统以及横向控制系统。
进一步的，所述质量估计方法包括两个计算过程：时间更新和测量更新，时间更新计算过程为向前推算先验状态估计值和先验误差协方差，测量更新计算过程为将先验状态估计和测量变量结合状态的后验估计并更新估计状态的后验误差协方差，卡尔曼增益根据测量噪声协方差以及先验误差协方差动态调节测量变量和其估计的权重，从而得到车辆质量实际值m。
进一步的，横向控制系统基于模型预测算法进行设计：包括将无人物流车的二自由度动力学模型作为控制系统预测模型，结合期望轨迹的位置关系转换为横向跟踪误差模型，将其线性化、离散化得到离散的线性时变模型，公式迭代推导得到输出方程式，考虑到执行器的可行性，对车辆的输出量和控制增量进行约束，通过优化求解控制量车辆前轮转角，附加变量期望横摆角速度实现无人物流车的横向稳定性控制，保证车辆准确跟踪目标路径。
进一步的，所述纵向控制系统采用位置-速度-姿态等多回路串级的控制方法，根据当前状态和期望状态之间的偏差实时调节执行机构，纵向控制系统包括位置闭环PID控制器和速度闭环PID控制器，首先位置闭环PID控制器以位置误差作为输入并输出速度补偿量，之后速度闭环PID控制器以速度误差作为输入并输出加速度补偿量，最后以期望加速度为目标得到当前状态下车辆需要产生的加速度控制量。
有益效果：1、本申请采用实际车辆总质量的估计值建立动力学模型，减小实际值与参数值之间差异对跟踪性能的影响，提高了车辆动力学模型作为模型预测控制算法的预测模型的精度。
2、采用横纵向协调控制方法，横向控制系统基于模型预测控制方法设计，基于线性二自由度车辆动力学模型建立横向跟踪误差模型，引入反馈校正项，提高了车辆对内部参数变化的鲁棒性与控制精度。
附图说明
图1为本发明中无人物流车横纵向协调控制系统的结构框图；
图2为质量估计中扩展卡尔曼滤波算法流程框图；
图3为线性二自由度车辆动力学模型；
图4为横向跟踪误差模型示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
本发明实施例提供一种基于质量估计的无人物流车横纵向协调控制方法，如图1所示，基于扩展卡尔曼滤波算法、模型预测控制、PID控制算法设计了无人物流车路径跟踪的横纵向协调控制系统，包括质量估计方法、纵向控制系统和横向控制系统，以实现对油门开度、制动主缸压力及前轮偏角的协调控制。
1.采用基于车辆纵向动力学模型以及扩展卡尔曼滤波算法(Extended KalmanFilter,EKF)进行车辆的质量估计。
建立系统的状态空间模型，对车辆在坡道行驶的受力情况进行分析，根据牛顿第二定律，建立车辆的纵向动力学模型：
式(1)中，m为车辆质量，为纵向加速度，Ft为驱动力，Ff为滚动阻力，Fw为空气阻力，Fi为坡道阻力。
式(1)中，驱动力
其中：T为电机输出转矩，ia为传动系总传动比，ηT为传动系统效率，r为车轮滚动半径。
式(1)中，滚动阻力Ff＝mgfcosα,其中：g为重力加速度，f为滚动阻力系数，α为坡道角。
式(1)中，空气阻力其中：CD为空气阻力系数，A为车辆迎风面积，ρ为空气密度，v为车辆速度。
式(1)中，坡道阻力为Fi＝mgsinα，
整理得
不考虑道路坡度问题，道路坡道角α＝0，则cosα＝1,sinα＝0，上式(4)变为：
建立该系统的状态空间方程，选定状态变量为车速v，车辆质量m，则系统状态向量x(t)＝(v(t),m(t))。车辆质量可近似看作常量，对时间的导数可近似为零，则微分方程组为：
EKF算法基于离散状态方程，采用前向欧拉法进行离散化处理，得到离散化差分方程：
假设系统的过程噪声和测量噪声均为高斯白噪声，过程噪声向量和测量噪声向量分别为Wk和Vk，它们相互独立、且均值为零，过程激励噪声协方差矩阵为Qk，测量噪声协方差矩阵为Rk，则有
由式(5)及以上假设推得系统的状态方程为：
其中：
系统测量方程为
式(8)和式(9)组成了该系统的状态空间表达式，状态空间方程为：
其中H为测量矩阵。
由式(10)，采用EKF算法对车辆质量m进行估计，如图2所示，包括两个计算过程：时间更新和测量更新，时间更新计算过程为向前推算先验状态估计值和先验误差协方差；测量更新计算过程为将先验状态估计和测量变量结合状态的后验估计并更新估计状态的后验误差协方差。
时间更新方程为
其中：为状态变量的先验估计值，/>为先验误差协方差，/>为上一时刻状态变量的最优估计值，Pk-1为上一时刻误差协方差，Jf为过程方程向量函数f对状态变量求偏导所得到的Jacobian矩阵。在此估计算法中为
测量更新方程为
其中：Kk为卡尔曼增益，为状态变量后验估计值，Pk后验误差协方差，I为单位矩阵。
卡尔曼增益根据测量噪声协方差Rk以及先验误差协方差动态调节测量变量zk和其估计/>的权重。
2.横向控制系统基于模型预测算法进行设计：包括将无人物流车的二自由度动力学模型作为控制系统预测模型，结合期望轨迹的位置关系转换为横向跟踪误差模型，将其线性化、离散化得到离散的线性时变模型，公式迭代推导得到输出方程式，考虑到执行器的可行性，对车辆的输出量和控制增量进行约束，通过优化求解控制量车辆前轮转角，附加变量期望横摆角速度实现无人物流车的横向稳定性控制。
如图3所示，(X,Y)为大地坐标系，(x,y)为车辆坐标系，vx和vy分别为车辆的纵向速度和侧向速度，为车辆朝向与大地坐标系X轴之间的夹角,即横摆角，/>为车辆横摆角速度,δf为前轮转角,αf和αr分别为车辆前后轮的侧偏角，Fcf和Fcr分别为前后轮的侧偏力，a和b分别为车辆质心到前后轴的距离。
根据牛顿第二定律，列出车辆侧向和横摆动力学方程
其中：Iz为车辆绕质心处z轴的转动惯量。
车辆的侧向加速度可以表示为：
轮胎侧向力可表示为：
其中：Cf和Cr分别为车辆前后车轮的等效侧偏刚度。
轮胎侧偏角可以表示为：
整理可得
如图4所示，将期望轨迹离车辆质心处最近的点定义为参考点，κ为参考点处的曲率，为参考点处切线与大地坐标系X轴之间的夹角，即期望航向角，ed为参考点与车辆质心之间的距离，即横向误差，/>为参考点处切线与车辆朝向之间的夹角，即航向误差。
车辆横向误差变化率可以表示为：
车辆航向误差变化率可以表示为：
其中：/>为参考点处的横摆角速度，即期望横摆角速度。
式(27)和(28)求导可得：
将式(24)-(27)代入(22)、(23)
横向跟踪误差模型状态空间方程表达式为：
其中：状态变量/>控制量u＝δf为车辆的前轮转角，附加变量/>为期望横摆角速度；
D＝I4×4；
对车辆跟踪模型离散化得到:
其中：Ak＝I4×4+TA,Bk＝TB,Ck＝TC，T为采样周期。
结合离散的状态变量ξ(k)与控制变量u(k)，可以得到扩维的状态变量为扩维后的状态空间预测方程为:
其中：
选取预测时域为Np，控制时域为Nc，则预测时域内的状态变量利用下式进行迭代计算：
其中：Δu(k)＝u(k+1)-u(k)为控制增量，
预测时域内的输出变量为：
其中：
Y(k)＝(η(k+1)，η(k+2)，…，η(k+Np))T
ΔU(k)＝(Δu(k+1)，Δu(k+2)，…，Δu(k+Nc-1))T
W(k)＝(ws(k)，ws(k+1)，…，ws(k+Np-1))T
通过目标函数对系统的状态量和控制量持续优化来保证车辆准确跟踪目标路径，为了最小化目标函数，目标函数包括使控制量变化趋近于稳定项，控制量的大小项以及确保目标函数有解的松弛因子项，目标函数为：
其中，ηr(k+i|k)为预测输出的参考值，Q为预测输出值权重矩阵，R为控制增量权重矩阵；ε为松弛因子，ρ为松弛因子权重系数。
考虑到执行器的可行性，对车辆的输出量和控制增量进行约束：
其中，ηmin和ηmax分别为预测时域内输出量的最小值和最大值；umin和umax分别为控制时域内控制量的最小值和最大值；Δumin和Δumax分别为控制时域内控制增量的最小值和最大值。
3.基于双重PID的纵向控制。
车辆纵向控制主要是通过加、减速的方式调节速度的变化趋势从而缩小与期望速度的偏差。纵向控制系统是基于PID原理工作的，其主要思想是采用位置-速度-姿态等多回路串级的控制方法，根据当前状态和期望状态之间的偏差实时调节执行机构，纵向控制系统包括位置闭环控制器与速度闭环控制器，首先位置闭环PID控制器以位置误差作为输入并输出速度补偿量，之后速度闭环PID控制器以速度误差作为输入并输出加速度补偿量，然后以期望加速度为目标得到当前状态下车辆需要产生的加速度控制量，最后通过一个标定表开环控制器完成加速度控制指令与车辆执行机构控制量的转换，并直接作用于车辆底盘完成行驶速度的调节，无人物流车系统循环迭代地计算、更新自身的位姿信息，不断地向目标状态进行调整。
PID控制方法核心部分是由三个数学模型组成，当前值和期望值之间出现误差，通过PID算法产生相应的控制量去减小修正这个误差，纵向控制部分所涉及的两种PID控制器使用了如下模型：
h(n)＝Kp·e(n)+Ki·∑e(n)+Kd·(e(n)-e(n-1)) (37)
其中：e(n)表示当前时刻的误差，e(n-1)表示上一时刻的误差，Kp、Ki、Kd分别表示比例、积分和微分系数。
控制器中三个比例系数的整定可通过经典的调参法或模型调优法实现，针对不同的行驶工况选取不同的比例系数来适配车辆。纵向控制仅得出当前时刻给予车辆的加速度控制量无法直接控制车辆。标定表可以将控制量转换为车辆执行机构的动作量，需针对目标车辆进行刹车和油门的标定，如果更换车辆，则需要更换对应车辆的标定表。纵向控制器输出加速、减速或定速指令给线控底盘中的执行器，通过产生不同的刹车或油门量来控制车辆当前的加速度大小进而调节车辆速度。车辆中的执行器如油门和刹车通常是非线性的，需要通过标定的方式建立刹车和减速度之间的关系、油门和加速度之间的关系，映射关系如下：
Q＝f(v,a)
式中，Q表示作用于车辆执行机构的控制量，v表示车辆当前速度，a表示期望车辆产生的加速度。
通过离线标定的方式制作标定表，然后车辆实际在线运行的过程中将当前状态下的速度大小和期望加速度大小作为输入，通过查表的方式搜索对应的刹车或油门值，最后通过执行机构去控制车辆的加减速。
本申请采用实际车辆总质量的估计值建立动力学模型，减小实际值与参数值之间差异对跟踪性能的影响，提高了车辆动力学模型作为模型预测控制算法的预测模型的精度。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (4)
1.一种基于质量估计的无人物流车横纵向协调控制方法，其基于扩展卡尔曼滤波算法、模型预测控制、PID控制算法设计了基于质量估计的无人物流车横纵向协调控制系统，包括质量估计方法、纵向控制系统以及横向控制系统。
2.根据权利要求1所述的一种基于质量估计的无人物流车横纵向协调控制方法，其特征在于，所述质量估计方法包括两个计算过程：时间更新和测量更新，时间更新计算过程为向前推算先验状态估计值和先验误差协方差，测量更新计算过程为将先验状态估计和测量变量结合状态的后验估计并更新估计状态的后验误差协方差，卡尔曼增益根据测量噪声协方差以及先验误差协方差动态调节测量变量和其估计的权重，从而得到车辆质量实际值m。
3.根据权利要求1所述的一种基于质量估计的无人物流车横纵向协调控制方法，其特征在于，所述纵向控制系统采用位置-速度-姿态等多回路串级的控制方法，根据当前状态和期望状态之间的偏差实时调节执行机构，纵向控制系统包括位置闭环PID控制器和速度闭环PID控制器，首先位置闭环PID控制器以位置误差作为输入并输出速度补偿量，之后速度闭环PID控制器以速度误差作为输入并输出加速度补偿量，最后以期望加速度为目标得到当前状态下车辆需要产生的加速度控制量。
4.根据权利要求2所述的一种基于质量估计的无人物流车横纵向协调控制方法，其特征在于，所述横向控制系统基于模型预测算法设计，包括采用通过车辆质量实际值m建立的无人物流车二自由度动力学模型作为控制系统预测模型，考虑到执行器的可行性，对车辆的输出量和控制增量进行约束，通过持续优化求解控制量车辆前轮转角，附加变量期望横摆角速度实现无人物流车的横向稳定性控制，保证车辆准确跟踪目标路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377054.5A CN117774940A (zh) | 2023-10-23 | 2023-10-23 | 一种基于质量估计的无人物流车横纵向协调控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377054.5A CN117774940A (zh) | 2023-10-23 | 2023-10-23 | 一种基于质量估计的无人物流车横纵向协调控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117774940A true CN117774940A (zh) | 2024-03-29 |
Family
ID=90391838
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311377054.5A Pending CN117774940A (zh) | 2023-10-23 | 2023-10-23 | 一种基于质量估计的无人物流车横纵向协调控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117774940A (zh) |
-
2023
- 2023-10-23 CN CN202311377054.5A patent/CN117774940A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111638712B (zh) | 自动驾驶车辆横向运动控制方法、装置和自动驾驶车辆 | |
| CN111258323B (zh) | 一种智能车辆轨迹规划与跟踪的联合控制方法 | |
| Xu et al. | Preview path tracking control with delay compensation for autonomous vehicles | |
| CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
| CN110989625B (zh) | 一种车辆路径跟踪控制方法 | |
| CN112373470B (zh) | 紧急避让工况自动驾驶转向制动纳什博弈控制方法 | |
| CN111240187B (zh) | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 | |
| CN112693449B (zh) | 一种无人车辆极限工况下横纵向耦合控制方法 | |
| CN108791290B (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
| CN110267866B (zh) | 用于控制车辆轨迹的装置 | |
| CN113608530B (zh) | 一种带有pid转角补偿的参数自整定lqr路径跟踪方法 | |
| CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
| CN114967676A (zh) | 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 | |
| CN114967475B (zh) | 一种无人驾驶车辆轨迹跟踪与稳定性鲁棒控制方法及系统 | |
| CN115598983B (zh) | 一种考虑时变时延的无人车横纵向协同控制方法及装置 | |
| CN113183957A (zh) | 车辆控制方法、装置、设备及自动驾驶车辆 | |
| CN116552550A (zh) | 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制系统 | |
| CN112606843A (zh) | 一种基于Lyapunov-MPC技术的智能车辆路径跟踪控制方法 | |
| CN114625002A (zh) | 一种基于模型预测控制的车辆横纵向集成控制方法 | |
| CN114896694B (zh) | 一种基于两点预瞄的路径跟踪控制方法 | |
| CN114502450A (zh) | 机动车辆横向和纵向引导中的死区时间补偿技术 | |
| CN116834754A (zh) | 一种自动驾驶车辆自适应调速的横纵协同控制方法 | |
| Németh et al. | LPV-based control design of an adaptive cruise control system for road vehicles | |
| CN117774940A (zh) | 一种基于质量估计的无人物流车横纵向协调控制方法 | |
| CN115817509A (zh) | 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法 |
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 |