CN117806175B - 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 - Google Patents
分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 Download PDFInfo
- Publication number
- CN117806175B CN117806175B CN202410231612.5A CN202410231612A CN117806175B CN 117806175 B CN117806175 B CN 117806175B CN 202410231612 A CN202410231612 A CN 202410231612A CN 117806175 B CN117806175 B CN 117806175B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- sgpr
- transverse force
- prediction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 11
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 19
- 238000004590 computer program Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统,涉及车辆控制领域,使用稀疏高斯过程回归建立车辆各轴横向力误差预测模型以提高可解释性,使用车辆的状态量作为横向力误差预测模型的学习特征从而不依赖高精度定位信息,将横向力误差预测模型嵌入模型预测控制所采用的控制模型与轮胎摩擦椭圆约束中动态调节优化问题,最终由模型预测控制算法求解得到当前时刻MPC控制量。本发明中,将稀疏高斯过程回归算法和模型预测控制算法相结合,提高了分布式驱动车辆轨迹跟踪控制的精准度以及轨迹跟踪控制效果。
Description
技术领域
本发明涉及车辆控制领域,特别是涉及一种适用于分布式驱动车辆的模型误差自学习轨迹跟踪控制方法及系统。
背景技术
随着电池技术成熟与信息技术发展,车辆电气化与智能化成为汽车工业新趋势。由于分布式驱动能够拓宽车辆性能边界、基于模型的控制能够综合考虑多种因素,目前存在以下技术路线:使用基于模型的控制方法对分布式驱动车辆进行控制,实现轨迹跟踪等功能。然而,该路线受限于其控制方法的固有缺陷:当控制模型与被控对象存在差异时,控制效果变差、控制约束失效。上述问题即模型失配问题。模型失配的来源有两方面:一是难以考虑被控对象包含的强非线性动力学,二是难以适应环境变化导致的被控对象响应差异。对于分布式驱动车辆而言,模型失配集中体现在纵横向混合摩擦(强非线性)与路面附着发生变化(环境变化)的场景下。传统控制方法易于在高附着路面过于保守、在低附着路面侧滑甩尾,该问题严重阻碍了分布式驱动车辆发挥其性能优势。
发明内容
本发明的目的是提供一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统,使用稀疏高斯过程回归对车辆各轴横向力误差进行建模,得到动态变化的横向力误差预测模型。由于高斯过程特性,该方法能够拟合任何非线性函数,同时能够通过数据更新不断适应新的环境,从而更好地描述变化环境下的车辆响应,提升分布式车辆性能。
为实现上述目的,本发明提供了如下方案。
一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,所述方法包括。
构建初始数据集和SGPR横向力误差预测模型;所述SGPR横向力误差预测模型为基于稀疏高斯过程回归建立的横向力误差预测模型;所述初始数据集为空集或至少包括一组车辆真实状态和对应的横向力误差。
获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差;所述t时刻的MPC车辆预测状态为t-1时刻利用MPC算法预测的t时刻的车辆预测状态。
利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集;更新后的数据集中包括n组车辆真实状态和对应的横向力误差;n=1,2,3,...,N;N为数据量最大值。
对t时刻MPC算法预测时域内的待预测车辆状态或t-1时刻MPC算法预测时域内已知的车辆预测状态应用所述SGPR横向力误差预测模型以对当前所述更新后的数据集进行高斯过程回归分析,得出t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值。
根据t时刻预测时域内每一离散步对应的所述横向力误差预测值以及控制约束条件求解MPC控制量,根据所述MPC控制量进行轨迹跟踪控制;所述控制约束条件包括参数随所述数据集动态变化的摩擦椭圆约束。
本发明公开一种分布式驱动车辆模型误差自学习轨迹跟踪控制系统,其所述系统包括。
预测模型构建模块,用于构建初始数据集和SGPR横向力误差预测模型;所述SGPR横向力误差预测模型为基于稀疏高斯过程回归建立的横向力误差预测模型;所述初始数据集为空集或至少包括一组车辆真实状态和对应的横向力误差。
t时刻的横向力误差计算模块,用于获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差;所述t时刻的MPC车辆预测状态为t-1时刻利用MPC算法预测的t时刻的车辆预测状态。
数据集更新模块,用于利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集;更新后的数据集中包括n组车辆真实状态和对应的横向力误差;n=1,2,3,...,N;N为数据量最大值。
横向力误差SGPR预测模块,用于对t时刻MPC算法预测时域内的待预测车辆状态或t-1时刻MPC算法预测时域内已知的车辆预测状态应用所述SGPR横向力误差预测模型以对当前所述更新后的数据集进行高斯过程回归分析,得出t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值。
MPC控制量求解模块,用于根据t时刻预测时域内每一离散步对应的所述横向力误差预测值以及控制约束条件求解MPC控制量,根据所述MPC控制量进行轨迹跟踪控制;所述控制约束条件包括参数随所述数据集动态变化的摩擦椭圆约束。
根据本发明提供的具体实施例,本发明公开了以下技术效果。
本发明提供一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统,使用稀疏高斯过程回归建立车辆各轴横向力误差预测模型以提高可解释性,使用车辆的状态量作为横向力误差预测模型的学习特征从而不依赖高精度定位信息,将横向力误差预测模型嵌入模型预测控制所采用的控制模型与轮胎摩擦椭圆约束中动态调节优化问题,最终由模型预测控制算法求解得到当前时刻MPC控制量。稀疏高斯过程回归算法和模型预测控制算法的结合,提高了分布式驱动车辆轨迹跟踪控制的精准度以及轨迹跟踪控制效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明实施例1提供的一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统,使用稀疏高斯过程回归建立车辆各轴横向力误差预测模型以提高可解释性,使用车辆的状态量(SGPR输入特征)作为横向力误差预测模型的学习特征从而不依赖高精度定位信息,将横向力误差预测模型嵌入模型预测控制所采用的控制模型与轮胎摩擦椭圆约束中动态调节优化问题,最终由模型预测控制算法(MPC)求解得到当前时刻车辆的控制量。
SGPR:(Sparse Gaussian Process Regression,稀疏高斯过程回归)。
MPC:(Model Predictive Control,模型预测控制)。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,所述方法包括。
S1:构建初始数据集和SGPR横向力误差预测模型;所述SGPR横向力误差预测模型为基于稀疏高斯过程回归建立的横向力误差预测模型。
使用以下单轨车辆动力学模型为例说明本实施例的方案。
(1)。
其中,状态量为,包含纵向车速/>,横向车速/>,横摆角速度/>以及三个执行机构状态:前轴转矩Tf,后轴转矩Tr和前轮转角/>;控制量为执行机构状态增量/>;/>包括/>和/>;式中的力分别为空气阻力FD和前后轴轮胎坐标系下横向力/>;质惯量分别为整车质量mt和整车绕z轴惯量Iz;尺寸参数分别为前后轴轮胎半径Rf,Rr,质心距前后轴的距离/>。状态量的导数为,该车辆动力学模型即关于状态量导数的函数。
数据集中的数据为输入输出对,即数据的最小单元包括一个输入特征向量和与之对应的输出值。输入为车辆真实状态或者基于车辆真实状态计算的SGPR输入特征,输出为横向力误差。初始数据集为空集或至少包括一组车辆真实状态和对应的横向力误差。
SGPR横向力误差预测模型包括前轴SGPR横向力误差预测模型和后轴SGPR横向力误差预测模型,各自分别预测对应轴的横向力误差,那么在进行预测时,所应用到的数据根据预测的是前轴还是后轴进行区别即可。
当构建的数据集中输入值采用的是基于车辆真实状态计算的SGPR输入特征,则可以分别针对前后轴SGPR横向力误差预测模型构建前轴数据集和后轴数据集。
S2:获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差;所述t时刻的MPC车辆预测状态为t-1时刻利用MPC算法预测的t时刻的车辆预测状态。
通过MPC算法根据下一个离散步的预测状态与下一个离散步后车辆的真实状态/>,可以计算出状态量导数的预测值/>与真实值/>。如下式(2),其中,f1为控制频率,/>为MPC离散化步长。
(2)。
其中,表示基于MPC算法的车辆控制器在离散时间kt+1对应的车辆预测状态;其中,kt+1表示t时间一个离散步之后的离散时间。
表示基于MPC算法的车辆控制器在离散时间kt对应的车辆状态。
表示连续时间t+1/f1对应的车辆真实状态;其中,t+1/f1表示t时间一个离散步之后的连续时间。t为对物理世界而言的连续时间,kt为对控制器而言的离散时间,t和kt表示的是同一时间。离散步的长短等于控制频率的倒数,即1/f1。t+1/f1和kt+1表示的是同一时间。
表示连续时间t对应的车辆真实状态。
状态量导数中包含横向车速的导数/>与横摆角速度的导数/>,将/>与/>中的横向车速导数与横摆角速度导数带入以下车辆动力学模型中的横向车速的导数/>方程与横摆角速度的导数/>方程组中即可解得预测和真实的前后轴轮胎坐标系下横向力。
(3)。
为排除垂向力的影响,横向力误差被表示为无量纲形式,其正负取值表示对横向力的低估(正)和高估(负),与横向力本身的符号无关,数学表达如下式(4),其中,为前后轴轮胎垂向力。该横向力误差即数据集的输出值,数据类型为一维标量,众多输出值构成了数据集中输出值的集合/>。
(4)。
因此,步骤S2总结为。
(1)对所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态分别求导;所述t时刻的车辆真实状态包括真实纵向车速,真实横向车速,真实横摆角速度,真实前轴转矩,真实后轴转矩和真实前轮转角;所述t时刻的MPC车辆预测状态包括预测纵向车速,预测横向车速,预测横摆角速度,预测前轴转矩,预测后轴转矩和预测前轮转角。
(2)将t时刻的车辆真实状态导数中的真实横向车速导数与真实横摆角速度导数带入到车辆动力学模型中的横向车速导数表达式(即公式(3))和横摆角速度导数表达式(即公式(3))中,得出t时刻的横向力真实值。
(3)将t时刻的车辆预测状态导数中的预测横向车速导数与预测横摆角速度导数带入到所述车辆动力学模型中的横向车速导数表达式(即公式(3))和横摆角速度导数表达式(即公式(3))中,得出t时刻的横向力预测值。
(4)根据所述t时刻的横向力真实值和所述t时刻的横向力预测值计算所述t时刻的横向力误差,即根据公式(4)计算。
S3:利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集;更新后的数据集中包括n组车辆真实状态和对应的横向力误差;n=1,2,3,...,N;N为数据量最大值。
数据集中包括一系列输入输出组合,为了使数据集中的数据量保持在中等水平、同时适应不断变化的环境,需要对新旧数据进行筛选并对数据集不断更新。这里综合数据的时间和空间分布设计数据筛选判据。
空间方面,考虑到特征取值重复的数据价值较低,将数据特征处的方差作为数据筛选判据,方差越低则该位置数据越相互重合,可以适当舍弃。数学表示如下式(5)。
(5)。
时间方面,需要逐步使用新数据代替旧数据,故引入遗忘因子,该因子将与判据相乘形成最终的数据筛选判据/>。数据存在的时间越长,其遗忘因子越小。
(6)。
式中,为判据值;/>为噪声方差;t0表示当前数据集中每一SGPR输入特征对应的获取时间或t时刻SGPR输入特征的获取时间;当带入到判据值公式的数据是当前数据集中SGPR输入特征时,则t0表示当前数据集中SGPR输入特征对应的获取时间,当带入到判据值公式的数据是t时刻SGPR输入特征时,t0=t,此时t-t0=0;h表示调节参数,用于调节/>随时间衰减的快慢,h越大,/>衰减得越快。
在计算得到数据筛选判据的情况下,车辆运行初期,根据数据筛选判据逐步增加数据,数据量超过预设的最大值后,数据的增减分别进行而非同时发生。增加数据只需其判据值大于给定判据值阈值即可。增加数据后,若数据量超过预设的数据量最大值,则需要减少数据,数据的移除根据判据/>由小到大进行,保持数据总数不变。
因此,步骤S3具体包括。
(1)判断当前数据集中的数据量是否达到所述数据量最大值。
(2)若否,则根据数据筛选判据公式计算t时刻的SGPR输入特征对应的第一判据值,当所述第一判据值大于给定的判据值阈值时,则将所述t时刻的SGPR输入特征和对应的所述t时刻的横向力误差添加至当前所述数据集中。所述t时刻的SGPR输入特征是根据所述t时刻的车辆真实状态得出的。
根据公式(5)和(6)可知,判据的计算式是以待判断的t时刻的SGPR输入特征作为输入(),并结合已有的数据集的SGPR输入特征(/>)和伪数据SGPR输入特征(/>)进行计算的。
(3)若是,则根据所述数据筛选判据公式计算当前所述数据集中每一所述车辆真实状态对应的所述SGPR输入特征和所述t时刻的SGPR输入特征对应的第二判据值。对所有所述第二判据值进行排序,取前N个最大的所述第二判据值对应的所述SGPR输入特征和所述横向力误差更新当前所述数据集。
S4:对t时刻MPC算法预测时域内的待预测车辆状态或t-1时刻MPC算法预测时域内已知的车辆预测状态应用所述SGPR横向力误差预测模型以对当前所述更新后的数据集进行高斯过程回归分析,得出t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值。
当所述SGPR横向力误差预测模型的输入是t时刻MPC算法预测时域内每一离散步对应的待预测车辆状态时,得出的t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值不是一个具体的数值,而是一个表达式。
当所述SGPR横向力误差预测模型的输入是t-1时刻MPC算法预测时域内每一离散步对应的已知的车辆预测状态时,得出的t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值是一个具体的数值。
稀疏高斯过程回归SGPR通过已有数据,能够计算任意输入特征向量对应的输出均值与方差。可以理解为基于已有位置的值,预测新的位置的值(基于已有输入特征向量与输出值对,计算任意输入特征向量对应的输出值),在稀疏高斯过程回归SGPR中,输出值不是一个确切的值,而是一个概率变量,通过均值和方差描述。
其中,所述SGPR横向力误差预测模型的SGPR输入特征包括轮胎侧偏角和轴转矩;所述轮胎侧偏角是根据车辆状态中的纵向车速、横向车速、横摆角速度和前轮转角确定的。
SGPR横向力误差预测模型表示为。前后轴各使用一个SGPR横向力误差预测模型。其中,/>表示t时刻横向力误差预测模型的SGPR输入特征;包括/>和/>;/>表示车辆前轴t时刻SGPR输入特征;/>表示车辆后轴t时刻SGPR输入特征,/>,其中/>表示前后轴轮胎侧偏角,其计算公式如下式(7)。
(7)。
表示车辆前轴轮胎侧偏角;/>表示车辆后轴轮胎侧偏角。
为了使数据更加稠密,这里假设轮胎具有对称性,并对输入特征取绝对值。
所述SGPR横向力误差预测模型的SGPR输出值包括无量纲的前后轴横向力误差(通过均值表示),以及对该误差的确信程度(通过方差表示)。
SGPR输出的均值与方差/>表示如下式(8)。
(8)。
其中,,/>,/>。
式中,表示数据集中横向力误差构成的集合;diag()表示用于提取或构造矩阵的对角线元素的函数;/>表示/>的逆矩阵;/>表示/>的逆矩阵;/>表示/>的逆矩阵;/>为协方差矩阵,式中的下标都为简写,其与完整形式的对应关系为:,/>,/>,/>,/>,,/>。其中,/>,表示输入特征集/>与输入特征集/>构成的协方差矩阵;/>,表示输入特征集/>与输入特征集/>构成的协方差矩阵;/>,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;/>,表示输入特征集/>与输入特征集/>构成的协方差矩阵;/>,表示输入特征集/>与输入特征集/>构成的协方差矩阵;/>,表示输入特征集/>与输入特征集/>构成的协方差矩阵。所述输入特征集/>为当前数据集中每一所述车辆真实状态对应的所述SGPR输入特征构成的特征集;所述输入特征集/>为当前t时刻稀疏高斯过程回归中应用的伪数据输入特征构成的特征集;所述伪数据输入特征是在所述输入特征集/>中所述SGPR输入特征的数值范围内均等分点处的特征值;所述输入特征集/>为当前t时刻输入至所述SGPR横向力误差预测模型的所述SGPR输入特征构成的特征集。伪数据输入特征的数量远小于数据集输入特征数量,从而达到稀疏化加快计算的效果;/>的具体取值不做要求,一种可行的做法是在一定范围内均匀分布以覆盖特征的可能取值;/>为单位矩阵。
下面以为例列出协方差矩阵的形式,其他与协方差矩阵/>相关的符号同理。
(9)。
其中,中的/>表示各自对应输入特征集中的元素(SGPR输入特征/>)。矩阵元素中/>的数字下标表示该特征向量在相应数据集中的编号;ker()称为协方差函数或核函数(kernel function),有很多核函数可供选择,例如RBF(RadialBasis Function,径向基函数),其定义如下式(10)。
(10)。
其中,分别为/>的第一项和第二项。/>为长度度量,/>为信号方差,两者都为超参数,需根据实际问题进行选择。
由于SGPR输出的方差仅用于数据筛选判据,故SGPR横向力误差预测模型输出对应SGPR均值,在单点测试时,。在多特征点同时计算时表示为,此时,/>为一个矩阵。
S5:根据t时刻预测时域内每一离散步对应的所述横向力误差预测值,以及控制约束条件求解MPC控制量,根据所述MPC控制量进行轨迹跟踪控制。所述控制约束条件包括参数随所述数据集动态变化的摩擦椭圆约束。
t时刻预测时域内每一离散步对应的所述横向力误差预测值无论是表达式还是具体数值都能够在步骤S5中求解出MPC控制量,只是具体数值的话计算效率高,可以满足车辆控制的实时性,如果是表达式的话,整个求解过程算法比较复杂一些,计算效率慢。
MPC算法包含控制模型与控制约束两方面。在控制模型方面,SGPR横向力误差预测模型作用于控制模型的横向力计算中,表示如下式(11),其中,对侧偏角取sign函数以正确地补偿不同方向横向力产生的误差。
(11)。
表示轮胎坐标系下车辆前轴或车辆后轴对应的补偿后的横向力。Fy,i表示轮胎坐标系下车辆前轴或车辆后轴对应的补偿前横向力。
整理公式后,可进一步表示为以下更简洁的形式,作用于连续时域微分方程形式的车辆动力学模型中。
(12)。
其中,,/>表示t时刻车辆状态的导数的函数;表示连续时域未补偿前车辆动力学模型(c-continuous,连续;t-time,时域),/>表示t时刻的真实车辆状态;/>表示MPC控制量;/>表示连续时域下SGPR横向力误差预测模型对车辆模型的补偿(c-continuous,连续),该函数是将/>函数带入到车辆动力学模型(公式(1))中后化简得到的,表示如下。
(13)。
该连续时域表达同时也可以离散化,作用于离散的车辆动力学模型中,方便后续优化问题的构建。例如,一种可能的离散时域车辆动力学模型表达式。
(14)。
其中,表示离散时域车辆动力学模型(d-discrete,离散;t-time,时域),/>表示离散时域下SGPR横向力误差预测模型对车辆动力学模型的补偿;d即discrete,表示离散;/>表示在控制步kt时k个离散步之后的车辆状态,/>表示在控制步kt时k个离散步之后的控制量。
表示上一控制步1个离散步之后的控制量,一般来说控制步长和离散步长相等,则/>表示上一控制步计算出的当前时刻控制量,则SGPR横向力误差预测模型的SGPR输入特征可以通过待优化量表示(其中,/>可以用的相关参量表示出来),也可以使用上一控制步的优化结果来计算这一控制步的横向力误差预测模型特征输入,即将公式(14)最后一项/>替换为,虽然两者属于不同控制步,但在步长较小的情况下,可以假设两次优化结果相近,即可相互替换;由于上一控制步的优化结果都是已知量,此举有助于简化优化问题,降低求解时长。
在高速公路等驾驶场景,可以对MPC施加轮胎摩擦椭圆约束以提高横摆稳定性。有别于固定参数的摩擦椭圆约束,本发明提出参数随SGPR横向力误差预测模型动态变化的摩擦椭圆约束如下,其中横向力部分依据当前观测到最大纯侧偏误差进行修正。
(15)。
式中,表示用于约束的附着系数,不一定等于实际附着系数;/>为纵横向峰值系数,表示单向摩擦(纯滑移对应纵向、纯侧偏对应横向)的轮胎力极大值;表示数据集中横向力误差构成的集合中轴转矩为/>对应的横向力误差中的最大值,这里不限制/>的值,/>表示不严格等于0,在一定小的范围内即可,即与0的差值在预设范围内。
因此得出,步骤S5具体包括。
(1)利用所述MPC算法的控制模型根据t时刻预测时域内每一离散步对应的所述横向力误差预测值计算t时刻预测时域内每一离散步对应的补偿后横向力。
(2)根据所述补偿后横向力确定加入横向力补偿项后的新车辆动力学模型。
(3)在所述MPC算法的控制约束条件中添加参数随所述数据集SGPR横向力误差预测模型动态变化的摩擦椭圆约束,也可称参数随SGPR横向力误差预测模型动态变化的摩擦椭圆约束。
(4)根据所述新车辆动力学模型和所述MPC算法的控制约束条件求解MPC控制量。
集成SGPR横向力误差预测模型的轨迹跟踪MPC算法表示如下,其中,为目标函数,/>为包括轮胎摩擦椭圆约束在内的不等式约束。/>
(16)。
式中,H表示离散步数量。和/>表示车辆状态的上下限;/>和/>表示MPC控制量的上下限。
MPC问题可以转化为优化问题,例如二次优化、序列二次优化、非线性优化等,MPC问题转化与优化问题求解不在本实施例的范畴之内。优化问题的求解结果即当前时刻控制量,该控制量将下发执行机构执行。一个控制步内的控制方法流程至此结束,控制步将以预设的控制频率执行,从而完成轨迹跟踪任务。
本实施例中,提出使用稀疏高斯过程回归对车辆各轴横向力误差进行建模,得到动态变化的横向力误差预测模型。由于高斯过程特性,该方法能够拟合任何非线性函数,同时能够通过数据更新不断适应新的环境,从而更好地描述变化环境下的车辆响应,提升分布式车辆性能。所提出的自学习轨迹跟踪控制方法能够将控制模型轮胎力误差降低80%以上,有效解决强非线性与环境变化带来的控制精度下降问题。横向力误差预测模型作用于底层轮胎力而非状态量,提高方法可解释性。动态调节的轮胎摩擦椭圆约束能够在高附着路面放宽约束、提升车辆动力性,在低附着路面收紧约束、提升操纵稳定性。由于采用稀疏高斯过程回归,算法复杂度大幅降低,计算用时小于1ms,满足车端实时性要求。
实施例2
本实施例提供一种分布式驱动车辆模型误差自学习轨迹跟踪控制系统,所述系统包括。
预测模型构建模块,用于构建初始数据集和SGPR横向力误差预测模型;所述SGPR横向力误差预测模型为基于稀疏高斯过程回归建立的横向力误差预测模型;所述初始数据集为空集或至少包括一组车辆真实状态和对应的横向力误差。
t时刻的横向力误差计算模块,用于获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差;所述t时刻的MPC车辆预测状态为t-1时刻利用MPC算法预测的t时刻的车辆预测状态。
数据集更新模块,用于利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集;更新后的数据集中包括n组车辆真实状态和对应的横向力误差;n=1,2,3,...,N;N为数据量最大值。
横向力误差SGPR预测模块,用于对t时刻MPC算法预测时域内的待预测车辆状态或t-1时刻MPC算法预测时域内已知的车辆预测状态应用所述SGPR横向力误差预测模型以对当前所述更新后的数据集进行高斯过程回归分析,得出t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值。
MPC控制量求解模块,用于根据t时刻预测时域内每一离散步对应的所述横向力误差预测值以及控制约束条件求解MPC控制量,根据所述MPC控制量进行轨迹跟踪控制;所述控制约束条件包括参数随所述数据集动态变化的摩擦椭圆约束。
实施例3
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例1的分布式驱动车辆模型误差自学习轨迹跟踪控制方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例1的分布式驱动车辆模型误差自学习轨迹跟踪控制方法。
本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,其特征在于,所述方法包括:
构建初始数据集和SGPR横向力误差预测模型;所述SGPR横向力误差预测模型为基于稀疏高斯过程回归建立的横向力误差预测模型;所述初始数据集为空集或至少包括一组车辆真实状态和对应的横向力误差;
获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差;所述t时刻的MPC车辆预测状态为t-1时刻利用MPC算法预测的t时刻的车辆预测状态;
利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集;更新后的数据集中包括n组车辆真实状态和对应的横向力误差;n=1,2,3,...,N;N为数据量最大值;
对t时刻MPC算法预测时域内的待预测车辆状态或t-1时刻MPC算法预测时域内已知的车辆预测状态应用所述SGPR横向力误差预测模型以对当前所述更新后的数据集进行高斯过程回归分析,得出t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值;
根据t时刻预测时域内每一离散步对应的所述横向力误差预测值以及控制约束条件求解MPC控制量,根据所述MPC控制量进行轨迹跟踪控制;所述控制约束条件包括参数随所述数据集动态变化的摩擦椭圆约束;
其中,所述SGPR横向力误差预测模型的SGPR输入特征包括轮胎侧偏角和轴转矩;所述轮胎侧偏角是根据车辆状态中的纵向车速、横向车速、横摆角速度和前轮转角确定的;
所述SGPR横向力误差预测模型的SGPR输出值包括均值和方差;所述均值表示所述SGPR横向力误差预测模型输出的横向力误差;所述方差用于进行所述数据集的更新;
所述均值的计算公式为:
;
所述方差的计算公式为:
;
其中,,/>,/>;
式中,表示均值;/>表示方差;/>表示数据集中横向力误差构成的集合;/>为噪声方差;/>为单位矩阵;diag()表示用于提取或构造矩阵的对角线元素的函数;/>表示/>的逆矩阵;/>表示/>的逆矩阵;/>表示/>的逆矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;,表示输入特征集/>与输入特征集/>构成的协方差矩阵;所述输入特征集/>为当前数据集中每一所述车辆真实状态对应的所述SGPR输入特征构成的特征集;所述输入特征集/>为当前t时刻稀疏高斯过程回归中应用的伪数据输入特征构成的特征集;所述伪数据输入特征是所述输入特征集/>中所述SGPR输入特征的数值范围内均等分点处的特征值;所述输入特征集/>为当前t时刻输入至所述SGPR横向力误差预测模型的所述SGPR输入特征构成的特征集;
其中,利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集,具体包括:
判断当前所述数据集中的数据量是否达到所述数据量最大值;
若否,则根据数据筛选判据公式计算t时刻的SGPR输入特征对应的第一判据值,当所述第一判据值大于给定的判据值阈值时,则将所述t时刻的SGPR输入特征和对应的所述t时刻的横向力误差添加至当前所述数据集中;所述数据筛选判据公式的表达式为:;
其中,,/>;
式中,为判据值;/>表示当前数据集中每一SGPR输入特征对应的获取时间或t时刻SGPR输入特征的获取时间;h表示调节参数;所述t时刻的SGPR输入特征是根据所述t时刻的车辆真实状态得出的;
若是,则根据所述数据筛选判据公式计算当前所述数据集中每一所述车辆真实状态对应的所述SGPR输入特征和所述t时刻的SGPR输入特征对应的第二判据值;对所有所述第二判据值进行排序,取前N个最大的所述第二判据值对应的所述SGPR输入特征和所述横向力误差更新当前所述数据集。
2.根据权利要求1所述的一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,其特征在于,获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差,具体包括:
对所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态分别求导;所述t时刻的车辆真实状态包括真实纵向车速,真实横向车速,真实横摆角速度,真实前轴转矩,真实后轴转矩和真实前轮转角;所述t时刻的MPC车辆预测状态包括预测纵向车速,预测横向车速,预测横摆角速度,预测前轴转矩,预测后轴转矩和预测前轮转角;
将t时刻的车辆真实状态导数中的真实横向车速导数与真实横摆角速度导数带入到车辆动力学模型中的横向车速导数表达式和横摆角速度导数表达式中,得出t时刻的横向力真实值;
将t时刻的车辆预测状态导数中的预测横向车速导数与预测横摆角速度导数带入到所述车辆动力学模型中的横向车速导数表达式和横摆角速度导数表达式中,得出t时刻的横向力预测值;
根据所述t时刻的横向力真实值和所述t时刻的横向力预测值计算所述t时刻的横向力误差。
3.根据权利要求1所述的一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,其特征在于,根据t时刻预测时域内每一离散步对应的所述横向力误差预测值以及控制约束条件求解MPC控制量,具体包括:
利用所述MPC算法的控制模型根据t时刻预测时域内每一离散步对应的所述横向力误差预测值计算t时刻预测时域内每一离散步对应的补偿后横向力;
根据所述补偿后横向力确定加入横向力补偿项后的新车辆动力学模型;
在所述MPC算法的控制约束条件中添加参数随所述数据集动态变化的摩擦椭圆约束;
根据所述新车辆动力学模型和所述MPC算法的控制约束条件求解所述MPC控制量。
4.根据权利要求3所述的一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,其特征在于,连续时域的所述新车辆动力学模型为:;
其中,
;
式中,表示t时刻车辆状态的导数的函数;/>表示连续时域未补偿前车辆动力学模型,/>表示t时刻的真实车辆状态;/>表示MPC控制量;表示连续时域下SGPR横向力误差预测模型对车辆动力学模型的补偿;/>表示整车质量;/>表示车辆前轴t时刻SGPR输入特征;/>表示车辆后轴t时刻SGPR输入特征;/>包括/>和/>;/>表示车辆前轴轮胎侧偏角;/>表示车辆后轴轮胎侧偏角;表示SGPR横向力误差预测值;i=f,r;f指代车辆前轴,r指代车辆后轴;;/>表示车辆前轴轮胎垂向力;/>表示车辆后轴轮胎垂向力;/>表示前轮转角;/>和/>分别表示质心矩前轴后轴的距离;/>表示整车绕z轴惯量。
5.根据权利要求4所述的一种分布式驱动车辆模型误差自学习轨迹跟踪控制方法,其特征在于,所述摩擦椭圆约束的表达式为:
;
式中,表示用于约束的附着系数;/>分别为纵横向峰值系数;/>表示轴转矩;/>表示轮胎半径;/>表示轮胎坐标系下补偿后横向力;/>表示数据集中横向力误差构成的集合中轴转矩为/>对应的横向力误差中的最大值,/>表示不严格等于0,不严格等于0指与0的差值在预设范围内;/>为/>或/>。
6.一种基于权利要求1至5任一项所述的分布式驱动车辆模型误差自学习轨迹跟踪控制方法的分布式驱动车辆模型误差自学习轨迹跟踪控制系统,其特征在于,所述系统包括:
预测模型构建模块,用于构建初始数据集和SGPR横向力误差预测模型;所述SGPR横向力误差预测模型为基于稀疏高斯过程回归建立的横向力误差预测模型;所述初始数据集为空集或至少包括一组车辆真实状态和对应的横向力误差;
t时刻的横向力误差计算模块,用于获取车辆运行过程中t时刻的车辆真实状态,并根据所述t时刻的车辆真实状态和t时刻的MPC车辆预测状态计算t时刻的横向力误差;所述t时刻的MPC车辆预测状态为t-1时刻利用MPC算法预测的t时刻的车辆预测状态;
数据集更新模块,用于利用所述t时刻的车辆真实状态和对应的所述t时刻的横向力误差更新当前数据集;更新后的数据集中包括n组车辆真实状态和对应的横向力误差;n=1,2,3,...,N;N为数据量最大值;
横向力误差SGPR预测模块,用于对t时刻MPC算法预测时域内的待预测车辆状态或t-1时刻MPC算法预测时域内已知的车辆预测状态应用所述SGPR横向力误差预测模型以对当前所述更新后的数据集进行高斯过程回归分析,得出t时刻MPC算法预测时域内的每一离散步对应的横向力误差预测值;
MPC控制量求解模块,用于根据t时刻预测时域内每一离散步对应的所述横向力误差预测值以及控制约束条件求解MPC控制量,根据所述MPC控制量进行轨迹跟踪控制;所述控制约束条件包括参数随所述数据集动态变化的摩擦椭圆约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231612.5A CN117806175B (zh) | 2024-03-01 | 2024-03-01 | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410231612.5A CN117806175B (zh) | 2024-03-01 | 2024-03-01 | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117806175A CN117806175A (zh) | 2024-04-02 |
CN117806175B true CN117806175B (zh) | 2024-04-30 |
Family
ID=90421886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410231612.5A Active CN117806175B (zh) | 2024-03-01 | 2024-03-01 | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117806175B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115016272A (zh) * | 2022-06-14 | 2022-09-06 | 长春工业大学 | 基于多智能体的abs与afs分布式模型预测控制方法 |
CN115061373A (zh) * | 2022-06-27 | 2022-09-16 | 北京理工大学 | 一种混合动力系统电机温升预测博弈优化控制方法 |
CN115933662A (zh) * | 2022-12-13 | 2023-04-07 | 江苏大学 | 一种基于自适应模型预测控制的智能汽车轨迹跟踪和稳定性控制系统及方法 |
CN116560223A (zh) * | 2023-03-20 | 2023-08-08 | 江苏大学 | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 |
CN116819973A (zh) * | 2023-08-29 | 2023-09-29 | 北京成功领行汽车技术有限责任公司 | 一种轨迹跟踪控制方法 |
CN117581166A (zh) * | 2021-07-01 | 2024-02-20 | 三菱电机株式会社 | 基于借助高斯假设密度滤波器的不确定性传播的随机非线性预测控制器及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341726B (zh) * | 2021-06-18 | 2022-05-27 | 江南大学 | 一种多质点车辆队列行驶系统的迭代学习控制方法 |
-
2024
- 2024-03-01 CN CN202410231612.5A patent/CN117806175B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117581166A (zh) * | 2021-07-01 | 2024-02-20 | 三菱电机株式会社 | 基于借助高斯假设密度滤波器的不确定性传播的随机非线性预测控制器及方法 |
CN115016272A (zh) * | 2022-06-14 | 2022-09-06 | 长春工业大学 | 基于多智能体的abs与afs分布式模型预测控制方法 |
CN115061373A (zh) * | 2022-06-27 | 2022-09-16 | 北京理工大学 | 一种混合动力系统电机温升预测博弈优化控制方法 |
CN115933662A (zh) * | 2022-12-13 | 2023-04-07 | 江苏大学 | 一种基于自适应模型预测控制的智能汽车轨迹跟踪和稳定性控制系统及方法 |
CN116560223A (zh) * | 2023-03-20 | 2023-08-08 | 江苏大学 | 一种基于物理信息神经网络的智能车辆动力学模型、ilqr控制算法及轨迹跟踪控制器 |
CN116819973A (zh) * | 2023-08-29 | 2023-09-29 | 北京成功领行汽车技术有限责任公司 | 一种轨迹跟踪控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117806175A (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885883B (zh) | 一种基于gk聚类算法模型预测的无人车横向运动的控制方法 | |
CN109017808B (zh) | 一种无人驾驶汽车模型预测控制器设计方法 | |
Ma et al. | Direct yaw-moment control of electric vehicles based on adaptive sliding mode | |
CN112622903A (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 | |
CN111158264B (zh) | 面向车载应用的模型预测控制快速求解方法 | |
CN113671962B (zh) | 一种无人驾驶铰接式清扫车的横向控制方法 | |
Jalali et al. | Development of a path-following and a speed control driver model for an electric vehicle | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
CN113485125A (zh) | 一种适用于任意通信拓扑的含时滞车辆队列稳定性控制方法及系统 | |
CN111123701A (zh) | 基于管道预测模型的自动驾驶路径跟踪抗干扰控制方法 | |
CN116552548A (zh) | 一种四轮分布式电驱动汽车状态估计方法 | |
CN111240327A (zh) | 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法 | |
Piccinini et al. | A physics-driven artificial agent for online time-optimal vehicle motion planning and control | |
CN112829766B (zh) | 一种基于分布式驱动电动车辆的自适应路径跟踪方法 | |
CN117806175B (zh) | 分布式驱动车辆模型误差自学习轨迹跟踪控制方法及系统 | |
Junqueira et al. | A Model-less Approach for Estimating Vehicles Sideslip Angle by a Neural Network Concept | |
Li et al. | Path tracking control based on the prediction of tire state stiffness using the optimized steering sequence | |
CN115343950A (zh) | 一种适应复杂路面的车辆路径跟踪控制方法及控制系统 | |
CN114359349A (zh) | 一种用于车辆自适应路径跟踪的终身学习方法及系统 | |
Zheng et al. | Model predictive control based vehicle stability control via active front steering | |
Hakima et al. | Improvement of vehicle handling by an integrated control system of four wheel steering and ESP with fuzzy logic approach | |
CN111332278A (zh) | 一种分布式驱动电动车辆横向稳定控制方法及系统 | |
CN115903851A (zh) | 一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法 | |
CN110471277B (zh) | 基于输出反馈增益规划的智能商用车自动循迹控制方法 | |
CN117842008A (zh) | 变预测时间的车辆路径跟踪控制方法、系统、设备及介质 |
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 |