CN117826799A - 一种无人驾驶车队横纵方向耦合协同控制方法及装置 - Google Patents
一种无人驾驶车队横纵方向耦合协同控制方法及装置 Download PDFInfo
- Publication number
- CN117826799A CN117826799A CN202311696629.XA CN202311696629A CN117826799A CN 117826799 A CN117826799 A CN 117826799A CN 202311696629 A CN202311696629 A CN 202311696629A CN 117826799 A CN117826799 A CN 117826799A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- front wheel
- longitudinal
- speed
- transverse
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 54
- 238000010168 coupling process Methods 0.000 title claims abstract description 54
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000001133 acceleration Effects 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000006870 function Effects 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000011217 control strategy Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Landscapes
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种无人驾驶车队横纵方向耦合协同控制方法及装置，本发明智能汽车控制技术领域，其中包括：获取车辆队列的周围环境信息和车辆状态信息；根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。本发明能够对车辆队列进行横纵方向耦合协同控制，从而能够保证车辆队列在复杂工况下的控制精度。
Description
技术领域
本发明涉及智能汽车控制技术领域，具体而言，涉及一种无人驾驶车队横纵方向耦合协同控制方法及装置。
背景技术
智能车辆队列中的车辆通过车间通信(Vehicle-to-Vehicle,V2V)、传感技术获取周围车辆及环境信息，准确控制车辆按照期望速度、路径行驶，并保持期望车间距，实现协同式队列巡航、跟随与驶离。智能车辆通过组成队列的方式，使多辆智能车以较小车间距行驶，明显提高了道路空间利用率，可在一定程度上缓解交通拥堵问题。车辆的队列控制的不断研究与完善将有效推动智能车辆系统的实际应用进程，具有重要的经济与社会意义，而实时的队列控制是车辆队列应用的前提与基础。
目前，在对车辆队列进行控制时，通常采用横纵向解耦控制策略，即根据智能车辆的横向运动和纵向运动将车辆控制简单划分为横向控制和纵向控制。然而，车辆本身是一个高度耦合的复杂控制系统，现有的横纵向解耦控制策略割裂了横纵向运动的耦合特性，不符合实际车辆的运动学特性，在高速、大转角等车辆耦合特性显著的复杂工况下，难以保证车辆队列的控制精度。
发明内容
本发明提供一种无人驾驶车队横纵方向耦合协同控制方法及装置，主要在于能够对车辆队列进行横纵方向耦合协同控制，从而能够保证车辆队列在复杂工况下的控制精度。
根据本发明实施例的第一方面，提供一种无人驾驶车队横纵方向耦合协同控制方法，包括：
获取车辆队列的周围环境信息和车辆状态信息；
根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；
根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；
基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；
基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
根据本发明实施例的第二方面，提供一种无人驾驶车队横纵方向耦合协同控制装置，包括：
获取单元，用于获取车辆队列的周围环境信息和车辆状态信息；
规划单元，用于根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；
第一计算单元，用于根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；
第二计算单元，用于基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；
控制单元，用于基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
根据本发明实施例的第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
获取车辆队列的周围环境信息和车辆状态信息；
根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；
根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；
基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；
基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
根据本发明实施例的第四方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
获取车辆队列的周围环境信息和车辆状态信息；
根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；
根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；
基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；
基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
本发明提供的一种无人驾驶车队横纵方向耦合协同控制方法及装置，与现有技术相比，能够获取车辆队列的周围环境信息和车辆状态信息，并根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径，与此同时，根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角，并基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度，最终基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。由此可知，本发明通过纵向速度，计算车辆前轮转角，并根据该车辆前轮转角对应的转向曲率，计算车辆期望加速度，能够依据纵向速度将横向控制策略和纵向控制策略进行耦合，从而能够对车辆队列进行横纵方向耦合协同控制，进而能够保证车辆队列在复杂工况下的控制精度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
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的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例提供的一种无人驾驶车队横纵方向耦合协同控制方法流程示意图；
图2示出了本发明实施例提供的车队协同驾驶混成系统架构示意图；
图3示出了本发明实施例提供的横纵向耦合控制策略示意图；
图4示出了本发明实施例提供的车辆横纵向受力示意图；
图5示出了本发明实施例提供的一种无人驾驶车队横纵方向耦合协同控制装置的结构示意图；
图6示出了本发明实施例提供的一种电子设备的实体结构示意图。
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付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。
需要说明的是，本发明实施例及附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有的横纵向解耦控制策略割裂了横纵向运动的耦合特性，不符合实际车辆的运动学特性，在高速、大转角等车辆耦合特性显著的复杂工况下，难以保证车辆队列的控制精度。
为了克服上述缺陷，本发明实施例提供了一种无人驾驶车队横纵方向耦合协同控制方法，如图1所示，该方法包括：
步骤101、获取车辆队列的周围环境信息和车辆状态信息。
其中，车辆状态信息包括车辆的横向速度、纵向速度、姿态角度、加速度等，周围环境信息包括路况、障碍物、行人等相关信息。
本发明实施例主要适用于对车辆队列进行横纵方向耦合协同控制的场景。本发明实施例的执行主体为能够对车辆队列进行横纵方向耦合协同控制的装置或者设备。
设计系统架构是实现车队协同驾驶的基础，本发明实施例将混成系统理论和车路系统体系架构相结合，采用自上而下的方式设计由交通控制层、车队协调层和车队控制层组成的车队协同驾驶混成系统架构，如图2所示。协作层的主要作用是根据获取的道路交通信息，选择合适的策略，实现车队状态切换，车队协同驾驶状态主要包括巡航、跟随、换道、组合和拆分等。与此同时，协作层需要通过车队内通信，将当前策略所需的车队信息，如速度、车间距、位置等，发送给车队车辆。其中，状态切换采用混成系统理论进行设计，包括多个行驶状态和状态转换逻辑。切换系统的每个状态都是连续系统，离散系统利用切换逻辑输出控制量，触动状态系统相对应的状态。控制层的主要作用是执行协调层的控制策略，利用车队信息和道路交通信息，采用合适的算法，实现车队纵向控制和横向控制，同时，需要将车队信息实时反馈给协调层。
为了提高车辆的横纵向综合控制能力，解决智能车辆在道路上的路径和速度跟踪问题，本发明实施例基于搭建的三自由度动力学模型，以前轮转角和轮胎纵向力为控制量，以车辆与参考道路中心的纵向位置差、横向位置差、横摆角误差，以及与参考车速的横向速度差和纵向速度误差为零为控制目标，采用模型预测控制算法对智能车辆进行横纵向控制器的设计。
车辆横纵向控制结构分为集中式控制和分解式控制，集中式控制是指根据输入的车辆状态信息，直接输出气门开度、制动压力和前轮转角等，其缺点是需要获取大量信息和对硬件质量要求较高。而分解式控制是指分别建立纵向和横向控制，再将横纵向控制结合，由于其更利于开发控制系统，且响应速度较快，因此本发明实施例的控制系统采用分解式结构，如图3所示。为了使本发明实施例的技术方案更加清晰，先结合图3，简单描述一下本发明实施例对于横纵向耦合控制策略的设计思路。首先，将车辆队列的周围环境信息和车辆状态信息输入至路径规划器进行路径规划，横向控制器根据车辆状态信息和路径规划器输出的参考路径，利用预测模型控制算法MPC，计算车辆前轮转角，并基于该车辆前轮转角对车辆队列进行横向控制，之后依据纵向速度，将横向控制器和纵向控制器进行耦合，即将前轮转角对应的转向曲率输入至速度规划器中，速度规划器结合车辆状态信息，采用梯形算法，确定参考速度，最后纵向上层控制器根据输入的参考速度，采用预测模型控制算法MPC，计算车辆期望加速度，并利用纵向下层控制器将期望加速度转换为制动压力和气门开度，对车辆队列进行纵向控制。
对于本发明实施例，在对车辆队列进行横纵方向耦合协同控制时，会通过车载传感器实时获取车辆状态信息以及车辆队列的周围环境信息。
步骤102、根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径。
对于本发明实施例，将车辆队列的周围环境信息和车辆状态信息输入至路径规划器中进行路径规划。具体地，路径规划器基于车辆状态信息和环境数据，为车辆队列规划合适的行驶轨迹，通常采用全局路径规划和局部轨迹规划相结合的方法，以生成更加精确的轨迹路径，并将其确定为参考路径。
步骤103、根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角。
对于本发明实施例，在计算车辆前轮转角时，步骤103具体包括：基于车辆动力学理论，建立车辆三自由度横纵向耦合模型，并将所述车辆三自由度横纵向耦合模型确定为预测模型；根据所述参考路径和所述车辆状态信息中的纵向速度，构建所述车辆队列对应的性能评价函数；基于所述预测模型和所述性能评价函数，计算所述车辆前轮转角。
进一步地，在将所述车辆三自由度横纵向耦合模型确定为预测模型之后，所述方法还包括：基于泰勒公式和前向欧拉算法，对所述预测模型进行线性化处理，得到线性化处理后的预测模型。与此同时，所述基于所述预测模型和所述性能评价函数，计算所述车辆前轮转角，包括：基于所述线性化处理后的预测模型和所述性能评价函数，计算所述车辆前轮转角。
具体地，如图4所示，根据牛顿第二定律，分别建立x、y、z轴三个方向上的受力方程，简化后可得到：
其中，m为车辆质量，单位是kg；vx为车辆纵向速度，单位是m/s；vy为车辆横向速度，单位是m/s；为车辆横摆角速度，单位是rad/s；Fxf、Fxr分别为前、后轮切向力，单位是N；Rxf、Rxr分别为前、后轮滚动阻力，单位是N；Fxa为空气阻力；Fyf、Fyr分别为前、后轮侧向力，单位是N；lf、lr分别为质心到前、后轮的距离，单位是m。
进一步地，本发明实施例采用模型预测控制算法进行求解，该算法可以实现在多种约束下控制，并可以在线实时求解多个最优解，非常适合车辆动力学特性的求解分析。其原理是获取系统当前时刻的测量信息，对前一时刻的信息进行预测获得未来信息，将控制信息的第1个变量运用到被控系统，然后获取下一时刻信息，用新的测量值迭代更新，并求解新的最优化解实现控制目的，该算法具有三个特点即模型预测、滚动优化和反馈矫正。
具体地，基于车辆动力学理论，建立三自由度横纵向耦合模型，并将其作为模型预测控制的预测模型，简化记为：
其中，x和y分别代表车辆在x轴方向上的位置和在y轴方向上的位置。
由于上述车辆模型为非线性模型，无法直接用于模型预测控制，因此将上式采用泰勒公式和前向欧拉方法进行线性化处理为：
x(k+1)＝(I+TA)x(k)+TBu(k)
y(k)＝Cx(k)
其中，T为采样时间，I为单位矩阵，A、B、C为系数矩阵，K代表时刻。
进一步地，所述根据所述参考路径和所述车辆状态信息中的纵向速度，构建所述车辆队列对应的性能评价函数，包括：根据所述纵向速度和所述参考路径，分别计算预测时域内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，以及跟随车辆的横摆角误差；根据所述纵向速度和所述参考路径，计算控制时域内的控制增量；基于所述预测时域内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，跟随车辆的横摆角误差，以及所述控制时域内的控制增量，构建所述车辆队列对应的性能评价函数。
具体地，模型预测控制的基本原理是在满足控制约束的前提下使性能评价函数最小，在每个控制周期解决如下优化问题：
为准确地实现智能车辆的速度和路径跟踪，在选择控制器的控制目标时，将智能车辆纵向和横向方面的参考综合考虑进去，由此可得到模型预测控制中的性能评价函数为：
(η(k),Δu(k))＝J1+J2+ρε2
其中，J1为在预测时域Np内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，以及跟随车辆的横摆角误差，其反映了系统对参考量的跟踪能力；J2为在控制时域Nc内控制增量的大小，其反映了系统对控制增量平稳变化的要求。本发明实施例对各项控制目标都设置了相应的权重，通过调整控制权重QQ、RR的值可调整各性能的控制要求。以上给定的性能评价函数即为可用于最优化求解的目标函数。进一步地，为了求解该目标函数，通常将其转换为标准二次型即二次规划(QP，Quadratic Programming)问题进行求解。
最终基于构建的预测模型和性能评价函数，优化求解车辆前轮转角，并基于该车辆前轮转角，对车辆队列中的车辆进行横向控制。
步骤104、基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度。
对于本发明实施例，在计算车辆期望加速度时，步骤104具体包括：根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，更新参考车速；基于更新的所述参考车速，利用所述预测模型控制算法，计算所述车辆期望加速度。进一步地，所述根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，更新参考车速，包括：根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，利用预设梯形算法，更新参考车速。
具体地，在确定车辆前轮转角之后，根据车辆前轮转角，计算相应的转向曲率，并将该转向曲率和车辆状态信息输入至速度规划器中，速度规划器采用梯形算法，确定参考速度。之后将参考速度发送给纵向控制器中的上层控制器，最终上层控制器根据输入的参考速度，利用预测模型控制算法，计算得到车辆期望加速度。其中，利用预测模型控制算法优化计算车辆期望加速度的过程与计算车辆前轮转角的过程一致，本发明实施例在此不再赘述。
步骤105、基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
对于本发明实施例，为了对车辆队列进行横纵方向耦合协同控制，步骤105具体包括：基于所述车辆期望加速度，确定车辆制动压力和车辆气门开度；基于所述车辆前轮转角，对所述车辆队列进行横向控制；基于所述车辆制动压力和所述车辆气门开度，对所述车辆队列进行纵向控制。
具体地，下层控制器会根据上层控制器计算的车辆期望加速度，确定车辆制动压力和车辆气门开度，并根据车辆制动压力和车辆气门开度，对车辆队列进行纵向控制。
本发明实施例提供的一种无人驾驶车队横纵方向耦合协同控制方法，通过纵向速度，计算车辆前轮转角，并根据该车辆前轮转角对应的转向曲率，计算车辆期望加速度，能够依据纵向速度将横向控制策略和纵向控制策略进行耦合，从而能够对车辆队列进行横纵方向耦合协同控制，进而能够保证车辆队列在复杂工况下的控制精度。
进一步地，作为图1的具体实现，本发明实施例提供了一种无人驾驶车队横纵方向耦合协同控制装置，如图5所示，所述装置包括：获取单元31、规划单元32、第一计算单元33、第二计算单元34和控制单元35。
所述获取单元31，可以用于获取车辆队列的周围环境信息和车辆状态信息。
所述规划单元32，可以用于根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径。
所述第一计算单元33，可以用于根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角。
所述第二计算单元34，可以用于基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度。
所述控制单元35，可以用于基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
进一步地，所述第一计算单元33，包括：构建模块和第一计算模块。
所述构建模块，可以用于基于车辆动力学理论，建立车辆三自由度横纵向耦合模型，并将所述车辆三自由度横纵向耦合模型确定为预测模型。
所述构建模块，还可以用于根据所述参考路径和所述车辆状态信息中的纵向速度，构建所述车辆队列对应的性能评价函数。
所述第一计算模块，可以用于基于所述预测模型和所述性能评价函数，计算所述车辆前轮转角。
进一步地，所述第一计算单元33，还包括：处理模块。
所述处理模块，可以用于基于泰勒公式和前向欧拉算法，对所述预测模型进行线性化处理，得到线性化处理后的预测模型。
所述第一计算模块，可以具体用于基于所述线性化处理后的预测模型和所述性能评价函数，计算所述车辆前轮转角。
在具体应用场景中，所述构建模块，可以具体用于根据所述纵向速度和所述参考路径，分别计算预测时域内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，以及跟随车辆的横摆角误差；根据所述纵向速度和所述参考路径，计算控制时域内的控制增量；基于所述预测时域内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，跟随车辆的横摆角误差，以及所述控制时域内的控制增量，构建所述车辆队列对应的性能评价函数。
在具体应用场景中，所述第二计算单元34，包括：更新模块和第二计算模块。
所述更新模块，可以用于根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，更新参考车速。
所述第二计算模块，可以用于基于更新的所述参考车速，利用所述预测模型控制算法，计算所述车辆期望加速度。
进一步地，所述更新模块，可以具体用于根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，利用预设梯形算法，更新参考车速。
在具体应用场景中，控制单元35，可以具体用于基于所述车辆期望加速度，确定车辆制动压力和车辆气门开度；基于所述车辆前轮转角，对所述车辆队列进行横向控制；基于所述车辆制动压力和所述车辆气门开度，对所述车辆队列进行纵向控制。
需要说明的是，本发明实施例提供的一种无人驾驶车队横纵方向耦合协同控制装置所涉及各功能模块的其他相应描述，可以参考图1所示方法的对应描述，在此不再赘述。
基于上述如图1所示方法，相应的，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：获取车辆队列的周围环境信息和车辆状态信息；根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
基于上述如图1所示方法和如图5所示装置的实施例，本发明实施例还提供了一种电子设备的实体结构图，如图6所示，该电子设备包括：处理器41、存储器42、及存储在存储器42上并可在处理器上运行的计算机程序，其中，存储器42和处理器41均设置在总线43上，所述处理器41执行所述程序时实现以下步骤：获取车辆队列的周围环境信息和车辆状态信息；根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
本发明实施例通过纵向速度，计算车辆前轮转角，并根据该车辆前轮转角对应的转向曲率，计算车辆期望加速度，能够依据纵向速度将横向控制策略和纵向控制策略进行耦合，从而能够对车辆队列进行横纵方向耦合协同控制，进而能够保证车辆队列在复杂工况下的控制精度。
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 (10)
1.一种无人驾驶车队横纵方向耦合协同控制方法，其特征在于，包括：
获取车辆队列的周围环境信息和车辆状态信息；
根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；
根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；
基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；
基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
2.根据权利要求1所述的方法，其特征在于，所述根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角，包括：
基于车辆动力学理论，建立车辆三自由度横纵向耦合模型，并将所述车辆三自由度横纵向耦合模型确定为预测模型；
根据所述参考路径和所述车辆状态信息中的纵向速度，构建所述车辆队列对应的性能评价函数；
基于所述预测模型和所述性能评价函数，计算所述车辆前轮转角。
3.根据权利要求2所述的方法，其特征在于，在将所述车辆三自由度横纵向耦合模型确定为预测模型之后，所述方法还包括：
基于泰勒公式和前向欧拉算法，对所述预测模型进行线性化处理，得到线性化处理后的预测模型；
所述基于所述预测模型和所述性能评价函数，计算所述车辆前轮转角，包括：
基于所述线性化处理后的预测模型和所述性能评价函数，计算所述车辆前轮转角。
4.根据权利要求2所述的方法，其特征在于，所述根据所述参考路径和所述车辆状态信息中的纵向速度，构建所述车辆队列对应的性能评价函数，包括：
根据所述纵向速度和所述参考路径，分别计算预测时域内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，以及跟随车辆的横摆角误差；
根据所述纵向速度和所述参考路径，计算控制时域内的控制增量；
基于所述预测时域内跟随车辆速度与参考车速之间的纵向速度误差和横向速度误差，跟随车辆位置与参考道路中心的纵向位置误差和横向位置误差，跟随车辆的横摆角误差，以及所述控制时域内的控制增量，构建所述车辆队列对应的性能评价函数。
5.根据权利要求1所述的方法，其特征在于，所述基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度，包括：
根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，更新参考车速；
基于更新的所述参考车速，利用所述预测模型控制算法，计算所述车辆期望加速度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，更新参考车速，包括
根据所述车辆状态信息和所述车辆前轮转角对应的转向曲率，利用预设梯形算法，更新参考车速。
7.根据权利要求1所述的方法，其特征在于，所述基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制：
基于所述车辆期望加速度，确定车辆制动压力和车辆气门开度；
基于所述车辆前轮转角，对所述车辆队列进行横向控制；
基于所述车辆制动压力和所述车辆气门开度，对所述车辆队列进行纵向控制。
8.一种无人驾驶车队横纵方向耦合协同控制装置，其特征在于，包括：
获取单元，用于获取车辆队列的周围环境信息和车辆状态信息；
规划单元，用于根据所述周围环境信息和所述车辆状态信息进行路径规划，得到所述车辆队列对应的参考路径；
第一计算单元，用于根据所述参考路径和所述车辆状态信息中的纵向速度，利用预测模型控制算法，计算车辆前轮转角；
第二计算单元，用于基于所述车辆前轮转角对应的转向曲率，计算车辆期望加速度；
控制单元，用于基于所述车辆前轮转角和所述车辆期望加速度，对所述车辆队列进行横纵方向耦合协同控制。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311696629.XA CN117826799A (zh) | 2023-12-12 | 2023-12-12 | 一种无人驾驶车队横纵方向耦合协同控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311696629.XA CN117826799A (zh) | 2023-12-12 | 2023-12-12 | 一种无人驾驶车队横纵方向耦合协同控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117826799A true CN117826799A (zh) | 2024-04-05 |
Family
ID=90508876
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311696629.XA Pending CN117826799A (zh) | 2023-12-12 | 2023-12-12 | 一种无人驾驶车队横纵方向耦合协同控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117826799A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226758A (zh) * | 2024-05-22 | 2024-06-21 | 吉林大学 | 考虑操纵极限下车辆姿态的分布式车辆模型预测控制方法 |
-
2023
- 2023-12-12 CN CN202311696629.XA patent/CN117826799A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226758A (zh) * | 2024-05-22 | 2024-06-21 | 吉林大学 | 考虑操纵极限下车辆姿态的分布式车辆模型预测控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dixit et al. | Trajectory planning and tracking for autonomous overtaking: State-of-the-art and future prospects | |
| Gao et al. | Robust lateral trajectory following control of unmanned vehicle based on model predictive control | |
| Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
| CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
| Wang et al. | Modeling and field experiments on autonomous vehicle lane changing with surrounding human‐driven vehicles | |
| CN108445750A (zh) | 用于车辆运动规划的方法和系统 | |
| WO2014149043A1 (en) | Smart cruise control system | |
| CN108791290B (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
| CN117826799A (zh) | 一种无人驾驶车队横纵方向耦合协同控制方法及装置 | |
| CN112977478B (zh) | 一种车辆控制方法及系统 | |
| Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
| CN109808707A (zh) | 一种基于随机模型预测的汽车转向控制方法及控制器 | |
| CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
| CN111625989A (zh) | 一种基于a3c-sru的智能车汇入车流方法及系统 | |
| CN115598983A (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 | |
| Yang et al. | Vehicle local path planning and time consistency of unmanned driving system based on convolutional neural network | |
| CN114442630A (zh) | 一种基于强化学习和模型预测的智能车规划控制方法 | |
| CN110654386B (zh) | 弯道下多智能电动汽车协作式巡航纵横向综合控制方法 | |
| CN113788022A (zh) | 车辆控制方法、装置、计算机可读存储介质及电子设备 | |
| Hu et al. | A model predictive control based path tracker in mixed-domain | |
| CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
| Rafat et al. | A Novel Flexible Lane Changing (FLC) Method in Complicated Dynamic Environment for Automated Vehicles | |
| Duan et al. | Implementing trajectory tracking control algorithm for autonomous vehicles | |
| CN114200835A (zh) | 一种基于Tube MPC的异构车队稳定性分布式控制方法 | |
| Meng et al. | Model predictive automatic lane change control for intelligent vehicles |
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 |