WO2023010828A1 - 一种无人驾驶设备的横向控制 - Google Patents
一种无人驾驶设备的横向控制 Download PDFInfo
- Publication number
- WO2023010828A1 WO2023010828A1 PCT/CN2022/076705 CN2022076705W WO2023010828A1 WO 2023010828 A1 WO2023010828 A1 WO 2023010828A1 CN 2022076705 W CN2022076705 W CN 2022076705W WO 2023010828 A1 WO2023010828 A1 WO 2023010828A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- moment
- matrix
- current moment
- weight
- state data
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 80
- 239000011159 matrix material Substances 0.000 claims description 167
- 238000004590 computer program Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013459 approach Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001373 regressive effect 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
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Abstract
一种无人驾驶设备的横向控制方法，包括：获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取无人驾驶设备当前时刻的状态数据(S100)；将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到当前时刻的第一权值以及第二权值(S102)；根据第一权值、第二权值、部分历史时刻的控制数据、部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制无人驾驶设备行驶(S104)。
Description
本申请要求于2021年8月4日提交的申请号为202110888659.5、发明名称为“一种无人驾驶设备的横向控制方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
本申请涉及无人驾驶技术领域，尤其涉及一种对无人驾驶设备的横向控制。
无人驾驶设备的控制问题是无人驾驶技术的主要研究方向之一。无人驾驶设备的控制可分为横向控制以及纵向控制两个方面，横向控制主要用于无人驾驶设备转向系统的控制，纵向控制则主要用于无人驾驶设备动力和制动系统的控制，两者协同工作以使无人驾驶设备按照规划轨迹行驶。
其中，横向控制直接决定无人驾驶设备轨迹跟踪的性能，因此横向控制更为重要。
发明内容
本申请提供一种无人驾驶设备的横向控制方法及装置，技术方案如下：
提供了一种无人驾驶设备的横向控制方法，包括：
获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取所述无人驾驶设备当前时刻的状态数据；
将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值；所述第一权值表征所述历史时刻的状态数据对所述当前时刻的状态数据的影响权重，所述第二权值表征所述历史时刻的控制数据对所述当前时刻的状态数据的影响权重；
根据所述第一权值、所述第二权值、部分所述历史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，并根据所述当前时刻的控制数据，控制所述无人驾驶设备行驶。
提供了一种无人驾驶设备的横向控制装置，包括：
获取模块，获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取所述无人驾驶设备当前时刻的状态数据；
输入模块，将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值；所述第一权值表征所述历史时刻的状态数据对所述当前时刻的状态数据的影响权重，所述第二权值表征所述历史时刻的控制数据对所述当前时刻的状态数据的影响权重；
控制模块，根据所述第一权值、所述第二权值、部分所述历史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，并根据所述当前时刻的控制数据，控制所述无人驾驶设备行驶。
提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现下述步骤：
获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取所述无人驾驶设备当前时刻的状态数据；
将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值；所述第一权值表征所述历史时刻的状态数据对所述当前时刻的状态数据的影响权重，所述第二权值表征所述历史时刻的控制数据对所述当前时刻的状态数据的影响权重；
根据所述第一权值、所述第二权值、部分所述历史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，并根据所述当前时刻的控制数据，控制所述无人驾驶设备行驶。
提供了一种无人驾驶设备，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下述步骤：
获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取所述无人驾驶设备当前时刻的状态数据；
将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值；所述第一权值表征所述历史时刻的状态数据对所述当前时刻的状态数据的影响权重，所述第二权值表征所述历史时刻的控制数据对所述当前时刻的状态数据的影响权重；
根据所述第一权值、所述第二权值、部分所述历史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，并根据所述当前时刻的控制数据，控制所述无人驾驶设备行驶。
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分。
图1为本申请实施例提供的预瞄偏差角的示意图；
图2为本申请实施例提供的一种无人驾驶设备的横向控制方法的流程图；
图3为本申请实施例提供的极限学习机的网络架构示意图；
图4为本申请实施例提供的一种无人驾驶设备的横向控制装置的结构示意图；
图5为本申请实施例提供的实现无人驾驶设备的横向控制方法的无人驾驶设备示意图。
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请提供的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
无人驾驶设备的运动控制可分为横向控制和纵向控制两个方面，其中，纵向控制通过对油门和制动的协调，实现对期望车速的精确跟随，横向控制通过控制车辆方向盘的转向，实现对期望轨迹的精确追踪。常见的横向控制方法之一为基于模型预测控制(Model Predictive Control，MPC)的方法，可基于车辆的侧向动力学和轮胎的侧偏特性，构建车辆的动力学模型，并以最小化该动力学模型输出的预测状态量与预先规划轨迹中的目标状态量之间的差异为目标，确定当前时刻的控制量。但是，基于MPC的横向控制方法往往依赖于精准的模型建立，而无人驾驶设备行驶在不同的路况条件以及不同的气候条件下，都会产生干扰导致模型建立不准确，进而使得无人驾驶设备的控制精准度较差。
目前，无人驾驶设备的横向控制方法，按照是否引入车辆模型，可划分为基于模型的横向控制方法与无模型的横向控制方法。其中，基于模型的横向控制方法需要建立车辆的运动学或动力学模型，然而无人驾驶设备行驶在不同的路况条件以及不同的气候条件下，由于外界环境的干扰往往难以建立精准模型。无模型的横向控制方法包含比例-积分-微分(Proportional-Integral-Differential，PID)控制方法，基于车辆行驶过程中实际位姿与期望轨迹之间的偏离程度，确定控制策略。但是传统的PID控制算法，并未考虑车辆本身的特性，因此对外界干扰的鲁棒性较差。
基于上述存在的问题，本申请提供一种无人驾驶设备的横向控制方法，属于无模型自适应控制(Model Free Adaptive Control，MFAC)，以下详细说明本申请各实施例提供的技术方 案。
在无人驾驶设备的行驶过程中，可根据该无人驾驶设备规划的期望位姿与实际位姿之间的偏差，确定方向盘转角的控制数据，从而实现对期望轨迹的精准跟踪。本申请提供的横向控制方法，将无人驾驶设备的期望位姿与实际位姿之间偏差的控制，转换为对该无人驾驶设备的预瞄偏差角的控制，以最小化该预瞄偏差角为目标，确定横向控制的控制数据。
本申请实施例提供了一种无人驾驶设备的横向控制方法，该方法可应用于如图1中的(a)所示的实施环境中。参见图1中的(a)，包括至少一个终端11、探测器12和服务器13，终端11与探测器12进行通信连接，终端11还与服务器13进行通信连接。
其中，探测器12能够探测和存储无人驾驶设备在各时刻的控制数据和状态数据。终端11获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取无人驾驶设备当前时刻的状态数据。在一些实施方式中，终端11从探测器12获取到若干历史时刻的控制数据和状态数据以及当前时刻的状态数据之后，在本地执行计算过程。终端11通过计算过程得到当前时刻的第一权值和第二权值，该第一权值表征该历史时刻的状态数据对该当前时刻的状态数据的影响权重，该第二权值表征该历史时刻的控制数据对该当前时刻的状态数据的影响权重。然后终端11根据第一权值、第二权值、部分历史时刻的控制数据、部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制无人驾驶设备行驶，从而实现本申请实施例提供的无人驾驶设备的横向控制方法。在另一些实施方式中，终端11从探测器12获取到若干历史时刻的控制数据和状态数据以及当前时刻的状态数据之后，向服务器13发送若干历史时刻的控制数据和状态数据以及当前时刻的状态数据，由服务器13执行计算过程。服务器13通过计算过程得到当前时刻的控制数据后，向终端11返回当前时刻的控制数据，则终端11能够根据接收到的当前时刻的控制数据对无人驾驶设备进行控制，从而实现本申请实施例提供的无人驾驶设备的横向控制方法。
在一个或多个实施例中，终端11为用于控制无人驾驶设备完成自动驾驶过程的终端，无人驾驶过程又称自动驾驶过程。例如，终端11包括但不限于：安装于无人驾驶车辆的智能车机等。在一个或多个实施例中，服务器13是一台服务器，或者，是由多台服务器组成的服务器集群，又或者，是一个云计算服务中心。
本领域技术人员应能理解上述终端11和服务器13仅为举例，其他相关的或今后可能出现的终端或服务器如可适用于本申请实施例，也应包含在本申请实施例的保护范围以内，在此以引用方式包含于此。
图1中的(b)为本申请提供的预瞄偏差角的示意图，以无人驾驶设备为无人车为例，假设当前处于k时刻，其中，坐标轴上的E、N分别表示正东方向、正北方向，矩形框表示无 人车的当前位姿，灰色填充的圆形a表示该无人车的当前位置，灰色填充的圆形b表示该无人车在当前位置的预瞄点。LA表示期望轨迹上距离无人车当前位置最近的点与预瞄点的弧长距离，也称预瞄距离，LB表示无人车当前位置与预瞄点运动方向延长线的距离，LC表示无人车当前位置与预瞄点之间的距离，LD表示预瞄点与无人车运动方向延长线的距离。α表示无人车运动方向与正北方向的夹角，β表示预瞄点运动方向与正北方向的夹角，θ表示无人车当前位置与预瞄点的连线，与无人车运动方向之间的夹角，记作预瞄偏差角，ω表示无人车运动方向与预瞄点运动方向之间的夹角。
需要说明的是，预瞄点为预先规划的期望轨迹上沿行驶方向，与该无人车的当前位置处于预设距离的位置点。预瞄偏差角越小，表示无人车的轨迹跟踪效果越好，该无人车的实际行驶轨迹与期望轨迹之间的偏差越小。
根据图1中(b)所示的几何关系，可以得到在k时刻θ、LB、LA、ω、LD以及LC之间的关系表达式为：
在轨迹跟踪过程中，该无人车接下来朝向该预瞄点的方向移动，因此存在LB(k+1)<LB(k)，当该无人车持续朝向该预瞄点运动时，LB逐渐缩小，因此在未来某一时刻LB的极限为0。
由于预瞄点始终是期望轨迹上该无人车前方的一个位置点，因此LA≠0，LC≠0。而LB的极限为0，因此根据公式(1)可推导出：当θ趋近于0时，ω也趋近于0。根据公式(2)可推导出：当θ趋近于0时，LD也趋近于0。
因此无人驾驶设备的轨迹跟踪问题可以转换为：如何确定方向盘转角的控制数据，使得下一时刻的预瞄偏差角变为0，以实现轨迹的精准跟踪。
假设无人驾驶设备的方向盘转角的控制数据为u，由于无人驾驶设备的横向控制系统是一个非线性系统，因此控制数据u与预瞄偏差角θ之间的关系也是非线性的，根据非线性自回归滑动平均模型(Nonlinear auto regressive moving average，NARMAX)，可确定u与θ之间的关系表达式为：
θ(k+1)＝f(θ(k)，...，θ(k-k
θ)，u(k)，...，u(k-k
u)) (3)
其中，f表示一个非线性函数，k
θ和k
u表示未知参数。该横向控制系统的输出为θ
*(k+1)， 输入为若干历史时刻的状态数据θ以及控制数据u。
为了使上述公式(3)有解，该无人驾驶设备的横向控制系统需要符合以下三个假设条件。
假设条件1：该横向控制系统的输入输出可观测可控，针对期望有界的输出信号θ
*(k+1)，一定存在一个可行的控制数据u(k)，使得系统的输出等于期望值。
假设条件2：f(θ，u)关于变量θ(k)，u(k)分别存在连续偏导数。
假设条件3：该横向控制系统满足利普希茨条件，即，针对函数f(x)，其定义域中任意的x1、x2，满足|f(x1)-f(x2)|≤b|x1-x2|(b>0)。
根据公式(3)，可见θ(k+1)与(θ(k),…，θ(k-k
θ)，u(k),…，u(k-k
u))之间存在对应的函数关系，因此可推导得到：
|θ(k
i+1)-θ(k
j+1)|≤b|U
L(k
i)-U
L(k
j)| (4)
其中，i、j分别表示任意的两个时刻，U
L(k)表示k时刻的状态数据与控制数据的转置矩阵。U
L(k
i)＝[θ(k
i)，u(k
i)]
T，U
L(k
j)＝[θ(k
j)，u(k
j)]
T。
根据上述公式(4)可以得到以下引理：
若该横向控制系统满足以上三个假设条件，则当‖ΔU
L(k)‖≠0时，一定存在一个伪梯度的时变参数向量
可将该横向控制系统转换为：
其中，
为两个未知的时变参数，
表示历史时刻的状态数据对未来时刻的状态数据的影响权重，
表示历史时刻的控制数据对未来时刻的状态数据的影响权重。且Δθ(k)＝θ(k)-θ(k-1)，Δu(k)＝u(k)-u(k-1)。
由公式(5)可推导出：
而该无人驾驶设备的横向控制系统，目的是需要求取合适的控制数据u(k)，使得该无人驾驶设备按照该控制数据行驶后，使得预瞄偏差角θ能够尽快跟踪到0。因此当该横向控制系统的θ(k+1)＝0，此时该控制数据具体可通过如下公式确定：
本申请提供的无人驾驶设备的横向控制方法，在推导出公式(7)所示的关系后，便可基 于当前时刻的状态数据以及若干历史时刻的控制数据确定当前时刻的控制数据。其中，当前时刻的控制数据用于控制无人驾驶设备从当前时刻至下一时刻之间的行驶。
图2为本申请实施例提供的一种无人驾驶设备的横向控制方法的流程示意图，包括以下步骤：
S100：获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取无人驾驶设备当前时刻的状态数据。
本申请提供的无人驾驶设备的横向控制方法，可由该无人驾驶设备执行，或者也可由控制该无人驾驶设备行驶的服务器执行，本申请对此不做限制，可根据需要设置。其中，当由服务器执行该无人驾驶设备的横向控制方法时，该无人驾驶设备可将通过自身传感器采集的各状态数据发送至该服务器，由该服务器根据历史时刻的状态数据，确定当前时刻的控制数据。
为方便描述，后续以无人驾驶设备执行该横向控制方法进行说明。
在一个或多个实施例中，该无人驾驶设备可获取自身在行驶过程中若干历史时刻的控制数据和状态数据，获取当前时刻的状态数据。其中，由于本申请仅针对无人驾驶设备的横向控制，因此横向的控制数据指的是方向盘转角。
在一些实施例中，该状态数据是该无人驾驶设备的当前位置以及当前行驶方向等信息，则基于该无人驾驶设备的当前位置、当前行驶方向以及预先规划的期望轨迹，无人驾驶设备能够确定该无人驾驶设备在当前时刻的预瞄偏差角。在一些实施例中，无人驾驶设备能够将该无人驾驶设备在当前时刻的预瞄偏差角，作为该无人驾驶设备在当前时刻的状态数据。为方便描述，后续直接以预瞄偏差角作为状态数据进行说明。
在一个或多个实施例中，在确定该无人驾驶设备在当前时刻的状态数据时，无人驾驶设备先确定该无人驾驶设备在当前时刻的实际位置。之后，无人驾驶设备根据确定出的实际位置，从预先规划的期望轨迹上确定该无人驾驶设备在当前时刻的预瞄点，其中，预瞄点为期望轨迹上沿行驶方向，与该无人驾驶设备的实际位置处于预设距离的位置点。最后，无人驾驶设备根据该无人驾驶设备在当前时刻的实际位置和该预瞄点的连线，与该无人驾驶设备行驶方向之间的夹角，确定该无人驾驶设备在当前时刻的预瞄偏差角，并根据当前时刻的预瞄偏差角，确定当前时刻的状态数据。其中，该预设距离与该无人驾驶设备的行驶速度正相关，该无人驾驶设备的行驶速度越快，该预设距离越远。
S102：将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到当前时刻的第一权值以及第二权值。
在本申请一种或多种实施例中，为了实时确定当前时刻的控制数据，根据上述推导得到 的公式(7)，还需实时确定当前时刻的
以及
由公式(7)可确定，
以及
与该无人驾驶设备当前时刻的状态数据以及若干历史时刻的控制数据和状态数据有关，为了快速估计得到
以及
的值，在本申请中，可将
和
看作两个连续的函数，将当前时刻的状态数据以及若干历史时刻的控制数据和状态数据作为输入，通过极限学习机(Extreme Learning Machine，ELM)的迭代学习，不断逼近这两个连续函数，从而使ELM输出接近的
以及
本申请所采用的ELM为单隐层前馈神经网络，包含输入层、隐层和输出层。其中，输入层与隐层之间的权值矩阵可通过高斯均匀随机分布生成，而隐层与输出层之间的权值矩阵是通过迭代学习不断变化的。
在一个或多个实施例中，无人驾驶设备能够将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到当前时刻的第一矩阵，该第一矩阵为该极限学习机的隐层输出的第一矩阵。之后，根据获取到的各控制数据以及各状态数据，确定当前时刻的权值矩阵，该当前时刻的权值矩阵为该极限学习机中隐层与输出层之间的权值矩阵。最后，根据当前时刻的权值矩阵以及当前时刻的第一矩阵，确定当前时刻的第一权值
以及第二权值
在一个或多个实施例中，由于隐层与输出层之间的权值矩阵是不断更新迭代的，因此在确定当前时刻的权值矩阵时，无人驾驶设备能够先确定当前时刻之前的第一时刻，并确定该第一时刻的权值矩阵以及该第一时刻的第一矩阵。之后，根据该第一时刻的状态数据和控制数据、该第一时刻之前的历史时刻的控制数据和状态数据，确定该第一时刻的控制数据增量以及状态数据增量。再根据该第一时刻的第一矩阵、该第一时刻的控制数据增量以及状态数据增量，确定该第一时刻的第二矩阵。然后，根据该第一时刻的第二矩阵，确定当前时刻的权值矩阵变化量。最后，根据确定出的权值矩阵变化量以及该第一时刻的权值矩阵，更新当前时刻的权值矩阵。
在一个或多个实施例中，在确定当前时刻的权值矩阵变化量时，无人驾驶设备能够先确定该第一时刻的第三矩阵，其中，该第三矩阵基于该第一时刻的第二矩阵，以及该第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于该极限学习机中隐层的隐藏节点数确定。之后，根据该第一时刻的第二矩阵、第三矩阵、状态数据和权值矩阵，以及当前时刻的状态数据、确定偏差指数。然后，判断该偏差指数是否大于预设偏差值，当大于预设偏差值时，根据该第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据，确定当前时刻的权值矩阵变化量。否则，确定当前时刻的权值矩阵变化量为零。
图3为本申请实施例提供的极限学习机的网络架构图，以当前时刻为k时刻，第一时刻为k-1时刻，第二时刻为k-2时刻为例进行说明。该极限学习机的输入有θ(k)、θ(k-1)、 u(k-1)以及u(k-2)，该极限学习机在当前时刻的隐层输出的第一矩阵为N(k)，当前时刻隐层与输出层之间的权值矩阵为β(k)，基于隐层输出的第一矩阵N(k)、隐层与输出层之间的权值矩阵β(k)，确定该ELM输出的
和
其中，在确定当前时刻隐层与输出层之间的权值矩阵β(k)时，采用以下公式：
e
*(k)＝θ(k)-θ(k-1)-H
T(k-1)β(k-1) (11)
P
-1(k-1)＝P
-1(k-2)+H(k-1)H
T(k-1)σ(k-1) (13)
β(k)＝β(k-1)+σ(k-1)P(k-1)H(k-1)e
*(k) (15)
其中，N(k-1)表示k-1时刻隐层输出的第一矩阵，β(k-1)表示k-1时刻隐层与输出层之间的权值矩阵，Δθ(k-1)表示k-1时刻的预瞄偏差角θ(k-1)与k-2时刻的预瞄偏差角θ(k-2)之差，记作该k-1时刻的状态数据增量，H(k-1)表示k-1时刻的第二矩阵，a为预设的常数，I
m为行数和列数均为m的单位矩阵，m为隐层中隐藏节点的数量，P(1)表示初始时刻的第三矩阵，P(k-1)表示k-1时刻的第三矩阵，Δ表示预设偏差值。
在一个或多个实施例中，在确定当前时刻隐层与输出层之间的权值矩阵β(k)时，无人驾驶设备能够先确定历史上k-1时刻隐层输出的第一矩阵N(k-1)，以及历史上k-1时刻隐层与输出层之间的权值矩阵β(k-1)。其次，根据k-1时刻的状态数据θ(k-1)，以及k-2时刻的状态数据θ(k-2)，确定k-1时刻的状态数据增量Δθ(k-1)，并根据k-1时刻的控制数据u(k-1)，以及k-2时刻的控制数据u(k-2)，确定k-1时刻的控制数据增量Δu(k-1)。再根据k-1时刻的第一矩阵N(k-1)、控制数据增量Δu(k-1)以及状态数据增量Δθ(k-1)，通过公式(10)确定k-1时刻的第二矩阵H(k-1)。
在一个或多个实施例中，无人驾驶设备能够通过公式(13)确定k-1时刻的第三矩阵P(k-1)，其中，k-1时刻的第三矩阵P(k-1)也是基于k-2时刻的第三矩阵P(k-2)，以及k-1 时刻的第二矩阵H(k-1)得到的，初始时刻的第三矩阵P(1)如公式(12)所示，基于该极限学习机中隐层的隐藏节点数m确定。
然后，无人驾驶设备能够根据k-1时刻的第二矩阵H(k-1)、第三矩阵P(k-1)、状态数据θ(k-1)和权值矩阵β(k-1)，以及当前时刻k的状态数据θ(k)，通过上述公式(14)确定偏差指数
其中，e
*(k)是通过公式(11)基于k时刻的状态数据θ(k)、k-1时刻的状态数据θ(k-1)、k-1时刻的第二矩阵H(k-1)和权值矩阵β(k-1)确定的。
判断该偏差指数
是否大于预设偏差值Δ，当大于预设偏差值Δ时，可根据k-1时刻的第二矩阵H(k-1)、第三矩阵P(k-1)和权值矩阵β(k-1)，以及当前时刻k的状态数据增量Δθ(k)，确定当前时刻的权值矩阵变化量P(k-1)H(k-1)e
*(k)。否则，确定当前时刻的权值矩阵变化量为0。
最后，根据k-1时刻的权值矩阵β(k-1)，以及确定出的权值矩阵变化量，通过公式(15)确定当前时刻隐层与输出层之间的权值矩阵β(k)。
需要说明的是，图3中ELM的输入只是示例性的选取了若干历史时刻的控制数据和状态数据，具体可根据需要选取历史时刻的数量。且图中隐层的隐藏节点的数量也只是示例性举例，具体可根据需要设置。
S104：根据第一权重、第二权重、部分历史时刻的控制数据、部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制所述无人驾驶设备行驶。
在本申请一种或多种实施例中，当得到当前时刻的第一权值
以及第二权值
后，便可确定当前时刻的控制数据u(k)。
为了使该无人驾驶设备的横向控制系统有解，即，存在一个控制数据，使得该无人驾驶设备能够跟踪预先规划的期望轨迹。无人驾驶设备能够确定该横向控制系统符合利普希茨条件，进而建立未来时刻的状态数据，与所述未来时刻之前部分历史时刻的控制数据和状态数据之间的函数关系，也即，上述公式(5)。
由于无人驾驶设备的横向控制系统的目标是使得预瞄偏差角θ能够尽快跟踪到0，因此在推导得到公式(6)后，以下一时刻的预瞄偏差角θ(k+1)等于0为目标，根据当前时刻的第一权值
和第二权值
部分历史时刻的控制数据u(k-1)、状态数据θ(k-1)以及当前时刻的状态数据θ(k)，通过公式(7)所示的函数关系，确定当前时刻的控制数据u(k)。
基于图2所示无人驾驶设备的横向控制方法，无人驾驶设备能够获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取当前时刻的状态数据。之后，无人驾驶设备能够将 获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到当前时刻的第一权值以及第二权值。最后，根据第一权值、第二权值、部分历史时刻的控制数据、部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制该无人驾驶设备行驶。通过极限学习机学习当前时刻的第一权值以及第二权值，并基于该第一权值、第二权值以及历史时刻的控制数据与状态数据，确定当前时刻的控制数据，避免了模型建立不准确对控制决策的影响，提高了控制精准度。
本申请提供的基于ELM的横向控制方法，能够结合基于MPC的横向控制方法，共同实现对无人驾驶设备的横向控制。当该无人驾驶设备的跟踪误差较小时，表征当前状态下构建的车辆模型较为精准，对无人驾驶设备的控制性能的影响有限，因此采用计算效率更高的基于MPC的横向控制方法。
而当该无人驾驶设备的跟踪误差较大时，表征当前状态下构建的车辆模型精准度较低，对无人驾驶设备的控制性能的影响较大，因此采用本申请的基于ELM的横向控制方法，使确定出的控制数据更精准。
在一个或多个实施例中在确定当前时刻采用哪种横向控制方法之前，该无人驾驶设备还能够根据预先规划的期望轨迹，确定该无人驾驶设备在当前时刻的期望位置。之后，无人驾驶设备判断该无人驾驶设备当前时刻的实际位置与该期望位置之间的距离是否大于第一预设阈值，若是，确定采用本申请基于ELM的横向控制方法。为了保障横向控制系统的稳定性，避免控制方法切换过于频繁，可当两者之间的距离小于第二预设阈值时，再切换为基于MPC的横向控制方法。其中，第一预设阈值大于第二预设阈值，阈值大小根据需要设置，本申请实施例对此不进行限制。
需要说明的是，由于该无人驾驶设备的横向控制方法不断在基于MPC的横向控制方法与基于ELM的横向控制方法之间切换，导致基于ELM的横向控制方法在时间维度上并不连续。因此每当重新切换为基于ELM的横向控制方法时，无人驾驶设备能够基于历史上最近一次确定出的ELM的权值矩阵，对切换后的ELM的权值矩阵进行更新。
例如，假设在t1～t2时刻采用基于ELM的横向控制方法，在t2～t3时刻切换为基于MPC的横向控制方法，继续在t3～t4时刻重新切换为基于ELM的横向控制方法，则t3时刻的权值矩阵β(t3)时，可基于历史上最近一次，在t2时刻确定出的权值矩阵β(t2)更新得到。
为了保障横向控制系统决策的准确性，当出现以下一种或多种情况时，
||ΔU(k)||≤ε
4
θ(k)≥ε
5
表示基于ELM的横向控制方法误差较大，此时可采用基于MPC的横向控制方法确定当前时刻的控制数据。
其中，ε
1～ε
5表示预设的常数，
表示
的符号(正负)，
表示
与
异号，
表示
与
异号。
基于图2所示的一种无人驾驶设备的横向控制方法，本申请实施例还对应提供一种无人驾驶设备的横向控制装置的结构示意图，如图4所示。
图4为本申请实施例提供的一种无人驾驶设备的横向控制装置的结构示意图，包括：
获取模块200，用于获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取无人驾驶设备当前时刻的状态数据；
输入模块202，用于将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，确定当前时刻的第一权值以及第二权值；该第一权值表征历史时刻的状态数据对当前时刻的状态数据的影响权重，该第二权值表征历史时刻的控制数据对当前时刻的状态数据的影响权重；
控制模块204，用于根据第一权值、第二权值、部分历史时刻的控制数据、部分历史时刻的状态数据以及当前时刻的状态数据，确定当前时刻的控制数据，并根据当前时刻的控制数据，控制无人驾驶设备行驶。
在一个或多个实施例中，获取模块200，用于根据预先规划的期望轨迹，确定无人驾驶设备在当前时刻的期望位置，确定无人驾驶设备在当前时刻的实际位置与所述期望位置之间的距离，在该距离大于第一预设阈值的情况下，执行该无人驾驶设备的横向控制方法。
在一个或多个实施例中，输入模块202，用于将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到当前时刻的第一矩阵，该当前时刻的第一矩阵为极限学习机的隐层输出的第一矩阵；根据获取到的各控制数据以及各状态数据，确定当前时刻的权值 矩阵，该当前时刻的权值矩阵为极限学习机中隐层与输出层之间的权值矩阵；根据当前时刻的权值矩阵以及当前时刻的第一矩阵，确定当前时刻的第一权值以及第二权值。
在一个或多个实施例中，获取模块200，用于确定无人驾驶设备在当前时刻的实际位置；根据确定出的实际位置，从预先规划的期望轨迹上确定无人驾驶设备在当前时刻的预瞄点，该预瞄点为所述期望轨迹上沿行驶方向，与无人驾驶设备的实际位置处于预设距离的位置点；根据该无人驾驶设备在当前时刻的实际位置和预瞄点的连线，与无人驾驶设备行驶方向之间的夹角，确定无人驾驶设备在当前时刻的预瞄偏差角，并根据当前时刻的预瞄偏差角，确定无人驾驶设备在当前时刻的状态数据。
在一个或多个实施例中，控制模块204，用于通过利普希茨条件，建立未来时刻的状态数据，部分历史时刻的控制数据以及部分历史时刻的状态数据之间的函数关系；以下一时刻的预瞄偏差角等于零为目标，根据第一权值、第二权值、部分历史时刻的控制数据、部分历史时刻的状态数据以及当前时刻的状态数据，通过确定出的函数关系，确定当前时刻的控制数据。
在一个或多个实施例中，输入模块202，用于确定当前时刻之前的第一时刻，获取该第一时刻的权值矩阵以及该第一时刻的第一矩阵，根据该第一时刻的状态数据和控制数据、该第一时刻之前的历史时刻的控制数据和状态数据，确定该第一时刻的控制数据增量以及状态数据增量；根据该第一时刻的第一矩阵、该第一时刻的控制数据增量以及状态数据增量，确定该第一时刻的第二矩阵，根据该第一时刻的第二矩阵，确定当前时刻的权值矩阵变化量；根据确定出的权值矩阵变化量以及第一时刻的权值矩阵，确定当前时刻的权值矩阵。
在一个或多个实施例中，输入模块202，用于确定第一时刻的第三矩阵，该第三矩阵基于第一时刻的第二矩阵，以及第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于极限学习机中隐层的隐藏节点数确定；根据第一时刻的状态数据、第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据、确定偏差指数，判断偏差指数是否大于预设偏差值；若是，根据第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据增量，确定当前时刻的权值矩阵变化量；若否，确定当前时刻的权值矩阵变化量为零。
本申请实施例还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图2提供的无人驾驶设备的横向控制方法。
根据图2所示的一种无人驾驶设备的横向控制方法，本申请实施例还提出了图5所示的无人驾驶设备的示意结构图。如图5，在硬件层面，该无人驾驶设备包括处理器501、 内部总线502、网络接口503、内存504以及非易失性存储器505，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图2所示的无人驾驶设备的横向控制方法。当然，除了软件实现方式之外，本申请并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为车载终端、个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置或计算机程序产品。因此，本申请实施例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，本申请实施例可采用在一个或多个其中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。
本申请是参照根据本申请实施例的方法、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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (17)
- 一种无人驾驶设备的横向控制方法，包括：获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取所述无人驾驶设备当前时刻的状态数据；将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值；所述第一权值表征所述历史时刻的状态数据对所述当前时刻的状态数据的影响权重，所述第二权值表征所述历史时刻的控制数据对所述当前时刻的状态数据的影响权重；根据所述第一权值、所述第二权值、部分所述历史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，并根据所述当前时刻的控制数据，控制所述无人驾驶设备行驶。
- 如权利要求1所述的方法，所述方法还包括：根据预先规划的期望轨迹，确定所述无人驾驶设备在所述当前时刻的期望位置；确定所述无人驾驶设备在所述当前时刻的实际位置与所述期望位置之间的距离；在所述距离大于第一预设阈值的情况下，执行所述无人驾驶设备的横向控制方法。
- 如权利要求1所述的方法，所述将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值，包括：将获取到的各控制数据以及各状态数据作为输入，输入所述极限学习机中，得到所述当前时刻的第一矩阵，所述当前时刻的第一矩阵为所述极限学习机的隐层输出的第一矩阵；根据获取到的各控制数据以及各状态数据，确定当前时刻的权值矩阵，所述当前时刻的权值矩阵为所述极限学习机中隐层与输出层之间的权值矩阵；根据所述当前时刻的权值矩阵和所述当前时刻的第一矩阵，确定所述当前时刻的第一权值以及第二权值。
- 如权利要求1所述的方法，所述获取所述无人驾驶设备当前时刻的状态数据，包括：确定所述无人驾驶设备在当前时刻的实际位置；根据确定出的实际位置，从预先规划的期望轨迹上确定所述无人驾驶设备在所述当前时刻的预瞄点，所述预瞄点为所述期望轨迹上沿行驶方向，与所述无人驾驶设备的实际位 置处于预设距离的位置点；根据所述无人驾驶设备在所述当前时刻的实际位置和所述预瞄点的连线，与所述无人驾驶设备行驶方向之间的夹角，确定所述无人驾驶设备在所述当前时刻的预瞄偏差角，并根据所述当前时刻的预瞄偏差角，确定所述无人驾驶设备在所述当前时刻的状态数据。
- 如权利要求4所述的方法，所述根据所述第一权值、所述第二权值、部分所述历史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，包括：通过利普希茨条件，建立未来时刻的状态数据、部分所述历史时刻的控制数据以及部分所述历史时刻的状态数据之间的函数关系；以下一时刻的预瞄偏差角等于零为目标，根据所述第一权值、所述第二权值、部分历所述史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，通过确定出的函数关系，确定所述当前时刻的控制数据。
- 如权利要求3所述的方法，所述根据获取到的各控制数据以及各状态数据，确定当前时刻的权值矩阵，包括：确定当前时刻之前的第一时刻，获取所述第一时刻的权值矩阵以及所述第一时刻的第一矩阵；根据所述第一时刻的状态数据和控制数据、所述第一时刻之前的历史时刻的控制数据和状态数据，确定所述第一时刻的控制数据增量以及状态数据增量；根据所述第一时刻的第一矩阵、所述第一时刻的控制数据增量以及状态数据增量，确定所述第一时刻的第二矩阵；根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量；根据所述权值矩阵变化量和所述第一时刻的权值矩阵，确定所述当前时刻的权值矩阵。
- 如权利要求6所述的方法，所述根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量，包括：确定所述第一时刻的第三矩阵，所述第三矩阵基于所述第一时刻的第二矩阵，以及所述第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于所述极限学习机中隐层的隐藏节点数确定；根据所述第一时刻的状态数据、第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状 态数据，确定偏差指数；判断所述偏差指数是否大于预设偏差值；若是，根据所述第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据增量，确定所述当前时刻的权值矩阵变化量；若否，确定所述当前时刻的权值矩阵变化量为零。
- 一种无人驾驶设备的横向控制装置，包括：获取模块，用于获取无人驾驶设备在若干历史时刻的控制数据和状态数据，获取所述无人驾驶设备当前时刻的状态数据；输入模块，用于将获取到的各控制数据以及各状态数据作为输入，输入极限学习机中，得到所述当前时刻的第一权值以及第二权值；所述第一权值表征所述历史时刻的状态数据对所述当前时刻的状态数据的影响权重，所述第二权值表征所述历史时刻的控制数据对所述当前时刻的状态数据的影响权重；控制模块，用于根据所述第一权值、所述第二权值、部分历史时刻的控制数据、部分历史时刻的状态数据以及所述当前时刻的状态数据，确定所述当前时刻的控制数据，并根据所述当前时刻的控制数据，控制所述无人驾驶设备行驶。
- 如权利要求8所述的装置，所述获取模块200，用于根据预先规划的期望轨迹，确定所述无人驾驶设备在所述当前时刻的期望位置；确定所述无人驾驶设备在所述当前时刻的实际位置与所述期望位置之间的距离；在所述距离大于第一预设阈值的情况下，执行所述无人驾驶设备的横向控制方法。
- 如权利要求8所述的装置，所述输入模块202，用于将获取到的各控制数据以及各状态数据作为输入，输入所述极限学习机中，得到所述当前时刻的第一矩阵，所述当前时刻的第一矩阵为所述极限学习机的隐层输出的第一矩阵；根据获取到的各控制数据以及各状态数据，确定当前时刻的权值矩阵，所述当前时刻的权值矩阵为所述极限学习机中隐层与输出层之间的权值矩阵；根据所述当前时刻的权值矩阵和所述当前时刻的第一矩阵，确定所述当前时刻的第一权值以及第二权值。
- 如权利要求8所述的装置，所述获取模块200，用于确定所述无人驾驶设备在当前时刻的实际位置；根据确定出的实际位置，从预先规划的期望轨迹上确定所述无人驾驶设 备在所述当前时刻的预瞄点，所述预瞄点为所述期望轨迹上沿行驶方向，与所述无人驾驶设备的实际位置处于预设距离的位置点；根据所述无人驾驶设备在所述当前时刻的实际位置和所述预瞄点的连线，与所述无人驾驶设备行驶方向之间的夹角，确定所述无人驾驶设备在所述当前时刻的预瞄偏差角，并根据所述当前时刻的预瞄偏差角，确定所述无人驾驶设备在所述当前时刻的状态数据。
- 如权利要求11所述的装置，所述控制模块204，用于通过利普希茨条件，建立未来时刻的状态数据、部分所述历史时刻的控制数据以及部分所述历史时刻的状态数据之间的函数关系；以下一时刻的预瞄偏差角等于零为目标，根据所述第一权值、所述第二权值、部分历所述史时刻的控制数据、部分所述历史时刻的状态数据以及所述当前时刻的状态数据，通过确定出的函数关系，确定所述当前时刻的控制数据。
- 如权利要求10所述的装置，所述输入模块202，用于确定当前时刻之前的第一时刻，获取所述第一时刻的权值矩阵以及所述第一时刻的第一矩阵；根据所述第一时刻的状态数据和控制数据、所述第一时刻之前的历史时刻的控制数据和状态数据，确定所述第一时刻的控制数据增量以及状态数据增量；根据所述第一时刻的第一矩阵、所述第一时刻的控制数据增量以及状态数据增量，确定所述第一时刻的第二矩阵；根据所述第一时刻的第二矩阵，确定所述当前时刻的权值矩阵变化量；根据所述权值矩阵变化量和所述第一时刻的权值矩阵，确定所述当前时刻的权值矩阵。
- 如权利要求13所述的装置，所述输入模块202，用于确定所述第一时刻的第三矩阵，所述第三矩阵基于所述第一时刻的第二矩阵，以及所述第一时刻之前的第二时刻的第三矩阵得到，初始时刻的第三矩阵基于所述极限学习机中隐层的隐藏节点数确定；根据所述第一时刻的状态数据、第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据，确定偏差指数；判断所述偏差指数是否大于预设偏差值；若是，根据所述第一时刻的第二矩阵、第三矩阵和权值矩阵，以及当前时刻的状态数据增量，确定所述当前时刻的权值矩阵变化量；若否，确定所述当前时刻的权值矩阵变化量为零。
- 一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～7任一所述的方法。
- 一种无人驾驶设备，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上述权利要求1～7任一所述的方法。
- 一种计算机程序产品，所述计算机程序产品包括：计算机程序指令，该计算机程序指令被计算机设备执行时，使得所述计算机设备实现上述权利要求1～7所述的方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110888659.5 | 2021-08-04 | ||
| CN202110888659.5A CN113342005B (zh) | 2021-08-04 | 2021-08-04 | 一种无人驾驶设备的横向控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2023010828A1 true WO2023010828A1 (zh) | 2023-02-09 |
Family
ID=77480629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/076705 WO2023010828A1 (zh) | 2021-08-04 | 2022-02-17 | 一种无人驾驶设备的横向控制 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113342005B (zh) |
| WO (1) | WO2023010828A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116155965A (zh) * | 2023-04-21 | 2023-05-23 | 天津洪荒科技有限公司 | 一种全方向amr的多级控制方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113342005B (zh) * | 2021-08-04 | 2021-11-30 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110155031A (zh) * | 2018-02-14 | 2019-08-23 | 通用汽车环球科技运作有限责任公司 | 使用神经网络的用于车辆横向控制的轨迹跟踪 |
| CN110688920A (zh) * | 2019-09-17 | 2020-01-14 | 宁波吉利汽车研究开发有限公司 | 一种无人驾驶控制方法、装置及服务器 |
| CN111522245A (zh) * | 2020-06-23 | 2020-08-11 | 北京三快在线科技有限公司 | 用于控制无人设备的方法及装置 |
| US20210081844A1 (en) * | 2019-09-18 | 2021-03-18 | Tata Consultancy Services Limited | System and method for categorical time-series clustering |
| CN112987577A (zh) * | 2021-04-22 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种无人车数据驱动自适应控制方法和装置 |
| CN113342005A (zh) * | 2021-08-04 | 2021-09-03 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9731755B1 (en) * | 2016-02-16 | 2017-08-15 | GM Global Technology Operations LLC | Preview lateral control for automated driving |
| CN113454555A (zh) * | 2019-02-15 | 2021-09-28 | 宝马股份公司 | 用于驾驶策略的轨迹预测 |
-
2021
- 2021-08-04 CN CN202110888659.5A patent/CN113342005B/zh active Active
-
2022
- 2022-02-17 WO PCT/CN2022/076705 patent/WO2023010828A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110155031A (zh) * | 2018-02-14 | 2019-08-23 | 通用汽车环球科技运作有限责任公司 | 使用神经网络的用于车辆横向控制的轨迹跟踪 |
| CN110688920A (zh) * | 2019-09-17 | 2020-01-14 | 宁波吉利汽车研究开发有限公司 | 一种无人驾驶控制方法、装置及服务器 |
| US20210081844A1 (en) * | 2019-09-18 | 2021-03-18 | Tata Consultancy Services Limited | System and method for categorical time-series clustering |
| CN111522245A (zh) * | 2020-06-23 | 2020-08-11 | 北京三快在线科技有限公司 | 用于控制无人设备的方法及装置 |
| CN112987577A (zh) * | 2021-04-22 | 2021-06-18 | 中国人民解放军国防科技大学 | 一种无人车数据驱动自适应控制方法和装置 |
| CN113342005A (zh) * | 2021-08-04 | 2021-09-03 | 北京三快在线科技有限公司 | 一种无人驾驶设备的横向控制方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116155965A (zh) * | 2023-04-21 | 2023-05-23 | 天津洪荒科技有限公司 | 一种全方向amr的多级控制方法 |
| CN116155965B (zh) * | 2023-04-21 | 2023-06-30 | 天津洪荒科技有限公司 | 一种全方向amr的多级控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113342005A (zh) | 2021-09-03 |
| CN113342005B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2023010828A1 (zh) | 一种无人驾驶设备的横向控制 | |
| WO2021175313A1 (zh) | 自动驾驶控制方法、装置、车辆及存储介质 | |
| CN111413966B (zh) | 一种递进式模型预测无人驾驶规划跟踪协同控制方法 | |
| CN111038477B (zh) | 车辆控制方法、装置和设备 | |
| CN109947136B (zh) | 一种面向无人机群体快速目标搜索的协同主动感知方法 | |
| JP2022532972A (ja) | 敵対的模倣学習に基づく無人運転車両車線変更決定方法及びシステム | |
| 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 | |
| Zohar et al. | Mobile robot characterized by dynamic and kinematic equations and actuator dynamics: Trajectory tracking and related application | |
| Zha et al. | A survey of intelligent driving vehicle trajectory tracking based on vehicle dynamics | |
| CN108303982A (zh) | 自动引导运输车、其控制方法及控制系统 | |
| CN114510063B (zh) | 一种无人履带车辆及其轨迹跟踪控制方法和系统 | |
| WO2020098226A1 (en) | System and methods of efficient, continuous, and safe learning using first principles and constraints | |
| Wang et al. | Adaptive neural network sliding mode control for steer-by-wire-based vehicle stability control | |
| CN114348026A (zh) | 一种车辆控制方法、装置、设备以及存储介质 | |
| CN109947112A (zh) | 两轮自平衡车直线定点运动的最优时间轨迹规划方法 | |
| CN113900449A (zh) | 多无人机轨迹规划方法、装置、无人机及存储介质 | |
| CN109932929A (zh) | 船舶巡航模拟仿真方法、计算机可读存储介质及终端设备 | |
| Allou et al. | A Comparative Study of PID-PSO and Fuzzy Controller for Path Tracking Control of Autonomous Ground Vehicles. | |
| CN115525054B (zh) | 大型工业园区无人清扫车沿边路径跟踪控制方法及系统 | |
| CN113815602B (zh) | 一种车辆横向自适应控制方法 | |
| CN114537391A (zh) | 一种基于预报观测器的车辆跟驰伺服控制方法及系统 | |
| Guo et al. | Data-Mechanism Adaptive Switched Predictive Control for Heterogeneous Platoons With Wireless Communication Interruption | |
| 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 | |
| Iyer et al. | Sliding mode control using power rate exponential reaching law for urban platooning | |
| CN114578851A (zh) | 一种基于差分加速度的无人机集群快速转向方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22851555 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |