一种车道保持控制方法、装置、设备及可读存储介质制造方法及图纸

本申请涉及一种车道保持控制方法、装置、设备及可读存储介质，涉及汽车智能驾驶技术领域，包括检测是否接收到IMU信号和/或摄像头信号；当未接收到IMU信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对IMU和摄像头的状态量预测值和误差协方差预测值进行更新；基于多层卡尔曼滤波数据融合算法对更新后的IMU和摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；将融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型调节器对车辆横向误差动力学模型进行求解，得到LKA的输入控制量。本申请能够获取到准确的LKA的输入控制量，并实现更为稳定和准确的车道保持运动控制。和准确的车道保持运动控制。和准确的车道保持运动控制。

【技术实现步骤摘要】
一种车道保持控制方法、装置、设备及可读存储介质


[0001]本申请涉及汽车智能驾驶
，特别涉及一种车道保持控制方法、装置、设备及可读存储介质。

技术介绍

[0002]在当前的智能驾驶领域里，实现车辆无人驾驶功能的主流方案是使用多种传感器感知环境信息，对多传感器信息进行数据融合，最后根据融合信息进行道路规划以及车身运动控制。其中，LKA(Lane KeepingAssist，车道保持辅助)就是一种用于辅助驾驶员将车辆保持在车道线内行驶的技术，其是一项在LDW(Lane Departure Warning，车道偏离预警系统)功能上发展而来的横向运动控制ADAS(Advanced DrivingAssistance System，高级驾驶辅助系统)功能。
[0003]其中，LKA主要是通过使用一个摄像头来识别车道的边界线，并基于是否识别出车辆所在的车道边界线来控制车道保持系统的启闭；当摄像头根据边界线识别到车子偏离方向时，仪表盘显示对应的白线变成红色，方向盘会发出震动以提醒驾驶人员，同时会自动调整方向盘修正方向回到车道内，即当汽车距离偏离侧车道线小于一定阈值或已经有车轮偏离出车道线时，电子控制单元计算出辅助操舵力和减速度，根据偏离的程度控制转向盘和制动器的操纵模块，施加操舵力和制动力使汽车稳定地回到正常轨道；但是，若驾驶员打开转向灯，正常进行变线行驶，则系统不会做出任何提示。
[0004]由此可见，当前的LKA更多的是基于摄像头等视觉传感器来辅助实现车辆的横向运动控制。不过，由于车辆控制信号的发送周期一般是10
‑
20ms，而视觉传感器信号的发送周期一般均大于控制周期，即约在50
‑
100ms，以致在某些控制周期里无法接收到实时的视觉传感器信号，进而使得无法稳定和准确地控制车辆的横向运动。因此，在未接收到感知信号输入的时刻，如何保证LKA运动控制的稳定性和准确性是当前亟需解决的问题。

技术实现思路

[0005]本申请提供一种车道保持控制方法、装置、设备及可读存储介质，以解决相关技术中无法有效保证LKA运动控制的稳定性和准确性的问题。
[0006]第一方面，提供了一种车道保持控制方法，包括以下步骤：
[0007]检测是否接收到IMU信号和/或摄像头信号；
[0008]当未接收到IMU信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对IMU的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方差预测值进行更新；
[0009]基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0010]将所述融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型
调节器对所述车辆横向误差动力学模型进行求解，得到LKA的输入控制量。
[0011]一些实施例中，在所述检测是否接收到IMU信号和摄像头信号的步骤之前，还包括：
[0012]基于车辆质心的力学平衡状态方程和车身绕Z轴转动的力矩平衡状态方程确定出车辆横向动力学模型；
[0013]将车辆质心到车道线中心线之间的横向位置偏差和航向角偏差输入至所述车辆横向动力学模型，生成车辆横向误差动力学模型。
[0014]一些实施例中，所述车辆横向误差动力学模型的状态空间方程为：
[0015][0016]其中，e1表示车辆质心到车道线中心线之间的实际横向位移与期望位移之间的横向位置偏差，表示对横向位置偏差的一阶导数，e2表示实际航向角与期望航向角之间的航向角偏差，表示对航向角偏差的一阶导数，V
x
表示车辆质心沿X轴的纵向速度，m表示整车质量，表示车辆质心绕旋转中心转动的横摆角速度，C
af
表示车辆前轴侧偏刚度，C
ar
表示车辆后轴侧偏刚度，l
f
表示车辆前轴到整车质心的距离，l
r
表示车辆后轴到整车质心的距离，δ表示前轮车轮转角，I
z
表示整车的转动惯量。
[0017]一些实施例中，所述多层卡尔曼滤波数据融合算法包括第一层数据融合算法和第二层数据融合算法。
[0018]一些实施例中，所述基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，包括：
[0019]基于第一层数据融合算法对所述更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到各个传感器间的互相关协方差矩阵；
[0020]基于第二层数据融合算法对所述各个传感器间的互相关协方差矩阵、更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，所述融合目标包括系统状态量和误差协方差矩阵。
[0021]一些实施例中，在所述检测是否接收到IMU信号和/或摄像头信号的步骤之后，还包括：
[0022]当接收到IMU信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新IMU的状态量测量值和误差协方差测量值以及更新摄像头的状态量测量值和误差协方差测量值；
[0023]基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量测量值和误差协方差
测量值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0024]一些实施例中，在所述检测是否接收到IMU信号和/或摄像头信号的步骤之后，还包括：
[0025]当接收到IMU信号且未接收到摄像头信号时，通过卡尔曼滤波算法并基于时间性质和测量性质更新IMU的状态量测量值和误差协方差测量值，且基于时间性质更新摄像头的状态量预测值和误差协方差预测值；
[0026]基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量测量值和误差协方差测量值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；
[0027]当未接收到IMU信号且接收到摄像头信号时，通过卡尔曼滤波算法并基于时间性质更新IMU的状态量预测值和误差协方差预测值，且基于时间性质和测量性质更新摄像头的状态量测量值和误差协方差测量值；
[0028]基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量测量值和误差协方差测量值进行数据融合，得到融合目标。
[0029]第二方面，提供了一种车道保持控制装置，包括：
[0030]检测单元，其用于检测是否接收到IMU信号和/或摄像头信号；
[0031]更新单元，其用于当未接收到IMU信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对IMU的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道保持控制方法，其特征在于，包括以下步骤：检测是否接收到IMU信号和/或摄像头信号；当未接收到IMU信号和摄像头信号时，通过卡尔曼滤波算法并基于时间性质对IMU的状态量预测值和误差协方差预测值以及摄像头的状态量预测值和误差协方差预测值进行更新；基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标；将所述融合目标作为观测量输入至车辆横向误差动力学模型，并基于线性二次型调节器对所述车辆横向误差动力学模型进行求解，得到LKA的输入控制量。2.如权利要求1所述的车道保持控制方法，其特征在于，在所述检测是否接收到IMU信号和摄像头信号的步骤之前，还包括：基于车辆质心的力学平衡状态方程和车身绕Z轴转动的力矩平衡状态方程确定出车辆横向动力学模型；将车辆质心到车道线中心线之间的横向位置偏差和航向角偏差输入至所述车辆横向动力学模型，生成车辆横向误差动力学模型。3.如权利要求2所述的车道保持控制方法，其特征在于，所述车辆横向误差动力学模型的状态空间方程为：其中，e1表示车辆质心到车道线中心线之间的实际横向位移与期望位移之间的横向位置偏差，表示对横向位置偏差的一阶导数，e2表示实际航向角与期望航向角之间的航向角偏差，表示对航向角偏差的一阶导数，V
x
表示车辆质心沿X轴的纵向速度，m表示整车质量，表示车辆质心绕旋转中心转动的横摆角速度，C
af
表示车辆前轴侧偏刚度，C
ar
表示车辆后轴侧偏刚度，l
f
表示车辆前轴到整车质心的距离，l
r
表示车辆后轴到整车质心的距离，δ表示前轮车轮转角，I
z
表示整车的转动惯量。4.如权利要求1所述的车道保持控制方法，其特征在于，所述多层卡尔曼滤波数据融合算法包括第一层数据融合算法和第二层数据融合算法。5.如权利要求4所述的车道保持控制方法，其特征在于，所述基于多层卡尔曼滤波数据融合算法对更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到融合目标，包括：基于第一层数据融合算法对所述更新后的IMU的状态量预测值和误差协方差预测值以
及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，得到各个传感器间的互相关协方差矩阵；基于第二层数据融合算法对所述各个传感器间的互相关协方差矩阵、更新后的IMU的状态量预测值和误差协方差预测值以及更新后的摄像头的状态量预测值和误差协方差预测值进行数据融合，...

【专利技术属性】
技术研发人员：袁沐，许渊，万四禧，管杰，毕雅梦，
申请(专利权)人：东风商用车有限公司，
类型：发明
国别省市：