一种带积分环节的LQG智能驾驶横向控制方法及装置制造方法及图纸

本发明专利技术公开了一种带积分环节的LQG智能驾驶横向控制方法及装置，涉及汽车智能驾驶技术领域，该方法包括基于车辆信息建立车辆横向动力学模型，并扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型；根据建立的带误差积分项的车辆横向动力学模型，设计卡尔曼滤波器，进行状态量的估计；根据建立的带误差积分项的车辆横向动力学模型，设计LQR反馈控制器并构造代价函数，计算得到LQR的最优反馈控制律；基于卡尔曼滤波器估计得到的状态量，以及计算得到的LQR的最优反馈控制律，计算得到车辆横向目标控制量。本发明专利技术不仅提高车辆控制的舒适性，而且鲁棒性更强。而且鲁棒性更强。而且鲁棒性更强。

【技术实现步骤摘要】
一种带积分环节的LQG智能驾驶横向控制方法及装置


[0001]本专利技术涉及汽车智能驾驶
，具体涉及一种带积分环节的LQG智能驾驶横向控制方法及装置。

技术介绍

[0002]当前，在自动驾驶汽车的参数自适应横向运动控制中，只要采取以下方案：实时采集横向运动控制系统所需的目标路径信息，车辆位置信息，车辆状态信息；对采集的数据进行处理转换；根据采集的数据信息，按制定的基于路径跟踪误差和车路位置关系的LQR(Linear Quadratic Regulator，线性二次调节器)控制参数调整策略确定当前状态下的控制器参数；根据确定的控制器参数，计算自动驾驶汽车的转向控制量，将其传递给转向执行器执行。
[0003]但上述控制方案主要存在以下问题：1、在复杂场景下，车辆动力学线性度低，轮胎侧偏刚度可能会存在差异，单纯的LQR控制器会存在静态误差，不能满足复杂工况下的控制精度；2、车辆动力学模型的状态量信息提取未经过处理，对于路况较好的路面，横向控制效果比较合适，但是对于不太良好的路面，由于提取的信息存在噪声干扰，在进行横向误差微分项计算时会存在较大的跳变，导致控制输出不连续，容易造成震荡。

技术实现思路

[0004]针对现有技术中存在的缺陷，本专利技术的目的在于提供一种带积分环节的LQG智能驾驶横向控制方法及装置，不仅提高车辆控制的舒适性，而且鲁棒性更强。
[0005]为达到以上目的，本专利技术提供的一种带积分环节的LQG智能驾驶横向控制方法，具体包括以下步骤：
[0006]基于车辆信息建立车辆横向动力学模型，并扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型；
[0007]根据建立的带误差积分项的车辆横向动力学模型，设计卡尔曼滤波器，进行状态量的估计；
[0008]根据建立的带误差积分项的车辆横向动力学模型，设计LQR反馈控制器并构造代价函数，计算得到LQR的最优反馈控制律；
[0009]基于卡尔曼滤波器估计得到的状态量，以及计算得到的LQR的最优反馈控制律，计算得到车辆横向目标控制量。
[0010]在上述技术方案的基础上，所述基于车辆信息建立车辆横向动力学模型，并扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型，具体步骤包括：
[0011]基于车辆信息，建立车辆横向动力学模型；
[0012]在建立的车辆横向动力学模型的基础状态量上，扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型并离散化。
[0013]在上述技术方案的基础上，建立的车辆横向动力学模型具体为：
[0014][0015]其中，e
y
表示横向偏差，表示横向偏差的变化率，e
ψ
表示航向偏差，表示航向偏差的变化率，C
αf
表示前轴侧偏刚度，C
αr
表示后轴侧偏刚度，m表示车辆载荷，V
x
表示车辆纵向车速，l
f
表示前轴距，l
r
表示后轴距，I
Z
表示车辆绕Z轴的转动惯量，δ表示前轮转角。
[0016]在上述技术方案的基础上，
[0017]所述在建立的车辆横向动力学模型的基础状态量上，扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型，具体为：
[0018]假设则带误差积分项的车辆横向动力学模型为：
[0019][0020]进一步的，令控制量u等于前轮转角δ，则带误差积分项的车辆横向动力学模型简化为：
[0021][0022]其中，其中，
[0023]在上述技术方案的基础上，利用前向欧拉法对带误差积分项的车辆横向动力学模型离散化，具体的：
[0024][0025]离散线性状态空间方程为，
[0026]X(k+1)＝(TA(k)+I)X(k)+TB(k)u(k)；
[0027]令A
T
＝TA(k)+I，B
T
＝TB(k)，则得到，
[0028]X(k+1)＝A
T
X(k)+B
T
u(k)
[0029][0030][0031]其中，X(k+1)表示离散线性状态空间方程，T表示运行周期，I表示单位矩阵，A(k)表示系统矩阵，B(k)表示控制矩阵，W表示矩阵转置。
[0032]在上述技术方案的基础上，所述根据建立的带误差积分项的车辆横向动力学模型，设计卡尔曼滤波器，进行状态量的估计，具体包括：
[0033]建立观测方程，
[0034][0035]令观测量则观测方程为，
[0036]Y＝CX
[0037]其中，状态量观测矩阵
[0038]得到卡尔曼状态方程，
[0039]X(k+1)＝A
T
X(k)+B
T
u(k)+ω
[0040]Y(k+1)＝CX(k+1)+v
[0041]其中，ω表示过程噪声，v表示观测噪声，Y(k+1)表示观测量的估计值；
[0042]得到状态量的先验估计，
[0043][0044]得到状态量先验估计的协方差，
[0045][0046]其中，表示状态量的先验估计，表示状态量先验估计的协方差，Q表示过程噪声协方差矩阵，P
k
表示状态量后验估计的协方差，A
T
'表示A
T
矩阵的逆矩阵；
[0047]根据最小均方误差原理，计算卡尔曼滤波增益：
[0048][0049]其中，K
k
表示卡尔曼滤波增益，N表示观测噪声协方差矩阵，C'表示观测矩阵C的逆矩阵；
[0050]得到卡尔曼的后验估计值，其中：
[0051]状态量后验估计为，
[0052][0053]状态量后验估计的协方差为，
[0054][0055]其中，表示状态量后验估计，P
k
表示状态量后验估计的协方差，K
k
表示卡尔曼增益，Y
k
表示根据车辆实时状态测量的观测值。
[0056]在上述技术方案的基础上，所述根据建立的带误差积分项的车辆横向动力学模型，设计LQR反馈控制器并构造代价函数，计算得到LQR的最优反馈控制律，具体步骤包括：
[0057]根据得到的带误差积分项的车辆横向动力学模型，
[0058]X(k+1)＝A
T
X(k)+B
T
u(k)；
[0059]构造代价函数，具体为：
[0060][0061]其中，J表示代价函数，x(t)表示状态量，Q表示状态权重矩阵，u(t)表示控制量，R表示控制权重矩阵；
[0062]设计反馈控制器u(t)＝
‑
Kx(t)，带入代价函数得，
[0063][0064]根据反馈控制器和代价函数构造并求解黎卡提方程，计算LQR的最优反馈本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种带积分环节的LQG智能驾驶横向控制方法，其特征在于，具体包括以下步骤：基于车辆信息建立车辆横向动力学模型，并扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型；根据建立的带误差积分项的车辆横向动力学模型，设计卡尔曼滤波器，进行状态量的估计；根据建立的带误差积分项的车辆横向动力学模型，设计LQR反馈控制器并构造代价函数，计算得到LQR的最优反馈控制律；基于卡尔曼滤波器估计得到的状态量，以及计算得到的LQR的最优反馈控制律，计算得到车辆横向目标控制量。2.如权利要求1所述的一种带积分环节的LQG智能驾驶横向控制方法，其特征在于，所述基于车辆信息建立车辆横向动力学模型，并扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型，具体步骤包括：基于车辆信息，建立车辆横向动力学模型；在建立的车辆横向动力学模型的基础状态量上，扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型并离散化。3.如权利要求2所述的一种带积分环节的LQG智能驾驶横向控制方法，其特征在于，建立的车辆横向动力学模型具体为：其中，e
y
表示横向偏差，表示横向偏差的变化率，e
ψ
表示航向偏差，表示航向偏差的变化率，C
αf
表示前轴侧偏刚度，C
αr
表示后轴侧偏刚度，m表示车辆载荷，V
x
表示车辆纵向车速，l
f
表示前轴距，l
r
表示后轴距，I
Z
表示车辆绕Z轴的转动惯量，δ表示前轮转角。4.如权利要求3所述的一种带积分环节的LQG智能驾驶横向控制方法，其特征在于：所述在建立的车辆横向动力学模型的基础状态量上，扩展车辆横向控制的误差积分项，建立带误差积分项的车辆横向动力学模型，具体为：
假设则带误差积分项的车辆横向动力学模型为：进一步的，令控制量u等于前轮转角δ，则带误差积分项的车辆横向动力学模型简化为：
其中，其中，5.如权利要求4所述的一种带积分环节的LQG智能驾驶横向控制方法，其特征在于，利用前向欧拉法对带误差积分项的车辆横向动力学模型离散化，具体的：离散线性状态空间方程为，X(k+1)＝(TA(k)+I)X(k)+TB(k)u(k)；令A
T
＝TA(k)+I，B
T
＝TB(k)，则得到，X(k+1)＝A
T
X(k)+B
T
u(k)u(k)
其中，X(k+1)表示离散线性状态空间方程，T表示运行周期，I表示单位矩阵，A(k)表示系统矩阵，B(k)表示控制矩阵，W表示矩阵转置。6.如权利要求5所述的一种带积分环节的LQG智能驾驶横向控制方法，其特征在于，所述根据建立的带误差积分项的车辆横向动力学模型，设计卡尔曼滤波器，进行状态量的估计，具体包括：建立观测方程，令观测量则观测方程为，Y＝CX其中，状态量观测矩阵得到卡尔曼状态方程，X(k+1)＝A
T
X(k)+B
T

【专利技术属性】
技术研发人员：汪曼，管杰，喻锐，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：