【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。