基于深度学习和北斗系统的自动驾驶汽车速度控制方法技术方案

本发明专利技术公开了一种基于深度学习和北斗系统的自动驾驶汽车速度控制方法，首先由北斗卫星定位系统实时采集汽车的位置信息，自动驾驶汽车根据位置信息和环境感知设定参考速度，接着构建自动驾驶汽车的速度控制模型，对速度控制模型进行模型预测控制方法求解，并收集所述求解过程中的数据；然后建立深度神经网络模型，用收集的数据对该深度神经网络进行训练，最后得到一个DNN控制器代替MPC控制器实现控制变量的最优化求解。本发明专利技术实现了与模型预测控制方法几乎相同的控制性能，并且在控制时间上大大缩减，满足了自动驾驶汽车射胶速度控制的实时性要求，得到了具有在线调参，控制精度高，抗干扰性强，实时性等优点的自动驾驶汽车射胶速度控制模型。射胶速度控制模型。射胶速度控制模型。

【技术实现步骤摘要】
基于深度学习和北斗系统的自动驾驶汽车速度控制方法


[0001]本专利技术涉及自动驾驶
，具体涉及一种基于深度学习和北斗系统的自动驾驶汽车速度控制方法。

技术介绍

[0002]近年来，自动驾驶迅速发展，已成为我国经济发展过程中不可或缺的一部分，而自动驾驶控制系统通常由环境感知，决策规划和运动控制这三个部分，其中运动控制是其中尤为关键的一环，而自动驾驶汽车的速度控制是运动控制中的重要一部分，如果车速过快，会导致汽车超过当前道路的限速要求，更有可能因为路况的复杂而对汽车造成损害或危害行人安全；若车速过慢，则有可能不符合高速公路的最低速度要求或者导致堵车、追尾和增加汽车能耗等问题，会极大降低自动驾驶汽车的质量和安全保障性。因此要对自动驾驶过程中汽车的速度进行严格和精确的控制，才能确保提高自动驾驶汽车的可靠性和安全性。
[0003]传统的自动驾驶汽车速度的控制方法是基本都是PID调控，而用齐格勒
‑
尼科尔斯法则或IMC法来整定参数，虽然在一定程度上可以调高控制性能，但是具有鲁棒性差，抗干扰能力弱缺点，在汽车实际行驶中不便于进行快速调整以适应不同的需求；而后来兴起的模型预测控制(MPC)方法虽然能够克服PID控制的缺点，但这种方法需要进行反复的优化求解，在消耗大量计算资源的同时也耗费大量的计算时间，难以实现对模型的在线实时控制，但其现在的自动驾驶都是朝着更智能和更安全的方向发展，因此，需要更加智能的，更精确的，更快速的方法去调控自动驾驶汽车的速度。

技术实现思路

[0004]本专利技术的目的是提供一种基于深度学习和北斗系统的自动驾驶汽车速度控制方法，用以解决传统方法存在的抗干扰能力差等缺陷以及模型预测控制计算复杂，需要耗费大量计算资源的问题。
[0005]为了实现上述任务，本专利技术采用以下技术方案：
[0006]一种基于深度学习和北斗系统的自动驾驶汽车速度控制方法，首先由北斗卫星定位系统实时采集汽车的位置信息，自动驾驶汽车根据位置信息和环境感知设定参考速度，接着构建自动驾驶汽车的速度控制模型，对速度控制模型进行模型预测控制方法求解，并收集所述求解过程中的数据；然后建立深度神经网络模型，用收集的数据对该深度神经网络进行训练，最后得到一个DNN控制器代替MPC控制器实现控制变量的最优化求解。
[0007]进一步地，所述构建自动驾驶汽车的速度控制模型，表示为：
[0008]自动驾驶汽车是由电机来驱动，电机输出的速度可以反映车的行驶速度，针对这一变量对汽车速度进行建模得到的状态空间方程控制模型如下：
[0009]得到的状态空间方程控制模型如下：
[0010][0011]其中，A是系统矩阵，B是输入矩阵，C是输出矩阵；x为状态变量，包含电机的输出转速、转矩和峰值功率；u是输入的控制电压，y为自动驾驶汽车的速度；u是输入的控制电压，y为自动驾驶汽车的射胶速度；参数上标圆点表示导数；
[0012]将状态空间方程进行离散化，采用的方法是零阶保持器法，得到离散化后的状态空间方程如下：
[0013][0014]其中，A
s
、B
s
、C
s
分别为离散状态下的系统矩阵、输入矩阵和输出矩阵，k表示时间步，x(k)为离散状态方程下的状态变量，u(k)表示当前时刻输入给汽车电机的控制电压，y(k)表示当前时刻自动驾驶汽车的速度。
[0015]进一步地，所述对速度控制模型进行模型预测控制方法求解，包括：
[0016]将离散化后的状态空间方程转化为增广模型，并将当前时刻与上一时刻自动驾驶汽车电机控制电压的差值
△
u(k)作为增广模型的控制变量；
[0017]令控制时域和预测时域相等，推导未来的输出变量序列和控制变量序列，从而得到输出变量序列方程；
[0018]将所述控制增量作为优化的目标，构建所述增广模型的代价函数，并对代价函数进行简化，得到代价函数的二次规划标准型；
[0019]对所述二次规划标准型进行求解，得到模型预测控制的优化目标，即所述控制增量。
[0020]进一步地，所述输出变量序列方程表示为：
[0021][0022]其中
△
U为控制变量序列，为增广化后离散状态方程的状态变量，，O1×3表示1x3阶的零矩阵，I1×1是1x1阶的单位矩阵，O1×1表示1x1阶的零矩阵，N表示矩阵阶数。
[0023]进一步地，构建所述增广模型的代价函数，表示为：
[0024][0025]其中，Y表示输出变量序列，Y
ref
表示设定的参考速度，Q和R都是N维的单位矩阵，上标T表示转置。
[0026]进一步地，所述代价函数的二次规划标准型，表示为：
[0027][0028]其中，H＝D
T
QD+R，QD+R，Ymax是预设的最大的汽车速度，而Ymin是预设的最小汽车速度。
[0029]进一步地，对所述二次规划标准型进行求解，采用的方法为拉格朗日法。
[0030]进一步地，收集所述求解过程中的数据，包括：
[0031]状态变量x(k)，控制变量u(k)，输出量y(k)，给定的参考值Y
ref
，控制增量
△
u(k)，下一时刻的控制变量u(k+1)。
[0032]进一步地，所述建立深度神经网络模型，用收集的数据对该深度神经网络进行训练，包括：
[0033]选取状态变量x(k)，控制变量u(k)，输出量y(k)，设定的参考速度Y
ref
以及控制增量
△
u(k)作为深度神经网络的输入，输出是模型预测控制器所得到的下一时刻的控制变量u(k+1)，然后调用回归学习器中的三层深度神经网络；损失函数选用MSEloss损失函数；所述深度神经网络包括输入层、隐藏层、输出层。
[0034]进一步地，训练好DNN模型之后，把模型导出为函数形式作为DNN控制器，然后代替原先的MPC控制器用于计算控制变量，然后根据离散化后的状态空间方程得到自动驾驶汽车的速度作为最终输出。
[0035]与现有技术相比，本专利技术具有以下技术特点：
[0036]本专利技术首先建立了一个汽车速度控制模型，用模型预测控制方法进行最优化求解，得到良好的预测跟踪性能之后，再反复优化求解，收集大量的数据，送入深度神经网络进行训练，用训练好的深度神经网络模型来代替MPC控制器进行最优化求解，实现了与模型预测控制方法几乎相同的控制性能，并且在控制时间上大大缩减，满足了自动驾驶汽车速度控制的实时性要求。得到了具有鲁棒性好，控制精度高，抗干扰性强，实时性等优点的自动驾驶汽车速度控制模型。
附图说明
[0037]图1为本专利技术方法的技术路线图；
[0038]图2为基于DNN的自动驾驶汽车模型预测控制方案；
[0039]图3为DNN与MPC预测输出比较图；
[0040]图4为MPC与DNN预测控制比较图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和北斗系统的自动驾驶汽车速度控制方法，其特征在于，首先由北斗卫星定位系统实时采集汽车的位置信息，自动驾驶汽车根据位置信息和环境感知设定参考速度，接着构建自动驾驶汽车的速度控制模型，对速度控制模型进行模型预测控制方法求解，并收集所述求解过程中的数据；然后建立深度神经网络模型，用收集的数据对该深度神经网络进行训练，最后得到一个DNN控制器代替MPC控制器实现控制变量的最优化求解。2.根据权利要求1所述的基于深度学习和北斗系统的自动驾驶汽车速度控制方法，其特征在于，所述构建自动驾驶汽车的速度控制模型，表示为：自动驾驶汽车是由电机来驱动，电机输出的速度可以反映车的行驶速度，针对这一变量对汽车速度进行建模得到的状态空间方程控制模型如下：得到的状态空间方程控制模型如下：其中，A是系统矩阵，B是输入矩阵，C是输出矩阵；x为状态变量，包含电机的输出转速、转矩和峰值功率；u是输入的控制电压，y为自动驾驶汽车的速度；u是输入的控制电压，y为自动驾驶汽车的射胶速度；参数上标圆点表示导数；将状态空间方程进行离散化，采用的方法是零阶保持器法，得到离散化后的状态空间方程如下：其中，A
s
、B
s
、C
s
分别为离散状态下的系统矩阵、输入矩阵和输出矩阵，k表示时间步，x(k)为离散状态方程下的状态变量，u(k)表示当前时刻输入给汽车电机的控制电压，y(k)表示当前时刻自动驾驶汽车的速度。3.根据权利要求1所述的基于深度学习和北斗系统的自动驾驶汽车速度控制方法，其特征在于，所述对速度控制模型进行模型预测控制方法求解，包括：将离散化后的状态空间方程转化为增广模型，并将当前时刻与上一时刻自动驾驶汽车电机控制电压的差值
△
u(k)作为增广模型的控制变量；令控制时域和预测时域相等，推导未来的输出变量序列和控制变量序列，从而得到输出变量序列方程；将所述控制增量作为优化的目标，构建所述增广模型的代价函数，并对代价函数进行简化，得到代价函数的二次规划标准型；对所述二次规划标准型进行求解，得到模型预测控制的优化目标，即所述控制增量。4.根据权利要求1所述的基于深度学习和北斗系统的自动驾驶汽车速度控制方法，其特征在于，所述输出变量序列方程表示为：
...

【专利技术属性】
技术研发人员：符善森，黄宏敏，林元妙，詹瑞典，熊晓明，景东，
申请(专利权)人：佛山芯珠微电子有限公司，
类型：发明
国别省市：