一种汽车路径跟踪自抗扰方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种汽车路径跟踪自抗扰方法、系统、设备及存储介质，包括以下过程：S1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；S2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；S3，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；S4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。使车辆在行驶过程中，具有较好的横摆稳定性和自抗扰的能力，提高行驶安全性。提高行驶安全性。提高行驶安全性。

【技术实现步骤摘要】
一种汽车路径跟踪自抗扰方法、系统、设备及存储介质


[0001]本专利技术属于智能驾驶领域，涉及一种汽车路径跟踪自抗扰方法、系统、设备及存储介质。

技术介绍

[0002]近年来，无人驾驶汽车因在改善交通效率、提高道路交通安全性及降低能耗等方面具有显著的优点，受到整个汽车行业乃至交叉领域研究人员的广泛关注，成为汽车行业的重要发展方向和研究热点。同时，得益于传感器技术、计算机软硬件技术和控制技术的快速发展，无人驾驶汽车技术也取得了长足的进步。作为无人驾驶汽车的关键技术之一，路径跟踪控制问题是研究通过控制智能车的车轮转向或差动转向等方式，使得智能车能够沿着期望的路径行驶。但由于车辆行驶工况复杂，会受到外界各种扰动的影响，现有的路径跟踪控制过程没有考虑到横摆稳定性和抗外界扰动的问题，使得车辆行驶的安全性较低。

技术实现思路

[0003]本专利技术的目的在于克服上述现有技术的缺点，提供一种汽车路径跟踪自抗扰方法、系统、设备及存储介质，使车辆在行驶过程中，具有较好的横摆稳定性和自抗扰的能力，提高行驶安全性。
[0004]为达到上述目的，本专利技术采用以下技术方案予以实现：
[0005]一种汽车路径跟踪自抗扰方法，包括以下过程：
[0006]S1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；
[0007]S2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；
[0008]S3，根据S1和S2的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；
[0009]S4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。
[0010]优选的，S1的具体过程为：微分跟踪函数为，
[0011][0012]其中y
d
为期望路径的横向位移，r1、r2分别为微分跟踪函数的输出值，且r1→
y
d
，fhan(x1，x2，r，h)具有以下表达式的微分跟踪函数：
[0013][0014]其中，r为跟踪速度因子，h为积分步长，x1、x2分别为fhan(x1，x2，r，h)函数的自变量，x1＝r1‑
y
d
、x2＝r2，a0、d0、j、d、a分别为fhan(x1，x2，r，h)函数的内部参数。
[0015]优选的，S2的具体过程为：扩张状态观测函数为：
[0016][0017]其中，m为整车质量，v
x
、v
y
分别为车辆质心出的纵向速度和侧向速度，为航向角，l
f
、l
r
分别为前轴和后轴到质心的距离，C
f
、C
r
分别为前轴和后轴单侧轮胎的侧偏刚度，δ
f
为前轮转角；
[0018]增加扰动项至上式中，可得如下公式：
[0019][0020]其中，w(t)为外部干扰；
[0021]将上式改写成单输入单输出的二阶系统，表示为：
[0022][0023]其中，x3、x4为待估计的状态变量，b
e
＝2C
f
/m，u
*
＝δ
f
；
[0024]为被控对象的模型不确定性和外部扰动的总扰动；
[0025]取被控对象的总扰动部分f(
·
)＝x3作为一个扩张状态变量，则扩张后的上式改写为：
[0026][0027]得到扩张状态变量X＝[x3，x4，x5]T
的估计值Z＝[z1，z2，z3]T
，其中z3即为被控对象的未知干扰总和f(
·
)的估计值；
[0028]非线性扩张观测函数为：
[0029][0030]式中，λ1，λ2，λ3为扩张观测函数增益系数，Fal为非线性函数，可表示为：
[0031][0032]其中，λ
i
，a
i
，γ
i
分别表示为非线性函数参数；
[0033]即可得出车辆系统的扰动值为：
[0034]优选的，S3的具体过程为：为了控制车辆跟踪理想的车辆行驶状态，使车辆的横向偏差和航向偏差趋近0，定义代价函数：
[0035][0036]式中y
e
为横向偏差，为横向偏差的微分，为航向偏差，为航向偏差的微分，Q为半正定矩阵，R为正定矩阵；表示车辆实际状态和理想状态的误差加权累积和，表示车辆输入能量的加权累积；
[0037]为使性能指标函数J最小，控制输入为：
[0038]u0＝
‑
R
‑1B
T
Px
[0039]式中矩阵P满足Riccati方程：
[0040]A
T
P+PA+Q
‑
PBR
‑1B
T
P＝0
[0041]综上，LQR控制器输出的前轮转角和附加横摆力矩输入为：
[0042][δ
f0 δ
r ΔM
z
]T
＝
‑
R
‑1B
T
Px
[0043]其中，δ
f0
为最终的前轮转角，δ
r
为后轮转角，ΔM
z
为附加横摆力矩。
[0044]进一步，扰动补偿后的控制输入为：
[0045][0046]其中为车辆系统的扰动值。
[0047]优选的，S4中，最大的制动力矩计算过程为：
[0048]对于第i个车轮，定义制动力F
xbi
的约束条件为
[0049]F
xbmi
≤F
xbi
≤0
[0050]且
[0051]F
xbmi
＝ε
i
F
xb0i
[0052]式中，F
xbmi
为车轮i的实际制动力极限；F
xb0i
为车轮i能够产生的最大制动力；ε
i
为轮胎垂向载荷对制动力极限的影响因子，定义计算ε
i
的经验模型：
[0053]ε
i
＝τ
i
sin[c1arctan(c2τ
i
)+c3arctan(c4τ
i
)][0054]式中c1，c2，c3，c4均为经验常数，分别为1.3，，2，
‑
1.99，0.3；τ
i
为车轮动态垂向载荷与静载的比值，即
[0055]故制动力极限u
min
＝[F
xbmL1
，F
xbmL2
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车路径跟踪自抗扰方法，其特征在于，包括以下过程：S1，获取车辆期望路径的横向位移，采用微分跟踪的方式计算对应的滤波值和对应的微分值；S2，获取车辆实时的横向位移，采用扩张状态观测的方法得到横向位移的估计值、横向位移微分的估计值和车辆系统的扰动值；S3，根据S1和S2的结果，基于最优控制理论，决策出路径跟踪需要的四轮转角和附加横摆力矩，前轮转角和车辆系统的扰动值做差，得到最终的前轮转角；S4，计算得出每个车轮在制动时能够提供的最大的制动力矩，在最大的制动力矩约束下，将附加横摆力矩最优的分配到四个车轮。2.根据权利要求1所述的汽车路径跟踪自抗扰方法，其特征在于，S1的具体过程为：微分跟踪函数为，其中y
d
为期望路径的横向位移，r1、r2分别为微分跟踪函数的输出值，且r1→
y
d
，fhan(x1，x2，r，h)具有以下表达式的微分跟踪函数：其中，r为跟踪速度因子，h为积分步长，x1、x2分别为fhan(x1，x2，r，h)函数的自变量，x1＝e1‑
y
d
、x2＝r2，a0、d0、j、d、a分别为fhan(x1，x2，r，h)函数的内部参数。3.根据权利要求1所述的汽车路径跟踪自抗扰方法，其特征在于，S2的具体过程为：扩张状态观测函数为：其中，m为整车质量，v
x
、v
y
分别为车辆质心出的纵向速度和侧向速度，为航向角，l
f
、l
r
分别为前轴和后轴到质心的距离，C
f
、C
r
分别为前轴和后轴单侧轮胎的侧偏刚度，δ
f
为前轮转角；增加扰动项至上式中，可得如下公式：
其中，w(t)为外部干扰；将上式改写成单输入单输出的二阶系统，表示为：其中，x3、x4为待估计的状态变量，b
e
＝2C
f
/m，u
*
＝δ
f
；为被控对象的模型不确定性和外部扰动的总扰动；取被控对象的总扰动部分f(
·
)＝x3作为一个扩张状态变量，则扩张后的上式改写为：得到扩张状态变量X＝[x3，x4，x5]
T
的估计值Z＝[z1，z2，z3]
T
，其中z3即为被控对象的未知干扰总和f(
·
)的估计值；非线性扩张观测函数为：式中，λ1，λ2，λ3为扩张观测函数增益系数，Fal为非线性函数，可表示为：其中，λ
i
，a
i
，γ
i
分别表示为非线性函数参数；即可得出车辆系统的扰动值为：4.根据权利要求1所述的汽车路径跟踪自抗扰方法，其特征在于，S3的具体过程为：为了控制车辆跟踪理想的车辆行驶状态，使车辆的横向偏差和航向偏差趋近0，定义代价函数：式中y
e
为横向偏差，为横向偏差的微分，为航向偏差，为航向偏差的微分，Q为半正定矩阵，R为正定矩阵；表示车辆实际状态和理想状态的误差加权累积和，表示车辆输入能量的加权累积；为使性能指标函数J最小，控制输入为：
u0＝
‑
R
‑1B
T
Px式中矩阵P满足Riccati方程：A
T
P+PA+Q
‑
PBR
‑1B
T
P＝0综上，LQR控制器输出的前轮转角和附加横摆力矩输入为：[δ
f0 δ
r ...

【专利技术属性】
技术研发人员：康南，韩毅，张武，苏海东，曹君，
申请(专利权)人：西安青牛智驾科技有限公司，
类型：发明
国别省市：