基于前馈和预测制造技术

本发明专利技术涉及一种基于前馈和预测

【技术实现步骤摘要】
基于前馈和预测LQR自动驾驶车辆路径跟踪方法及实验装置


[0001]本专利技术涉及一种基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法及实验装置，属于自动驾驶

。

技术介绍

[0002]自动驾驶车辆是指通过搭载先进传感器等装置，运用人工智能等新技术，具有自动驾驶功能，逐步成为智能移动空间和应用终端的新一代汽车
。
自动驾驶汽车可以提供更安全
、
更节能
、
更环保
、
更便捷的出行方式和综合解决方案，是国际公认的未来发展方向和关注热点
。
[0003]随着无人驾驶技术的迅速发展，自动驾驶车辆已逐步投入到环卫
、
运输
、
园区等特定领域，极大改变了人们的生活方式及生活质量，在未来更高级别的自动驾驶具有非常广阔的前景
。
自动驾驶系统由环境感知
、
任务决策
、
运动规划及执行控制四部分组成，路径跟踪作为执行控制的主要任务，对于自动驾驶系统来说至关重要
。
不仅要保证跟踪精度，还要保证汽车的安全性以及操控稳定性
。
[0004]例如，中国专利公开号
CN113978547A
，公开了一种自动驾驶转向控制方法及系统，该方法包括：获取规划模块发送的规划轨迹信息
、
底盘模块发送的车辆底盘信息以及定位模块发送的车辆位置信息，规划轨迹信息包括由一系列的轨迹点组成的规划行驶轨迹；根据车辆位置信息在规划轨迹信息中找到距离车辆最近的轨迹点，记为匹配点；根据匹配点和规划轨迹信息确定车辆的剩余行车距离；判断剩余行车距离是否大于基于运动学的跟踪算法中预设的预瞄距离；若是，则采用基于运动学的跟踪算法计算车辆前轮偏角，以进行转向控制；若否，则采用基于动力学的
LQR
算法计算车辆前轮偏角，以进行转向控制
。
本专利技术能够在低速场景下，实现准确的转向控制，同时满足车辆的稳定性控制要求
。
[0005]但是，其采用的基于运动学的跟踪算法为现有算法，未对具体的基于运动学的跟踪算法进行向适应的改进
。
其不能同时保证跟踪精度和证汽车的安全性以及操控稳定性
。
[0006]因此，研发具备高水平的路径跟踪算法显得尤为重要，特别是针对自动驾驶车辆在转向时的跟踪精度与稳定性两者难以兼顾的问题
。

技术实现思路

[0007]本专利技术要解决的技术问题是：提供一种基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法及实验装置，解决自动驾驶车辆在复杂工况下跟踪精度与稳定性难以兼顾的问题
。
[0008]本专利技术所述的一种基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法，包括：
[0009]建立模型：建立自动驾驶车辆二自由度横向动力学模型；
[0010]构建前馈
LQR
控制器：根据二自由度横向动力学模型构建前馈
LQR
控制器；
[0011]建立预测控制器：根据模糊控制算法建立基于实时车速
‑
曲率的模糊自适应预测时间，基于恒定转弯率和速度幅度模型设计预测控制器；
[0012]建立前馈
+
预测
LQR
控制器：根据前馈
LQR
和预测控制器建立横向前馈
+
预测
LQR
路
径跟踪控制器
。
[0013]首先，建立自动驾驶车辆二自由度横向动力学模型，根据二自由度横向动力学模型构建前馈
LQR
控制器；但是，前馈
LQR
控制器存在一定的滞后性，因此，根据模糊控制算法建立了基于实时车速
‑
曲率的模糊自适应预测时间，基于本文基于恒定转弯率和速度幅度模型
(CTRV)
设计预测控制器，根据前馈
LQR
和预测控制器建立横向前馈
+
预测
LQR
路径跟踪控制器，预测未来一段时间内车辆的位置，在保证跟踪精度的同时提高车辆的稳定性
。
[0014]优选的，所述二自由度横向动力学模型包括车辆自身的侧向和横摆运动以及与参考路径之间的横向误差和航向误差
。
[0015]所述二自由度横向动力学模型的状态空间表达形式为：
[0016][0017]其中，
δ
为前轮转角，
O
为车辆质心，
l
f
、l
r
为前
、
后轴到质心的距离，
e
d
为车辆与期望轨迹的横向误差，
θ
r
为期望轨迹的航向角，为车辆的横摆角，
C
f
和
C
r
分别为前
、
后轮总的侧偏刚度，
I
z
为绕
Z
轴的转动惯量，
v
x
为车辆纵向车速
。
[0018]优选的，所述前馈
LQR
控制器的输入为车载系统采集与处理得到的车身状态与道路信息，前馈
LQR
控制器的输出为前轮转角
。
[0019]优选的，所述预测控制器的建立步骤具体包括：
[0020]基于道路曲率和车速对预测时间的影响，根据模糊控制理论，将道路曲率与车速作为模糊控制器的输入，将预测时间作为模糊控制器的输出，在线实时调整预测时间；
[0021]将所述自动驾驶车辆的道路曲率
、
自动驾驶车辆的车速
、
自动驾驶车辆的预测时间基于模糊控制划分精度等级；
[0022]对输入变量和输出变量自动驾驶车辆的预测时间采取隶属函数，运用
Mamdani
算法以及最大隶属度的平均值法来对输出变量自动驾驶车辆的预测时间反模糊化；
[0023]基于恒定转弯率和速度幅度模型预测车辆一定时间内的位置，以预测车辆位置与一定预测时间参考路径点的二自由度横向动力学模型更新当前车辆位置与当前参考路径点的二自由度横向动力学模型
。
[0024]优选的，所述自动驾驶车辆的道路曲率基于模糊控制划分为七个精度等级，所述自动驾驶车辆的车速基于模糊控制划分为七个精度等级，所述自动驾驶车辆的预测时间基于模糊控制划分为十一个精度等级
。
[0025]优选的，所述采取隶属函数具体为：对输入变量自动驾驶车辆的道路曲率和自动驾驶车辆的车速采取
Gauss2mf
型隶属函数，对输出变量自动驾驶车辆的预测时间采取
Trimf
型隶属函数
。
[0026]优选的，所述前馈
+
预测
LQR
控制器的运本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法，其特征在于，包括：建立模型：建立自动驾驶车辆二自由度横向动力学模型；构建前馈
LQR
控制器：根据二自由度横向动力学模型构建前馈
LQR
控制器；建立预测控制器：根据模糊控制算法建立基于实时车速
‑
曲率的模糊自适应预测时间，基于恒定转弯率和速度幅度模型设计预测控制器；建立前馈
+
预测
LQR
控制器：根据前馈
LQR
和预测控制器建立横向前馈
+
预测
LQR
路径跟踪控制器
。2.
根据权利要求1所述的基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法，其特征在于，所述二自由度横向动力学模型包括车辆自身的侧向和横摆运动以及与参考路径之间的横向误差和航向误差
。3.
根据权利要求1所述的基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法，其特征在于，所述前馈
LQR
控制器的输入为车载系统采集与处理得到的车身状态与道路信息，前馈
LQR
控制器的输出为前轮转角
。4.
根据权利要求1所述的基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法，其特征在于，所述预测控制器的建立步骤具体包括：基于道路曲率和车速对预测时间的影响，根据模糊控制理论，将道路曲率与车速作为模糊控制器的输入，将预测时间作为模糊控制器的输出，在线实时调整预测时间；将所述自动驾驶车辆的道路曲率
、
自动驾驶车辆的车速
、
自动驾驶车辆的预测时间基于模糊控制划分精度等级；对输入变量和输出变量自动驾驶车辆的预测时间采取隶属函数，运用
Mamdani
算法以及最大隶属度的平均值法来对输出变量自动驾驶车辆的预测时间反模糊化；基于恒定转弯率和速度幅度模型预测车辆一定时间内的位置，以预测车辆位置与一定预测时间参考路径点的二自由度横向动力学模型，更新当前车辆位置与当前参考路径点的二自由度横向动力学模型
。5.
根据权利要求4所述的基于前馈和预测
LQR
自动驾驶车辆路径跟踪方法，其特征在于，...

【专利技术属性】
技术研发人员：王鹏伟，崔凯晨，高松，孙宾宾，王玉琼，杨金山，周恒恒，张宇龙，
申请(专利权)人：山东理工大学，
类型：发明
国别省市：