一种基于云工作流的实时车辆模型预测控制方法技术

本发明专利技术公开了一种基于云工作流的实时车辆模型预测控制方法，针对无人驾驶车辆动力学特征建立了无人驾驶车辆轨迹跟踪优化问题模型，采用交替方向乘子法求解该优化问题，并利用云计算的分布式处理结构完成求解过程，因此加快了模型预测控制算法的计算速度，保证了控制算法的实时性，实现了对模型更细粒度的离散，有效降低了离散周期，进一步提高了控制品质，与仅针对无人驾驶车辆运动学特征的方法相比进一步提升了模型和控制的保真度

【技术实现步骤摘要】
一种基于云工作流的实时车辆模型预测控制方法


[0001]本专利技术属于自动控制
，具体涉及一种基于云工作流的实时车辆模型预测控制方法
。

技术介绍

[0002]近年来，云计算被认为是信息
中最好的计算范式之一，并具有强大的计算能力
。
随着控制系统复杂度和规模的增加，云计算被应用于控制系统中以处理复杂的控制问题，因此云控制的概念也被提出
。
为充分利用云端资源，基于工作流的云控制方法利用云计算的分布式处理结构，提高了控制算法的计算速度
。
[0003]模型预测控制是求解优化问题的控制算法，由于需要进行多步预测，算法的计算量通常较大，通常难以满足实时性的要求
。
即使使用梯度下降或交替方向乘子法，计算时间也会受到本地设备固定计算资源的限制
。
虽然现有云控制的方法被广泛用于解决机器人和无人机等系统的控制，尤其是对车辆的动力学控制方面，但是应用的方式一般都是将控制任务直接部署在云平台上，而并没有充分利用云环境中的资源，因此导致现有的控制方法计算速度较慢，实时性较差
。
[0004]在当前基于云计算的车辆动力学控制中，将原始任务直接部署到云服务中，未能充分利用云计算并行计算能力提升处理速度
。
有鉴于此，本专利技术提供了一种基于工作流的实时车辆动力学模型预测控制方法，能够适配云计算分布式环境，极大提升云控制任务的处理效率

技术实现思路

[0005]有鉴于此，本专利技术提供了一种基于云工作流的实时车辆模型预测控制方法，实现了对无人车辆的预测控制
。
[0006]本专利技术提供的一种基于云工作流的实时车辆模型预测控制方法，包括以下步骤：
[0007]步骤
1、
建立基于工作流的无人驾驶车辆动力学轨迹跟踪控制优化问题：
[0008][0009]s.t.
ξ
(k+1)
＝
A
d
ξ
(k)+B
d1
u1(k)+B
d2
u2(k)
[0010]|H
yaw
ξ
(k)|≤G
yaw
[0011][0012]H
env
ξ
(k)≤G
env
(k)
[0013]|
δ
f
|≤
δ
f
，
max
[0014]其中，
k
为采样时刻，为状态矩阵，
u1(k)
＝
δ
f
(k)
为控制输入，
u2(k)
＝
[
φ
r
(k) κ
ref
(k)]T
为附加输入，
v
y
为车辆质心处的横向速度，为车辆横摆角，
φ
为车辆侧偏角，
e
y
为车辆横向距离偏移量，为车辆横摆角偏
[0033]新的优化问题对应的增广拉格朗日函数为：
[0034][0035][0036]对应的对偶优化问题为：
[0037]步骤
3、
采用交替方向乘子法求解步骤2得到的优化问题，得到各参数的更新表达式，构建无人驾驶车辆轨迹跟踪优化问题的求解方法；
[0038]更新表达式如下所示：
[0039][0040][0041][0042]y
j+1
＝
y
j
+
γ1ρ1(u
j+1
‑
v
j+1
)
[0043]z
j+1
＝
z
j
+
γ2ρ2(
Φξ
(0)+
Ψ1v
j+1
+
Ψ2u2‑
ξ
j+1
)
[0044]其中，
λ
＝
1,3,k
＝
1,2,...,N
p
和均为正则项，
P
λ
,k
,
λ
＝
1,3,k
＝
1,2,...,N
p
和
P2均为正定对称矩阵，
γ1,
γ2＞0为阻尼系数；
[0045]步骤
4、
建立求解优化问题的云工作流结构采用所述步骤3得到的求解方法完成控制序列的计算，所述云工作流结构的输入为从被控对象接收的
Φ
、
Ψ1、
Ψ2、G
yaw
、H
yaw
、G
env
(k)、H
env
、u1、u2及
δ
f,max
，所述云工作流结构的输出为控制序列
u
，采用控制序列
u
完成对被控对象的控制
。
[0046]进一步地，所述步骤3中还包括：
[0047]将
v
j+1
的更新改为基于
u
j
，将
ξ
(k+1)
j+1
的更新改为基于
v
j
，
v
j+1
的更新由显式解求得，具体为：
[0048][0049][0050]进一步地，所述步骤4中所述云工作流结构包括8类任务节点：第一类任务节点
Task1作为数据路由，用于接收和发送被控对象的数据，将从被控对象接收的数据打包传输到子任务；
[0051]第二类任务节点
Task2用于接收
Task1与
Task3发送的数据，并将接收到的
Task3的矩阵按列平均分块后与
δ
f,max
共同打包发送给每个子任务；
[0052]第三类任务节点包括由
Task2‑1到
Task2‑
a
的任务节点，用于分别进行参数
u(k)
的优化计算，每个第三类任务节点在预测范围内完成设定时间步长的优化后，令迭代次数自加1，并将结果发送至
Task5汇总；
[0053]第四类任务节点为
Task3用于接收
Task1发送的数据，并对参数
v、y
及
z
进行迭代更新后令迭代次数自加1，再将更新结果发送至
Task2和
Task4，同时接收
Task5和
Task6发送的数据；
[0054]第五类任务节点为
Task4用于接收
Task1发送的数据及
Task3的计算结果，再对参数
z
和
v
的矩阵按列平均分块后与
Φ...

【技术保护点】

【技术特征摘要】
1.
一种基于云工作流的实时车辆模型预测控制方法，其特征在于，包括以下步骤：步骤
1、
建立基于工作流的无人驾驶车辆动力学轨迹跟踪控制优化问题：
s.t.
ξ
(k+1)
＝
A
d
ξ
(k)+B
d1
u1(k)+B
d2
u2(k)|H
yaw
ξ
(k)|≤G
yaw
H
env
ξ
(k)≤G
env
(k)|
δ
f
|≤
δ
f,max
其中，
k
为采样时刻，为状态矩阵，
u1(k)
＝
δ
f
(k)
为控制输入，
u2(k)
＝
[
φ
r
(k) κ
ref
(k)]
T
为附加输入，
v
y
为车辆质心处的横向速度，为车辆横摆角，
φ
为车辆侧偏角，
e
y
为车辆横向距离偏移量，为车辆横摆角偏离量，
δ
f
为车辆前轮偏角，
φ
r
为道路侧偏角，
κ
ref
为道路曲率，为道路曲率，及分别为车辆横摆角偏离量
、
车辆横向距离偏移量及车辆前轮偏角对应的权重矩阵，
H
yaw
、G
yaw
均为横摆稳定性约束权重矩阵，
H
env
、G
env
均为道路环境约束权重矩阵，为归一化后的零力矩点偏移量，为归一化后的零力矩点偏移量上限，
δ
f,max
为前轮偏角上限，
N
p
为模型预测控制的预测时域，
A
d
、B
d1
和
B
d2
为无人驾驶车辆动力学离散时间状态空间矩阵；步骤
2、
对无人驾驶车辆动力学轨迹跟踪控制优化问题进行等价转换，包括等式约束转换
、
不等式约束转换及目标函数转换，采用
u(k)
表示
u1(k)
，
u
＝
(u(0),u(1),...,u(N
p
‑
1))
，定义
ξ
＝
(
ξ
(1),
ξ
(2),...,
ξ
(N
p
))、u2＝
(u2(0),u2(1),...,u2(N
p
‑
1))
；所述等式约束转换为：
ξ
＝
Φξ
(0)+
Ψ1u+
Ψ2u2ξ
(k)
＝
Φ
k
ξ
(0)+
Ψ
1,k
u+
Ψ
2,k
u2其中，
Φ
k
、
Ψ
1,k
和
Ψ
2,k
分别是
Φ
、
Ψ1和
Ψ2的第
k
块行，
Φ
、
Ψ1和
Ψ2分别定义为：分别定义为：所述不等式约束转换为：
其中，
Ξ
＝
{
ξ
(
·
)|||H
yaw
ξ
(k)|≤G
yaw
,H
env
ξ
(k)≤G
env
(k)}
为
ξ
(k)
的约束集合，
U
＝
{u(
·
)|||
δ
f
|≤
δ
f,max
}
为
u(k)
的约束集合；所述目标函数转换为：所述目标函数转换为：在此基础上引入新的变量
v
＝
u

【专利技术属性】
技术研发人员：夏元清，高润泽，周彤，詹玉峰，戴荔，孙中奇，翟弟华，张元，刘坤，吴楚格，李怡然，邹伟东，崔冰，杨辰，高寒，郭泽华，闫莉萍，潘振华，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：