CN103640622B - 一种基于驾驶员模型的汽车方向智能控制方法及控制*** - Google Patents

Abstract

本发明公开了一种基于驾驶员模型的汽车方向智能控制方法。本发明方法首先根据汽车当前运行状态预测预瞄周期<i>T</i>时刻后汽车所能到达的位置，并与<i>T</i>时刻后的目标位置进行比较，得到两者的偏差，两者偏差与<i>T</i>的比值即为期望的汽车横向速度，再将期望的汽车横向速度与实际的汽车横向速度进行比较，得到期望的汽车横向速度差；然后计算得到方向盘转角，并根据得到的方向盘转角对汽车方向盘进行控制。本发明还公开了一种基于驾驶员模型的汽车方向智能控制***，包括预瞄模块、预测模块、比较模块、计算模块以及控制模块。相比现有技术，本发明所建立的驾驶员模型，其参数由整车参数直接获得，具有参数简单、物理含义清晰的优点，对汽车的控制更加准确和真实。

Description

一种基于驾驶员模型的汽车方向智能控制方法及控制***

技术领域

本发明涉及一种汽车智能控制方法，尤其涉及一种基于驾驶员模型的汽车方向智能控制方法及控制***，属于自动控制技术领域。

背景技术

随着科技的进步和社会水平的提高，人们对汽车的需求越来越大，私家车的拥有量逐年上升，由此引发了交通安全问题也日益突出。这种情况在我国尤为明显，我国因交通安全事故死亡的人数连续十年跃居全球第一。因此，汽车安全性问题变得至关重要。

为解决交通安全问题，不仅需要关注各种交通安全法规的制定，对智能交通***、智能汽车以及其它主动安全技术的研究，也需要被用于改善汽车的驾驶安全性。而驾驶员建模是这些研究的基础，建立一个更精确的、更真实的驾驶员模型不仅可以用于智能车，也可以用于汽车操纵稳定性的检测。

近年来，国内外研究人员及学者对汽车驾驶员模型进行了大量研究，先后提出了几种驾驶员模型，比如MacAdam的最优预瞄控制模型、郭孔辉的预瞄跟随模型以及Cole等人的LQR模型等。但国内外较常用的驾驶员模型是，我国郭孔辉院士的预瞄跟随模型以及国外Cole等人的LQR模型。预瞄跟随模型因其模型参数的物理含义清晰，便于理解驾驶行为的产生机理，应用方便。但其在高速转向时，跟踪精度不高以及出现转向波动现象，使其在高速下的应用具有一定的局限性；LQR模型采用最优化方法，理论严谨，跟踪精度高。但其物理概念不清晰，同时采用多点预瞄导致优化计算量大，实际应用困难。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种基于驾驶员模型的汽车方向智能控制方法及控制***，所采用的驾驶员模型的参数由整车参数直接获得，具有参数简单、物理含义清晰的优点，对汽车的控制更加准确和真实。

本发明具体采用以下技术方案：

一种基于驾驶员模型的汽车方向智能控制方法，首先根据汽车当前运行状态预测预瞄周期T时刻后汽车所能到达的位置，并与T时刻后的目标位置进行比较，得到两者的偏差，两者偏差与T的比值即为期望的汽车横向速度，再将期望的汽车横向速度与实际的汽车横向速度进行比较，得到期望的汽车横向速度差；然后按照以下公式得到方向盘转角，并根据得到的方向盘转角对汽车方向盘进行控制：

θ(s)=e_vy(s)×G_d(s)

式中，θ(s)表示方向盘转角；e_vy(s)表示期望的汽车横向速度差；G_d(s)为传递函数，根据下式得到：

$G_d\left(s\right)=\frac{{\mathrm{\&omega;}}_c}{v}(P+\mathrm{Ds})$

$P=\frac{k_0}{l_0},D=\frac{k_1+k_0{T}_h}{l_0}-\frac{k_0{l}_1}{l_0^2}$

$k_0=\frac{l_r{c}_r-l_f{c}_f}{I_z}+\frac{c_f{c}_r{L}^2}{m{v}^2{I}_z},k_1=\frac{{l_f}^2{c}_f+{l_r}^2{c}_r}{v{I}_z}+\frac{c_f+c_r}{\mathrm{mv}},l_0=\frac{L{c}_f{c}_r}{\mathrm{mv}{I}_z},l_1=\frac{l_{f}L{c}_f{c}_r}{m{v}^2{I}_z}$

其中，m为汽车整车质量，单位为kg；v为车速，单位为m/s；I_z为汽车横摆转动惯量，单位为kg·m²；L为汽车前后轴距离，单位为m；l_f为汽车整车质心到前轴的距离，单位为m；l_r为汽车整车质心到后轴的距离，单位为m；c_f为汽车前轮的等效侧偏刚度，单位为N/rad；c_r为汽车后轮的等效侧偏刚度，单位为N/rad；T_h为预设的驾驶员的手臂惯性延时，单位为s；ω_c为人车闭环***的截止频率，单位为rad/s；s为拉布拉斯算子。

一种基于驾驶员模型的汽车方向智能控制***，包括：

预瞄模块，利用观测到的道路信息生成预瞄周期T时刻后的目标位置f(t+T)；

预测模块，根据汽车当前运行状态信息预测出汽车在预瞄周期T时刻后所能到达的位置y(t+T)；

比较模块，将目标位置f(t+T)与汽车在预瞄周期T时刻后所能到达的位置y(t+T)进行比较，输出偏差e(t+T)=f(t+T)-y(t+T)；

计算模块，以所述偏差e(t+T)除以预瞄周期T，得到期望的汽车横向速度再与实际的汽车的横向速度v_y(t)进行比较，获得期望的汽车横向速度差e_vy(t)=v_y ^*(t)-v_y(t)；

控制模块，根据期望的汽车横向速度差，按照以下公式得到方向盘转角，并根据得到的方向盘转角对汽车方向盘进行控制：

θ(s)=e_vy(s)×G_d(s)

式中，θ(s)表示方向盘转角；e_vy(s)表示期望的汽车横向速度差；G_d(s)为传递函数，根据下式得到：

$G_d\left(s\right)=\frac{{\mathrm{\&omega;}}_c}{v}(P+\mathrm{Ds})$

$P=\frac{k_0}{l_0},D=\frac{k_1+k_0{T}_h}{l_0}-\frac{k_0{l}_1}{l_0^2}$

$k_0=\frac{l_r{c}_r-l_f{c}_f}{I_z}+\frac{c_f{c}_r{L}^2}{m{v}^2{I}_z},k_1=\frac{{l_f}^2{c}_f+{l_r}^2{c}_r}{v{I}_z}+\frac{c_f+c_r}{\mathrm{mv}},l_0=\frac{L{c}_f{c}_r}{\mathrm{mv}{I}_z},l_1=\frac{l_f{\mathrm{Lc}}_f{c}_r}{m{v}^2{I}_z}$

其中，m为汽车整车质量，单位为kg；v为车速，单位为m/s；I_z为汽车横摆转动惯量，单位为kg·m²；L为汽车前后轴距离，单位为m；l_f为汽车整车质心到前轴的距离，单位为m；l_r为汽车整车质心到后轴的距离，单位为m；c_f为汽车前轮的等效侧偏刚度，单位为N/rad；c_r为汽车后轮的等效侧偏刚度，单位为N/rad；T_h为预设的驾驶员的手臂惯性延时，单位为s；ω_c为人车闭环***的截止频率，单位为rad/s；s为拉布拉斯算子。

所述驾驶员的手臂惯性延时T_h的取值范围优选为0.1-0.3s。

所述人车闭环***的截止频率ω_c的取值范围优选为1～6rad/s。

相比现有技术，本发明具有以下有益效果：

本发明所建立的驾驶员模型，其参数由整车参数直接获得，具有参数简单、物理含义清晰的优点，对汽车的控制更加准确和真实。

附图说明

图1为本发明的驾驶员模型的结构原理示意图；

图2为本发明的汽车方向智能控制***的控制原理示意图；

图3为本发明的驾驶员模型和预瞄跟随驾驶员模型的仿真验证对比图；

图4为本发明的驾驶员模型和预瞄跟随驾驶员模型的轨迹跟踪误差对比图。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的基于驾驶员模型的汽车方向智能控制***，其核心在于所建立的驾驶员模型，通过观测***（例如汽车自带的图像采集装置、雷达等）对外部道路状况进行观测，通过汽车的内部传感器/观测器对汽车的自身状态信息进行检测，驾驶员模型根据所观测到的道路信息以及检测到的汽车自身状态计算输出方向盘转角，并根据方向盘转角对汽车方向盘进行控制，从而实现准确反映驾驶员驾驶行为的智能汽车方向闭环控制。

本发明所建立的驾驶员模型如图1所示，包括：

预瞄模块，对观测***（例如汽车自带的图像采集装置、雷达等数据）观测到的道路信息（也可由外部直接输入数据）进行处理（例如采用多项式拟合的方法）生成预瞄周期T时刻后的目标位置f(t+T)（或者称为预瞄点位置），其中t表示当前时刻；

预测模块，根据汽车当前运行状态信息预测出汽车在预瞄周期T时刻后（即t+T时刻）所能到达的位置y(t+T)；

比较模块，将目标位置f(t+T)与汽车在预瞄周期T时刻后所能到达的位置y(t+T)进行比较，输出偏差e(t+T)=f(t+T)-y(t+T)；

计算模块，先计算出期望的汽车横向速度再与汽车状态信息的横向速度v_y(t)进行比较，求取期望的汽车横向速度差e_vy(t)=v_y ^*(t)-v_y(t)；

控制模块，根据期望的汽车横向速度差，按照以下公式得到方向盘转角，并根据得到的方向盘转角对汽车方向盘进行控制：

θ(s)=e_vy(s)×G_d(s)

式中，θ(s)表示方向盘转角；e_vy(s)表示期望的汽车横向速度差；G_d(s)为传递函数，根据下式得到：

$G_d\left(s\right)=\frac{{\mathrm{\&omega;}}_c}{v}(P+\mathrm{Ds})$

$P=\frac{k_0}{l_0},D=\frac{k_1+k_0{T}_h}{l_0}-\frac{k_0{l}_1}{l_0^2}$

$k_0=\frac{l_r{c}_r-l_f{c}_f}{I_z}+\frac{c_f{c}_r{L}^2}{m{v}^2{I}_z},k_1=\frac{{l_f}^2{c}_f+{l_r}^2{c}_r}{v{I}_z}+\frac{c_f+c_r}{\mathrm{mv}},l_0=\frac{L{c}_f{c}_r}{\mathrm{mv}{I}_z},l_1=\frac{l_{f}L{c}_f{c}_r}{m{v}^2{I}_z}$

其中，m为汽车整车质量，单位为kg；v为车速，单位为m/s；I_z为汽车横摆转动惯量，单位为kg·m²；L为汽车前后轴距离，单位为m；l_f为汽车整车质心到前轴的距离，单位为m；l_r为汽车整车质心到后轴的距离，单位为m；c_f为汽车前轮的等效侧偏刚度，单位为N/rad；c_r为汽车后轮的等效侧偏刚度，单位为N/rad；T_h为预设的驾驶员的手臂惯性延时，单位为s，其取值范围优选为0.1-0.3s；ω_c为人车闭环***的截止频率，单位为rad/s，其取值范围优选为1～6rad/s；s为拉布拉斯算子。

本发明的汽车方向智能控制***的控制原理如图2所示，汽车的内部传感器/观测器对汽车的状态信息进行检测并反馈给驾驶员模型，道路信息由外部直接输入，驾驶员模型根据道路信息以及汽车状态信息计算得到方向盘转角，并根据得到的方向盘转角对被控汽车进行方向控制，从而形成人-车-路闭环***，达到跟踪道路轨迹的目的，同时可以用于汽车操纵稳定性控制。

为了验证本发明的效果，采用本发明的驾驶员模型和现有的预瞄跟随驾驶员模型分别进行双移线试验的仿真试验。双移线试验是综合测定驾驶员-汽车操纵稳定性的闭环试验，能够更全面地研究和评价汽车的操纵稳定性。试验中所采用的参考道路输入为ISO-3888-1:1999规定的标准双移线工况；为了体现本发明的有效性，现采用相同整车参数和同一预瞄时间，对本发明的驾驶员模型和预瞄跟踪驾驶员模型进行仿真对比分析。仿真采用的验证数据有：m=1715Kg，v=30m/s，I_z=2697Kg·m²，L=2.54m，l_f=1.07m，l_r=1.47m，c_f=2*89733N/rad，c_r=2*114100N/rad，T_h=0.15s，ω_c=2.5rad/s，T=0.8s。验证对比结果如图3、图4所示，其中图4为本发明的驾驶员模型和预瞄跟随驾驶员模型的轨迹跟踪误差对比图。由图4所示的轨迹跟踪误差仿真结果可以看出，本发明的跟踪精度更高，最大跟踪误差较预瞄跟随模型的1.2m减小到0.7m，最大跟踪误差减小了42%。此外，由图4可看出本发明方法的跟踪误差没有较大的起伏，表明本发明的平顺性较好。汽车在变道之后，最终达到稳定的距离由原来的250m减小到220m，表明本发明的稳定时间更小，稳定性和响应性更好。

Claims (6)

1.一种基于驾驶员模型的汽车方向智能控制方法，其特征在于，首先根据汽车当前运行状态预测预瞄周期T时刻后汽车所能到达的位置，并与T时刻后的目标位置进行比较，得到两者的偏差，两者偏差与T的比值即为期望的汽车横向速度，再将期望的汽车横向速度与实际的汽车横向速度进行比较，得到期望的汽车横向速度差；然后按照以下公式得到方向盘转角，并根据得到的方向盘转角对汽车方向盘进行控制：

θ(s)＝e_vy(s)×G_d(s)

式中，θ(s)表示方向盘转角；e_vy(s)为用复频域表示的期望的汽车横向速度差；G_d(s)为传递函数，根据下式得到：

$G_d\left(s\right)=\frac{{\mathrm{\&omega;}}_c}{v}(P+Ds)$

$P=\frac{k_0}{l_0},D=\frac{k_1+k_0{T}_h}{l_0}-\frac{k_0{l}_1}{l_0^2}$

$k_0=\frac{l_r{c}_r-l_f{c}_f}{I_z}+\frac{c_f{c}_r{L}^2}{{\mathrm{mv}}^2{I}_z},k_1=\frac{{l_f}^2{c}_f+{l_r}^2{c}_r}{{\mathrm{vI}}_z}+\frac{c_f+c_r}{mv},l_0=\frac{{\mathrm{Lc}}_f{c}_r}{{\mathrm{mvI}}_z},l_1=\frac{l_f{\mathrm{Lc}}_f{c}_r}{{\mathrm{mv}}^2{I}_z}$

其中，m为汽车整车质量，单位为kg；v为车速，单位为m/s；I_z为汽车横摆转动惯量，单位为kg·m²；L为汽车前后轴距离，单位为m；l_f为汽车整车质心到前轴的距离，单位为m；l_r为汽车整车质心到后轴的距离，单位为m；c_f为汽车前轮的等效侧偏刚度，单位为N/rad；c_r为汽车后轮的等效侧偏刚度，单位为N/rad；T_h为预设的驾驶员的手臂惯性延时，单位为s；ω_c为人车闭环***的截止频率，单位为rad/s；s为拉布拉斯算子。

2.如权利要求1所述基于驾驶员模型的汽车方向智能控制方法，其特征在于，所述驾驶员的手臂惯性延时T_h的取值范围为0.1-0.3s。

3.如权利要求1所述基于驾驶员模型的汽车方向智能控制方法，其特征在于，所述人车闭环***的截止频率ω_c的取值范围为1～6rad/s。

4.一种基于驾驶员模型的汽车方向智能控制***，其特征在于，包括：

预瞄模块，利用观测到的道路信息生成预瞄周期T时刻后的目标位置f(t+T)；

预测模块，根据汽车当前运行状态信息预测出汽车在预瞄周期T时刻后所能到达的位置y(t+T)；

比较模块，将目标位置f(t+T)与汽车在预瞄周期T时刻后所能到达的位置y(t+T)进行比较，输出偏差e(t+T)＝f(t+T)-y(t+T)；

计算模块，以所述偏差e(t+T)除以预瞄周期T，得到期望的汽车横向速度

再与实际的汽车的横向速度v_y(t)进行比较，获得用时域表示的期望的汽车横向速度差e_vy(t)＝v_y ^*(t)-v_y(t)；

控制模块，根据期望的汽车横向速度差，按照以下公式得到方向盘转角，并根据得到的方向盘转角对汽车方向盘进行控制：

θ(s)＝e_vy(s)×G_d(s)

式中，θ(s)表示方向盘转角；e_vy(s)为用复频域表示的期望的汽车横向速度差；G_d(s)为传递函数，根据下式得到：

$G_d\left(s\right)=\frac{{\mathrm{\&omega;}}_c}{v}(P+Ds)$

$P=\frac{k_0}{l_0},D=\frac{k_1+k_0{T}_h}{l_0}-\frac{k_0{l}_1}{l_0^2}$

$k_0=\frac{l_r{c}_r-l_f{c}_f}{I_z}+\frac{c_f{c}_r{L}^2}{{\mathrm{mv}}^2{I}_z},k_1=\frac{{l_f}^2{c}_f+{l_r}^2{c}_r}{{\mathrm{vI}}_z}+\frac{c_f+c_r}{mv},l_0=\frac{{\mathrm{Lc}}_f{c}_r}{{\mathrm{mvI}}_z},l_1=\frac{l_f{\mathrm{Lc}}_f{c}_r}{{\mathrm{mv}}^2{I}_z}$

其中，m为汽车整车质量，单位为kg；v为车速，单位为m/s；I_z为汽车横摆转动惯量，单位为kg·m²；L为汽车前后轴距离，单位为m；l_f为汽车整车质心到前轴的距离，单位为m；l_r为汽车整车质心到后轴的距离，单位为m；c_f为汽车前轮的等效侧偏刚度，单位为N/rad；c_r为汽车后轮的等效侧偏刚度，单位为N/rad；T_h为预设的驾驶员的手臂惯性延时，单位为s；ω_c为人车闭环***的截止频率，单位为rad/s；s为拉布拉斯算子。

5.如权利要求4所述基于驾驶员模型的汽车方向智能控制***，其特征在于，所述驾驶员的手臂惯性延时T_h的取值范围为0.1-0.3s。

6.如权利要求4所述基于驾驶员模型的汽车方向智能控制***，其特征在于，所述人车闭环***的截止频率ω_c的取值范围为1～6rad/s。