CN105676643A - 一种智能汽车转向和制动自适应协调控制方法 - Google Patents

Abstract

一种智能汽车转向和制动自适应协调控制方法，属于自动驾驶与智能交通领域。1)设计期望路径的识别方法，建立智能汽车转向和制动耦合动力学模型；2)以车辆横向路径跟踪和制动速度控制为目标，采用反步滑模控制技术设计智能汽车转向和制动协调控制模块；3)设计模糊***在线实时地近似步骤2)中的趋近控制律，实现对趋近控制律的自适应调节，从而减弱转向和制动动态协调控制中反步滑模引起的抖振现象；4)分析智能汽车转向和制动动态协调控制***的稳定性。有效克服车辆转向、制动动力学的强耦合、非线性和参数不确定性等特性，保证紧急避障的实时性和稳定性，消除对控制模型的依赖，增强对参数不确定性的鲁棒性，提高整体性能，降低成本。

Description

一种智能汽车转向和制动自适应协调控制方法

技术领域

本发明属于自动驾驶与智能交通领域，特别是涉及一种智能汽车转向和制动自适应协调控制方法。

背景技术

智能汽车致力于提高车辆的安全、舒适及节能等综合性能，是智能控制、现代传感、信息通信等高新科技在车辆工程中综合应用的体现。智能汽车驾驶任务的自动完成可极大地提高道路的通行能力，增强车辆行驶的安全性和舒适性，有效减低车辆的燃油消耗量，实现环保节能，具有广泛的实际社会应用价值。

导航控制是实现智能汽车自动驾驶的关键环节，其主要研究如何控制车辆沿实时规划的路径、速度行驶，并保证车辆的行驶安全性、平稳性与乘坐舒适性，决定着车辆的避障能力，是影响智能汽车自动驾驶质量的决定性因素。

现有的导航控制***，多采用单独设计互不相关的自动转向、制动控制***。文献1(PerezJoshue,etc.CascadeArchitectureforLateralControlinAutonomousVehicles[J].IEEETransactionsonIntelligentTransportationSystems,2011,12(1):73-82.)报道一种智能汽车转向分层控制方法。文献2(WangJianqiang,etc.AnAdaptiveLongitudinalDrivingAssistanceSystemBasedonDriverCharacteristics[J].IEEETransactionsonIntelligentTransportationSystems,2013,14(1):12.)报道一种基于驾驶员特性自学习的纵向制动控制方法。然而，紧急避障工况下，车辆的转向、制动动力学之间存在强耦合关系，且具有强非线性，参数不确定特性，将转向控制和制动控制分开考虑将容易导致方向盘、制动操作频繁，难以保证紧急避障的实时性和稳定性，降低智能汽车自动驾驶的整体性能。

发明内容

本发明的目的是为了解决现有技术中存在的上述技术问题，提供可有效克服车辆转向、制动动力学的强耦合、非线性和参数不确定性等特性，保证紧急避障的实时性和稳定性，消除对控制模型的依赖，增强对参数不确定性的鲁棒性，提高整体性能，降低成本的一种智能汽车转向和制动自适应协调控制方法。

本发明包括以下步骤：

1)设计期望路径的识别方法，建立智能汽车转向和制动耦合动力学模型；

2)以车辆横向路径跟踪和制动速度控制为目标，采用反步滑模控制技术设计智能汽车转向和制动协调控制模块；

3)设计模糊***在线实时地近似步骤2)中的趋近控制律，实现对趋近控制律的自适应调节，从而减弱转向和制动动态协调控制中反步滑模引起的抖振现象；

4)分析智能汽车转向和制动动态协调控制***的稳定性。

在步骤1)中，所述设计期望路径的识别方法，建立智能汽车转向和制动耦合动力学模型的具体方法可为：

(1)车载CCD采集图像，设计基于视觉的智能汽车期望路径实时识别方法，快速提取出车辆行驶前方的期望行驶路径；

(2)计算智能汽车相对于期望路径的横向偏差y_e和方位偏差当前车速v由车载速度测量仪测量，期望速度v_p由车辆规划仪提供，计算当前速度偏差v_e，并将位置偏差、速度偏差等信号载入车载微处理器；

(3)确定横向偏差、方位偏差和速度偏差为状态变量，前轮转角和制动压力为控制输入量，对智能汽车转向和制动耦合动力学***建模。

在步骤2)中，所述以车辆横向路径跟踪和制动速度控制为目标，采用反步滑模控制技术设计智能汽车转向和制动协调控制模块的具体方法可为：

(1)采用反步递推法推导出智能汽车转向和制动动态协调的等效控制律，确保车辆横向位置偏差、纵向速度偏差和运动状态一致有界收敛致理想状态；

(2)利用反步滑模的到达条件设计趋近控制律，用于有效克服智能汽车动力学模型的参数不确定性及外部干扰；

(3)综合步骤(1)中的等效控制律和步骤(2)中的趋近控制律，得到车辆转向和制动协调控制律。

在步骤3)中，所述设计模糊***在线实时地近似步骤2)中的趋近控制律，实现对趋近控制律的自适应调节，从而减弱转向和制动动态协调控制中反步滑模引起的抖振现象的具体方法可为：

(1)利用模糊逻辑在线实时地模拟趋近控制律切换函数，采用专家经验法确定模糊逻辑的控制规则，实现对转向和制动协调控制中趋近控制切换函数的精确逼近；

(2)设计趋近控制律中控制增益的自适应模糊调节器，在线实时调节趋近控制律中的增益系数；

(3)***控制信号前轮转角和制动压力输入车载微处理器，操纵***导航控制模块的动态协调控制器作用，使得当前横向偏差和速度偏差趋近于零，运动状态趋近于期望值。

在步骤4)中，所述分析智能汽车转向和制动动态协调控制***的稳定性的具体方法可为：

(1)建立Lyapunov函数，求其时间导数；

(2)设计满足Lyapunov稳定性的条件，实现转向和制动的动态协调控制。

本发明的技术效果是：采用转向和制动自适应动态协调控制方法，有效地克服了车辆转向和制动动力学的强耦合性，非线性特性、未建模动态等因素引起的干扰，明显改善了控制***性能和消除了颤抖现象，提高了控制***的精度、可靠性和稳定性，保证紧急避障的实时性和稳定性，消除了对控制模型的依赖，增强了对参数不确定性的鲁棒性，提高了整体性能、降低了成本。

附图说明

图1是本发明的转向/制动自适应协调控制结构方案示意图。

图2是本发明的期望路径识别流程图。

图3是本发明的采集图像中路径偏差信息示意图。

图中：XOY是车辆纵向中心线OY与车辆横向中心线OX组成的坐标系；O是车辆纵向中心线OY与车辆横向中心线OX的交点；O₁是预瞄点；O₁X₁是过预瞄点且平行于车辆横向中心线OX的直线。

图4是本发明的车辆预瞄运动学示意图。

图5是模糊逻辑逼近切换函数中输入变量S(t)和的隶属度函数示意图。

图6是模糊逻辑逼近切换函数中输出变量u_FMSC的隶属度函数示意图。

图7是自适应控制增益中输入变量e(t)和的隶属度函数示意图。

图8是自适应控制增益中输出变量λ_r的隶属度函数示意图。

具体实施方式

如图1所示，本发明首先基于反步滑模控制技术推导出由等效控制律和趋近控制律组成的转向和制动协调控制律，其次通过模糊逻辑逼近趋近控制律的切换函数，并设计自适应调节器在线实时调节控制增益系数。

本发明包括基于视觉的智能汽车转向和制动耦合动力学模型建模过程，协调控制设计过程，控制增益自适应调节器设计过程和稳定性分析过程四部分。

步骤1:采用视觉识别期望路径，建立基于视觉的智能汽车转向和制动耦合动力学模型，具体步骤包含如下

步骤1.1:对车载CCD摄像机进行标定，通过CCD摄像机实时采集前方的环境信息，如图2所示，先对采集的图像进行图像滤波，边缘检测，轮廓提取、形态学处理，最后进行曲线拟合准确实时地识别并提取出车辆前方期望行驶路径，对于图像中的点坐标(xi,y_i),i＝0,1,...,m，期望路径拟合曲线的计算公式为：

式中，为线性无关的基函数，y(x)为拟合曲线，c_j(j＝0,1,...,n)拟合曲线系数。

采用最小二乘法确定拟合系数c₀,c₁,…,c_n，使得如下误差平方和z最小：

$z=\underset{i=0}{\overset{m}{\Σ}}{\left(y\right(x_i)-y_i)}^2$

步骤1.2：在参考路径曲线与过预瞄点且平行于图像横向中心线的直线相交处作切线，获知智能汽车相对于行驶路径的所需的位置信息，如图3所示，y_e为视觉预瞄点处车辆中心线与路径的横向偏差，为视觉预瞄点处车辆中心线与路径切线的夹角，拟合路径曲线与直线O₁X₁交点处P(x₀,y₀)的横向偏差和方位偏差计算公式为：

$y_e=\mathrm{\γ}\·(x_0-\frac{w_1}{2})$

其中，w₁为图像的宽度，γ为像素点与实际距离比例系数，K_d为切线斜率。

步骤1.3：设计描述智能汽车相对位置偏差变化率的预瞄运动学模型，如图4所示，以横向偏差、方位偏差、速度偏差、纵向速度、横向速度和横摆角速度为状态变量，建立含不确定因素和外部干扰的智能汽车转向和制动耦合动力学模型，如下：

${\stackrel{\·}{v}}_e=a_x-a_p$

${\stackrel{\·}{v}}_x=f_0+g_0{\mathrm{\δ}}_f+g_1{P}_b+\mathrm{\τ}\left({\mathrm{\Δ}}_x\right)$

${\stackrel{\·}{v}}_y=f_1+g_2{\mathrm{\δ}}_f+\mathrm{\τ}\left({\mathrm{\Δ}}_y\right)$

$\stackrel{\·\·}{\mathrm{\ψ}}=f_2+g_3{\mathrm{\δ}}_f+\mathrm{\τ}\left({\mathrm{\Δ}}_{\stackrel{\·}{\mathrm{\ψ}}}\right)$

式中，

$f_0=-f_{R}g-\frac{c_x{v}_x^2}{m}+v_y\stackrel{\·}{\mathrm{\ψ}},$

$f_1=\frac{-2(C_f+C_r)v_y}{{\mathrm{mv}}_x}-\[v_x+\frac{2(C_f{l}_f-C_r{l}_r)}{{\mathrm{mv}}_x}\]\stackrel{\·}{\mathrm{\ψ}}-\frac{c_y{v}_y^2}{m},$

$f_2=\frac{-2(C_f{l}_f^2+C_r{l}_r^2)\stackrel{\·}{\mathrm{\ψ}}}{I_z{v}_x}-\frac{2(C_f{l}_f-C_r{l}_r)v_y}{I_z{v}_x},$

$g_0=\frac{2C_f(v_y+l_f\stackrel{\·}{\mathrm{\ψ}})}{{\mathrm{mv}}_x};g_1=\frac{K_b}{{\mathrm{mr}}_w};$

$g_2=\frac{2C_f}{m};g_3=\frac{2C_f{l}_f}{I_z}$

其中，K_L代表曲率，D_L代表预瞄距离，v_e为速度偏差，v_x、v_p分别为车辆的实际速度和期望速度，表示车辆的横摆角速度，a_x、a_p分别为车辆的实际加速度和期望加速度，m为车辆质量，l_f和l_r分别为前后轮间轴距及质心到前后轮的距离，c_x和c_y分别为纵、横向空气阻力系数，f_R表示滚动阻力系数，I_z为车辆转动惯量，C_f和C_r分别为前后轮胎侧偏刚度，g表示重力加速度，δ_f表示前轮转角，P_b表示制动压力，K_b表示制动压力系数，r_w为车轮半径，τ(Δ_x)、τ(Δ_y)和分别为由未建模动态和时变参数引起的不确定项。

步骤2：以车辆横向路径跟踪和制动速度控制为目标，采用反步滑模控制技术设计转向和制动动态协调控制模块，确定有界控制输入δ_f和P_b，使得横向位置偏差和速度偏差有界稳定收敛，实现对期望路径和制动速度的精确跟踪控制，主要包括以下四个步骤：

步骤2.1：采用反步递推法推导出智能汽车转向和制动动态协调的等效控制律，确保车辆横向位置偏差、纵向速度偏差和运动状态一致有界收敛至理想状态，包括：

步骤2.2.1：定义转向控制误差信号s1：

s₁＝y_e

选择Lyapunov函数对该函数沿s1求取时间导数，并将横向位置偏差变化律代入导函数

定义为虚拟控制输入信号，为保证导函数可得虚拟控制的期望输入量α₁为：

a₁＝-k₁s₁+v_y

其中k₁为正实数。

定义虚拟误差变量s₂为：

将上式代入导函数有：

${\stackrel{\·}{V}}_{lat0}=s_1{s}_2-k_1{s}_1^2$

当转向和制动压力控制输入量P_b、δ_f使得s₂收敛于0或收敛于某一较小的值，可保证从而可保证s₁收敛于0或一致有界收敛。

步骤2.1.2:选择Lyapunov函数V_lat1：

$V_{lat1}=V_{lat0}+\frac{1}{2}{s}_2^2$

对上式求时间导数，得到：

${\stackrel{\·}{V}}_{lat1}={\stackrel{\·}{V}}_{lat0}+s_2{\stackrel{\·}{s}}_2=-k_2{s}_1^2+s_1{s}_2+s_2{\stackrel{\·}{s}}_2$

假定：

$s_1+{\stackrel{\·}{s}}_2=-k_2{s}_2$

其中k₂为正实数，对虚拟误差变量求导，带入得到：

将代入上式，求得转向和制动耦合控制输入量：

可保证Lyapunov稳定性条件成立：

${\stackrel{\·}{V}}_{lat1}=-k_1{s}_1^2-k_2{s}_2^2\≤0$

其中η₁为s₂求导引起的有界不确定函数。

步骤2.1.3:定义制动控制误差信号p₁：

p₁＝v_e

确定Lyapunov函数为：

$V_{logit0}=\frac{1}{2}{p}_1^2$

对上式求时间导数：

${\stackrel{\·}{V}}_{logit0}=p_1{\stackrel{\·}{p}}_1=p_1{\stackrel{\·}{v}}_e=p_1(a_x-a_p)$

求出转向和制动耦合控制输入量为：

$g_0{\mathrm{\δ}}_f+g_1{P}_b=-f_0-{\mathrm{\ξ}}_1+{\stackrel{\·}{v}}_p-l_1{p}_1$

可保证Lyapunov稳定性条件成立，即确保p₁趋近于零。

其中l₁为一正实数，ξ₁为对求导引起的有界不确定函数。

步骤2.1.4：综合步骤2.1.2和步骤2.1.3求出的协调控制输入，便可得前轮转角和制动压力的等效控制：

式中：P_beq为制动压力等效控制输入，δ_beq为前轮转角等效控制输入。

为用于补偿不确定函数ξ₁、η₁的非线性阻尼项，ζ₁和ε₁均为正实数。

步骤2.2：设计趋近控制律用于克服智能汽车模型参数不确定性和外部干扰，如下：

$u_s\left(t\right)=\left[\begin{array}{c}{P}_{bs}\\ {\mathrm{\δ}}_{fs}\end{array}\right]=\left\{\begin{array}{c}{\mathrm{\λ}}_{1}sign\left(p_1\right)\\ {\mathrm{\λ}}_{2}sign\left(s_2\right)\end{array}\right.$

式中，P_bs为制动压力补偿控制输入，δ_fs为前轮转角补偿控制输入，sign(·)表示切换函数，λ₁，λ₂为正实数。

步骤2.3：综合步骤2.1求出的等效控制和步骤2.2求出的趋近控制律，得转向和制动协调控制律为：

其中，T_ed和δ_fd分别为期望制动压力和期望前轮转角。

步骤3：设计模糊***在线实时地逼近步骤2中的趋近控制律，实现对趋近控制律的自适应调节器，从而减弱转向和制动动态协同中反步滑模控制引起的抖振现象。自适应调节模块设计过程为：

步骤3.1：用模糊逻辑拟合趋近控制律中的切换模块sign(p₁)和sign(s₂)，趋近控制律可写为：

$u_s\left(t\right)=\left[\begin{array}{c}{\mathrm{\λ}}_1{u}_{FMSC}(p_1,{\stackrel{\·}{p}}_1)\\ {\mathrm{\λ}}_2{u}_{FMSC}(s_2,{\stackrel{\·}{s}}_2)\end{array}\right]$

其中，u_FMSC(·)是模糊逻辑的控制输出，其值由归一化的s₂和p₁和决定。

定义切换流形S(t)＝[p₁s₂]^T，选择切换流形S(t)和切换流形导数为模糊控制的输入变量，为模糊控制的输出变量。

设计输入变量S和的模糊子集隶属度函数为梯形函数和三角函数，如图5所示。设计模糊控制输出变量uFMSC的模糊子集隶属度函数为单值函数，如图6所示。

设置输入变量和输出变量对应模糊子集语言变量均为{NB,NM,NS,NZ,PS,PM,PB}，其中NB、NM、NS、NZ、PS、PM、PB分别称为“负大”、“负中”、“负小”、“零”、“正小”、“正中”、“正大”。

采用专家经验法确定模糊滑模的控制规则，模糊逻辑逼近切换函数中模糊控制规则表如表1所示，每一条模糊控制规则由下面形式的“IF-THEN”模糊语句构成：

$R^{\left(i\right)}:IFS\left(t\right)is{A}_1^{i}AND\stackrel{\·}{S}\left(t\right)is{A}_2^{i}THEN{u}_{FMSC}is{B}^i$

其中，和为输入变量模糊子集的语言变量，Bⁱ是输出变量模糊子集的语言变量。i＝1,2,...,49代表模糊控制规则的数目。举例说明，其中一条模糊控制规则可表示为：

$IFS\left(t\right)isPBAND\stackrel{\·}{S}\left(t\right)isPBTHEN{u}_{FMSC}isNB$

该控制律表示***状态在切换流形上方且远离切换流形，因此，控制行为为负大，控制行为可使***状态迅速回到切换流形。

表1

模糊推理采用Mamdani的max-min合成法，采用重心法进行解模糊运算，确定出趋近控制律的

步骤3.2：设计基于自适应模糊逻辑的控制增益调节器。定义偏差向量e(t)＝[y_ev_e]^T，选取偏差e(t)和偏差变化律为模糊逻辑的输入变量，选取控制增益λ_r＝diag{λ₁,λ₂}为模糊逻辑的输出变量。

设计输入变量e(t)和的模糊子集隶属度函数为三角函数，如图7所示。设计输出变量λ_r＝diag{λ₁,λ₂}的模糊子集隶属度函数为三角函数，如图8所示。

设置输入变量模糊子集的语言变量为{NB,NM,NS,ZE,PS,PM，PB}，其中NB、NM、NS、NZ、PS、PM、PB分别称为“负大”、“负中”、“负小”、“零”、“正小”、“正中”、“正大”。设置输出变量模糊子集的语言变量为{VVS,VS，S，M，B，VB，VVB}，其中VVS、VS、S、M、B、VB、VVB分别代表“非常小”、“较小”、“小”、“中”、“大”、“较大”、“非常大”。

确定自适应模糊逻辑控制增益的控制规则，自适应控制增益调节器中模糊控制规则表如表2所示，每一条模糊控制规则表示为如下的形式：

$R^{\left(i\right)}:IFe\left(t\right)is{E}_1^{i}and\stackrel{\·}{e}\left(t\right)is{E}_2^i{\mathrm{THEN\λ}}_{r}is{F}^i$

其中，和分别为输入变量模糊子集的语言变量，Fⁱ为输出变量模糊子集的语言变量。i＝1,2,...,49表示模糊控制规则的数目。

采用Mandani的max-min法进行模糊逻辑推理，运用重心法进行解模糊运算，实时求出控制增益λ_r。

表2

步骤3.3：***控制信号前轮转角和制动压力输入车载微处理器，操纵***自动控制模块的动态协调控制器作用，使得当前偏差趋近于零，运动状态趋近于期望值。

步骤4：基于Lyapunov稳定性理论条件，验证控制方法的有效性和稳定性，分析转向和制动协调闭环控制***的稳定性：

步骤4.1：选择Lyapunov方程V＝V_lat1+V_long，求导得：

$\begin{array}{c}\stackrel{\·}{V}={\stackrel{\·}{V}}_{lat1}+{\stackrel{\·}{V}}_{long}\\ =-k_1{s}_1^2+s_1{s}_2+s_2{\stackrel{\·}{s}}_2+p_1{\stackrel{\·}{p}}_1\end{array}.$

步骤4.2：将协调控制律代入和求出对控制***的收敛性进行分析，根据Lyapunov稳定性判据可知***是否稳定：

若控制***稳定，则实现转向和制动的动态协调控制。

若控制***不稳定，则返回步骤2，重新设计***的控制器。

以上内容是结合优选技术方案对本发明所做的进一步详细说明。

Claims (5)

1.一种智能汽车转向和制动自适应协调控制方法，其特征在于包括以下步骤：

1)设计期望路径的识别方法，建立智能汽车转向和制动耦合动力学模型；

2)以车辆横向路径跟踪和制动速度控制为目标，采用反步滑模控制技术设计智能汽车转向和制动协调控制模块；

3)设计模糊***在线实时地近似步骤2)中的趋近控制律，实现对趋近控制律的自适应调节，从而减弱转向和制动动态协调控制中反步滑模引起的抖振现象；

4)分析智能汽车转向和制动动态协调控制***的稳定性。

2.如权利要求1所述一种智能汽车转向和制动自适应协调控制方法，其特征在于在步骤1)中，所述设计期望路径的识别方法，建立智能汽车转向和制动耦合动力学模型的具体方法为：

(1)车载CCD采集图像，设计基于视觉的智能汽车期望路径实时识别方法，快速提取出车辆行驶前方的期望行驶路径；

(2)计算智能汽车相对于期望路径的横向偏差y_e和方位偏差当前车速v由车载速度测量仪测量，期望速度v_p由车辆规划仪提供，计算当前速度偏差v_e，并将位置偏差、速度偏差等信号载入车载微处理器；

(3)确定横向偏差、方位偏差和速度偏差为状态变量，前轮转角和制动压力为控制输入量，对智能汽车转向和制动耦合动力学***建模。

3.如权利要求1所述一种智能汽车转向和制动自适应协调控制方法，其特征在于在步骤2)中，所述以车辆横向路径跟踪和制动速度控制为目标，采用反步滑模控制技术设计智能汽车转向和制动协调控制模块的具体方法为：

(1)采用反步递推法推导出智能汽车转向和制动动态协调的等效控制律，确保车辆横向位置偏差、纵向速度偏差和运动状态一致有界收敛致理想状态；

(2)利用反步滑模的到达条件设计趋近控制律，用于有效克服智能汽车动力学模型的参数不确定性及外部干扰；

(3)综合步骤(1)中的等效控制律和步骤(2)中的趋近控制律，得到车辆转向和制动协调控制律。

4.如权利要求1所述一种智能汽车转向和制动自适应协调控制方法，其特征在于在步骤3)中，所述设计模糊***在线实时地近似步骤2)中的趋近控制律，实现对趋近控制律的自适应调节，从而减弱转向和制动动态协调控制中反步滑模引起的抖振现象的具体方法为：

(1)利用模糊逻辑在线实时地模拟趋近控制律切换函数，采用专家经验法确定模糊逻辑的控制规则，实现对转向和制动协调控制中趋近控制切换函数的精确逼近；

(2)设计趋近控制律中控制增益的自适应模糊调节器，在线实时调节趋近控制律中的增益系数；

(3)***控制信号前轮转角和制动压力输入车载微处理器，操纵***导航控制模块的动态协调控制器作用，使得当前横向偏差和速度偏差趋近于零，运动状态趋近于期望值。

5.如权利要求1所述一种智能汽车转向和制动自适应协调控制方法，其特征在于在步骤4)中，所述分析智能汽车转向和制动动态协调控制***的稳定性的具体方法为：

(1)建立Lyapunov函数，求其时间导数；

(2)设计满足Lyapunov稳定性的条件，实现转向和制动的动态协调控制。