CN107264534B - 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 - Google Patents
基于驾驶员经验模型的智能驾驶控制***和方法、车辆 Download PDFInfo
- Publication number
- CN107264534B CN107264534B CN201710366037.XA CN201710366037A CN107264534B CN 107264534 B CN107264534 B CN 107264534B CN 201710366037 A CN201710366037 A CN 201710366037A CN 107264534 B CN107264534 B CN 107264534B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- module
- driving
- steering mechanism
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0029—Mathematical model of the driver
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明涉及一种智能驾驶控制***和方法、车辆。智能驾驶控制***包括:驾驶员模型模块,用于收集驾驶员操作信息和期望路径信息,结合车辆运动信息预测车辆未来时刻的行驶状态参量;预瞄控制模型模块,用于计算横向校正角度并判断车辆下一时刻的正确行驶模式;路径跟踪控制模块,用于将参量转化成整车***模块可执行的控制量;整车***模块,用于响应从跟踪控制模块得到的控制量,以控制车辆运动,并反馈车辆运动参数。本发明提出的智能驾驶控制***和方法不仅能够预测车辆未来一段时间的一系列行驶状态,而且可以根据真实的驾驶环境基于车辆行驶效果自适应地调节转向控制量,进而提高车辆行驶的安全性和准确性。
Description
技术领域
本发明涉及智能车辆控制技术领域,尤其涉及一种基于驾驶员经验模型的智能驾驶控制***和方法、车辆。
背景技术
无人驾驶技术作为当今车辆的前沿技术受到了各国学者的广泛关注,路径跟踪控制技术作为无人驾驶车辆的关键技术之一,已成为了无人驾驶技术研究的核心内容。然而,目前大多数的车辆控制技术都是基于车辆自身的特性,从车辆的运动学和动力学模型出发对车辆进行自主控制,而忽略了驾驶员在各种路况下基于驾驶经验对于车辆的控制作用,尤其是不同工况下的车辆横向与纵向的配合操作。这使得自主驾驶车辆难以实现类人驾驶,更不能满足车辆自主行驶过程中的舒适性和安全性。
实际行驶的车辆***是一个复杂的非线性、变参数耦合***,在不同的行驶工况和地面条件下,***内部参数存在很大的不确定性,特别是在车辆行驶过程中横向与纵向运动具有很强的耦合关系。例如,当驾驶员在弯道行驶的情况下,车辆行驶速度不能过高,否则可能造成车辆侧倾的危险;当驾驶员实现加减速和升降挡的过程中,需考虑到车辆是否存在转向行为。因此,智能车辆在实现自主控制时需要综合考虑横向和纵向的耦合关系,结合车辆行驶状态对控制量进行实时补偿,以此来提高控制精度和效果,改善车辆***的路径跟踪性能。
虽然,目前的车辆控制方法可以根据车辆的实时状态,实现控制量的自适应修正,提供车辆的通过性,但是不能根据驾驶员的驾驶经验配合转向控制机构和油门量的协调关系,因此存在无法满足车辆控制的精确性和稳定性,并且忽略了不同路况下的驾驶需求的问题。
发明内容
鉴于上述的分析,本发明旨在提供一种基于驾驶员经验模型的智能驾驶控制***和方法,用以解决现有技术中不能根据驾驶员的驾驶经验配合转向控制机构和油门量的协调关系的问题,达到能够根据驾驶员的驾驶经验纠正控制变量,调节车辆的行驶性能的目的。
本发明的目的主要是通过以下技术方案实现的:
提供了一种智能驾驶控制***,包括:驾驶员模型模块、预瞄控制模型模块、路径跟踪控制模块和整车***模块。
其中,驾驶员模型模块,用于收集驾驶员操作信息和期望路径信息,结合车辆运动信息预测车辆未来时刻的行驶状态参量;
预瞄控制模型模块,用于计算横向校正角度并判断车辆下一时刻的正确行驶模式;
路径跟踪控制模块,用于将驾驶员模型模块和预瞄控制模型模块分别输出的参量转化成整车***模块可执行的控制量;
整车***模块,用于响应从跟踪控制模块得到的控制量,以控制车辆运动,并反馈车辆运动参数至驾驶员模型模块、预瞄控制模型模块和路径跟踪控制模块。
具体的,所述驾驶员模型模块中的驾驶员操作信息包括车辆转向***参数和油门增量;期望路径信息包括目标路径点信息;行驶状态参量包括转向机构位置的期望值范围和油门增量期望值。
进一步的,所述驾驶员模型模块中的驾驶员模型是经过学习驾驶员真实经验数据训练得到的,具体采用高斯混合隐马尔可夫算法对驾驶员模型进行训练。
具体的,驾驶员模型具体通过以下方法获得:
获取各工况下真实驾驶数据;
对真实驾驶数据进行滤波和异常值剔除处理;
针对不同挡位和不同车速下的片段,对真实驾驶数据进行分割;
利用混合高斯模型算法对经过处理后的数据进行聚类,得到车速的GMM聚类模型、车辆航向偏差的GMM聚类模型、转向机构位移的GMM聚类模型和油门踏板位移的GMM聚类模型;
将转向机构位移的聚类结果和油门踏板位移的聚类结果作为隐藏状态参量,将车速的聚类结果、车辆航向偏差的聚类结果和挡位信息作为观测状态参量,根据真实驾驶数据,基于隐马尔可夫算法对驾驶员模型进行训练,最终得到转向机构位置选择的驾驶员模型和油门增量选择的驾驶员模型,驾驶员模型模块包括这两个驾驶员模型。
具体的,所述预瞄控制模型模块具体用于:
计算预瞄路径点与无人车实际位置的横向距离x和航向变化偏差
预瞄路径点上的期望车速为v,通过公式计算期望的横向校正角度;其中k是增益参数;
计算得到的横向校正角度用于判断车辆的行驶模式M:当|δ|<0.08时,M输出直线行驶模式;当0.08≤|δ|<0.3时,M输出小幅度转向模式;当|δ|≥0.3时,M输出大幅度转向模式。
进一步的,所述路径跟踪控制模块制定了车辆不同行驶模式下各输出控制量的控制规则,并对智能驾驶控制***的参数做实时计算和修改,同时为控制量的自适应控制提供约束。
本发明还提供了一种智能驾驶控制方法,包括:
S1.驾驶员模型模块获取驾驶员操作信息和期望路径信息,根据驾驶员操作信息和期望路径信息,计算并输出行驶状态参量;
S2.预瞄控制模型模块根据获取的车辆信息和路径信息,计算并输出横向校正角度δ和车辆行驶模式M;
S3.路径跟踪控制模块将驾驶员模型模块和预瞄控制模型模块得到的控制参量,以及期望挡位转化成车辆底层控制***可执行的控制量;
S4.整车***模块根据路径跟踪控制模块输出的控制量,输出车辆的运动控制参数给各控制***,同时将获取的车辆运动信息反馈给驾驶员模型模块、预瞄控制模型模块和跟踪控制模块。
其中,步骤S3中所述路径跟踪控制模块在车辆不同行驶模式下的期望发动机转速这一控制量的转化方式为:
当预瞄控制模型模块输出的车辆行驶模式M为直线行驶模式时,将转向机构的期望位置赋值为固定值,根据车速和挡位求解期望发动机转速;
当车辆行驶模式M的结果为大幅度转向行驶模式时,根据预瞄控制模型模块输出的横向校正角度δ的符号判断转向方向,然后将转向机构的期望位置赋值为固定值,然后根据驾驶员模块输出的预测油门增量和当前的实际发动机转速,求解期望发动机转速;
当车辆行驶模式M的结果为小幅度转向行驶模式时,根据横向校正角度δ符号判断转向方向,再求解转向机构的期望位置,根据驾驶员模块输出的预测油门增量和当前的实际发动机转速,求解期望发动机转速。
进一步的,当车辆行驶模式M的结果为小幅度转向行驶模式时,还包括按照转向机构的自适应控制逻辑,结合实际的转向需求实时地修改转向机构位置的期望值;
其中,转向机构位置的期望值Sexp的求解方法为:
检测当前t时刻驾驶员模型输出的转向机构位置的预测区间(Smin,Smax);
获取当前t时刻的车辆横摆角速度;
将横摆角速度作为转向机构自适应控制的评价标准,若|ω-ωe|>Δω,增大转向机构的位移,且控制转向机构位置的期望值Sexp在Smin≤Sexp≤Smax范围内;若|ω-ωe|≤Δω,则转向机构位置的期望值维持不变,直到此次转向结束;
其中,Δω为设定阈值,ωe是车辆横摆角速度的一个固定值。
本发明还提供了一种智能驾驶车辆,所述车辆采用上述智能驾驶控制***,并采用上述智能驾驶控制方法进行车辆的驾驶控制。
本发明有益效果如下:
本发明针对现有的速差转向车辆控制***的不足,即现有车辆控制***不能有效协调转向控制机构和纵向控制***的关系,无法满足车辆控制的准确性和平稳性的问题,提出了一种基于驾驶员真实经验数据的具有预测和自适应能力的智能驾驶控制***和方法。智能驾驶控制***和方法基于驾驶员经验模型,该模型通过大量的驾驶员真实数据学习经验驾驶员在行驶过程中横向和纵向操纵的配合关系,不仅能够预测车辆未来一段时间的一系列行驶状态,而且可以根据真实的驾驶环境基于车辆行驶效果自适应地调节转向控制量,进而提高车辆行驶的安全性和准确性,改善车辆在自主跟踪路径过程中的控制精度和稳定性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分的从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为智能驾驶控制***的示意图;
图2为驾驶员模型的训练方法示意图;
图3为车辆行驶模式的判断示意图;
图4为智能驾驶控制方法的示意图;
图5为小幅度转向模式中,转向机构位置的期望值的求解方法。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理。
本发明的一个具体实施例,公开了一种基于驾驶员经验模型的智能驾驶控制***,能够根据驾驶员的驾驶经验纠正控制变量,调节车辆的行驶性能。如图1所示,***包括:驾驶员模型模块、预瞄控制模型模块、路径跟踪控制模块和整车***模块。
其中,驾驶员模型模块,用于收集驾驶员操作信息和期望路径信息,结合车辆运动信息预测车辆未来时刻的行驶状态参量。
其中,所述驾驶员操作信息包括车辆转向***参数和油门增量,所述期望路径信息是指车辆跟踪的目标路径点信息,包括车速和行驶航向等。
所述行驶状态参量包括转向机构位置的期望值范围和油门增量期望值,以离散的序列表示今后的每个时刻车辆以预测状态行驶时各参量的期望值。因车辆***在转向行驶过程中的参数选取具有不确定性,转向机构的位置需结合当前地面条件实时进行修改以达到稳定的行驶效果,所以转向机构位置的期望参量以区间的形式表达,表示预测的转向机构位置在(Smin,Smax)之间波动。油门增量期望值是驾驶员模型模块相对于每个时刻的实际发动机转速输出的期望参量,该期望参量值为正表示加油门,反之则表示减油门。
所述驾驶员模型是通过学习驾驶员真实经验数据得到的,驾驶员模型能够根据驾驶员的驾驶特征、期望道路信息和车辆实际运动信息预测车辆未来时刻的行驶状态。其中,驾驶员的驾驶特征包括驾驶员操作车辆有关的数据,包括转向机构的位移值和油门踏板的位移值;期望道路信息包括期望路径点的航向;车辆实际运动信息包括车辆当前的航向、挡位和车速。将上述所有数据以机器学习(高斯混合隐马尔可夫算法)的方法进行训练,得到驾驶员模型。
训练方法如图2所示,包括如下步骤:
获取各工况下真实驾驶数据,所述真实驾驶数据包括航向变化偏差、车速、挡位、油门踏板位移和转向机构位移等;
利用真实驾驶数据来训练模型时,针对由车辆上的各传感器采集得到的数据中存在的不可避免的噪声和异常值,进行滤波和异常值剔除处理;
为了使训练所得的驾驶员模型能够尽可能地反映车辆大多数的行驶状态,用于训练模型的数据应当包含尽可能多的车辆动作,实现对所有参量取值范围内数据的全覆盖,因此采集驾驶员和车辆数据时,确定了不同挡位和不同车速下的片段,具体包括直驶纠偏驾驶片段、双移线驾驶片段、直角弯及掉头驾驶片段和定曲率弯道驾驶片段;
对这些实验场景中的数据段进行分割;
利用混合高斯模型(GMM)算法对处理后的实验数据进行聚类,从而得到4个主要参量的GMM聚类结果,分别为:车速的GMM聚类模型、车辆航向偏差的GMM聚类模型、转向机构位移的GMM聚类模型和油门踏板位移的GMM聚类模型;
将转向机构位移的聚类结果和油门踏板位移的聚类结果作为隐藏状态参量,将车速的聚类结果、车辆航向偏差的聚类结果和挡位信息作为观测状态参量,基于前述各工况下的真实驾驶数据,基于隐马尔可夫模型(HMM)算法对驾驶员模型进行训练,最终得到两个驾驶员模型,分别为转向机构位置选择的驾驶员模型和油门增量选择的驾驶员模型。两个驾驶员模型组成了驾驶员模型模块。
当车辆处于自主行驶过程中,上述两个经过训练后的驾驶员模型参与车辆的实时控制,对车辆未来时刻的横向和纵向控状态量进行预测,为控制量的自适应修正提供有效依据,从而实现车辆精确地跟踪期望路径的行驶任务。
驾驶员模型根据***输入的一系列期望路点信息和车辆当前的实际运动情况,预测未来一系列的车辆运动状态,车辆的运动情况不仅要满足当前的路况条件,同时还要考虑车辆整个路径跟踪过程中的每个时刻运动状态的平稳过渡。从整个车辆行驶轨迹的角度,分析可能产生的车辆运动状态之间的跳转概率,输出适合实际车辆运动状况且满足一系列期望行驶轨迹条件的最佳状态量。其中,驾驶员模型输出的行驶状态参量包括转向机构位置的期望值范围和油门增量期望值,这些预测状态参量将用于车辆的实时控制***,作为参考量和约束值对车辆实时控制参数进行修正和调节。
驾驶员模型在学习了大量在真实行车环境中的经验驾驶员的操作数据后,得到了车辆行驶过程中的一系列控制量对应关系和各种行车状态的跳转概率分布,一方面为车辆控制中具体参数提供了有效依据,另一方面用来识别预测车辆未来时刻的最佳行驶状态,得到关键控制量的状态参数。模型能应用于发动机、变速器以及转向执行机构等***参数的实时修正,实现“类人”的路径跟踪控制目的。
预瞄控制模型模块,用于获取当前车辆与预瞄路径点的偏差,并判断车辆下一时刻的正确行驶模式。以车辆真实行驶情景为例,在t时刻,该预瞄控制模型模块利用车辆当前的实际位置和期望轨迹计算搜寻得到在预瞄距离L以外距车辆最近的期望路径点作为预瞄路径点,计算预瞄路径点与无人车实际位置的横向距离x和航向变化偏差ψ,预瞄路径点上的期望车速为v。通过模块计算出期望的横向校正角度为
其中,k是一个增益参数,使输出角度正比于横向距离x,距离越大,输出角度越大。横向校正角度并非直接对应车辆的转向执行机构参量,横向校正角度可用于判断车辆的行驶模式M。
为了能够简化车辆在不同车速不同转向程度下的横纵向配合关系,将车辆行驶模式划分为:直线行驶模式、大幅度转向模式和小幅度转向模式。
车辆的行驶模式M的判断方式如图3所示,当|δ|<0.08时,M输出直线行驶模式;当0.08≤|δ|<0.3时,M输出小幅度转向模式;当|δ|≥0.3时,M输出大幅度转向模式。
路径跟踪控制模块,用于将驾驶员模型模块和预瞄控制模型模块分别输出的预测参量和期望参量(δ)转化成车辆底层控制***(整车***模块)可执行的控制量,其控制量包括转向机构的期望位置、期望挡位和发动机转速。鉴于实际车辆以不同的行驶模式来满足不同工况的通过性,车辆在不同的行驶模式下,转向机构位置和油门的控制方法有很大的差异,因此跟踪控制模块制定了车辆不同行驶模式下各输出控制量的控制规则,并引入预测状态参量,对驾驶控制***的相应参数(转向机构的期望位置和发动机期望转速)做合理地实时计算和修改,同时为控制量的自适应控制提供约束,从而调整车辆的性能,改善路径跟踪的效果。
整车***模块包含车辆底层的所有控制***,用于响应跟踪控制模块输出的控制量或驾驶员的操作(如换挡、制动、加速、转向等),以控制车辆的运动,并输出车辆运动参数(如发动机转速、转向机构位置、横摆角速度等)至驾驶员模型模块、预瞄控制模型模块和跟踪控制模块。整车***包括发动机、传动***、行驶***、转向***、制动***以及传感器,该整车***中的传感器主要包括主动轮转速传感器、转向机构位移传感器、惯性导航、油门踏板位移传感器和32线激光雷达传感器。整车***接受跟踪控制模块下发的控制量,执行相应的操作,以控制车辆的行驶。
实施例中公开的智能驾驶***包含具有预测未来车辆运动状态的驾驶员模型模块,该驾驶员模型是以机器学习的方法为基础,通过大量的真实经验驾驶员数据训练得到的。这使得驾驶员模型能够识别和预测未来时刻的车辆运动需求和行驶方式,进而对车辆控制***的参数进行实时地修正和约束,使得车辆控制***在进行自适应调节时能够让车辆状态更快地达到预期效果,提高车辆自主跟踪期望路径的准确性,满足智能车辆在无人驾驶过程中的通过性和安全性。
本发明的另一个具体实施例,提供了一种智能驾驶控制方法,如图4所示,包括如下步骤:
1.驾驶员模型获取驾驶员操作信息和期望路径信息,驾驶员模型模块根据驾驶员操作信息和期望路径信息,计算并输出行驶状态参量,该行驶状态参量包括转向机构位置的期望值范围和油门增量期望值。
2.预瞄控制模型根据获取的车辆信息和路径信息,计算并输出横向校正角度δ和车辆行驶模式M;
3.路径跟踪控制模块将驾驶员模型模块和预瞄控制模型模块输出的参量,以及期望挡位转化成车辆底层控制***可执行的控制量,该控制量包括车辆转向机构的期望位置、期望挡位和期望发动机转速。
其中,期望挡位是由期望道路信息得到的,每个期望路径点都包含期望挡位和期望车速信息,期望挡位的确定方法为:检测当前t时刻预瞄路径点上的期望车速v,将车速按照5个等级划分,得到当前挡位。
具体的,跟踪控制模块制定了车辆不同行驶模式下各输出控制量的控制规则:
·当预瞄控制模型模块输出的车辆行驶模式M为直线行驶模式时,此时车辆没有转向动作,转向机构的位置应该维持在初始状态的位置上,将转向机构的期望位置赋值为固定值,而后根据车速和挡位按照下式求解期望发动机转速。
式中,N为期望发动机转速;v是期望车速;ie为车辆传动比,不同挡位下车辆传动比不同,需根据当前挡位查询具体的ie值;R是车轮半径。
·当车辆行驶模式M的结果为大幅度转向行驶模式时,先根据预瞄控制模型模块输出的横向校正角度δ的符号判断转向方向,δ为正表示右转,δ为负表示左转。当车辆向右大幅度转向时,转向机构的位置应该保持在右侧最大行程的位置上;当车辆向左大幅度转向时,转向机构的位置应该保持在左侧最大行程的位置上。根据当前的横向校正角度δ符号判断得到转向方向后,将转向机构的期望位置赋值为固定值;然后根据驾驶员模块输出的预测油门增量和当前的实际发动机转速,求解期望发动机转速。其中,期望发动机转速=当前实际发动机转速+预测油门增量。
·当车辆行驶模式M的结果为小幅度转向行驶模式时,其基本步骤与大幅度转向模式大体一致,首先根据横向校正角度δ符号判断转向方向,而后求解转向机构的期望位置,最后根据驾驶员模块输出的预测油门增量和当前的实际发动机转速,求解期望发动机转速。车辆在进行小幅度转向时,转向机构的位置不确定,此时需按照转向机构的自适应控制逻辑,结合实际的转向需求实时地修改转向机构位置的期望值。
其中,车辆进入小幅度转向模式后,所述转向机构的期望位置,即转向机构位置的期望值Sexp求解方法随实际的转向效果具有自适应性。如图5所示,检测当前t时刻驾驶员模型输出的转向机构位置的预测区间(Smin,Smax),从惯性导航传感器获取当前t时刻的车辆横摆角速度;将该横摆角速度作为操转向机构自适应控制的评价标准,若|ω-ωe|>Δω,说明此时车辆的转向程度不能满足转向需求,增大转向机构的位移,但转向机构位置的期望值Sexp需限制在Smin≤Sexp≤Smax范围内;若|ω-ωe|≤Δω,说明此时车辆的转向程度可以满足转向需求,则转向机构位置的期望值维持不变,直到此次转向结束。其中,Δω为设定的阈值,优选取±0.3rad/s,ωe是一个车辆横摆角速度的一个固定值,该车辆横摆角速度的固定值是通过大量反复实验得到的参数,ωe的值与车速和转向需求相关。
4.整车***模块包含车辆底层的所有控制***,根据路径跟踪控制模块输出的控制量,输出车辆的运动控制参数给各个控制***;同时整车***模块还将获取的车辆运动信息(车辆运动参数,如发动机转速、转向机构位置、横摆角速度等)反馈给驾驶员模型、预瞄控制模型模块和跟踪控制模块。
本实施例公开的智能驾驶控制方法,在智能车辆自主驾驶的过程当中,能够将驾驶员的操控方法考虑在内,融入经验驾驶员的参考数据,建立驾驶员模型,并通过驾驶员模型识别预测车辆期望道路行驶条件下的驾驶意图和运动需求,对车辆控制***的相应参数提供有效的依据和实时的调整,使得车辆控制符合经验驾驶员的操作习惯,让车辆的行驶性能满足期望效果和安全需求,克服智能车辆在自主转向过程中的多种不确定性,结合车辆实际的行驶工况和路面条件对车辆控制量进行实时的修正,达到最大可能地“类人”的控制目的,使得车辆控制***兼具“预测”和“自适应”的特征。
本发明的第三具体实施例,公开了一种智能驾驶车辆,所述车辆包括上述智能驾驶控制***,并采用上述智能驾驶控制方法进行车辆的驾驶控制。
综上所述,本发明实施例提供了一种基于驾驶员经验模型的智能驾驶控制***和方法,以及使用上述控制***和方法的车辆,通过应用该***和方法,在驾驶车辆的过程当中,能够将驾驶员的驾驶经验和操作习惯考虑在内,通过建立驾驶员模型,一方面为车辆控制中具体参数提供有效依据,另一方面用来识别预测车辆未来时刻的行驶状态,并根据该识别和预测结果,对路径跟踪控制***的相应参数做合理地实时修改,同时为控制量的自适应控制提供约束,从而调整车辆的性能,使车辆实际行驶效果满足目标精度以及安全需求,达到了改善智能车辆路径跟踪控制精度的目的。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种智能驾驶控制***,其特征在于,包括:驾驶员模型模块、预瞄控制模型模块、路径跟踪控制模块和整车***模块;
其中,驾驶员模型模块,用于收集驾驶员操作信息和期望路径信息,结合车辆运动信息预测车辆未来时刻的行驶状态参量;
预瞄控制模型模块,用于计算横向校正角度并判断车辆下一时刻的正确行驶模式;
路径跟踪控制模块,用于将驾驶员模型模块和预瞄控制模型模块分别输出的参量转化成整车***模块可执行的控制量;
整车***模块,用于响应从跟踪控制模块得到的控制量,以控制车辆运动,并反馈车辆运动参数至驾驶员模型模块、预瞄控制模型模块和路径跟踪控制模块;
所述驾驶员模型模块中的驾驶员模型具体通过以下方法获得:
获取各工况下真实驾驶数据;
对真实驾驶数据进行滤波和异常值剔除处理;
针对不同挡位和不同车速下的片段,对真实驾驶数据进行分割;
利用混合高斯模型算法对经过处理后的数据进行聚类,得到车速的GMM聚类模型、车辆航向偏差的GMM聚类模型、转向机构位移的GMM聚类模型和油门踏板位移的GMM聚类模型;
将转向机构位移的聚类结果和油门踏板位移的聚类结果作为隐藏状态参量,将车速的聚类结果、车辆航向偏差的聚类结果和挡位信息作为观测状态参量,根据真实驾驶数据,基于隐马尔可夫算法对驾驶员模型进行训练,最终得到转向机构位置选择的驾驶员模型和油门增量选择的驾驶员模型,驾驶员模型模块包括这两个驾驶员模型。
2.根据权利要求1所述的智能驾驶控制***,其特征在于,所述驾驶员模型模块中的驾驶员操作信息包括车辆转向***参数和油门增量;期望路径信息包括目标路径点信息;行驶状态参量包括转向机构位置的期望值范围和油门增量期望值。
3.根据权利要求1所述的智能驾驶控制***,其特征在于,所述预瞄控制模型模块具体用于:
计算预瞄路径点与无人车实际位置的横向距离x和航向变化偏差
预瞄路径点上的期望车速为v,通过公式计算期望的横向校正角度;其中k是增益参数;
计算得到的横向校正角度用于判断车辆的行驶模式M:当|δ|<0.08时,行驶模式M输出直线行驶模式;当0.08≤|δ|<0.3时,行驶模式M输出小幅度转向模式;当|δ|≥0.3时,行驶模式M输出大幅度转向模式。
4.根据权利要求1所述的智能驾驶控制***,其特征在于,所述路径跟踪控制模块制定了车辆不同行驶模式下各输出控制量的控制规则,并对智能驾驶控制***的参数做实时计算和修改,同时为控制量的自适应控制提供约束。
5.一种智能驾驶控制方法,其特征在于,包括:
S1.驾驶员模型模块获取驾驶员操作信息和期望路径信息,根据驾驶员操作信息和期望路径信息,计算并输出行驶状态参量;
S2.预瞄控制模型模块根据获取的车辆信息和路径信息,计算并输出横向校正角度δ和车辆行驶模式M;
S3.路径跟踪控制模块将驾驶员模型模块和预瞄控制模型模块得到的控制参量,以及期望挡位转化成车辆底层控制***可执行的控制量;
S4.整车***模块根据路径跟踪控制模块输出的控制量,输出车辆的运动控制参数给各控制***,同时将获取的车辆运动信息反馈给驾驶员模型模块、预瞄控制模型模块和跟踪控制模块;
步骤S3中所述路径跟踪控制模块在车辆不同行驶模式下的期望发动机转速这一控制量的转化方式为:
当预瞄控制模型模块输出的车辆行驶模式M为直线行驶模式时,将转向机构的期望位置赋值为固定值,根据车速和挡位求解期望发动机转速;
当车辆行驶模式M的结果为大幅度转向行驶模式时,根据预瞄控制模型模块输出的横向校正角度δ的符号判断转向方向,然后将转向机构的期望位置赋值为固定值,然后根据驾驶员模块输出的预测油门增量和当前的实际发动机转速,求解期望发动机转速;
当车辆行驶模式M的结果为小幅度转向行驶模式时,根据横向校正角度δ符号判断转向方向,再求解转向机构的期望位置,根据驾驶员模块输出的预测油门增量和当前的实际发动机转速,求解期望发动机转速。
6.根据权利要求5所述的智能驾驶控制方法,其特征在于,当车辆行驶模式M的结果为小幅度转向行驶模式时,还包括按照转向机构的自适应控制逻辑,结合实际的转向需求实时地修改转向机构位置的期望值;
其中,转向机构位置的期望值Sexp的求解方法为:
检测当前t时刻驾驶员模型输出的转向机构位置的预测区间(Smin,Smax);
获取当前t时刻的车辆横摆角速度;
将横摆角速度作为转向机构自适应控制的评价标准,若|ω-ωe|>Δω,增大转向机构的位移,且控制转向机构位置的期望值Sexp在Smin≤Sexp≤Smax范围内;若|ω-ωe|≤Δω,则转向机构位置的期望值维持不变,直到此次转向结束;
其中,Δω为设定阈值,ωe是车辆横摆角速度的一个固定值。
7.一种智能驾驶车辆,其特征在于,所述车辆包括权利要求1~4之一所述的智能驾驶控制***,并采用权利要求5~6之一所述的智能驾驶控制方法进行车辆的驾驶控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710366037.XA CN107264534B (zh) | 2017-05-23 | 2017-05-23 | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710366037.XA CN107264534B (zh) | 2017-05-23 | 2017-05-23 | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107264534A CN107264534A (zh) | 2017-10-20 |
CN107264534B true CN107264534B (zh) | 2019-07-09 |
Family
ID=60065146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710366037.XA Active CN107264534B (zh) | 2017-05-23 | 2017-05-23 | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107264534B (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AT520185B1 (de) * | 2017-12-04 | 2019-02-15 | Avl List Gmbh | Prüfstand und Verfahren zur Durchführung eines Prüfversuchs |
CN108108885B (zh) * | 2017-12-15 | 2021-10-15 | 湖北汽车工业学院 | 一种无人驾驶汽车轨迹跟踪能力评价方法 |
CN109991974B (zh) * | 2018-01-02 | 2022-06-03 | ***通信有限公司研究院 | 自动驾驶路径跟随方法、装置及控制设备 |
US10831636B2 (en) * | 2018-01-08 | 2020-11-10 | Waymo Llc | Software validation for autonomous vehicles |
DE102018202146B4 (de) * | 2018-02-12 | 2019-12-24 | Volkswagen Aktiengesellschaft | Verfahren zum Auswählen eines Fahrprofils eines Kraftwagens, Fahrassistenzsystem und Kraftwagen |
CN108508760B (zh) * | 2018-03-05 | 2021-05-28 | 北京汽车集团越野车有限公司 | 一种多轮独立驱动滑差转向车辆的联合仿真方法及*** |
US10551835B2 (en) * | 2018-03-12 | 2020-02-04 | Toyota Research Institute | Systems and methods for operator skill mitigation |
CN110531746B (zh) * | 2018-05-23 | 2023-06-02 | 宇通客车股份有限公司 | 一种自动驾驶车辆控制方法及***、车辆 |
CN109001976B (zh) * | 2018-08-15 | 2021-04-02 | 江苏大学 | 一种自动驾驶车的双路协同可拓横向控制方法 |
CN110968088B (zh) * | 2018-09-30 | 2023-09-12 | 百度(美国)有限责任公司 | 车辆控制参数的确定方法、装置、车载控制器和无人车 |
CN109455181A (zh) * | 2018-12-19 | 2019-03-12 | 畅加风行(苏州)智能科技有限公司 | 一种用于无人车的运动控制器及其控制方法 |
CN109808706A (zh) * | 2019-02-14 | 2019-05-28 | 上海思致汽车工程技术有限公司 | 学习式辅助驾驶控制方法、装置、***及车辆 |
US20220185321A1 (en) * | 2019-04-02 | 2022-06-16 | Volvo Truck Corporation | An on-board control system for operating a vehicle |
DE102019002790B4 (de) | 2019-04-16 | 2023-05-04 | Mercedes-Benz Group AG | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug |
CN110466495B (zh) * | 2019-09-02 | 2024-04-09 | 浙江鸿吉智能控制有限公司 | 一种智能自动矢量驾驶执行***及控制方法 |
CN110626340B (zh) * | 2019-09-30 | 2023-07-11 | 南京航空航天大学 | 基于灰狼算法的智能汽车路径跟踪控制***及方法 |
CN110941272B (zh) * | 2019-11-27 | 2022-09-06 | 深圳先进技术研究院 | 自动驾驶控制方法和设备 |
CN111216713B (zh) * | 2020-02-17 | 2022-06-10 | 哈尔滨工业大学 | 一种自动驾驶车辆速度预瞄控制方法 |
CN111694973B (zh) * | 2020-06-09 | 2023-10-13 | 阿波罗智能技术(北京)有限公司 | 自动驾驶场景的模型训练方法、装置、电子设备 |
CN111891116A (zh) * | 2020-08-07 | 2020-11-06 | 苏州挚途科技有限公司 | 一种提升自动驾驶横向控制稳定性的方法 |
CN114407902B (zh) * | 2022-01-19 | 2023-11-28 | 浙江大学 | 一种基于道路水层深度估计的驾驶决策的*** |
CN114684165B (zh) * | 2022-03-04 | 2023-03-24 | 阿波罗智能技术(北京)有限公司 | 车辆控制方法、装置、设备、存储介质和自动驾驶车辆 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996312A (zh) * | 2014-05-23 | 2014-08-20 | 北京理工大学 | 具有社会行为交互的无人驾驶汽车控制*** |
CN104260725A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
CN104960520A (zh) * | 2015-07-16 | 2015-10-07 | 北京工业大学 | 基于Pure Pursuit算法的预瞄点确定方法 |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4435519B2 (ja) * | 2003-08-21 | 2010-03-17 | 富士重工業株式会社 | 車両の走行制御装置 |
KR101558708B1 (ko) * | 2013-12-30 | 2015-10-07 | 현대자동차주식회사 | 차량의 자동 후진 경로 제어 시스템 |
-
2017
- 2017-05-23 CN CN201710366037.XA patent/CN107264534B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996312A (zh) * | 2014-05-23 | 2014-08-20 | 北京理工大学 | 具有社会行为交互的无人驾驶汽车控制*** |
CN104260725A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
CN104960520A (zh) * | 2015-07-16 | 2015-10-07 | 北京工业大学 | 基于Pure Pursuit算法的预瞄点确定方法 |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
Non-Patent Citations (1)
Title |
---|
行车紧急度主观判断与车辆行驶控制;陈雪梅,高利,吴绍斌;《公路交通科技》;20070831;第24卷(第8期);第144-148页 |
Also Published As
Publication number | Publication date |
---|---|
CN107264534A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107264534B (zh) | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 | |
US11216748B2 (en) | Predictive control techniques for ground vehicles | |
CN108860148B (zh) | 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法 | |
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN106740846B (zh) | 一种双模式切换的电动汽车自适应巡航控制方法 | |
Plöchl et al. | Driver models in automobile dynamics application | |
CN111681452B (zh) | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 | |
CN109131325B (zh) | 智能驾驶汽车的三维可拓预瞄切换的车道保持控制方法 | |
CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
CN110356404A (zh) | 一种具有自主换道功能并提高侧向安全性的智能驾驶*** | |
CN107577234B (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
DE112019003755T5 (de) | Lernen von Fahrerverhalten und Fahrcoaching-Strategie mittels künstlicher Intelligenz | |
CN114013443B (zh) | 一种基于分层强化学习的自动驾驶车辆换道决策控制方法 | |
CN114407931A (zh) | 一种高度类人的自动驾驶营运车辆安全驾驶决策方法 | |
US20190375394A1 (en) | Ground Vehicle Control Techniques | |
CN108717268A (zh) | 基于最优控制与安全距离的自动驾驶最速操纵控制***及其控制方法 | |
CN108791290A (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
CN114228690B (zh) | 一种基于ddpg和迭代控制的自动驾驶车辆侧倾控制方法 | |
CN110320916A (zh) | 考虑乘员感受的自动驾驶汽车轨迹规划方法及*** | |
CN110456634A (zh) | 一种基于人工神经网络的无人车控制参数选取方法 | |
CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
CN116486356A (zh) | 一种基于自适应学习技术的狭窄场景轨迹生成方法 | |
Albelihi et al. | An application of neural networks to an autonomous car driver | |
CN112596516A (zh) | 基于Dubins曲线的多车队形切换方法 | |
CN115352443B (zh) | 一种基于旁车切入识别的自适应巡航控制方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |