CN107697065A - 一种面向一般停车场景的自动泊车控制方法 - Google Patents
一种面向一般停车场景的自动泊车控制方法 Download PDFInfo
- Publication number
- CN107697065A CN107697065A CN201710962411.2A CN201710962411A CN107697065A CN 107697065 A CN107697065 A CN 107697065A CN 201710962411 A CN201710962411 A CN 201710962411A CN 107697065 A CN107697065 A CN 107697065A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- mtd
- mtr
- msup
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000004088 simulation Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000003032 molecular docking Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
- G08G1/141—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
- G08G1/143—Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces inside the vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出一种面向一般停车场景的自动泊车控制方法。首先通过仿真生成不同类型车辆的控制指令与泊车轨迹数据集；其次利用深度神经网络算法对仿真数据进行学习，提取出控制指令与泊车轨迹之间的普遍关系，那么当给定任意一个停车场景及确定动力学模型参数的车辆时，可以经过少数步骤的训练找到合适的停车策略，给出在此停车场景下的控制指令，产生规划轨迹；最后，根据实际泊车轨迹与规划轨迹的偏差进行控制反馈，使泊车轨迹最接近***规划的理想轨迹。
Description
技术领域
本发明涉及自动泊车领域，尤其涉及面向一般场景的自动泊车路径规划方法。
背景技术
对于许多驾驶员而言，顺列式驻车是一种痛苦的经历，大城市停车空间有限，将汽车驶入狭小的空间已成为一项必备技能。很少有不费一番周折就停好车的情况，停车可能导致交通阻塞、神经疲惫和保险杠被撞弯。随着自动泊车技术的发展，上述问题得到了很大的改善。自动泊车技术除了能够帮助驾驶员自动停车，还有助于解决人口密集城区的一些停车和交通问题。有时候，能否在狭小空间中停车受驾驶员技术的限制。自动泊车技术可以将汽车停放在较小的空间内，这些空间比大多数驾驶员能自己停车的空间小得多。这就使得车主能更容易地找到停车位，同时相同数量的汽车占用的空间也更小。
现有技术中，如公开号CN107102642A提供了一种用于无人驾驶汽车的自动泊车***，其主要侧重于自动泊车监测传感***，利用地磁传感器的检测数据进行车辆轨迹的估算。如公开号CN106427996A提供一种多功能泊车控制方法和***，其通过获取车辆周围障碍物信息；根据车辆周围障碍物信息选择自动泊车方式或遥控泊车方式。如公开号CN106043282 A提供一种用于车辆的全自动泊车***及其控制方法，其根据所述车辆的周边环境信息与所述车辆的运行状态信息规划出泊车路径，控制电动助力转向***和电子稳定***及变速箱控制单元按照所述泊车路径完成全自动泊车。
现有技术中“自动泊车”的相关内容主要是侧重于自动泊车***的硬件构成、每一部分模块是如何工作以及各模块之间的通信方式，其大部分技术内容没有涉及停车场景的考虑，都未能够解决各种停车场景和不同泊位类型的停车问题。
发明内容
为了解决上述技术问题，本发明提供一种面向一般停车场景的自动泊车控制方法。
具体采用如下技术方案：
方法包括如下步骤：
(1)按照车体大小、重心位置、前后轴距、前后轮转动惯量定义车辆类型；
(2)对不同的车辆类型分别进行轨迹生成：将整个停车过程分为N个阶段，N个阶段的控制指令集合为δf N＝{δf(1),…,δf(N)}；每个阶段中具体的车辆控制指令来自于K个控制角的集合Sδ＝{δ1,…,δk}，每个类型的车辆可以获得KN个组合结果；每个阶段的时间长度为TN，总的时间长度为T＝T1+…+TN；仿真步长为t，其中TN＝K*t；
(3)根据车辆最终位置、偏角及速度，通过深度神经网络学习得到车辆的控制指令组合；
(4)根据控制指令集合{δ1,δ2,…,δt}，结合当前具体的车辆动力学模型参数，得出车辆停车轨迹；
(5)根据实际泊车轨迹与规划轨迹的偏差进行反馈控制，生成最终泊车轨迹。
优选地，步骤(4)中得出车辆停车轨迹的具体步骤为：
1)前进模式中，根据车辆状态转移方程
及
δf＝δmax，δr＝0，
得到
其中，为前进模式中上一时刻车辆***状态变量，为前进模式中下一时刻车辆***状态变量；δf为前轮转向角，δr为后轮转向角，δmax为最大转向角；
2)倒车模式中，根据车辆状态转移方程
及
δr＝0，δf＝δmax
得到
其中，为倒车模式中上一时刻车辆***状态变量，为倒车模式中下一时刻车辆***状态变量。
优选地，步骤(5)中反馈控制的具体步骤为：
根据车辆速度与车辆纵轴的夹角β及惯性坐标系下的转动角速度r进行反馈控制：
原***的状态空间矢量表示为
***参数的变化实际***为
反馈***的状态空间矢量表示为
其中，x＝[β,r]T为理想***的状态变量；x′＝[β′,r′]T为实际***的状态变量；A,B为状态常量；u为车辆转角；K为反馈矩阵；
由目标函数最小，得到状态反馈控制器为
u＝-Kx。
优选地，步骤(5)中控制反馈的具体步骤为：
根据车辆位置和转角偏差进行反馈控制：
由目标函数
最小，得到状态反馈控制器为
u＝-Kx
其中：
(x′,y′)表示实际轨迹点的坐标；
(x,y)表示理想轨迹点的坐标；
ψ′表示实际轨迹点的转角；
ψ表示理想轨迹点的转角；
K＝[k1、k2]表示反馈矩阵。
本发明具有如下有益效果：
(1)本发明提出的自动泊车方法是面向一般场景的，通过算法学习和现场训练找到适应当前场景的停车策略，解决目前停车***适用的泊位类型单一的问题；
(2)提出两种基于控制理论算法的车辆轨迹控制方式，比现有技术中简单地给出一个速度或偏转角的修正值的方式更精确。
附图说明
图1为两种不同车型仿真轨迹示意图。
图2为神经网络结构示意图。
图3为规划轨迹示意图。
图4为车辆动力学模型示意图。
图5为根据β和r对δ_f进行反馈控制原理示意图。
图6为位置和转角偏差进行反馈控制原理示意图。
具体实施方式
(1)定义不同车辆类型：不同车型具有不同的特征参数，如车体大小、重心位置、前后轴距、前后轮转动惯量等，我们选取两种车型，A代表轿车，B代表SUV。
表1不同车辆类型参数示例
(2)仿真生成控制指令与停车轨迹：对于两种不同的车辆类型A和B分别进行轨迹生成。将整个停车过程分为N个阶段，N个阶段的控制指令集合为δf N＝{δf(1),…,δf(N)}；每个阶段中具体的车辆控制指令来自于K个控制角的集合Sδ＝{δ1,…,δk}，因此,每个类型的车辆可以获得KN个组合结果；每个阶段的时间长度为TN,总的时间长度为T＝T1+…+TN；仿真步长为t,TN＝K*t。图1为两种类型的车辆的仿真轨迹，δf N＝{-0.6,-0.4,-0.2,0,0.2,0.4,0.6}，K＝7，N＝4，t＝0.01s，TN＝3s，共生成2401条轨迹。
(3)神经网络学习：为了在得知车辆最终位置、偏角及速度的情况下，能够确定一种控制指令组合来实现将车准确地停在最终位置，我们采用深度神经网络算法来解决这个问题。图2是神经网络的结构示意，分为输入层、隐含层和输出层。输入为车辆目标状态的位置和速度矢量v,输出为需要的控制指令集合{δ1,δ2,…,δt}。
(4)轨迹规划：在给定控制指令集合{δ1,δ2,…,δt}的基础上，结合当前具体的车辆动力学模型参数，给出车辆停车轨迹。图3为一个规划轨迹的示例。
图4为车辆动力学模型简化示意图，模型中所用参数有如下：
●v＝车辆速度
●v_x＝速度在水平方向上的分量
●v_y＝速度在竖直方向上的分量
●β＝车辆速度与车辆纵轴夹角
●＝r＝惯性坐标系下的转动角速度
●x＝车辆重心横坐标
●y＝车辆重心纵坐标
●F＝重心处的侧向力
●δf(δr)＝前轮(后轮)转向角
●θ＝车辆前轮与泊位长轴方向夹角，车辆方向转换临界观测角
●ψ＝从x轴向车辆长轴的转角
1)前进模式
车辆状态转移方程为
其中为上一时刻***状态变量，为下一时刻***状态变量。
其中：
轮胎刚度系数mgv对车辆转角控制量Cf、Cr的影响系数；
轮胎刚度系数mgv对车辆转角速率Cflf的影响系数；
轮胎转动惯量Igz对车辆转角速率Cflf的影响系数；
轮胎转动惯量对车辆转角速率Cflf的影响系数；
前轮刚度系数对前轮转角控制量的影响系数；
后轮刚度系数对后轮转角控制量的影响系数；
前轮轮胎转动惯量对前轮转角控制量的影响系数；
后轮轮胎转动惯量对后轮转角控制量的影响系数；
Cf＝μcf：路面附着系数为μ时的前轮轮胎刚度系数；
Cr＝μcr：路面附着系数为μ时的后轮轮胎刚度系数；
(干燥路面μ＝1，潮湿路面μ＝0.5)。
前进时，δf＝δmax，δr＝0，则：
即：
2)倒车模式
若该模型不受到车辆前驱后驱影响，则倒车模型可以看成是将车尾当做车头，仍然使用前进模型，则车辆前后各参数进行对调：
其中：
因此：
倒车时δf *＝δr＝0，δr *＝δf＝δmax，因此
则：
由于不论前进还是后退，β和r均为增量形式，所以定义相同；但是ψ为累积量，当前进时，
ψ*＝ψ+r*Δt；
当倒车时，将车尾视为车头，所以
ψ*＝ψ+r*Δt+π；
速度分量
v_x*＝|v|*cos(β+ψ*)；
v_y*＝|v|*sin(β+ψ*)；
位置坐标
x*＝x+vx*Δt；
y*＝y+vy*Δt；
偏转角
ψ*＝ψ+r*Δt；(前进)
ψ*＝ψ+r*Δt+π；(倒车)。
(5)反馈控制：由于车辆磨损、环境变化等原因，实际车辆操作***中的模型参数可能与理想规划***的模型参数存在差异，从而导致实际停车轨迹与规划轨迹之间的偏差。为了尽可能消除或减小这种偏差，我们采用线性控制算法对***进行反馈控制。
实际停车***中，由于车辆固有参数如mg、lf(lr)、Cf(Cr)的差异，车辆运行轨迹会与理想***下的轨迹存在差异。为消除这种差异，向***加入负反馈控制，以调节车辆运行轨迹。
车辆轨迹调节的反馈控制分为两种：一是根据***内部变化量β和r的偏差对δf进行反馈控制；二是根据***累积量即位置和角度偏差对δf进行反馈控制。
1)根据β和r对δf进行反馈控制
根据车辆动力学模型可知，***参数的改变会引起***变化量β和r的变化，进而影响车辆轨迹。反馈原理如图5所示。
原***的状态空间矢量可以表示为
由于***参数的变化实际***为
根据LQR控制方法，我们要设计一个状态反馈控制器u＝-Kx使得目标函数最小。那么，反馈***的状态空间矢量可以表示为
其中x＝[β,r]T：理想***的状态变量；
x′＝[β′,r′]T：实际***的状态变量；
A,B为状态常量；
u＝δf：车辆转角；
K：反馈矩阵K＝[k1,k2],具体计算方法参考LQR控制算法。
MATLAB离散***中将仿真步数定为12000步，步长0.001s，共分为四个阶段：
stage1：step1-step3000，δf＝-0.4(v＝-1)/δf＝0.4(v＝1)；
stage2：step3001-step6000，δf＝0；
stage3：step6001-step9000，δf＝0.4(v＝-1)/δf＝-0.4(v＝1)；
stage4：step9001-step12000，δf＝0。MATLAB离散***中将仿真步数定为12000步，步长0.001s，共分为四个阶段：
stage1：step1-step3000，δf＝-0.4(v＝-1)/δf＝0.4(v＝1)；
stage2：step3001-step6000，δf＝0；
stage3：step6001-step9000，δf＝0.4(v＝-1)/δf＝-0.4(v＝1)；
stage4：step9001-step12000，δf＝0。
2)根据车辆位置和转角偏差进行反馈控制，反馈原理如图6所示。
在知道上一时刻反馈理想轨迹点与实际轨迹点的前提下，我们可以找到一个转向角使得车辆下一步的实际轨迹最接近于规划路径的轨迹，并且使得目标函数
最小。其中：
(x′,y′)表示实际轨迹点的坐标；
(x,y)表示理想轨迹点的坐标；
ψ′表示实际轨迹点的转角；
ψ表示理想轨迹点的转角；
K＝[k1、k2]表示反馈矩阵，此处k1、k2＝1；
根据车辆最大转向角的限制，取δf∈[-0.70,0.70]。反馈过程为：
●step1：原***δf＝0.4，反馈***δf＝0.4
●step2-step300：原***δf＝0.4，[-0.70,0.70]
●step301-step600：原***δf＝0，反馈***δf＝[-0.70,0.70]
●step601-step900：原***δf＝-0.4，反馈***δf＝[-0.70,0.70]
●step900-step1200：原***δf＝0，反馈***δf＝[-0.70,0.70]。
Claims (4)
1.一种面向一般停车场景的自动泊车控制方法，其特征在于，包括如下步骤：
(1)按照车体大小、重心位置、前后轴距、前后轮转动惯量定义车辆类型；
(2)对不同的车辆类型分别进行轨迹生成：将整个停车过程分为N个阶段，N个阶段的控制指令集合为δf N＝{δf(1),…,δf(N)}；每个阶段中具体的车辆控制指令来自于K个控制角的集合Sδ＝{δ1,…,δk}，每个类型的车辆可以获得KN个组合结果；每个阶段的时间长度为TN，总的时间长度为T＝T1+…+TN；仿真步长为t，其中TN＝K*t；
(3)根据车辆最终位置、偏角及速度，通过深度神经网络学习得到车辆的控制指令组合；
(4)根据控制指令集合{δ1,δ2,…,δt}，结合当前具体的车辆动力学模型参数，得出车辆停车轨迹；
(5)根据实际泊车轨迹与规划轨迹的偏差进行反馈控制，生成最终泊车轨迹。
2.如权利要求2所述的一种面向一般停车场景的自动泊车控制方法，其特征在于，步骤(4)中得出车辆停车轨迹的具体步骤为：
1)前进模式中，根据车辆状态转移方程
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
</mtd>
</mtr>
<mtr>
<mtd>
<mover>
<mi>r</mi>
<mo>&CenterDot;</mo>
</mover>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>&beta;</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>r</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>12</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&delta;</mi>
<mi>f</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&delta;</mi>
<mi>r</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>r</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mi>g</mi>
</msub>
<mi>v</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<msub>
<mi>l</mi>
<mi>f</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>r</mi>
</msub>
<msub>
<mi>l</mi>
<mi>r</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>m</mi>
<mi>g</mi>
</msub>
<msup>
<mi>v</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<msub>
<mi>l</mi>
<mi>f</mi>
</msub>
<mo>-</mo>
<msub>
<mi>c</mi>
<mi>r</mi>
</msub>
<msub>
<mi>l</mi>
<mi>r</mi>
</msub>
</mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>g</mi>
<mi>z</mi>
</mrow>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<msup>
<msub>
<mi>l</mi>
<mi>f</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mi>r</mi>
</msub>
<msup>
<msub>
<mi>l</mi>
<mi>r</mi>
</msub>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>g</mi>
<mi>z</mi>
</mrow>
</msub>
<mi>v</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<mrow>
<msub>
<mi>m</mi>
<mi>g</mi>
</msub>
<mi>v</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mn>21</mn>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>c</mi>
<mi>f</mi>
</msub>
<msub>
<mi>l</mi>
<mi>f</mi>
</msub>
</mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>g</mi>
<mi>z</mi>
</mrow>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
及
δf＝δmax，δr＝0，
得到
<mrow>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
<mi>&beta;</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
<mi>r</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mover>
<mi>r</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
<mi>&beta;</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
<mi>r</mi>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>21</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
其中，为前进模式中上一时刻车辆***状态变量，为前进模式中下一时刻车辆***状态变量；δf为前轮转向角，δr为后轮转向角，δmax为最大转向角；
2)倒车模式中，根据车辆状态转移方程
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mover>
<mi>r</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mn>2</mn>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mrow>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<mi>&beta;</mi>
<mo>*</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<mi>r</mi>
<mo>*</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>b</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>b</mi>
<mn>21</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msup>
<msub>
<mi>&delta;</mi>
<mi>f</mi>
</msub>
<mo>*</mo>
</msup>
</mtd>
</mtr>
<mtr>
<mtd>
<msup>
<msub>
<mi>&delta;</mi>
<mi>r</mi>
</msub>
<mo>*</mo>
</msup>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mn>12</mn>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>C</mi>
<mi>r</mi>
</msub>
<mrow>
<msub>
<mi>m</mi>
<mi>g</mi>
</msub>
<mi>v</mi>
</mrow>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>b</mi>
<mn>22</mn>
</msub>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<msub>
<mi>C</mi>
<mi>r</mi>
</msub>
<msub>
<mi>l</mi>
<mi>r</mi>
</msub>
</mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>g</mi>
<mi>z</mi>
</mrow>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
及
δr＝0，δf＝δmax
得到
<mrow>
<msup>
<mover>
<mi>&beta;</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>=</mo>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
<msup>
<mi>&beta;</mi>
<mo>*</mo>
</msup>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mn>2</mn>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>r</mi>
<mo>*</mo>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>11</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mrow>
<msup>
<mover>
<mi>r</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>*</mo>
</msup>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
<msup>
<mi>&beta;</mi>
<mo>*</mo>
</msup>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
<msup>
<mi>r</mi>
<mo>*</mo>
</msup>
<mo>+</mo>
<msub>
<mi>b</mi>
<mn>21</mn>
</msub>
<msub>
<mi>&delta;</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
</mrow>
其中，为倒车模式中上一时刻车辆***状态变量，为倒车模式中下一时刻车辆***状态变量，a11为轮胎刚度系数mgv对车辆转角控制量的影响系数；a12为轮胎刚度系数mgv对车辆转角速率Cflf的影响系数；a21为轮胎转动惯量Igz对车辆转角速率的影响系数；a22为轮胎转动惯量对车辆转角速率的影响系数；b11为前轮刚度系数对前轮转角控制量的影响系数；b12为后轮刚度系数对后轮转角控制量的影响系数；b21为前轮轮胎转动惯量对前轮转角控制量的影响系数；b22为后轮轮胎转动惯量对后轮转角控制量的影响系数；Cf为路面附着系数为μ时的前轮轮胎刚度系数；Cr为路面附着系数为μ时的后轮轮胎刚度系数。
3.如权利要求1所述的一种面向一般停车场景的自动泊车控制方法，其特征在于，步骤(5)中反馈控制的具体步骤为：
根据车辆速度与车辆纵轴的夹角β及惯性坐标系下的转动角速度r进行反馈控制：
原***的状态空间矢量表示为
<mrow>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>=</mo>
<mi>A</mi>
<mi>x</mi>
<mo>+</mo>
<mi>B</mi>
<mi>u</mi>
</mrow>
***参数的变化实际***为
<mrow>
<msup>
<mover>
<mi>x</mi>
<mo>&CenterDot;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msup>
<mi>A</mi>
<mo>&prime;</mo>
</msup>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msup>
<mi>B</mi>
<mo>&prime;</mo>
</msup>
<mi>u</mi>
</mrow>
反馈***的状态空间矢量表示为
<mover>
<mrow>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>=</mo>
<msup>
<mi>A</mi>
<mo>&prime;</mo>
</msup>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>+</mo>
<msup>
<mi>B</mi>
<mo>&prime;</mo>
</msup>
<mo>&lsqb;</mo>
<mi>u</mi>
<mo>-</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>&CenterDot;</mo>
</mover>
其中，x＝[β,r]T为理想***的状态变量；x′＝[β′,r′]T为实际***的状态变量；A,B为状态常量；u为车辆转角；K为反馈矩阵；
由目标函数最小，得到状态反馈控制器为
u＝-Kx。
4.如权利要求1所述的一种面向一般停车场景的自动泊车控制方法，其特征在于，步骤(5)中控制反馈的具体步骤为：
根据车辆位置和转角偏差进行反馈控制：
由目标函数
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>s</mi>
<mo>=</mo>
<mi>k</mi>
<mn>1</mn>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>+</mo>
<mi>k</mi>
<mn>2</mn>
<mo>|</mo>
<msup>
<mi>&psi;</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<mi>&psi;</mi>
<mo>|</mo>
</mrow>
最小，得到状态反馈控制器为
u＝-Kx
其中：
(x′,y′)表示实际轨迹点的坐标；
(x,y)表示理想轨迹点的坐标；
ψ′表示实际轨迹点的转角；
ψ表示理想轨迹点的转角；
K＝[k1、k2]表示反馈矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710962411.2A CN107697065B (zh) | 2017-10-16 | 2017-10-16 | 一种面向一般停车场景的自动泊车控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710962411.2A CN107697065B (zh) | 2017-10-16 | 2017-10-16 | 一种面向一般停车场景的自动泊车控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107697065A true CN107697065A (zh) | 2018-02-16 |
| CN107697065B CN107697065B (zh) | 2019-08-27 |
Family
ID=61185128
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710962411.2A Expired - Fee Related CN107697065B (zh) | 2017-10-16 | 2017-10-16 | 一种面向一般停车场景的自动泊车控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107697065B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108313051A (zh) * | 2018-01-15 | 2018-07-24 | 北京汽车集团有限公司 | 泊车方法、装置、***及存储介质 |
| DE102018205062A1 (de) * | 2018-04-04 | 2019-10-10 | Audi Ag | Verfahren zum Positionieren eines Kraftfahrzeugs zur Durchführung eines induktiven Ladevorgangs |
| CN110517527A (zh) * | 2019-08-21 | 2019-11-29 | 同济大学 | 异构多源无线传感网络及其自主无人泊车方法 |
| WO2020094534A1 (de) * | 2018-11-06 | 2020-05-14 | Robert Bosch Gmbh | Verfahren zum trainieren eines künstlichen neuronalen netzes, künstliches neuronales netz, verwendung eines künstlichen neuronalen netzes sowie entsprechendes computerprogramm, maschinenlesbares speichermedium und entsprechende vorrichtung |
| CN111859778A (zh) * | 2020-06-04 | 2020-10-30 | 北京百度网讯科技有限公司 | 泊车模型的生成方法和装置、电子设备和存储介质 |
| CN113110500A (zh) * | 2021-05-10 | 2021-07-13 | 的卢技术有限公司 | 一种自动驾驶汽车低速自动泊车横向控制方法 |
| CN115562038A (zh) * | 2022-11-01 | 2023-01-03 | 南栖仙策(南京)科技有限公司 | 一种反馈控制***变化的预警方法、装置、设备及介质 |
| CN116311878A (zh) * | 2022-10-21 | 2023-06-23 | 广州金王科技股份有限公司 | 一种智能停车器控制方法及其控制*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10269497A (ja) * | 1997-03-25 | 1998-10-09 | Nissan Motor Co Ltd | 自動駐車装置および駐車誘導装置 |
| CN203047250U (zh) * | 2012-11-20 | 2013-07-10 | 长安大学 | 一种自动泊车装置 |
| CN103796904A (zh) * | 2011-09-21 | 2014-05-14 | 大众汽车有限公司 | 用于机动车泊车***的对泊车场景分类的方法 |
| CN104260722A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种自动泊车*** |
| CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
| CN107004350A (zh) * | 2014-10-27 | 2017-08-01 | 罗伯特·博世有限公司 | 用于运行停车场的设备和方法 |
| CN107065567A (zh) * | 2017-05-22 | 2017-08-18 | 江南大学 | 一种基于自适应神经网络约束控制的自动停车控制*** |
-
2017
- 2017-10-16 CN CN201710962411.2A patent/CN107697065B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10269497A (ja) * | 1997-03-25 | 1998-10-09 | Nissan Motor Co Ltd | 自動駐車装置および駐車誘導装置 |
| CN103796904A (zh) * | 2011-09-21 | 2014-05-14 | 大众汽车有限公司 | 用于机动车泊车***的对泊车场景分类的方法 |
| CN203047250U (zh) * | 2012-11-20 | 2013-07-10 | 长安大学 | 一种自动泊车装置 |
| CN104260722A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种自动泊车*** |
| CN107004350A (zh) * | 2014-10-27 | 2017-08-01 | 罗伯特·博世有限公司 | 用于运行停车场的设备和方法 |
| CN105857306A (zh) * | 2016-04-14 | 2016-08-17 | 中国科学院合肥物质科学研究院 | 一种用于多种泊车场景的车辆自主泊车路径规划方法 |
| CN107065567A (zh) * | 2017-05-22 | 2017-08-18 | 江南大学 | 一种基于自适应神经网络约束控制的自动停车控制*** |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108313051A (zh) * | 2018-01-15 | 2018-07-24 | 北京汽车集团有限公司 | 泊车方法、装置、***及存储介质 |
| DE102018205062A1 (de) * | 2018-04-04 | 2019-10-10 | Audi Ag | Verfahren zum Positionieren eines Kraftfahrzeugs zur Durchführung eines induktiven Ladevorgangs |
| WO2020094534A1 (de) * | 2018-11-06 | 2020-05-14 | Robert Bosch Gmbh | Verfahren zum trainieren eines künstlichen neuronalen netzes, künstliches neuronales netz, verwendung eines künstlichen neuronalen netzes sowie entsprechendes computerprogramm, maschinenlesbares speichermedium und entsprechende vorrichtung |
| CN110517527A (zh) * | 2019-08-21 | 2019-11-29 | 同济大学 | 异构多源无线传感网络及其自主无人泊车方法 |
| CN111859778A (zh) * | 2020-06-04 | 2020-10-30 | 北京百度网讯科技有限公司 | 泊车模型的生成方法和装置、电子设备和存储介质 |
| US11741690B2 (en) | 2020-06-04 | 2023-08-29 | Apollo Intelligent Driving Technology (Beijing) Co., Ltd. | Method for generating parking model, electronic device, and storage medium |
| CN113110500A (zh) * | 2021-05-10 | 2021-07-13 | 的卢技术有限公司 | 一种自动驾驶汽车低速自动泊车横向控制方法 |
| CN116311878A (zh) * | 2022-10-21 | 2023-06-23 | 广州金王科技股份有限公司 | 一种智能停车器控制方法及其控制*** |
| CN115562038A (zh) * | 2022-11-01 | 2023-01-03 | 南栖仙策(南京)科技有限公司 | 一种反馈控制***变化的预警方法、装置、设备及介质 |
| CN115562038B (zh) * | 2022-11-01 | 2023-08-29 | 南栖仙策(南京)高新技术有限公司 | 一种反馈控制***变化的预警方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107697065B (zh) | 2019-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107792062A (zh) | 一种自动泊车控制*** | |
| CN107697065A (zh) | 一种面向一般停车场景的自动泊车控制方法 | |
| Polack et al. | The kinematic bicycle model: A consistent model for planning feasible trajectories for autonomous vehicles? | |
| Li et al. | A potential field approach-based trajectory control for autonomous electric vehicles with in-wheel motors | |
| Marzbani et al. | Autonomous vehicles: Autodriver algorithm and vehicle dynamics | |
| US11970157B2 (en) | Motor-vehicle trajectory planning and control to cause automated motor-vehicles to perform low-speed manoeuvres in automated driving | |
| CN105857306A (zh) | 一种用于多种泊车场景的车辆自主泊车路径规划方法 | |
| Subosits et al. | Impacts of model fidelity on trajectory optimization for autonomous vehicles in extreme maneuvers | |
| CN104881030B (zh) | 基于快速终端滑模原理的无人车侧纵向耦合跟踪控制方法 | |
| CN107618504A (zh) | 一种应用于全自动泊车的蠕行速度控制方法及装置 | |
| CN106926840A (zh) | 一种无人车辆极限动力学轨迹跟踪控制*** | |
| Velenis et al. | Modeling aggressive maneuvers on loose surfaces: The cases of trail-braking and pendulum-turn | |
| CN104787039A (zh) | 一种四轮独立驱动电动汽车的车身稳定控制方法 | |
| Subosits et al. | Autonomous vehicle control for emergency maneuvers: The effect of topography | |
| CN107065567A (zh) | 一种基于自适应神经网络约束控制的自动停车控制*** | |
| Altché et al. | A simple dynamic model for aggressive, near-limits trajectory planning | |
| Menhour et al. | Multivariable decoupled longitudinal and lateral vehicle control: A model-free design | |
| Lin et al. | Coordinated control architecture for motion management in ADAS systems | |
| CN110161854A (zh) | 一种高速公路重型卡车编队纵向行驶控制方法 | |
| Chen et al. | Car-like ground vehicle trajectory tracking by using trajectory linearization control | |
| CN115268464A (zh) | 基于层级式约束的自动驾驶汽车轨迹跟踪控制方法及装置 | |
| CN111444577A (zh) | 一种电动大客车自动避让方法 | |
| Mu et al. | Modified tire-slip-angle model for chaotic vehicle steering motion | |
| CN111959506A (zh) | 车辆及车辆编队行驶的控制方法、装置 | |
| Yang et al. | ESO-based lateral control for electrical vehicles with unmodeled tire dynamics on uneven road |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190827 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |