CN108216231A - 一种基于转向和制动可拓联合的车道偏离辅助控制方法 - Google Patents
一种基于转向和制动可拓联合的车道偏离辅助控制方法 Download PDFInfo
- Publication number
- CN108216231A CN108216231A CN201810031565.4A CN201810031565A CN108216231A CN 108216231 A CN108216231 A CN 108216231A CN 201810031565 A CN201810031565 A CN 201810031565A CN 108216231 A CN108216231 A CN 108216231A
- Authority
- CN
- China
- Prior art keywords
- control method
- steering
- deviation
- braking
- domain
- 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 128
- 238000005314 correlation function Methods 0.000 claims abstract description 37
- 239000000203 mixture Substances 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000013461 design Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000153246 Anteros Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000011800 void material Substances 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
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/18—Conjoint control of vehicle sub-units of different type or different function including control of braking systems
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W40/10—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 vehicle motion
-
- 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
- B60W50/08—Interaction between the driver and the control system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/20—Steering systems
- B60W2710/202—Steering torque
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开了一种基于转向和制动可拓联合的车道偏离辅助控制方法,其包括:车道偏离辅助***启动后,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间;划分可拓集合空间并根据划分好的可拓集合空间计算出不同集合状态下的关于可拓联合控制的关联函数;根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在非域内采用电动助力转向控制方法,在经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法;车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
Description
技术领域
本发明涉及智能汽车的辅助驾驶技术领域中的一种车道偏离辅助控制方法,尤其涉及一种基于转向和制动可拓联合的车道偏离辅助控制方法。
背景技术
车道偏离辅助***(Lane departure assistance system,LDAS)作为智能驾驶技术的重要组成部分,能够通过主动干预的方式来辅助驾驶员控制车辆,以减少汽车因车道偏离而发生交通事故,已成为国内外汽车领域研究的热点。
实现车道偏离辅助控制的途径主要有两种:转向控制和差动制动控制。转向控制可分为转矩控制和转角控制。转矩控制基于转向***给转向机构施加一个额外的转向力,以实现辅助控制;转角控制则需要通过转向***控制车轮转到期望的角度来实现辅助控制。差动制动控制是将期望的制动压力分配到两侧车轮进行差动制动,使得车辆横摆响应跟踪期望值并实现车道偏离辅助控制。
当单独采用电动助力转向进行车道偏离辅助时,车辆能够在多种工况下实现车道偏离辅助,具有较强的适应性。然而,采用转向控制作为车道偏离辅助的手段也存在一些问题,例如,线控转向成本过高,驾驶员和辅助***之间存在相互干扰、协调不一致和人机冲突的问题,这有可能会加重驾驶员操纵负担,影响汽车横向安全性。
当单独采用差动制动进行车道偏离辅助时,可以大大降低驾驶员和辅助***之间的相互干扰。但是在某些工况下,如路面附着系数较低时,辅助效果不佳。若同时采用转向***和差动制动***两者进行集成,可以充分发挥两个***的优势,更好地提升车道偏离辅助***的性能。因而,如何有效地集成转向和制动进行车道偏离辅助控制能具有重要意义。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于转向和制动可拓联合的车道偏离辅助控制方法。
本发明的解决方案是:一种基于转向和制动可拓联合的车道偏离辅助控制方法,其包括:车道偏离辅助***启动后,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间;划分可拓集合空间并根据划分好的可拓集合空间计算出不同集合状态下的关于可拓联合控制的关联函数;根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在非域内采用电动助力转向控制方法,在经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法;车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
作为上述方案的进一步改进,在μ-θ0平面X上,定义一点S0(μ3,0),记对于任意工况下,平面上都存在特征状态S(μ,θ0),定义其关联函数:
式中,X表示经典域。
优选地,当特征状态S(μ,θ0)所得的关联函数值K(S)≥0,对应的特征状态S(μ,θ0)属于经典域;当特征状态S(μ,θ0)所得的关联函数值-1≤K(S)<0,对应的特征状态S(μ,θ0)属于可拓域;当特征状态S(μ,θ0)所得的关联函数值K(S)<-1,对应的特征状态S(μ,θ0)属于非域。
作为上述方案的进一步改进,所述电动助力转向控制方法包括:根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*;根据实际方向盘转角θ和期望方向盘转角θ*,得出车辆转向所需的期望辅助转矩设计双输入单输出的人机协调控制器,车辆行驶过程中的操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ;通过权重系数σ和期望辅助转矩做乘积来动态优化所述车道偏离辅助***的实际辅助转矩Ta的大小。
优选地,根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),通过驾驶员模型计算出期望方向盘转角θ*。
优选地,将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩
优选地,人机协调控制器包括基于五层拓扑结构的模糊神经网络控制器,所述模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层;以操作转矩Td和车辆横向偏差y为双输入的输入层,权重系数σ为单输出的输出层。
优选地,所述差动制动控制方法包括步骤:根据期望方向盘转角θ*,计算出期望横摆角速度ω*;通过BP神经网络PID控制器跟踪期望横摆角速度ω*得到所需辅助横摆力矩Mb;根据辅助横摆力矩Mb分配给车辆的各个车轮所需的制动力ΔP以实现横摆响应。
进一步地,所述转向和制动联合控制方法指将电动助力转向和差动制动进行联合控制,控制域内相应控制方法得出的转矩指电动助力转向控制方法得到的操作转矩Td和实际辅助转矩Ta,控制域内相应控制方法得出的制动信号指差动制动控制方法得到的制动力ΔP,从而所述转向和制动联合控制方法通过方向盘转向和车轮差动制动实现车辆在偏离状态下的辅助控制。
本发明还提供一种基于转向和制动可拓联合的车道偏离辅助控制装置,其采用上述任意一种基于转向和制动可拓联合的车道偏离辅助控制方法,所述车道偏离辅助控制装置包括:车道偏离模块,其用于判断车道是否偏离,并在判断车道偏离时,启动车道偏离辅助***;特征量选取模块,其用于选取特征量,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间;关联函数定义和计算模块,其用于定义并计算关联函数,划分可拓集合空间并根据划分好的可拓集合设计并计算出不同集合状态下的关于可拓联合控制的关联函数;可拓控制域划分模块,其用于划分可拓控制域,根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在划分的经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法,在非域内采用电动助力转向控制方法;决策执行模块,其用于驱动车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
本发明的基于转向和制动可拓联合的车道偏离辅助控制方法及其装置,该方法为基于可拓控制理论,针对基于电动助力转向和差动制动的两种车道偏离辅助控制方法的局限性,充分考虑路面环境信息和车辆状态,而提出可拓联合控制策略,其对应的车道偏离辅助控制装置可设计为可拓联合控制器,所述可拓联合控制器将电动助力转向和差动制动进行联合控制,以实现车道偏离辅助。本发明能够有效地避免车辆偏离出车道,同时降低驾驶员和辅助***之间的相互干扰,减小人机冲突。
其中,所述电动助力转向控制方法属于一种车道偏离辅助***的人机协调控制方法,基于模糊神经网络控制理论,针对车道偏离辅助过程中驾驶员和辅助***之间的人机协调问题,设计了考虑驾驶员转矩和车辆横向偏差的人机协调控制器。人机协调控制器通过输出辅助权重动态地调整车道偏离辅助***的辅助转矩,实现驾驶员与辅助***的协调控制。本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
附图说明
图1是本发明基于转向和制动可拓联合的LDAS的结构示意图。
图2是图1中LDAS的决策层机构的车道偏离判断方法流程图。
图3是图1中LDAS的控制层机构的车道偏离辅助控制方法的流程图。
图4是图1中LDAS的决策层机构的可拓集合示意图。
图5是图1中LDAS的决策层机构的电动助力转向控制单元的结构示意图。
图6是图5中电动助力转向控制单元的电动助力转向控制方法流程图。
图7是图1中LDAS的决策层机构的单点预瞄模型示意图。
图8是图1中LDAS的决策层机构的神经网络PID器的控制结构示意图。
图9是图1中LDAS的决策层机构的模糊神经网络拓扑结构示意图。
图10是图1中LDAS的决策层机构的差动制动控制单元的结构示意图。
图11是图10中差动制动控制单元的差动制动控制方法流程图。
图12是图1中LDAS硬件在环试验流程框图。
图13是图1中LDAS可拓联合控制策略试验的车辆横向偏差结果图。
图14是图1中LDAS可拓联合控制策略试验的实际横摆角速度结果图。
图15是本发明具体的一种车道偏离辅助控制方法的流程图。
图16是本发明具体的一种车道偏离辅助控制装置的模块结构示意图。
图17是本发明具体的一种电动助力转向控制装置的模块结构示意图。
图18是本发明具体的一种差动制动控制装置的模块结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种基于转向和制动可拓联合的车道偏离辅助***,如图1所示,其包括决策层机构、控制层结构、执行层结构。
一、决策层机构用于做出车道偏离决策。决策层机构采用的车道偏离判断方法如图2所示,包括以下步骤。
步骤S11,获取车辆行驶过程中的横摆角速度ω、车速v以及车辆在路面上相对于车道中心线的车辆横向偏差y,并将横摆角速度ω、车速v和车辆横向偏差y作为车道偏离的判断依据。
步骤S12,将预测车轮接触到车道边缘所需的最小时间作为跨道时间,将跨道时间和设定的阈值一进行对比,在所述跨道时间小于所述设定的阈值一时判断车辆即将偏离出车道。
在本实施例中,采用跨道时间作为车道偏离的判断算法。将计算出的跨道时间和设定的阈值一进行对比,进而判断车辆是否即将偏离出车道。
基于跨道时间的车辆偏离判断算法通过建立的车辆运动模型预测车辆行驶轨迹,从而计算出车轮接触到车道边缘所需的最小时间即跨道时间。计算跨道时间TLC的具体表达式为:
式中,dlane表示车道宽度,db表示轮距,θ为车辆航向角(即实际方向盘转角),可由横摆角速度ω积分得到,L表示轴距,ω、v、y均来自步骤S11的横摆角速度ω、车速v、车辆横向偏差y。
步骤S13,根据判断结果决定是否启动车道偏离辅助***。
当判断车辆即将偏离出车道时,启动所述车道偏离辅助***。如果步骤S12中,计算出的跨道时间小于设定的阈值一,说明车辆即将偏离出车道,则步骤S13启动车道偏离辅助***。如果计算出的跨道时间大于等于设定的阈值一,说明车辆不会即将偏离出车道,则不启动车道偏离辅助***。
二、控制层结构针对基于电动助力转向和差动制动的两种车道偏离辅助控制方法的局限性,充分考虑路面环境信息和车辆状态,提出可拓联合控制策略,设计可拓联合控制器。也就是说,控制层结构要针对执行层结构的车路模型进行控制,分三种控制,三选一:单纯的差动制动控制,单纯的电动助力转向控制,差动制动控制和电动助力转向控制都有的联合控制。
在控制层机构中,采用基于转向和制动可拓联合的车道偏离辅助控制方法,如图3所示,其包括以下步骤。
步骤S21,选取特征量,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间。
如图4所示的可拓集合空间,在路面附着系数μ处于0和系数一μ1之间时,对应的特征状态属于非域集合空间,在路面附着系数μ处于系数一μ1和系数二μ2之间时,对应的特征状态属于可拓域集合空间,在路面附着系数μ处于系数二μ2和系数三μ3之间时,对应的特征状态属于经典集合空间,详情如下文介绍。
步骤S22,定义并计算关联函数,划分可拓集合空间并根据划分好的可拓集合空间计算出不同集合状态下的关于可拓联合控制的关联函数。
基于可拓理论,在μ-θ0平面X上,定义一点S0(μ3,0),记 对于任意工况下,平面上都存在一点S(μ,θ0),定义其关联函数
式中,X表示经典域。
步骤S23,划分可拓控制域,根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在划分的经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法,在非域内采用电动助力转向控制方法。
经典域内采用单纯的差动制动控制,非域采用单纯的电动助力转向控制,可拓域采用差动制动控制和电动助力转向控制都有的联合控制。定义的特征状态关联函数K(S)表明了***特征状态S和关于***特征状态的可拓集合的关联度,用于不同的可拓集合范围划分,获得不同控制域,在不同的控制域内设计相应的控制方法,具体分以下三种情况。
(1)经典域:当状态S所得的关联函数值K(S)≥0,对应的特征状态属于经典域。LDAS处在完全可控的范围内,***在该范围内控制性能可达到最优。
在经典域范围内,采用差动制动控制对车道偏离进行控制。此差动制动控制方法既能很好的实现车道偏离辅助,又避免了人机干扰,保证了LDAS在此范围内的最佳控制性能。控制器输出u(t)记为u(DBC)。
(2)可拓域:当状态S所得的关联函数值-1≤K(S)<0,对应的特征状态属于可拓域。可拓域是可拓控制研究和解决矛盾问题的关键所在,而可拓控制主要是在可拓域内发挥作用。
可拓域是拓展辅助***性能的重要区域,控制方法是为了尽可能拓展LDAS最佳控制性能的范围。在这一范围内采用基于差动制动控制和电动助力转向控制的联合控制策略进行车道偏离辅助,以尽可能拓展车道偏离辅助***的性能,避免采用单个***执行时的性能不足。因此,控制器的输出为:
u(t)=(1+K(S))·u(DBC)-K(S)·u(EPS)
(3)非域:当状态S所得的关联函数值K(S)<-1,对应的特征状态属于非域。在此范围内,特征状态较大的偏离经典域。
当控制器的工作范围处于非域内,此时采用差动制动控制方法已不能实现车辆的偏离辅助,则采用电动助力转向控制方法单独进行车道偏离辅助。控制器输出u(t)记为u(EPS)。
综上所述,可拓联合控制器的输出可用如下公式表示:
控制层机构也因此对应包括执行步骤S21的特征量选取模块、执行步骤S22的关联函数定义和计算模块、执行步骤S23的可拓控制域划分模块。可拓控制域划分模块包括差动制动控制单元、电动助力转向控制单元、联合控制单元。差动制动控制单元用于在经典域内采用单纯的差动制动控制,电动助力转向控制单元用于在非域内采用单纯的电动助力转向控制,联合控制单元用于在可拓域内采用差动制动控制和电动助力转向控制都有的联合控制,即转向和制动联合控制方法。
电动助力转向控制单元如图5所示,请再结合图6,其电动助力转向控制方法包括以下步骤。
步骤S31,根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*。
在本实施例中,根据车辆横向偏差y和目标路径f(t)等状态参数,通过驾驶员模型计算出期望方向盘转角θ*。驾驶员模型为如图7所示的单点预瞄模型:f(t)为车辆目标轨迹即目标路径,y(t)为车辆当前位置侧向坐标,T为预瞄时间。
假设预瞄距离为d,预瞄时间T与预瞄距离d之间的关系为:
根据车辆的侧向速度即车速v与车辆的侧向加速度,可以预测t+T时刻车辆位置的侧向坐标y(t+T),此时选择一个理想的转向角使得车辆产生侧向加速度在t+T时刻车辆位置的侧向坐标y(t+T)与目标轨迹的侧向坐标f(t+T)相等,则可得:
f(t+T)=y(t+T)
联立两式可得最优的侧向加速度
根据车辆运动学关系,可以得到实际侧向加速度与实际方向盘转角θ之间的关系:式中,R为汽车转向半径,i1表示转向系传动比。
最后得出跟踪目标轨迹所需的最优转向盘转角即期望方向盘转角θ*:
步骤S32,根据实际方向盘转角θ和期望方向盘转角θ*,得出车辆转向所需的期望辅助转矩
步骤S31和步骤S32中,先通过驾驶员模型计算出期望方向盘转角θ*,再将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩
BP神经网络的PID控制器如图8所示,即神经网络PID控制结构主要由经典的PID控制器和神经网络两部分构成。经典PID控制器:直接对被控对象进行闭环控制,控制器的三个参数为在线整定。神经网络:其输出层神经元的输出状态对应PID控制器的三个可调参数,通过神经网络的自学习和调整加权系数,使得神经网络的输出对应于某种最优控制律下的PID控制参数。
神经网络采用3-5-3结构的三层前馈网络。输入层神经元的个数为3,分别为横摆角速度期望值、实际值和偏差;隐含层神经元个数为5;输出层神经元个数为3,即PID控制参数。
令输入向量X=[x1(n),x2(n),x3(n)]T,x1(n),x2(n),x3(n)分别表示ω*(n),ω(n)及其偏差e(n);第k层的输出用y(k)(n),(k=1,2,3)表示;隐含层神经元的激活函数取正负对称的Sigmoid函数:
输出层输出分别为:
由于这三个参数不能为负,所以输出层的激活函数为:
因此,BP神经网络PID控制器的控制律为:
定义性能指标函数为:
如图9所示,采用BP学习算法对网络加权系数进行迭代修正,即按ε(n)对加权系数的负梯度方向搜索调整,并附加一个使搜索快速收敛全局极小的动量项:式中,η为学习率;α为动量因子;wli为隐含层和输出层的加权系数。
步骤S33,设计双输入单输出的人机协调控制器,车辆行驶过程中的操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ。
根据操作转矩Td和车辆横向偏差y设计双输入单输出的人机协调控制器。人机协调控制器包括基于五层拓扑结构的模糊神经网络控制器,所述模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层;以操作转矩Td和车辆横向偏差y为双输入的输入层,权重系数σ为单输出的输出层。故,基于五层拓扑结构的模糊神经网络理论设计双输入单输出的人机协调控制器。
所述人机协调控制器基于模糊神经网络理论并充分考虑驾驶员操作转矩Td和车辆横向偏差y而设计。
用于人机协调的模糊神经网络控制器的设计需要满足得原则具体包括。
(1)当驾驶员转矩此时车辆处于紧急状态,实际辅助转矩Ta的权重系数最低,驾驶员完全占据车辆行驶的主权。
(2)当此时驾驶员没有操作转向盘,所述车道偏离辅助***占据车辆行驶主权,权重系数σ随着侧向车辆横向偏差y的增大而增大。其中,表示为判断驾驶员操作状态所设定的阈值二的最大值和最小值。
(3)当且|y|<ymin,此时车辆处于车道中央,没有偏离出车道的危险,所以要降低实际辅助转矩Ta的权重系数σ,给驾驶员尽可能多的车辆行驶主权。其中,ymin表示认为车辆仍然处于车道中央所设定的阈值三。
(4)当且此时分三种情况讨论:若驾驶员转矩即操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta较大的权重系数σ以纠正车辆行驶轨迹;若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。驾驶员转矩越大,实际辅助转矩Ta的权重系数σ就越小,以减小辅助***对驾驶员的干预;若侧向偏差即车辆横向偏差y较大,实际辅助转矩Ta的权重系数σ也较大,反之亦然。
所设计的人机协调控制器的模糊神经网络采用双输入/单输出的五层拓扑结构,即输入层、模糊化层、推理层、归一化层和输出层。以操作转矩Td和车辆横向偏差y为输入,权重系数σ为输出。
设输入的操作转矩Td的论域为[-8,8],模糊子集为{NB,NM,NS,Z,PS,PM,PB},分别表示{负大,负中,负小,零,正小,正中,正大};车辆侧向偏差y的论域设为[-0.6,0.6],模糊子集也为{NB,NM,NS,Z,PS,PM,PB},分别表示{负大,负中,负小,零,正小,正中,正大};输出的权重系数σ的论域为[0,1],模糊子集为{Z,S,M,L,VL},分别表示{零,小,中,大,很大}。令输入向量X=[x1,x2]T(x1=Td,x2=y),第k层的输出用y(k),(k=1,2,3,4,5)表示,各层功能如下:
第一层:输入层。输入层的每个神经元节点对应一个连续变量xi,这一层的节点直接将输入数据传给第二层节点,因而,输出表示如下:
第二层:模糊化层。将输入的连续变量xi的值根据定义的模糊子集上的隶属度函数进行模糊化处理,该层每个节点代表着一个语言变量值,总节点数为14。第1层第i个输出对应的第j级隶属度计算公式可表示为:式中:cij,σij分别表示隶属函数的中心和宽度。
第三层:推理层。每个神经元节点代表一条对应的模糊规则,通过匹配第2层得到的隶属度,计算出每条规则的适用度。总节点数为n(n=49),则第m个节点的输出为:式中,为第一层第1个输出对应的第j级隶属度,为第一层第2个输出对应的第j级隶属度。简单的说就是当i分别为1和2时第二层的输出。
第四层:归一化层。对网络结构进行总体归一化计算,总节点数为n,第四层第m个节点的输出为:
第五层:输出层。将模糊化后的变量清晰化,进行反模糊计算。网络输出y(5)等于第4层各节点输出与其对应权重的乘积求和:式中:wm表示第4层第m个节点与输出节点之间的连接权值。
步骤S34,通过权重系数σ和期望辅助转矩做乘积来动态优化所述车道偏离辅助***的实际辅助转矩Ta的大小。
若驾驶员转矩即操作转矩Td和实际辅助转矩Ta方向相反,说明驾驶员误操作,此时需要给实际辅助转矩Ta较大的权重系数σ以纠正车辆行驶轨迹。可以通过在执行层机构的EPS(Electric Power steering system)***单独进行车道偏离辅助,如改变汽车前轮转角δf,汽车前轮转角δf的改变引起车路模型的调整,最终改变车辆横向偏差y。
若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确。理论上无需通过EPS***进行车道偏离辅助。实际上,驾驶员转向正确也需要EPS辅助(因为驾驶员施加的转矩可能是不准确的,例如需要10nm,驾驶员只给了1nm),只不过权重要减小,尽量给驾驶员更多的主权,减小对驾驶员的干预。因此在本实施例中,若操作转矩Td和实际辅助转矩Ta方向相同,说明驾驶员转向正确,则尽量给驾驶员更多的主权,减小对驾驶员的干预。操作转矩Td越大,实际辅助转矩Ta的权重系数σ就越小,以减小辅助***对驾驶员的干预,此时,驾驶员的操作和EPS机构的车道偏离辅助可以同步进行。若车辆横向偏差y较大,实际辅助转矩Ta的权重系数σ也较大,反之亦然。
传统的车道偏离辅助***,在当判断车辆即将偏离出车道且驾驶员未操作方向盘时,就会启用,一旦驾驶员介入,辅助***将停止工作。***通过电动助力转向机构即EPS***进行车道偏离辅助。如驱动EPS***的电机给转向柱施加转矩改变汽车前轮转角δf,汽车前轮转角δf的改变引起车辆状态和位置的调整,体现在车辆行驶过程中车辆在路面上相对于车道中心线的车辆横向偏差y的调整。
本发明的电动助力转向控制方法用于在车辆即将偏离出车道时,协同驾驶员共同完成转向。该***能够有效地协调驾驶员和车道偏离辅助***,适时进行车道偏离辅助控制以提升人机协调性能。因而,本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和车道偏离辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
差动制动控制单元如图10所示,在本实施例中,根据期望方向盘转角θ*,通过二自由度参考车辆模型计算出期望横摆角速度ω*,通过BP神经网络PID控制器跟踪期望横摆角速度ω*得到所需辅助横摆力矩Mb,并分配给各车轮所需的制动力ΔP以差动制动的方式实现横摆响应。请再结合图11,其差动制动控制方法包括以下步骤。
步骤S41,根据期望方向盘转角θ*,计算出期望横摆角速度ω*。
根据期望方向盘转角θ*,通过参考车辆模型(如通过二自由度参考车辆模型)计算出期望横摆角速度ω*。所述参考车辆模型可为:选用二自由度车辆模型作为参考车辆模型,以确定期望的车辆运动状态。二自由度车辆模型的状态方程可描述为:式中,β为汽车质心侧偏角;ω为汽车的实际横摆角速度;m为整车质量;Iz为汽车绕z轴的转动惯量;δf为汽车前轮转角;Mb为辅助横摆力矩;lf,lr分别为质心到前后轴中心的距离;Cf,Cr分别为前后轴等效侧偏刚度。
根据驾驶员单点预瞄模型获得的理想转角Ks,可由二自由度车辆模型计算出期望横摆角速度,如下:为避免车辆失稳,在不同的路面状况下允许的侧向加速度ay需要满足:|ay|≤μg。横摆角速度的期望值需控制在由路面附着因数所确定的范围内,即
步骤S42,通过BP神经网络PID控制器跟踪期望横摆角速度ω*得到所需辅助横摆力矩Mb。
制动力分配具体为:为达到期望的横摆力矩,所需要的额外差动轮胎纵向力ΔFx为:ΔFx=2|Mb|/lw,式中,lw为轮距。
由于差动制动对车辆纵向速度影响不大,忽略纵向加速度引起的载荷转移,根据前后轴的垂向载荷可以确定前后轮制动转矩的关系为:式中,ΔFxf为目标侧前轮纵向制动力,ΔFxr为目标侧后轮纵向制动力。则目标侧前后轮制动压力分别为:式中,r为车轮半径;Kf、Kr为由制动摩擦面积、摩擦因数和制动器半径等共同确定的前后车轮制动效能因数。
步骤S43,根据辅助横摆力矩Mb分配给车辆的各个车轮所需的制动力ΔP以实现横摆响应。在本实施例中,车辆有前后左右四个车轮,因此有四个制动力Plf、Plr、Prf、Prr。因此,制动力ΔP通过电动助力转向机构即EPS***进行车道偏离辅助。当Mb大于零时,左侧车轮进行制动,当Mb小于零时,右侧车轮进行制动。
车路模型的调整,最终改变实际横摆角速度ω,通过跟踪期望横摆角速度ω*改变实际横摆角速度ω,实现自适应调整。
请再次参阅图1,联合控制单元的转向和制动联合控制方法为电动助力转向控制方法和差动制动控制方法的有机组合。车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。在这里转矩指:电动助力转向控制方法得到的操作转矩Td和实际辅助转矩Ta,制动信号指:差动制动控制方法得到的制动力ΔP,从而通过方向盘转向和车轮差动制动实现车辆在偏离状态下的辅助控制。
在经典域内,采用差动制动控制方法,输出四轮制动压力;在非域中,采用电动助力转向控制方法,输出方向盘转矩信号;在可拓域内,采用转向和制动联合控制方法,输出转矩和制动压力信号。
本实施方式所提出的方法旨在提供一种基于转向和制动可拓联合的车道偏离辅助控制方法,该方法基于可拓控制理论,针对基于电动助力转向和差动制动的两种车道偏离辅助控制方法的局限性,充分考虑路面环境信息和车辆状态,提出可拓联合控制策略,设计可拓联合控制器。该控制器将电动助力转向和差动制动进行联合控制,以实现车道偏离辅助。本发明能够有效地避免车辆偏离出车道,同时降低驾驶员和辅助***之间的相互干扰,减小人机冲突,可进一步推广。
三、执行层机构,其主要有EPS***、制动***,通过EPS***、制动***执行控制层机构的决策,如:EPS***执行转向(方向盘转向),制动***执行差动制动(车轮差动制动)。
为验证本方法的有效性和可行性,以下结合具体对上述方法进行验证。
采用基于CarSim车辆模型的仿真环境,联合LabVIEW进行硬件在环试验研究。试验平台和试验框图如图12所示。本发明搭建的试验台主要由上位机、下位机、接口***、转向***以及制动***几部分组成。在上位机中根据车辆参数建立CarSim整车动力学模型和虚拟道路,联合CarSim/LabVIEW,编写LabVIEW车道偏离辅助控制程序;下位机为NI的PXI***,实时运行上位机建立的程序;接口***是将传感器采集到的转矩和轮缸压力等信号传送到PXI***,同时将控制信号输出给执行机构的控制器(如控制泵电机和电磁阀的驱动板、控制辅助转矩的EPS电机控制器以及生成转向路感的伺服电机)。
选取典型工况进行台架试验验证,设置设仿真道路为直路,路宽3.75m,车速为60km/h,路面附着系数设置为0.5,车辆方向盘初始偏转角设置为20°。分别对电动助力转向控制、差动制动控制和可拓联合控制三种控制策略进行试验验证。
图13、图14的试验结果反映出采用可拓联合控制策略时,车辆没有偏离出车道且能较快回到车道中央。图13中车辆横向偏y的峰值较差动制动控制降低26%,图14中实际横摆角速度ω相对于两种单独控制也更为平稳,极大地提高了差动制动控制的辅助性能,同时相较于电动助力转向控制减小了驾驶员和辅助***之间的干扰,***具有最优的整体性能。
实施例2
请参阅图15,本实施例提供了具体的一种基于转向和制动可拓联合的车道偏离辅助控制方法,其包括以下步骤。
步骤S51,判断车道是否偏离,并在判断车道偏离时,启动车道偏离辅助***。此步骤的具体实现请参阅实施例1的步骤S11至S13中描述的车道偏离判断方法,在此不再详细叙述。
步骤S52,选取特征量,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间。此步骤的具体实现请参阅实施例1的步骤S21,在此不再详细叙述。
步骤S53,定义并计算关联函数,划分可拓集合空间并根据划分好的可拓集合空间并计算出不同集合状态下的关于可拓联合控制的关联函数。此步骤的具体实现请参阅实施例1的步骤S22,在此不再详细叙述。
步骤S54,划分可拓控制域,根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在经典域内采用差动制动控制方法,在非域内采用电动助力转向控制方法,在可拓域内采用转向和制动联合控制方法。此步骤的具体实现请参阅实施例1的步骤S23,在此不再详细叙述。电动助力转向控制方法可以采用传统的电动助力转向控制方法,也可以采用本发明实施例1中描述的电动助力转向控制方法,本发明实施例1中描述的电动助力转向控制方法的属于一种车道偏离辅助***的人机协调控制方法,基于模糊神经网络控制理论,针对车道偏离辅助过程中驾驶员和辅助***之间的人机协调问题,设计了考虑驾驶员转矩和车辆横向偏差的人机协调控制器。人机协调控制器通过输出辅助权重动态地调整车道偏离辅助***的辅助转矩,实现驾驶员与辅助***的协调控制。本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
步骤S55,车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
在经典域内,采用差动制动控制方法,输出四轮制动压力;在非域中,采用电动助力转向控制方法,输出方向盘转矩信号;在可拓域内,采用转向和制动联合控制方法,输出转矩和制动压力信号。
实施例3
请参阅图16,本实施例提供了具体的一种基于转向和制动可拓联合的车道偏离辅助控制装置,其包括以下部件。
车道偏离模块,其用于执行步骤S51,判断车道是否偏离,并在判断车道偏离时,启动车道偏离辅助***。
特征量选取模块,其用于执行步骤S52,选取特征量,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间。
关联函数定义和计算模块,其用于执行步骤S53,定义并计算关联函数,划分可拓集合空间并根据划分好的可拓集合空间并计算出不同集合状态下的关于可拓联合控制的关联函数。
可拓控制域划分模块,其用于执行步骤S54,划分可拓控制域,根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在划分的经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法,在非域内采用电动助力转向控制方法。
决策执行模块,其用于执行步骤S55,车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
其中,特征量选取模块、关联函数定义和计算模块、可拓控制域划分模块、决策执行模块为构成一种可拓联合控制器的主要部件,所述可拓联合控制器实现可拓联合控制策略。
在经典域内,采用差动制动控制方法,输出四轮制动压力;在非域中,采用电动助力转向控制方法,输出方向盘转矩信号;在可拓域内,采用转向和制动联合控制方法,输出转矩和制动压力信号。
实施例4
请参阅图17,本实施例提供了具体的一种电动助力转向控制装置,其包括以下部件。
期望方向盘转角θ*获取模块,其用于执行步骤S31,根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*。
期望辅助转矩获取模块,其用于执行步骤S32,根据实际方向盘转角θ和期望方向盘转角θ*,得出车辆转向所需的期望辅助转矩
权重系数σ获取模块,其用于执行步骤S33,设计双输入单输出的人机协调控制器,车辆行驶过程中的操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ。
实际辅助转矩Ta优化模块,其用于执行步骤S34,通过权重系数σ和期望辅助转矩做乘积来动态优化所述车道偏离辅助***的实际辅助转矩Ta的大小。
本发明的电动助力转向控制装置用于在车辆即将偏离出车道时,协同驾驶员共同完成转向。该***能够有效地协调驾驶员和车道偏离辅助***,适时进行车道偏离辅助控制以提升人机协调性能。因而,本发明能够在有效地避免车辆偏离出车道的同时,减小驾驶员和车道偏离辅助***之间的相互干扰,避免人机冲突,有较好的人机协调性能。
实施例5
请参阅图18,本实施例提供了具体的一种差动制动控制装置,其包括以下部件。
期望横摆角速度ω*获取模块,其用于执行步骤S41,根据期望方向盘转角θ*,计算出期望横摆角速度ω*。
辅助横摆力矩Mb获取模块,其用于执行步骤S42,通过BP神经网络PID控制器跟踪期望横摆角速度ω*得到所需辅助横摆力矩Mb。
制动力ΔP获取模块,其用于执行步骤S43,根据辅助横摆力矩Mb分配给车辆的各个车轮所需的制动力ΔP以实现横摆响应。
本发明的差动制动控制装置根据期望方向盘转角θ*,通过二自由度参考车辆模型计算出期望横摆角速度ω*,通过BP神经网络PID控制器跟踪期望横摆角速度ω*得到所需辅助横摆力矩Mb,并分配给各车轮所需的制动力ΔP以差动制动的方式实现横摆响应。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,其包括:
车道偏离辅助***启动后,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间;
划分可拓集合空间并根据划分好的可拓集合空间计算出不同集合状态下的关于可拓联合控制的关联函数;
根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在非域内采用电动助力转向控制方法,在经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法;
车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
2.如权利要求1所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,在μ-θ0平面X上,定义一点S0(μ3,0),记对于任意工况下,平面上都存在特征状态S(μ,θ0),定义其关联函数:
式中,X表示经典域。
3.如权利要求2所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,当特征状态S(μ,θ0)所得的关联函数值K(S)≥0,对应的特征状态S(μ,θ0)属于经典域;当特征状态S(μ,θ0)所得的关联函数值-1≤K(S)<0,对应的特征状态S(μ,θ0)属于可拓域;当特征状态S(μ,θ0)所得的关联函数值K(S)<-1,对应的特征状态S(μ,θ0)属于非域。
4.如权利要求1所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,所述电动助力转向控制方法包括:
根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),得出车辆转向所需的期望方向盘转角θ*;
根据实际方向盘转角θ和期望方向盘转角θ*,得出车辆转向所需的期望辅助转矩
设计双输入单输出的人机协调控制器,车辆行驶过程中的操作转矩Td和车辆横向偏差y作为人机协调控制器的两个输入,人机协调控制器的输出为权重系数σ;
通过权重系数σ和期望辅助转矩做乘积来动态优化所述车道偏离辅助***的实际辅助转矩Ta的大小。
5.如权利要求4所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,根据车辆行驶过程中的车辆横向偏差y和目标路径f(t),通过驾驶员模型计算出期望方向盘转角θ*。
6.如权利要求4所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,将实际方向盘转角θ和期望方向盘转角θ*做差,并通过BP神经网络的PID控制器得出车辆转向所需的期望辅助转矩
7.如权利要求4所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,人机协调控制器包括基于五层拓扑结构的模糊神经网络控制器,所述模糊神经网络控制器的五层拓扑结构为:输入层、模糊化层、推理层、归一化层和输出层;以操作转矩Td和车辆横向偏差y为双输入的输入层,权重系数σ为单输出的输出层。
8.如权利要求4所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,所述差动制动控制方法包括步骤:
根据期望方向盘转角θ*,计算出期望横摆角速度ω*;
通过BP神经网络PID控制器跟踪期望横摆角速度ω*得到所需辅助横摆力矩Mb;
根据辅助横摆力矩Mb分配给车辆的各个车轮所需的制动力ΔP以实现横摆响应。
9.如权利要求8所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,所述转向和制动联合控制方法指将电动助力转向和差动制动进行联合控制,控制域内相应控制方法得出的转矩指电动助力转向控制方法得到的操作转矩Td和实际辅助转矩Ta,控制域内相应控制方法得出的制动信号指差动制动控制方法得到的制动力ΔP,从而所述转向和制动联合控制方法通过方向盘转向和车轮差动制动实现车辆在偏离状态下的辅助控制。
10.如权利要求1至9中任意一项所述的基于转向和制动可拓联合的车道偏离辅助控制方法,其特征在于,设计相应的基于转向和制动可拓联合的车道偏离辅助控制装置,所述车道偏离辅助控制装置包括:
车道偏离模块,其用于判断车道是否偏离,并在判断车道偏离时,启动车道偏离辅助***;
特征量选取模块,其用于选取特征量,提取路面附着系数μ和方向盘初始转角θ0作为特征量,组成特征状态S(μ,θ0),并建立关于特征状态S(μ,θ0)的可拓集合空间;
关联函数定义和计算模块,其用于定义并计算关联函数,划分可拓集合空间并根据划分好的可拓集合设计并计算出不同集合状态下的关于可拓联合控制的关联函数;
可拓控制域划分模块,其用于划分可拓控制域,根据关联函数的值域进行控制域的划分:非域、可拓域、经典域,在划分的经典域内采用差动制动控制方法,在可拓域内采用转向和制动联合控制方法,在非域内采用电动助力转向控制方法;
决策执行模块,其用于驱动车道偏离辅助***根据车辆实时的状态判断所处的控制域,将控制域内相应控制方法得出的转矩和制动信号输入到车路模型中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031565.4A CN108216231B (zh) | 2018-01-12 | 2018-01-12 | 一种基于转向和制动可拓联合的车道偏离辅助控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810031565.4A CN108216231B (zh) | 2018-01-12 | 2018-01-12 | 一种基于转向和制动可拓联合的车道偏离辅助控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108216231A true CN108216231A (zh) | 2018-06-29 |
CN108216231B CN108216231B (zh) | 2019-07-19 |
Family
ID=62641954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810031565.4A Active CN108216231B (zh) | 2018-01-12 | 2018-01-12 | 一种基于转向和制动可拓联合的车道偏离辅助控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108216231B (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109001976A (zh) * | 2018-08-15 | 2018-12-14 | 江苏大学 | 一种自动驾驶车的双路协同可拓横向控制方法 |
CN109131325A (zh) * | 2018-08-15 | 2019-01-04 | 江苏大学 | 智能驾驶汽车的三维可拓预瞄切换的车道保持控制方法 |
CN109177744A (zh) * | 2018-09-20 | 2019-01-11 | 合肥工业大学 | 一种车道偏离辅助控制***的转矩分配控制方法 |
CN109508015A (zh) * | 2018-12-26 | 2019-03-22 | 南京航空航天大学 | 一种基于可拓控制的agv电磁导航控制*** |
CN109606364A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法 |
CN109606362A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 一种基于道路曲率的可拓前馈车道保持控制方法 |
CN109606363A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 一种多状态反馈的智能汽车可拓车道保持控制方法 |
CN109664884A (zh) * | 2018-11-19 | 2019-04-23 | 江苏大学 | 一种可变车速下的可拓自适应车道保持控方法 |
CN109733395A (zh) * | 2018-12-19 | 2019-05-10 | 江苏大学 | 一种基于可拓优度评价的自动驾驶汽车横向协调控制方法 |
CN110646009A (zh) * | 2019-09-27 | 2020-01-03 | 北京邮电大学 | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 |
CN110789488A (zh) * | 2019-10-09 | 2020-02-14 | 太航常青汽车安全***(苏州)股份有限公司 | 一种基于乘员体征识别的智能安全气囊控制***及方法 |
CN111152776A (zh) * | 2020-01-10 | 2020-05-15 | 合肥工业大学 | 一种无人驾驶方程式赛车转向与制动协调控制方法及*** |
CN111605549A (zh) * | 2020-05-06 | 2020-09-01 | 南京航空航天大学 | 一种基于可拓逻辑的智能车道保持***及控制方法 |
CN111674386A (zh) * | 2020-05-15 | 2020-09-18 | 武汉科技大学 | 基于afs和dyc的车辆协调控制方法、装置及存储介质 |
CN112706756A (zh) * | 2020-11-25 | 2021-04-27 | 东风越野车有限公司 | 轮毂电机驱动越野车横摆稳定性控制方法 |
CN115107867A (zh) * | 2021-03-22 | 2022-09-27 | 操纵技术Ip控股公司 | 基于神经网络计算的扭矩请求的功能限制 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215393A1 (en) * | 2003-04-23 | 2004-10-28 | Nissan Motor Co. Ltd. | Automotive lane deviation prevention apparatus |
CN1621263A (zh) * | 2003-11-26 | 2005-06-01 | 日产自动车株式会社 | 机动车道防偏设备 |
CN201102543Y (zh) * | 2007-07-06 | 2008-08-20 | 合肥工业大学 | 汽车电动转向、主动悬架***和制动防抱死集成控制器 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN107010104A (zh) * | 2017-03-09 | 2017-08-04 | 合肥工业大学 | 一种基于可拓滑模线控车辆行驶稳定性控制方法及*** |
-
2018
- 2018-01-12 CN CN201810031565.4A patent/CN108216231B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040215393A1 (en) * | 2003-04-23 | 2004-10-28 | Nissan Motor Co. Ltd. | Automotive lane deviation prevention apparatus |
CN1621263A (zh) * | 2003-11-26 | 2005-06-01 | 日产自动车株式会社 | 机动车道防偏设备 |
CN201102543Y (zh) * | 2007-07-06 | 2008-08-20 | 合肥工业大学 | 汽车电动转向、主动悬架***和制动防抱死集成控制器 |
CN106004870A (zh) * | 2016-06-23 | 2016-10-12 | 吉林大学 | 一种基于变权重模型预测算法的车辆稳定性集成控制方法 |
CN107010104A (zh) * | 2017-03-09 | 2017-08-04 | 合肥工业大学 | 一种基于可拓滑模线控车辆行驶稳定性控制方法及*** |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109131325A (zh) * | 2018-08-15 | 2019-01-04 | 江苏大学 | 智能驾驶汽车的三维可拓预瞄切换的车道保持控制方法 |
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 |
CN109001976A (zh) * | 2018-08-15 | 2018-12-14 | 江苏大学 | 一种自动驾驶车的双路协同可拓横向控制方法 |
CN109131325B (zh) * | 2018-08-15 | 2020-07-31 | 江苏大学 | 智能驾驶汽车的三维可拓预瞄切换的车道保持控制方法 |
CN109177744B (zh) * | 2018-09-20 | 2020-04-24 | 合肥工业大学 | 一种轮毂电机驱动汽车车道偏离辅助控制方法 |
CN109177744A (zh) * | 2018-09-20 | 2019-01-11 | 合肥工业大学 | 一种车道偏离辅助控制***的转矩分配控制方法 |
CN109606363B (zh) * | 2018-11-19 | 2020-11-20 | 江苏大学 | 一种多状态反馈的智能汽车可拓车道保持控制方法 |
CN109606362A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 一种基于道路曲率的可拓前馈车道保持控制方法 |
CN109606364A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 一种智能汽车可变车速下分层式自学习可拓神经网络车道保持控制方法 |
CN109664884A (zh) * | 2018-11-19 | 2019-04-23 | 江苏大学 | 一种可变车速下的可拓自适应车道保持控方法 |
CN109664884B (zh) * | 2018-11-19 | 2020-06-09 | 江苏大学 | 一种可变车速下的可拓自适应车道保持控制方法 |
CN109606363A (zh) * | 2018-11-19 | 2019-04-12 | 江苏大学 | 一种多状态反馈的智能汽车可拓车道保持控制方法 |
CN109606362B (zh) * | 2018-11-19 | 2020-06-09 | 江苏大学 | 一种基于道路曲率的可拓前馈车道保持控制方法 |
CN109733395A (zh) * | 2018-12-19 | 2019-05-10 | 江苏大学 | 一种基于可拓优度评价的自动驾驶汽车横向协调控制方法 |
CN109508015A (zh) * | 2018-12-26 | 2019-03-22 | 南京航空航天大学 | 一种基于可拓控制的agv电磁导航控制*** |
CN110646009A (zh) * | 2019-09-27 | 2020-01-03 | 北京邮电大学 | 一种基于dqn的车辆自动驾驶路径规划的方法及装置 |
CN110789488A (zh) * | 2019-10-09 | 2020-02-14 | 太航常青汽车安全***(苏州)股份有限公司 | 一种基于乘员体征识别的智能安全气囊控制***及方法 |
CN112874504A (zh) * | 2020-01-10 | 2021-06-01 | 合肥工业大学 | 一种可拓熵权联合控制器控制方法及其赛车的控制方法 |
CN111152776B (zh) * | 2020-01-10 | 2021-03-23 | 合肥工业大学 | 一种无人驾驶方程式赛车转向与制动协调控制方法及*** |
CN111152776A (zh) * | 2020-01-10 | 2020-05-15 | 合肥工业大学 | 一种无人驾驶方程式赛车转向与制动协调控制方法及*** |
CN112874504B (zh) * | 2020-01-10 | 2022-03-04 | 合肥工业大学 | 一种可拓熵权联合控制器控制方法 |
CN111605549A (zh) * | 2020-05-06 | 2020-09-01 | 南京航空航天大学 | 一种基于可拓逻辑的智能车道保持***及控制方法 |
CN111674386A (zh) * | 2020-05-15 | 2020-09-18 | 武汉科技大学 | 基于afs和dyc的车辆协调控制方法、装置及存储介质 |
CN112706756A (zh) * | 2020-11-25 | 2021-04-27 | 东风越野车有限公司 | 轮毂电机驱动越野车横摆稳定性控制方法 |
CN112706756B (zh) * | 2020-11-25 | 2022-03-29 | 东风越野车有限公司 | 轮毂电机驱动越野车横摆稳定性控制方法 |
CN115107867A (zh) * | 2021-03-22 | 2022-09-27 | 操纵技术Ip控股公司 | 基于神经网络计算的扭矩请求的功能限制 |
Also Published As
Publication number | Publication date |
---|---|
CN108216231B (zh) | 2019-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108216231B (zh) | 一种基于转向和制动可拓联合的车道偏离辅助控制方法 | |
CN107972667B (zh) | 一种车道偏离辅助***的人机协调控制方法 | |
Wang et al. | Coordination control of differential drive assist steering and vehicle stability control for four-wheel-independent-drive EV | |
Zhu et al. | Personalized lane-change assistance system with driver behavior identification | |
CN112068445B (zh) | 自动驾驶车辆路径规划与路径跟踪集成控制方法及*** | |
CN110329255A (zh) | 一种基于人机协同策略的车道偏离辅助控制方法 | |
Hu et al. | Probabilistic lane-change decision-making and planning for autonomous heavy vehicles | |
Hsu et al. | An optimal wheel torque distribution controller for automated vehicle trajectory following | |
Hu et al. | An optimal torque distribution control strategy for four-wheel independent drive electric vehicles considering energy economy | |
CN107380162B (zh) | 基于功能分配与多目标模糊决策的协同避撞方法 | |
Lu et al. | A shared control design for steering assistance system considering driver behaviors | |
Li et al. | Coordination control of maneuverability and stability for four-wheel-independent-drive EV considering tire sideslip | |
Deng et al. | Torque vectoring algorithm based on mechanical elastic electric wheels with consideration of the stability and economy | |
Li et al. | Research on active obstacle avoidance control strategy for intelligent vehicle based on active safety collaborative control | |
Lu et al. | Global integrated control of vehicle suspension and chassis key subsystems | |
CN111158264A (zh) | 面向车载应用的模型预测控制快速求解方法 | |
Ahmed et al. | Using of neural network controller and fuzzy pid control to improve electric vehicle stability based on a14-dof model | |
Wu et al. | Steering and braking game control architecture based minimax robust stability control for emergency avoidance of autonomous vehicles | |
Feiqiang et al. | On the vehicle stability control for electric vehicle based on control allocation | |
Zhang | Modeling and dynamics control for distributed drive electric vehicles | |
Tian et al. | Pre-stability control for in-wheel-motor-driven electric vehicles with dynamic state prediction | |
Smith et al. | Optimal yaw-rate target for electric vehicle torque vectoring system | |
Chen et al. | Design of distributed drive control strategy for wheel side rear drive electric bus based on neural network algorithm | |
Wang et al. | Research on accurate adjustment of braking force and vehicle yaw stability control strategy based on new electro-hydraulic brake system | |
Wang et al. | Control Rights Distribution Weights and Takeover Authority for Human-machine Co-driving based on Fuzzy Control Algorithm |
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 |