CN108791289A - 一种车辆控制方法和装置 - Google Patents
一种车辆控制方法和装置 Download PDFInfo
- Publication number
- CN108791289A CN108791289A CN201810404991.8A CN201810404991A CN108791289A CN 108791289 A CN108791289 A CN 108791289A CN 201810404991 A CN201810404991 A CN 201810404991A CN 108791289 A CN108791289 A CN 108791289A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- lateral
- formula
- deviation
- destination path
- 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 87
- 238000006073 displacement reaction Methods 0.000 claims abstract description 112
- 238000009415 formwork Methods 0.000 claims abstract description 97
- 238000005070 sampling Methods 0.000 claims description 76
- 230000006870 function Effects 0.000 claims description 66
- 239000004576 sand Substances 0.000 claims description 23
- 238000009795 derivation Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000011478 gradient descent method Methods 0.000 claims description 6
- 238000004441 surface measurement Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 6
- 238000004590 computer program Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 13
- 238000013461 design Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 210000001258 synovial membrane Anatomy 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 101100491149 Caenorhabditis elegans lem-3 gene Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 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
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
一种车辆控制方法和装置,该方法包括,根据目标车辆的状态信息以及目标车辆所处道路的路面信息,确定当前的横向位移偏差以及横向角度偏差,根据当前的横向位移偏差、横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差,此后,根据当前的横向位移偏差、横向角度偏差、预瞄位置的横向位移偏差、滑模切换面方程以及滑模控制参数,确定滑模控制率,最后通过滑模控制方法,将滑模控制率作为输入,确定输出的转向角并根据转向角控制目标车辆,该转向角用于将目标车辆调整至沿目标路径行驶。由于以上车辆控制方法采用非线性的滑模控制方法,使得调整目标车辆行驶轨迹的效果更加理想。
Description
技术领域
本申请涉及无人车技术领域,尤其涉及一种车辆控制方法和装置。
背景技术
无人车是根据全部或部分已知和实时获取的环境条件信息做出相应的全局或局部路径规划,并自动地作出控制决策,使车辆安全可靠的运行至预定的目的地的智能汽车。
车辆控制技术是无人车技术的核心,主要包括车辆的速度和方向控制等几个部分,通过速度和方向控制,能够实现车辆行驶路线的控制。现有的车辆控制方法通过鲁棒PID(proportion、integration、differential,比例、积分、微分)方法计算控制量,根据该控制量可以控制车辆的实际行进路线不断趋近车辆的期望行进路线,直至实际行进路线与期望行进路线重合。然而,鲁棒PID方法是一种线性控制方法,因此该方法只能以线性方法确定车辆的控制量,从而根据控制量对车辆进行控制时,无论车辆当前实际行进路线偏离期望行进路线的程度如何,车辆向期望行进路线趋近的收敛速度都是相同的,控制效果不理想。
发明内容
本申请提供一种车辆控制方法和装置,用以解决目前的车辆控制方法控制车辆行进路线时效果不理想的技术问题。
第一方面,本申请实施例提供一种车辆控制方法,首先根据目标车辆的状态信息以及目标车辆所处道路的路面信息,确定当前的横向位移偏差以及横向角度偏差,其中,当前的横向位移偏差用于表示目标车辆当前时刻所处的目标位置与道路对应的目标路径上的第一横向位置之间的距离,横向角度偏差用于表示目标车辆当前时刻的行进方向与目标路径在第一横向位置的切线方向之间的角度偏差,第一横向位置为目标路径上与目标位置之间的距离最小的位置,横向角度偏差小于或等于90度,目标路径为期望目标车辆行驶的路径;此后,根据当前的横向位移偏差、横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差,其中,预瞄位置的横向位移偏差用于表示目标车辆行驶至预瞄位置时,预瞄位置与位于目标路径上的第二横向位置之间的距离,预瞄位置在目标车辆的中轴线上的投影位置与目标位置之间的距离为预瞄距离,且从目标位置指向预瞄位置之间的矢量方向与目标车辆当前的行进方向之间的夹角小于九十度,第二横向位置为目标路径上与预瞄位置之间的距离最小的位置;之后,根据当前的横向位移偏差、横向角度偏差、预瞄位置的横向位移偏差、滑模切换面方程以及滑模控制参数,确定滑模控制率,最后通过滑模控制方法,将滑模控制率作为输入,确定输出的转向角并根据转向角控制目标车辆,该转向角用于将目标车辆调整至沿目标路径行驶。
采用以上方法,通过滑模控制方法实现对目标车辆行驶路线的控制,使得目标车辆的行驶路线趋近目标路径直至与目标路径重合,由于滑模控制方法为非线性的控制方法,使得调整目标车辆行驶轨迹的时间更短,控制效果更加理想。
在实施中,可以根据第一公式确定当前的横向位移偏差yL,第一公式为:
其中,表示对yL求导,vy为目标车辆在垂直目标车辆当前时刻的行进方向上的横向速度,yL为根据目标车辆的三维***状态表达式确定的。
另外,可以根据第二公式确定横向角度偏差εL,第二公式为:
其中,表示对εL求导,ρ为目标路径的曲率,vx为目标车辆在目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻目标车辆当前时刻的行进方向与行进方向在水平面的投影之间的夹角,yL为根据目标车辆的三维***状态表达式确定的,w为目标车辆的横摆角速度,w为根据目标车辆的三维***状态表达式确定的。由于在确定横向角度偏差εL时考虑到了道路与水平面之间的斜面夹角β,使得根据该横向角度偏差εL进行行驶路线拟合得到的结果更为贴近实际路况,对于目标车辆的行驶轨迹的控制效果更为理想。
在实施中,目标车辆的三维***状态表达式为:
其中,u为目标车辆的转向角,表示对vy求导,表示对w求导,a11、a12、a21、a22、b11以及b21均为根据当前时刻目标车辆的状态信息以及道路的路面信息确定的系数。
在实施中,可以根据第三公示确定a11,第三公式为:
其中,Cr为目标车辆的后轮胎的侧偏刚度,Cf为目标车辆的前轮胎的侧偏刚度,m为目标车辆的质量,vx为目标车辆在目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻目标车辆当前时刻的行进方向与水平面之间的夹角;
可以根据第四公示确定a12,第四公式为:
其中,a为目标车辆的前轮轴距,b为目标车辆的后轮轴距;
可以根据第五公式确定a21,第五公式为:
其中,J为目标车辆的转动惯量;
可以根据第六公式确定a22,第六公式为:
可以根据第七公式确定b11,第七公式为:
可以根据第七公式确定b21,第八公式为:
在实施中,可以根据第九公式,确定预瞄距离D,第九公式为:
其中,d0为设定距离值,v为目标车辆的行驶速度,ρfront为第一曲率,ρnext为第二曲率。其中,第一曲率为目标路径在第一横向位置的曲率、目标路径在第一预瞄点的曲率以及目标路径在第一横向位置与第一预瞄点之间的平均曲率,第二曲率为目标路径在第一横向位置的曲率、目标路径在第二预瞄点的曲率以及目标路径在第一横向位置与第二预瞄点之间的平均曲率,第一预瞄点为目标路径上与目标位置之间的距离大于设定距离值的点中,与目标位置之间的距离最小的点,从目标位置发出且指向第一预瞄点的矢量与目标车辆当前时刻的行进方向之间的夹角小于九十度,第二预瞄点为目标路径上与目标位置之间的距离大于设定距离值的点中,与目标位置之间的距离最小的点,从目标位置发出且指向第二预瞄点的矢量与目标车辆当前时刻的行进方向之间的夹角不小于九十度。
在实施中,可以根据第十公式,确定预瞄位置的横向位移偏差ye:
其中,R为目标路径的转向半径,D为预瞄距离,yL为当前的横向位移偏差,εL为横向角度偏差。
在实施中,可以构建如下滑模切换面方程:
其中,ye为预瞄位置的横向位移偏差,α、βs以及(q/p)为滑模控制参数,α、βs以及(q/p)为正奇数;
令以上S1=0,可以根据第十一公式确定滑模控制参数u,第十一公式为:
其中,g(x)=1/((R+yL-DsinεL)vy),
f(x)=2(R-DsinεL)(a11vy+a12w)+2D(ρvxcosβ-w)cosεL,
R为目标路径的转向半径,D为预瞄距离,yL为当前的横向位移偏差,εL为横向角度偏差,vx为目标车辆在目标车辆当前时刻的行进方向上的纵向速度,vy为目标车辆在垂直目标车辆当前时刻的行进方向上的横向速度,w为目标车辆的横摆角速度,a11、a12为根据当前时刻目标车辆的状态信息以及道路的路面信息确定的系数。
在实施中,在控制目标车辆行驶后,还可以通过深度学习方法,确定滑模控制参数的调整值;具体来说,可以确定损失函数,用于表示目标车辆的预测行驶路径与实际行驶路径之间的实际损失,根据该损失函数,确定滑模控制参数的调整值。其中,确定损失函数的方法为:根据至少一个采样时刻目标车辆的预测横向位移偏差与实际横向位移偏差之间的偏差量,确定损失函数;或者根据至少一个采样时刻目标车辆的预测横向角度偏差与实际横向角度偏差之间的偏差量,确定损失函数。其中,预测横向位移偏差用于表示任意采样时刻,目标车辆所处的第一预测位置与目标路径上的第三横向位置之间的距离,第三横向位置为目标路径上与第一预测位置之间的距离最小的位置;实际横向位移偏差用于表示采样时刻,目标车辆所处的实际位置与目标路径上的第四横向位置之间的距离,第四横向位置为目标路径上与实际位置之间的距离最小的位置;预测横向角度偏差用于表示任意采样时刻,目标车辆的预测行进方向与目标路径在第五横向位置的切线方向之间的角度偏差,第五横向位置为目标路径上与目标车辆所处的第二预测位置之间的距离最小的位置;实际横向角度偏差用于表示采样时刻,目标车辆的实际行进方向与目标路径在第五横向位置的切线方向之间的角度偏差,第五横向位置为目标路径上与目标车辆所处的第二预测位置之间的距离最小的位置。
在实施中,确定损失函数之前,可以根据第十二公式确定采样时刻目标车辆的卷积特征图Cx,第十二公式为:
Cx=f(∑IGx+bx),
其中,I为输入阵,用于表示采样时刻目标车辆的状态信息以及目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据卷积特征图Cx,确定采样时刻目标车辆的预测横向位移偏差。另外在实施中,也可以根据卷积特征图Cx,确定采样时刻目标车辆的预测横向角度偏差。
在实施中,还可以通过梯度下降法,调整Gx和/或bx。具体来说,可以根据第十三公式确定灵敏度Ωx,第十三公式为:
Ωx=wx+1(σ'(wx+1Cx+bx+1)Ψi-1),
其中,wx+1表示卷积核中乘性偏置的取值,σ'(wx+1Cx+bx+1)表示灵敏度函数,Ψi-1为输入阵的上采样;
灵敏度函数为:
根据第十四公式确定Gx的权值更新Δwx,第十四公式为:
Δwx=-η∑(ΩxΨi+1),
其中,η表示学习速率,Ψi+1为输入阵的下采样;
根据Gx的权值更新Δwx,调整Gx的取值。
在实施中,可以根据第十五公式确定滑模控制参数α、βs以及(q/p)的调整值,第十五公式为:
其中,
f(Q,k)表示α的权重因子、f(Q,ε)表示βs的权重因子、f(Q,q/p)表示(q/p)的权重因子,n表示α的可变化范围,m表示βs的可变化范围,g表示q/p的可变化范围,γa为增益系数,s,z,c1,c2分别为一大于零的常数,Δα为α的调整值,Δβs为βs的调整值,Δ(q/p)为(q/p)的调整值。根据滑模控制参数α、βs以及(q/p)的调整值能够对滑模控制率进行调整,根据调整后的滑模控制率确定出的转向角控制目标车辆,能够进一步使得目标车辆的行驶轨迹快速趋近目标路径。
第二方面,本申请实施例提供了一种车辆控制的控制设备,包括存储器和处理器,存储器存储有计算机程序或指令,处理器调用存储器存储的计算机程序或指令可以实现上述第一方面以及第一方面中的任意一种可能的设计中缓存策略服务器所执行的方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,可读存储介质中保存有计算机程序,当计算机程序被计算机运行时,可以使得计算机实现上述第一方面以及第一方面中的任意一种可能的设计中的车辆控制方法。
第四方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品被计算机运行时,可以使得计算机实现上述第一方面以及第一方面中的任意一种可能的设计中的车辆控制方法。
第五方面,本申请实施例提供了一种芯片,该芯片与收发器耦合,用于实现上述第一方面以及第一方面中的任意一种可能的设计中的车辆控制方法。
附图说明
图1为本申请实施例提供的一种车辆控制方法的***架构示意图;
图2为本申请实施例提供的一种控制设备的结构示意图;
图3为本申请实施例提供的一种目标车辆的行驶状态示意图;
图4为本申请实施例提供的一种车辆控制方法的流程图;
图5为本申请实施例提供的一种调整滑膜控制参数的方法的流程图;
图6为本申请实施例提供的另一种车辆控制方法的流程图;
图7为本申请实施例提供的另一种控制设备的结构示意图。
具体实施方式
本发明实施例提供一种媒体内容缓存方法和装置,用于解决鲁棒PID方法控制车辆行驶轨迹时,控制效果不理想的技术问题。
下面对本申请实施例涉及的几个概念进行介绍:
车辆的状态信息,是指车辆自身的参数和车辆行驶中的行驶参数,其中,车辆自身的参数包括但不限于以下参数:车辆的质量、车辆的转动惯量、车辆的前轮轴距、车辆的后轮轴距、车辆的前轮侧偏刚度、车辆的后轮侧偏刚度;车辆行驶中的行驶参数包括但不限于以下参数:车辆所处的位置信息、车辆的行驶速度、车辆的行进方向、车辆的横摆角速度、车辆前轮转角等等,其中,可以将车辆质心发出的指向车头中间位置的矢量所指向的方向作为车辆的行进方向,将车辆质心的位置作为车辆所处的位置。
道路的路面信息,是指车辆行驶的道路的信息,包括但不限于以下参数:道路的位置信息(例如道路的坐标)、道路的宽度信息、道路的行进方向、道路的曲率、道路的转向半径以及道路的倾斜角(道路的行进方向与道路的行进方向在水平面的投影之间的夹角)等等。其中,可以将位于道路中的目标路径的位置信息作为道路的位置信息,将目标路径的行进方向作为道路的行进方向,将目标路径的曲率作为道路的曲率,将目标路径的转向半径作为道路的转向半径,以及将目标路径的行进方向与该行进方向在水平面的投影之间的夹角作为道路的倾斜角;目标路径可以是位于车辆行驶的道路上的期望该车辆行驶的路径,例如,目标路径可以与道路的中心线重合,且目标路径的行进方向与道路的行进方向相同。
为了使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请作进一步地详细描述。
如图1所示,为本申请实施例提供的一种车辆控制方法的***100,该***中包括受控的目标车辆101以及控制设备102,该控制设备102可以是位于受控的目标车辆101上的终端设备,也可以是能够获取受控的目标车辆101的状态信息以及目标车辆101所在道路的路面信息并对目标车辆101进行远程控制的设备,如云服务器设备等。
在实施中,控制设备102可以从目标车辆101直接获取目标车辆101的信息并直接控制目标车辆101的行驶,也可以通过其他中转设备,获取目标车辆101的信息以及通过其他中转设备控制目标车辆101的行驶。应注意,这里的控制目标车辆101的行驶,可以是通过控制信号控制目标车辆101的行驶,该控制信号可以是控制设备102直接生成的,也可以是控制设备102指示其他设备生成的。
如图2所示,本申请实施例提供的一种车辆控制方法的控制设备102可以包括存储器201以及处理器202,其中,例如,通过控制设备102,存储器201用于存储计算机程序或指令,处理器202用于执行存储器所存储的计算机程序或指令,使得控制设备102实现本申请实施例提供的控制数据传输的方法中控制设备102所涉及的步骤。
应理解,一种实施方式中,该控制设备102可以位于受控的目标车辆上,则控制设备102通过存储器201以及处理器202实现计算能力以及控制能力,其中,计算能力用于支持控制设备102根据本申请实施例提供的车辆控制方法确定目标车辆的转向角,控制能力用于支持控制设备102控制目标车辆根据该转向角行驶。而在另一种实施方式中,该控制设备102若为远程设备,则控制设备102还需具备通信能力,具体来说,如图2所示的控制设备102还可以具备收发器203,收发器203用于控制设备102进行交互,此时收发器203可以是无线收发器,用于支持控制设备102远程获取目标车辆的信息,以及在确定转向角后远程控制目标车辆根据该转向角行驶。
如图3所示为行驶中的目标车辆101的状态示意图,其中,目标车辆101的质心所在位置为M点,即目标车辆101所在位置为M,目标车辆101的中轴线为点M、N所在直线,N点位于目标车辆101的前轮轴的中间位置,矢量与目标车辆的行进方向相同,在本申请实施例中,可以通过表示目标车辆的行进方向;目标车辆101所在道路的道路中心线为曲线S0,其中,曲线S0的曲率为ρ,O点为目标车辆101的转向圆心。采用本申请实施例提供的车辆控制方法,可以用于调整目标车辆101的轨迹趋近于期望目标车辆形式的轨迹即道路中心线S0,直至目标车辆101的轨迹与道路中心线S0重合。
下面,以目标车辆101所处的目标位置为M,期望目标车辆101行驶的目标路径为道路中心线S0为例,说明本申请实施例中控制设备102控制目标车辆101的方法,该方法具有如图4所示的步骤:
步骤S101:控制设备102根据当前时刻目标车辆101的状态信息以及目标车辆101当前所处道路的路面信息,确定当前的横向位移偏差以及横向角度偏差,其中,当前的横向位移偏差用于表示目标车辆101当前时刻所处的目标位置M,与道路中心线S0上的第一横向位置M1之间的距离,横向角度偏差用于表示目标车辆101当前时刻的行进方向与道路中心线S0在第一横向位置M1的切线方向之间的角度偏差,M1为道路中心线S0上与目标位置之间的距离最小的位置;在实施中,横向角度偏差小于或等于90度;
步骤S102:控制设备102根据当前的横向位移偏差、横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差,预瞄位置的横向位移偏差用于表示目标车辆101行驶至预瞄位置M’时,与道路中心线S0上的第二横向位置M2之间的距离,其中,预瞄位置M’在目标车辆当前时刻的中轴线上的投影位置M”,与目标位置M之间的距离等于预瞄距离,第二横向位置M2为目标路径上的所有位置中,与预瞄位置M’之间的距离最小的位置;在实施中,可以将M”作为预瞄位置M’;
步骤S103:控制设备102根据当前的横向位移偏差、横向角度偏差、预瞄位置的横向位移偏差以及滑模控制参数,确定滑模控制率;在实施中,初始确定滑模控制率时,可以将滑模控制参数配置为预设参数;
步骤S104:控制设备102根据滑模控制率,确定转向角;该转向角用于将目标车辆101的行驶路线调整至沿目标路径行驶;
步骤S105:控制设备102根据确定的转向角,控制目标车辆101行驶。
在步骤S101的实施中,控制设备102可以根据目标车辆101的状态信息以及道路的路面信息确定三维***状态表达式,进一步确定目标车辆101在y轴方向(垂直目标车辆101当前时刻的行进方向)的横向速度,目标车辆101在y轴方向的横向速度可以用于确定目标车辆101所在的目标位置M,与该目标路径上的第一横向位置M1之间的距离,该距离即当前的横向位移偏差;以及,控制设备102可以根据目标车辆101的三维***状态表达式,确定车辆当前横摆角速度,确定的横摆角速度可以用于确定目标车辆101当前的行进方向与目标路径在第一横向位置的切线方向之间的角度偏差,即横向角度偏差。
在实施中,控制设备102确定的目标车辆101的状态信息,包括但不限于表1所示的信息。
状态信息 | 状态信息的符号/状态信息的单位 | 状态信息的数值(举例) |
质量 | m/kg | 3200 |
转动惯量 | J/kg*m2 | 9500 |
前轮轴距 | a/m | 1.2 |
后轮轴距 | b/m | 1.7 |
前轮侧偏刚度 | Cf/N*rad-1 | 190000 |
后轮侧偏刚度 | Cr/N*rad-1 | 210000 |
表1目标车辆101的状态信息表
具体来说,控制装置102可以根据第一公式,确定当前的横向位移偏差yL,第一公式为:
其中,表示对yL求导,vy为目标车辆101在垂直的方向上的横向速度,vy为根据所述目标车辆101的三维***状态表达式确定的;
控制装置102还可以根据第二公式确定横向角度偏差εL,第二公式为:
其中,表示对εL求导,ρ为道路中心线S0的曲率,vx为目标车辆101在方向上的纵向速度,β为与在水平面的投影之间的夹角(即目标车辆101当前所在道路的斜面倾角),yL为根据所述目标车辆的三维***状态表达式确定的,w为所述目标车辆的横摆角速度,所述w为根据所述目标车辆的三维***状态表达式确定的。
在实施中,控制装置102确定的目标车辆101的三维***状态表达式(为便于描述,以下称为第(1)式)可以为:
其中,u为目标车辆101在当前时刻的转向角,表示对vy求导,表示对w求导,a11、a12、a21、a22、b11以及b21均为根据当前时刻目标车辆101的状态信息以及目标车辆101所在道路的路面信息确定的系数。
在实施中,目标车辆101的三维***状态表达式中,a11可以由第三公式确定:
其中,Cr为目标车辆101的后轮胎的侧偏刚度,Cf为目标车辆101的前轮胎的侧偏刚度,m为目标车辆101的质量;
a12可以由第四公式确定:
其中,a为所述目标车辆的前轮轴距,b为所述目标车辆的后轮轴距;
a21可以由第五公式确定:
其中,J为所述目标车辆的转动惯量;
a22可以由第六公式确定:
b11可以由第七公式确定:
b12可以由第八公式确定:
在实施中,将上述第三公式、第四公式、第五公式、第六公式、第七公式以及第八公式带入第(1)式即目标车辆101的三维***状态表达式,能够分别得到的表达式以及的表达式,进一步,根据的表达式可以确定vy,以及根据的表达式可以确定w,将vy带入第一公式,能够得到yL的表达式,以及,将w带入第二公式,能够得到εL的表达式。
在步骤S102的实施中,预瞄距离可以是根据设定距离值确定的,具体来说,控制设备102可以根据第九公式确定预瞄距离:
其中,d0为设定距离值,v为所述目标车辆的行驶速度,ρfront为所述第一曲率,ρnext为所述第二曲率。
在实施中,该预瞄距离D用于表示目标车辆101的行驶轨迹与道路中心线S0重合时,期望目标车辆101行驶的距离在方向上的距离分量。可以理解,预瞄距离D过小,可能导致目标车辆101的转向角变化率过大,容易造成目标车辆在调整行驶轨迹中的剧烈晃动;而预瞄距离D过大,可能导致目标车辆101行驶轨迹的调整过慢,调整效果不好。采用以上方法,能够动态调整预瞄距离D的取值,防止预瞄距离D的取值过大或过小而影响对目标车辆101的控制精度。
以图3为例,在实施中,控制设备102可以根据以下方法确定第一曲率ρfront:
第一步:选取第一预瞄点N1,该第一预瞄点N1是道路中心线S0上与M点之间的距离大于d0的点中,与M点之间的距离最近的点,且矢量与目标车辆的行进方向之间的夹角小于九十度;具体来说,这一步骤的执行中,控制设备102可以选取一个第一预备预瞄点N1x,其中第一预备预瞄点N1x所在的矢量与目标车辆的行进方向之间的夹角小于九十度,控制设备102进一步判断N1x与目标车辆当前所在的M点之间的距离Sx是否大于d0,若是,则确定N1x为第一预瞄点,否则,继续选取下一个第一预备预瞄点并判断第一预备预瞄点与M点之间的距离是否大于d0;
第二步:将道路中心线S0在第一横向位置M1的曲率、道路中心线S0在第一预瞄点N1的曲率,以及道路中心线S0在第一横向位置M1与第一预瞄点N1之间各点的曲率的平均值,作为第一曲率ρfront。
另外在实施中,控制设备102可以根据以下方法确定第二曲率ρnext:
第一步:选取第二预瞄点N2,该第二预瞄点N2为道路中心线S0上与M点之间的距离大于d0的点中,与M点之间的距离最近的点,且矢量与目标车辆的行进方向之间的夹角不小于九十度;另一种实施方式中,第一横向位置M1到第一预瞄点N1的点数,与第二预瞄点N2到第一横向位置M1的点数相同;
第二步:将道路中心线S0在第一横向位置M1的曲率、道路中心线S0在第二预瞄点N2的曲率,以及道路中心线S0在第一横向位置M1与第二预瞄点N2之间各点的曲率的平均值,作为第一曲率ρfront。
在步骤S102的实施中,根据几何关系,可以根据当前的横向位移偏差、横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差。具体来说,以图3为例,控制设备102可以根据第十公式,确定预瞄位置的横向位移偏差ye:
其中,R为目标路径的转向半径,D为预瞄距离,yL为当前的横向位移偏差,εL为横向角度偏差。在实施中,目标路径X点的转向半径Rx与曲率ρx之间有如下关系:其中,X点为目标路径上的任意点。
在步骤S102的实施中,可以设计如下滑模切换面方程(以下简称为第(2)式):
其中,ye为所述预瞄位置的横向位移偏差,表示对ye求导,α、βs以及(q/p)为滑模控制参数,α、βs以及q/p为正奇数。
在实施中,滑模切换面S1=0时,滑模的固有抖振最小,从而滑模控制率u可以如第十一公式表示:
其中,g(x)可以由第(3)式表示:
g(x)=1/((R+yL-DsinεL)vy),(3)
f(x)可以由第(4)式表示:
f(x)=2(R-DsinεL)(a11vy+a12w)+2D(ρvxcosβ-w)cosεL,(4)
上述第十一公式、第(3)式以及第(4)式中,R为转向半径,D可以为根据第九公式确定的预瞄距离,yL为当前的横向位移偏差,εL为横向角度偏差,vx为目标车辆101在x轴方向上的纵向速度,vy为目标车辆101在y轴方向上的横向速度,w为目标车辆101的横摆角速度,a11、a12为根据目标车辆101的状态信息以及目标车辆101所处道路的所述路面信息确定的系数。在实施中a11可以根据第三公式确定,a12可以根据第四公式确定。
在步骤S104的实施中,控制设备102可以将确定的滑模控制率作为滑模控制的输入变量,通过滑模控制方法确定目标车辆101的转向角,并根据确定的转向角控制目标车辆101的行驶。
在步骤S105之后,控制设备102还可以,根据目标车辆101实际行驶的路径以及期望目标车辆101行驶的道路中心线S0之间的偏差,通过深度学习方法,确定滑模控制参数的调整值,并根据滑模控制参数的调整值,调整滑模控制参数,以使通过调整后的滑模控制参数控制目标车辆101的行驶路径,更为趋近道路中心线S0。
具体来说,控制设备102可以根据以下方法确定滑模控制参数的调整值:
通过深度学习方法,确定至少一个采样时刻目标车辆101的预测横向位移偏差e1,以及同一个采样时刻目标车辆101的实际横向位移偏差e1’;之后,根据至少一个采样时刻目标车辆101的预测横向位移偏差e1与实际横向位移偏差e1’之间的偏差量,确定损失函数f(e1,e1’),所述损失函数用于表示至少一个采样时刻目标车辆101的预测横向位移偏差与实际横向位移偏差之间的损失;根据损失函数f(e1,e1’),确定滑模控制参数的调整值,并根据滑模控制参数的调整值,调整滑模控制参数。
在实施中,也可以确定至少一个采样时刻目标车辆101的预测横向角度偏差e2,以及同一个采样时刻目标车辆101的实际横向角度偏差e2’;之后,根据至少一个采样时刻目标车辆101的预测横向角度偏差e2与实际横向角度偏差e2’之间的偏差量,确定损失函数f(e2,e2’),所述损失函数用于表示至少一个采样时刻目标车辆101的预测横向位移偏差与实际横向位移偏差之间的损失;根据损失函数f(e2,e2’),确定滑模控制参数的调整值,并根据滑模控制参数的调整值,调整滑模控制参数。
另外在实施中,也可以根据至少一个采样时刻目标车辆101的预测横向位移偏差与实际横向位移偏差之间的偏差量,以及同一采样时刻,目标车辆101的预测横向角度偏差与实际横向角度偏差之间的偏差量,确定损失函数。
在实施中,可以通过卷积神经网络,确定采样时刻目标车辆101的横向位移偏差,和/或,确定采样时刻目标车辆101的横向角度偏差,方法如下:
构建第十二公式,由于确定卷积特征图Cx:
Cx=f(∑IGx+bx),(第十二公式)
其中,I为输入阵,用于表示至少一个采样时刻目标车辆101的状态信息以及目标车辆101所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;在实施中,目标车辆101的状态信息以及目标车辆101所处道路的路面信息包括但不限于目标车辆101的所处位置、目标车辆101的行进方向、目标车辆101的行驶速度、目标车辆101所处道路对应的目标路径的曲率、目标车辆101到目标车辆101所处道路对应的目标路径的最短距离(即采样时刻的横向位移偏差)、预瞄距离等等,根据某一时刻的输入阵,卷积神经网络可以预测目标车辆101的横向位移偏差和/或横向角度偏差;
根据卷积特征图Cx,能够确定所述采样时刻目标车辆101的预测横向位移偏差,和/或,确定采样时刻所述目标车辆的预测横向角度偏差。
在实施中,可以多次进行卷积核的训练更新,直到卷积核收敛,此时应有最小的经验风险函数En(f);
其中,
f((x),yi)为某个样本的损失函数。
为使损失函数最小化,可以通过梯度下降法训练卷积核。该方法思想为:若函数f(x)在某处(如n点)可微且有定义,那么该函数在此处沿着梯度相反的方向下降最快。每经过一次迭代,根据计算而得到En(f)。
具体调整Gx的方法,可以包括:
根据第十三公式确定Gx的灵敏度Ωx,所述第十三公式为:
Ωx=wx+1(σ'(wx+1Cx+bx+1)Ψi-1),(第十三公式)
其中,wx+1表示所述卷积核中乘性偏置的取值,σ'(wx+1Cx+bx+1)表示灵敏度函数,Ψi-1为输入阵I的上采样;灵敏度函数为:
根据第十四公式确定Gx的权值更新Δwx,第十四公式为:
Δwx=-η∑(ΩxΨi+1),(第十四公式)
其中,η表示学习因子,Ψi+1为输入阵I的下采样;在实施中,η可以为一个百分比常数;
Gx的权值更新Δwx,调整Gx的取值。
在实施中,训练Gx之前,还可以先判断是否需要进行训练,例如,可以根据卷积结果与实际测量结果的偏差程度,判断是否需要继续训练卷积核。
在实施中,滑模控制参数包括α、βs以及(q/p),其中,α、βs以及(q/p)为正奇数,可以根据第十五公式确定所述滑模控制参数的调整值,第十五公式为:
其中,
f(Q,k)表示α的权重因子、f(Q,ε)表示βs的权重因子、f(Q,q/p)表示(q/p)的权重因子,n表示α的可变化范围,m表示βs的可变化范围,g表示q/p的可变化范围,γa为增益系数,s,z,c1,c2分别为一大于零的常数,Δα为α的调整值,Δβs为βs的调整值,Δ(q/p)为(q/p)的调整值。
采用以上方法,可以得到α、βs以及(q/p)的调整值Δα、Δβs以及Δ(q/p),在下一次确定滑膜控制率时,可以将Δα、Δβs以及Δ(q/p)作为滑膜控制参数。
如图5所示,本申请实施例提供的一种调整滑膜控制参数的方法包括以下步骤:
步骤501:对目标车辆101当前时刻的状态信息以及目标车辆101所处道路的路面信息进行卷积处理;在实施中目标车辆101在采样时刻的状态信息可以用于确定预测横向位移偏差以及预测横向角度偏差;
步骤502:根据卷积处理的结果,判断是否需要更新卷积核,若是,则执行步骤503,否则,执行步骤504:在实施中,可以根据预测横向位移偏差与实际横向位移偏差之间的偏差量,和/或,根据预测横向角度偏差与实际横向角度偏差之间的偏差量,判断是否需要训练卷积核,其中,实际横向位移偏差和/或实际横向角度偏差可以是根据惯性导航方法确定的;
步骤503:根据梯度下降法更新卷积核,之后执行步骤501:
步骤504:根据卷积处理的结果,确定至少一个采样时刻目标车辆101的预测横向位移偏差以及预测横向角度偏差;
步骤505:根据至少一个采样时刻目标车辆101的预测横向位移偏差、预测横向角度偏差、实际横向位移偏差以及实际横向角度偏差,确定损失函数;在实施中,实际横向位移偏差以及实际横向角度偏差可以是根据惯性导航确定的;
步骤502:根据损失函数,确定滑膜控制参数的调整值。
如图6所示,若控制设备102位于如图3所示的目标车辆101上,本申请实施例提供的一种控制车辆的方法包括以下步骤:
步骤601:控制设备102获取目标车辆101的状态信息以及目标车辆101所处道路的路面信息;在实施中,目标车辆101所处道路的路面信息包括期望目标车辆101行驶的目标路径的信息;
步骤602:控制设备102根据目标车辆101的状态信息以及处道路的路面信息,确定当前的横向位移偏差yL、横向角度偏差εL以及预瞄距离D;
步骤603:控制设备102根据当前的横向位移偏差yL、横向角度偏差εL以及预瞄距离D,确定预瞄位置的横向位移偏差ye;
步骤604:控制设备102根据预瞄位置的横向位移偏差ye以及滑模控制参数构建滑模切换面方程S1,并确定滑模控制率u;
步骤605:控制设备102根据滑模控制方法,将滑模控制率u作为输入量,确定滑模控制方法的输出量,根据滑模控制方法的输出量控制目标车辆101的转向角,使得目标车辆101的行驶轨迹不断趋近目标路径。
基于与上述方法实施例相同构思,本申请实施例还提供了一种控制设备,用于实现本申请实施例中控制设备102所涉及的方法,在具体实施中,该控制设备可以是用于实现上述方法的终端、云设备,或者其他具有类型功能的设备、硬件。该控制设备可以具有如图2所示的结构。
如图2所示,为本申请的实施例提供的上述实施例中所涉及的控制设备102的一种可能的逻辑结构示意图中,控制设备102包括处理器202。在本申请的实施例中,处理器202用于对该控制设备102的动作进行控制管理。控制设备102还可以包括存储器201和收发器203。其中,该存储器202用于存储控制设备102的计算机程序或指令。收发器201用于支持该控制设备102进行通信。
在如图2所示的控制设备102中,处理器202可以是中央处理器单元,通用处理器,数字信号处理器,专用集成电路,现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器202也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,数字信号处理器和微处理器的组合等等。
具体来说,如图2所示的控制设备102中,收发器203,用于控制设备102进行通信;
存储器201,用于存储计算机代码或指令;
处理器202,用于调用存储器201中的计算机代码或指令,执行以下步骤:
存储器,用于存储计算机代码或指令;
处理器,用于调用存储器中的计算机代码或指令,执行以下步骤:
根据目标车辆的状态信息以及目标车辆所处道路的路面信息,确定当前的横向位移偏差以及横向角度偏差,其中,当前的横向位移偏差用于表示目标车辆当前时刻所处的目标位置与道路对应的目标路径上的第一横向位置之间的距离,横向角度偏差用于表示目标车辆当前时刻的行进方向与目标路径在第一横向位置的切线方向之间的角度偏差,第一横向位置为目标路径上与目标位置之间的距离最小的位置,横向角度偏差小于或等于90度,目标路径为期望目标车辆行驶的路径;
根据当前的横向位移偏差、横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差,其中,预瞄位置的横向位移偏差用于表示目标车辆行驶至预瞄位置时,预瞄位置与位于目标路径上的第二横向位置之间的距离,预瞄位置在目标车辆的中轴线上的投影位置与目标位置之间的距离为预瞄距离,且从目标位置指向预瞄位置之间的矢量方向与目标车辆当前的行进方向之间的夹角小于九十度,第二横向位置为目标路径上与预瞄位置之间的距离最小的位置;
根据当前的横向位移偏差、横向角度偏差、预瞄位置的横向位移偏差、滑模切换面方程以及滑模控制参数,确定滑模控制率,滑模切换面方程用于指示滑模控制方法的滑模切换面,滑模控制率用于控制目标车辆沿目标路径行驶;
根据滑模控制率,控制目标车辆的行驶轨迹。
可选地,在确定当前的横向位移偏差时,处理器202具体用于:
根据第一公式确定当前的横向位移偏差yL,第二公式为:
其中,表示对yL求导,vy为目标车辆在垂直目标车辆当前时刻的行进方向上的横向速度,yL为根据目标车辆的三维***状态表达式确定的;
在确定横向角度偏差时,处理器具体用于:
根据第二公式确定横向角度偏差εL,第二公式为:
其中,表示对εL求导,ρ为目标路径的曲率,vx为目标车辆在目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻目标车辆当前时刻的行进方向与行进方向在水平面的投影之间的夹角,yL为根据目标车辆的三维***状态表达式确定的,w为目标车辆的横摆角速度,w为根据目标车辆的三维***状态表达式确定的。
可选地,目标车辆的三维***状态表达式为:
其中,u为目标车辆的转向角,表示对vy求导,表示对w求导,a11、a12、a21、a22、b11以及b21均为根据当前时刻目标车辆的状态信息以及道路的路面信息确定的系数。
可选地,a11为根据第三公示确定的,第三公式为:
其中,Cr为目标车辆的后轮胎的侧偏刚度,Cf为目标车辆的前轮胎的侧偏刚度,m为目标车辆的质量,vx为目标车辆在目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻目标车辆当前时刻的行进方向与水平面之间的夹角;
a12为根据第四公示确定的,第四公式为:
其中,a为目标车辆的前轮轴距,b为目标车辆的后轮轴距;
a21为根据第五公示确定的,第五公式为:
其中,J为目标车辆的转动惯量;
a22为根据第六公示确定的,第六公式为:
b11为根据第七公示确定的,第七公式为:
b21为根据第八公示确定的,第八公式为:
可选地,确定预瞄距离时,处理器202具体用于:
确定第一曲率与第二曲率,其中,第一曲率为目标路径在第一横向位置的曲率、目标路径在第一预瞄点的曲率以及目标路径在第一横向位置与第一预瞄点之间的平均曲率,第二曲率为目标路径在第一横向位置的曲率、目标路径在第二预瞄点的曲率以及目标路径在第一横向位置与第二预瞄点之间的平均曲率,第一预瞄点为目标路径上与目标位置之间的距离大于设定距离值的点中,与目标位置之间的距离最小的点,从目标位置发出且指向第一预瞄点的矢量与目标车辆当前时刻的行进方向之间的夹角小于九十度,第二预瞄点为目标路径上与目标位置之间的距离大于设定距离值的点中,与目标位置之间的距离最小的点,从目标位置发出且指向第二预瞄点的矢量与目标车辆当前时刻的行进方向之间的夹角不小于九十度;
根据第九公式,确定预瞄距离D,第九公式为:
其中,d0为设定距离值,v为目标车辆的行驶速度,ρfront为第一曲率,ρnext为第二曲率。
可选地,确定预瞄位置的横向位移偏差时,处理器202具体用于:
根据第十公式,确定预瞄位置的横向位移偏差ye:
其中,R为目标路径的转向半径,D为预瞄距离,yL为当前的横向位移偏差,εL为横向角度偏差。
可选地,滑模切换面方程S1为:
其中,ye为预瞄位置的横向位移偏差,α、βs以及(q/p)为滑模控制参数,α、βs以及(q/p)为正奇数;
根据第十一公式确定滑模控制参数u,第十一公式为令S1为零后得到的,第十一公式为:
其中,g(x)=1/((R+yL-DsinεL)vy),
f(x)=2(R-DsinεL)(a11vy+a12w)+2D(ρvxcosβ-w)cosεL,
R为目标路径的转向半径,D为预瞄距离,yL为当前的横向位移偏差,εL为横向角度偏差,vx为目标车辆在目标车辆当前时刻的行进方向上的纵向速度,vy为目标车辆在垂直目标车辆当前时刻的行进方向上的横向速度,w为目标车辆的横摆角速度,a11、a12为根据当前时刻目标车辆的状态信息以及道路的路面信息确定的系数。
可选地,处理器202还用于:
在控制目标车辆行驶之后,确定损失函数,损失函数用于表示目标车辆的预测行驶路径与实际行驶路径之间的实际损失;
根据损失函数,确定滑模控制参数的调整值。
可选地,确定损失函数时,处理器202具体用于:
根据至少一个采样时刻目标车辆的预测横向位移偏差与实际横向位移偏差之间的偏差量,确定损失函数;
其中,预测横向位移偏差用于表示任意采样时刻,目标车辆所处的第一预测位置与目标路径上的第三横向位置之间的距离,第三横向位置为目标路径上与第一预测位置之间的距离最小的位置;
实际横向位移偏差用于表示采样时刻,目标车辆所处的实际位置与目标路径上的第四横向位置之间的距离,第四横向位置为目标路径上与实际位置之间的距离最小的位置。
可选地,确定损失函数时,处理器202具体用于:
根据至少一个采样时刻目标车辆的预测横向角度偏差与实际横向角度偏差之间的偏差量,确定损失函数;
预测横向角度偏差用于表示任意采样时刻,目标车辆的预测行进方向与目标路径在第五横向位置的切线方向之间的角度偏差,第五横向位置为目标路径上与目标车辆所处的第二预测位置之间的距离最小的位置;
实际横向角度偏差用于表示采样时刻,目标车辆的实际行进方向与目标路径在第五横向位置的切线方向之间的角度偏差,第五横向位置为目标路径上与目标车辆所处的第二预测位置之间的距离最小的位置。
可选地,处理器202还用于:
根据第十二公式,确定采样时刻目标车辆的卷积特征图Cx,第十二公式为:
Cx=f(∑IGx+bx);
其中,I为输入阵,用于表示采样时刻目标车辆的状态信息以及目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据卷积特征图Cx,确定采样时刻目标车辆的预测横向位移偏差。
可选地,处理器202还用于:
根据第十二公式,确定采样时刻目标车辆的卷积特征图Cx,第十二公式为:
Cx=f(∑IGx+bx);
其中,I为输入阵,用于表示采样时刻目标车辆的状态信息以及目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据卷积特征图Cx,确定采样时刻目标车辆的预测横向角度偏差。
可选地,处理器202还用于:
采用梯度下降法,调整Gx和/或bx。
可选地,调整Gx时,处理器202具体用于:
根据第十三公式确定灵敏度Ωx,第十三公式为:
Ωx=wx+1(σ'(wx+1Cx+bx+1)Ψi-1),
其中,wx+1表示卷积核中乘性偏置的取值,σ'(wx+1Cx+bx+1)表示灵敏度函数,Ψi-1为输入阵的上采样;
灵敏度函数为:
根据第十四公式确定Gx的权值更新Δwx,第十四公式为:
Δwx=-η∑(ΩxΨi+1),
其中,η表示学习速率,Ψi+1为输入阵的下采样;
根据Gx的权值更新Δwx,调整Gx的取值。
可选地,滑模控制参数包括α、βs以及(q/p),α、βs以及(q/p)为正奇数,根据损失函数确定滑模控制参数的调整值时,处理器202具体用于:
根据第十五公式确定滑模控制参数的调整值,第十五公式为:
其中,
f(Q,k)表示α的权重因子、f(Q,ε)表示βs的权重因子、f(Q,q/p)表示(q/p)的权重因子,n表示α的可变化范围,m表示βs的可变化范围,g表示q/p的可变化范围,γa为增益系数,s,z,c1,c2分别为一大于零的常数,Δα为α的调整值,Δβs为βs的调整值,Δ(q/p)为(q/p)的调整值。
在采用对应各个功能划分各个功能模块的情况下,图7示出了上述实施例中所涉及的控制设备102的一种可能的功能性模块的结构示意图,其中,控制设备700包括:预瞄处理模块701、滑模控制模块702、神经网络学习控制器模块703、车辆控制模块704、地图匹配模块705。
其中,预瞄处理模块701具体用于根据获取目标车辆101的状态信息以及目标车辆101所处道路的路面信息,以及确定当前的横向位移偏差yL、横向角度偏差εL、预瞄距离D预瞄位置的横向位移偏差ye等参数、变量;滑模控制模块702具体用于根据预瞄位置的横向位移偏差ye以及滑模控制参数构建滑模切换面方程,确定滑模控制率;神经网络学习控制器模块703用于通过深度学习方法确定目标车辆101行驶中的预测状态信息(例如确定采样时刻目标车辆101的预测横向位移偏差以及预测横向角度偏差),并确定损失函数,并根据损失函数确定滑膜控制参数的调整值,将调整后的滑膜控制参数输出至滑模控制模块702,用于滑模控制模块702更新滑模控制参数;车辆控制模块704具体用于根据滑模控制模块702输出的滑模控制率,控制目标车辆101的转向角;地图匹配模块705用于获取目标车辆101的实际位置和行驶速度等信息(例如确定采样时刻目标车辆101的实际横向位移偏差以及实际横向角度偏差),并输出至神经网络学习控制器模块703,用于神经网络学习控制器模块703确定损失函数。
基于与上述方法实施例相同构思,本申请实施例还提供了一种计算机可读存储介质,其上存储有一些指令,这些指令被调用执行时,可以使得控制设备执行上述方法实施例、方法实施例的任意一种可能的设计中控制设备所涉及的功能。本申请实施例中,对可读存储介质不做限定,例如,可以是RAM(random-access memory,随机存取存储器)、ROM(read-only memory,只读存储器)等。
基于与上述方法实施例相同构思,本申请实施例还提供了一种计算机程序产品,当所述计算机程序产品被计算机运行时,可以使得控制设备执行上述方法实施例、方法实施例的任意一种可能的设计中控制设备所涉及的功能。
基于与上述方法实施例相同构思,本申请实施例还提供了一种芯片,该芯片可以与收发器耦合,用于实现上述执行上述方法实施例、方法实施例的任意一种可能的设计中控制设备所涉及的功能。
本领域内的技术人员应明白,本申请实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请中一些可能的实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括本申请实施例以及落入本申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (30)
1.一种车辆控制方法,其特征在于,包括:
根据目标车辆的状态信息以及所述目标车辆所处道路的路面信息,确定当前的横向位移偏差以及横向角度偏差,其中,所述当前的横向位移偏差用于表示所述目标车辆当前时刻所处的目标位置与所述道路对应的目标路径上的第一横向位置之间的距离,所述横向角度偏差用于表示所述目标车辆当前时刻的行进方向与所述目标路径在所述第一横向位置的切线方向之间的角度偏差,所述第一横向位置为所述目标路径上与所述目标位置之间的距离最小的位置,所述横向角度偏差小于或等于九十度,所述目标路径为期望所述目标车辆行驶的路径;
根据所述当前的横向位移偏差、所述横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差,其中,所述预瞄位置的横向位移偏差用于表示所述目标车辆行驶至预瞄位置时,所述预瞄位置与位于所述目标路径上的第二横向位置之间的距离,所述预瞄位置在所述目标车辆的中轴线上的投影位置与所述目标位置之间的距离为所述预瞄距离,且从所述目标位置指向所述预瞄位置之间的矢量方向与所述目标车辆当前的行进方向之间的夹角小于九十度,所述第二横向位置为所述目标路径上与所述预瞄位置之间的距离最小的位置;
根据所述当前的横向位移偏差、所述横向角度偏差、所述预瞄位置的横向位移偏差、滑模切换面方程以及滑模控制参数,确定滑模控制率,所述滑模切换面方程用于指示滑模控制方法的滑模切换面,所述滑模控制率用于控制所述目标车辆沿所述目标路径行驶;
根据所述滑模控制率,确定转向角,所述转向角用于将所述目标车辆的行驶路线调整至所述目标路径;
根据所述转向角,控制所述目标车辆行驶。
2.如权利要求1所述的方法,其特征在于,确定当前的横向位移偏差,包括:
根据第一公式确定当前的横向位移偏差yL,所述第一公式为:
其中,表示对yL求导,vy为所述目标车辆在垂直所述目标车辆当前时刻的行进方向上的横向速度,所述yL为根据所述目标车辆的三维***状态表达式确定的;
确定横向角度偏差,包括:
根据第二公式确定所述横向角度偏差εL,所述第二公式为:
其中,表示对εL求导,ρ为所述目标路径的曲率,vx为所述目标车辆在所述目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻所述目标车辆当前时刻的行进方向与所述行进方向在水平面的投影之间的夹角,所述yL为根据所述目标车辆的三维***状态表达式确定的,w为所述目标车辆的横摆角速度,所述w为根据所述目标车辆的三维***状态表达式确定的。
3.如权利要求2所述的方法,其特征在于,所述目标车辆的三维***状态表达式为:
其中,u为所述目标车辆的转向角,表示对vy求导,表示对w求导,a11、a12、a21、a22、b11以及b21均为根据当前时刻所述目标车辆的状态信息以及所述道路的路面信息确定的系数。
4.如权利要求3所述的方法,其特征在于,所述a11为根据第三公示确定的,所述第三公式为:
其中,Cr为所述目标车辆的后轮胎的侧偏刚度,Cf为所述目标车辆的前轮胎的侧偏刚度,m为所述目标车辆的质量,vx为所述目标车辆在所述目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻所述目标车辆当前时刻的行进方向与水平面之间的夹角;
所述a12为根据第四公示确定的,所述第四公式为:
其中,a为所述目标车辆的前轮轴距,b为所述目标车辆的后轮轴距;
所述a21为根据第五公示确定的,所述第五公式为:
其中,J为所述目标车辆的转动惯量;
所述a22为根据第六公示确定的,所述第六公式为:
所述b11为根据第七公示确定的,所述第七公式为:
所述b21为根据第八公示确定的,所述第八公式为:
5.如权利要求1所述的方法,其特征在于,根据以下方法确定所述预瞄距离:
确定第一曲率与第二曲率,其中,所述第一曲率为所述目标路径在所述第一横向位置的曲率、所述目标路径在第一预瞄点的曲率以及所述目标路径在所述第一横向位置与所述第一预瞄点之间的平均曲率,所述第二曲率为所述目标路径在所述第一横向位置的曲率、所述目标路径在第二预瞄点的曲率以及所述目标路径在所述第一横向位置与所述第二预瞄点之间的平均曲率,所述第一预瞄点为所述目标路径上与所述目标位置之间的距离大于设定距离值的点中,与所述目标位置之间的距离最小的点,从所述目标位置发出且指向所述第一预瞄点的矢量与所述目标车辆当前时刻的行进方向之间的夹角小于九十度,所述第二预瞄点为所述目标路径上与所述目标位置之间的距离大于设定距离值的点中,与所述目标位置之间的距离最小的点,从所述目标位置发出且指向所述第二预瞄点的矢量与所述目标车辆当前时刻的行进方向之间的夹角不小于九十度;
根据第九公式,确定所述预瞄距离D,所述第九公式为:
其中,d0为设定距离值,v为所述目标车辆的行驶速度,ρfront为所述第一曲率,ρnext为所述第二曲率。
6.如权利要求1所述的方法,其特征在于,确定预瞄位置的横向位移偏差,包括:
根据第十公式,确定所述预瞄位置的横向位移偏差ye:
其中,R为所述目标路径的转向半径,D为所述预瞄距离,yL为所述当前的横向位移偏差,εL为所述横向角度偏差。
7.如权利要求1所述的方法,其特征在于,所述滑模切换面方程S1为:
其中,ye为所述预瞄位置的横向位移偏差,α、βs以及(q/p)为所述滑模控制参数,所述α、所述βs以及所述(q/p)为正奇数;
根据第十一公式确定所述滑模控制参数u,所述第十一公式为令所述S1为零后得到的,所述第十一公式为:
其中,g(x)=1/((R+yL-DsinεL)vy),
f(x)=2(R-DsinεL)(a11vy+a12w)+2D(ρvxcosβ-w)cosεL,
R为所述目标路径的转向半径,D为所述预瞄距离,yL为所述当前的横向位移偏差,εL为所述横向角度偏差,vx为所述目标车辆在所述目标车辆当前时刻的行进方向上的纵向速度,vy为所述目标车辆在垂直所述目标车辆当前时刻的行进方向上的横向速度,w为所述目标车辆的横摆角速度,a11、a12为根据当前时刻所述目标车辆的状态信息以及所述道路的所述路面信息确定的系数。
8.如权利要求1所述的方法,其特征在于,在控制所述目标车辆行驶之后,该方法还包括:
确定损失函数,所述损失函数用于表示所述目标车辆的预测行驶路径与所述实际行驶路径之间的实际损失;
根据所述损失函数,确定所述滑模控制参数的调整值。
9.如权利要求8所述的方法,其特征在于,确定损失函数,包括:
根据至少一个采样时刻所述目标车辆的预测横向位移偏差与实际横向位移偏差之间的偏差量,确定所述损失函数;
其中,所述预测横向位移偏差用于表示任意采样时刻,所述目标车辆所处的第一预测位置与所述目标路径上的第三横向位置之间的距离,所述第三横向位置为所述目标路径上与所述第一预测位置之间的距离最小的位置;
所述实际横向位移偏差用于表示所述采样时刻,所述目标车辆所处的实际位置与所述目标路径上的第四横向位置之间的距离,所述第四横向位置为所述目标路径上与所述实际位置之间的距离最小的位置。
10.如权利要求8所述的方法,其特征在于,确定损失函数,包括:
根据至少一个采样时刻所述目标车辆的预测横向角度偏差与实际横向角度偏差之间的偏差量,确定所述损失函数;
所述预测横向角度偏差用于表示任意采样时刻,所述目标车辆的预测行进方向与所述目标路径在第五横向位置的切线方向之间的角度偏差,所述第五横向位置为所述目标路径上与所述目标车辆所处的第二预测位置之间的距离最小的位置;
所述实际横向角度偏差用于表示所述采样时刻,所述目标车辆的实际行进方向与所述目标路径在第五横向位置的切线方向之间的角度偏差,所述第五横向位置为所述目标路径上与所述目标车辆所处的第二预测位置之间的距离最小的位置。
11.如权利要求9所述的方法,其特征在于,确定损失函数之前,还包括:
根据第十二公式,确定采样时刻所述目标车辆的卷积特征图Cx,所述第十二公式为:
Cx=f(∑IGx+bx);
其中,I为输入阵,用于表示所述采样时刻所述目标车辆的状态信息以及所述目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据所述卷积特征图Cx,确定所述采样时刻所述目标车辆的预测横向位移偏差。
12.如权利要求10所述的方法,其特征在于,确定损失函数之前,还包括:
根据第十二公式,确定采样时刻所述目标车辆的卷积特征图Cx,所述第十二公式为:
Cx=f(∑IGx+bx);
其中,I为输入阵,用于表示所述采样时刻所述目标车辆的状态信息以及所述目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据所述卷积特征图Cx,确定所述采样时刻所述目标车辆的预测横向角度偏差。
13.如权利要求11或12所述的方法,其特征在于,还包括:
采用梯度下降法,调整所述Gx和/或所述bx。
14.如权利要求13所述的方法,其特征在于,调整所述Gx,包括:
根据第十三公式确定灵敏度Ωx,所述第十三公式为:
Ωx=wx+1(σ'(wx+1Cx+bx+1)Ψi-1);
其中,wx+1表示所述卷积核中乘性偏置的取值,σ'(wx+1Cx+bx+1)表示灵敏度函数,Ψi-1为所述输入阵的上采样;
所述灵敏度函数为:
根据第十四公式确定Gx的权值更新Δwx,所述第十四公式为:
Δwx=-η∑(ΩxΨi+1);
其中,η表示学习速率,Ψi+1为所述输入阵的下采样;
根据Gx的权值更新Δwx,调整Gx的取值。
15.如权利要求8所述的方法,其特征在于,所述滑模控制参数包括α、βs以及(q/p),所述α、所述βs以及所述(q/p)为正奇数,确定所述滑模控制参数的调整值,包括:
根据第十五公式确定所述滑模控制参数的调整值,所述第十五公式为:
其中,
f(Q,k)表示α的权重因子、f(Q,ε)表示βs的权重因子、f(Q,q/p)表示(q/p)的权重因子,n表示α的可变化范围,m表示βs的可变化范围,g表示q/p的可变化范围,γa为增益系数,s,z,c1,c2分别为一大于零的常数,Δα为α的调整值,Δβs为βs的调整值,Δ(q/p)为(q/p)的调整值。
16.一种车辆控制的控制设备,其特征在于,包括存储器和处理器:
所述存储器,用于存储计算机代码或指令;
所述处理器,用于调用所述存储器中的计算机代码或指令,执行以下步骤:
根据目标车辆的状态信息以及所述目标车辆所处道路的路面信息,确定当前的横向位移偏差以及横向角度偏差,其中,所述当前的横向位移偏差用于表示所述目标车辆当前时刻所处的目标位置与所述道路对应的目标路径上的第一横向位置之间的距离,所述横向角度偏差用于表示所述目标车辆当前时刻的行进方向与所述目标路径在所述第一横向位置的切线方向之间的角度偏差,所述第一横向位置为所述目标路径上与所述目标位置之间的距离最小的位置,所述横向角度偏差小于或等于90度,所述目标路径为期望所述目标车辆行驶的路径;
根据所述当前的横向位移偏差、所述横向角度偏差以及预瞄距离,确定预瞄位置的横向位移偏差,其中,所述预瞄位置的横向位移偏差用于表示所述目标车辆行驶至预瞄位置时,所述预瞄位置与位于所述目标路径上的第二横向位置之间的距离,所述预瞄位置在所述目标车辆的中轴线上的投影位置与所述目标位置之间的距离为所述预瞄距离,且从所述目标位置指向所述预瞄位置之间的矢量方向与所述目标车辆当前的行进方向之间的夹角小于九十度,所述第二横向位置为所述目标路径上与所述预瞄位置之间的距离最小的位置;
根据所述当前的横向位移偏差、所述横向角度偏差、所述预瞄位置的横向位移偏差、滑模切换面方程以及滑模控制参数,确定滑模控制率,所述滑模切换面方程用于指示滑模控制方法的滑模切换面,所述滑模控制率用于控制所述目标车辆沿所述目标路径行驶;
根据所述滑模控制率,控制所述目标车辆的行驶轨迹。
17.如权利要求16所述的控制设备,其特征在于,在确定所述当前的横向位移偏差时,所述处理器具体用于:
根据第一公式确定当前的横向位移偏差yL,所述第二公式为:
其中,表示对yL求导,vy为所述目标车辆在垂直所述目标车辆当前时刻的行进方向上的横向速度,所述yL为根据所述目标车辆的三维***状态表达式确定的;
在确定横向角度偏差时,所述处理器具体用于:
根据第二公式确定所述横向角度偏差εL,所述第二公式为:
其中,表示对εL求导,ρ为所述目标路径的曲率,vx为所述目标车辆在所述目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻所述目标车辆当前时刻的行进方向与所述行进方向在水平面的投影之间的夹角,所述yL为根据所述目标车辆的三维***状态表达式确定的,w为所述目标车辆的横摆角速度,所述w为根据所述目标车辆的三维***状态表达式确定的。
18.如权利要求17所述的控制设备,其特征在于,所述目标车辆的三维***状态表达式为:
其中,u为所述目标车辆的转向角,表示对vy求导,表示对w求导,a11、a12、a21、a22、b11以及b21均为根据当前时刻所述目标车辆的状态信息以及所述道路的路面信息确定的系数。
19.如权利要求18所述的控制设备,其特征在于,所述a11为根据第三公示确定的,所述第三公式为:
其中,Cr为所述目标车辆的后轮胎的侧偏刚度,Cf为所述目标车辆的前轮胎的侧偏刚度,m为所述目标车辆的质量,vx为所述目标车辆在所述目标车辆当前时刻的行进方向上的纵向速度,β为当前时刻所述目标车辆当前时刻的行进方向与水平面之间的夹角;
所述a12为根据第四公示确定的,所述第四公式为:
其中,a为所述目标车辆的前轮轴距,b为所述目标车辆的后轮轴距;
所述a21为根据第五公示确定的,所述第五公式为:
其中,J为所述目标车辆的转动惯量;
所述a22为根据第六公示确定的,所述第六公式为:
所述b11为根据第七公示确定的,所述第七公式为:
所述b21为根据第八公示确定的,所述第八公式为:
20.如权利要求16所述的控制设备,其特征在于,确定所述预瞄距离时,所述处理器具体用于:
确定第一曲率与第二曲率,其中,所述第一曲率为所述目标路径在所述第一横向位置的曲率、所述目标路径在第一预瞄点的曲率以及所述目标路径在所述第一横向位置与所述第一预瞄点之间的平均曲率,所述第二曲率为所述目标路径在所述第一横向位置的曲率、所述目标路径在第二预瞄点的曲率以及所述目标路径在所述第一横向位置与所述第二预瞄点之间的平均曲率,所述第一预瞄点为所述目标路径上与所述目标位置之间的距离大于设定距离值的点中,与所述目标位置之间的距离最小的点,从所述目标位置发出且指向所述第一预瞄点的矢量与所述目标车辆当前时刻的行进方向之间的夹角小于九十度,所述第二预瞄点为所述目标路径上与所述目标位置之间的距离大于设定距离值的点中,与所述目标位置之间的距离最小的点,从所述目标位置发出且指向所述第二预瞄点的矢量与所述目标车辆当前时刻的行进方向之间的夹角不小于九十度;
根据第九公式,确定所述预瞄距离D,所述第九公式为:
其中,d0为设定距离值,v为所述目标车辆的行驶速度,ρfront为所述第一曲率,ρnext为所述第二曲率。
21.如权利要求16所述的控制设备,其特征在于,确定预瞄位置的横向位移偏差时,所述处理器具体用于:
根据第十公式,确定所述预瞄位置的横向位移偏差ye:
其中,R为所述目标路径的转向半径,D为所述预瞄距离,yL为所述当前的横向位移偏差,εL为所述横向角度偏差。
22.如权利要求16所述的控制设备,其特征在于,所述滑模切换面方程S1为:
其中,ye为所述预瞄位置的横向位移偏差,α、βs以及(q/p)为所述滑模控制参数,所述α、所述βs以及所述(q/p)为正奇数;
根据第十一公式确定所述滑模控制参数u,所述第十一公式为令所述S1为零后得到的,所述第十一公式为:
其中,g(x)=1/((R+yL-DsinεL)vy),
f(x)=2(R-DsinεL)(a11vy+a12w)+2D(ρvxcosβ-w)cosεL,
R为所述目标路径的转向半径,D为所述预瞄距离,yL为所述当前的横向位移偏差,εL为所述横向角度偏差,vx为所述目标车辆在所述目标车辆当前时刻的行进方向上的纵向速度,vy为所述目标车辆在垂直所述目标车辆当前时刻的行进方向上的横向速度,w为所述目标车辆的横摆角速度,a11、a12为根据当前时刻所述目标车辆的状态信息以及所述道路的所述路面信息确定的系数。
23.如权利要求16所述的控制设备,其特征在于,所述处理器还用于:
在控制所述目标车辆行驶之后,确定损失函数,所述损失函数用于表示所述目标车辆的预测行驶路径与所述实际行驶路径之间的实际损失;
根据所述损失函数,确定所述滑模控制参数的调整值。
24.如权利要求23所述的控制设备,其特征在于,确定损失函数时,所述处理器具体用于:
根据至少一个采样时刻所述目标车辆的预测横向位移偏差与实际横向位移偏差之间的偏差量,确定所述损失函数;
其中,所述预测横向位移偏差用于表示任意采样时刻,所述目标车辆所处的第一预测位置与所述目标路径上的第三横向位置之间的距离,所述第三横向位置为所述目标路径上与所述第一预测位置之间的距离最小的位置;
所述实际横向位移偏差用于表示所述采样时刻,所述目标车辆所处的实际位置与所述目标路径上的第四横向位置之间的距离,所述第四横向位置为所述目标路径上与所述实际位置之间的距离最小的位置。
25.如权利要求23所述的控制设备,其特征在于,确定损失函数时,所述处理器具体用于:
根据至少一个采样时刻所述目标车辆的预测横向角度偏差与实际横向角度偏差之间的偏差量,确定所述损失函数;
所述预测横向角度偏差用于表示任意采样时刻,所述目标车辆的预测行进方向与所述目标路径在第五横向位置的切线方向之间的角度偏差,所述第五横向位置为所述目标路径上与所述目标车辆所处的第二预测位置之间的距离最小的位置;
所述实际横向角度偏差用于表示所述采样时刻,所述目标车辆的实际行进方向与所述目标路径在第五横向位置的切线方向之间的角度偏差,所述第五横向位置为所述目标路径上与所述目标车辆所处的第二预测位置之间的距离最小的位置。
26.如权利要求24所述的控制设备,其特征在于,所述处理器还用于:
根据第十二公式,确定采样时刻所述目标车辆的卷积特征图Cx,所述第十二公式为:
Cx=f(∑IGx+bx);
其中,I为输入阵,用于表示所述采样时刻所述目标车辆的状态信息以及所述目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据所述卷积特征图Cx,确定所述采样时刻所述目标车辆的预测横向位移偏差。
27.如权利要求25所述的控制设备,其特征在于,所述处理器还用于:
根据第十二公式,确定采样时刻所述目标车辆的卷积特征图Cx,所述第十二公式为:
Cx=f(∑IGx+bx);
其中,I为输入阵,用于表示所述采样时刻所述目标车辆的状态信息以及所述目标车辆所处道路的路面信息,Gx为可训练卷积核,bx为可训练偏置,Gx的初始值为第一随机值,bx的初始值为第二随机值;
根据所述卷积特征图Cx,确定所述采样时刻所述目标车辆的预测横向角度偏差。
28.如权利要求26或27所述的控制设备,其特征在于,所述处理器还用于:
采用梯度下降法,调整所述Gx和/或所述bx。
29.如权利要求28所述的控制设备,其特征在于,调整所述Gx时,所述处理器具体用于:
根据第十三公式确定灵敏度Ωx,所述第十三公式为:
Ωx=wx+1(σ'(wx+1Cx+bx+1)Ψi-1);
其中,wx+1表示所述卷积核中乘性偏置的取值,σ'(wx+1Cx+bx+1)表示灵敏度函数,Ψi-1为所述输入阵的上采样;
所述灵敏度函数为:
根据第十四公式确定Gx的权值更新Δwx,所述第十四公式为:
Δwx=-η∑(ΩxΨi+1);
其中,η表示学习速率,Ψi+1为所述输入阵的下采样;
根据Gx的权值更新Δwx,调整Gx的取值。
30.如权利要求23所述的控制设备,其特征在于,所述滑模控制参数包括α、βs以及(q/p),所述α、所述βs以及所述(q/p)为正奇数,根据所述损失函数确定所述滑模控制参数的调整值时,所述处理器具体用于:
根据第十五公式确定所述滑模控制参数的调整值,所述第十五公式为:
其中,
f(Q,k)表示α的权重因子、f(Q,ε)表示βs的权重因子、f(Q,q/p)表示(q/p)的权重因子,n表示α的可变化范围,m表示βs的可变化范围,g表示q/p的可变化范围,γa为增益系数,s,z,c1,c2分别为一大于零的常数,Δα为α的调整值,Δβs为βs的调整值,Δ(q/p)为(q/p)的调整值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810404991.8A CN108791289B (zh) | 2018-04-28 | 2018-04-28 | 一种车辆控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810404991.8A CN108791289B (zh) | 2018-04-28 | 2018-04-28 | 一种车辆控制方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108791289A true CN108791289A (zh) | 2018-11-13 |
CN108791289B CN108791289B (zh) | 2021-03-30 |
Family
ID=64093217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810404991.8A Active CN108791289B (zh) | 2018-04-28 | 2018-04-28 | 一种车辆控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108791289B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109976341A (zh) * | 2019-03-21 | 2019-07-05 | 驭势科技(北京)有限公司 | 一种自动驾驶车辆附着路网的方法、车载设备及存储介质 |
CN110456634A (zh) * | 2019-07-01 | 2019-11-15 | 江苏大学 | 一种基于人工神经网络的无人车控制参数选取方法 |
CN111688723A (zh) * | 2020-05-28 | 2020-09-22 | 江苏理工学院 | 一种车辆自动驾驶的控制***及其控制方法 |
CN111717189A (zh) * | 2019-03-18 | 2020-09-29 | 长城汽车股份有限公司 | 车道保持控制方法、装置及*** |
CN111976703A (zh) * | 2019-05-24 | 2020-11-24 | 北京京东尚科信息技术有限公司 | 一种无人驾驶控制方法和装置 |
CN112051864A (zh) * | 2019-06-06 | 2020-12-08 | 北京京东尚科信息技术有限公司 | 用于移动目标轨迹跟踪的方法及装置、设备和可读介质 |
CN112849222A (zh) * | 2019-11-28 | 2021-05-28 | 中车株洲电力机车研究所有限公司 | 一种跟随轴的转向控制方法及其装置 |
CN113815646A (zh) * | 2021-09-14 | 2021-12-21 | 上汽通用五菱汽车股份有限公司 | 车辆的智能驾驶方法、车辆和可读存储介质 |
CN113895436A (zh) * | 2021-10-20 | 2022-01-07 | 北京轻舟智航科技有限公司 | 一种变道路径规划方法 |
CN114056341A (zh) * | 2021-11-03 | 2022-02-18 | 天津五八驾考信息技术有限公司 | 驾驶培训中的驾驶辅助方法、设备及存储介质 |
CN114179818A (zh) * | 2021-12-31 | 2022-03-15 | 江苏理工学院 | 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法 |
TWI770965B (zh) * | 2021-04-27 | 2022-07-11 | 陽程科技股份有限公司 | 無人自走車之導引控制方法 |
TWI770966B (zh) * | 2021-04-27 | 2022-07-11 | 陽程科技股份有限公司 | 無人自走車之導引控制方法 |
WO2022237392A1 (zh) * | 2021-05-11 | 2022-11-17 | 奇瑞汽车股份有限公司 | 车辆的横向控制方法、装置及车辆 |
CN116101326B (zh) * | 2023-04-12 | 2023-07-14 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 自动驾驶车辆的横向控制方法、装置、***及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008072515A1 (ja) * | 2006-12-07 | 2008-06-19 | Toyota Jidosha Kabushiki Kaisha | 車両用制御装置 |
CN103121451A (zh) * | 2013-03-19 | 2013-05-29 | 大连理工大学 | 一种弯路换道轨迹的跟踪控制方法 |
CN106080596A (zh) * | 2016-06-03 | 2016-11-09 | 中国人民解放军海军大连舰艇学院 | 一种基于位置与角速度测量的车道线滑模保持方法 |
CN107097785A (zh) * | 2017-05-25 | 2017-08-29 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
CN107153420A (zh) * | 2017-05-25 | 2017-09-12 | 广州汽车集团股份有限公司 | 路径跟踪控制方法、装置及智能汽车 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107264621A (zh) * | 2017-06-15 | 2017-10-20 | 驭势科技(北京)有限公司 | 车辆预瞄距离计算方法、装置、介质及转向控制方法 |
-
2018
- 2018-04-28 CN CN201810404991.8A patent/CN108791289B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008072515A1 (ja) * | 2006-12-07 | 2008-06-19 | Toyota Jidosha Kabushiki Kaisha | 車両用制御装置 |
CN103121451A (zh) * | 2013-03-19 | 2013-05-29 | 大连理工大学 | 一种弯路换道轨迹的跟踪控制方法 |
CN106080596A (zh) * | 2016-06-03 | 2016-11-09 | 中国人民解放军海军大连舰艇学院 | 一种基于位置与角速度测量的车道线滑模保持方法 |
CN107097785A (zh) * | 2017-05-25 | 2017-08-29 | 江苏大学 | 一种预瞄距离自适应的智能车辆横向控制方法 |
CN107153420A (zh) * | 2017-05-25 | 2017-09-12 | 广州汽车集团股份有限公司 | 路径跟踪控制方法、装置及智能汽车 |
CN107203134A (zh) * | 2017-06-02 | 2017-09-26 | 浙江零跑科技有限公司 | 一种基于深度卷积神经网络的前车跟随方法 |
CN107264621A (zh) * | 2017-06-15 | 2017-10-20 | 驭势科技(北京)有限公司 | 车辆预瞄距离计算方法、装置、介质及转向控制方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111717189B (zh) * | 2019-03-18 | 2022-03-29 | 毫末智行科技有限公司 | 车道保持控制方法、装置及*** |
CN111717189A (zh) * | 2019-03-18 | 2020-09-29 | 长城汽车股份有限公司 | 车道保持控制方法、装置及*** |
CN109976341A (zh) * | 2019-03-21 | 2019-07-05 | 驭势科技(北京)有限公司 | 一种自动驾驶车辆附着路网的方法、车载设备及存储介质 |
CN111976703A (zh) * | 2019-05-24 | 2020-11-24 | 北京京东尚科信息技术有限公司 | 一种无人驾驶控制方法和装置 |
CN112051864A (zh) * | 2019-06-06 | 2020-12-08 | 北京京东尚科信息技术有限公司 | 用于移动目标轨迹跟踪的方法及装置、设备和可读介质 |
CN110456634B (zh) * | 2019-07-01 | 2022-06-21 | 江苏大学 | 一种基于人工神经网络的无人车控制参数选取方法 |
CN110456634A (zh) * | 2019-07-01 | 2019-11-15 | 江苏大学 | 一种基于人工神经网络的无人车控制参数选取方法 |
CN112849222A (zh) * | 2019-11-28 | 2021-05-28 | 中车株洲电力机车研究所有限公司 | 一种跟随轴的转向控制方法及其装置 |
CN111688723A (zh) * | 2020-05-28 | 2020-09-22 | 江苏理工学院 | 一种车辆自动驾驶的控制***及其控制方法 |
TWI770966B (zh) * | 2021-04-27 | 2022-07-11 | 陽程科技股份有限公司 | 無人自走車之導引控制方法 |
TWI770965B (zh) * | 2021-04-27 | 2022-07-11 | 陽程科技股份有限公司 | 無人自走車之導引控制方法 |
WO2022237392A1 (zh) * | 2021-05-11 | 2022-11-17 | 奇瑞汽车股份有限公司 | 车辆的横向控制方法、装置及车辆 |
CN113815646A (zh) * | 2021-09-14 | 2021-12-21 | 上汽通用五菱汽车股份有限公司 | 车辆的智能驾驶方法、车辆和可读存储介质 |
CN113895436A (zh) * | 2021-10-20 | 2022-01-07 | 北京轻舟智航科技有限公司 | 一种变道路径规划方法 |
CN113895436B (zh) * | 2021-10-20 | 2023-03-14 | 北京轻舟智航科技有限公司 | 一种变道路径规划方法 |
CN114056341A (zh) * | 2021-11-03 | 2022-02-18 | 天津五八驾考信息技术有限公司 | 驾驶培训中的驾驶辅助方法、设备及存储介质 |
CN114056341B (zh) * | 2021-11-03 | 2024-01-26 | 天津五八驾考信息技术有限公司 | 驾驶培训中的驾驶辅助方法、设备及存储介质 |
CN114179818A (zh) * | 2021-12-31 | 2022-03-15 | 江苏理工学院 | 基于自适应预瞄时间和滑模控制的智能汽车横向控制方法 |
CN116101326B (zh) * | 2023-04-12 | 2023-07-14 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 自动驾驶车辆的横向控制方法、装置、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108791289B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108791289A (zh) | 一种车辆控制方法和装置 | |
CN110398963A (zh) | 无轨导航纠偏控制方法、装置、存储介质及控制器 | |
CN109358621B (zh) | 自动驾驶汽车轨迹跟踪控制方法 | |
CN110531750A (zh) | 用于自动驾驶车辆的pid嵌入式lqr | |
KR101897407B1 (ko) | 무인차량의 자율주행을 위한 적응적 동역학 모델 기반 최적 경로계획 방법 및 그 장치 | |
CN109664884B (zh) | 一种可变车速下的可拓自适应车道保持控制方法 | |
CN111103798B (zh) | 一种基于反演滑模控制的agv路径跟踪方法 | |
CN108303982A (zh) | 自动引导运输车、其控制方法及控制*** | |
CN111538328B (zh) | 一种用于自主驾驶车辆避障轨迹规划与跟踪控制的优先级分层预测控制方法 | |
CN113485125B (zh) | 一种适用于任意通信拓扑的含时滞车辆队列稳定性控制方法及*** | |
CN110687797B (zh) | 一种基于位置和姿态的自适应mpc泊车横向控制方法 | |
CN109669463A (zh) | 一种考虑agv速度和前轮偏向角可变的区间轨迹跟踪方法 | |
CN112612268B (zh) | 路径跟踪的控制方法、装置、设备及存储介质 | |
CN115617051B (zh) | 车辆控制方法、装置、设备和计算机可读介质 | |
CN114906173A (zh) | 一种基于两点预瞄驾驶员模型的自动驾驶决策方法 | |
CN113882677B (zh) | 面向混凝土3d打印的轨迹控制方法及*** | |
CN109606364B (zh) | 一种分层式自学习可拓神经网络车道保持控制方法 | |
CN110928314A (zh) | 一种基于轨迹预测的纯跟踪模型改进算法 | |
Vörös et al. | Lane keeping control using finite spectrum assignment with modeling errors | |
CN111547038B (zh) | 一种车辆控制***,设备及方法 | |
CN115542746B (zh) | 高超声速飞行器的能量管控再入制导方法及装置 | |
CN113353074B (zh) | 一种车辆控制方法、装置、电子设备和存储介质 | |
CN112925323B (zh) | 一种基于规则的移动机器人速度调节方法及*** | |
CN114834529A (zh) | 一种车辆控制方法、装置、设备和介质 | |
CN115476881A (zh) | 车辆轨迹跟踪控制方法、装置、设备及介质 |
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 |