CN109144076A - 一种多车辆横纵向耦合协同控制***及控制方法 - Google Patents
一种多车辆横纵向耦合协同控制***及控制方法 Download PDFInfo
- Publication number
- CN109144076A CN109144076A CN201811285844.XA CN201811285844A CN109144076A CN 109144076 A CN109144076 A CN 109144076A CN 201811285844 A CN201811285844 A CN 201811285844A CN 109144076 A CN109144076 A CN 109144076A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- following car
- navigator
- path
- planning
- 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 44
- 230000008878 coupling Effects 0.000 title abstract description 18
- 238000010168 coupling process Methods 0.000 title abstract description 18
- 238000005859 coupling reaction Methods 0.000 title abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012986 modification Methods 0.000 claims abstract description 5
- 230000004048 modification Effects 0.000 claims abstract description 5
- 230000001133 acceleration Effects 0.000 claims description 48
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000006073 displacement reaction Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 10
- 230000004888 barrier function Effects 0.000 claims description 6
- 241000736199 Paeonia Species 0.000 claims description 4
- 235000006484 Paeonia officinalis Nutrition 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000009977 dual effect Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 9
- 230000001276 controlling effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002716 delivery method Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0293—Convoy travelling
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明公开一种多车辆横纵向耦合协同控制***,包括:环境检测模块,用于检测当前环境、道路以及信号灯信息;队列全局路径规划模块,其根据队列当前位置与目标位置,进行路径全局规划,并将路径信息传递给领航车局部路径规划模块;领航车局部路径规划模块,其用于接收所述环境检测模块的检测信息,并进行局部路径规划和路径跟踪,跟随车路径修正模块,其接收所述局部路径规划,并对所述局部路径规划进行再修正;车辆控制模块,其接收修正后的局部路径规划,并进行路径跟踪。本发明还提供一种多车辆横纵向耦合协同控制方法,能够更好的进行多车辆横纵向耦合协同控制。
Description
技术领域
本发明涉及多车辆协同控制技术领域,更具体的是,本发明涉及一种多车辆横纵向耦合协同控制***及控制方法。
背景技术
队列协同控制,集成了通信技术,计算机技术,人工智能技术以及智能车辆控制方法,通过V2X信息交互技术,实现多车辆之间的协同控制。通过环境感知,信息融合以及优化决策,提高了道路通过效率以及能量利用效率,增加了道路安全性,因此成为未来智能网联与智能车辆的重要结合领域。
现有的队列协同控制方法主要集中于纵向协同控制方向,以速度以及加速度等作为控制变量,通过某种纵向车间距控制策略,使多车辆以纵向队形的形式进行道路行驶。现存最为成熟的控制***为分层分布式协同控制***。整个多车辆控制***包括任务决策层、车辆运动控制层以及执行控制层。其中,任务决策层将队列视为一个***,根据队列质心位置以及目的地进行全局路径规划;车辆运动控制层包括领航车辆以及跟随车辆,领航车辆进行路径的局部规划与跟踪,跟随车辆根据领航车的行驶路径,结合间距控制策略进行纵向跟随;执行控制层根据车辆运动控制层中确定的车辆行驶信息,通过控制车辆的制动与加速满足车辆的运动需求。现有专利中涉及的多车辆横纵耦合向协同控制方法无法有效的对转向、换道等工况进行控制;或者单独进行横向、纵向的控制,忽略二者之间的耦合关系。具体存在的问题如下:
(1)动力学模型问题:a.为了描述控制信息与车辆响应的对应关系,多种队列车辆节点动力学模型被提出,基于这些模型设计的控制***只包含了车辆的纵向运动而无法涵盖车辆的横向运动;b.现有的车辆动力学模型无法体现队列中不同车辆的异质性,即无法描述车辆之间动力学参数的区别;c.现有的车辆动力学模型只能体现传统车辆前轮转向控制,无法适用于未来四轮转向车辆等。
(2)控制器中,没有涉及多车辆队列横向间距优化控制策略,使车辆之间无法进行横向最优协同。
(3)队列内车辆动力学性能差异对多车辆协同控制影响较大,且领航车与跟随车面临的环境也存在区别,忽略这些要素进行控制易引发安全问题。
中国发明专利201410033746.2公开了一种车辆多目标协调换道辅助自适应巡航控制方法,以加速度为控制变量,以车辆的位置、速度以及加速度为状态变量,以前车跟踪性、多车运动安全性和纵向驾驶舒适性为优化目标,进行模型预测控制,保证车间距和车辆间相对速度误差最小。然而车辆多目标协调换道辅助自适应巡航控制方法无法实现队列内车辆的横向控制。而且由于采用的动力学模型中没有涉及不同车型的动力学特性参数,无法针对各自的动力性能进行精确控制;没有考虑跟随车辆与领航车面临的周围环境差异等问题。
中国发明专利CN201711206133公开了一种智能车队换道方法,运用相对成熟的车辆换道技术,实现车队内车辆依次安全换道。然而该换道方法只考虑了车队内车辆的换道时机,且换道时无法保证车队队形的保持和车辆横纵向耦合控制的实施。
中国发明专利201610957049.5公开了一种控制汽车以簇形式编队行驶的方法,在横向和纵向编队模型上给出了速度控制模型。然而该发明只给出了编队内车辆的运动控制函数,没有从动力学的角度对车辆进行控制,且无法体现车辆之间的动力学差异。这会导致控制模型在高速行驶时控制精度低,且编队内车辆动力学特性相同不符合实际道路行驶情境。
中国发明专利201510896784.5公开了一种用于控制CACC***的速度的装置和方法,提供了一种用于控制协同式自适应巡航(CACC)***的装置和方法,对协同控制的车辆之间信息流传递方法进行了设计。然而该装置和方法没有考虑车辆与车辆之间的具体运动控制方法。
发明内容
本发明的一个目的是设计开发了一种多车辆横纵向耦合协同控制***,跟随车能够根据领航车的规划路径和跟随车的环境、道路以及信号灯信息,对跟随车进行横向和纵向耦合协同控制。
本发明的另一个方法是设计开发了一种多车辆横纵向耦合协同控制方法,跟随车能够根据领航车的规划路径和跟随车的环境、道路以及信号灯信息,对跟随车的路径进行修正并优化得到控制变量,更好的进行多车辆横纵向耦合协同控制。
本发明还能以车辆前车轮转角、后车轮转角和纵向车速为控制变量对车辆模型进行线性化处理,进而通过线性化状态方程得到跟随车下一时刻的状态变量。
本发明还能基于BP神经网络对跟随车的路径进行修正并优化得到控制变量。
本发明提供的技术方案为:
一种多车辆横纵向耦合协同控制***,包括:
环境检测模块,用于检测当前环境、道路以及信号灯信息;
队列全局路径规划模块,其根据队列当前位置与目标位置,进行路径全局规划,并将路径信息传递给领航车局部路径规划模块;
领航车局部路径规划模块,其用于接收所述环境检测模块的检测信息,并进行局部路径规划和路径跟踪,
跟随车路径修正模块,其接收所述局部路径规划,并对所述局部路径规划进行再修正;
车辆控制模块,其接收修正后的局部路径规划,并进行路径跟踪。
一种多车辆横纵向耦合协同控制方法,包括如下步骤:
步骤1:以车辆前车轮转角、后车轮转角和纵向车速为控制变量,以车辆横向位移、纵向位移、横向车速、加速度和横摆角为状态变量,建立车辆单轨三自由度模型,并进行线性化处理,获得线性化状态方程;
步骤2:根据队列当前位置与目标位置,进行路径全局规划得到领航车规划的路径,并根据当前环境、道路以及信号灯信息进行局部路径规划得到跟随车规划的路径;
步骤3:对所述跟随车规划的路径进行优化,获得优化后的控制变量矩阵;
J(k)=min|f(η,ηref)|+min|ΔU|
式中,J(k)为优化目标函数,η为跟随车修正后的路径,ηref为领航车规划的路径,ΔU为跟随车规划的路径和跟随车修正后的路径的控制变量的变化值矩阵,f(.)为误差函数;
其中,在优化过程中,跟随车满足以下约束条件:
-12°≤β≤12°;
ay,min≤ay≤ay,max;
-2.5°≤αf,t≤2.5°;
-2.5°≤αr,t≤2.5°;
VC≤Vlight,i;
式中,β为跟随车的质心侧偏角,ay为跟随车的侧向加速度,ay,min,ay,max分别为跟随车的侧向加速度的最小值和最大值,αf,t,αr,t分别为跟随车左侧轮胎和右侧轮胎的侧偏角,XC,YC分别为跟随车的横向位置和纵向位置,XO,YO分别为障碍物的横向位置和纵向位置,d为跟随车和障碍物的安全距离,VC为跟随车的纵向车速,Vlight,i为第i类信号灯下的限定车速;
步骤4:将优化后的控制变量矩阵输入线性化状态方程中,得到跟随车辆优化后的状态变量矩阵,进而得到优化后的状态变量对车辆进行协同控制。
优选的是,所述线性化状态方程为:
X(k+1)=[I+T·A(t)]·X(k)+T·B(t)·U(k);
式中,X(k+1)为第k+1时刻的车辆状态变量矩阵,I为单位矩阵,T为采样时间,A(t),B(t)为参数矩阵,X(k)为第k时刻的车辆状态变量矩阵,U(k)为第k时刻的车辆控制变量矩阵,Ccf,Ccr分别为车辆前轮、后轮侧偏刚度,m为车辆的质量,分别为车辆纵向和横向速度,lf,lr分别为车辆前轴和后轴轴距,Iz为车辆转动惯量,为车辆横摆角,为车辆横摆角速度。
优选的是,所述车辆单轨三自由度模型为:
式中,分别为车辆纵向和横向加速度,为车辆横摆角加速度,δf,δr分别为车辆前轮、后轮转角,Clf,Clr分别为车辆前轮、后轮纵向力与滑移率比例系数,sf,sr分比为车辆前轮、后轮滑移率,分别为车辆在队列中的纵向、横向速度。
优选的是,所述车辆前轮、后轮滑移率满足:sf=sr=0.2。
优选的是,所述步骤3中,优化后的控制变量矩阵的获得具体包括:
当多车辆队列行驶时,基于BP神经网络对跟随车前车轮转角、后车轮转角和纵向车速进行调控优化,包括如下步骤:
步骤1:按照采样周期,采集领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角
步骤2:依次将领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角进行规格化,确定三层BP神经网络的输入层向量x={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10};其中,x1为领航车的横向位移系数,x2为领航车的纵向位移系数,x3为领航车的横向车速系数,x4为领航车的加速度系数,x5为领航车的横摆角系数,x6为跟随车的横向位移系数,x7为跟随车的纵向位移系数,x8为跟随车的横向车速系数,x9为跟随车的加速度系数,x10为跟随车的横摆角系数;
步骤3:所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤4:得到输出层向量z={z1,z2,z3};其中,z1为跟随车前车轮转角调节系数,z2为跟随车后车轮转角调节系数,z3为跟随车纵向车速调节系数,使
其中,z1 i、z2 i、z3 i分别为第i个采样周期输出层向量参数, 分别为设定的跟随车前车轮最大转角、跟随车后车轮最大转角、跟随车最大纵向车速,分别为第i+1个采样周期时的跟随车前车轮转角、跟随车后车轮转角、跟随车纵向车速。
优选的是,在所述步骤1中,初始运行状态下,跟随车前车轮转角、跟随车后车轮转角、跟随车纵向车速满足经验值:
δFV,f,0=0,
其中,分别为随车前车轮初始转角、跟随车后车轮初始转角、跟随车初始纵向车速。
优选的是,在所述步骤2中,领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角进行规格化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数LPV,t、LPV,p、VPV,t、aPV、LFV,t、LFV,p、VFV,t、aFV、j=1,2,3,4,…,10;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
优选的是,所述中间层节点个数m满足:其中n为输入层节点个数,p为输出层节点个数。
优选的是,所述步骤3中,优化后的控制变量矩阵的获得具体包括:采用二次规划求解控制变量的最优矩阵,将目标函数转化为标准型:
min∫(XTQX+UTRU)dt
式中,X为跟随车的状态变量矩阵,U为跟随车的控制变量矩阵,Q和R为权重系数。
本发明所述的有益效果:
(1)本发明提供的多车辆横纵向耦合协同控制***,跟随车能够根据领航车的规划路径和跟随车的环境、道路以及信号灯信息,对跟随车进行横向和纵向耦合协同控制。
(2)本发明提供的多车辆横纵向耦合协同控制方法,跟随车能够根据领航车的规划路径和跟随车的环境、道路以及信号灯信息,对跟随车的路径进行修正并优化得到控制变量,进而通过线性化状态方程得到跟随车下一时刻的状态变量,更好的进行多车辆横纵向耦合协同控制。本发明还能基于BP神经网络对跟随车的路径进行修正并优化得到控制变量。
附图说明
图1为本发明所述多车辆横纵向耦合协同控制原理示意图。
图2为本发明所述跟随车路径修正原理示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种多车辆横纵向耦合协同控制***,包括:环境检测模块,用于检测当前环境、道路以及信号灯信息;队列全局路径规划模块,其根据队列当前位置与目标位置,进行路径全局规划,并将路径信息传递给领航车局部路径规划模块;领航车局部路径规划模块,其用于接收所述环境检测模块的检测信息,并进行局部路径规划和路径跟踪,跟随车路径修正模块,其接收所述局部路径规划,并对所述局部路径规划进行再修正;车辆控制模块,其接收修正后的局部路径规划,并进行路径跟踪。
本发明提供的多车辆横纵向耦合协同控制***,跟随车能够根据领航车的规划路径和跟随车的环境、道路以及信号灯信息,对跟随车进行横向和纵向耦合协同控制。
如图1、2所示,本发明还提供一种多车辆横纵向耦合协同控制方法,包括如下步骤:
步骤1:以车辆前车轮转角、后车轮转角和纵向车速为控制变量,以车辆横向位移、纵向位移、横向车速、加速度和横摆角为状态变量,建立车辆单轨三自由度模型:
式中,分别为车辆纵向和横向加速度,为车辆横摆角加速度,δf,δr分别为车辆前轮、后轮转角,Clf,Clr分别为车辆前轮、后轮纵向力与滑移率比例系数,sf,sr分比为车辆前轮、后轮滑移率,分别为车辆在队列中的纵向、横向速度,Ccf,Ccr分别为车辆前轮、后轮侧偏刚度,m为车辆的质量,分别为车辆纵向和横向速度,lf,lr分别为车辆前轴和后轴轴距,Iz为车辆转动惯量,为车辆横摆角,为车辆横摆角速度。
并对单轨三自由度模型进行线性化处理,获得线性化状态方程:
X(k+1)=[I+T·A(t)]·X(k)+T·B(t)·U(k);
式中,X(k+1)为第k+1时刻的车辆状态变量矩阵,I为单位矩阵,T为采样时间,A(t),B(t)为参数矩阵,X(k)为第k时刻的车辆状态变量矩阵,U(k)为第k时刻的车辆控制变量矩阵,需要解释的是,t为连续时间,k为把连续***化为非连续***时的步长。
步骤2:根据队列当前位置与目标位置,进行路径全局规划得到领航车规划的路径,并根据当前环境、道路以及信号灯信息进行局部路径规划得到跟随车规划的路径,(初始生成的领航车规划路径和局部规划路径在理想环境下是一致的);
步骤3:对所述跟随车规划的路径进行优化,获得优化后的控制变量矩阵;
J(k)=min|f(η,ηref)|+min|ΔU|
式中,J(k)为优化目标函数,η为跟随车修正后的路径,ηref为领航车规划的路径,ΔU为跟随车规划的路径和跟随车修正后的路径的控制变量的变化值矩阵,f(.)为误差函数;
其中,在优化过程中,跟随车满足以下约束条件:
-12°≤β≤12°;
ay,min≤ay≤ay,max;
-2.5°≤αf,t≤2.5°;
-2.5°≤αr,t≤2.5°;
VC≤Vlight,i;
式中,β为跟随车的质心侧偏角,ay为跟随车的侧向加速度,ay,min,ay,max分别为跟随车的侧向加速度的最小值和最大值,αf,t,αr,t分别为跟随车左侧轮胎和右侧轮胎的侧偏角,XC,YC分别为跟随车的横向位置和纵向位置,XO,YO分别为障碍物的横向位置和纵向位置,d为跟随车和障碍物的安全距离,VC为跟随车的纵向车速,Vlight,i为第i类信号灯下的限定车速;
即在对跟随车规划的路径进行优化时,使得跟随车满足上述约束条件的同时,跟随车修正后的路径也要和领航车规划的路径尽可能的相似,使得整体队列更加整齐美观。
步骤4:将优化后的控制变量矩阵输入线性化状态方程中,得到跟随车辆优化后的状态变量矩阵:
Xop(k+1)=[I+T·A(t)]·X(k)+T·B(t)·Uop(k)
其中,Xop(k+1)为跟随车辆优化后的状态变量矩阵,Uop(k)为优化后的控制变量矩阵。
车辆三自由度动力学模型目的在于理论描述某控制变量作用下,车辆在纵向、横向以及横摆方向的运动响应,对该公式进行的合理简化,比如:小转角前提下,将侧偏角视为0;认为滑移率保持在0.2(路面附着系数峰值)左右均在本发明的保护范围以内。当前模型可用于描述多个四轮线控转向车辆的协同控制,当后轮转角设置为0时,则为传统前轮转向车辆。
优化后的控制变量矩阵的获得具体包括:当多车辆队列行驶时,基于BP神经网络对跟随车前车轮转角、后车轮转角和纵向车速进行调控优化,包括如下步骤:
步骤1:建立BP神经网络模型;
本发明采用的BP网络体系结构由三层组成,第一层为输入层,共n个节点,对应了表示车辆行驶状态的n个检测信号,这些信号参数由数据预处理模块给出。第二层为隐层,共m个节点,由网络的训练过程以自适应的方式确定。第三层为输出层,共p个节点,由***实际需要输出的响应确定。
该网络的数学模型为:
输入层向量:x=(x1,x2,…,xn)T
中间层向量:y=(y1,y2,…,ym)T
输出层向量:z=(z1,z2,…,zp)T
本发明中,输入层节点数为n=10,输出层节点数为p=3。隐藏层节点数m由下式估算得出:
按照采样周期,输入的10个参数为,x1为领航车的横向位移系数,x2为领航车的纵向位移系数,x3为领航车的横向车速系数,x4为领航车的加速度系数,x5为领航车的横摆角系数,x6为跟随车的横向位移系数,x7为跟随车的纵向位移系数,x8为跟随车的横向车速系数,x9为跟随车的加速度系数,x10为跟随车的横摆角系数;
由于传感器获取的数据属于不同的物理量,其量纲各不相同。因此,在数据输入神经网络之前,需要将数据规格化为0-1之间的数。
具体而言,对于领航车的横向位移LPV,t,进行规格化后,得到领航车的横向位移系数x1:
其中,和分别为领航车的最小横向位移和最大横向位移。
同样的,对于领航车的纵向位移LPV,p,进行规格化后,得到领航车的纵向位移系数x2:
其中,和分别为领航车的最小纵向位移和最大纵向位移。
对领航车的横向车速VPV,t,进行规格化后,得到领航车的横向车速系数x3:
其中,和分别为领航车的最小横向车速和最大横向车速。
对领航车的加速度aPV,进行规格化后,得到领航车的加速度系数x4:
其中,和分别为领航车的最小加速度和最大加速度。
对领航车的横摆角进行规格化后,得到领航车的横摆角系数x5:
其中,和分别为领航车的最小横摆角和最大横摆角。
对于跟随车的横向位移LFV,t,进行规格化后,得到G跟随车的横向位移系数x6:
其中,和分别为跟随车的最小横向位移和最大横向位移。
同样的,对于跟随车的纵向位移LFV,p,进行规格化后,得到领航车的纵向位移系数x7:
其中,和分别为跟随车的最小纵向位移和最大纵向位移。
对跟随车的横向车速VFV,t,进行规格化后,得到领航车的横向车速系数x8:
其中,和分别为跟随车的最小横向车速和最大横向车速。
对跟随车的加速度aFV,进行规格化后,得到领航车的加速度系数x9:
其中,和分别为跟随车的最小加速度和最大加速度。
对跟随车的横摆角进行规格化后,得到跟随车的横摆角系数x10:
其中,和分别为跟随车的最小横摆角和最大横摆角。
输出信号的3个参数分别表示为:z1为跟随车前车轮转角调节系数,z2为跟随车后车轮转角调节系数,z3为跟随车纵向车速调节系数;
跟随车前车轮转角调节系数z1表示为下一个采样周期中的跟随车前车轮转角与当前采样周期中设定的跟随车前车轮最大转角之比,即在第i个采样周期中,采集到的跟随车前车轮转角为通过BP神经网络输出第i个采样周期的跟随车前车轮转角调节系数z1 i后,控制第i+1个采样周期中跟随车前车轮转角为使其满足
跟随车后车轮转角调节系数z2表示为下一个采样周期中的跟随车后车轮转角与当前采样周期中设定的跟随车后车轮最大转角之比,即在第i个采样周期中,采集到的跟随车后车轮转角为通过BP神经网络输出第i个采样周期的跟随车后车轮转角调节系数z2 i后,控制第i+1个采样周期中跟随车后车轮转角为使其满足
跟随车纵向车速调节系数z3表示为下一个采样周期中的跟随车纵向车速与当前采样周期中设定的跟随车最大纵向车速之比,即在第i个采样周期中,采集到的跟随车纵向车速为通过BP神经网络输出第i个采样周期的跟随车纵向车速调节系数z3 i后,控制第i+1个采样周期中的跟随车纵向车速为使其满足
步骤2:进行BP神经网络的训练。
建立好BP神经网络节点模型后,即可进行BP神经网络的训练。根据产品的经验数据获取训练的样本,并给定输入节点i和隐含层节点j之间的连接权值wij,隐层节点j和输出层节点k之间的连接权值wjk,隐层节点j的阈值θj,输出层节点k的阈值wij、wjk、θj、θk均为-1到1之间的随机数。
在训练过程中,不断修正wij和wjk的值,直至***误差小于等于期望误差时,完成神经网络的训练过程。
如表1所示,给定了一组训练样本以及训练过程中各节点的值。
表1训练过程各节点值
步骤3:采集数据运行参数输入神经网络得到调控系数;
当多车辆队列行驶时,即初始运行状态下,跟随车前车轮转角、跟随车后车轮转角、跟随车纵向车速满足经验值:
δFV,f,0=0,
其中,分别为随车前车轮初始转角、跟随车后车轮初始转角、跟随车初始纵向车速。
同时,测量领航车的初始横向位移LPV,t0、初始纵向位移LPV,p0、初始横向车速VPV,t0、初始加速度aPV0和初始横摆角以及跟随车的初始横向位移LFV,t0、初始纵向位移LFV,p0、初始横向车速VFV,t0、初始加速度aFV0和初始横摆角通过将上述参数规格化,得到BP神经网络的初始输入向量通过BP神经网络的运算得到初始输出向量
步骤4:得到初始输出向量后,即可调节跟随车的前车轮转角、后车轮转角和纵向车速,使下一个采样周期跟随车的前车轮转角、后车轮转角和纵向车速分别为:
通过传感器获取第i个采样周期中的领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角通过进行规格化得到第i个采样周期的输入向量xi=(x1 i,x2 i,x3 i,x4 i,x5 i,x6 i,x7 i,x8 i,x9 i,x10 i),通过BP神经网络的运算得到第i个采样周期的输出向量zi=(z1 i,z2 i,z3 i),然后控制调节跟随车的前车轮转角、后车轮转角和纵向车速,使第i+1个采样周期时跟随车的前车轮转角、后车轮转角和纵向车速分别为:
最终得到跟随车优化后的控制变量矩阵。
当然,还可以采用二次规划的方法获得跟随车优化后的控制变量矩阵,即采用二次规划求解控制变量的最优矩阵,将目标函数转化为标准型:
min∫(XTQX+UTRU)dt
式中,X为跟随车的状态变量矩阵,U为跟随车的控制变量矩阵,Q和R为权重系数。
当上述标准型的目标函数最小时得到的矩阵即为最优矩阵。
本发明提供的多车辆横纵向耦合协同控制方法,跟随车能够根据领航车的规划路径和跟随车的环境、道路以及信号灯信息,对跟随车的路径进行修正并优化得到控制变量,进而通过线性化状态方程得到跟随车下一时刻的状态变量,更好的进行多车辆横纵向耦合协同控制。本发明还能基于BP神经网络对跟随车的路径进行修正并优化得到控制变量。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (10)
1.一种多车辆横纵向耦合协同控制***,其特征在于,包括:
环境检测模块,用于检测当前环境、道路以及信号灯信息;
队列全局路径规划模块,其根据队列当前位置与目标位置,进行路径全局规划,并将路径信息传递给领航车局部路径规划模块;
领航车局部路径规划模块,其用于接收所述环境检测模块的检测信息,并进行局部路径规划和路径跟踪,
跟随车路径修正模块,其接收所述局部路径规划,并对所述局部路径规划进行再修正;
车辆控制模块,其接收修正后的局部路径规划,并进行路径跟踪。
2.一种多车辆横纵向耦合协同控制方法,其特征在于,包括如下步骤:
步骤1:以车辆前车轮转角、后车轮转角和纵向车速为控制变量,以车辆横向位移、纵向位移、横向车速、加速度和横摆角为状态变量,建立车辆单轨三自由度模型,并进行线性化处理,获得线性化状态方程;
步骤2:根据队列当前位置与目标位置,进行路径全局规划得到领航车规划的路径,并根据当前环境、道路以及信号灯信息进行局部路径规划得到跟随车规划的路径;
步骤3:对所述跟随车规划的路径进行优化,获得优化后的控制变量矩阵;
J(k)=min|f(η,ηref)|+min|ΔU|
式中,J(k)为优化目标函数,η为跟随车修正后的路径,ηref为领航车规划的路径,ΔU为跟随车规划的路径和跟随车修正后的路径的控制变量的变化值矩阵,f(.)为误差函数;
其中,在优化过程中,跟随车满足以下约束条件:
-12°≤β≤12°;
ay,min≤ay≤ay,max;
-2.5°≤αf,t≤2.5°;
-2.5°≤αr,t≤2.5°;
VC≤Vlight,i;
式中,β为跟随车的质心侧偏角,ay为跟随车的侧向加速度,ay,min,ay,max分别为跟随车的侧向加速度的最小值和最大值,αf,t,αr,t分别为跟随车左侧轮胎和右侧轮胎的侧偏角,XC,YC分别为跟随车的横向位置和纵向位置,XO,YO分别为障碍物的横向位置和纵向位置,d为跟随车和障碍物的安全距离,VC为跟随车的纵向车速,Vlight,i为第i类信号灯下的限定车速;
步骤4:将优化后的控制变量矩阵输入线性化状态方程中,得到跟随车辆优化后的状态变量矩阵,进而得到优化后的状态变量对车辆进行协同控制。
3.如权利要求2所述的多车辆横纵向耦合协同控制方法,其特征在于,所述线性化状态方程为:
X(k+1)=[I+T·A(t)]·X(k)+T·B(t)·U(k);
式中,X(k+1)为第k+1时刻的车辆状态变量矩阵,I为单位矩阵,T为采样时间,A(t),B(t)为参数矩阵,X(k)为第k时刻的车辆状态变量矩阵,U(k)为第k时刻的车辆控制变量矩阵,Ccf,Ccr分别为车辆前轮、后轮侧偏刚度,m为车辆的质量,分别为车辆纵向和横向速度,lf,lr分别为车辆前轴和后轴轴距,Iz为车辆转动惯量,为车辆横摆角,为车辆横摆角速度。
4.如权利要求3所述的多车辆横纵向耦合协同控制方法,其特征在于,所述车辆单轨三自由度模型为:
式中,分别为车辆纵向和横向加速度,为车辆横摆角加速度,δf,δr分别为车辆前轮、后轮转角,Clf,Clr分别为车辆前轮、后轮纵向力与滑移率比例系数,sf,sr分比为车辆前轮、后轮滑移率,分别为车辆在队列中的纵向、横向速度。
5.如权利要求4所述的多车辆横纵向耦合协同控制方法,其特征在于,所述车辆前轮、后轮滑移率满足:sf=sr=0.2。
6.如权利要求2、3、4或5所述的多车辆横纵向耦合协同控制方法,其特征在于,所述步骤3中,优化后的控制变量矩阵的获得具体包括:
当多车辆队列行驶时,基于BP神经网络对跟随车前车轮转角、后车轮转角和纵向车速进行调控优化,包括如下步骤:
步骤1:按照采样周期,采集领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角
步骤2:依次将领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角进行规格化,确定三层BP神经网络的输入层向量x={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10};其中,x1为领航车的横向位移系数,x2为领航车的纵向位移系数,x3为领航车的横向车速系数,x4为领航车的加速度系数,x5为领航车的横摆角系数,x6为跟随车的横向位移系数,x7为跟随车的纵向位移系数,x8为跟随车的横向车速系数,x9为跟随车的加速度系数,x10为跟随车的横摆角系数;
步骤3:所述输入层向量映射到中间层,所述中间层向量y={y1,y2,…,ym};m为中间层节点个数;
步骤4:得到输出层向量z={z1,z2,z3};其中,z1为跟随车前车轮转角调节系数,z2为跟随车后车轮转角调节系数,z3为跟随车纵向车速调节系数,使
其中,z1 i、z2 i、z3 i分别为第i个采样周期输出层向量参数, 分别为设定的跟随车前车轮最大转角、跟随车后车轮最大转角、跟随车最大纵向车速,分别为第i+1个采样周期时的跟随车前车轮转角、跟随车后车轮转角、跟随车纵向车速。
7.如权利要求6所述的多车辆横纵向耦合协同控制方法,其特征在于,在所述步骤1中,初始运行状态下,跟随车前车轮转角、跟随车后车轮转角、跟随车纵向车速满足经验值:
δFV,f,0=0,
其中,δFV,f,0、分别为随车前车轮初始转角、跟随车后车轮初始转角、跟随车初始纵向车速。
8.如权利要求7所述的多车辆横纵向耦合协同控制方法,其特征在于,在所述步骤2中,领航车的横向位移LPV,t、纵向位移LPV,p、横向车速VPV,t、加速度aPV和横摆角以及跟随车的横向位移LFV,t、纵向位移LFV,p、横向车速VFV,t、加速度aFV和横摆角进行规格化公式为:
其中,xj为输入层向量中的参数,Xj分别为测量参数LPV,t、LPV,p、VPV,t、aPV、LFV,t、LFV,p、VFV,t、aFV、j=1,2,3,4,…,10;Xjmax和Xjmin分别为相应测量参数中的最大值和最小值。
9.如权利要求8所述的多车辆横纵向耦合协同控制方法,其特征在于,所述中间层节点个数m满足:其中n为输入层节点个数,p为输出层节点个数。
10.如权利要求2、3、4或5所述的多车辆横纵向耦合协同控制方法,其特征在于,所述步骤3中,优化后的控制变量矩阵的获得具体包括:采用二次规划求解控制变量的最优矩阵,将目标函数转化为标准型:
min∫(XTQX+UTRU)dt
式中,X为跟随车的状态变量矩阵,U为跟随车的控制变量矩阵,Q和R为权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285844.XA CN109144076B (zh) | 2018-10-31 | 2018-10-31 | 一种多车辆横纵向耦合协同控制***及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285844.XA CN109144076B (zh) | 2018-10-31 | 2018-10-31 | 一种多车辆横纵向耦合协同控制***及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109144076A true CN109144076A (zh) | 2019-01-04 |
CN109144076B CN109144076B (zh) | 2020-05-22 |
Family
ID=64806795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285844.XA Expired - Fee Related CN109144076B (zh) | 2018-10-31 | 2018-10-31 | 一种多车辆横纵向耦合协同控制***及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109144076B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712424A (zh) * | 2019-02-26 | 2019-05-03 | 辽宁工业大学 | 一种基于物联网的车辆导航方法 |
CN110456790A (zh) * | 2019-07-31 | 2019-11-15 | 厦门大学 | 基于自适应权重的智能网联电动汽车队列优化控制方法 |
CN110827535A (zh) * | 2019-10-30 | 2020-02-21 | 中南大学 | 非线性车辆队列协同自适应抗扰纵向控制方法 |
CN110979315A (zh) * | 2019-12-24 | 2020-04-10 | 江苏徐工工程机械研究院有限公司 | 一种露天矿山无人化运输***的车辆保护圈安全控制方法及*** |
CN111273673A (zh) * | 2020-03-09 | 2020-06-12 | 新石器慧通(北京)科技有限公司 | 一种无人车的自动驾驶跟随方法、***及无人车 |
CN111559361A (zh) * | 2020-05-27 | 2020-08-21 | 吉林大学 | 一种四轮独立驱动车辆转向制动协同控制方法 |
CN111693044A (zh) * | 2020-06-19 | 2020-09-22 | 南京晓庄学院 | 一种融合定位方法 |
CN111696339A (zh) * | 2019-03-15 | 2020-09-22 | 上海图森未来人工智能科技有限公司 | 一种自动驾驶车队的跟车控制方法、***及车辆 |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc***的自适应动态规划方法 |
CN112622903A (zh) * | 2020-10-29 | 2021-04-09 | 东北大学秦皇岛分校 | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 |
CN113003229A (zh) * | 2021-02-26 | 2021-06-22 | 北京卫星制造厂有限公司 | 一种面向异构特性大型装备多智能体协同自主转运*** |
CN113031576A (zh) * | 2019-12-24 | 2021-06-25 | 北京图森智途科技有限公司 | 自动驾驶车队中的车辆控制方法、车载装置及车辆 |
CN113126647A (zh) * | 2019-12-31 | 2021-07-16 | 北京理工大学 | 一种基于领导者跟追随者原理的协同制导方法 |
CN113253728A (zh) * | 2021-05-18 | 2021-08-13 | 兆边(上海)科技有限公司 | 管控响应式分布式车辆协同编队方法、装置及终端设备 |
CN113635920A (zh) * | 2021-09-17 | 2021-11-12 | 中国重汽集团济南动力有限公司 | 一种权重自适应横纵向耦合跟踪控制方法及*** |
CN114030469A (zh) * | 2021-06-18 | 2022-02-11 | 东南大学 | 多车协同轨迹规划和路径跟踪方法 |
WO2022237212A1 (zh) * | 2021-05-10 | 2022-11-17 | 江苏大学 | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 |
CN115981166A (zh) * | 2023-03-20 | 2023-04-18 | 青岛大学 | 车队安全运行控制方法、***、计算机设备以及存储介质 |
WO2023125754A1 (zh) * | 2021-12-31 | 2023-07-06 | 苏州立方元智能科技有限公司 | 一种自动成列行驶车辆***及控制方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408433A (zh) * | 2008-11-12 | 2009-04-15 | 凯立德欣技术(深圳)有限公司 | 车队导航***、领航导航装置、从导航装置及其导航方法 |
CN104776854A (zh) * | 2015-04-30 | 2015-07-15 | 上海天奕达电子科技有限公司 | 跟车导航方法及***、导航*** |
CN104960524A (zh) * | 2015-07-16 | 2015-10-07 | 北京航空航天大学 | 基于车车通信的多车协同换道控制***及其方法 |
CN105679093A (zh) * | 2016-02-23 | 2016-06-15 | 江苏大学 | 一种基于车车通信的多车协同避撞***及其方法 |
CN106708057A (zh) * | 2017-02-16 | 2017-05-24 | 北理慧动(常熟)车辆科技有限公司 | 一种智能车辆编队行驶方法 |
CN106895844A (zh) * | 2015-12-18 | 2017-06-27 | 北京奇虎科技有限公司 | 一种基于车载终端的导航路径分享方法和装置 |
US20180154899A1 (en) * | 2016-12-02 | 2018-06-07 | Starsky Robotics, Inc. | Vehicle control system and method of use |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
-
2018
- 2018-10-31 CN CN201811285844.XA patent/CN109144076B/zh not_active Expired - Fee Related
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101408433A (zh) * | 2008-11-12 | 2009-04-15 | 凯立德欣技术(深圳)有限公司 | 车队导航***、领航导航装置、从导航装置及其导航方法 |
CN104776854A (zh) * | 2015-04-30 | 2015-07-15 | 上海天奕达电子科技有限公司 | 跟车导航方法及***、导航*** |
CN104960524A (zh) * | 2015-07-16 | 2015-10-07 | 北京航空航天大学 | 基于车车通信的多车协同换道控制***及其方法 |
CN106895844A (zh) * | 2015-12-18 | 2017-06-27 | 北京奇虎科技有限公司 | 一种基于车载终端的导航路径分享方法和装置 |
CN105679093A (zh) * | 2016-02-23 | 2016-06-15 | 江苏大学 | 一种基于车车通信的多车协同避撞***及其方法 |
US20180154899A1 (en) * | 2016-12-02 | 2018-06-07 | Starsky Robotics, Inc. | Vehicle control system and method of use |
CN106708057A (zh) * | 2017-02-16 | 2017-05-24 | 北理慧动(常熟)车辆科技有限公司 | 一种智能车辆编队行驶方法 |
CN108248605A (zh) * | 2018-01-23 | 2018-07-06 | 重庆邮电大学 | 一种智能车辆轨迹跟随的横纵向协调控制方法 |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109712424A (zh) * | 2019-02-26 | 2019-05-03 | 辽宁工业大学 | 一种基于物联网的车辆导航方法 |
CN109712424B (zh) * | 2019-02-26 | 2021-05-07 | 深圳市综合交通运行指挥中心 | 一种基于物联网的车辆导航方法 |
CN111696339A (zh) * | 2019-03-15 | 2020-09-22 | 上海图森未来人工智能科技有限公司 | 一种自动驾驶车队的跟车控制方法、***及车辆 |
CN110456790A (zh) * | 2019-07-31 | 2019-11-15 | 厦门大学 | 基于自适应权重的智能网联电动汽车队列优化控制方法 |
CN110827535A (zh) * | 2019-10-30 | 2020-02-21 | 中南大学 | 非线性车辆队列协同自适应抗扰纵向控制方法 |
CN113031576A (zh) * | 2019-12-24 | 2021-06-25 | 北京图森智途科技有限公司 | 自动驾驶车队中的车辆控制方法、车载装置及车辆 |
US11676493B2 (en) | 2019-12-24 | 2023-06-13 | Beijing Tusen Zhitu Technology Co., Ltd. | Vehicle control method for platooning, vehicle mounted apparatus and vehicle |
CN110979315B (zh) * | 2019-12-24 | 2020-12-04 | 江苏徐工工程机械研究院有限公司 | 一种露天矿山无人化运输***的车辆保护圈安全控制方法及*** |
CN113031576B (zh) * | 2019-12-24 | 2022-12-27 | 北京图森智途科技有限公司 | 自动驾驶车队中的车辆控制方法、车载装置及车辆 |
CN110979315A (zh) * | 2019-12-24 | 2020-04-10 | 江苏徐工工程机械研究院有限公司 | 一种露天矿山无人化运输***的车辆保护圈安全控制方法及*** |
CN113126647B (zh) * | 2019-12-31 | 2022-07-19 | 北京理工大学 | 一种基于领导者跟追随者原理的协同制导方法 |
CN113126647A (zh) * | 2019-12-31 | 2021-07-16 | 北京理工大学 | 一种基于领导者跟追随者原理的协同制导方法 |
CN111273673A (zh) * | 2020-03-09 | 2020-06-12 | 新石器慧通(北京)科技有限公司 | 一种无人车的自动驾驶跟随方法、***及无人车 |
CN111559361A (zh) * | 2020-05-27 | 2020-08-21 | 吉林大学 | 一种四轮独立驱动车辆转向制动协同控制方法 |
CN111559361B (zh) * | 2020-05-27 | 2021-06-25 | 吉林大学 | 一种四轮独立驱动车辆转向制动协同控制方法 |
CN111693044A (zh) * | 2020-06-19 | 2020-09-22 | 南京晓庄学院 | 一种融合定位方法 |
CN112034859B (zh) * | 2020-09-14 | 2022-08-02 | 东北大学秦皇岛分校 | 抗干扰的cacc***的自适应动态规划方法 |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc***的自适应动态规划方法 |
CN112622903B (zh) * | 2020-10-29 | 2022-03-08 | 东北大学秦皇岛分校 | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 |
CN112622903A (zh) * | 2020-10-29 | 2021-04-09 | 东北大学秦皇岛分校 | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 |
CN113003229A (zh) * | 2021-02-26 | 2021-06-22 | 北京卫星制造厂有限公司 | 一种面向异构特性大型装备多智能体协同自主转运*** |
WO2022237212A1 (zh) * | 2021-05-10 | 2022-11-17 | 江苏大学 | 基于复杂网络的自动驾驶汽车复杂环境模型、认知***及认知方法 |
CN113253728A (zh) * | 2021-05-18 | 2021-08-13 | 兆边(上海)科技有限公司 | 管控响应式分布式车辆协同编队方法、装置及终端设备 |
CN114030469A (zh) * | 2021-06-18 | 2022-02-11 | 东南大学 | 多车协同轨迹规划和路径跟踪方法 |
CN114030469B (zh) * | 2021-06-18 | 2022-08-02 | 东南大学 | 多车协同轨迹规划和路径跟踪方法 |
CN113635920A (zh) * | 2021-09-17 | 2021-11-12 | 中国重汽集团济南动力有限公司 | 一种权重自适应横纵向耦合跟踪控制方法及*** |
CN113635920B (zh) * | 2021-09-17 | 2023-01-03 | 中国重汽集团济南动力有限公司 | 一种权重自适应横纵向耦合跟踪控制方法及*** |
WO2023125754A1 (zh) * | 2021-12-31 | 2023-07-06 | 苏州立方元智能科技有限公司 | 一种自动成列行驶车辆***及控制方法 |
CN115981166A (zh) * | 2023-03-20 | 2023-04-18 | 青岛大学 | 车队安全运行控制方法、***、计算机设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109144076B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109144076A (zh) | 一种多车辆横纵向耦合协同控制***及控制方法 | |
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN110827535B (zh) | 非线性车辆队列协同自适应抗扰纵向控制方法 | |
CN103057436B (zh) | 一种基于多智能体的独立驱动电动汽车横摆力矩控制方法 | |
CN107943071A (zh) | 无人车的编队保持控制方法及*** | |
CN106926844A (zh) | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 | |
Cai et al. | Implementation and development of a trajectory tracking control system for intelligent vehicle | |
CN107813820A (zh) | 一种仿优秀驾驶员的无人车换道路径规划方法 | |
CN108791491A (zh) | 一种基于自评价学习的车辆侧向跟踪控制方法 | |
CN108717268A (zh) | 基于最优控制与安全距离的自动驾驶最速操纵控制***及其控制方法 | |
CN207328574U (zh) | 一种基于主动安全的智能汽车轨迹跟踪控制*** | |
CN109017760A (zh) | 车辆期望轨迹跟踪方法、装置及滚动时域优化算法 | |
CN110920616A (zh) | 一种智能车换道轨迹及换道轨迹跟随控制方法 | |
CN108791290A (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
CN109017759A (zh) | 期望路径车辆横摆控制方法 | |
CN105644566B (zh) | 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法 | |
Chen et al. | Trajectory and velocity planning method of emergency rescue vehicle based on segmented three-dimensional quartic bezier curve | |
CN114312848B (zh) | 基于双层mpc的智能驾驶汽车轨迹规划与跟踪控制方法 | |
CN109017804A (zh) | 力矩分配控制器为车辆各轮毂电机分配驱动力矩的方法 | |
CN114987537A (zh) | 基于神经网络动力学的自动驾驶车辆道路自适应漂移控制***与方法 | |
CN109712424A (zh) | 一种基于物联网的车辆导航方法 | |
CN108594830A (zh) | 一种基于空间域的网联智能车编队行驶控制方法 | |
CN109017447A (zh) | 无人驾驶车辆总的驱动力矩输出方法 | |
Kone | Lateral and longitudinal control of an autonomous racing vehicle. | |
Skrickij et al. | Review of integrated chassis control techniques for automated ground vehicles |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200522 Termination date: 20201031 |