CN110539752B - 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及*** - Google Patents

一种智能汽车多预测范围模型预测轨迹跟踪控制方法及*** Download PDF

Info

Publication number
CN110539752B
CN110539752B CN201910559172.5A CN201910559172A CN110539752B CN 110539752 B CN110539752 B CN 110539752B CN 201910559172 A CN201910559172 A CN 201910559172A CN 110539752 B CN110539752 B CN 110539752B
Authority
CN
China
Prior art keywords
prediction
range model
controller
longitudinal
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.)
Active
Application number
CN201910559172.5A
Other languages
English (en)
Other versions
CN110539752A (zh
Inventor
解云鹏
蔡英凤
陈龙
孙晓强
李祎承
施德华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN201910559172.5A priority Critical patent/CN110539752B/zh
Publication of CN110539752A publication Critical patent/CN110539752A/zh
Application granted granted Critical
Publication of CN110539752B publication Critical patent/CN110539752B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • B60W50/0097—Predicting future conditions
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0062—Adapting control system settings
    • B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种智能汽车多预测范围模型预测轨迹跟踪控制方法及***，包括信息感知、路径规划、多预测范围模型预测控制器建模以及驱动执行；环境感知实时采集智能汽车的前方道路信息及自身状态，将相关事件实时收集并传递至多预测范围模型预测控制器供其调用；路径规划根据信息感知的数据规划出一条期望路径；所述多预测范围模型预测控制器能够实现紧急事件下的预测控制；所述驱动执行根据多预测范围模型预测控制器输出的前轮转角值驱动操纵车辆的执行机构。本发明通过调用多预测范围模型预测控制器与可能发生事件相对应的预测时域与相应约束集及成本函数，使得无人驾驶车辆提前改变跟踪路径避免紧急情况的发生从而提升了汽车行驶的稳定性。

Description

一种智能汽车多预测范围模型预测轨迹跟踪控制方法及***
技术领域
本发明属于智能汽车控制领域，特别涉及了一种智能汽车在预测紧急事件下的控制方法。
背景技术
行驶智能化作为汽车技术变革核心技术在全球范围内深入展开。现有的模型预测控制大多着眼于路径跟踪的精度的提升上，但是在真实路况上行驶时往往在紧急事件发生的时候才做出相应反应使得无人驾驶车辆无法准确的跟踪期望路径，这是因为在高速行驶工况下车轮纵向力趋近于饱和，在紧急事件发生的情况下转向但轮胎无法提供更多的侧向力，所以车辆在应对紧急事件下容易出现失稳现象。
环境感知结合V2X技术使得汽车和周围环境之间进行无线通讯，从而为判断紧急事件提供了技术支持。面向无人驾驶的终极目标，要求智能汽车控制***在复杂工况条件下，具有精确、高效、可靠的控制能力，保证车辆转向稳定性、行驶安全。传统单一预测范围的算法不能解决车辆不同紧急事件下的控制需求和控制功能。
发明内容
一种智能汽车在紧急事件下的控制方法，通过在传统模型预测控制单预测范围的基础上添加多种预测范围的方法来预测可能发生的事件，在跟踪期望路径的同时保持对于如突遇冰雪路面或者行人横穿马路等的应急计划而不是在紧急事件发生的情况下在做出反应。从而提高模型预测控制对于可预见但难以确定发生概率事件的稳定性。
传统的模型预测控制基于环境感知模块的道路摩擦系数估计或先验的摩擦系数，而真实路况中道路摩擦系数难以以准确的数学公式表达；路边行人的行为也难以用概率来进行估计与预测。所以采取环境感知模块结合V2X技术来感知交通道路事件大体情况比如在感知到冰雪天气则提供信息给控制器，控制器则预先调用路面可能出现低附着情况的相关控制策略包括相应的预测时域与约束集；或感知路边有行人的情况下预先调用控制器与之相对应的预测时域与约束集来对可能出现行人横穿马路做出预先的调整等等。通过预先调整使得轮胎的横纵向力都控制在极限范围之内，增加控制***的鲁棒性和车辆的稳定性。以上复杂工况可以单一出现，也可以同时出现一同处理。
本发明的有益效果：
1、本发明提出的多时域模型预测控制的思想，将原本紧急事件发生后采取操作的模式替换成预先通过环境感知和V2X技术模块判断可能发生的事件，调用多预测范围模型预测控制器与可能发生事件相对应的预测时域与相应约束集及成本函数，使得无人驾驶车辆提前改变跟踪路径避免紧急情况的发生从而提升了汽车行驶的稳定性。
2、本发明提出的综合考虑横纵向力的动力学分段仿射模型，有效的提升模型的精度，解决无人驾驶车辆在复杂工况下控制偏差较大的问题。
附图说明
图1是控制模块逻辑框图；
图2是多预测范围框图；
图3是多预测范围成本函数框图；
图4环境感知流程框图；
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明***的组成包括如下：
感知模块
实时采集智能汽车的前方道路信息、横摆角速度γ、车速Vx、以及质心侧偏角β。并结合V2X短距离感知技术将交通道路信息中如冰雪天气，路边行人或者前车骤停等路况相关事件进行实时收集并传递至控制模块供控制器预先判断调用；与其他模块的配合关系如图4所示。
路径规划模块
根据感知模块所传递的数据规划出一条期望路径，此规划路径不包括对于复杂工况的计算；
动力学建模模块
为了适应复杂工况下的精度要求，单一的侧向动力学已经无法满足，所以建立横纵向力的分段仿射动力学模型。同时考虑横向力与纵向力，非线性横纵向力模型进行分段仿射化处理，将轮胎侧偏角αi与轮胎侧向力Fyi的实际关系曲线分成三段线性表示
Figure BDA0002107763760000021
其中，Ci1和Ci2为第i个轮胎侧向力分段仿射表达式的侧偏刚度；fi1和fi2为第i个车轮侧向力分段仿射表达式的常数项；αpi1，αpi2为分段点；
将轮胎纵向滑移率ki与轮胎纵向力Fxi的实际关系曲线分成三段线性表示
Figure BDA0002107763760000031
其中，Ki1和Ki2为第i个轮胎纵向力分段仿射表达式的纵向刚度；gi1和gi2为第i个车轮侧向力分段仿射表达式的常数项；kpi1，kpi2为分段点；
得到的动力学模型如下：
Figure BDA0002107763760000032
Figure BDA0002107763760000033
Figure BDA0002107763760000034
Figure BDA0002107763760000035
Figure BDA0002107763760000036
Figure BDA0002107763760000037
其中
Figure BDA0002107763760000038
是汽车纵向路径的导数，
Figure BDA0002107763760000039
是汽车质心到路径距离的侧向误差倒数，κ为道路曲率，Δψ是航向角误差，Vx、Vy、β、r分别为汽车纵向速度、横向速度，质心侧偏角及横摆角速度，Fxf、Fxr、Fyf、Fyr、m、a、b、Iz。Fxf、Fxr分别为前后轮纵向力，Fyf、Fyr分别为前后轮侧向力，m为车身质量，a、b、Iz分别为前后轴距与绕Z轴转动惯量。
控制模块
在建立此动力学模型后运用多时域模型预测控制方法进行控制。将step3中所建立的动力学模型转换成状态空间形式并运用一阶欧拉法进行模型的离散化得到
xk+1＝Axk+Buk+d
其中状态量x由(VxVyrΔψe)组成,综合考虑横纵向动力学特性，A、B为状态矩阵，d为仿射项矩阵；
Figure BDA0002107763760000041
如图2所示，其中xn类似于传统的确定性模型预测控制，而另外xd1、…xdn则代表了各种不同的应急计划，对应于不同的约束与成本函数，如图3所示。这样分开的优点是在无紧急事件时只计算xn所对应的成本函数并计算输出，在紧急事件下只需计算对应的应急计划即可，出现一种紧急事件即用一种，也可在多种紧急事件同时可能发生时一起计算，从而减小计算负担；An、Adn、Bn、Bdn、dn、ddn。An、Adn为状态量矩阵，Bn、Bdn为控制量矩阵，dn、ddn为仿射项矩阵。
建立性能指标如下
Figure BDA0002107763760000042
其中Np、Nc分别为预测与控制时域，Q、R分别为相应的权重矩阵集，ρ、ε分别为权重系数集和松弛因子集,xk为状态变量，Δuk为控制增量。
***约束为：
Figure BDA0002107763760000048
Figure BDA0002107763760000049
其中
Figure BDA0002107763760000043
在k＝0处，
Figure BDA0002107763760000044
分别为k时刻下各预测范围的初始控制量。
约束集H、G用来对可能发生的紧急事件进行约束。在U0处依然是追踪原本的期望路径，同时保持对于突发复杂事件的应急操作。Hn与Gn是无突发事件下的约束集，Hn1、Gn1，Hn2、Gn2，……等是对应不同事件下的不同约束集。如
Figure BDA0002107763760000045
Vy,max＝Vxαr,sat+br
其中αr,sat为后轮饱和时的侧偏角，作为Hn的约束集。
采用下式作为Gn的约束集。
Figure BDA0002107763760000046
Figure BDA0002107763760000047
其中
Figure BDA0002107763760000051
和
Figure BDA0002107763760000052
是一组横向误差边界，是沿着避障并保留在道路上的关于路径距离的函数；
Figure BDA0002107763760000053
近似于车辆等效宽度。
应对不同的事件，对于约束中的值如αr,sat、
Figure BDA0002107763760000054
做出调整，如检测到低温冰雪天气预测在拐角处可能有低附着冰雪路面时，调整权重矩阵Q对横向误差和航向误差做出惩罚使得入弯曲率变小更易进入弯道，权重矩阵R则对前轮转角速率做出惩罚，以维持车辆稳定性，使得控制器得出的最终结果有所不同，从而避免失稳情况。
H和G分别对横摆角速度与质心侧偏角及环境约束进行调整使得事件结束之后继续跟踪原本的期望路径。在检测到路边有行人可能横穿马路事件时调整权重矩阵Q对纵向速度、横向误差和航向误差做出惩罚使得车速降低并略偏向远离行人处行驶，R，H和G则和遇冰雪路面类似做相应调整。如果同时检测多种事件则同时计算单个事件下的输出结果并最终加权求和取得最终结果。如果没有发生紧急情况则一直跟踪期望路径。
执行模块
操纵执行模块根据控制模块输出的前轮转角值驱动操纵执行机构,执行无人驾驶汽车自主转向,并返回车身状态信息给环境感知模块和动力学建模模块从而使无人驾驶汽车跟踪期望轨迹。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

Claims (4)

1.一种智能汽车多预测范围模型预测轨迹跟踪控制方法，其特征在于，包括：
信息感知、路径规划、多预测范围模型预测控制器建模、以及驱动执行；
所述信息感知实时采集智能汽车的前方道路信息、横摆角速度γ、车速Vx、以及质心侧偏角β，将相关事件进行实时收集并传递至多预测范围模型预测控制器供控制器预先判断调用；
所述路径规划根据信息感知的数据规划出一条期望路径，此规划路径不包括对于复杂工况的计算；
所述多预测范围模型预测控制器能够实现紧急事件下的预测控制；
所述驱动执行根据多预测范围模型预测控制器输出的前轮转角值驱动操纵车辆的执行机构；
所述多预测范围模型预测控制器建模包括动力学建模；
所述动力学建模的依据是横纵向力的分段仿射动力学模型；所述横纵向力的分段仿射动力学模型为：
将轮胎侧偏角与轮胎侧向力的实际关系曲线分成三段线性表示
Figure FDA0002712255870000011
其中，Ci1和Ci2为第i个轮胎侧向力分段仿射表达式的侧偏刚度；fi1和fi2为第i个车轮侧向力分段仿射表达式的常数项；αpi1，αpi2为分段点；
将轮胎纵向滑移率与轮胎纵向力的实际关系曲线分成三段线性表示
Figure FDA0002712255870000012
其中，Ki1和Ki2为第i个轮胎纵向力分段仿射表达式的纵向刚度；gi1和gi2为第i个车轮侧向力分段仿射表达式的常数项；kpi1，kpi2为分段点；
所述动力学建模的表达式为：
Figure FDA0002712255870000013
Figure FDA0002712255870000014
Figure FDA0002712255870000015
Figure FDA0002712255870000021
Figure FDA0002712255870000022
Figure FDA0002712255870000023
其中
Figure FDA0002712255870000027
是汽车纵向路径的导数，
Figure FDA0002712255870000024
是汽车质心到路径距离的侧向误差倒数，κ为道路曲率，Δψ是航向角误差，Vx、Vy、β、r分别为汽车纵、横向速度，质心侧偏角及横摆角速度；
所述多预测范围模型预测控制器的建模方法包括动力学模型的离散化：
将动力学模型转换成状态空间形式并运用一阶欧拉法进行模型的离散化
xk+1＝Axk+Buk+d
其中状态量x由(Vx Vy r Δψ e)组成，综合考虑横纵向动力学特性，A、B为状态矩阵，d为仿射项矩阵；
Figure FDA0002712255870000025
上述符号：Fxf、Fxr分别为前后轮纵向力，Fyf、Fyr分别为前后轮侧向力，m为车身质量，a、b、Iz分别为前后轴距与绕Z轴转动惯量；xk为状态变量；An、Adn为状态量矩阵，Bn、Bdn为控制量矩阵，dn、ddn为仿射项矩阵。
2.根据权利要求1所述的一种智能汽车多预测范围模型预测轨迹跟踪控制方法，其特征在于，所述多预测范围模型预测控制器的建模方法还包括：
建立性能指标：
Figure FDA0002712255870000026
其中Np、Nc分别为预测与控制时域，Q、R分别为相应的权重矩阵集，ρ、ε分别为权重系数集和松弛因子集，xk为状态变量，Δuk为控制增量。
3.根据权利要求2所述的一种智能汽车多预测范围模型预测轨迹跟踪控制方法，其特征在于，对可能发生的紧急事件进行约束的方法：H和G分别对横摆角速度与质心侧偏角及环境约束进行调整使得事件结束之后继续跟踪原本的期望路径；在检测到紧急事件时调整权重矩阵Q对纵向速度、横向误差和航向误差做出惩罚使得车速降低并略偏向远离紧急事件处行驶；如果同时检测多种事件，则同时计算单个事件下的输出结果并最终加权求和取得最终结果，如果没有发生紧急情况则一直跟踪期望路径。
4.根据权利要求1所述的一种智能汽车多预测范围模型预测轨迹跟踪控制方法，其特征在于，所述驱动执行在执行完自主转向后，还能够返回车身状态信息给环境感知部分和动力学模型使得智能汽车跟踪期望轨迹。
CN201910559172.5A 2019-06-26 2019-06-26 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及*** Active CN110539752B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910559172.5A CN110539752B (zh) 2019-06-26 2019-06-26 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910559172.5A CN110539752B (zh) 2019-06-26 2019-06-26 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及***

Publications (2)

Publication Number Publication Date
CN110539752A CN110539752A (zh) 2019-12-06
CN110539752B true CN110539752B (zh) 2020-12-18

Family

ID=68710268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910559172.5A Active CN110539752B (zh) 2019-06-26 2019-06-26 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及***

Country Status (1)

Country Link
CN (1) CN110539752B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240327B (zh) * 2020-01-16 2022-10-28 江苏大学 一种基于变速率模型的智能车辆迭代轨迹跟踪控制方法
US11814073B2 (en) * 2020-03-18 2023-11-14 Baidu Usa Llc Learning based controller for autonomous driving
CN111413979B (zh) * 2020-04-07 2021-02-19 吉林大学 一种基于快速模型预测的汽车轨迹跟踪控制方法
CN113734182B (zh) * 2020-05-29 2023-11-14 比亚迪股份有限公司 一种车辆自适应控制方法及其装置
CN111731282B (zh) * 2020-06-04 2023-05-23 南京航空航天大学 一种考虑车辆稳定性的紧急避撞***及其控制方法
CN111559389A (zh) * 2020-06-22 2020-08-21 江苏理工学院 一种智能汽车在变附着系数重复性轨迹下的控制方法
CN111750866B (zh) * 2020-07-07 2022-02-08 吉林大学 基于区域虚拟力场的智能汽车横纵向耦合路径规划方法
CN112051846B (zh) * 2020-08-17 2021-11-19 华中科技大学 一种全转向移动机器人的多模式切换控制方法及***
CN112572473B (zh) * 2020-12-09 2022-06-10 北京三快在线科技有限公司 一种无人驾驶设备的控制方法及装置
CN113296515A (zh) * 2021-05-25 2021-08-24 北京理工大学 一种双独立电驱动车辆显式模型预测路径跟踪方法
CN113341712B (zh) * 2021-05-31 2022-10-11 西南电子技术研究所（中国电子科技集团公司第十研究所） 无人机自主控制***智能分层递阶控制选择方法
CN113341994B (zh) * 2021-06-23 2022-10-28 江苏大学 一种基于分段仿射***最优控制的智能汽车路径跟踪控制方法
CN114003030B (zh) * 2021-10-09 2023-08-08 北京科技大学 考虑质心变化的两轮差动移动机器人路径跟踪控制方法
CN114148318B (zh) * 2021-12-22 2023-10-27 吉林大学 冰雪环境下基于反馈线性化与lqr的车辆路径跟踪方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107161207A (zh) * 2017-05-08 2017-09-15 江苏大学 一种基于主动安全的智能汽车轨迹跟踪控制***及控制方法
CN108099901A (zh) * 2017-12-18 2018-06-01 长春工业大学 一种提高极限工况下主动前轮转向控制精度的方法
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
WO2018135509A1 (ja) * 2017-01-23 2018-07-26 パナソニックＩｐマネジメント株式会社 イベント予測システム、イベント予測方法、プログラムおよびそれを記録した記録媒体
CN109050658A (zh) * 2018-07-06 2018-12-21 长春工业大学 基于模型预测控制的汽车主动前轮转向自适应调节方法
CN109318905A (zh) * 2018-08-22 2019-02-12 江苏大学 一种智能汽车路径跟踪混合控制方法
CN109508007A (zh) * 2018-12-11 2019-03-22 东南大学 一种基于多源信息融合的农机轨迹跟踪、避障***及方法
CN109733474A (zh) * 2019-01-21 2019-05-10 江苏大学 一种基于分段仿射分层控制的智能车转向控制***及方法
CN109795502A (zh) * 2018-09-27 2019-05-24 吉林大学 智能电动汽车路径跟踪模型预测控制方法
CN109808707A (zh) * 2019-02-19 2019-05-28 武汉理工大学 一种基于随机模型预测的汽车转向控制方法及控制器
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109857098A (zh) * 2018-12-11 2019-06-07 东南大学 一种基于mpc的自动驾驶农机轨迹跟踪***及方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101899394B1 (ko) * 2016-09-01 2018-09-17 국민대학교산학협력단 안전제한타원을 이용한 차량의 자율주행시스템 및 이를 이용한 자율주행방법
CN107139923B (zh) * 2017-05-11 2019-07-09 中科院微电子研究所昆山分所 一种acc决策方法及***
US10399574B2 (en) * 2017-09-07 2019-09-03 GM Global Technology Operations LLC Fuel economy optimization using air-per-cylinder (APC) in MPC-based powertrain control
CN109050659B (zh) * 2018-07-06 2020-09-18 长春工业大学 一种基于时变动力学模型的四轮转向汽车稳定性控制方法
CN109597308A (zh) * 2019-01-15 2019-04-09 天津大学 基于动力学模型的无人驾驶汽车模型预测控制器设计方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018135509A1 (ja) * 2017-01-23 2018-07-26 パナソニックＩｐマネジメント株式会社 イベント予測システム、イベント予測方法、プログラムおよびそれを記録した記録媒体
CN107161207A (zh) * 2017-05-08 2017-09-15 江苏大学 一种基于主动安全的智能汽车轨迹跟踪控制***及控制方法
CN108099901A (zh) * 2017-12-18 2018-06-01 长春工业大学 一种提高极限工况下主动前轮转向控制精度的方法
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
CN109050658A (zh) * 2018-07-06 2018-12-21 长春工业大学 基于模型预测控制的汽车主动前轮转向自适应调节方法
CN109318905A (zh) * 2018-08-22 2019-02-12 江苏大学 一种智能汽车路径跟踪混合控制方法
CN109795502A (zh) * 2018-09-27 2019-05-24 吉林大学 智能电动汽车路径跟踪模型预测控制方法
CN109508007A (zh) * 2018-12-11 2019-03-22 东南大学 一种基于多源信息融合的农机轨迹跟踪、避障***及方法
CN109857098A (zh) * 2018-12-11 2019-06-07 东南大学 一种基于mpc的自动驾驶农机轨迹跟踪***及方法
CN109855639A (zh) * 2019-01-15 2019-06-07 天津大学 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法
CN109733474A (zh) * 2019-01-21 2019-05-10 江苏大学 一种基于分段仿射分层控制的智能车转向控制***及方法
CN109808707A (zh) * 2019-02-19 2019-05-28 武汉理工大学 一种基于随机模型预测的汽车转向控制方法及控制器

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于非线性MPC方法的车辆稳定性控制;郝西祥等;《重庆理工大学学报（自然科学）》;20190215;第33卷(第2期);第27-31页 *

Also Published As

Publication number Publication date
CN110539752A (zh) 2019-12-06

Similar Documents

Publication Publication Date Title
CN110539752B (zh) 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及***
CN111845774B (zh) 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法
CN109727469B (zh) 一种多车道下自动驾驶车辆综合危险度评估方法
US20200406969A1 (en) Lane Change Maneuvers With Minimized Tire Slip
CN111599179B (zh) 一种基于风险动态平衡的无信号交叉口车辆运动规划方法
WO2008072515A1 (ja) 車両用制御装置
CN113276848A (zh) 一种智能驾驶换道避障轨迹规划、跟踪控制方法及***
US11975725B2 (en) Systems and methods for updating the parameters of a model predictive controller with learned external parameters generated using simulations and machine learning
CN113465625B (zh) 局部路径规划方法和装置
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
Wang et al. Predictive safety control for road vehicles after a tire blowout
Svensson et al. Adaptive trajectory planning and optimization at limits of handling
US20220242401A1 (en) Systems and methods for updating the parameters of a model predictive controller with learned controls parameters generated using simulations and machine learning
Koga et al. Realization of different driving characteristics for autonomous vehicle by using model predictive control
CN111459159A (zh) 一种路径跟随控制***及控制方法
CN116654017A (zh) 一种紧急工况下基于周车轨迹预测的智能汽车避撞决策与路径规划的方法、***
Choi et al. Waypoint tracking predictive control with vehicle speed variation
CN114715193A (zh) 一种实时轨迹规划方法及***
CN110654386B (zh) 弯道下多智能电动汽车协作式巡航纵横向综合控制方法
Lin et al. Adaptive prediction-based control for an ecological cruise control system on curved and hilly roads
CN112706770B (zh) 一种考虑线控转向迟滞的车辆汇入控制***及方法
CN113635900B (zh) 一种预测巡航过程中基于能量管理的换道决策控制方法
US20220242441A1 (en) Systems and methods for updating the parameters of a model predictive controller with learned operational and vehicle parameters generated using simulations and machine learning
Chen et al. An overtaking obstacle algorithm for autonomous driving based on dynamic trajectory planning

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