CN110843767A - 一种基于样条理论的自动入库泊车方法及*** - Google Patents
一种基于样条理论的自动入库泊车方法及*** Download PDFInfo
- Publication number
- CN110843767A CN110843767A CN201911020180.9A CN201911020180A CN110843767A CN 110843767 A CN110843767 A CN 110843767A CN 201911020180 A CN201911020180 A CN 201911020180A CN 110843767 A CN110843767 A CN 110843767A
- Authority
- CN
- China
- Prior art keywords
- parking
- track
- garage
- automobile
- spline
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 239000002245 particle Substances 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims description 43
- 238000004088 simulation Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims 1
- 238000011065 in-situ storage Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- 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
-
- 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
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
- B60W2050/0034—Multiple-track, 2D vehicle model, e.g. four-wheel model
-
- 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
- B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
- B60W2050/143—Alarm means
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种基于样条理论的自动入库泊车方法,包括步骤:S1、采集入库泊车所需的计算信息;S2、建立泊车轨迹参考点数据库;S3、判断入库泊车可行性;S4、若不满足入库泊车条件,给出驾驶员创造入库泊车可行性条件的方法;S5、采用样条理论规划泊车轨迹曲线;S6、采用遗传粒子群算法得到最短泊车轨迹曲线;S7、采集汽车偏离该泊车轨迹的当前情况;S8、采用模糊预测控制算法引导汽车跟踪预先规划的泊车轨迹;S9、采集汽车位置信号,检验汽车是否进入目标区。本发明采用基于样条理论的方法,减少了汽车泊车原地转向的问题;采用遗传粒子群算法求最优泊车轨迹曲线,具有计算速度快,泊车轨迹曲线短,可加快汽车入库泊车。
Description
技术领域
本发明涉及一种自动入库泊车控制方法,特别是涉及一种基于样条理论的自动入库泊车方法及***。
背景技术
随着城市私家车的增多,停车位数量不足,在路边泊车的轿车数量越来越多。泊车环境糟糕,对于泊车经验不足的新手驾驶员,容易发生泊车事故,因此自动入库泊车技术成为智能交通和无人驾驶技术领域的一个热点研究问题。自动入库泊车方法及***应当满足下述要求,准确检验入库泊车可行性且在入库泊车可行性满足的条件下给出无避碰、轨迹光滑且尽可能短的泊车轨迹并实施入库泊车。为确保智能汽车入库泊车满足安全、舒适、迅速、准确停车的优化控制指标,要求其自动入库泊车方法及***具有良好的优化性能和控制性能,从而能够提供无避碰、精确、优化的自动入库泊车轨迹曲线。
自动入库泊车轨迹优化中,通过大量的泊车运行试验,积累数据以得到泊车轨迹的泊车轨迹参考点数据库,通过泊车轨迹参考点集优化得到轨迹曲线。目前已知的泊车方法主要存在以下问题:1、采用多步进退式方法泊车,汽车需原地转向泊车,因此增加了车辆轮胎的磨损;2、由于泊车轨迹参考点集的数目是无穷多的,常规计算方法难以满足泊车速度要求,因此传统入库泊车方法中存在泊车轨迹曲线优化计算速度慢、泊车轨迹长而导致泊车过程慢的问题。
发明内容
本发明为了解决上述问题,结合实际入库泊车问题的各种约束条件,以泊车轨迹最短作为优化指标,结合样条理论,提供设计一种自动入库泊车方法与***,该方法与***不仅能够一次完成优化泊车轨迹曲线,而且可以使汽车沿着最短轨迹曲线泊车从而实现快速泊车的目的。
为达到上述目的,本发明的技术方案如下:一种基于样条理论的自动入库泊车方法,包括以下步骤:
S1、采集入库泊车所需的计算信息;
S2、根据S1中采集的计算信息,建立泊车轨迹参考点数据库;
S3、通过计算判断入库泊车可行性;
S4、若不满足入库泊车条件,则迅速警示驾驶员入库泊车失败并给出驾驶员创造入库泊车可行性条件的方法直至满足入库泊车条件;否则执行S5;
S5、先采用样条理论规划泊车轨迹曲线,再采用积分拟合方法计算曲线长度;
S6、采用遗传粒子群算法寻优得到最短泊车轨迹曲线;
S7、采集汽车偏离该泊车轨迹的当前情况;
S8、采用模糊预测控制算法引导智能汽车跟踪预先规划的泊车轨迹,同时根据汽车偏离该泊车轨迹的当前情况修正原有泊车轨迹直至进入目标停车区,若泊车过程中,采集监测得知存在泊车失败的不确定因素,则迅速使汽车驻停,并在紧急驻停后提示驾驶员泊车失败,执行S1,否则执行S9;
S9、采集汽车位置信号,检验汽车是否进入目标区且车身接***行于库边线,若满足条件则使汽车驻停,驻停后立即提示驾驶员自动入库泊车结束,否则执行S7。
优选地,所述步骤S5中采用的样条理论为三次样条理论。
优选地,所述步骤S6中采用遗传粒子群算法的步骤包括:
(1)初始化;
(2)计算各个个体(粒子)的适应度函数值;
(3)根据适应度函数值对个体(粒子)进行排序,找到个体极值和全局极值;
(4)进行选择操作,将适应度函数值较差的部分个体(粒子)用随机个体进行替换;
(5)进行交叉和变异操作,按照一定的概率,改变对一些个体(粒子)的特性;
(6)进行粒子更新操作,根据粒子群算法更新计算公式,全部更新种群(粒子群)的全部个体(粒子);
(7)判断是否达到最大迭代次数,若达到最大迭代次数仿真结束,否则执行(2)。
优选地,所述遗传粒子群算法种群规模为8、加速随机数均为0.5、选择概率为50%、交叉概率为5%、变异概率为80%。
优选地,本发明所采用的基于样条理论的自动入库泊车方法是基于Matlab2016a实验平台实现,主要参数配置如下所述:泊车优化数据模拟采集的限制时间为4s,泊车可行性模拟判断的限制时间为1.5s,泊车轨迹优化模拟计算的限制时间为10.5s,泊车跟踪模拟控制的限制时间为30s,紧急停止模拟计算的限制时间为0.2s,泊车停止模拟计算的限制时间为1s,驾驶员提示器模拟反应的限制时间为0.05s。
优选地,所述步骤S1采集入库泊车所需的计算信息包括汽车与库边线的距离、汽车中心点与库边远角点的距离以及汽车中心点与库边近角点的距离。
优选地,所述步骤S4中给出驾驶员创造入库泊车可行性条件的方法包括建议驾驶员倒车并偏离库边线以及提示驾驶员更远处有更合适的停车位。
优选地,所述步骤S7中监测得知存在泊车失败的不确定因素包括泊车轨迹未完成区段存在突然出现的行人及车辆和车辆自身突发严重故障。
一种基于样条理论的自动入库泊车***,包括泊车优化数据采集装置、基于样条理论的基于样条理论的轨迹优化器、泊车跟踪控制器、泊车可行性判定器、紧急驻停器、泊车停止器、驾驶员提示器和泊车偏离轨迹参数采集装置;所述泊车优化数据采集装置通过泊车可行性判定器与基于样条理论的轨迹优化器相连;所述基于样条理论的轨迹优化器和泊车偏离轨迹参数采集装置均与泊车跟踪控制器相连;所述泊车停止器和紧急驻停器均与泊车跟踪控制器相连;所述泊车可行性判定器通过驾驶员提示器与紧急驻停器相连。
所述泊车优化数据采集装置用以采集入库泊车所需的计算信息;所述泊车可行性判定器用以判断入库泊车可行性;所述基于样条理论的轨迹优化器先采用样条理论规划轨迹曲线,再采用积分拟合方法计算曲线长度,最后根据遗传粒子群算法优化得到最短泊车轨迹曲线;所述泊车偏离轨迹参数采集装置用以采集汽车泊车过程中偏离泊车轨迹的当前情况参数;所述泊车跟踪控制器根据泊车偏离轨迹参数采集装置采集的参数引导汽车跟踪预先规划的泊车轨迹,同时并根据汽车偏离该泊车轨迹的当前情况修正原有泊车轨迹直至进入目标停车区;所述紧急驻停器能够监测采集得知泊车失败的不确定因素并实现汽车紧急刹车;所述泊车停止器用以采集检验汽车是否进入目标区且车身接***行于库边线,若满足条件则使汽车驻停;所述驾驶员提示器用以向驾驶员发出泊车提示语。
优选地,所述泊车跟踪控制器采用模糊预测控制算法。
优选地,所述泊车优化数据采集装置、所述泊车偏离轨迹参数采集装置、所述泊车停止器和所述紧急驻停器均采用超声波传感器阵列采集所需信息。
优选地,所述超声波传感器阵列包括汽车前后各安装四个超声波传感器以及汽车两侧各安装有两个超声波传感器。
与现有技术相比,本发明提供的一种基于样条理论的自动入库泊车方法及***有益效果是:(1)采用样条理论的方法,一次性完成泊车轨迹曲线优化,该方法得到的轨迹曲率连续,减少了车辆在泊车时,原地转向的问题,因此也就减少了车辆轮胎的磨损;(2)采用遗传粒子群智能算法求解最优泊车轨迹曲线,具有计算速度快,泊车轨迹曲线更短更加平滑,可加快汽车自动入库泊车。因此本发明给出的自动入库泊车方法及***更科学合理,所获得的入库泊车跟踪控制效果更佳。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为常见的倒车入库示意图;
图2为本发明方法流程示意图;
图3为本发明的遗传粒子群全局搜索算法流程图;
图4为车辆覆盖区域与库边线的距离为1米时采用本发明方法与采用基于最小二乘法自动入库泊车对比示意情况图;
图5为车辆覆盖区域与库边线的距离为0.8米时采用本发明方法与采用基于最小二乘法自动入库泊车对比示意情况图;
图6为本发明的泊车***的结构示意图。
附图标记:停车位1、库边线2、缓冲带3、停车目标位4、泊车轨迹示意5、车位边远角点6、车位边近角点7、汽车起步位8、停车目标位汽车中心点9、汽车起步位汽车中心点10、泊车优化数据采集装置11、基于样条理论的轨迹优化器12、泊车跟踪控制器13、泊车可行性判定器14、紧急驻停器15、泊车停止器16、驾驶员提示器17和泊车偏离轨迹参数采集装置18、采用基于最小二乘法的自动入库泊车轨迹优化方法而泊车的汽车19、采用本发明方法而泊车的汽车20、采用基于最小二乘法的自动入库泊车轨迹优化方法得到的轨迹曲线21、采用本发明方法得到的轨迹曲线22、车位角点23、库端线24。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参阅图1-2,本申请实施例提供了一种基于样条理论的自动入库泊车方法,包括以下步骤:
S1、采集入库泊车所需的计算信息,如汽车与库边线的距离、汽车中心点与库边远角点的距离以及汽车中心点与库边近角点的距离等。
S2、根据S1中采集的计算信息,建立泊车轨迹参考点数据库。由于停车位及其相应车型的长宽尺寸都在一定范围内,且对于常规的入库停车而言车身与库边线的距离和角度也通常在一定的范围内,通过大量的泊车运行试验,积累数据以得到泊车轨迹的泊车轨迹参考点数据库。
S3、通过计算判断入库泊车可行性。基于大量的泊车试验数据,建立入库泊车可行性条件要求,由此计算判断入库泊车可行性。
S4、若不满足入库泊车条件,则迅速警示驾驶员入库泊车失败并给出驾驶员创造入库泊车可行性条件的方法直至满足入库泊车条件,如建议驾驶员倒车并偏离库边线、提示驾驶员更远处有更合适的停车位等,否则执行S5;
S5、先采用样条理论规划泊车轨迹曲线,再采用积分拟合方法计算曲线长度。积分拟合方法采用现有公知技术。
需要说明的是,样条插值函数的定义如下:
已知区间Δ=[a,b]及其区间内的n+1个插值点(x0,x1,……,xn),设f(x)是区间Δ=[a,b]上的一个连续可微函数,若插值函数s(x)满足条件:
(1)s(x)在任意子区间[xi,xi+1],i∈[0,1,2,...,n]上是次数不超过m的多项式;
(2)s(x)在区间Δ=[a,b]上有m-1阶连续导数。
则称s(x)是定义在Δ=[a,b]上的m次样条函数。
当m=3时,则称s(x)为三次样条函数,具体的三次多项式如公式(1)所述:
s(x)及其一次导数s'(x)和二次导数s”(x)在区间Δ=[a,b]上连续。
其中,(x0,x1,……,xn)被称为插值点,(a0,a1,……,an)、(b0,b1,……,bn)、(c0,c1,……,cn)和(d0,d1,……,dn)为三次样条插值分段函数的多项式系数,称s(x)是对应于区间Δ上的三次样条插值函数。
根据泊车轨迹参考点,求出每段样条曲线方程中的系数,即可得到每段曲线的具体表达式,从而得到泊车轨迹曲线,进而采用积分拟合方法计算轨迹曲线长度。
S6、采用遗传粒子群算法寻优得到最短泊车轨迹曲线。
需要说明的是,基于样条理论,若使得泊车轨迹最短,需在众多组泊车轨迹参考点集中筛选得到一组获得尽可能短的泊车轨迹的泊车轨迹参考点集。若给定泊车轨迹参考点集,借助matlab2016a计算软件,可以快速、准确的求解三次样条插值函数的多项式系数,基于此,泊车轨迹的长度可迅速求解得到。但由于泊车轨迹参考点集的数目是无穷多的,对于这种复杂的优化问题,相比于常规算法,粒子群优化算法、遗传算法等智能优化算法更具有计算精度和速度方面的优势。
基本粒子群算法更新迭代计算公式下述公式(2)所述。
式中i=1,2,…,N为粒子序号,t为粒子维度,d为迭代次数,c1,c2为加速随机数,一般在0~2之间取值,rand为0~1之间的随机实数。
由粒子群算法的迭代计算公式可知,粒子群算法总使得全部个体都向最优个体进行学习,这导致最优解对种群的进化方向有着特别巨大的影响,不利于其保持种群多样性。相比于粒子群算法,遗传算法在保持种群多样性上有明显的优势,因其以竞争作为进化的核心思想,通过选择、交叉、变异源源不断的产生差异性较大的大量新解。为了克服这种有着相对固定寻优指引方向的寻优模式导致的算法容易陷入局部最优的缺点,本发明将遗传进化机制引入粒子群算法中,采用遗传粒子群算法求解最短泊车轨迹曲线。
本发明中将泊车轨迹参考点集作为粒子群的粒子,粒子群全局极值即为最短泊车轨迹曲线的一组泊车轨迹参考点集。
S7、采集汽车偏离该泊车轨迹的当前情况。
S8、采用泊车跟踪控制器引导智能汽车跟踪预先规划的泊车轨迹,同时并根据智能汽车偏离该泊车轨迹的当前情况修正原有泊车轨迹直至进入目标停车区,若泊车过程中,采集监测得知存在泊车失败的不确定因素(如泊车轨迹未完成区段存在突然出现的行人及车辆、车辆自身突发严重故障等),则迅速使汽车驻停,并在紧急驻停后提示驾驶员泊车失败,执行S1,否则执行S9。
S9、采集汽车位置信号,检验智能汽车是否进入目标区且车身接***行于库边线,若满足条件则使汽车驻停,驻停后立即提示驾驶员自动入库泊车结束,否则执行S7。
本申请的一个实施例中,步骤S5中采用的样条理论为三次样条理论。
本申请的一个实施例中,参阅图3,步骤S6中采用遗传粒子群算法的步骤包括:
(1)初始化;
(2)计算各个个体(粒子)的适应度函数值;
(3)根据适应度函数值对个体(粒子)进行排序,找到个体极值和全局极值;
(4)进行选择操作,将适应度函数值较差的部分个体(粒子)用随机个体进行替换;
(5)进行交叉和变异操作,按照一定的概率,改变对一些个体(粒子)的特性;
(6)进行粒子更新操作,根据粒子群算法更新计算公式,全部更新种群(粒子群)的全部个体(粒子);
(7)判断是否达到最大迭代次数,若达到最大迭代次数仿真结束,否则执行(2)。
本申请的一个实施例中,遗传粒子群算法种群规模为8、加速随机数均为0.5、选择概率为50%、交叉概率为5%、变异概率为80%,控制周期为1000μs。
本申请的一个实施例中,本发明所采用的基于样条理论的自动入库泊车方法是基于Matlab2016a实验平台实现,主要参数配置如下所述:泊车优化数据模拟采集的限制时间为4s,泊车可行性模拟判断的限制时间为1.5s,泊车轨迹优化模拟计算的限制时间为10.5s,泊车跟踪模拟控制的限制时间为30s,紧急停止模拟计算的限制时间为0.2s,泊车停止模拟计算的限制时间为1s,驾驶员提示器模拟反应的限制时间为0.05s。求解三次样条插值函数的多项式系数的功能函数为spline。
为验证方法的有效性,以长宽尺寸为5.0×2.5m2的停车位和长宽尺寸为3.4×1.7m2的车辆覆盖区域为试验对象,轨迹优化方法分别采用本发明提出的基于样条理论的自动入库泊车轨迹优化方法(记为IM)和传统的基于最小二乘法的自动入库泊车轨迹优化方法(记为TM),跟踪控制算法均采用模糊预测控制算法,车辆覆盖区域与库边近角点的水平距离均为2.2米,车辆覆盖区域与库边线的距离分别为1米和0.8米。对于所述的仿真条件,具体的采用本发明方法与采用基于最小二乘法自动入库泊车对比示意情况图及其相关结果如图4、5和表1、2所述。图4为车辆覆盖区域与库边线的距离为1米时,采用本发明方法与采用基于最小二乘法自动入库泊车对比示意情况图;图5为车辆覆盖区域与库边线的距离为0.8米时,采用本发明方法与采用基于最小二乘法自动入库泊车对比示意情况图。表1为车辆覆盖区域与库边线的距离为1米时TM和IM跟踪控制相关结果,表2为车辆覆盖区域与库边线的距离为0.8米时TM和IM跟踪控制相关结果。
表1:车辆覆盖区域与库边线的距离为1米时TM和IM跟踪控制相关结果
表2:为车辆覆盖区域与库边线的距离为0.8米时TM和IM跟踪控制相关结果
参阅图4和图5,车位角点23为表1和表2中的参考点集的坐标原点,以库端线24方向为横轴,以库边线2方向为纵轴。
本申请的一个实施例中,步骤S1采集入库泊车所需的计算信息包括汽车与库边线的距离、汽车中心点与库边远角点的距离以及汽车中心点与库边近角点的距离。
本申请的一个实施例中,步骤S4中给出驾驶员创造入库泊车可行性条件的方法包括建议驾驶员倒车并偏离库边线以及提示驾驶员更远处有更合适的停车位。
本申请的一个实施例中,步骤S7中监测得知存在泊车失败的不确定因素包括泊车轨迹未完成区段存在突然出现的行人及车辆和车辆自身突发严重故障。
相应的,如图6所示,本申请实施例还提供了一种基于样条理论的自动入库泊车***,包括泊车优化数据采集装置11、基于样条理论的轨迹优化器12、泊车跟踪控制器13、泊车可行性判定器14、紧急驻停器15、泊车停止器16、驾驶员提示器17和泊车偏离轨迹参数采集装置18。泊车优化数据采集装置11通过泊车可行性判定器14与基于样条理论的轨迹优化器12相连;基于样条理论的轨迹优化器12和泊车偏离轨迹参数采集装置18均与泊车跟踪控制器13相连;泊车停止器16和紧急驻停器15均与泊车跟踪控制器13相连;泊车可行性判定器14通过驾驶员提示器17与紧急驻停器15相连。
泊车优化数据采集装置11用以采集入库泊车所需的计算信息;泊车可行性判定器14用以判断入库泊车可行性;基于样条理论的轨迹优化器12先采用样条理论规划轨迹曲线,再采用积分拟合方法计算曲线长度,最后根据遗传粒子群算法优化得到最短泊车轨迹曲线。泊车偏离轨迹参数采集装置18用以采集汽车泊车过程中偏离泊车轨迹的当前情况参数;泊车跟踪控制器13根据泊车偏离轨迹参数采集装置18采集的参数引导智能汽车跟踪预先规划的泊车轨迹,同时并根据智能汽车偏离该泊车轨迹的当前情况修正原有泊车轨迹直至进入目标停车区。紧急驻停器15能够监测采集得知泊车失败的不确定因素并实现汽车紧急刹车。泊车停止器16用以采集检验汽车是否进入目标区且车身接***行于库边线,若满足条件则使汽车驻停,驻停后立即提示驾驶员自动入库泊车结束。驾驶员提示器17用以向驾驶员发出泊车提示语。
本申请的一个实施例中,泊车跟踪控制器13采用模糊预测控制算法。模糊预测控制算法为现有公知技术,申请人在此不加以详述。
本申请的一个实施例中,泊车优化数据采集装置11、泊车偏离轨迹参数采集装置18、泊车停止器16和紧急驻停器15均采用超声波传感器阵列采集所需信息。这里指出采用超声波传感器阵列采集所需信息的技术原理已为现有公知技术,例如市面上的车辆的采用超声波传感器采可探测到与周边物体之间的距离,申请人在此不加以详述。
本申请的一个实施例中,超声波传感器阵列包括汽车前后各安装四个超声波传感器以及汽车两侧各安装有两个超声波传感器。
综上所述,本发明实施例提供了一种基于样条理论的自动入库泊车方法及***,参阅图1-6以及表1和表2可知,本发明采用基于样条理论的方法,一次性规划完成泊车轨迹曲线优化,该方法得到的轨迹曲率连续,减少了车辆在泊车时,原地转向的问题;另外本发明还采用遗传粒子群智能算法求解最优泊车轨迹曲线,具有计算速度快,泊车轨迹曲线更短更加平滑,可加快汽车自动入库泊车。因此本发明给出的自动入库泊车方法及***更科学合理,所获得的入库泊车跟踪控制效果更佳。
尽管已经示出和描述了本发明的实施方式,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (12)
1.一种基于样条理论的自动入库泊车方法,其特征在于,包括以下步骤:
S1、采集入库泊车所需的计算信息;
S2、根据S1中采集的计算信息,建立泊车轨迹参考点数据库;
S3、通过计算判断入库泊车可行性;
S4、若不满足入库泊车条件,则迅速警示驾驶员入库泊车失败并给出驾驶员创造入库泊车可行性条件的方法直至满足入库泊车条件;否则执行S5;
S5、先采用样条理论规划泊车轨迹曲线,再采用积分拟合的方法计算曲线长度;
S6、采用遗传粒子群算法寻优得到最短泊车轨迹曲线;
S7、采集汽车偏离该泊车轨迹的当前情况;
S8、采用模糊预测控制算法引导智能汽车跟踪预先规划的泊车轨迹,同时根据汽车偏离该泊车轨迹的当前情况修正原有泊车轨迹直至进入目标停车区,若泊车过程中,采集监测得知存在泊车失败的不确定因素,则迅速使汽车驻停,并在紧急驻停后提示驾驶员泊车失败,执行S1,否则执行S9;
S9、采集汽车位置信号,检验汽车是否进入目标区且车身接***行于库边线,若满足条件则使汽车驻停,驻停后立即提示驾驶员自动入库泊车结束,否则执行S7。
2.如权利要求1所述的一种基于样条理论的自动入库泊车方法,其特征在于,所述步骤S5中采用的样条理论为三次样条理论。
3.如权利要求1所述的一种基于样条理论的自动入库泊车方法,其特征在于,所述步骤S6中采用遗传粒子群算法的步骤包括:
(1)初始化;
(2)计算各个个体(粒子)的适应度函数值;
(3)根据适应度函数值对个体(粒子)进行排序,找到个体极值和全局极值;
(4)进行选择操作,将适应度函数值较差的部分个体(粒子)用随机个体进行替换;
(5)进行交叉和变异操作,按照一定的概率,改变对一些个体(粒子)的特性;
(6)进行粒子更新操作,根据粒子群算法更新计算公式,全部更新种群(粒子群)的全部个体(粒子);
(7)判断是否达到最大迭代次数,若达到最大迭代次数仿真结束,否则执行(2)。
4.如权利要求3所述的一种基于样条理论的自动入库泊车方法,其特征在于,所述遗传粒子群算法种群规模为8、加速随机数均为0.5、选择概率为50%、交叉概率为5%、变异概率为80%。
5.如权利要求1所述的一种基于样条理论的自动入库泊车方法,其特征在于,本发明所采用的基于样条理论的自动入库泊车方法是基于Matlab2016a实验平台实现,主要参数配置如下所述:泊车优化数据模拟采集的限制时间为4s,泊车可行性模拟判断的限制时间为1.5s,泊车轨迹优化模拟计算的限制时间为10.5s,泊车跟踪模拟控制的限制时间为30s,紧急停止模拟计算的限制时间为0.2s,泊车停止模拟计算的限制时间为1s,驾驶员提示器模拟反应的限制时间为0.05s。
6.如权利要求1所述的一种基于样条理论的自动入库泊车方法,其特征在于,所述步骤S1采集入库泊车所需的计算信息包括汽车与库边线的距离、汽车中心点与库边远角点的距离以及汽车中心点与库边近角点的距离。
7.如权利要求1所述的一种基于样条理论的自动入库泊车方法,其特征在于,所述步骤S4中给出驾驶员创造入库泊车可行性条件的方法包括建议驾驶员倒车并偏离库边线以及提示驾驶员更远处有更合适的停车位。
8.如权利要求1所述的一种基于样条理论的自动入库泊车方法,其特征在于,所述步骤S7中监测得知存在泊车失败的不确定因素包括泊车轨迹未完成区段存在突然出现的行人及车辆和车辆自身突发严重故障。
9.一种基于样条理论的自动入库泊车的***,其特征在于,包括泊车优化数据采集装置、基于样条理论的轨迹优化器、泊车跟踪控制器、泊车可行性判定器、紧急驻停器、泊车停止器、驾驶员提示器和泊车偏离轨迹参数采集装置;所述泊车优化数据采集装置通过泊车可行性判定器与基于样条理论的轨迹优化器相连;所述基于样条理论的轨迹优化器和泊车偏离轨迹参数采集装置均与泊车跟踪控制器相连;所述泊车停止器和紧急驻停器均与泊车跟踪控制器相连;所述泊车可行性判定器通过驾驶员提示器与紧急驻停器相连;
所述泊车优化数据采集装置用以采集入库泊车所需的计算信息;
所述泊车可行性判定器用以判断入库泊车可行性;
所述基于样条理论的轨迹优化器先采用样条理论规划轨迹曲线,再采用积分拟合方法计算曲线长度,最后根据遗传粒子群算法优化得到最短泊车轨迹曲线;
所述泊车偏离轨迹参数采集装置用以采集汽车泊车过程中偏离泊车轨迹的当前情况参数;
所述泊车跟踪控制器根据泊车偏离轨迹参数采集装置采集的参数引导汽车跟踪预先规划的泊车轨迹,同时并根据汽车偏离该泊车轨迹的当前情况修正原有泊车轨迹直至进入目标停车区;
所述紧急驻停器能够监测采集得知泊车失败的不确定因素并实现汽车紧急刹车;
所述泊车停止器用以采集检验汽车是否进入目标区且车身接***行于库边线,若满足条件则使汽车驻停;
所述驾驶员提示器用以向驾驶员发出泊车提示语。
10.如权利要求9所述的一种基于样条理论的自动入库泊车的***,其特征在于,所述泊车跟踪控制器采用模糊预测控制算法。
11.如权利要求9所述的一种基于样条理论的自动入库泊车的***,其特征在于,所述泊车优化数据采集装置、所述泊车偏离轨迹参数采集装置、所述泊车停止器和所述紧急驻停器均采用超声波传感器阵列采集所需信息。
12.如权利要求11所述的一种基于样条理论的自动入库泊车的***,其特征在于,所述超声波传感器阵列包括汽车前后各安装四个超声波传感器以及汽车两侧各安装有两个超声波传感器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020180.9A CN110843767A (zh) | 2019-10-25 | 2019-10-25 | 一种基于样条理论的自动入库泊车方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911020180.9A CN110843767A (zh) | 2019-10-25 | 2019-10-25 | 一种基于样条理论的自动入库泊车方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110843767A true CN110843767A (zh) | 2020-02-28 |
Family
ID=69597017
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911020180.9A Pending CN110843767A (zh) | 2019-10-25 | 2019-10-25 | 一种基于样条理论的自动入库泊车方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110843767A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738397A (zh) * | 2020-06-17 | 2020-10-02 | 江苏师范大学 | 一种基于遗传粒子群算法的nurbs曲线拟合方法 |
CN111994069A (zh) * | 2020-07-24 | 2020-11-27 | 武汉乐庭软件技术有限公司 | 一种自动泊车控制***中的轨迹预瞄计算方法和*** |
CN112977556A (zh) * | 2021-04-27 | 2021-06-18 | 北京全路通信信号研究设计院集团有限公司 | 一种列车制动曲线分段方法、***及列车控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975715A (zh) * | 2012-12-17 | 2013-03-20 | 合肥工业大学 | 一种汽车及应用于该汽车的自动泊车***、自动泊车方法 |
US20170294121A1 (en) * | 2016-04-12 | 2017-10-12 | Ford Global Technologies, Llc | Detecting available parking spaces |
CN108891412A (zh) * | 2018-07-19 | 2018-11-27 | 吉林大学 | 一种平行泊车的路径规划方法 |
CN109733216A (zh) * | 2018-11-29 | 2019-05-10 | 中海阳能源集团股份有限公司 | 一种基于自动泊车技术的无线充电线圈对位*** |
CN110239526A (zh) * | 2019-06-05 | 2019-09-17 | 北京理工大学 | 一种基于准均匀b样条曲线的泊车路径规划方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
-
2019
- 2019-10-25 CN CN201911020180.9A patent/CN110843767A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102975715A (zh) * | 2012-12-17 | 2013-03-20 | 合肥工业大学 | 一种汽车及应用于该汽车的自动泊车***、自动泊车方法 |
US20170294121A1 (en) * | 2016-04-12 | 2017-10-12 | Ford Global Technologies, Llc | Detecting available parking spaces |
CN108891412A (zh) * | 2018-07-19 | 2018-11-27 | 吉林大学 | 一种平行泊车的路径规划方法 |
CN109733216A (zh) * | 2018-11-29 | 2019-05-10 | 中海阳能源集团股份有限公司 | 一种基于自动泊车技术的无线充电线圈对位*** |
CN110239526A (zh) * | 2019-06-05 | 2019-09-17 | 北京理工大学 | 一种基于准均匀b样条曲线的泊车路径规划方法 |
CN110363344A (zh) * | 2019-07-11 | 2019-10-22 | 安徽理工大学 | 基于miv-gp算法优化bp神经网络的概率积分参数预测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738397A (zh) * | 2020-06-17 | 2020-10-02 | 江苏师范大学 | 一种基于遗传粒子群算法的nurbs曲线拟合方法 |
CN111994069A (zh) * | 2020-07-24 | 2020-11-27 | 武汉乐庭软件技术有限公司 | 一种自动泊车控制***中的轨迹预瞄计算方法和*** |
CN112977556A (zh) * | 2021-04-27 | 2021-06-18 | 北京全路通信信号研究设计院集团有限公司 | 一种列车制动曲线分段方法、***及列车控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109885066B (zh) | 一种运动轨迹预测方法及装置 | |
US20200265710A1 (en) | Travelling track prediction method and device for vehicle | |
US20190155291A1 (en) | Methods and systems for automated driving system simulation, validation, and implementation | |
CN110298122B (zh) | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 | |
US10394243B1 (en) | Autonomous vehicle technology for facilitating operation according to motion primitives | |
US9937905B2 (en) | Side collision avoidance system and method for vehicle | |
CN107918758B (zh) | 能够进行环境情景分析的车辆 | |
US9522701B2 (en) | Steering risk decision system and method for driving narrow roads | |
CN103786729B (zh) | 车道识别方法和*** | |
CN111144432B (zh) | 在传感器融合***中消除模糊检测的方法 | |
CN110843767A (zh) | 一种基于样条理论的自动入库泊车方法及*** | |
CN111736142A (zh) | 用于雷达交叉交通跟踪和操纵风险评估的***和方法 | |
WO2020135740A1 (zh) | 自动驾驶车辆的换道方法、***及车辆 | |
CN112440984B (zh) | 车辆控制*** | |
CN106291506A (zh) | 基于单线点云数据机器学习的车辆目标识别方法及装置 | |
CN106371105A (zh) | 单线激光雷达车辆目标识别方法、装置和汽车 | |
CN114596712B (zh) | 一种车辆跟驰控制方法和*** | |
CN106295586A (zh) | 基于单线点云数据机器学习的人形目标识别方法及装置 | |
CN113895463B (zh) | 一种适用于自动驾驶车辆掉头的路径规划方法 | |
CN116118780A (zh) | 一种车辆避障轨迹规划方法、***、车辆及存储介质 | |
CN116872921A (zh) | 一种车辆规避风险方法、***、车辆及存储介质 | |
EP4095009B1 (en) | Method and device for operating a self-driving car | |
CN109887321B (zh) | 无人车变道安全判别方法、装置及存储介质 | |
CN110737261B (zh) | 一种车辆的自动停靠站控制方法及*** | |
CN116476840B (zh) | 变道行驶方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200228 |