一种无人驾驶车辆控制方法、装置和无人驾驶车辆
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种无人驾驶车辆控制方法、装置和无人驾驶车辆。
背景技术
近年来,随着自动驾驶技术的发展,尤其是针对无人驾驶车辆控制技术也有了长足的进步,尤其是涉及到汽车底盘的控制技术,现有技术中在无人驾驶车辆控制中主要采用视觉方案检测路面信息,在一个控制周期内,根据路面信息,采用表格差值法从标定表中获取目标加速度对应的踏板量作为控制参数对车辆进行控制。
对现有技术的研究和实践过程中,本发明的发明人发现现有技术中采用视觉方案检测路面信息存在局限性,导致检测准确率低,而且,根据路面信息未考虑其他因素的影响,直接从标定表中获取踏板量,考虑因素单一,导致控制参数的准确性较低,因此,使得在无人驾驶的车辆中控制的准确性大大降低。
发明内容
本发明实施例提供一种无人驾驶车辆控制方法、装置和无人驾驶车辆,可以提高车辆控制的准确性。
一种无人驾驶车辆控制方法,包括:
获取无人驾驶车辆的车辆状态信息,所述车辆状态信息包括实时状态信息和目标状态信息;
根据所述实时状态信息对路况环境进行识别,得到当前路况信息;
基于所述当前路况信息,对所述目标状态信息中的控制参数进行调整,得到调整后参数;
在预设标定参数信息中筛选出与所述调整后参数对应的目标标定参数;
根据所述实时状态信息和所述目标状态信息之间的误差信息,对所述目标标定参数进行补偿,得到补偿后参数;
基于所述补偿后参数,对所述无人驾驶车辆进行控制。
相应的,本发明实施例提供一种无人驾驶车辆控制装置,包括:
识别单元,用于根据所述实时状态信息对路况环境进行识别,得到当前路况信息;
调整单元,用于基于所述当前路况信息,对所述目标状态信息中的控制参数进行调整,得到调整后参数;
筛选单元,用于在预设标定参数信息中筛选出与所述调整后参数对应的目标标定参数;
补偿单元,用于根据所述实时状态信息和所述目标状态信息之间的误差信息,对所述目标标定参数进行补偿,得到补偿后参数;
控制单元,用于基于所述补偿后参数,对所述无人驾驶车辆进行控制。
可选的,在一些实施例中,所述识别单元,具体可以用于根据所述车辆外部环境类型,对所述实时状态信息进行分类,根据分类结果,提取与路况环境相关的实时状态信息,得到路况状态信息,对所述路况状态信息进行识别,得到所述当前路况信息。
可选的,在一些实施例中,所述识别单元,具体可以用于在所述路况状态信息中筛选出轮胎受力信息和实时速度,对所述轮胎受力信息进行计算,得到当前路况下的地面摩擦力,根据所述实时速度,确定当前路况下的滑动率,根据所述地面摩擦力和所述滑动率,生成所述当前路况信息。
可选的,在一些实施例中,所述识别单元,具体可以用于在所述路况信息中筛选出所述地面摩擦力对应的第一路况信息,在所述路况信息中筛选出所述滑动率对应的第二路况信息,将所述第一路况信息和所述第二路况信息进行融合,得到所述当前路况信息。
可选的,在一些实施例中,所述调整单元,具体可以用于在所述实时状态信息中筛选出车辆外部环境信息,将所述车辆外部环境信息和所述当前路况信息进行融合,得到干扰信息,根据所述干扰信息,对所述目标状态信息中的控制参数进行调整,得到所述调整后参数。
可选的,在一些实施例中,所述调整单元,具体可以用于对所述干扰信息按照干扰类型进行分类,对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值,对所述不同类型的第一干扰值按预设权重系数进行加权,得到所述控制参数的第二干扰值,根据所述第二干扰值,对所述目标状态信息中的所述控制参数进行调整,得到调整后参数。
可选的,在一些实施例中,所述筛选单元,具体可以用于在所述预设标定参数信息中筛选出所述当前路况信息对应的标定表,所述标定表包括多个状态区域和各个状态区域对应的计算模型,在所述标定表中确定所述调整后参数对应的目标状态区域,采用所述目标状态区域的计算模型对所述调整后参数进行标定,得到所述目标标定参数。
可选的,在一些实施例中,所述筛选单元,具体可以用于获取在各种路况下的车辆测试数据,根据所述车辆测试数据识别出不同路况下车辆特性的目标锚点数据,根据所述目标锚点数据,拟合出不同路况对应的所述标定表的各个状态区域的边界曲线,根据所述边界曲线,拟合出不同路况对应的所述标定表的各个状态区域的连续曲面,得到所述各个状态区域的计算模型。
可选的,在一些实施例中,所述补偿单元,具体可以用于在所述实时状态信息中提取所述控制参数的当前值,在所述目标状态信息中提取所述控制参数的目标值,将所述当前值与所述目标值进行比较,以得到所述误差信息,根据所述误差信息,对所述目标标定参数进行补偿,得到补偿后参数。
可选的,在一些实施例中,所述补偿单元,具体可以用于在所述预设补偿信息中筛选所述误差信息对应的补偿值,根据所述补偿值,对所述目标标定参数进行补偿,以得到所述补偿后参数。
此外,本发明实施例还提供一种无人驾驶车辆,所述无人驾驶车辆包括控制设备、驱动设备和车身结构设备,所述控制设备,用于执行本实施例所述的无人驾驶车辆控制方法对所述无人驾驶车辆进行控制,所述驱动设备,用于在所述控制***的控制下,驱动所述无人驾驶车辆运动,所述车身结构设备,用于在所述无人驾驶车辆中支撑所述控制设备和驱动设备。
此外,本发明实施例还提供一种电子设备,包括处理器和存储器,所述存储器存储有应用程序,所述处理器用于运行所述存储器内的应用程序实现本发明实施例提供的无人驾驶车辆控制方法。
此外,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有多条指令,所述指令适于处理器进行加载,以执行本发明实施例所提供的任一种无人驾驶车辆控制方法中的步骤。
本发明实施例在获取无人驾驶车辆的车辆状态信息后,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,然后,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,然后,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于补偿后参数,对无人驾驶车辆进行控制;由于该方案通过采集车辆的轮胎受力信息基于车辆动力学特性进行实时路况识别,而且根据车辆外部环境和响应信息对控制参数等多因素进行调整与补偿,从而大大提升无人驾驶车辆控制的准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的无人驾驶车辆控制方法的场景示意图;
图2是本发明实施例提供的无人驾驶车辆控制方法的流程示意图;
图3是本发明实施例提供的阿克曼单车模型的结构示意图;
图4是本发明实施例提供的摩擦圆模型的结构示意图;
图5是本发明实施例提供的纵向特性标定模型(标定表)的示意图;
图6是本发明实施例提供的油门段标定模型的拟合过程的示意图;
图7是本发明实施例提供的不同分段粒度对输出模型的影响示意图;
图8是本发明实施例提供的底层控制器的结构示意图;
图9是本发明实施例提供的无人驾驶车辆控制方法的另一流程图;
图10是本发明实施例提供的无人驾驶车辆控制装置的结构示意图;
图11是本发明实施例提供的无人驾驶车辆控制装置的识别单元的结构示意图;
图12是本发明实施例提供的无人驾驶车辆控制装置的调整单元的结构示意图;
图13是本发明实施例提供的无人驾驶车辆控制装置的筛选单元的结构示意图;
图14是本发明实施例提供的无人驾驶车辆控制装置的补偿单元的结构示意图;
图15是本发明实施例提供的电子设备的结构示意图;
图16是本发明实施例提供的无人驾驶车辆的结构示意图。
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,本领域技术人员在没有作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。
本发明实施例提供一种无人驾驶车辆控制方法、装置和无人驾驶车辆。其中,该无人驾驶车辆控制装置可以集成在电子设备中,该电子设备可以为汽车专用控制器(Electronic Control Unit,ECU)或者服务器等设备。
其中,无人驾驶车辆顾名思义为无人驾驶的自动控制车辆,也可以称之为实现车辆在无人状态下自主沿道路行进的智能车辆。比如,通过车载传感***感知道路环境,自动规划行车路线并控制车辆到达预定地点。
所谓无人驾驶,可以通过利用车载传感器来感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。
例如,参见图1,以无人驾驶车辆控制装置集成在电子设备中为例,获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于补偿后参数,对无人驾驶车辆进行控制。
其中,无人驾驶车辆控制装置在无人驾驶车辆中可以应用于底盘电子控制***的驱动、制动和转向等控制。比如,根据无人驾驶车辆控制装置输出的补偿后参数,该补偿后参数可以为踏板量或者转向量,来控制车辆的油门踏板、刹车踏板和方向盘等。以下分别进行详细说明。需要说明的是,以下实施例的描述顺序不作为对实施例优选顺序的限定。
本实施例将从无人驾驶车辆控制装置的角度进行描述,该无人驾驶车辆控制装置具体可以集成在电子设备中,该电子设备可以是服务器,也可以是ECU。
一种无人驾驶车辆控制方法,包括:获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于补偿后参数,对无人驾驶车辆进行控制。
如图2所示,该无人驾驶车辆控制方法的具体流程如下:
101、获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息。
其中,无人驾驶车辆顾名思义为无人驾驶的自动控制车辆,也可以称之为实现车辆在无人状态下自主沿道路行进的智能车辆。比如,通过车载传感***感知道路环境,自动规划行车路线并控制车辆到达预定地点。
其中,车辆状态信息可以包括描述车辆在运行过程的状态信息,比如,速度、加速度、扭矩、车身内部信息和/或车身外部信息等状态信息。对车辆状态信息进行分类,又可以分为两大类,比如,可以分为实时状态信息和目标状态信息。
所谓实时状态信息可以包括车辆实时的速度、加速度、位置、发动机实时信息和/或车辆内外部环境信息等信息。目标状态信息可以根据路径规划设定的目标速度、加速度、位置和/或发动机信息等信息。
例如,可以通过外部传感器获取实时状态信息,比如,通过在车辆外部的速度和加速度传感器获取车辆在当前状态下的实时速度和加速度,通过车辆的环境传感器获取车辆内外部的环境信息,通过发动机监控传感器获取车辆发动机在当前状态下的实时转速、扭矩和/或功率等信息。对于车辆的目标状态信息可以直接从车辆控制***的上层路径规划模块中获取,比如,车辆在做路径规划时,会提前设定好目标速度、加速度、位置和/或发动机信息等信息,并将这些目标状态信息存储至车辆控制***的本地数据库中,获取的时候可以直接在车辆控制***的本地数据库中直接调用。目标状态信息还可以直接由用户输入至无人驾驶车辆控制装置,比如,用户将提前设定好的路径规划中的各个目标状态信息转换为无人驾驶车辆控制装置可以识别的信息后直接上传至无人驾驶车辆控制装置,还可以直接将路径规划测试软件中生成的目标状态信息直接上传。
其中,需要强调的是,在获取车辆目标状态信息时可以对目标状态信息进行调整,比如,将调整目标状态信息的格式,以便于可以更好的识别其中的信息,还可以对目标状态信息进行转换,譬如,可以将km/h转换为m/s,等等。还可以对获取的车辆状态信息进行筛选,选取与车辆控制相关的车辆状态信息。
102、根据实时状态信息对路况环境进行识别,得到当前路况信息。
其中,路况环境可以车辆行驶的路况类型和路面环境等,比如,路面的类型,譬如,混凝土路面、沥青路面和/或泥土路面等,干燥路面或者潮湿路面,潮湿路面的潮湿程度等。
其中,当前路况信息可以为车辆当前行驶的路面的路况信息,比如,可以包括路面的类型,譬如,铺装或未铺装路面,沥青路面、混凝土路面或者泥土路面,还可以包括路面环境,譬如,干燥或潮湿路面,对于潮湿路面还可以获取路面水膜厚度进而对潮湿路面进行分级,譬如,以三级为例,第一等级的潮湿路面水膜厚度最大,第二等级的潮湿路面水膜厚度居中,第三等级的潮湿路面水膜厚度最小,当车辆在雨天行驶过程中,随着降雨量的变大,路面的潮湿等级也会变大。
(1)根据车辆外部环境类型,对实时状态信息进行分类。
例如,根据车辆外部环境类型,对实时状态信息进行分类,比如,可以分为路面实时状态信息、噪声实时状态信息、风阻实时状态信息、温度实时状态等。
(2)在分类后的实时状态信息中提取与路况环境相关的路况状态信息。
其中,路况状态信息可以包括车辆在当前路况行驶时路况对车辆产生影响的信息,比如,速度、加速度、车辆震动信息和车辆轮胎相关等信息。
例如,在分类后的实时状态信息中提取与路况环境相关的路况状态信息,比如,在分类后的路面实时状态信息提取出速度、加速度、车辆震动信息和车辆轮胎相关信息等路况状态信息。
(3)对路况状态信息进行识别,得到当前路况信息。
S1、在路况状态信息中筛选出轮胎受力信息和实时速度。
其中,轮胎受力信息可以为与轮胎受力相关的信息,比如车辆的速度、加速度、胎压和轮胎尺寸等用于计算车辆轮胎受力的信息。
例如,在路况状态信息中筛选出与轮胎受力的相关信息和实时速度,比如,在路况状态信息的车辆轮胎相关信息中筛选出与轮胎受力相关的信息,譬如车辆的加速度、胎压和轮胎尺寸等信息。同时还在路况状态信息中筛选出当前路况下无人驾驶车辆的实时速度,比如,可以设置0.01或0.02秒为一个检测周期,获取无人驾驶车辆在这个检测周期内的实时速度。其中需要说明的是,检测周期可以根据实际应用需要进行设置,可以是任意值不为零的正值。
在此需要强调的是,检测周期的值可以为任意值,需要根据实际应用来设定,周期越小,对应的控制效果就越精准。
S2、对轮胎受力信息进行计算,得到当前路况下的地面摩擦力。
例如,对轮胎受力信息进行计算,得到当前路面下的地面的摩擦力,比如,可以采用车辆动力学中的阿克曼单车模型和摩擦圆模型对轮胎受力信息进行计算,其中阿克曼单车模型如图3所示。在阿克曼单车模型中刻画车辆属性的常量有:l
f,l
r分别为前后悬挂长度,C
f,C
r分别为前后轮侧倾刚度系数,M为整车质量,M
d为转动部件等效质量,I
z为整车转动惯量。这些常量在车辆出厂时就可以获取。在车辆信息中筛选出与轮胎受力有关的信息可以为v
y,v
x分别为横、纵向速度,a
y,a
x分别为横、纵向加速度,δ为转向轮转角,
为整车转动角速度及角加速度,
为引擎驱动力。根据筛选出与轮胎的受力信息可以通过公式计算出前后悬挂速度方向角,具体公式如下:
其中θf为前悬挂速度方向角,θr为后悬挂速度方向角。
根据筛选出与轮胎的受力信息可以通过公式计算出前后轮侧向摩擦力,具体公式如下:
Ff=2Cf(δ-θf),Fr=2Crθr
其中,Ff为前轮侧向摩擦力,Fr为后轮侧向摩擦力,Cf,Cr-前后轮侧倾刚度系数,δ-转向轮转角。
再根据筛选出与轮胎的受力信息计算出前后轮纵向摩擦力,具体公式如下:
其中,ff为前轮纵向摩擦力,fr为后轮纵向摩擦力,ay,ax分别为横、纵向加速度,δ为转向轮转角,M为整车质量,Md为转动部件等效质量,Ff为前轮侧向摩擦力,Fr为后轮侧向摩擦力。
根据前后轮的纵向和侧向摩擦力,可以采用摩擦圆受力模型计算出该无人驾驶车辆的前后轮摩擦力,具体就算公式如下:
其中,f1为无人驾驶车辆前轮摩擦力,f2为无人驾驶车辆后轮摩擦力,ff为前轮纵向摩擦力,fr为后轮纵向摩擦力,Ff为前轮侧向摩擦力,Fr为后轮侧向摩擦力。
在此需要强调的是,计算无人驾驶车辆前后轮承受的总摩擦力时,还需要考虑车辆轮胎受力规律,需要基于摩擦圆模型来分析车辆轮胎受力规律。所谓摩擦圆模型如图4所示,摩擦圆模型的建立是基于一个事实:轮胎摩擦力的极限是由载荷乘以路面摩擦系数,而与摩擦力的方向无关。而摩擦力可分配给轮胎横向力、纵向力,或二者的组合,分配方式则取决于轮胎侧偏角。将轮胎横纵向力画在同一个平面上,就得到如图4所示的摩擦圆模型,摩擦圆半径可以随着不同路况而发生变化。
S3、根据实时速度,确定当前路况下的滑动率。
其中,滑动率可以为轮胎与地面摩擦产生的滑动的程度,多用于描述当前路面的摩擦因数,进而根据摩擦因数确定当前路况信息。
例如,在车辆信息中筛选出当前路况下的实时速度,根据无人驾驶车辆的实时速度,获取当前路况下的滑动率。比如,在车辆信息中获取车辆的实时速度和车轮转速,可以通过无人驾驶车辆的实时速度与车轮转速之间的关系,计算出当前路况下的滑动率,具体计算公式如下:
其中,ω为车轮转速(in rad),r为胎面半径,以轮胎标号为准,v为车速,需要对采集的实时速度进行处理得到,比如可以通过定位数据差分滤波得到。
S4、根据地面摩擦力和所述滑动率,生成当前路况信息。
例如,根据地面摩擦力,在预设路况信息中筛选出地面摩擦力对应的第一路况信息。比如,根据当前路况下的地面摩擦力和实时速度在路况分类器中筛选出第一路况信息,譬如,计算出的当前路况下的前后轮的地面摩擦力为f1和f2,车辆的实时速度为v1,在路况分类器中筛选出在v1速度时,地面摩擦力为f1和f2对应的路面类型,假设该路面类型为潮湿路面,还可以进一步根据地面摩擦力获取潮湿路面的潮湿等级,即水膜厚度,根据地面摩擦力为f1和f2对应的路面水膜厚度,获取潮湿路面的潮湿等级,以三级为例,假设水膜厚度较大,超过第二级水膜厚度的阈值时,确定该潮湿路面的潮湿等级为第三等级,则第一路况信息可以为第三等级潮湿路面。
例如,根据滑动率,在预设路况信息中筛选出滑动率对应第二路况信息。比如,根据当前路况下的滑动率和实时速度在路况分类器中筛选第二路况信息,譬如,计算出的当前路况下的滑动率为γ,车辆的实时速度为v1,在路况分类器中筛选出在v1速度时,滑动率为γ对应的路面类型,假设该路面类型为潮湿混凝土路面,则第二路况信息就为潮湿混凝土路面。
例如,将第一路况信息和第二路况信息进行融合,得到实时路况信息。比如,当第一路况信息可以为第三等级潮湿路面,第二路况信息就为潮湿混凝土路面,将第一路况信息和第二路况信息进行融合,可以得到路况信息为第三等级潮湿混凝土路面,则实时路况信息可以为第三等级潮湿混凝土路面。
其中,需要强调的是路况分类器可以为分段映射模型,该映射模型为多个实时速度下滑动率和摩擦力的映射模型,路况分类器还可以为支持向量机,还可以为路况识别神经网络模型。以分段映射模型为例,构建分段映射模型需要预先在多个已知路况下采集目标车辆的在多个目标速度下轮胎受力相关的参数,计算不同路况下的多个目标速度对应的滑动率和摩擦力,对不同路况下的多个目标速度对应的滑动率和摩擦力拟合出分段二次的边界曲线,该边界曲线可以为不同速度下滑动率关于摩擦力的分段曲线,即可得到不同路况下的分段映射模型。将得到的滑动率和摩擦力输入至分段映射模型,即可分别得到第一路况信息和第二路况信息。
在此需要强调的是,在本发明中获取当前实时路况信息是直接采用非线性的车辆动力学模型,使得本发明不但适用于线性程度较高的工况,还适合高速、大转角等非线性程度较高的工况。
103、基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
其中,控制参数可以为自动控制车辆运行的参数,基于控制参数可以生成控制指令,进而控制无人驾驶车辆的自动行驶。比如,控制参数可以为根据路径规划信息预先设定的无人驾驶从A点到B点的目标速度、最大加速度、最小半径的幅限、车辆响应的一阶延迟时间、反馈支路的控模型参数等控制参数。
(1)在实时状态信息中筛选出车辆外部环境信息。
其中,车辆外部环境信息可以包括车辆外部的噪声环境、空气环境和/或温度环境等环境信息,譬如,车辆外部的噪声分贝、车辆外部的风速、风阻和空气湿度和/或车辆外部温度等信息。
例如,在分类后的实时状态信息中筛选出车辆外部环境信息,比如,筛选出车辆外部的噪声环境、空气环境和/或温度环境等环境信息。
(2)将车辆外部环境信息和当前路况信息进行融合,得到干扰信息。
其中,干扰信息可以为干扰车辆行驶状态的信息,比如噪声信息、当前路况信息、车辆外部空气信息、车辆外部的温度信息等信息。比如,以路面或路况信息为例,当车辆从铺装路面开至泥泞的土路时,会产生不一样的工况环境,如果需要保持目标速度或者加速度时,会对车辆牵引力的需求产生的很大的变化,从而会干扰到车辆的正常行驶。
例如,将当前路况信息和车辆外部环境信息进行融合,得到车辆外部的干扰信息,具体融合的方式可以存在多种,比如,假设当前路况信息为第三等级潮湿混凝土路面,初始干扰信息为风速信息、噪声信息、胎压、当前路面摩擦因数和车辆内外部温度信息等环境信息,将当前路况信息和初始干扰信息直接组合即可得到车辆外部的干扰信息。还可以根据初始干扰信息对当前路况信息进行调整,比如根据车辆内外部温度信息,在当前路况信息中添加路面温度等信息。
(3)根据干扰信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
A1、对干扰信息按照干扰类型进行分类。
其中,干扰类型可以为对车辆行驶进行干扰的因素,比如,噪声干扰、路况干扰、空气干扰和温度干扰等干扰类型。
例如,对干扰信息可以按照干扰类型进行分类,比如,可以分为直接干扰或者间接干扰,直接干扰还可以分为路面干扰、温度干扰、空气干扰里的风速干扰,间接干扰还可以分为噪声干扰和空气干扰里的湿度干扰等。
A2、对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值。
例如,对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值,调整的方式可以有多种,比如,可以对不同类型的干扰信息进行统一换算,譬如,将噪声的分贝换算成干扰值,将速度、路况类型等干扰信息换算成统一单位的干扰值,换算过程具体可以为根据预设转换信息进行转换,譬如,在预设噪声转换信息中50分贝对应的干扰值10,在预设路况转换信息中混凝土路面的干扰值为5,沥青路面对应的干扰值为8,只需根据路面信息直接在预设路面转换信息中筛选对应的干扰值即可,对于温度、空气等其他干扰信息采用同样的方法分别获取对应的干扰值。
其中,需要强调的是,对于第一干扰值可以包括多个,每一个类型的干扰信息对应一个第一干扰值。
A3、对不同类型的第一干扰值按预设权重系数进行加权,得到控制参数的第二干扰值。
其中,预设权重系数可以包括不同类型的干扰信息对目标控制系数的干扰程度。
例如,对不同类型的干扰值按预设权重系数进行加权,得到目标控制参数的第二干扰值,例如,以不同类型的第一干扰值包括路况的第一干扰值为A1、噪声的第一干扰值A2、空气的第一干扰值A3和温度的第一干扰值A4为例,根据不同类型的干扰信息对目标控制参数的干扰程度不同,四种类型的第一干扰值对应的预设的权重系数分别为x1、x2、x3和x4,其中四种权重系数的和为1,分别将四种类型的第一干扰值分别与权重系数相乘,将四种类型的第一干扰值与权重系数的乘积累加,得到目标控制参数的第二干扰值。
A4、根据第二干扰值,对目标状态信息中的控制参数进行调整,得到调整后参数。
例如,根据第二干扰值,对目标状态信息中的控制参数进行调整,得到调整后参数,比如,可以直接将第二干扰值与控制参数中对应的值进行运算,运算方法可以包括简单的四则运算,也可以包括复杂的运算。譬如,控制参数为加速度的目标值,可以直接将加速度值与第二干扰值相减或者相加,还可以将第二干扰值输入预设的计算模型,得到影响加速度的目标值的补偿值,将加速度的目标值直接与补偿值相加,得到调整后参数。
在此需要强调的是,干扰可以分为结构性干扰和非结构性干扰,后者往往以白噪声或粉红噪声的形式出现。结构性干扰主要包括风阻和坡度等可以直接测定或间接推算的量,这一部分可以直接在控制输入端进行量测及补偿;非结构性干扰主要包括各种量测噪声等,这一部分可以利用低通滤波等古典滤波器或卡尔曼滤波等现代滤波器除去,不必另行补偿;不过,非结构性干扰对控制***的鲁棒性提出了要求,当噪声过大时可能需要基于H∞理论重新配置局部线性化控制***的极点,以牺牲快速性换取稳定性,因此,对控制参数的调整可以是部分控制参数的调整,还可以为全部控制参数的调整,比如,针对结构性干扰,可以对结构干扰项产生影响的控制参数全部进行调整,针对非结构性干扰,采用滤波过滤干扰,不用再对控制参数进行调整。
104、在预设标定参数信息中筛选出与调整后参数对应的目标标定参数。
其中,预设标定参数信息可以包括对调整后参数进行标定的参数信息,通常多以标定表的形式存在。
所谓标定,可以理解为对控制参数的校准,主要过程为根据目标控制参数在标定表中获取目标控制参数的标定值,其中,标定表根据为采集多个测试数据集,对测试数据集的数据进行拟合得到的包含计算模型的参考表。
(1)在预设标定参数信息中筛选出当前路况信息对应的标定表,标定表包括多个状态区域和各个状态区域对应的计算模型。
例如,在预设标定参数信息中筛选出当前路况信息对应的标定表,比如,预设标定参数信息中包括各种路况类型对应的标定表,以当前路况信息为第三级潮湿混凝土路面,第一目标控制参数为加速度,初始第二目标参数为踏板量为例,在预设标定参数信息中筛选出第三级潮湿混凝土路面的标定表,如图5所示,a为加速度,v为速度,u为踏板量,A,a为模型参数,该参数为常量。标定表采用解析模型而非数值形式,分为多个状态区域,分别为刹车段、死区段和油门段,其中每个区域之间保持0阶连续,每个状态区域对应一个计算模型。
其中,需要强调的是每一种路况信息对应一种标定表,在标定表中可以得到通过加速度中刹车和油门拼合成一个连续的广义控制量-踏板量。当踏板量小于0则代表刹车,踏板量大于0则代表油门。这样做可以消除油门/刹车切换处的第二目标控制参数的不连续带来的状态失控或突变,保证了定速或准定速巡航状态下无人驾驶车辆控制的稳定性与乘适性。
(2)在标定表中确定调整后参数对应的目标状态区域。
例如,在无人驾驶车辆的车辆状态信息中判断车辆此时的状态,根据车辆的状态,可以在标定表中确定调整后参数对应的目标状态区域。比如,以调整后参数为第一加速度为例,通过车辆实时状态信息判断此时无人驾驶车辆处于静止、怠速或高速,如果此时车辆的速度为0,加速度也为0,则此时无人驾驶车辆为静止状态,则第一加速度对应的状态区域为刹车段,如果此时无人驾驶车辆的速度很小,但加速度很大,则此时无人驾驶车辆为怠速状态(起步阶段),则第一加速度对应的状态区域为死区段,如果此时无人驾驶车辆的速度很大,加速度也很大,则此时无人驾驶车辆为增加油门状态,则第一加速度对应的状态区域为油门段。
(3)采用目标状态区域的计算模型对调整后参数进行标定,得到目标标定参数。
例如,采用目标状态区域的计算模型对调整后参数进行标定,得到初目标标定参数,比如,以调整后参数为第一加速度,目标标定参数为初始踏板量,第一加速度对应的目标状态区域为油门段为例,则从图5中,可以得出对第一加速度进行标定的计算模型如下所示:
α(v,u)=VTAu,V=(1,v,v2)T,u=(1,u,u2)T,A∈R3×3(分段)
其中,α为第一加速度,v为无人驾驶车辆的实时速度,u为初始踏板量,A为模型参数,为一个分段的3×3参数矩阵。
参照该计算模型对第一加速度进行计算,可以得出在油门段对第一加速度进行标定的初始踏板量。
在此,需要注意的是由于不同的路面将导致非常不同的车辆动力学特性,模型将预先采集车在不同路况下(如雨雪雾天等)前进、后退行驶过程中的速度、加速度、踏板量等数据并拟合出不同的离线映射模型,并在车辆自动走行中根据车当前的状态和表现情况实时判断当前的路况,然后根据不同的路况切换不同的纵向控制器和加载不同的参数标定表以达到满意的控制效果。
其中,预设标定参数信息可以由其他设备生成,提供给该无人驾驶车辆控制装置,或者,也可以由该无人驾驶车辆控制装置自行生成,即步骤“在预设标定参数信息中筛选出所述当前路况信息对应的标定表”之前,该无人驾驶车辆控制方法,还可以包括:
获取在各种路况下的车辆测试数据;
根据测试数据识别出不同路况下车辆特性的目标锚点数据;
根据目标锚点数据,拟合出不同路况对应的标定表的所述各个状态区域的边界曲线;
根据边界曲线,拟合出不同路况对应的标定表的各个状态区域的连续曲面,以得到各个状态区域的计算模型。
例如,生成预设标定参数信息主要采用关键锚点信息对各个状态区域进行分段二次拟合。在实际路测中发现油门段映射的非线性程度非常高,而其余两段除低速区间外基本为线性。这是因为油门段包含了复杂的引擎特性,而刹车段只需要液压机构施加一定的减速力即可。此外,油门段的加速特性和车辆当前的速度关系很大,相同马力下高速段的二次加速特性远逊于低速段的起步加速特性。基于此,可以对油门段和另外两段采用的不同的拟合方法,具体如下:
(1)油门段:对速度和踏板量均进行分段二次拟合。
(2)死区、刹车段:对速度进行高低分段二次拟合,对踏板量仅进行线性拟合。
例如,以油门段的计算模型拟合为例,主要采用了点-线-面的拟合思路。如图6所示,油门段根据速度或加速度不同也包含多个区域,具体如下:
C1、获取在各种路况下的车辆测试数据。
例如,通过传感器或者实时车辆信息采集装置采集各种路况下的测试数据,比如,各种路况下一个或者多个测试周期内的速度、加速度、踏板量、路径相关信息等测试数据。
C2、根据车辆测试数据识别出不同路况下车辆特性的目标锚点数据。
其中,目标锚点数据可以包括描述车辆特性的关键数据点,比如,可以在A至B这一段规划路径中车轮的底部的一个位置点,譬如,可以为后轴中心点,锚点数据可以包括该位置点的速度、加速度和该点的踏板量。
例如,在测试数据中辨识出描述车辆特性的关键锚点,比如,可以根据车辆特性,确定在规划路径中的一个或多个定点,获取一个或多个定点的关键数据,并以规模为m×n的点阵形式存储之。锚点的速度和踏板量均一分布在矩形状态空间内部,加速度被设定为状态空间中相应工况点附近开球内部样本点的平均值,具体如下:
amn=Average{a|a(v,u),(v,u)∈B[(vm,un),ε]}
其中,amn为工况点的加速度,a为第一加速度,v为实时速度,u为第一加速度下的踏板量,B为加速度和踏板量的点阵集合。
C3、根据目标锚点数据,拟合出不同路况对应的标定表的油门段的边界曲线。
例如,根据目标锚点数据,拟合出不同路况下对应的标定表的各个状态区域的边界区域。比如,根据不同路况,每一个路况需要单独拟合成一个标定表,根据特定速度进行分区域,譬如,对于某一特定速度(纵向),踏板量曲线分为(n-1)段;对于某一特定踏板量(横向),速度曲线则分为(m-1)段。拟合的原则是保持1阶连续的同时使得曲线尽量平顺,即二次项系数的模尽量小。以第j条纵向踏板量曲线为例,拟合过程即是解决如下带线性约束的二次凸优化问题,具体如下:
2aiui+βi=2ai+1ui+βi+1,i=1,...,n-2
其中α,β,γ分别为二次项、一次项、常数项系数,u,a分别为踏板量及加速度的锚点值。由此可知,待拟合参数的规模为3(n-1),而约束个数为2(n-1)+(n-2),有1个自由度的优化空间。可利用凸优化中既有的拉格朗日乘子法将上述问题转化为最小二乘问题并求解。
C4、根据边界曲线,拟合出不同路况对应的标定表中油门段的连续曲面,以得到油门段的计算模型。
例如,根据不同区域的边界曲线,拟合出不同路况对应的标定表中油门段的连续曲面,以得到油门段的计算模型。比如,依据边界曲线拟合出分片二次的连续曲面,分片粒度为(m-1)×(n-1)。拟合的原则是保持0阶连续的同时使得曲面尽量平顺,即二次项系数的模尽量小。以曲面(p,q)为例,拟合过程即是解决如下带线性约束的二次凸优化问题,具体如下:
A∈A3×3
其中α,β,γ分别为踏板量曲线的二次项、一次项、常数项系数,v,μ,λ分别为速度曲线的二次项、一次项、常数项系数,u,v分别为踏板量及速度的锚点值,A为待拟合参数矩阵。
由以上计算过程可知,待拟合参数的规模为9,而约束个数为8(上述12个约束是线性相关的,秩数为8,有4个冗余约束来自锚点处的曲线重叠),有1个自由度的优化空间。可利用凸优化中既有的拉格朗日乘子法将上述问题转化为最小二乘问题并求解。
其中,在分段线性拟合算法中,分段粒度,目标锚点数据点阵的m×n规模,很大程度上决定了计算模型的效果,可依据不同的车辆特性进行适当调整。图7描绘了不同分段粒度对输出模型的影响,选用车型为林肯MKZ。其中:(I)-粒度稀疏(2×1),(II)-粒度合理(4×5),(III)-粒度密集(8×9)。由图7可知,过于稀疏的粒度无法准确贴合路测数据的走势,而过于密集的粒度则易受到路测数据的噪声等干扰项影响,导致过拟合。
105、根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数。
(1)在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值。
例如,在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值。比如,以控制参数为无人驾驶车辆的加速度为例,在实时状态信息中提取车辆在当前路况下车辆加速度的当前值,在目标状态信息中提取车辆加速度的目标值。
(2)将当前值与目标值进行比较,以得到误差信息。
例如,将当前值与目标值进行比较,以得到误差信息,比如,以控制参数为加速度为例,将获取到的无人驾驶车辆在规划路径区域实际行驶过程中的加速度的当前值与目标值进行比较,得到无人驾驶车辆在规划路径区域的加速度的差值,将该差值作为误差信息。
(3)根据误差信息,对目标标定参数进行补偿,得到补偿后参数。
例如,可以在预设补偿信息中筛选该误差信息对应的补偿值,对目标标定参数进行补偿,比如,可以采用比例积分微分控制模型(ProportionIntegrationDifferentiation,PID)在预设补偿信息中筛选出该误差信息对应的补偿值,利用该补偿值对目标标定参数进行补偿,可以将PID置于无人驾驶车辆控制装置的底层控制器中,底层控制器的结构如图8所示,其中,a
tar,a
cmd,a
cur,a
err分别代表加速度的目标值、命令值、当前值和误差值,u
ff,u
fb,u
cmd分别代表踏板量的前馈值,反馈值和命令值ω代表干扰项,
代表干扰项的观测/计算值/估计值。具体可以为当得到加速度的误差值时,将加速度的误差值经过比例,积分,微分3种运算方式,得到当前路况下和当前速度下的踏板量的补偿值。
其中,PID可以包括PID控制器由比例单元(P)、积分单元(I)和微分单元(D)组成。根据误差信息得到对应的补偿值具体计算公式如下:
u(t)=kp(e(t)+1/TI∫e(t)dt+TD×de(t)/dt)
其中,e(t)为输入的误差信息,u(t)为输出的补偿值,kp为比例系数,TI为积分时间常数,TD为微分时间常数,需要说明的是kp、TI和TD可以根据实际应用来进行设置。
在此需要说明的是,如图8所述的底层控制器的结构可以包括前馈部分
和反馈部分(PID)。其中,前馈部分
保证车辆的动态特性,如迅速加速、迅速刹车等,反馈部分(PID)则对前馈控制的误差做出修正,保证稳定状态下的跟踪特性。在该无人驾驶车辆控制装置中,主要车辆特性被近似为级联的三部分,依次为:
(1)踏板量到稳态加速度的非线性映射,它属于非线性环节;
(2)发动机的加速度滞后特性,被近似为一阶滞后环节
一阶滞后属于线性最小相位环节,其时间常数T可基于路测的阶跃响应曲线,通过既有的基于最小二乘的***辨识方法得到;
(3)CAN及执行机构的纯延迟e-τs,它属于线性非最小相位环节。
其中,(1)中非线性映射的逆***以分段非线性的标定表形式实现。由于控制***分母的阶次一般不低于分子,(2)中一阶滞后的逆***被设计成超前校正环节,具体如下:
其中,Ts和T0s分别为时间常量。
其中(3)中执行机构带来的纯延迟等环节无法设计因果和稳定的逆***,所以前馈支路将不考虑这些环节。最后的前馈支路由两部分级联而成,分别是超前校正环节及非线性标定模型,即加速度到踏板量的映射表。
由于高频噪声的影响,反馈支路将PID控制器还可以设计为PI控制器或低通滤波器。
106、基于补偿后参数,对无人驾驶车辆进行控制。
例如,基于补偿后参数,可以生成对应的控制指令,根据该控制指令对无人驾驶车辆进行控制。比如,以补偿后参数为踏板量为例,根据踏板量,生成该踏板量对应的控制指令,将该控制指令输入至无人驾驶车辆的发动机的控制***,使得相应的油门踏板或者刹车踏板动作相应的踏板量,对无人驾驶车辆进行控制,可以实现当前路况下的无人驾驶车辆加速度的目标值。
由以上可知,本发明实施例在获取无人驾驶车辆的车辆状态信息后,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,然后,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,然后,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于补偿后参数,对无人驾驶车辆进行控制;由于该方案通过采集车辆的轮胎受力信息基于车辆动力学特性进行实时路况识别,而且根据车辆外部环境和响应信息对控制参数等多因素进行调整与补偿,从而大大提升无人驾驶车辆控制的准确性。
根据上面实施例所描述的方法,以下将举例作进一步详细说明。
在本实施例中,将以该无人驾驶车辆控制装置具体集成在电子设备,以控制参数为目标加速度,补偿后参数为踏板量为例进行说明,该电子设备可以为ECU或服务器。
如图9所示,一种无人驾驶车辆控制方法,具体流程如下:
201、电子设备获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息。
例如,电子设备可以通过在车辆外部的速度和加速度传感器获取车辆在当前状态下的实时速度和加速度,通过车辆的环境传感器获取车辆内外部的环境信息,通过发动机监控传感器获取车辆发动机在当前状态下的实时转速、扭矩和/或功率等信息。对于车辆的目标状态信息可以直接从车辆控制***的上层路径规划模块中获取,比如,车辆在做路径规划时,会提前设定好目标速度、加速度、位置和/或发动机信息等信息,并将这些目标状态信息存储至车辆控制***的本地数据库中,获取的时候可以直接在车辆控制***的本地数据库中直接调用。目标状态信息还可以直接由用户输入至无人驾驶车辆控制装置,比如,用户将提前设定好的路径规划中的各个目标状态信息转换为无人驾驶车辆控制装置可以识别的信息后直接上传至无人驾驶车辆控制装置,还可以直接将路径规划测试软件中生成的目标状态信息直接上传。
其中,需要强调的是,在获取车辆目标状态信息时可以对目标状态信息进行调整,比如,将调整目标状态信息的格式,以便于可以更好的识别其中的信息,还可以对目标状态信息进行转换,譬如,可以将km/h转换为m/s,等等。还可以对获取的车辆状态信息进行筛选,选取与车辆控制相关的车辆状态信息。
202、电子设备根据车辆外部环境类型,对实时状态信息进行分类。
例如,电子设备根据车辆外部环境类型,对实时状态信息进行分类,比如,可以分为路面实时状态信息、噪声实时状态信息、风阻实时状态信息、温度实时状态等。
203、电子设备在分类后的实时状态信息中提取与路况环境相关的路况状态信息。
例如,电子设备在分类后的实时状态信息中提取与路况环境相关的路况状态信息,比如,在分类后的路面实时状态信息提取出速度、加速度、车辆震动信息和车辆轮胎相关信息等路况状态信息。
204、电子设备对路况状态信息进行识别,得到当前路况信息。
(1)在路况状态信息中筛选出轮胎受力信息和实时速度。
例如,电子设备在路况状态信息的车辆轮胎相关信息中筛选出与轮胎受力相关的信息,譬如车辆的加速度、胎压和轮胎尺寸等信息。同时还在路况状态信息中筛选出当前路况下无人驾驶车辆的实时速度,比如,可以设置0.01秒或0.02秒为一个检测周期,获取无人驾驶车辆在这个检测周期内的实时速度。其中需要说明的是,检测周期可以根据实际应用需要进行设置,可以是任意值不为零的正值。
(2)电子设备对轮胎受力信息进行计算,得到当前路况下的地面摩擦力。
例如,电子设备可以采用车辆动力学中的阿克曼单车模型和摩擦圆模型对轮胎受力信息进行计算,其中阿克曼单车模型如图3所示。在阿克曼单车模型中刻画车辆属性的常量有:l
f,l
r分别为前后悬挂长度,C
f,C
r分别为前后轮侧倾刚度系数,M为整车质量,M
d为转动部件等效质量,I
z为整车转动惯量。这些常量在车辆出厂时就可以获取。在车辆信息中筛选出与轮胎受力有关的信息可以为v
y,v
x分别为横、纵向速度,a
y,a
x分别为横、纵向加速度,δ为转向轮转角,
为整车转动角速度及角加速度,
为引擎驱动力。根据筛选出与轮胎的受力信息可以通过公式计算出前后悬挂速度方向角,具体公式如下:
其中θf为前悬挂速度方向角,θr为后悬挂速度方向角。
根据筛选出与轮胎的受力信息可以通过公式计算出前后轮侧向摩擦力,具体公式如下:
Ff=2Cf(δ-θf),Fr=2Crθr
其中,Ff为前轮侧向摩擦力,Fr为后轮侧向摩擦力,Cf,Cr-前后轮侧倾刚度系数,δ-转向轮转角。
再根据筛选出与轮胎的受力信息计算出前后轮纵向摩擦力,具体公式如下:
其中,ff为前轮纵向摩擦力,fr为后轮纵向摩擦力,ay,ax分别为横、纵向加速度,δ为转向轮转角,M为整车质量,Md为转动部件等效质量,Ff为前轮侧向摩擦力,Fr为后轮侧向摩擦力。
根据前后轮的纵向和侧向摩擦力,可以采用摩擦圆受力模型计算出该无人驾驶车辆的前后轮摩擦力,具体就算公式如下:
其中,f1为无人驾驶车辆前轮摩擦力,f2为无人驾驶车辆后轮摩擦力,ff为前轮纵向摩擦力,fr为后轮纵向摩擦力,Ff为前轮侧向摩擦力,Fr为后轮侧向摩擦力。
(3)电子设备根据实时速度,确定当前路况下的滑动率。
例如,电子设备在车辆信息中获取车辆的实时速度和车轮转速,可以通过无人驾驶车辆的实时速度与车轮转速之间的关系,计算出当前路况下的滑动率,具体计算公式如下:
其中,ω为车轮转速(in rad),r为胎面半径,以轮胎标号为准,v为车速,需要对采集的实时速度进行处理得到,比如可以通过定位数据差分滤波得到。
(4)电子设备根据地面摩擦力和所述滑动率,生成当前路况信息。
例如,电子设备根据当前路况下的地面摩擦力和实时速度在路况分类器中筛选出第一路况信息,譬如,计算出的当前路况下的前后轮的地面摩擦力为f1和f2,车辆的实时速度为v1,在路况分类器中筛选出在v1速度时,地面摩擦力为f1和f2对应的路面类型,假设该路面类型为潮湿路面,还可以进一步根据地面摩擦力获取潮湿路面的潮湿等级,即水膜厚度,根据地面摩擦力为f1和f2对应的路面水膜厚度,获取潮湿路面的潮湿等级,以三级为例,假设水膜厚度较大,超过第二级水膜厚度的阈值时,确定该潮湿路面的潮湿等级为第三等级,则第一路况信息可以为第三等级潮湿路面。
例如,电子设备根据当前路况下的滑动率和实时速度在路况分类器中筛选第二路况信息,譬如,计算出的当前路况下的滑动率为γ,车辆的实时速度为v1,在路况分类器中筛选出在v1速度时,滑动率为γ对应的路面类型,假设该路面类型为潮湿混凝土路面,则第二路况信息就为潮湿混凝土路面。
例如,电子设备将第一路况信息和第二路况信息进行融合,得到实时路况信息。比如,当第一路况信息可以为第三等级潮湿路面,第二路况信息就为潮湿混凝土路面,将第一路况信息和第二路况信息进行融合,可以得到路况信息为第三等级潮湿混凝土路面,则实时路况信息可以为第三等级潮湿混凝土路面。
205、电子设备基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
(1)电子设备在实时状态信息中筛选出车辆外部环境信息。
例如,电子设备在分类后的实时状态信息中筛选出车辆外部环境信息,比如,筛选出车辆外部的噪声环境、空气环境和/或温度环境等环境信息。
(2)电子设备将车辆外部环境信息和当前路况信息进行融合,得到干扰信息。
如,电子设备将当前路况信息和车辆外部环境信息进行融合,得到车辆外部的干扰信息,比如,假设当前路况信息为第三等级潮湿混凝土路面,初始干扰信息为风速信息、噪声信息、胎压、当前路面的摩擦因数和车辆内外部温度信息等环境信息,将当前路况信息和初始干扰信息直接组合即可得到车辆外部的干扰信息。还可以根据初始干扰信息对当前路况信息进行调整,比如根据车辆内外部温度信息,在当前路况信息中添加路面温度等信息。
(3)电子设备根据干扰信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
A1、电子设备对干扰信息按照干扰类型进行分类。
例如,电子设备对干扰信息可以按照干扰类型进行分类,比如,可以分为直接干扰或者间接干扰,直接干扰还可以分为路面干扰、温度干扰、空气干扰里的风速干扰,间接干扰还可以分为噪声干扰和空气干扰里的湿度干扰等。
A2、电子设备对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值。
例如,对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值,调整的方式可以有多种,比如,可以对不同类型的干扰信息进行统一换算,譬如,将噪声的分贝换算成干扰值,将速度、路况类型等干扰信息换算成统一单位的干扰值,换算过程具体可以为根据预设转换信息进行转换,譬如,在预设噪声转换信息中50分贝对应的干扰值10,在预设路况转换信息中混凝土路面的干扰值为5,沥青路面对应的干扰值为8,只需根据路面信息直接在预设路面转换信息中筛选对应的干扰值即可,对于温度、空气等其他干扰信息采用同样的方法分别获取对应的干扰值。
A3、电子设备对不同类型的第一干扰值按预设权重系数进行加权,得到目标加速度的第二干扰值。
例如,电子设备对不同类型的干扰值按预设权重系数进行加权,得到目标加速度的第二干扰值,例如,以不同类型的第一干扰值包括路况的第一干扰值为A1、噪声的第一干扰值A2、空气的第一干扰值A3和温度的第一干扰值A4为例,根据不同类型的干扰信息对目标加速度的干扰程度不同,四种类型的第一干扰值对应的预设的权重系数分别为x1、x2、x3和x4,其中四种权重系数的和为1,分别将四种类型的第一干扰值分别与权重系数相乘,将四种类型的第一干扰值与权重系数的乘积累加,得到目标加速度的第二干扰值。
A4、电子设备根据第二干扰值,对目标状态信息中的目标加速度进行调整,得到调整后的第一加速度。
例如,电子设备根据第二干扰值,对目标状态信息中的目标加速度进行调整,得到调整后的第一加速度,比如,可以直接将第二干扰值与目标控制参数中对应的值进行运算,运算方法可以包括简单的四则运算,也可以包括复杂的运算。譬如,可以直接将加速度值与第二干扰值相减或者相加,还可以将第二干扰值输入预设的计算模型,得到影响目标加速度的补偿值,将目标加速度直接与补偿值相加,得到调整后的第一加速度。
206、电子设备在预设标定参数信息中筛选出第一加速度对应的初始踏板量。
(1)电子设备在预设标定参数信息中筛选出当前路况信息对应的标定表,标定表包括多个状态区域和各个状态区域对应的计算模型。
例如,电子设备在预设标定参数信息中筛选出当前路况信息对应的标定表,比如,预设标定参数信息中包括各种路况类型对应的标定表,以当前路况信息为第三级潮湿混凝土路面为例,在预设标定参数信息中筛选出第三级潮湿混凝土路面的标定表,如图5所示,a为加速度,v为速度,u为踏板量,A,a为模型参数,该参数为常量。标定表采用解析模型而非数值形式,分为多个状态区域,分别为刹车段、死区段和油门段,其中每个区域之间保持0阶连续,每个状态区域对应一个计算模型。
(2)电子设备在标定表中确定调整后参数对应的目标状态区域。
例如,电子设备在无人驾驶车辆的车辆状态信息中判断车辆此时的状态,根据车辆的状态,可以在标定表中确定第一加速度对应的目标状态区域。比如,通过车辆实时状态信息判断此时无人驾驶车辆处于静止、怠速或高速,如果此时车辆的速度为0,加速度也为0,则此时无人驾驶车辆为静止状态,则第一加速度对应的状态区域为刹车段,如果此时无人驾驶车辆的速度很小,但加速度很大,则此时无人驾驶车辆为怠速状态(起步阶段),则第一加速度对应的状态区域为死区段,如果此时无人驾驶车辆的速度很大,加速度也很大,则此时无人驾驶车辆为增加油门状态,则第一加速度对应的状态区域为油门段。
(3)电子设备采用目标状态区域的计算模型对第一加速度进行标定,得到初始踏板量。
例如,电子设备采用目标状态区域的计算模型对第一加速度进行标定,得到初始踏板量,比如,第一加速度对应的目标状态区域为油门段为例,则从图5中,可以得出对第一加速度进行标定的计算模型如下所示:
α(v,u)=VTAu,V=(1,v,v2)T,u=(1,u,u2)T,A∈R3×3(分段)
其中,α为第一加速度,v为无人驾驶车辆的实时速度,A为模型参数,为一个分段的3×3参数矩阵。
参照该计算模型对第一加速度进行计算,可以得出在油门段对第一加速度进行标定的初始踏板量。
其中,预设标定参数信息可以由其他设备生成,提供给该无人驾驶车辆控制装置,或者,也可以由该无人驾驶车辆控制装置自行生成,即步骤“在预设标定参数信息中筛选出所述当前路况信息对应的标定表”之前,该无人驾驶车辆控制方法,还可以包括:
获取在各种路况下的车辆测试数据;
根据测试数据识别出不同路况下车辆特性的目标锚点数据;
根据目标锚点数据,拟合出不同路况对应的所述标定表的各个状态区域的边界曲线;
根据边界曲线,拟合出不同路况对应的标定表的各个状态区域的连续曲面,以得到各个状态区域的计算模型。
例如,电子设备生成预设标定参数信息主要采用关键锚点信息对各个状态区域进行分段二次拟合。在实际路测中发现油门段映射的非线性程度非常高,而其余两段除低速区间外基本为线性。这是因为油门段包含了复杂的引擎特性,而刹车段只需要液压机构施加一定的减速力即可。此外,油门段的加速特性和车辆当前的速度关系很大,相同马力下高速段的二次加速特性远逊于低速段的起步加速特性。基于此,可以对油门段和另外两段采用的不同的拟合方法,具体如下:
(1)油门段:对速度和踏板量均进行分段二次拟合。
(2)死区、刹车段:对速度进行高低分段二次拟合,对踏板量仅进行线性拟合。
例如,以油门段的计算模型拟合为例,主要采用了点-线-面的拟合思路。如图6所示,油门段根据速度或加速度不同也包含多个区域,具体如下:
C1、获取在各种路况下的车辆测试数据。
例如,通过传感器或者实时车辆信息采集装置采集各种路况下的测试数据,比如,各种路况下一个或者多个测试周期内的速度、加速度、踏板量、路径相关信息等测试数据。
C2、根据车辆测试数据识别出不同路况下车辆特性的目标锚点数据。
其中,目标锚点数据可以包括描述车辆特性的关键数据点,比如,可以在A至B这一段规划路径中车轮的底部的一个位置点,譬如,可以为后轴中心点,锚点数据可以包括该位置点的速度、加速度和该点的踏板量。
例如,在测试数据中辨识出描述车辆特性的关键锚点,比如,可以根据车辆特性,确定在规划路径中的一个或多个定点,获取一个或多个定点的关键数据,并以规模为m×n的点阵形式存储之。锚点的速度和踏板量均一分布在矩形状态空间内部,加速度被设定为状态空间中相应工况点附近开球内部样本点的平均值,具体如下:
amn=Average{a|a(v,u),(v,u)∈B[(vm,un),ε]}
其中,amn为工况点的加速度,a为第一加速度,v为实时速度,u为第一加速度下的踏板量,B为加速度和踏板量的点阵集合。
C3、根据目标锚点数据,拟合出不同路况对应的标定表的油门段的边界曲线。
例如,根据目标锚点数据,拟合出不同路况下对应的标定表的各个状态区域的边界区域。比如,根据不同路况,每一个路况需要单独拟合成一个标定表,根据特定速度进行分区域,譬如,对于某一特定速度(纵向),踏板量曲线分为(n-1)段;对于某一特定踏板量(横向),速度曲线则分为(m-1)段。拟合的原则是保持1阶连续的同时使得曲线尽量平顺,即二次项系数的模尽量小。以第j条纵向踏板量曲线为例,拟合过程即是解决如下带线性约束的二次凸优化问题,具体如下:
2aiui+βi=2ai+1ui+βi+1,i=1,...,n-2
其中α,β,γ分别为二次项、一次项、常数项系数,u,a分别为踏板量及加速度的锚点值。由此可知,待拟合参数的规模为3(n-1),而约束个数为2(n-1)+(n-2),有1个自由度的优化空间。可利用凸优化中既有的拉格朗日乘子法将上述问题转化为最小二乘问题并求解。
C4、根据边界曲线,拟合出不同路况对应的标定表中油门段的连续曲面,以得到油门段的计算模型。
例如,根据不同区域的边界曲线,拟合出不同路况对应的标定表中油门段的连续曲面,以得到油门段的计算模型。比如,依据边界曲线拟合出分片二次的连续曲面,分片粒度为(m-1)×(n-1)。拟合的原则是保持0阶连续的同时使得曲面尽量平顺,即二次项系数的模尽量小。以曲面(p,q)为例,拟合过程即是解决如下带线性约束的二次凸优化问题,具体如下:
A∈A3×3
其中α,β,γ分别为踏板量曲线的二次项、一次项、常数项系数,v,μ,λ分别为速度曲线的二次项、一次项、常数项系数,u,v分别为踏板量及速度的锚点值,A为待拟合参数矩阵。
由以上计算过程可知,待拟合参数的规模为9,而约束个数为8(上述12个约束是线性相关的,秩数为8,有4个冗余约束来自锚点处的曲线重叠),有1个自由度的优化空间。可利用凸优化中既有的拉格朗日乘子法将上述问题转化为最小二乘问题并求解。
207、电子设备根据实时状态信息和目标状态信息之间的误差信息,对初始踏板量进行补偿,得到踏板量。
(1)电子设备在实时状态信息中提取加速度的当前值,在目标状态信息中提取加速度的目标值。
例如,电子设备在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值。比如,在实时状态信息中提取车辆在当前路况下车辆加速度的当前值,在目标状态信息中提取车辆加速度的目标值。
(2)电子设备将当前值与目标值进行比较,以得到误差信息。
例如,电子设备将当前加速度与目标加速度进行比较,以得到误差值,比如,将获取到的无人驾驶车辆在规划路径区域实际行驶过程中的加速度的实际值与目标值进行比较,得到无人驾驶车辆在规划路径区域的加速度的差值,将该差值作为误差信息。
(3)电子设备根据误差信息,对初始踏板量进行补偿,得到踏板量。
例如,电子设备可以在预设补偿信息中筛选该误差信息对应的补偿值,比如,可以采用比例积分微分控制模型(Proportion Integration Differentiation,PID)在预设补偿信息中筛选出该误差信息对应的补偿值,可以将PID置于无人驾驶车辆控制装置的底层控制器中,底层控制器的结构如图8所示,其中,a
tar,a
cmd,a
cur,a
err分别代表加速度的目标值、命令值、当前值和误差值,u
ff,u
fb,u
cmd分别代表踏板量的前馈值,反馈值和命令值ω代表干扰项,
代表干扰项的观测/计算值/估计值。具体可以为当得到加速度的误差值时,将加速度的误差值经过比例,积分,微分3种运算方式,得到当前路况下和当前速度下的踏板量的补偿值。
208、电子设备基于踏板量,对无人驾驶车辆进行控制。
例如,基于踏板量,可以生成对应的控制指令,根据该控制指令对无人驾驶车辆进行控制。比如,根据踏板量,生成该踏板量对应的控制指令,将该控制指令输入至无人驾驶车辆的发动机的控制***,使得相应的油门踏板或者刹车踏板动作相应的踏板量,对无人驾驶车辆进行控制,可以实现当前路况下的无人驾驶车辆加速度的目标值。
由以上可知,本发明实施例电子设备在获取无人驾驶车辆的车辆状态信息后,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,然后,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,然后,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于补偿后参数,对无人驾驶车辆进行控制;由于该方案通过采集车辆的轮胎受力信息基于车辆动力学特性进行实时路况识别,而且根据车辆外部环境和响应信息对控制参数等多因素进行调整与补偿,从而大大提升无人驾驶车辆控制的准确性。
为了更好地实施以上方法,本发明实施例还提供一种无人驾驶车辆控制装置,该无人驾驶车辆控制装置可以集成在电子设备,比如服务器或ECU等设备中。
例如,如图10所示,该无人驾驶车辆控制装置可以包括获取单元301、识别单元302、调整单元303、筛选单元304、补偿单元305和控制单元306,如下:
(1)获取单元301;
获取单元301,用于获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息;
例如,获取单元301,具体可以用于通过在车辆外部的速度和加速度传感器获取车辆在当前状态下的实时速度和加速度,通过车辆的环境传感器获取车辆内外部的环境信息,通过发动机监控传感器获取车辆发动机在当前状态下的实时转速、扭矩和/或功率等信息。
(2)识别单元302;
识别单元302,用于根据实时状态信息对路况环境进行识别,得到当前路况信息;
其中,识别单元302可以包括分类子单元3021、第一提取子单元3022和识别子单元3023,如图11所示,具体如下:
分类子单元3021,用于根据车辆外部环境类型,对实时状态信息进行分类;
第一提取子单元3022,用于在分类后的实时状态信息中提取与路况环境相关的路况状态信息;
识别子单元3023,用于对路况状态信息进行识别,得到当前路况信息。
例如,分类子单元3021根据车辆外部环境类型,对实时状态信息进行分类,提取子单元3022在分类后的实时状态信息中提取与路况环境相关的路况状态信息,识别子单元3023对路况状态信息进行识别,得到当前路况信息。
(3)调整单元303;
调整单元303,用于基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
其中,调整单元303可以包括筛选子单元3031、融合子单元3032和调整子单元3033,如图12所示,具体如下:
筛选子单元3031,用于在实时状态信息中筛选出车辆外部环境信息;
融合子单元3032,用于将车辆外部环境信息和当前路况信息进行融合,得到干扰信息;
调整子单元3033,用于根据干扰信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
例如,筛选子单元3031在实时状态信息中筛选出车辆外部环境信息,融合子单元3032将车辆外部环境信息和当前路况信息进行融合,得到干扰信息,调整子单元3033根据干扰信息,对目标状态信息中的控制参数进行调整,得到调整后参数。
(4)筛选单元304;
筛选单元304,用于在预设标定参数信息中筛选出与所述调整后参数对应的目标标定参数。
其中,筛选单元304可以包括筛选子单元3041、确定子单元3042和标定子单元3043,如图13所示,具体如下:
筛选子单元3041,用于在预设标定参数信息中筛选出当前路况信息对应的标定表,该标定表包括多个状态区域和各个状态区域对应的计算模型;
确定子单元3042,用于在标定表中确定调整后参数对应的目标状态区域;
标定子单元3043,用于采用目标状态区域的计算模型对调整后参数进行标定,得到目标标定参数。
例如,筛选子单元3041在预设标定参数信息中筛选出当前路况信息对应的标定表,该标定表包括多个状态区域和各个状态区域对应的计算模型,确定子单元3042在标定表中确定调整后参数对应的目标状态区域,标定子单元3043采用目标状态区域的计算模型对调整后参数进行标定,得到目标标定参数。
(5)补偿单元305;
补偿单元305,用于根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数。
其中,补偿单元305可以包括第二提取子单元3051、比较子单元3052和补偿子单元3053,如图14所示,具体如下:
第二提取子单元3051,用于在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值;
比较子单元3052,用于将当前值与目标值进行比较,以得到误差信息;
补偿子单元3053,用于根据误差信息,对目标标定参数进行补偿,得到补偿后参数。
例如,第二提取子单元3051在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值,比较子单元3052将当前值与目标值进行比较,以得到误差信息,补偿子单元3053根据误差信息,对目标标定参数进行补偿,得到补偿后参数。
(6)控制单元306;
控制单元306,用于基于补偿后参数,对无人驾驶车辆进行控制。
例如,控制单元306,具体可以用于根据踏板量,生成该踏板量对应的控制指令,将该控制指令输入至无人驾驶车辆的发动机的控制***,使得相应的油门踏板或者刹车踏板动作相应的踏板量,对无人驾驶车辆进行控制,可以实现当前路况下的无人驾驶车辆加速度的目标值。
具体实施时,以上各个单元可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由以上可知,本发明实施例在获取单元301在获取无人驾驶车辆的车辆状态信息后,该车辆状态信息包括实时状态信息和目标状态信息,识别单元302根据实时状态信息对路况环境进行识别,得到当前路况信息,然后,调整单元303基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,筛选单元304在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,然后,补偿单元305根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,控制单元306基于补偿后参数,对无人驾驶车辆进行控制;由于该方案通过采集车辆的轮胎受力信息基于车辆动力学特性进行实时路况识别,而且根据车辆外部环境和响应信息对控制参数等多因素进行调整与补偿,从而大大提升无人驾驶车辆控制的准确性。
本发明实施例还提供一种电子设备,该电子设备可以用于汽车底盘电子控制***对无人驾驶车辆的底盘的控制,如图15所示,其示出了本发明实施例所涉及的电子设备的结构示意图,具体来讲:
该电子设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图15中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
电子设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,电子设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,电子设备中的处理器401会按照如下的指令,将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能,如下:
获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于所述补偿后参数,对所述无人驾驶车辆进行控制。
例如,通过外部传感器获取实时状态信息,根据车辆外部环境类型,对实时状态信息进行分类,在分类后的实时状态信息中提取与路况环境相关的路况状态信息,在路况状态信息中筛选出轮胎受力信息和实时速度,对轮胎受力信息进行计算,得到当前路况下的地面摩擦力,根据实时速度,确定当前路况下的滑动率,根据地面摩擦力和所述滑动率,生成当前路况信息,在实时状态信息中筛选出车辆外部环境信息,将车辆外部环境信息和当前路况信息进行融合,得到干扰信息,对干扰信息按照干扰类型进行分类,对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值,对不同类型的第一干扰值按预设权重系数进行加权,得到控制参数的第二干扰值,根据第二干扰值,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出当前路况信息对应的标定表,标定表包括多个状态区域和各个状态区域对应的计算模型,在标定表中确定调整后参数对应的目标状态区域,采用目标状态区域的计算模型对调整后参数进行标定,得到目标标定参数,在预设标定参数信息中筛选出所述当前路况信息对应的标定表之前还可以包括获取在各种路况下的车辆测试数据,根据测试数据识别出不同路况下车辆特性的目标锚点数据,根据目标锚点数据,拟合出不同路况对应的标定表的所述各个状态区域的边界曲线,根据边界曲线,拟合出不同路况对应的标定表的各个状态区域的连续曲面,以得到各个状态区域的计算模型。在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值在目标状态信息中提取控制参数的目标值,将当前值与目标值进行比较,以得到误差信息,根据误差信息,对目标标定参数进行补偿,以补偿后参数,基于补偿后参数,可以生成对应的控制指令,根据该控制指令对无人驾驶车辆进行控制。
以上各个操作的具体实施可参见前面的实施例,在此不作赘述。
由以上可知,本发明实施例在获取无人驾驶车辆的车辆状态信息后,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,然后,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,然后,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于补偿后参数,对无人驾驶车辆进行控制;由于该方案通过采集车辆的轮胎受力信息基于车辆动力学特性进行实时路况识别,而且根据车辆外部环境和响应信息对控制参数等多因素进行调整与补偿,从而大大提升无人驾驶车辆控制的准确性。
本发明实施例还提供一种无人驾驶车辆,如图16所示,其示出了本发明实施例所涉及的无人驾驶车辆的结构示意图,具体来讲:
该无人驾驶车辆可以包括驱动设备501、控制设备502和车身结构设备503,本领域技术人员可以理解,图16中示出的无人驾驶车辆结构并不构成对无人驾驶车辆的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
驱动设备501是无人驾驶车辆的动力源,驱动设备可以为无人驾驶车辆提取驱动力,实现无人驾驶车辆的前进、后退和停止等驱动功能。驱动设备可以包括发动机、传动装置和车轮等。
控制设备502是无人驾驶车辆的控制核心,控制设备可以控制无人驾驶车辆的启动、停止、转向,还能根据外部环境的变化实时的控制无人驾驶车辆按照规划路径行驶。控制设备可以包括无人驾驶车辆控制装置。
车身结构设备503是无人驾驶车辆的硬件组成部分,车身结构设备为无人驾驶车辆提供结构支撑,是构成无人驾驶车辆的重要组成部分,可以包括车架、车门和内部的座椅等硬件。
本领域普通技术人员可以理解,上述实施例的各种方法中的全部或部分步骤可以通过指令来完成,或通过指令控制相关的硬件来完成,该指令可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
为此,本发明实施例提供一种计算机可读存储介质,其中存储有多条指令,该指令能够被处理器进行加载,以执行本发明实施例所提供的任一种无人驾驶车辆控制方法中的步骤。例如,该指令可以执行如下步骤:
获取无人驾驶车辆的车辆状态信息,该车辆状态信息包括实时状态信息和目标状态信息,根据实时状态信息对路况环境进行识别,得到当前路况信息,基于当前路况信息,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出与调整后参数对应的目标标定参数,根据实时状态信息和目标状态信息之间的误差信息,对目标标定参数进行补偿,得到补偿后参数,基于所述补偿后参数,对所述无人驾驶车辆进行控制。
例如,通过外部传感器获取实时状态信息,根据车辆外部环境类型,对实时状态信息进行分类,在分类后的实时状态信息中提取与路况环境相关的路况状态信息,在路况状态信息中筛选出轮胎受力信息和实时速度,对轮胎受力信息进行计算,得到当前路况下的地面摩擦力,根据实时速度,确定当前路况下的滑动率,根据地面摩擦力和所述滑动率,生成当前路况信息,在实时状态信息中筛选出车辆外部环境信息,将车辆外部环境信息和当前路况信息进行融合,得到干扰信息,对干扰信息按照干扰类型进行分类,对不同类型的干扰信息进行调整,以得到不同类型的第一干扰值,对不同类型的第一干扰值按预设权重系数进行加权,得到控制参数的第二干扰值,根据第二干扰值,对目标状态信息中的控制参数进行调整,得到调整后参数,在预设标定参数信息中筛选出当前路况信息对应的标定表,标定表包括多个状态区域和各个状态区域对应的计算模型,在标定表中确定调整后参数对应的目标状态区域,采用目标状态区域的计算模型对调整后参数进行标定,得到目标标定参数,在预设标定参数信息中筛选出所述当前路况信息对应的标定表之前还可以包括获取在各种路况下的车辆测试数据,根据测试数据识别出不同路况下车辆特性的目标锚点数据,根据目标锚点数据,拟合出不同路况对应的标定表的所述各个状态区域的边界曲线,根据边界曲线,拟合出不同路况对应的标定表的各个状态区域的连续曲面,以得到各个状态区域的计算模型。在实时状态信息中提取控制参数的当前值,在目标状态信息中提取控制参数的目标值在目标状态信息中提取控制参数的目标值,将当前值与目标值进行比较,以得到误差信息,根据误差信息,对目标标定参数进行补偿,以补偿后参数,基于补偿后参数,可以生成对应的控制指令,根据该控制指令对无人驾驶车辆进行控制。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
其中,该计算机可读存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取记忆体(RAM,Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令,可以执行本发明实施例所提供的任一种无人驾驶车辆控制方法中的步骤,因此,可以实现本发明实施例所提供的任一种无人驾驶车辆控制方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上对本发明实施例所提供的一种无人驾车辆控制方法、装置和计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。