CN111267867A - 构建无人驾驶车辆运动特性模型的方法和装置 - Google Patents
构建无人驾驶车辆运动特性模型的方法和装置 Download PDFInfo
- Publication number
- CN111267867A CN111267867A CN202010105306.9A CN202010105306A CN111267867A CN 111267867 A CN111267867 A CN 111267867A CN 202010105306 A CN202010105306 A CN 202010105306A CN 111267867 A CN111267867 A CN 111267867A
- Authority
- CN
- China
- Prior art keywords
- actual
- calculated
- course
- sampling moment
- reference point
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/06—Combustion engines, Gas turbines
- B60W2510/0657—Engine torque
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/08—Electric propulsion units
- B60W2510/083—Torque
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/12—Lateral speed
- B60W2520/125—Lateral acceleration
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/18—Steering angle
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本说明书提供一种构建无人驾驶车辆运动特性模型的方法和装置,包括:获取无人驾驶车辆在控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向;控制参量包括转向角和输出扭矩;采用各个采样时刻的实际状态和转向角,计算获得二自由度单轨动力学模型;采用二自由度单轨动力学模型,获得下一采样时刻对应的计算位置和计算航向;获得对应于一采样时刻的位置偏差和航向偏差;根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型;组合二自由度单轨动力学模型和误差补偿模型,构建得到无人驾驶车辆的运动特性模型。前述方法具有计算精度较高,能够满足实时性的要求。
Description
技术领域
本发明涉及自动驾驶技术领域,具体涉及一种构建无人驾驶车辆运动特性模型的方法和装置;此外,本发明还涉及基于前述运动特性模型确定无人驾驶车辆的控制参量的方法和装置。
背景技术
车辆自动驾驶控制技术中,车辆运动特性的准确建模是实现车辆行驶状态精确控制的关键。由于处在行驶状态的无人驾驶车辆为一高度复杂的非线性***,从理论角度考虑,为了准确模拟车辆运动状态,需要构架复杂的车辆运动特性模型。但是采用过于复杂的运动特性模型时,对无人车辆行驶时的预测控制优化求解极为困难,无法满足车辆实时性控制的需求。
综合以上考虑,目前在车辆运动特性建模时,对无人驾驶车辆***进行合理地简化,建立诸如单轨动力学模型等简化模型;如前所述,此类简化的模型虽然可以满足实时计算和控制的需求,但在会降低控制精度。
另外,车辆生产商多基于原厂配置的车辆特性设置单轨动力学模型等简化模型的参数,此类参数并不能准确表征车辆实际应用中的配置特性。具体的,单轨动力学模型的转动惯量、质心位置、轮胎刚度和一些环境参数很难符合实际使用车辆中相应的特性;如此,也进一步地造成模型精度的下降。
发明内容
为解决现有的运动特性模型不能兼顾精度和实时性计算的问题,本发明提供一种新的构架无人驾驶车辆运动特性模型的方法和装置,以及基于前述运动特性模型确定无人驾驶车辆的控制参量的方法和装置。
一方面,本说明书提供一种构建无人驾驶车辆运动特性模型的方法,包括:
获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向;所述控制参量包括转向角和输出扭矩,所述实际状态包括纵向速度、横向速度、横向加速度、横摆角速度和横摆角加速度;
采用各个所述采样时刻的实际状态和转向角,计算二自由度单轨动力学模型的参数,获得二自由度单轨动力学模型;
采用所述二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向;
根据所述下一采样时刻的实际位置和计算位置获得对应于所述一采样时刻的位置偏差,以及根据所述下一采样时刻的实际航向和计算航向获得对应于所述一采样时刻的航向偏差;
根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型;
组合所述二自由度单轨动力学模型和所述误差补偿模型,构建得到无人驾驶车辆的运动特性模型。
可选的,采用所述二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向,包括:
采用所述一采样时刻的转向角,实际状态中的横向速度、纵向速度和横摆角速度,以及所述二自由度单轨动力学模型,获得计算横向加速度和计算横摆角加速度;
采用所述一采样时刻的纵向速度、输出扭矩、横向速度、计算横向加速度和采样时刻的间隔,获得计算位置变化数据;
根据所述一采样时刻的实际位置、实际航向和所述计算位置变化数据,获得所述下一采样时刻对应的计算位置;以及,
采用所述一采样时刻的横摆角速度、计算横摆角加速度和采样时刻间隔,获得计算角度变化数据;
根据所述一采样时刻的实际航向和所述计算角度变化数据,获得所述计算航向。
可选的,根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型,包括:
采用K聚类算法、高斯混合模型算法或者高斯过程回归分析方法,根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型。
可选的,获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向,包括:
计算在各个转向角情况下,不发生侧翻的最大纵向安全速度;
使得车辆在转向角不变,并且车速低于最大纵向安全速度的情况下行驶,获得各个采样时刻的实际状态、实际位置和实际航向;和/或,
计算在各个行驶速度下对应的最大安全转向角;
使得车辆在速度不变,并且转向角在对应的最大安全转向角范围内变化的情况下行驶,获得各个采样时刻的实际状态、实际位置和实际航向;和/或,
在转向角和车速配合而不使得车辆发生侧翻的情况下,同时改变所述转向角和所述车速,获得各个采样时刻的实际状态实际位置和实际航向。
另一方面,本说明书提供一种确定无人驾驶车辆的控制参量的方法,包括:
获取无人驾驶车辆当前位置、当前航向和当前状态;所述当前状态包括纵向速度、横向速度和横摆角速度;
根据所述当前位置选择参考点,构建参考点序列;所述参考点序列中的各个参考点均包括期望位置和期望航向;
在满足约束条件的前提下,初始化并调整到达各个参考点对应的控制参量,根据当前位置、当前航向和当前状态,采用如前所述方法确定的运动特性模型,依次获得各个参考点对应的计算位置和计算航向,以及获得各个参考点对应计算状态,直至代价函数的计算值最小;
其中:所述控制参量包括转向角和输出扭矩;所述计算状态包括纵向速度、横向速度和横摆角速度;所述约束条件包括控制参量约束条件、位置约束条件和航向角约束条件,所述代价函数包括位置偏差项和航向偏差项;所述位置偏差数据项根据各个参考点的期望位置和对应的计算位置得到;所述航向偏差项根据各个参考点的期望航向和对应的计算航向得到;
至少选择当前位置对应的控制参量,作为控制无人驾驶车辆运行的实际控制参量。
可选的,所述参考点序列中的各个参考点均还包括期望速度数据;
所述代价函数还包括速度偏差项;所述速度偏差项根据各个参考点期望速度数据和对应的计算速度数据得到;各个参考点的计算速度根据对应的计算纵向速度和计算横向速度得到,或者根据计算纵向速度得到。
可选的,所述代价函数还包括控制参量项和控制参量变化项;所述控制参量项根据各个参考点对应的转向角和输出扭矩得到;所述控制参量变化项根据相邻参考点的转向角差值和输出扭矩差值得到。
可选的,根据所述当前位置选择参考点,具体为:根据所述当前位置和期望速度选择参考点。
另一方面,本说明书提供一种构建无人驾驶车辆运动特性模型的装置,包括:
样本数据获取单元,用于获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向;所述控制参量包括转向角和输出扭矩,所述实际状态包括纵向速度、横向速度、横向加速度、横摆角速度和横摆角加速度;
二自由度单轨动力学模型构建单元,用于采用各个所述采样时刻的实际状态和转向角,计算二自由度单轨动力学模型的参数,获得二自由度单轨动力学模型;
计算数据获取单元,用于采用所述二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向;
差值计算单元,用于根据所述下一采样时刻的实际位置和计算位置获得对应于所述一采样时刻的位置偏差,以及根据所述下一采样时刻的实际航向获得对应于所述一采样时刻的航向偏差;
补偿模型构建单元,用于根据各个采样时刻的至少一个控制参量和/或至少一个实际状态,以及对应的位置偏差和航向偏差构建误差补偿模型;
运动特性模型构建单元,用于组合所述二自由度单轨动力学模型和所述误差补偿模型,构建得到无人驾驶车辆的运动特性模型。
再一方面,本说明书提供一种确定无人驾驶车辆的控制参量的装置,包括:
当前数据获取单元,用于获取无人驾驶车辆当前位置、当前航向和当前状态;所述当前状态包括纵向速度、横向速度和横摆角速度;
参考点获取单元,用于根据所述当前位置选择参考点,构建参考点序列;所述参考点序列中的各个参考点均包括期望位置和期望航向;
控制参量求解单元,用于在满足约束条件的情况下,初始化并调整到达各个参考点对应的控制参量,并根据当前位置、当前航向和当前状态,采用如确定的运动特性模型,依次获取各个参考点对应的计算位置、计算航向和计算状态,直至代价函数的计算值最小;
其中:所述控制参量包括转向角和输出扭矩;所述计算状态包括纵向速度、横向速度和横摆角速度;所述约束条件包括控制参量约束条件、位置约束条件和航向角约束条件,所述代价函数包括位置偏差项和航向偏差项;所述位置偏差数据项根据各个参考点的期望位置和对应的计算位置得到;所述航向偏差项根据各个参考点的期望航向和对应的计算航向得到;
控制参量选取单元,用于选择对应所述参考序列中至少第一个参考点对应的控制参量,作为控制无人驾驶车辆运行的控制参量。
采用本说明书运动特征模型构建方法构建的运动特征模型,包括在简化的二自由度单轨动力学模型基础上,利用统计方法获得了综合表征简化因素的误差补偿模型,因此此方法构建的运动特征模型相比于二自由度单轨动力学模型的精度提高。
在前期采样数据量足够大,并且具有足够代表性的前提下,误差补偿模型和二自由度单轨动力学模型配合,使得最终的运动特征模型能够达到满足实际应用需求的精度。因为误差补偿模型采用统计方法获得,其直接表示控制参量和/或实际特征参数,与表征各种简化因素综合影响的误差数据的关系,所以相比于综合各种影响因素参数的复杂物理模型,本说明书构建的运动特征模型在实际应用是的运算量小,更易满足计算实时性的要求。
此外,因为本说明书提供的运动特征模型中的二自由度单轨动力学模型和误差补偿模型均无需获取诸如一些影响因素的特性参数,所以即使因为车辆使用或者改装而造成前述影响因素变化时,仍然可以利用前述方法构建出运动特征模型(此时,需要保证无人驾驶车辆配备相应的惯性测量元件、定位元件或者数据处理单元)。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1是无人驾驶车辆结构示意简图;
图2是实施例提供的一种构建无人驾驶车辆运动模型的方法;
图3是实施例提供的获得下一采样时刻对应的计算位置和计算航向的流程图;
图4是实施例提供的确定无人驾驶车辆的控制参量的方法的流程图;
图5是实施例提供的构建无人驾驶车辆运动特性模型的装置的示意图;
图6是实施例提供的确定无人驾驶车辆控制参量的装置的示意图;
其中:01-定位层,02-感知层,03-规划层,04-控制层,05-执行机构,11-样本数据获取单元,12-二自由度单轨动力学模型构建单元,13-计算数据获取单元,14-差值计算单元,15-补偿模型构建单元,16-运动特性模型构建单元;21-当前数据获取单元,22-参考点获取单元,23-控制参量求解单元,24-控制参量选取单元。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
为了便于后文理解,首先对无人驾驶车辆进行说明。本实施例中的无人驾驶车辆是能够采集各种环境信息和车辆状态信息,根据环境信息和车辆状态信息规划路径信息,并最大程度地按照规划路径信息进行行驶的车辆。
图1是无人驾驶车辆结构示意简图。如图1所示,无人驾驶车辆可以包括定位层01、感知层02、规划层03、控制层04和执行机构05;前述的定位层01、感知层02、规划层03和控制层04中,包括相应的惯性测量元件、定位元件或者数据处理单元,能够完成相应的功能。
定位层01用于实现无人车辆的位置定位,确定定位数据;感知层02用于感知车辆实时的运动状态数据以及周围的环境特征数据;规划层03用于根据定位层01和感知层02确定的定位数据、运动状态数据和环境特征数据,规划无人驾驶车辆的期望路径和期望速度;控制层04用于根据定位数据、运动状态数据、期望路径和期望速度确定控制参量,代入车辆的运行特性模型中,获得控制参量,并将根据控制参量发送给执行机构05。执行机构05则根据控制参量动作,实现车辆的无人驾驶。
本实施例提及的构建无人驾驶车辆运动特性模型的方法,是用于构建用于控制层04的无人车辆运动特性模型;本实施例提及的确定无人驾驶车辆的控制参量的方法,是以无人驾驶车辆运动特性模型为基础,根据规划层03发送的期望路径和期望速度,以及车辆的当前状态确定控制参量,以用于后续控制无人驾驶车辆行驶。
真实应用中,实现车辆控制的执行机构05为车辆的动力机构和转向机构,相应的控制参量包括动力机构的输出扭矩和转向机构确定的转向角。
应当注意,本实施例仅限定无人驾驶车辆双轴以上车辆,而不对无人驾驶车辆其他特性做限定。具体应用中,无人驾驶车辆可以为三轮车辆,也可能为双轴四轮车辆或者多轴车辆。以下实施例中,仅以双轴四轮车辆为例,对本说明书的方案做分析。
另外,本实施例也并不限定无人驾驶车辆的动力机构和转向机构;动力机构可以是热机-变速箱机构,也可以是电机-变速箱机构(或者电机机构),转向机构可以为液压转向机构,也可以为电机转向机构。
图2是实施例提供的一种构建无人驾驶车辆运动模型的方法。如图2所示,本实施例提供的模型构建方法包括步骤S101-S106,各个步骤分别如下。
S101:获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向。
如前文所述,控制参量包括转向角和输出扭矩。对应的,步骤S101采集无人驾驶车辆在转向角和输出扭矩二者至少一个变化情况下的各种数据,测试条件的可能的组合状态包括:转向角不变而输出扭矩变化;输出扭矩变化而转向角不变;转向角和输出扭矩同时变化。
应当注意的是,不论是转向角变化,还是输出扭矩变化,均应当保证无人驾驶车辆处在安全行驶状态或者近似安全行驶状态(即通过及时调整能够使得车辆恢复至安全行驶状态的状态),不会出现因为横向加速度过大而侧翻等安全事故。
根据前述的分析,本实施例为采集各种数据而控制无人驾驶车辆行驶的方法可以包括以下三种。
1.转向角不变,输出扭矩变化。
因为输出扭矩的变化直接影响车辆速度的变化,所以可以测量在执行机构05各种输出扭矩情况下的速度特征(当然,此处已经排除变速箱变挡而造成的影响)。
为了避免车辆侧翻,采用公式一计算各个转向角情况下的最大纵向安全速度,保证车辆处在一转向角时车速并不会达到相应的最大纵向安全速度。
公式一中,vmax为最大纵向安全速度,alat为不发生侧翻的横向加速度(此数据多为经验数据,可以根据厂家实车实验得到),在车辆为双轴四轮车辆的情况下,L为车辆轴距,δ为转向角。
随后,使车辆在各个转向角状态下,在对应的最大纵向安全速度范围内进行加速和减速行驶,并采集实际状态、实际位置和实际航向。为了保证数据采集的有效性,应当保证车速不会在相邻采样时刻发生过大变化。
在实际数据采集过程中,除了考虑各个转向角下的最大纵向安全速度外,还可以考虑法律法规规定的车辆限速(设置足够的安全冗余的车辆限速),并比较最大纵向安全速度和车辆限速中选择较小的值作为试验限制速度,使得车速在试验限制速度内变化。
2.输出扭矩不变,转向角变化
在输出扭矩稳定和车辆状态稳定的情况下,车辆的行驶速度恒定(假设外界阻力恒定)。因此,输出扭矩不变,转向角变化也就是车速恒定而转向角变化。此时,可以采用公式二计算无人驾驶车辆在各个速度下的最大转向角,使得无人驾驶车辆在速度恒定、对应的最大转向角范围内进行变向,获得各个采样时刻的实际状态、实际位置和实际航向。
公式二中,δmax为最大转向角,alat为不发生侧翻的横向加速度(此数据多为经验数据,可以根据厂家实车实验得到),在车辆为双轴四轮车辆的情况下,L为车辆轴距,v为车辆行驶的速度。
因为车辆本身转向机构的限制,如果计算得到的最大转向角超过转向机构的最大可用转向角,则将转向角变化区间设置为最大可用转向角范围内。
3.输出扭矩和转向角同时变化
根据前述的1和2中的叙述,在3中仍然采用公式一或公式二验证各个车速和转向角的组合是否会发生侧翻,并通过合理地设置车速和转向角的变化,实现安全行驶前提下实际状态、实际位置和实际航向的测量。
如前文中所述,本实施例中,在无人驾驶车辆的定位层01和感知层02分别包括对应的惯性测量元件或者其他测量元件,用于测量车辆的实际状态、实际位置和实际航向。
具体应用中,实际状态包括纵向速度、横向速度、横向加速度、横摆角速度和横摆角角速度。前述的实际状态可以是采用对应的传感器直接测量得到,也可以根据其他传感器测量的数值计算得到,本实施例对此并不特别的限定;但是,需要注意的是,应当保证相应的测量数据能够满足后续建模的精度要求。
此处,对前述控制参量、实际状态、实际位置和实际航向的关系做一简单的介绍。实际状态中的纵向速度(还有未在前文中提及的纵向加速度)与输出扭矩直接相关:输出扭矩决定了车辆的纵向加速度,进而影响到纵向速度。实际状态中的横向速度、横向加速度、横摆角速度与纵向速度、转向角直接相关,具体体现为后文的二自由度动力学单轨模型中。实测航向数据和实测位置数据与实际状态中的纵向速度、横向速度、纵向加速度、横向加速度和横摆角速度直接相关。
还应当注意的是,需要将用于测量车辆实际状态的惯性测量元件安装在车辆的横向对称面上。
S102:采用各个采样时刻的实际状态和转向角,计算二自由度单轨动力学模型的参数,获得二自由度单轨动力学模型。
二自由度的单轨动力学模型是体现车辆的横向加速度、横摆角加速度与横向速度、纵向速度、横摆角速度与转向角关系的简化模型。
可以证明,当惯性测量元件安装在车辆的横向对称面上时,基于此位置的二自由度单轨动力学模型和基于质心位置的单轨动力学模型是同型的。也就是说,前述的实际状态中,横向加速度关于横向速度与纵向速度之比、横摆角加速度和纵向速度之比以及转向角成线性关系,横摆角加速度关于车辆横向加速度和纵向加速度之比、横摆角速度与纵向速度之比以及转向角成线性关系。
因此可以采用线性拟合(线性回归)的方法,基于S101获得的各个采样时刻采集的实际状态和转向角,确定二自由度单轨动力学模型的参数w1,w2,w3,w4,w5,w6,继而构建了无人驾驶车辆的二自由度单轨动力学模型,如公式三。
采用步骤S102中的方法,可以在无人驾驶车辆质量、转动惯量、质心位置、轮胎刚度、减振机构特性参数并不确定的情况下,获得能够在一定程度上表征车辆特性的二自由度单轨动力学模型。
实际应用中,在执行步骤S102前,为了避免因为采集的异常数据使得模型引入较多的随机误差,可以对步骤S101获得的数据进行平滑滤波处理和异常值筛选处理。
采用前述方法,构建出的二自由度单轨动力学模型可以作为无人驾驶车辆运动特性的一个简化模型。但是相比于实际车辆运行真实状态,二自由度单轨动力学模型仍然进行了理想化假设和影响因素的忽略,为了进一步提高车辆建模精度,还需要执行以下步骤。
S103:采用二自由度单轨动力学模型,一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向。
如步骤S102中所述,二自由度单轨动力学模型可以作为无人车辆运行状态的简化模型,因此利用此模型,基于一采样时刻已知的特征数据,可以对下一采样时刻的某些特征数据进行计算。其中一采样时刻的已知特征数据包括其输出扭矩、实际状态、实际位置和实际航向,而下一采样时刻的计算特征数据可以包括计算位置和计算航向。
图3是实施例提供的获得下一采样时刻对应的计算位置和计算航向的流程图。如图3所示,本说明书实施例中,获得计算位置和计算航向的方法包括步骤S1031-S1035。
S1031:采用一采样时刻的转向角、实际状态中的横向速度、纵向速度和横摆角速度,以及前述的二自由度单轨动力学模型,获得计算横向加速度和计算横摆角加速度。
步骤S1031采用公式三获得计算横向加速度和计算横摆角加速度。因为计算横向加速度和计算横摆角加速度采用了某一采样时刻的实际转向角、实际状态中的横向速度、纵向速度和横摆角速度,并且某一采样时刻的实际转向角、实际状态中的横向速度、纵向速度和横摆角速度为实际数据,所以计算横向加速度和计算横摆角加速度的精度仅与二自由度单轨动力学模型的精度相关。
S1032:采用某一采样时刻的纵向速度、输出扭矩、横向速度、计算横向加速度和采样时间的间隔,获得计算位置变化数据。
在本实施例中,步骤S1032执行过程可以采用公式四和公式五表示。
公式四和公式五中,Δxk为k采样时刻车辆车体坐标系下的纵向位置变化量,Δyk为k采样时刻车辆车体坐标系下的横向位置变化量,uk为k采样时刻的纵向速度,Mk为k采样时刻的输出扭矩,reff为车轮接地有效半径,∑Ff为车辆所受总的行驶阻力,m为车辆总质量,vk为k采样时刻的横向速度,ay,k为步骤S1031获得的计算横向加速度,dt为采样时刻间隔。
S1033:根据某一采样时刻的实际位置、实际航向和计算位置变化数据,获得下一采样时刻对应的计算位置。
在本实施例中,步骤S1033执行过程可以采用公式六和公式七表示。
公式六和公式七中,为k+1采样时刻对应的全局坐标系下的纵向计算位置,为k+1采样时刻对应的全局坐标系下的横向计算位置,Xk和Yk为全局坐标系下k采样时刻的纵向实际位置和横向位置数据,Δxk为车辆车体坐标系下的纵向位置变化量,Δyk为车辆车体坐标系下的横向位置变化量,θk为k采样时刻的实际航向。
S1034:采用某一采样时刻的横摆角速度、计算横摆角加速度和采样时刻间隔,获得计算角度变化数据。
本实施例中,步骤S1034可以采用公式八表示。
S1035:根据某一采样时刻的实际航向和计算角度变化数据,获得计算航向。
本实施例中,步骤S1035可以采用公式九表示。
S104:根据下一采样时刻的实际位置和计算位置获得对应于一采样时刻的位置偏差,以及根据下一采样时刻的实际航向获得对应于一采样时刻的航向偏差。
本实施例中,位置偏差和航向偏差可以采用公式十表示。
公式十中,ΔXk为k采样时刻对应的全局坐标系X方向位置偏差,Xk+1为k+1采样时刻的实际全局坐标系X方向位置数据,ΔYk为一采样时刻的全局坐标系Y方向位置偏差,Yk+1为k+1采样时刻的实际全局坐标系Y方向位置数据,Δθk为k+1采样时刻对应的航向偏差,θk+1为k+1采样时刻的实际航向。
此处对步骤S103和S104的作用做分析。如前文所述,步骤S102中获得的二自由度单轨动力学模型仅是一简化模型,构建的此模型没有考虑许多影响车辆运动特性的因素对车辆实际运行特性的影响,诸如转向机构运动特性、车辆减振机构特性、车辆悬架的特性、轮胎本身特性的影响;而前述因素实影响了从一采样时刻到下一采样时刻车辆运动特性(此处考虑车辆位置和车辆航向)的变化。
而因为二自由度单轨动力学模型并没有体现(或者没有较为准确点地体现)前述影响因素,所以利用车辆某一采样时刻的实际特征数据和二自由度单轨动力学模型计算得到的计算位置和计算航向也没有表征前述影响因素产生的计算结果。
相应的,步骤S104中求得的位置偏差和航向偏差则表示了前述影响因素对车辆位置和航向变化的影响。
S105:根据各个采样时刻的控制参量和/或实际状态,以及对应位置偏差和航向偏差构建误差补偿模型。
如步骤S104中所述,因为无法直接获得诸如转向机构等直接影响车辆动态特性的参数,所以步骤S105并不是采用物理模型模拟的方法获得误差补偿模型,而是基于大量采样时刻的控制参量和/或实际状态,以及对应的位置偏差和航向偏差,采用数学拟合的方法建立各个采样时刻的控制参量和/或实际状态,与对应的位置偏差和航向偏差的关系,以构建出误差补偿模型。
从另一角度考虑,误差补偿模型是表示在各种控制参量和/或实际状态情况下,诸如转向机构等对车辆位置变化和航向变化综合影响的统计模型。
本实施例中,步骤S105可以采用分类方法或者回归方法构建误差补偿模型。分类方法诸如K-means聚类、高斯混合模型等方法,回归方法包括高斯过程回归方法。
因为相关的分类方法已经是统计数据处理领域的常用技术,所以本说明书并不对各个方法利用相应数据处理的过程进行分析,以下仅就采用K-means聚类方法,构建误差补偿模型做一简单介绍。
采用K-means距离方法构建误差步骤模型包括步骤S1051-S1054。下文中,为了简化描述,各个采样时刻的控制参量和/或实际状态,以及与对应的位置偏差和航向偏差作为一个样本数据表示,各个样本数据组成数据集。
S1051:对数据集中按照控制参量和实际状态进行分类。
在一个具体实施例中,可以按照纵向速度和转向角大小对数据集中的样本数据分类。
S1052:确定各个分类的聚类中心点,并计算每个样本数据到聚类中心点的距离,确定每一个样本所述的类别。
步骤S1052执行完成后,获得一聚类结果。
S1053:采用S1052的聚类结果更新聚类中心点,指示聚类结果收敛,各个聚类中心点不变。
S1054:根据聚类结果中每一类中的样本数据,计算该类状态对应的偏差平均值,获得各个类的状态偏差平均值,以构建出各个控制参量和/或实际状态对应的状态偏差平均值,并得到误差补偿模型。
后续使用中,根据车辆的控制层04按照控制参量和/或实际状态,可以通过查找误差补偿模型中的数据,快速的确定对应的状态误差平均值,作为对应的状态偏差值。
S106:组合所述二自由度单轨动力学模型和所述误差补偿模型,构建得到无人驾驶车辆的运动特性模型。
在步骤S102中得到的二自由度单轨动力学模型为简化的车辆运动特性模型,误差补偿模型是在简化的二自由度单轨动力学模型基础上体现其他被简化因素对车辆运动特性影响的模型,将两个模型组合在一起即可以作为更为准确地表征无人驾驶车辆运动特性的模型。
综合前文描述的步骤,本实施例的运动特征模型构建方法构建的运动特征模型,包括在简化的二自由度单轨动力学模型的基础上,利用统计方法获得了综合表征简化因素的误差补偿模型,此方法构建的运动特征模型相比于二自由度单轨动力学模型等简化的物理模型精度提高。
在前期采样数据量足够大,并且具有足够代表性的前提下,误差补偿模型和二自由度单轨动力学模型配合,使得最终的运动特征模型能够达到满足实际应用需求的精度。因为误差补偿模型采用统计方法获得,其直接表示控制参量和/实际特征参数,与表征各种简化因素综合影响的误差数据的关系,所以相比于综合各种影响因素参数的复杂物理仿真模型,本实施例构建的运动特征模型在实际应用是的运算量小,更易满足计算实时性的要求。
此外,因为本实施例提供的运动特征模型中的二自由度单轨动力学模型和误差补偿模型均无需获取诸如一些影响因素的特性参数,所以即使因为车辆使用或者改装而造成前述影响因素变化时,仍然可以利用前述方法构建出运动特征模型(此时,需要保证无人驾驶车辆配备相应的惯性测量元件、定位元件或者数据处理单元)。
图4是实施例提供的确定无人驾驶车辆的控制参量的方法的流程图。如图4所示,确定无人驾驶车辆的控制参量的方法包括步骤S201-S204。
S201:获取无人驾驶车辆的当前特征数据。
无人驾驶车辆的当前特征数据包括当前位置、当前航向和当前状态。其中当前状态至少包括纵向速度、横向速度和横摆角速度。
S202:根据当前位置选择参考点,构建参考点序列。
如前文所述,无人驾驶车辆的规划层03根据定位层01和感知层02确定的定位数据、运动状态数据和环境特征数据,规划无人驾驶车辆的期望路径,其中期望路径由参考点构成,每个参考点均包括期望位置、期望航向和期望速度。
步骤S202中,无人驾驶车辆在期望路径中选择距离当前位置最近的路径点作为车辆当前位置对应的参考点。应当注意,此路径点应当位于车辆还未经过的路径上。
随后,以对应当前位置的参考点为起点,选择在期望路径上的多个路径点,与对应当前位置的参考点组成参考点序列。
在一些应用中,规划层03可能根据预设的间距设定期望路径上的路径点,而在车辆处在不同速度时,车辆在单位时间内经过的路径点的数量不同,需要选择的参考点也就不同。
因此,在一些实施例中,在选择参考点序列时,还考虑车辆的期望速度。即选择参考点的方式如下。
(1)在期望路径中选择距离当前位置最近的路径点作为车辆当前位置对应的参考点。
(2)根据车辆中惯性测量元件等的采样周期和期望速度计算一移动距离,根据移动距离和上一个参考点的位置确定计算位置。
(3)根据计算位置选择参考路径上距离计算位置最近的路径点作为一最新参考点。
(4)继续执行前述(2)-(3),直至参考点中的参考点数量达到预设数量(也就是参考点数量达到预测时域和惯性测量元件采样周期之比)。
S203:在满足约束条件的前提下,初始化并逐步调整达到各个参考点的控制参量,根据当前位置、当前航向和当前状态,采用前文方法确定的运动特征模型,获得参考点序列中各个参考点对应的计算位置和计算航向,以及,各个参考点对应的计算状态,直至代价函数的计算值最小。
为了解释和理解的方便,本实施例采用[z0,z1,z2,......,zk]表示参考点序列,采用[m0,m1,m2,......,mk-1]表示使得车辆到达对应参考点的控制参量序列,采用x0表示当前位置的当前位置和当前导航数据,采用xi表示第i个参考点对应的计算位置和计算导航数据,形成[x1,x2,......,xk],采用y0表示当前状态,采用yi表示第i个参考点对应的计算状态,形成[y1,y2,......,yk]。步骤S203可以包括步骤S2031-S2033。
S2031:调整控制参量序列[m0,m1,m2,......,mk-1]中的各个控制参量。
如前文所述,每个控制参量均包括转向角和输出扭矩。初始化各个控制参量,是分别为各个控制参量赋予一个随机值。根据实际条件限制,各个控制参量的赋值均应当满足约束性条件,如公式十一。
mmin≤mi≤mmax 公式十一
公式十一中,mmin为控制参量的最小区间,其可以理解为输出扭矩为0并且转向角为可能的任意值;mi为控制参量序列[m0,m1,m2,......,mk-1]的第i个控制参量,mmax无人驾驶车辆能够运行时,输出扭矩和转向角中至少之一达到极限值时的组合。
S2032:以x0和y0以及m0作为输入,采用前文实施例得到的运行状态模型计算得到x1,,以及采用公式十二至公式十四计算y1;并采用计算x1和y1的方法计算x2至xk以及y2至yk。
公式十二至公式十四中,为k+1时刻的计算纵向速度,uk为k时刻的纵向速度(或者计算纵向速度),Mk为k时刻的输出扭矩,reff为车轮接地有效半径;∑Ff为车辆所受总的行驶阻力;m为车辆总质量,为k+1时刻的横向速度(或者横向计算速度),vk为k时刻的横向速度(或计算横向速度),ay,k为采用k时刻数据根据二自由度单体动力学模型计算的横向加速度,为k+1时刻的横摆角速度,ωr,k为k时刻的计算横摆角速度,为采用k时刻数据根据二自由度单轨动力学模型计算的横摆角加速度。
应当注意,S2032中得到的x1至xk应当满足公式十五。
xmin≤xi≤xmax 公式十五
公式十五中,xmin和xmax分别为的计算位置和计算导航数据组合的下限值和上限值。
S2033:判断代价函数是否达到最小值;如果否,继续执行步骤S2031和S2032,;如果是,确定当前的[m0,m1,m2,......,mk-1]作为确定的控制参量序列。
因为评价代价函数是否达到最小值的数学算法已经是本领域的常规技术手段,因此本说明书实施例对此不再展开描述;相关内容可以参见已有技术文献或者计算软件。以下,仅对本说明书实施例可能采用的代价函数做一说明。
在本说明书的一个实施例中,代价函数包括位置偏差项和航向偏差项,位置偏差项根据各个参考点的期望位置和对应的计算位置得到,航向偏差项根据各个参考点的期望航向和对应的计算航向得到。在此实施例具体应用中,代价函数可以为(此公式仅用于表示代价函数的大致计算方法,没有再展开至包括位置偏差项和航向偏差项)。
在本说明书的另外一个实施例中,代价函数还可以包括部分状态偏差项,诸如速度偏差项。其中,速度偏差项根据各个参考点的期望速度数据和对应的计算速度得到,各个参考点的计算速度根据对应的计算纵向速度和计算横向速度得到,或者根据计算纵向速度得到。
在本说明书的其他实施例中,代价函数除了包括前述的位置偏差项、航向偏差项和部分状态偏差项外,还可以包括控制参量项和控制参量变化项;控制参量项根据各个参考点对应的转向角和输出扭矩得到;控制参量变化项根据相邻参考点的转向角差值和输出扭矩差值得到。在一个具体应用中,控制参量项可以采用表示,控制参量变化项可以采用表示。
前文中提及的w7、w8和w9均为各个代价函数项对应的权重系数,可以根据经验或者调试得到;当然,在一些应用中,代价函数还可以包括其他一些本领域技术人员根据实际情况和经验设定的参量项。
S204:至少选择当前位置对应的控制参量,作为控制无人驾驶车辆运行的实际控制参量。在一个实施例中,直接将[m0,m1,m2,......,mk-1]中的m0作为控制无人驾驶车辆运行的实际控制参量。并在下一个周期重复前述的步骤S201-S204,重新计算下个周期的实际控制参量。
在另外一个实施例中,可以选择[m0,m1,m2,......,mk-1]中在前的多个控制参量作为无人驾驶车辆运行的实际控制参量。并在根据前述控制参量完成控制后,重复步骤S201-S204,重新计算实际控制参量。
本说明书实施例提供的确定无人驾驶车辆的控制参量的方法,基于前述实施例生成的车辆运行状态模型,因此此方法具有计算精度较高并且计算实时性好的优点。
除了提供前述的构建无人驾驶车辆运动特性模型的方法和确定无人驾驶车辆控制参量的方法外,本说明书还提供一种构建无人驾驶车辆运动特性模型的装置和确定无人驾驶车辆控制参量的装置。因为两个装置和前述的两个方法采用同样的发明构思,所以下文仅就两个装置的组成单元做介绍,相应的技术效果参见前文。
图5是实施例提供的构建无人驾驶车辆运动特性模型的装置的示意图。如图5所示,装置包括样本数据获取单元11、二自由度单轨动力学模型构建单元12、计算数据获取单元13、差值计算单元14、补偿模型构建单元15和运动特性模型构建单元16。
样本数据获取单元11用于获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向;控制参量包括转向角和输出扭矩,实际状态包括纵向速度、横向速度、横向加速度、横摆角速度和横摆角加速度;
二自由度单轨动力学模型构建单元12用于采用各个采样时刻的实际状态和转向角,计算二自由度单轨动力学模型的参数,获得二自由度单轨动力学模型;
计算数据获取单元13用于采用二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向;
差值计算单元14用于根据下一采样时刻的实际位置和计算位置获得对应于一采样时刻的位置偏差,以及根据下一采样时刻的实际航向获得对应于一采样时刻的航向偏差;
补偿模型构建单元15用于根据各个采样时刻的至少一个控制参量和/或至少一个实际状态,以及对应的位置偏差和航向偏差构建误差补偿模型;
运动特性模型构建单元16用于组合二自由度单轨动力学模型和误差补偿模型,构建得到无人驾驶车辆的运动特性模型。
其中,计算数据获取单元13获取下一采样时刻对应的计算位置和计算航向可以包括:采用一采样时刻的转向角,实际状态中的横向速度、纵向速度和横摆角速度,以及二自由度单轨动力学模型,获得计算横向加速度和计算横摆角加速度;采样一采样时刻的纵向速度、输出扭矩、横向速度、计算横向加速度和采样时刻的间隔,获得计算位置变化数据;根据一采样时刻的实际位置、实际航向和计算位置变化数据,获得下一采样时刻对应的计算位置;以及,采用一采样时刻的横摆角速度、计算横摆角加速度和采样时刻间隔,获得计算角度变化数据;根据一采样时刻的实际航向和计算角度变化数据,获得计算航向。
补偿模型构建单元15可以采用K聚类算法、高斯混合模型算法或者高斯过程回归分析方法,根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型。
图6是实施例提供的确定无人驾驶车辆控制参量的装置的示意图。如图6所示,装置包括当前数据获取单元21,参考点获取单元22、控制参量求解单元23和控制参量选取单元24。
当前数据获取单元21用于获取无人驾驶车辆当前位置、当前航向和当前状态;当前状态包括纵向速度、横向速度和横摆角速度;
参考点获取单元22用于根据当前位置选择参考点序列;参考点序列中的各个参考点均包括期望位置和期望航向;
控制参量求解单元23用于在满足约束条件的情况下,初始化并调整到达各个参考点对应的控制参量,并根据当前位置、当前航向和当前状态,采用前文装置确定的运动特性模型,依次获取各个参考点对应的计算位置、计算航向和计算状态,直至代价函数的计算值最小。
其中:控制参量包括转向角和输出扭矩;计算状态包括纵向速度、横向速度和横摆角速度;约束条件包括控制参量约束条件、位置约束条件和航向角约束条件,代价函数包括位置偏差项和航向偏差项;位置偏差数据项根据各个参考点的期望位置和对应的计算位置得到;航向偏差项根据各个参考点的期望航向和对应的计算航向得到;
控制参量选取单元24用于选择对应参考序列中至少第一个参考点对应的控制参量,作为控制无人驾驶车辆运行的控制参量。
在本实施例一个具体应用中,参考点获取单元22根据当前位置和期望速度选择参考点,构建参考点序列。
在本实施例一个应用中,参考点序列中的各个参考点均还包括期望速度数据;代价函数还包括速度偏差项;速度偏差项根据各个参考点期望速度数据和对应的计算速度数据得到;各个参考点的计算速度根据对应的计算纵向速度和计算横向速度得到,或者根据计算纵向速度得到。
在本实施例另一应用中,代价函数还包括控制参量项和控制参量变化项;控制参量项根据各个参考点对应的转向角和输出扭矩得到;控制参量变化项根据相邻参考点的转向角差值和输出扭矩差值得到。
除了提供前述的方法和装置外,本说明书实施例还提供一种存储介质,存储介质中存储有实现前述构建无人驾驶车辆运动特性模型的方法或者确定无人驾驶车辆控制参量的方法的程序代码,前述程序代码在记载时,执行对应的构建无人驾驶车辆运动特性模型的方法或者确定无人驾驶车辆控制参量的方法。
本说明书实施例还提供一种电子设备。电子设备包括存储器和处理器,存储器存储有实现前述构建无人驾驶车辆运动特性模型的方法或者确定无人驾驶车辆控制参量的方法的程序代码,处理器在加载存储器中的代码后,执行对应的构建无人驾驶车辆运动特性模型的方法或者确定无人驾驶车辆控制参量的方法。
以上,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种构建无人驾驶车辆运动特性模型的方法,其特征在于,包括:
获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向;所述控制参量包括转向角和输出扭矩,所述实际状态包括纵向速度、横向速度、横向加速度、横摆角速度和横摆角加速度;
采用各个所述采样时刻的实际状态和转向角,计算二自由度单轨动力学模型的参数,获得二自由度单轨动力学模型;
采用所述二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向;
根据所述下一采样时刻的实际位置和计算位置获得对应于所述一采样时刻的位置偏差,以及根据所述下一采样时刻的实际航向和计算航向获得对应于所述一采样时刻的航向偏差;
根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型;
组合所述二自由度单轨动力学模型和所述误差补偿模型,构建得到无人驾驶车辆的运动特性模型。
2.根据权利要求1所述的方法,其特征在于,采用所述二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向,包括:
采用所述一采样时刻的转向角,实际状态中的横向速度、纵向速度和横摆角速度,以及所述二自由度单轨动力学模型,获得计算横向加速度和计算横摆角加速度;
采用所述一采样时刻的纵向速度、输出扭矩、横向速度、计算横向加速度和采样时刻的间隔,获得计算位置变化数据;
根据所述一采样时刻的实际位置、实际航向和所述计算位置变化数据,获得所述下一采样时刻对应的计算位置;以及,
采用所述一采样时刻的横摆角速度、计算横摆角加速度和采样时刻间隔,获得计算角度变化数据;
根据所述一采样时刻的实际航向和所述计算角度变化数据,获得所述计算航向。
3.根据权利要求1所述的方法,其特征在于,根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型,包括:
采用K聚类算法、高斯混合模型算法或者高斯过程回归分析方法,根据各个采样时刻的至少一个控制参量和/或实际状态中的至少一个数据,以及对应的位置偏差和航向偏差构建误差补偿模型。
4.根据权利要求1所述的方法,其特征在于,获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向,包括:
计算在各个转向角情况下,不发生侧翻的最大纵向安全速度;
使得车辆在转向角不变,并且车速低于最大纵向安全速度的情况下行驶,获得各个采样时刻的实际状态、实际位置和实际航向;和/或,
计算在各个行驶速度下对应的最大安全转向角;
使得车辆在速度不变,并且转向角在对应的最大安全转向角范围内变化的情况下行驶,获得各个采样时刻的实际状态、实际位置和实际航向;和/或,
在转向角和车速配合而不使得车辆发生侧翻的情况下,同时改变所述转向角和所述车速,获得各个采样时刻的实际状态、实际位置和实际航向。
5.一种确定无人驾驶车辆的控制参量的方法,其特征在于,包括:
获取无人驾驶车辆当前位置、当前航向和当前状态;所述当前状态包括纵向速度、横向速度和横摆角速度;
根据所述当前位置选择参考点,构建参考点序列;所述参考点序列中的各个参考点均包括期望位置和期望航向;
在满足约束条件的前提下,初始化并调整到达各个参考点对应的控制参量,根据当前位置、当前航向和当前状态,采用如权利要求1-4任一项所述方法确定的运动特性模型,依次获得各个参考点对应的计算位置和计算航向,以及获得各个参考点对应计算状态,直至代价函数的计算值最小;
其中:所述控制参量包括转向角和输出扭矩;所述计算状态包括纵向速度、横向速度和横摆角速度;所述约束条件包括控制参量约束条件、位置约束条件和航向角约束条件,所述代价函数包括位置偏差项和航向偏差项;所述位置偏差数据项根据各个参考点的期望位置和对应的计算位置得到;所述航向偏差项根据各个参考点的期望航向和对应的计算航向得到;
至少选择当前位置对应的控制参量,作为控制无人驾驶车辆运行的实际控制参量。
6.根据权利要求5所述的方法,其特征在于,
所述参考点序列中的各个参考点均还包括期望速度数据;所述代价函数还包括速度偏差项;
所述速度偏差项根据各个参考点期望速度数据和对应的计算速度数据得到;各个参考点的计算速度根据对应的计算纵向速度和计算横向速度得到,或者根据计算纵向速度得到。
7.根据权利要求5或6所述的方法,其特征在于,
所述代价函数还包括控制参量项和控制参量变化项;
所述控制参量项根据各个参考点对应的转向角和输出扭矩得到;所述控制参量变化项根据相邻参考点的转向角差值和输出扭矩差值得到。
8.根据权利要求5所述的方法,其特征在于,
根据所述当前位置选择参考点,具体为:根据所述当前位置和期望速度选择参考点。
9.一种构建无人驾驶车辆运动特性模型的装置,其特征在于,包括:
样本数据获取单元,用于获取无人驾驶车辆在至少一个控制参量变化的情况下,各个采样时刻的实际状态、实际位置和实际航向;所述控制参量包括转向角和输出扭矩,所述实际状态包括纵向速度、横向速度、横向加速度、横摆角速度和横摆角加速度;
二自由度单轨动力学模型构建单元,用于采用各个所述采样时刻的实际状态和转向角,计算二自由度单轨动力学模型的参数,获得二自由度单轨动力学模型;
计算数据获取单元,用于采用所述二自由度单轨动力学模型,以及一采样时刻的输出扭矩、实际状态、实际位置和实际航向,获得下一采样时刻对应的计算位置和计算航向;
差值计算单元,用于根据所述下一采样时刻的实际位置和计算位置获得对应于所述一采样时刻的位置偏差,以及根据所述下一采样时刻的实际航向获得对应于所述一采样时刻的航向偏差;
补偿模型构建单元,用于根据各个采样时刻的至少一个控制参量和/或至少一个实际状态,以及对应的位置偏差和航向偏差构建误差补偿模型;
运动特性模型构建单元,用于组合所述二自由度单轨动力学模型和所述误差补偿模型,构建得到无人驾驶车辆的运动特性模型。
10.一种确定无人驾驶车辆的控制参量的装置,其特征在于,包括:
当前数据获取单元,用于获取无人驾驶车辆当前位置、当前航向和当前状态;所述当前状态包括纵向速度、横向速度和横摆角速度;
参考点获取单元,用于根据所述当前位置选择参考点,构建参考点序列;所述参考点序列中的各个参考点均包括期望位置和期望航向;
控制参量求解单元,用于在满足约束条件的情况下,初始化并调整到达各个参考点对应的控制参量,并根据当前位置、当前航向和当前状态,采用如权利要求9所述装置确定的运动特性模型,依次获取各个参考点对应的计算位置、计算航向和计算状态,直至代价函数的计算值最小;
其中:所述控制参量包括转向角和输出扭矩;所述计算状态包括纵向速度、横向速度和横摆角速度;所述约束条件包括控制参量约束条件、位置约束条件和航向角约束条件,所述代价函数包括位置偏差项和航向偏差项;所述位置偏差数据项根据各个参考点的期望位置和对应的计算位置得到;所述航向偏差项根据各个参考点的期望航向和对应的计算航向得到;
控制参量选取单元,用于选择对应所述参考序列中至少第一个参考点对应的控制参量,作为控制无人驾驶车辆运行的控制参量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105306.9A CN111267867B (zh) | 2020-02-20 | 2020-02-20 | 构建无人驾驶车辆运动特性模型的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010105306.9A CN111267867B (zh) | 2020-02-20 | 2020-02-20 | 构建无人驾驶车辆运动特性模型的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111267867A true CN111267867A (zh) | 2020-06-12 |
CN111267867B CN111267867B (zh) | 2021-08-10 |
Family
ID=70992935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010105306.9A Active CN111267867B (zh) | 2020-02-20 | 2020-02-20 | 构建无人驾驶车辆运动特性模型的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111267867B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198875A (zh) * | 2020-09-25 | 2021-01-08 | 北京慧拓无限科技有限公司 | 一种防止道路碾压车辙的无人驾驶矿车控制方法 |
CN112572473A (zh) * | 2020-12-09 | 2021-03-30 | 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 |
CN113591278A (zh) * | 2021-07-13 | 2021-11-02 | 清华大学 | 车辆参数辨识方法、装置、计算机设备和存储介质 |
CN116824113A (zh) * | 2023-08-29 | 2023-09-29 | 四川普鑫物流自动化设备工程有限公司 | 一种四向车防侧翻调度方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017204043A1 (ja) * | 2016-05-23 | 2017-11-30 | Ntn株式会社 | 車両の旋回制御装置 |
CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
CN108710294A (zh) * | 2018-04-13 | 2018-10-26 | 四川木牛流马智能科技有限公司 | 一种无人车路径跟踪前馈控制方法 |
CN109606352A (zh) * | 2018-11-22 | 2019-04-12 | 江苏大学 | 一种车辆路径跟踪与稳定性协调控制方法 |
CN109976159A (zh) * | 2019-04-09 | 2019-07-05 | 台州学院 | 基于安全可控域的智能车辆横向控制方法 |
CN110209177A (zh) * | 2019-07-02 | 2019-09-06 | 天津大学 | 基于模型预测和自抗扰的无人驾驶汽车控制***及方法 |
-
2020
- 2020-02-20 CN CN202010105306.9A patent/CN111267867B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017204043A1 (ja) * | 2016-05-23 | 2017-11-30 | Ntn株式会社 | 車両の旋回制御装置 |
CN107561942A (zh) * | 2017-09-12 | 2018-01-09 | 重庆邮电大学 | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 |
CN108710294A (zh) * | 2018-04-13 | 2018-10-26 | 四川木牛流马智能科技有限公司 | 一种无人车路径跟踪前馈控制方法 |
CN109606352A (zh) * | 2018-11-22 | 2019-04-12 | 江苏大学 | 一种车辆路径跟踪与稳定性协调控制方法 |
CN109976159A (zh) * | 2019-04-09 | 2019-07-05 | 台州学院 | 基于安全可控域的智能车辆横向控制方法 |
CN110209177A (zh) * | 2019-07-02 | 2019-09-06 | 天津大学 | 基于模型预测和自抗扰的无人驾驶汽车控制***及方法 |
Non-Patent Citations (1)
Title |
---|
李培新 等: "基于跟踪误差模型的无人驾驶车辆预测控制方法", 《农业机械学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112198875A (zh) * | 2020-09-25 | 2021-01-08 | 北京慧拓无限科技有限公司 | 一种防止道路碾压车辙的无人驾驶矿车控制方法 |
CN112198875B (zh) * | 2020-09-25 | 2024-06-04 | 中科慧拓(北京)科技有限公司 | 一种防止道路碾压车辙的无人驾驶矿车控制方法 |
CN112572473A (zh) * | 2020-12-09 | 2021-03-30 | 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 |
CN113591278A (zh) * | 2021-07-13 | 2021-11-02 | 清华大学 | 车辆参数辨识方法、装置、计算机设备和存储介质 |
CN113591278B (zh) * | 2021-07-13 | 2024-04-19 | 清华大学 | 车辆参数辨识方法、装置、计算机设备和存储介质 |
CN116824113A (zh) * | 2023-08-29 | 2023-09-29 | 四川普鑫物流自动化设备工程有限公司 | 一种四向车防侧翻调度方法及装置 |
CN116824113B (zh) * | 2023-08-29 | 2023-12-01 | 四川普鑫物流自动化设备工程有限公司 | 一种四向车防侧翻调度方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111267867B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111267867B (zh) | 构建无人驾驶车辆运动特性模型的方法和装置 | |
CN109597308A (zh) | 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 | |
CN109131351B (zh) | 基于随机时滞的车辆稳定性评价方法 | |
Fernández et al. | Coevolutionary optimization of a fuzzy logic controller for antilock braking systems under changing road conditions | |
CN113408047B (zh) | 一种基于时滞反馈神经网络的车辆动力学预测模型、及训练数据获取方法、训练方法 | |
Lu et al. | Performance benchmark of state-of-the-art lateral path-following controllers | |
CN111665738A (zh) | 在环仿真***及其中的信息处理方法及装置 | |
CN110509916A (zh) | 一种基于深度神经网络的车身姿态稳定方法和*** | |
Widner et al. | Framework for vehicle dynamics model validation | |
CN113283460A (zh) | 机器学习***和用于操作该***以便确定时间序列的方法 | |
CN117389276B (zh) | 一种基于行驶风险预测的无人车行驶路径跟踪控制方法 | |
CN111257853A (zh) | 一种基于imu预积分的自动驾驶***激光雷达在线标定方法 | |
Sharp | A method for predicting minimum-time capability of a motorcycle on a racing circuit | |
Unjhawala et al. | An expeditious and expressive vehicle dynamics model for applications in controls and reinforcement learning | |
Wang et al. | Application of stochastic model predictive control to modeling driver steering skills | |
Vandi et al. | Vehicle dynamics modeling for real-time simulation | |
Da Lio et al. | Robust and sample-efficient estimation of vehicle lateral velocity using neural networks with explainable structure informed by kinematic principles | |
Shetty | Development of a Digital Twin of a Toyota Prius Mk4 | |
Pastorino et al. | Validation of a multibody model for an X-by-wire vehicle prototype through field testing | |
Widner et al. | Validation of a two-wheel vehicle model using genetic algorithm | |
Das | Vehicle Dynamics Modelling: Lateral and Longitudinal | |
Cao et al. | Vehicle longitudinal and lateral dynamics modeling by deep neural network | |
CN115563694B (zh) | 一种基于预测时域内误差的车辆动力学模型精度评价方法 | |
Picotti | Learning-based Model Predictive Control for Automotive Applications | |
CN112632707B (zh) | 一种基于ann算法的工况融合路感模拟方法 |
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 |