CN112874504A - 一种可拓熵权联合控制器控制方法及其赛车的控制方法 - Google Patents

Abstract

本发明公开了一种可拓熵权联合控制器控制方法及其赛车的控制方法。可拓熵权联合控制器控制方法选取无人驾驶方程式赛车的赛车前轮转角、赛车纵向速度作为特征量，计算每个特征量在赛车行驶时的节域、特征量的稳定域；根据特征量计算实时信息熵；根据信息熵计算出各特征量的权值；依据特征量的稳定域计算出特征量与稳定域之间的关联度；根据关联度、权值确定所述赛车的转角控制输出和制动控制输出。本发明通过可拓熵权联合控制器对转向与制动进行联合控制，大大降低转向控制***和制动***之间由于存在耦合关系造成的干扰，减少赛车因速度过快或转向实时性不足带来的偏离赛道的风险，提高赛车的整体性能，降低控制成本。

Description

一种可拓熵权联合控制器控制方法及其赛车的控制方法

本申请是申请号为CN202010024663.2，申请日为2020/01/10，且发明名称为一种无人驾驶方程式赛车转向与制动协调控制方法及***的分案申请。

技术领域

本发明涉及无人驾驶领域中的一种无人驾驶方程式赛车的控制方法，尤其涉及一种无人驾驶方程式赛车的可拓熵权联合控制器控制方法、及采用所述可拓熵权联合控制器控制方法的无人驾驶方程式赛车转向与制动协调控制方法。

背景技术

中国大学生无人驾驶方程式大赛是由中国汽车工程学会主办，由各高校汽车相关专业的在校大学生组队参加的汽车设计与制造类比赛。随着大赛的发展，赛车在特定赛道中的行驶速度越来越快。

现阶段的国内无人驾驶方程式赛车过弯时多采用单独的转向或制动控制，从而达到弯角处大幅减速顺利过弯，或直接采用慢速恒速控制，以保证赛车过弯时不偏离赛道，但这两种方法都将大大增加单圈时长。类似于普通家用轿车，赛车过弯时，转向和制动***存在一定的耦合关系，且非线性性较强，如在过弯时单独采用转向或制动控制，赛车的横向稳定性有待于提高，可能导致赛车撞倒桩桶或偏离赛道。

发明内容

为减少赛车因速度过快或转向实时性不足带来的偏离赛道的风险，同时解决基于转向及制动的无人驾驶方程式赛车横向稳定性控制问题，克服车辆转向、制动动力学的耦合作用，提高赛车的整体性能，降低控制成本，本发明提供一种无人驾驶方程式赛车的可拓熵权联合控制器控制方法、及采用所述可拓熵权联合控制器控制方法的无人驾驶方程式赛车转向与制动协调控制方法。

本发明采用以下技术方案实现：一种无人驾驶方程式赛车的可拓熵权联合控制器控制方法，其包括以下步骤：

一、选取无人驾驶方程式赛车的赛车前轮转角δ_f及无人驾驶方程式赛车的赛车纵向速度u作为特征量，计算每个特征量在所述赛车行驶时的节域P、特征量的稳定域J；

节域P为

特征量的稳定域J为

其中，δ_f表征所述赛车的转向控制特性；u表征所述赛车的制动控制特性；δ_f1为所述赛车的最大前轮转角，δ_f2为保证所述赛车正常行驶的最大前轮转角，u₁为所述赛车的最大纵向速度，u₂为保证所述赛车正常行驶的最大纵向速度；

二、定义D(δ_f,u)为某一时刻所述赛车的特征状态，并做标准化处理，得到标准化之后的特征量D(δ′_f,u′)：

D(δ′_f,u′)＝(D(δ_f,u)-D_min(δ_f,u))/(D_max(δ_f,u)-D_min(δ_f,u))

其中，D_min(δ_f,u)和D_max(δ_f,u)由节域P得到；

三、根据所述特征量计算实时信息熵E(δ_f,u)，所述实时信息熵E(δ_f,u)的计算方法包括以下步骤：

计算特征量和稳定域之间的可拓距L(δ_f,u)：

根据可拓距L(δ_f,u)、标准化之后的特征量D(δ′_f,u′)计算信息熵E(δ_f,u)：

I表述特征量的个数，n为正整数；

四、根据信息熵E(δ_f,u)计算出各特征量的权值W(δ_f,u)：

K表示第K个特征量；

五、依据所述特征量的稳定域J计算出所述特征量与所述稳定域之间的关联度K(D)；

六、根据关联度K(D)确定所述赛车的转角控制输出和制动控制输出：

当K(D)≥0时，所述赛车特征状态处于稳定域内，所述纵向速度较小，无需采用制动动作即可顺利过弯，转角控制输出为

δ_f ^*为理想前轮转角；

当-1≤K(D)≤0时，所述赛车特征状态处于可拓域内，所述纵向速度较大，通过转向控制和制动控制的联合控制，转角控制输出为

制动控制输出为Y(u)＝-W(u)K(D)u^*，u^*为理想的纵向速度，W(δ_f)为W(δ_f,u)在u＝0时的特征量的权值，W(u)为W(δ_f,u)在δ_f＝0时的特征量的权值；

当K(D)＜-1时，所述纵向速度过快，大幅度降低车速后再基于上层指令进行转向操作，制动控制输出为Y(u)＝-W(u)K(D)u^*。

作为上述方案的进一步改进，通过环境感知***感知周边赛道并规划出所述赛车理想行驶轨迹，并基于轨迹跟踪算法根据所述赛车前轮转角δ_f及所述赛车纵向速度u计算出理想前轮转角δ_f ^*和理想的纵向速度u^*。

本发明还提供一种无人驾驶方程式赛车转向与制动协调控制方法，其采用上述任意无人驾驶方程式赛车的可拓熵权联合控制器控制方法。

作为上述方案的进一步改进，所述无人驾驶方程式赛车转向与制动协调控制方法还包括：

基于增量式PID的转向控制***的控制方法：获取实际方向盘转角，计算出所述转向控制***的转向驱动器转动到使实际方向盘转角和理想方向盘转角相一致时所需的PWM脉冲个数，设定2°为理想方向盘转角和实际方向盘转角之间的阈值，当理想方向盘转角和实际方向盘转角之差超过±2°时才进行增量式PID控制；其中，理想方向盘转角根据所述理想前轮转角δ_f ^*和所述转向控制***的传动比计算得出。

进一步地，所述实际方向盘转角的获取方法为：

采用PWM占空比信号控制所述赛车的转向驱动器的转速，转向驱动器转动带动所述赛车的转向柱和前轮转动，通过位于所述转向柱上的方向盘转角传感器实时读取方向盘转角。

再进一步地，所述转向驱动器为36V电源供电的时代超群伺服电机，其额定扭矩为1.27N·m，搭配减速比为1:24的减速器。

再进一步地，所述PWM脉冲个数的具体计算方法为：

CI＝K_p(e(k)-e(k-1))+K_ie(k)+K_d(e(k)-2e(k-1)+e(k-2))

其中，e(k)＝Y(δ)-δ_f为本次误差值；

e(k)-e(k-1)为本次误差与上次误差的差值；

e(k-1)-e(k-2)为上次误差与上上次误差的差值；

k为转向控制***控制方向盘从实际方向盘转角转动到理想方向盘转角的控制次数。

优选地，对于某一时刻的PWM脉冲个数计算，有

其中：取K_p＝1,K_i＝0,K_d＝0.01。

作为上述方案的进一步改进，所述无人驾驶方程式赛车转向与制动协调控制方法还包括：

基于自适应模糊神经网络的制动控制***的控制方法：

将输入信号模糊化：其中输入信号为赛车纵向速度误差e_u和加速度误差e_a，网络节点数为2；对每个节点运用钟形函数计算其隶属度为：

式中，x为节点i的输入，i＝1，2；j＝1，2；{a_i，b_i，c_i}是前件参数集，前件参数的改变将影响隶属度函数的具体形状；

定义：

e_u＝Y(u)-u

计算每个节点的激励强度：将两个输入信号相乘，其乘积的输出为：

G_i为第i个节点的输出，每个节点的输出代表一条规则的激励强度；

计算节点的归一化激励强度：其表达式为：

计算每个节点输出：

式中，f_i＝p_ie_a+q_ie_u+r_i，{p_i，q_i，r_i}为该节点的参数集，其中的参数称为后件参数；

计算所有输入信号的和，获得制动油压：

进一步地，所述前件参数和后件参数采用反向传播方法与最小二乘法相结合的混合学习算法进行调节。

本发明还公开了一种无人驾驶方程式赛车转向制动协调控制***，包括可拓熵权联合控制器、基于增量式PID的转向控制***以及基于自适应模糊神经网络的制动控制***，所述可拓熵权联合控制器、基于增量式PID的转向控制***以及基于自适应模糊神经网络的制动控制***通过上述任一种无人驾驶方程式赛车转向与制动协调控制方法进行控制。

本发明针对无人驾驶方程式赛车的转向与制动协调控制***，通过可拓熵权联合控制器对转向与制动进行联合控制，大大降低转向控制***和制动***之间由于存在耦合关系造成的干扰，减少赛车因速度过快或转向实时性不足带来的偏离赛道的风险，提高赛车的整体性能，降低控制成本。

附图说明

图1为本发明一种无人驾驶方程式赛车转向与制动协调控制方法的流程图；

图2为本发明一种无人驾驶方程式赛车转向与制动协调控制方法的转向控制***原理图；

图3为本发明一种无人驾驶方程式赛车转向与制动协调控制方法的制动控制***原理图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明的一种无人驾驶方程式赛车转向制动协调控制***，其包括可拓熵权联合控制器、基于增量式PID的转向控制***以及基于自适应模糊神经网络的制动控制***。

本发明中还公开了无人驾驶方程式赛车转向与制动协调控制方法，具体的控制方法如下：

1.无人驾驶方程式赛车的环境感知***通过感知周边赛道规划出赛车理想行驶轨迹，基于轨迹跟踪算法根据所述赛车前轮转角δ_f及所述赛车纵向速度u计算出理想前轮转角δ_f ^*和理想的纵向速度u^*。

2.可拓熵权联合控制器的控制方法。

具体的请参照图1，可拓熵权联合控制器选取赛车前轮转角δ_f及赛车纵向速度u作为特征量，前轮转角δ_f表征赛车的转向控制特性；纵向速度u表征赛车的制动控制特性。

确定每个特征量在赛车行驶时的取值范围，该范围即为特征量的节域，用P表示。则

特征量的稳定域J为

可拓域E为

其中，δ_f1为所述赛车的最大前轮转角，δ_f2为保证所述赛车正常行驶的最大前轮转角，u₁为所述赛车的最大纵向速度，u₂为保证所述赛车正常行驶的最大纵向速度。考虑无人驾驶方程式赛车的转向及速度特性，取δ_f1＝30°，δ_f2＝18°，u₁＝25km/h，u₂＝15km/h。

定义D(δ_f,u)表示某一时刻赛车的特征状态，并对特征量做标准化处理，得到标准化之后的特征量D(δ′_f,u′)，标准化公式为

D(δ′_f,u′)＝(D(δ_f,u)-D_min(δ_f,u))/(D_max(δ_f,u)-D_min(δ_f,u))

其中D_min(δ_f,u)和D_max(δ_f,u)可由节域P得到。

由下式计算特征量和稳定域之间的可拓距L(δ_f,u)。

计算实时信息熵

其中，

I表述特征量的个数，n为正整数。

通过上述所求得的信息熵计算各特征量的权值W(δ_f,u)：

其中，K表示第K个特征量。

为了计算特征量与稳定域之间的关联度，定义以下关联函数

当K(D)≥0时，赛车特征状态处于稳定域内，此时赛车纵向速度较小，无需采用制动动作即可顺利过弯，底层转向执行机构严格跟踪上层发来的目标转角，底层输出转角值

当-1≤K(D)≤0时，赛车特征状态处于可拓域内，此时赛车纵向速度较大，需采用基于转向控制和制动控制的联合控制策略，目的是保持赛车横向稳定避免赛车偏离赛道的同时缩短过弯时长。考虑上述的特征量权值，转角控制输出为

制动控制输出为Y(u)＝-W(u)K(D)u^*。可拓域是需要进行输出转向和制动协调控制的域。

当K(D)＜-1时，此时纵向速度过快，需单独大幅度降低车速后再基于上层指令进行转向操作，制动控制输出为Y(u)＝-W(u)K(D)u^*。

3.基于增量式PID的转向控制***的控制方法：使用增量式PID算法对赛车转向控制***进行控制，增量式PID算法对理想转角和实际转角之间的差值进行控制，算法过程无需累加，当前差值的大小只与最近三次的差值有密切关联。

赛车使用36V电源供电的时代超群伺服电机作为转向控制***驱动器，其额定扭矩为1.27N·m，搭配减速比为1:24的减速器。采用PWM占空比信号控制电机转速，电机转动带动转向柱和前轮转动，位于转向柱上方的方向盘转角传感器可实时读取方向盘转角。理想方向盘转角可由理想前轮转角和转向控制***传动比计算得到，为了让电机在目标位置停下，使用增量式PID算法计算出控制电机转动到使实际方向盘转角和理想方向盘转角相一致时的PWM脉冲个数。

设定2°为理想方向盘转角和实际方向盘转角之间的阈值，即两者之差超过±2°时才进行增量式PID控制。假如实际方向盘转角为5°，理想方向盘转角为10°，用PID算法计算出理论上需要1000个PWM波才能使方向盘从5°转动到10°，下一步用PWM波驱动伺服电机转动。但是由于算法误差，可能1000个PWM波实际上让方向盘转动到实际方向盘转角是8°的位置，由于设定的两者之差超过±2°时才进行增量式PID控制，所以实际方向盘转角是8°时也默认控制结束。

其中PWM脉冲个数为：

CI＝K_p(e(k)-e(k-1))+K_ie(k)+K_d(e(k)-2e(k-1)+e(k-2))

其中，e(k)＝Y(δ)-δ_f为本次误差值；

e(k)-e(k-1)为本次误差与上次误差的差值；

e(k-1)-e(k-2)为上次误差与上上次误差的差值；

k为转向控制***控制方向盘从实际方向盘转角转动到理想方向盘转角的控制次数。

对于某一时刻的PWM脉冲个数计算，有

经过多次实车试验，取K_p＝1,K_i＝0,K_d＝0.01时，控制效果较为理想。

4.基于自适应模糊神经网络的制动控制***的控制方法：自适应模糊神经网络***也称为基于网络的自适应模糊***，简称ANFIS，1993年由学者Jang Roger提出。它融合了神经网络的学习机制和模糊***的语言推理能力等优点，弥补各自不足，属于神经模糊***的一种。同其他神经模糊***相比，ANFIS具有便捷高效的特点，因而已在多个领域得到了成功应用。

针对赛车制动控制***的模糊神经网络的控制有五个层次进行控制：

第一层为模糊化层，负责输入信号的模糊化。其中输入信号为赛车纵向速度误差e_u和加速度误差e_a，网络节点数为2。对每个节点运用钟形函数计算其隶属度如下：

式中，x为节点i(i＝1，2)的输入；j＝1，2；{a_i，b_i，c_i}是前件参数集，前件参数的改变将影响隶属度函数的具体形状，隶属函数还可以是其他合适的参数化的函数。

定义：

e_u＝Y(u)-u

第二层为规则层，该层用来计算每条规则的激励强度，将两个输入信号相乘，其乘积的输出为

G_i为第i个节点的输出，每个节点的输出代表一条规则的适应度。

第三层为归一化层，该层用来计算规则的归一化激励强度，即第i条规则的归一化可信度。

第四层为节点输出层，计算每个节点的输出。

式中，f_i＝p_ie_a+q_ie_u+r_i，{p_i，q_i，r_i}为该节点的参数集，其中的参数称为后件参数。

第五层为总的输出层，该层可以计算出所有输入信号的和，获得制动油压。

上述隶属函数的前件参数和后件参数采用反向传播方法与最小二乘法相结合的混合学习算法进行调节，这样可以实现模糊***基于数据的自学习功能。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种无人驾驶方程式赛车的可拓熵权联合控制器控制方法，其特征在于，其包括以下步骤：

一、选取无人驾驶方程式赛车的赛车前轮转角δ_f及无人驾驶方程式赛车的赛车纵向速度u作为特征量，计算每个特征量在所述赛车行驶时的节域P、特征量的稳定域J；

节域P为

特征量的稳定域J为

其中，δ_f表征所述赛车的转向控制特性；u表征所述赛车的制动控制特性；δ_f1为所述赛车的最大前轮转角，δ_f2为保证所述赛车正常行驶的最大前轮转角，u₁为所述赛车的最大纵向速度，u₂为保证所述赛车正常行驶的最大纵向速度；

二、定义D(δ_f,u)为某一时刻所述赛车的特征状态，并做标准化处理，得到标准化之后的特征量D(δ′_f,u′)：

D(δ′_f,u′)＝(D(δ_f,u)-D_min(δ_f,u))/(D_max(δ_f,u)-D_min(δ_f,u))

其中，D_min(δ_f,u)和D_max(δ_f,u)由节域P得到；

三、根据所述特征量计算实时信息熵E(δ_f,u)，所述实时信息熵E(δ_f,u)的计算方法包括以下步骤：

计算特征量和稳定域之间的可拓距L(δ_f,u)：

根据可拓距L(δ_f,u)、标准化之后的特征量D(δ′_f,u′)计算信息熵E(δ_f,u)：

I表述特征量的个数，n为正整数；

四、根据信息熵E(δ_f,u)计算出各特征量的权值W(δ_f,u)：

K表示第K个特征量；

五、依据所述特征量的稳定域J计算出所述特征量与所述稳定域之间的关联度K(D)；

六、根据关联度K(D)确定所述赛车的转角控制输出和制动控制输出：

当K(D)≥0时，所述赛车特征状态处于稳定域内，所述纵向速度较小，无需采用制动动作即可顺利过弯，转角控制输出为

δ_f ^*为理想前轮转角；

当-1≤K(D)≤0时，所述赛车特征状态处于可拓域内，所述纵向速度较大，通过转向控制和制动控制的联合控制，转角控制输出为

制动控制输出为Y(u)＝-W(u)K(D)u^*，u^*为理想的纵向速度，W(δ_f)为W(δ_f,u)在u＝0时的特征量的权值，W(u)为W(δ_f,u)在δ_f＝0时的特征量的权值；

当K(D)＜-1时，所述纵向速度过快，大幅度降低车速后再基于上层指令进行转向操作，制动控制输出为Y(u)＝-W(u)K(D)u^*。

2.如权利要求1所述的无人驾驶方程式赛车的可拓熵权联合控制器控制方法，其特征在于：通过环境感知***感知周边赛道并规划出所述赛车理想行驶轨迹，并基于轨迹跟踪算法根据所述赛车前轮转角δ_f及所述赛车纵向速度u计算出理想前轮转角δ_f ^*和理想的纵向速度u^*。

3.一种无人驾驶方程式赛车转向与制动协调控制方法，其特征在于，其包括如权利要求1或2所述的无人驾驶方程式赛车的可拓熵权联合控制器控制方法。

4.如权利要求3所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：所述无人驾驶方程式赛车转向与制动协调控制方法还包括：

基于增量式PID的转向控制***的控制方法：获取实际方向盘转角，计算出所述转向控制***的转向驱动器转动到使实际方向盘转角和理想方向盘转角相一致时所需的PWM脉冲个数，设定2°为理想方向盘转角和实际方向盘转角之间的阈值，当理想方向盘转角和实际方向盘转角之差超过±2°时才进行增量式PID控制；其中，理想方向盘转角根据所述理想前轮转角δ_f ^*和所述转向控制***的传动比计算得出。

5.如权利要求4所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：所述实际方向盘转角的获取方法为：

采用PWM占空比信号控制所述赛车的转向驱动器的转速，转向驱动器转动带动所述赛车的转向柱和前轮转动，通过位于所述转向柱上的方向盘转角传感器实时读取方向盘转角。

6.如权利要求5所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：所述转向驱动器为36V电源供电的时代超群伺服电机，其额定扭矩为1.27N·m，搭配减速比为1:24的减速器。

7.如权利要求4所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：所述PWM脉冲个数的具体计算方法为：

CI＝K_p(e(k)-e(k-1))+K_ie(k)+K_d(e(k)-2e(k-1)+e(k-2))

其中，e(k)＝Y(δ)-δ_f为本次误差值；

e(k)-e(k-1)为本次误差与上次误差的差值；

e(k-1)-e(k-2)为上次误差与上上次误差的差值；

k为转向控制***控制方向盘从实际方向盘转角转动到理想方向盘转角的控制次数。

8.如权利要求7所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：对于某一时刻的PWM脉冲个数计算，有

其中：取K_p＝1,K_i＝0,K_d＝0.01。

9.如权利要求3所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：所述无人驾驶方程式赛车转向与制动协调控制方法还包括：

基于自适应模糊神经网络的制动控制***的控制方法：

将输入信号模糊化：其中输入信号为赛车纵向速度误差e_u和加速度误差e_a，网络节点数为2；对每个节点运用钟形函数计算其隶属度为：

式中，x为节点i的输入，i＝1，2；j＝1，2；{a_i，b_i，c_i}是前件参数集，前件参数的改变将影响隶属度函数的具体形状；

定义：

e_u＝Y(u)-u

计算每个节点的激励强度：将两个输入信号相乘，其乘积的输出为：

G_i为第i个节点的输出，每个节点的输出代表一条规则的激励强度；

计算节点的归一化激励强度：其表达式为：

计算每个节点输出：

式中，f_i＝p_ie_a+q_ie_u+r_i，{p_i，q_i，r_i}为该节点的参数集，其中的参数称为后件参数；

计算所有输入信号的和，获得制动油压：

10.如权利要求9所述的无人驾驶方程式赛车转向与制动协调控制方法，其特征在于：所述前件参数和后件参数采用反向传播方法与最小二乘法相结合的混合学习算法进行调节。

Images