CN113120001A - 自动驾驶车辆的横向控制方法、装置及车辆 - Google Patents
自动驾驶车辆的横向控制方法、装置及车辆 Download PDFInfo
- Publication number
- CN113120001A CN113120001A CN202110510779.1A CN202110510779A CN113120001A CN 113120001 A CN113120001 A CN 113120001A CN 202110510779 A CN202110510779 A CN 202110510779A CN 113120001 A CN113120001 A CN 113120001A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- matrix
- state
- distance
- change rate
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000011159 matrix material Substances 0.000 claims abstract description 164
- 230000008859 change Effects 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012795 verification 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W30/02—Control of vehicle driving stability
-
- 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
- B60W30/02—Control of vehicle driving stability
- B60W30/025—Control of vehicle driving stability related to comfort of drivers or passengers
-
- 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
- B60W40/02—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 ambient conditions
- B60W40/06—Road conditions
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本申请公开了一种自动驾驶车辆的横向控制方法、装置及车辆,其中,方法包括:获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息;根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵;利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量。由此,保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
Description
技术领域
本申请涉及车辆技术领域,特别涉及一种自动驾驶车辆的横向控制方法、装置及车辆。
背景技术
横向控制根据上层运动规划输出的路径、曲率等信息进行跟踪控制,以减少跟踪误差,同时保证车辆行驶的稳定性和舒适性;根据横向控制使用车辆模型的不同,可以将其分为两种类型:(1)无模型的横向控制方法;(2)基于模型的横向控制方法。其中,基于模型的横向控制方法又可分为:基于车辆运动学模型的横向控制方法以及基于车辆动力学模型的横向控制方法。
主流的PID(Proportion Integral Differential,PID算法)控制算法即为无模型的横向控制,将车辆当前的路径跟踪偏差作为输入量,对跟踪偏差进行比例(Proportion)、积分(Integration)和微分(Differentiation)控制得到转向控制量。
然而,该算法由于没有考虑车辆本身的特性,对外界干扰的鲁棒性较差,无法满足车辆在高速行驶过程中的有效控制,亟待解决。
申请内容
本申请提供一种自动驾驶车辆的横向控制方法、装置及车辆,以保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
本申请第一方面实施例提供一种自动驾驶车辆的横向控制方法,包括以下步骤:
获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息;
根据所述当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵;以及
利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器(linear quadratic regulator,LQR)算法确定最优矩阵,及控制所述车辆的转向执行器执行由所述最优矩阵和所述状态矩阵相乘得到的转向控制量。
可选地,还包括:
根据所述车辆的前轮侧偏刚度、后轮侧偏刚度、前轴到车辆重心的距离、后轴到车辆重心的距离、车辆的z轴转动惯量与整车质量确定所述车辆动力学模型。
可选地,所述根据所述当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,包括:
判断当前道路的类型;
若所述类型为直道类型,则所述目标点为轨迹上距离当前位置最近的点;
若所述类型为弯道类型,则在所述车辆的实际车速大于预设阈值时,所述目标点为相距预瞄距离的点,否则相距由道路曲率确定距离的点。
可选地,所述由道路曲率确定距离的计算公式为:
L=kV+lmin,
其中,k为速度的线性变化比例,V为所述车辆的实际车速,lmin为预瞄距离的最小设定值。
可选地,所述状态矩阵的计算公式为:
state(0,0)=e1;state(1,0)=e2;state(2,0)=e3;state(3,0)=e4,
其中,state(0,0)为所述距离偏差对应的状态矩阵,1为所述距离偏差、state(1,0)为所述距离偏差对应的状态矩阵,e2为所述距离偏差变化率,state(2,0)为所述距离偏差变化率对应的状态矩阵,e3为所述航向角偏差,state(3,0)为所述航向角偏差对应的状态矩阵,e4为所述角度偏差变化率,state(4,0)为所述角度偏差变化率对应的状态矩阵。
本申请第二方面实施例提供一种自动驾驶车辆的横向控制装置,包括:
获取模块,用于获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息;
计算模块,用于根据所述当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵;以及
控制模块,用于利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制所述车辆的转向执行器执行由所述最优矩阵和所述状态矩阵相乘得到的转向控制量。
可选地,还包括:
确定模块,用于根据所述车辆的前轮侧偏刚度、后轮侧偏刚度、前轴到车辆重心的距离、后轴到车辆重心的距离、车辆的z轴转动惯量与整车质量确定所述车辆动力学模型。
可选地,所述计算模块,包括:
判断单元,用于判断当前道路的类型;
第一确定单元,用于若所述类型为直道类型,则所述目标点为轨迹上距离当前位置最近的点;
第二确定单元,用于若所述类型为弯道类型,则在所述车辆的实际车速大于预设阈值时,所述目标点为相距预瞄距离的点,否则相距由道路曲率确定距离的点。
可选地,所述由道路曲率确定距离的计算公式为:
L=kV+lmin,
其中,k为速度的线性变化比例,V为所述车辆的实际车速,lmin为预瞄距离的最小设定值。
可选地,所述状态矩阵的计算公式为:
state(0,0)=e1;state(1,0)=e2;state(2,0)=e3;state(3,0)=e4,
其中,state(0,0)为所述距离偏差对应的状态矩阵,e1为所述距离偏差、state(1,0)为所述距离偏差对应的状态矩阵,e2为所述距离偏差变化率,state(2,0)为所述距离偏差变化率对应的状态矩阵,e3为所述航向角偏差,state(3,0)为所述航向角偏差对应的状态矩阵,e4为所述角度偏差变化率,state(4,0)为所述角度偏差变化率对应的状态矩阵。
本申请第三方面实施例提供一种车辆,其包括上述的自动驾驶车辆的横向控制装置。
由此,可以获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信,并根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,并利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量,从而保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种自动驾驶车辆的横向控制方法的流程图;
图2为根据本申请一个实施例的LQR横纵向误差的示例图;
图3为根据本申请一个实施例的LQR算法的流程图;
图4为根据本申请一个实施例的优化前不同速度下弯道的跟踪效果的示意图;
图5为根据本申请一个实施例的优化后不同速度下弯道的跟踪效果的示意图;
图6为根据本申请实施例的自动驾驶车辆的横向控制装置的方框示例图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的自动驾驶车辆的横向控制方法、装置及车辆。
在介绍本申请实施例的自动驾驶车辆的横向控制方法之前,先简单介绍下相关技术中的处理方式。
相关技术中,LQR算法使用二自由度动力学模型来设计横向控制器,LQR算法的优点在于,通过与转向前馈进行有效结合,能够很好的解决一部分曲线行驶时的稳态跟踪误差,在中等速度曲线行驶时其稳态误差趋近于零,从而极大提升跟踪性能。
但是,针对一些曲率大和高速情况跟踪效果就会明显降低,对环境和参数选择依赖程度高,即当环境突变的情况下不能很好的适应新状态条件下的轨迹跟踪。同时LQR参数调节复杂,其不仅需要获取车辆自身的模型参数,还需要调节LQR目标函数的QR矩阵,QR矩阵的选取不准确LQR算法的跟踪性能会大幅降低,从而导致控制失效,而且现阶段的LQR算法基本采用固定QR矩阵导致***自适应能力差,亟待解决。
因此,本申请提供了一种自动驾驶车辆的横向控制方法,在该方法中,可以获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信,并根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,并利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量,从而保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
具体而言,图1为本申请实施例所提供的一种自动驾驶车辆的横向控制方法的流程示意图。
如图1所示,该自动驾驶车辆的横向控制方法包括以下步骤:
在步骤S101中,获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息。
可以理解的是,获取车辆的实际坐标和当前航向角,以及根据实际坐标和当前航向角得到当前位姿和目标点的位置信息的方式可以采用相关技术中的处理方式,为避免冗余,在此不做详细赘述。
在步骤S102中,根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵。
可选地,在一些实施例中,根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,包括:判断当前道路的类型;若类型为直道类型,则目标点为轨迹上距离当前位置最近的点;若类型为弯道类型,则在车辆的实际车速大于预设阈值时,目标点为相距预瞄距离的点,否则相距由道路曲率确定距离的点。
其中,预设阈值可以是用户预先设定的阈值,可以是通过有限次实验获取的阈值,也可以是通过有限次计算机仿真得到的阈值。优选地,预设阈值为60km/h。
具体地,如图2所示,Vx为车辆纵向车速,Vy为车辆横向车速,为车辆横摆角速度,ratio为车辆方向盘角度和车轮角度的比值,由图2可知,横纵向误差计算是根据当前时刻点和目标点进行对比得到的,故下文将进行详细阐述如何获取目标点。
具体而言,道路的类型一般可以包括直道类型和弯道类型两种,如果道路的类型为直道类型,目标点选择为轨迹上距离当前位置最近的点,从而保证直线跟踪的精度;如果道路的类型为弯道类型,则可以根据车辆的实际车速进行判定。例如,当车辆的实际车速大于预设阈值,如60km/h时,目标点选取为预瞄距离L=;再如,当车辆的实际车速小于预设阈值时,道路曲率确定距离,计算公式可以为:
L=kV+lmin。
其中,k为速度的线性变化比例,V为车辆的实际车速,lmin为预瞄距离的最小设定值。
需要说明的是,k,lmax和lmin的选取通过单场景控制变量仿真进行选择,分别对曲率和速度进行调整即可得到最优解,然后根据上述公式代入即可。优选地,lmin=15,lmax=30,k=0.05。
进一步地,在一些实施例中,e1即为当前时刻到目标点的位移,同时由下列公式计算得到状态矩阵state;
e3=θ-θ1;
e2=Vx*e2+Vy;
得到state(0,0)=e1;state(1,0)=e2;state(2,0)=e3;state(3,0)=e4,
其中,R为目标轨迹点曲率半径,state(0,0)为距离偏差对应的状态矩阵,e1为距离偏差、state(1,0)为距离偏差对应的状态矩阵,e2为距离偏差变化率,state(2,0)为距离偏差变化率对应的状态矩阵,e3为航向角偏差,state(3,0)为航向角偏差对应的状态矩阵,e4为角度偏差变化率,state(4,0)为角度偏差变化率对应的状态矩阵。
在步骤S103中,利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量。
其中,如图3所示,图3为LQR算法的流程图,主要包括以下步骤:
S301,感知环境和车辆信息。
其中,感知环境和车辆信息包括:车辆坐标和航向角,跟踪轨迹目标点坐标和航向角。
S302,数据处理。
其中,在数据处理之后,将处理后的数据发送至步骤S309。
S303,直道弯道曲率判定,如果是直道,执行步骤S304,如果是弯道,执行步骤S305。
S304,目标点为轨迹上距离当前位置最近的点,并跳转执行步骤S308。
S305,判断辆的实际车速是否大于预设阈值,如果是,执行步骤S306,否则,执行步骤S307。
S306,目标点选取为预瞄距离L=lmax,并跳转执行步骤S308。
S307,目标点选取为预瞄距离L=kV+lmin。
S308,状态量,并跳转执行步骤S310。
其中,根据实时位姿和目标点位置信息计算当前时刻车辆与目标点的距离偏差e1,距离偏差变化率e2,航向偏差e3,角度偏差变化率e4,从而得到状态矩阵state。
S309,QR权重矩阵选择器。
也就是说,本申请实施例可以根据上述的动力学模型参数确定模型参数矩阵A和B,同时选取加权矩阵Q和R(QR权重的选择)。
由此即可得到状态矩阵,并将状态矩阵和QR权重矩阵选择器输入至LQR控制器。
S310,LQR控制器。
S311,车辆转向执行器,并跳转执行步骤S301。
由此,根据上述确定的控制器参数,计算自动驾驶汽车的转向控制量,将其传递给转向执行器执行。
可选地,在一些实施例中,还包括:根据车辆的前轮侧偏刚度、后轮侧偏刚度、前轴到车辆重心的距离、后轴到车辆重心的距离、车辆的z轴转动惯量与整车质量确定车辆动力学模型。
也就是说,车辆动力学模型的参数主要包括:前轮侧偏刚度Cf、车辆动力学模型Cr、前轴到车辆重心的距离lf、后轴到车辆重心的距离lr、车辆的z轴转动惯量Iz和整车质量m。
需要说明的是,上述车辆动力学模型的参数可以通过查询车辆的基本信息即可获得,也可以重新测量获得,具体地可以由本领域技术人员根据实际情况进行处理,在此不做具体限定。
进一步地,利用车辆动力学模型确定第一模型参数矩阵matrix_a_和第二模型参数矩阵matrix_b_的计算公式可以如下所示:
进一步地,选取第一加权矩阵Q和第二加权矩阵R,第一加权矩阵Q,选取对角矩阵matrix_q_=diag[q1,q2,q3,q4],其中,q1、q2、q3和q4,4个参数分别对应状态矩阵state的四个变量,q1和q3的选择即是LQR控制的关键;第二加权矩阵Rky选择单位矩阵matrix_r_=[1];由上述图3流程图可知跟踪***通过感知得到环境信息进行选择:
(1)首先对道路曲率半径R与R1和R2进行判断,R1和R2分别是区分直道和弯道,小曲率和大曲率的边界条件;
(2)当R<R1时判定跟踪曲线为直线,选择q3=kq*q1,kq=0.1*V;
(3)当R1<R<R2时判定跟踪轨迹为小曲率弯道,选择q3=kq*q1,kq=V;
(4)当R<R2时判定跟踪轨迹为大曲率弯道,选择q3=kq*q1,kq=10*V;
(5)根据上述公式只需实车单独直线跟踪确定q1的初始值即可得到第一加权矩阵Q。进一步地,根据黎卡提方程的数值迭代求解确定最优矩阵matrix_k,由下列公式得到;
while(num_iteration++<max_num_iteration)
{
matrix_p_next=
matrix_a_T*matrix_p_*matrix_a_-(matrix_a_T*matrix_p_*matrix_b_)*(matrix_r_+matrix_b_T*matrix_p_*matrix_b_).inverse()*(matrix_b_T*matrix_p_*matrix_a_)
+matrix_q_;
matrix_p_=matrix_p_next;
}
matrix_k_=(matrix_r_+matrix_b_T*matrix_p_*matrix_b_).inverse()*(matrix_b_T*matrix_p_*matrix_a_)
其中,max_num_iterationa为最大迭代次数选取为150,matrix_a_T和matrix_b_T分别为matrix_a_和matrix_b_的转置矩阵,matrix_p为过程迭代矩阵。
进一步地,根据最优矩阵matrix_k和状态矩阵state相乘得到前轮转角最后乘以ratio输出到执行机构,实现跟踪;
通过对加入初始偏差0.5m的干扰(模拟环境突变情况下)弯道的仿真对比验证,如图4和图5所示,图4为未对目标点和无参数自适应情况下的跟踪误差示意图,其中,线条1为V=20km/h的情况,线条2为V=30km/h的情况,线条3为V=40km/h的情况,线条4为V=50km/h的情况,线条5为V=60km/h的情况,图5为加入目标点和QR矩阵自适应优化后的跟踪误差示意图,其中,线条6为V=20km/h的情况,线条7为V=30km/h的情况,线条8为V=40km/h的情况,线条9为V=50km/h的情况,线条10为V=60km/h的情况,显然,得到优化过后的***在干扰后能够产生更小的波动,能够更快的回复稳定,提高了***的舒适性和稳定性。
由此,基于LQR控制,添加自适应预瞄选择控制选择保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性;同时总结出自适应公式确定QR矩阵选择来解决QR矩阵选取的问题,最后通过仿真对比更新提升效果。
根据本申请实施例提出的自动驾驶车辆的横向控制方法,可以获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信,并根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,并利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量,从而保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
其次参照附图描述根据本申请实施例提出的自动驾驶车辆的横向控制装置。
图6是本申请实施例的自动驾驶车辆的横向控制装置的方框示意图。
如图6所示,该自动驾驶车辆的横向控制装置10包括:获取模块100、计算模块200和控制模块300。
其中,获取模块100用于获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息;
计算模块200用于根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵;以及
控制模块300用于利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量。
可选地,在一些实施例中,上述的自动驾驶车辆的横向控制装置10,还包括:
确定模块,用于根据车辆的前轮侧偏刚度、后轮侧偏刚度、前轴到车辆重心的距离、后轴到车辆重心的距离、车辆的z轴转动惯量与整车质量确定车辆动力学模型。
可选地,在一些实施例中,计算模块200包括:
判断单元,用于判断当前道路的类型;
第一确定单元,用于若类型为直道类型,则目标点为轨迹上距离当前位置最近的点;
第二确定单元,用于若类型为弯道类型,则在车辆的实际车速大于预设阈值时,目标点为相距预瞄距离的点,否则相距由道路曲率确定距离的点。
可选地,在一些实施例中,由道路曲率确定距离的计算公式为:
L=kV+lmin,
其中,k为速度的线性变化比例,V为车辆的实际车速,lmin为预瞄距离的最小设定值。
可选地,在一些实施例中,状态矩阵的计算公式为:
state(0,0)=e1;state(1,0)=e2;state(2,0)=e3;state(3,0)=e4,
其中,state(0,0)为距离偏差对应的状态矩阵,e1为距离偏差、state(1,0)为距离偏差对应的状态矩阵,e2为距离偏差变化率,state(2,0)为距离偏差变化率对应的状态矩阵,e3为航向角偏差,state(3,0)为航向角偏差对应的状态矩阵,e4为角度偏差变化率,state(4,0)为角度偏差变化率对应的状态矩阵。
需要说明的是,前述对自动驾驶车辆的横向控制方法实施例的解释说明也适用于该实施例的自动驾驶车辆的横向控制装置,此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的横向控制装置,可以获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信,并根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,并利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量,从而保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
此外,本申请实施例还提出了一种车辆,该车辆包括上述的自动驾驶车辆的横向控制装置。
根据本申请实施例提出的车辆,通过上述的自动驾驶车辆的横向控制装置,可以获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信,并根据当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,并利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制车辆的转向执行器执行由最优矩阵和状态矩阵相乘得到的转向控制量,从而保证曲率和速度变化快的复杂道路下车辆跟踪的稳定性和舒适性,实现LQR控制器的控制精度和自适应性的提高。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
Claims (10)
1.一种自动驾驶车辆的横向控制方法,其特征在于,包括以下步骤:
获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息;
根据所述当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵;以及
利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制所述车辆的转向执行器执行由所述最优矩阵和所述状态矩阵相乘得到的转向控制量。
2.根据权利要求1所述的方法,其特征在于,还包括:
根据所述车辆的前轮侧偏刚度、后轮侧偏刚度、前轴到车辆重心的距离、后轴到车辆重心的距离、车辆的z轴转动惯量与整车质量确定所述车辆动力学模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵,包括:
判断当前道路的类型;
若所述类型为直道类型,则所述目标点为轨迹上距离当前位置最近的点;
若所述类型为弯道类型,则在所述车辆的实际车速大于预设阈值时,所述目标点为相距预瞄距离的点,否则相距由道路曲率确定距离的点。
4.根据权利要求3所述的方法,其特征在于,所述由道路曲率确定距离的计算公式为:
L=kV+lmin,
其中,k为速度的线性变化比例,V为所述车辆的实际车速,lmin为预瞄距离的最小设定值。
5.根据权利要求3所述的方法,其特征在于,所述状态矩阵的计算公式为:
state(0,0)=e1;state(1,0)=e2;state(2,0)=e3;state(3,0)=e4,
其中,state(0,0)为所述距离偏差对应的状态矩阵,e1为所述距离偏差、state(1,0)为所述距离偏差对应的状态矩阵,e2为所述距离偏差变化率,state(2,0)为所述距离偏差变化率对应的状态矩阵,e3为所述航向角偏差,state(3,0)为所述航向角偏差对应的状态矩阵,e4为所述角度偏差变化率,state(4,0)为所述角度偏差变化率对应的状态矩阵。
6.一种自动驾驶车辆的横向控制装置,其特征在于,包括:
获取模块,用于获取车辆的实际坐标和当前航向角,得到当前位姿和目标点的位置信息;
计算模块,用于根据所述当前位姿和位置信息计算当前时刻与目标点的距离偏差、距离偏差变化率、航向角偏差和角度偏差变化率,计算状态矩阵;以及
利用车辆动力学模型确定第一模型参数矩阵和第二模型参数矩阵,并同时选取第一加权矩阵和第二加权矩阵,以根据线性二次型调节器LQR算法确定最优矩阵,及控制所述车辆的转向执行器执行由所述最优矩阵和所述状态矩阵相乘得到的转向控制量。
7.根据权利要求6所述的装置,其特征在于,还包括:
确定模块,用于根据所述车辆的前轮侧偏刚度、后轮侧偏刚度、前轴到车辆重心的距离、后轴到车辆重心的距离、车辆的z轴转动惯量与整车质量确定所述车辆动力学模型。
8.根据权利要求6所述的装置,其特征在于,所述计算模块,包括:
判断单元,用于判断当前道路的类型;
第一确定单元,用于若所述类型为直道类型,则所述目标点为轨迹上距离当前位置最近的点;
第二确定单元,用于若所述类型为弯道类型,则在所述车辆的实际车速大于预设阈值时,所述目标点为相距预瞄距离的点,否则相距由道路曲率确定距离的点。
9.根据权利要求8所述的装置,其特征在于,所述由道路曲率确定距离的计算公式为:
L=kV+lmin,
其中,k为速度的线性变化比例,V为所述车辆的实际车速,lmin为预瞄距离的最小设定值。
所述状态矩阵的计算公式为:
state(0,0)=e1;state(1,0)=e2;state(2,0)=3;state(3,0)=e4,
其中,state(0,0)为所述距离偏差对应的状态矩阵,e1为所述距离偏差、state(1,0)为所述距离偏差对应的状态矩阵,e2为所述距离偏差变化率,state(2,0)为所述距离偏差变化率对应的状态矩阵,e3为所述航向角偏差,state(3,0)为所述航向角偏差对应的状态矩阵,e4为所述角度偏差变化率,state(4,0)为所述角度偏差变化率对应的状态矩阵。
10.一种车辆,其特征在于,包括:如权利要求6-9任一项所述的自动驾驶车辆的横向控制装置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510779.1A CN113120001A (zh) | 2021-05-11 | 2021-05-11 | 自动驾驶车辆的横向控制方法、装置及车辆 |
CN202210210929.1A CN114655248A (zh) | 2021-05-11 | 2022-03-04 | 自动驾驶车辆的横向控制方法、装置及车辆 |
PCT/CN2022/085370 WO2022237392A1 (zh) | 2021-05-11 | 2022-04-06 | 车辆的横向控制方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510779.1A CN113120001A (zh) | 2021-05-11 | 2021-05-11 | 自动驾驶车辆的横向控制方法、装置及车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113120001A true CN113120001A (zh) | 2021-07-16 |
Family
ID=76781662
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510779.1A Withdrawn CN113120001A (zh) | 2021-05-11 | 2021-05-11 | 自动驾驶车辆的横向控制方法、装置及车辆 |
CN202210210929.1A Pending CN114655248A (zh) | 2021-05-11 | 2022-03-04 | 自动驾驶车辆的横向控制方法、装置及车辆 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210210929.1A Pending CN114655248A (zh) | 2021-05-11 | 2022-03-04 | 自动驾驶车辆的横向控制方法、装置及车辆 |
Country Status (2)
Country | Link |
---|---|
CN (2) | CN113120001A (zh) |
WO (1) | WO2022237392A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113741450A (zh) * | 2021-08-31 | 2021-12-03 | 的卢技术有限公司 | 一种车辆自动驾驶横向自适应控制方法 |
CN113753080A (zh) * | 2021-08-31 | 2021-12-07 | 的卢技术有限公司 | 一种自动驾驶汽车横向运动自适应参数控制方法 |
CN113771868A (zh) * | 2021-08-11 | 2021-12-10 | 佛山仙湖实验室 | 一种无人驾驶汽车的横向控制方法 |
CN114001976A (zh) * | 2021-10-19 | 2022-02-01 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
CN114275039A (zh) * | 2021-12-27 | 2022-04-05 | 联创汽车电子有限公司 | 智能驾驶车辆横向控制方法和模块 |
CN114312847A (zh) * | 2022-01-13 | 2022-04-12 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶车辆的横向控制方法及装置 |
WO2022237392A1 (zh) * | 2021-05-11 | 2022-11-17 | 奇瑞汽车股份有限公司 | 车辆的横向控制方法、装置及车辆 |
CN116578100A (zh) * | 2023-07-12 | 2023-08-11 | 城市之光(深圳)无人驾驶有限公司 | 一种基于扫刷误差的二自由度动力模型沿边清扫控制方法 |
CN116749950A (zh) * | 2023-07-25 | 2023-09-15 | 云创智行科技(苏州)有限公司 | 一种自适应转向判定方法及装置 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021168669A1 (zh) * | 2020-02-25 | 2021-09-02 | 华为技术有限公司 | 车辆控制方法及装置 |
CN113608530B (zh) * | 2021-07-22 | 2023-04-25 | 武汉理工大学 | 一种带有pid转角补偿的参数自整定lqr路径跟踪方法 |
CN115071732A (zh) * | 2022-07-14 | 2022-09-20 | 东风商用车有限公司 | 一种基于lqr的smc商用车智能驾驶横向控制方法 |
CN115675637B (zh) * | 2022-12-28 | 2023-03-28 | 禾多科技(北京)有限公司 | 车辆控制方法、装置、电子设备和计算机可读介质 |
CN116118751B (zh) * | 2023-04-19 | 2023-08-29 | 深圳佑驾创新科技有限公司 | 车辆的控制方法、装置、车辆和存储介质 |
CN117369463A (zh) * | 2023-10-31 | 2024-01-09 | 云创智行科技(苏州)有限公司 | 参数优化方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6223114B1 (en) * | 1998-03-20 | 2001-04-24 | Daimlerchrysler Ag | Process for controlling driving dynamics of a street vehicle |
CN104670233A (zh) * | 2013-11-28 | 2015-06-03 | 现代摩比斯株式会社 | 车辆转弯控制方法及其装置 |
CN107015477A (zh) * | 2017-04-05 | 2017-08-04 | 同济大学 | 基于状态反馈的车辆路径跟踪h∞控制方法 |
CN110568758A (zh) * | 2019-09-12 | 2019-12-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN111638712A (zh) * | 2020-05-26 | 2020-09-08 | 三一专用汽车有限责任公司 | 自动驾驶车辆横向运动控制方法、装置和自动驾驶车辆 |
CN111806437A (zh) * | 2020-09-10 | 2020-10-23 | 中汽研(天津)汽车工程研究院有限公司 | 自动驾驶汽车预瞄点确定方法、装置、设备及存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104571112B (zh) * | 2015-01-14 | 2017-02-22 | 中国科学院合肥物质科学研究院 | 基于转弯曲率估计的无人车横向控制方法 |
US10315651B2 (en) * | 2015-10-13 | 2019-06-11 | Magna Electronics Inc. | Vehicle vision system with lateral control algorithm for lane keeping |
CN108791289B (zh) * | 2018-04-28 | 2021-03-30 | 华为技术有限公司 | 一种车辆控制方法和装置 |
CN113120001A (zh) * | 2021-05-11 | 2021-07-16 | 雄狮汽车科技(南京)有限公司 | 自动驾驶车辆的横向控制方法、装置及车辆 |
-
2021
- 2021-05-11 CN CN202110510779.1A patent/CN113120001A/zh not_active Withdrawn
-
2022
- 2022-03-04 CN CN202210210929.1A patent/CN114655248A/zh active Pending
- 2022-04-06 WO PCT/CN2022/085370 patent/WO2022237392A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6223114B1 (en) * | 1998-03-20 | 2001-04-24 | Daimlerchrysler Ag | Process for controlling driving dynamics of a street vehicle |
CN104670233A (zh) * | 2013-11-28 | 2015-06-03 | 现代摩比斯株式会社 | 车辆转弯控制方法及其装置 |
CN107015477A (zh) * | 2017-04-05 | 2017-08-04 | 同济大学 | 基于状态反馈的车辆路径跟踪h∞控制方法 |
CN110568758A (zh) * | 2019-09-12 | 2019-12-13 | 中汽研(天津)汽车工程研究院有限公司 | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 |
CN111638712A (zh) * | 2020-05-26 | 2020-09-08 | 三一专用汽车有限责任公司 | 自动驾驶车辆横向运动控制方法、装置和自动驾驶车辆 |
CN111806437A (zh) * | 2020-09-10 | 2020-10-23 | 中汽研(天津)汽车工程研究院有限公司 | 自动驾驶汽车预瞄点确定方法、装置、设备及存储介质 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022237392A1 (zh) * | 2021-05-11 | 2022-11-17 | 奇瑞汽车股份有限公司 | 车辆的横向控制方法、装置及车辆 |
CN113771868A (zh) * | 2021-08-11 | 2021-12-10 | 佛山仙湖实验室 | 一种无人驾驶汽车的横向控制方法 |
CN113753080B (zh) * | 2021-08-31 | 2023-09-26 | 的卢技术有限公司 | 一种自动驾驶汽车横向运动自适应参数控制方法 |
CN113753080A (zh) * | 2021-08-31 | 2021-12-07 | 的卢技术有限公司 | 一种自动驾驶汽车横向运动自适应参数控制方法 |
CN113741450A (zh) * | 2021-08-31 | 2021-12-03 | 的卢技术有限公司 | 一种车辆自动驾驶横向自适应控制方法 |
CN113741450B (zh) * | 2021-08-31 | 2023-11-21 | 的卢技术有限公司 | 一种车辆自动驾驶横向自适应控制方法 |
CN114001976A (zh) * | 2021-10-19 | 2022-02-01 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
CN114001976B (zh) * | 2021-10-19 | 2024-03-12 | 杭州飞步科技有限公司 | 控制误差的确定方法、装置、设备及存储介质 |
CN114275039A (zh) * | 2021-12-27 | 2022-04-05 | 联创汽车电子有限公司 | 智能驾驶车辆横向控制方法和模块 |
CN114275039B (zh) * | 2021-12-27 | 2022-11-04 | 联创汽车电子有限公司 | 智能驾驶车辆横向控制方法和模块 |
CN114312847A (zh) * | 2022-01-13 | 2022-04-12 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶车辆的横向控制方法及装置 |
CN114312847B (zh) * | 2022-01-13 | 2024-04-12 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶车辆的横向控制方法及装置 |
CN116578100A (zh) * | 2023-07-12 | 2023-08-11 | 城市之光(深圳)无人驾驶有限公司 | 一种基于扫刷误差的二自由度动力模型沿边清扫控制方法 |
CN116578100B (zh) * | 2023-07-12 | 2023-11-21 | 城市之光(深圳)无人驾驶有限公司 | 一种基于扫刷误差的二自由度动力模型沿边清扫控制方法 |
CN116749950A (zh) * | 2023-07-25 | 2023-09-15 | 云创智行科技(苏州)有限公司 | 一种自适应转向判定方法及装置 |
CN116749950B (zh) * | 2023-07-25 | 2024-01-26 | 云创智行科技(苏州)有限公司 | 一种自适应转向判定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2022237392A1 (zh) | 2022-11-17 |
CN114655248A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113120001A (zh) | 自动驾驶车辆的横向控制方法、装置及车辆 | |
CN110027547B (zh) | 车辆横向控制方法和装置 | |
CN110687797B (zh) | 一种基于位置和姿态的自适应mpc泊车横向控制方法 | |
CN110789530B (zh) | 一种四轮独立转向-独立驱动车辆轨迹跟踪方法和*** | |
CN105480228A (zh) | 增强的车辆速度控制 | |
CN116560371A (zh) | 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法 | |
CN115494849A (zh) | 一种自动驾驶车辆导航控制方法及*** | |
CN117508166A (zh) | 一种车辆行驶控制方法、行驶控制装置、设备及存储介质 | |
CN115509234A (zh) | 轨迹跟踪控制方法、装置、电子设备、存储介质及车辆 | |
CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
CN110471277B (zh) | 基于输出反馈增益规划的智能商用车自动循迹控制方法 | |
Sieberg et al. | Representation of an Integrated Non-Linear Model-Based Predictive Vehicle Dynamics Control System by a Co-Active Neuro-Fuzzy Inference System | |
CN113064412B (zh) | 路径跟踪方法、装置、车辆及可读存储介质 | |
Chen et al. | LSTM-based trajectory tracking control for autonomous vehicles | |
Kim et al. | Assessment of an autonomous racing controller: A case study from the Indy Autonomous Challenge’s simulation race | |
JP7302693B1 (ja) | 運転制御装置、運転制御方法及びプログラム | |
CN117519130A (zh) | 一种多轴无人运输车辆的轨迹跟踪控制方法 | |
CN116184808A (zh) | 车辆的路径跟踪方法、装置、车辆及存储介质 | |
CN116088321B (zh) | 一种自动驾驶决策控制方法、装置及电子设备 | |
Wang et al. | Research and application of trajectory tracking control algorithm based on LQR and PID | |
CN117048639A (zh) | 一种车辆自适应路径控制方法、存储介质及计算机 | |
CN116125987A (zh) | 一种车辆局部路径规划方法及装置 | |
Tian et al. | Balanced reward-inspired reinforcement learning for autonomous vehicle racing | |
CN117724460A (zh) | 用于车辆轨迹跟踪的控制方法、装置、存储介质及处理器 | |
CN115071710A (zh) | 跟驰车辆的横向控制方法、装置、控制器及车辆 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |