CN114291109B - 一种共享驾驶冲突解决方法、***和计算机设备 - Google Patents
一种共享驾驶冲突解决方法、***和计算机设备 Download PDFInfo
- Publication number
- CN114291109B CN114291109B CN202111549853.7A CN202111549853A CN114291109B CN 114291109 B CN114291109 B CN 114291109B CN 202111549853 A CN202111549853 A CN 202111549853A CN 114291109 B CN114291109 B CN 114291109B
- Authority
- CN
- China
- Prior art keywords
- controller
- function
- stability
- driver
- vehicle
- 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.)
- Active
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及一种共享驾驶冲突解决方法、***。所述方法包括:根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。采用本方法能够提高共享驾驶的安全性。
Description
技术领域
本申请涉及汽车智能驾驶技术领域,特别是涉及一种共享驾驶冲突解决方法、***和计算机设备。
背景技术
虽然自动驾驶技术获得了业界的广泛关注,但目前技术及社会环境仍无法满足完全自动驾驶的实现,因此人机共驾将成为未来一段时间中智能驾驶的主要体现形式。在人机共驾过程中,由于自动驾驶***可以实时影响驾驶员行为,因此驾驶员与自动驾驶***的冲突不可避免。例如,当车辆前方出现障碍物时,主动避撞***决定左转避撞,而驾驶员下意识地选择右转避撞,但右侧车道可能存在其他车辆造成潜在威胁。如果上述冲突得不到有效解决,车辆行驶的安全性则受到威胁。此外,人机共驾中其他情况也应得到考虑,如驾驶员与自动驾驶***选择了相同的轨迹,此时驾驶员的驾驶意图需要得到尊重,以保证车辆对驾驶员行为的响应,而自动驾驶***则需进行辅助控制,以提高行车安全。另外一种情况为,虽然驾驶员与自动驾驶***选择了不同的轨迹但两个轨迹的行车风险相同,此时为了保证驾驶员对车辆的操纵性,驾驶员的期望仍需得到遵从,因此自动驾驶***仍进行辅助控制。
然而,现有的人机共驾方式,要么一刀切通过控制按钮去选择自动驾驶或者选择人工驾驶,而如何针对不同情况,自动分配控制权限仍缺乏有效地解决方案。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高共享驾驶安全性的共享驾驶冲突解决方法、***。
一种共享驾驶冲突解决方法,所述方法包括:
根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;
根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;
根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;
根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;
根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
在其中一个实施例中,所述横向稳定性动力学模型,表示为:
其中,M为整车质量;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;vx为车辆纵向速度、vy为车辆横向速度;ω为横摆角速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;Iz为汽车转动惯量;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角;
所述轨迹跟踪误差模型,表示为:
其中,ey=y-ydes,ey为车辆实际横向位置y与自动控制器所期望横向位置ydes的偏差;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;M为整车质量;vx为车辆纵向速度、vy为车辆横向速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;eΨ=Ψ-Ψdes,eΨ为车辆航向角Ψ与自动控制器所期望航向角ψdes的偏差;Iz为汽车转动惯量;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
在其中一个实施例中,将式(1)和式(2)改写为状态空间方程的形式:
其中,横摆稳定性状态方程的状态向量为xω=[vy ω]T,轨迹跟踪状态方程的状态向量为横摆稳定状态方程的状态矩阵为/>横摆稳定状态方程的输入矩阵为/>轨迹跟踪状态方程的状态矩阵为轨迹跟踪状态方程的输入矩阵为/>扰动量矩阵为/>输出矩阵为/>
在其中一个实施例中,所述基于LQR的面向稳定性的控制器的性能指标为:
其中,xω为横摆稳定性状态方程的状态向量,Jω为车辆稳定性性能指标;Qω为稳定性状态权重,Qω=diag[qvy qω],其中qvy为侧向车速的目标权重矩阵,qω为横摆角速度的目标权重矩阵;rδ_ω为面向稳定性的控制器的***输入权重;期望状态向量xω_des=[vy_desωdes]T;其中,期望侧向速度vy_des=0,ωdes是通过线性二自由度车辆模型获得的期望横摆角速度,其值与驾驶员的方向盘转角有关;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角;
面向轨迹跟踪自动驾驶控制器的最优控制为:
其中,rδ_ω为面向稳定性的控制器的***输入权重,Bω为横摆稳定状态方程的输入矩阵,xω为横摆稳定性状态方程的状态向量,xω_des为期望状态向量,Pω为如式(7)所示的黎卡提方程的解:
其中,Aω为横摆稳定状态方程的状态矩阵,rδ_ω为面向稳定性的控制器的***输入权重,Qω为稳定性状态权重。
在其中一个实施例中,建立基于LQR的面向轨迹跟踪的自动驾驶控制器性能指标为:
其中,Jy为车辆轨迹跟踪性能指标;xy为轨迹跟踪状态方程的状态向量;C为输出矩阵;Qy为轨迹跟踪状态权重,Qy=diag[qe_y qe_ψ],其中qe_y为侧向位移的目标权重,qe_ψ为航向角的目标权重;rδ_y为面向轨迹跟踪自动驾驶控制器的***输入权重;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角;
面向轨迹跟踪自动驾驶控制器的最优控制计算为:
其中,By轨迹跟踪状态方程的输入矩阵,ψdes为自动控制器所期望航向角,Py为如式(10)所示的黎卡提方程的解:
其中,Ay为轨迹跟踪状态方程的状态矩阵。
在其中一个实施例中,所述表征驾驶员与自动驾驶控制器冲突的行为冲突函数,表示为:
其中,CF为行为冲突函数,δd为驾驶员方向盘转角,通过驾驶员转角估计模块获得,t0为时间窗的初始时间,tt为时间窗的终止时间,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
在其中一个实施例中,所述表征驾驶员期望路径与自动驾驶***期望路径的风险比函数,表示为:
其中,PRF(■)为基于人工势能场方法的路径风险函数;yd为驾驶员期望路径,通过驾驶员期望轨迹模块获得;yA为自动驾驶***期望轨迹,通过自动驾驶***期望轨迹模块获得,PRR为风险比函数。
在其中一个实施例中,所述人机权限分配函数为:
σ=w(PRR)(h1(CF)+h2(CF)) (13)
其中,σ为权限分配因子,为与风险比相关的权重函数,和/>为与冲突相关的规则函数,c1、c2、c3和c4为权限分配调整系数,其值可根据工程实际进行调整;
根据人机权限分配函数计算施加于转向***的转角,具体为:
δs=σ(δd+δA_ω)+(1-σ)δA_y (14)
其中,δs为施加于转向***的转角,δd为驾驶员方向盘转角,δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
一种共享驾驶冲突解决***,所述装置包括:
模型建立模块,用于根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;
控制器建立模块,用于根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;
风险比函数构建模块,用于根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;
行为冲突函数构建模块,用于根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;
转角计算模块,用于根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;
根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;
根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;
根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;
根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;
根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;
根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;
根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;
根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
上述共享驾驶冲突解决方法、***,本发明控制策略可以针对驾驶员与自动驾驶***不存在冲突、存在冲突但风险相同、存在风险但风险不同三种情况分配两者的控制权限以达到最优的控制组合;分别独立设计了面向稳定性和面向轨迹跟踪的自动驾驶控制器,能够在不同情况下对驾驶员进行辅助或对车辆进行接管,以保证驾驶安全性。
附图说明
图1为一个实施例中共享驾驶冲突解决方法的流程示意图;
图2为一个实施例中本申请的控制结构示意图;
图3为一个实施例中驾驶员与自动驾驶***不存在冲突情况的路径示意图;
图4为一个实施例中驾驶员与自动驾驶***存在冲突但风险相同的情况的路径示意图;
图5为一个实施例中驾驶员与自动驾驶***存在冲突但风险不同的情况的路径示意图;
图6为一个实施例中驾驶权限分配关系曲线图;
图7为一个实施例中共享驾驶冲突解决***的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的共享驾驶冲突解决方法,可以应用于自动驾驶车载***中。车载***根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR(linear quadratic regulator,线性二次型调节器)的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角;最后车载***向转向***发送转角的值,从而实现对车辆的控制。
在一个实施例中,如图1所示,提供了一种共享驾驶冲突解决方法,包括以下步骤:
S110,根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型。
其中,车辆动力学参数包括整车质量、前轮和后轮的侧偏刚度、车辆纵向速度和横向速度、横摆角速度、车辆前轴、后轴到质心的距离、汽车转动惯量、自动驾驶控制器关注横向稳定性时的前轮转角。横向稳定性动力学模型表征自动驾驶控制器响应驾驶员命令并辅助驾驶员进行车辆横向稳定性控制的行为。轨迹跟踪误差模型表征控制器对自动驾驶期望轨迹的跟踪效果。
S120,根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器。
如图2所示,面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器共同控制,决定输入到转向***的转角。面向稳定性的控制器用于表征车辆行驶过程中的横向稳定性能,面向轨迹跟踪的自动驾驶控制器用于表征自动驾驶期望轨迹的跟踪效果性能。
S130,根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数。
其中,建立风险比函数,以表征驾驶员期望路径与自动驾驶***期望路径的风险之比;建立行为冲突函数,以表征驾驶员与自动驾驶控制器冲突程度。
S140,根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数。
S150,根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
其中,人机权限分配函数用于实现对自动驾驶***控制和驾驶员的权限配置,实现安全驾驶且尊重驾驶员意图的驾驶。
其中,步骤S130和步骤S140的顺序不分先后。
上述共享驾驶冲突解决方法中,本发明控制策略可以针对驾驶员与自动驾驶***不存在冲突、存在冲突但风险相同、存在风险但风险不同三种情况分配两者的控制权限以达到最优的控制组合;分别独立设计了面向稳定性和面向轨迹跟踪的自动驾驶控制器,能够在不同情况下对驾驶员进行辅助或对车辆进行接管,以保证驾驶安全性。
在其中一个实施例中,所述横向稳定性动力学模型,表示为:
其中,M为整车质量;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;vx为车辆纵向速度、vy为车辆横向速度;ω为横摆角速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;Iz为汽车转动惯量;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角。
所述轨迹跟踪误差模型,表示为:
其中,ey=y-ydes,ey为车辆实际横向位置y与自动控制器所期望横向位置ydes的偏差;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;M为整车质量;vx为车辆纵向速度、vy为车辆横向速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;eΨ=Ψ-Ψdes,eΨ为车辆航向角Ψ与自动控制器所期望航向角ψdes的偏差;Iz为汽车转动惯量;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
在其中一个实施例中,将式(1)和式(2)改写为状态空间方程的形式:
其中,横摆稳定性状态方程的状态向量为xω=[vy ω]T,轨迹跟踪状态方程的状态向量为横摆稳定状态方程的状态矩阵为/>横摆稳定状态方程的输入矩阵为/>轨迹跟踪状态方程的状态矩阵为轨迹跟踪状态方程的输入矩阵为/>扰动量矩阵为/>输出矩阵为/>
在其中一个实施例中,所述基于LQR的面向稳定性的控制器的性能指标为:
其中,xω为横摆稳定性状态方程的状态向量,Jω为车辆稳定性性能指标;Qω为稳定性状态权重,Qω=diag[qvy qω],其中qvy为侧向车速的目标权重矩阵,qω为横摆角速度的目标权重矩阵;rδ_ω为面向稳定性的控制器的***输入权重;期望状态向量xω_des=[vy_desωdes]T;其中,期望侧向速度vy_des=0,ωdes是通过线性二自由度车辆模型获得的期望横摆角速度,其值与驾驶员的方向盘转角有关;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角。
面向轨迹跟踪自动驾驶控制器的最优控制为:
其中,rδ_ω为面向稳定性的控制器的***输入权重,Bω为横摆稳定状态方程的输入矩阵,xω为横摆稳定性状态方程的状态向量,xω_des为期望状态向量,Pω为如式(7)所示的黎卡提方程的解:
其中,Aω为横摆稳定状态方程的状态矩阵,rδ_ω为面向稳定性的控制器的***输入权重,Qω为稳定性状态权重。
在其中一个实施例中,建立基于LQR的面向轨迹跟踪的自动驾驶控制器性能指标为:
其中,Jy为车辆轨迹跟踪性能指标;xy为轨迹跟踪状态方程的状态向量;C为输出矩阵;Qy为轨迹跟踪状态权重,Qy=diag[qe_y qe_ψ],其中qe_y为侧向位移的目标权重,qe_ψ为航向角的目标权重;rδ_y为面向轨迹跟踪自动驾驶控制器的***输入权重;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
面向轨迹跟踪自动驾驶控制器的最优控制计算为:
其中,By轨迹跟踪状态方程的输入矩阵,ψdes为自动控制器所期望航向角,Py为如式(10)所示的黎卡提方程的解:
其中,Ay为轨迹跟踪状态方程的状态矩阵。
在其中一个实施例中,所述表征驾驶员与自动驾驶控制器冲突的行为冲突函数,表示为:
其中,CF为行为冲突函数,δd为驾驶员方向盘转角,通过驾驶员转角估计模块获得,t0为时间窗的初始时间,tt为时间窗的终止时间,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
在其中一个实施例中,所述表征驾驶员期望路径与自动驾驶***期望路径的风险比函数,表示为:
其中,PRF(·)为基于人工势能场方法的路径风险函数;yd为驾驶员期望路径,通过驾驶员期望轨迹模块获得;yA为自动驾驶***期望轨迹,通过自动驾驶***期望轨迹模块获得,PRR为风险比函数。
在其中一个实施例中,所述人机权限分配函数为:
σ=w(PRR)(h1(CF)+h2(CF)) (13)
其中,σ为权限分配因子,为与风险比相关的权重函数,和/>为与冲突相关的规则函数,c1、c2、c3和c4为权限分配调整系数,其值可根据工程实际进行调整;
根据人机权限分配函数计算施加于转向***的转角,具体为:
δs=σ(δd+δA_ω)+(1-σ)δA_y (14)
其中,δs为施加于转向***的转角,δd为驾驶员方向盘转角,δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
其中,在式(14)中,当σ=1时,δs=δd+δA_ω,车辆主要由驾驶员控制并且由关注横向稳定性的自动驾驶***进行辅助,而关注轨迹跟踪的自动驾驶***无控制权限;当σ=0时,δs=δA_y,车辆主要由关注轨迹跟踪的自动驾驶***控制,而驾驶员无控制权限。
如图3所示,当驾驶员与自动驾驶***不存在冲突时,CF≈0,h1(CF)≈1,h2(CF)≈0,此时决定权重分配的为w(PRR),由于不存在冲突,PRR≈1,w(PRR)≈1,因此σ≈1,该变化可参考由式(13)得到的权限分配关系如图6所示,根据式(14)此时车辆完全由驾驶员进行控制并且由关注横向稳定性的控制器进行辅助。
如图4所示,当驾驶员与自动驾驶***的期望轨迹存在冲突但风险相等时,此时w(PRR)≈1,CF增大,h1(CF)和h2(CF)都增大,因此σ增大,根据式(14)控制权限被更多的分配给驾驶员。
如图5所示,当驾驶员与自动驾驶***的期望轨迹存在冲突但驾驶员期望路径的风险更大时,虽然h1(CF)和h2(CF)都增大,但w(PRR)在减小,通过确定合理的系数c1和c2可以使σ减小,根据式(14)控制权限被更多的分配给自动驾驶***。
本申请共享驾驶冲突解决方法,基于积分的形式设计了冲突函数,能够通过历史数据对驾驶员与自动驾驶***的冲突做更全面地评估;设计了基于风险比函数和冲突函数的权限分配函数,能够根据不同情况自动分配驾驶员与自动驾驶***的控制权限。简而言之,本发明考虑驾驶员与自动驾驶控制器的冲突情况,建立了权限分配策略,能够是驾驶员期望得到最大尊重的前提下,针对存在冲突、不存在冲突的情况进行协调控制。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种共享驾驶冲突解决***,包括:模型建立模块210、控制器建立模块220、风险比函数构建模块230、行为冲突函数构建模块240和转角计算模块250,其中:
模型建立模块210,用于根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型。
控制器建立模块220,用于根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器。
风险比函数构建模块230,用于根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数。
行为冲突函数构建模块240,用于根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数。
转角计算模块250,用于根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
在其中一个实施例中,所述横向稳定性动力学模型,表示为:
其中,M为整车质量;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;vx为车辆纵向速度、vy为车辆横向速度;ω为横摆角速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;Iz为汽车转动惯量;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角;
所述轨迹跟踪误差模型,表示为:
其中,ey=y-ydes,ey为车辆实际横向位置y与自动控制器所期望横向位置ydes的偏差;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;M为整车质量;vx为车辆纵向速度、vy为车辆横向速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;eΨ=Ψ-Ψdes,eΨ为车辆航向角Ψ与自动控制器所期望航向角ψdes的偏差;Iz为汽车转动惯量;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
在其中一个实施例中,将式(1)和式(2)改写为状态空间方程的形式:
其中,横摆稳定性状态方程的状态向量为xω=[vy ω]T,轨迹跟踪状态方程的状态向量为横摆稳定状态方程的状态矩阵为/>横摆稳定状态方程的输入矩阵为/>轨迹跟踪状态方程的状态矩阵为轨迹跟踪状态方程的输入矩阵为/>扰动量矩阵为/>输出矩阵为/>
在其中一个实施例中,所述基于LQR的面向稳定性的控制器的性能指标为:
其中,xω为横摆稳定性状态方程的状态向量,Jω为车辆稳定性性能指标;Qω为稳定性状态权重,Qω=diag[qvy qω],其中qvy为侧向车速的目标权重矩阵,qω为横摆角速度的目标权重矩阵;rδ_ω为面向稳定性的控制器的***输入权重;期望状态向量xω_des=[vy_desωdes]T;其中,期望侧向速度vy_des=0,ωdes是通过线性二自由度车辆模型获得的期望横摆角速度,其值与驾驶员的方向盘转角有关;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角;
面向轨迹跟踪自动驾驶控制器的最优控制为:
其中,rδ_ω为面向稳定性的控制器的***输入权重,Bω为横摆稳定状态方程的输入矩阵,xω为横摆稳定性状态方程的状态向量,xω_des为期望状态向量,Pω为如式(7)所示的黎卡提方程的解:
其中,Aω为横摆稳定状态方程的状态矩阵,rδ_ω为面向稳定性的控制器的***输入权重,Qω为稳定性状态权重。
在其中一个实施例中,建立基于LQR的面向轨迹跟踪的自动驾驶控制器性能指标为:
其中,Jy为车辆轨迹跟踪性能指标;xy为轨迹跟踪状态方程的状态向量;C为输出矩阵;Qy为轨迹跟踪状态权重,Qy=diag[qe_y qe_ψ],其中qe_y为侧向位移的目标权重,qe_ψ为航向角的目标权重;rδ_y为面向轨迹跟踪自动驾驶控制器的***输入权重;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角;
面向轨迹跟踪自动驾驶控制器的最优控制计算为:
其中,By轨迹跟踪状态方程的输入矩阵,ψdes为自动控制器所期望航向角,Py为如式(10)所示的黎卡提方程的解:
其中,Ay为轨迹跟踪状态方程的状态矩阵。
在其中一个实施例中,所述表征驾驶员与自动驾驶控制器冲突的行为冲突函数,表示为:
其中,CF为行为冲突函数,δd为驾驶员方向盘转角,通过驾驶员转角估计模块获得,t0为时间窗的初始时间,tt为时间窗的终止时间,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
在其中一个实施例中,所述表征驾驶员期望路径与自动驾驶***期望路径的风险比函数,表示为:
其中,PRF(·)为基于人工势能场方法的路径风险函数;yd为驾驶员期望路径,通过驾驶员期望轨迹模块获得;yA为自动驾驶***期望轨迹,通过自动驾驶***期望轨迹模块获得,PRR为风险比函数。
在其中一个实施例中,所述人机权限分配函数为:
σ=w(PRR)(h1(CF)+h2(CF)) (13)
其中,σ为权限分配因子,为与风险比相关的权重函数,和/>为与冲突相关的规则函数,c1、c2、c3和c4为权限分配调整系数,其值可根据工程实际进行调整;
根据人机权限分配函数计算施加于转向***的转角,具体为:
δs=σ(δd+δA_ω)+(1-σ)δA_y (14)
其中,δs为施加于转向***的转角,δd为驾驶员方向盘转角,δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
关于共享驾驶冲突解决***的具体限定可以参见上文中对于共享驾驶冲突解决方法的限定,在此不再赘述。上述共享驾驶冲突解决***中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是车载终端,其内部结构图可以如图8所示。该计算机设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种共享驾驶冲突解决方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板等。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种共享驾驶冲突解决方法,其特征在于,所述方法包括:
根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;
根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;
根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;
根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;
根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
2.根据权利要求1所述的方法,其特征在于,所述横向稳定性动力学模型,表示为:
其中,M为整车质量;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;vx为车辆纵向速度、vy为车辆横向速度;ω为横摆角速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;Iz为汽车转动惯量;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角;
所述轨迹跟踪误差模型,表示为:
其中,ey=y-ydes,ey为车辆实际横向位置y与自动控制器所期望横向位置ydes的偏差;k1为前轮的侧偏刚度、k2为后轮的侧偏刚度;M为整车质量;vx为车辆纵向速度、vy为车辆横向速度;a为车辆前轴到质心的距离、b为车辆后轴到质心的距离;eΨ=Ψ-Ψdes,eΨ为车辆航向角Ψ与自动控制器所期望航向角ψdes的偏差;Iz为汽车转动惯量;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
3.根据权利要求2所述的方法,其特征在于,将式(1)和式(2)改写为状态空间方程的形式:
其中,横摆稳定性状态方程的状态向量为xω=[vy ω]T,轨迹跟踪状态方程的状态向量为横摆稳定状态方程的状态矩阵为/>横摆稳定状态方程的输入矩阵为/>轨迹跟踪状态方程的状态矩阵为轨迹跟踪状态方程的输入矩阵为/>扰动量矩阵为/>输出矩阵为/>
4.根据权利要求1所述的方法,其特征在于,所述基于LQR的面向稳定性的控制器的性能指标为:
其中,xω为横摆稳定性状态方程的状态向量,Jω为车辆稳定性性能指标;Qω为稳定性状态权重,Qω=diag[qvy qω],其中qvy为侧向车速的目标权重矩阵,qω为横摆角速度的目标权重矩阵;rδ_ω为面向稳定性的控制器的***输入权重;期望状态向量xω_des=[vy_des ωdes]T;其中,期望侧向速度vy_des=0,ωdes是通过线性二自由度车辆模型获得的期望横摆角速度,其值与驾驶员的方向盘转角有关;δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角;
面向轨迹跟踪自动驾驶控制器的最优控制为:
其中,rδ_ω为面向稳定性的控制器的***输入权重,Bω为横摆稳定状态方程的输入矩阵,xω为横摆稳定性状态方程的状态向量,xω_des为期望状态向量,Pω为如式(7)所示的黎卡提方程的解:
其中,Aω为横摆稳定状态方程的状态矩阵,rδ_ω为面向稳定性的控制器的***输入权重,Qω为稳定性状态权重。
5.根据权利要求1所述的方法,其特征在于,建立基于LQR的面向轨迹跟踪的自动驾驶控制器性能指标为:
其中,Jy为车辆轨迹跟踪性能指标;xy为轨迹跟踪状态方程的状态向量;C为输出矩阵;Qy为轨迹跟踪状态权重,Qy=diag[qe_y qe_ψ],其中qe_y为侧向位移的目标权重,qe_ψ为航向角的目标权重;rδ_y为面向轨迹跟踪自动驾驶控制器的***输入权重;δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角;
面向轨迹跟踪自动驾驶控制器的最优控制计算为:
其中,By轨迹跟踪状态方程的输入矩阵,ψdes为自动控制器所期望航向角,Py为如式(10)所示的黎卡提方程的解:
其中,Ay为轨迹跟踪状态方程的状态矩阵。
6.根据权利要求2所述的方法,其特征在于,所述表征驾驶员与自动驾驶控制器冲突的行为冲突函数,表示为:
其中,CF为行为冲突函数,δd为驾驶员方向盘转角,通过驾驶员转角估计模块获得,t0为时间窗的初始时间,tt为时间窗的终止时间,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
7.根据权利要求6所述的方法,其特征在于,所述表征驾驶员期望路径与自动驾驶***期望路径的风险比函数,表示为:
其中,PRF(·)为基于人工势能场方法的路径风险函数;yd为驾驶员期望路径,通过驾驶员期望轨迹模块获得;yA为自动驾驶***期望轨迹,通过自动驾驶***期望轨迹模块获得,PRR为风险比函数。
8.根据权利要求7所述的方法,其特征在于,所述人机权限分配函数为:
σ=w(PRR)(h1(CF)+h2(CF)) (13)
其中,σ为权限分配因子,为与风险比相关的权重函数,/>和/>为与冲突相关的规则函数,c1、c2、c3和c4为权限分配调整系数,其值可根据工程实际进行调整;
根据人机权限分配函数计算施加于转向***的转角,具体为:
δs=σ(δd+δA_ω)+(1-σ)δA_y (14)
其中,δs为施加于转向***的转角,δd为驾驶员方向盘转角,δA_ω为自动驾驶控制器关注横向稳定性时的前轮转角,δA_y为自动驾驶控制器关注轨迹跟踪时的前轮转角。
9.一种共享驾驶冲突解决***,其特征在于,所述***包括:
模型建立模块,用于根据车辆动力学参数,建立横向稳定性动力学模型和轨迹跟踪误差模型;
控制器建立模块,用于根据横向稳定性动力学模型和轨迹跟踪误差模型,分别建立基于LQR的面向稳定性的控制器和面向轨迹跟踪的自动驾驶控制器;
风险比函数构建模块,用于根据基于人工势能场方法的路径风险函数,构建表征驾驶员期望路径与自动驾驶***期望路径的风险比函数;
行为冲突函数构建模块,用于根据驾驶员方向盘转角和自动驾驶控制器关注轨迹跟踪时的前轮转角,构建表征驾驶员与自动驾驶控制器冲突的行为冲突函数;
转角计算模块,用于根据风险比函数和行为冲突函数确定人机权限分配函数,并根据人机权限分配函数计算施加于转向***的转角。
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549853.7A CN114291109B (zh) | 2021-12-17 | 2021-12-17 | 一种共享驾驶冲突解决方法、***和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549853.7A CN114291109B (zh) | 2021-12-17 | 2021-12-17 | 一种共享驾驶冲突解决方法、***和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114291109A CN114291109A (zh) | 2022-04-08 |
CN114291109B true CN114291109B (zh) | 2023-07-21 |
Family
ID=80968357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111549853.7A Active CN114291109B (zh) | 2021-12-17 | 2021-12-17 | 一种共享驾驶冲突解决方法、***和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114291109B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116495014B (zh) * | 2023-06-28 | 2023-09-01 | 北京理工大学 | 一种自进化非博弈自动驾驶车辆人机共驾方法及*** |
CN117601857B (zh) * | 2023-12-18 | 2024-05-10 | 广东工业大学 | 一种基于轨迹预测的人机共驾切换控制方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943046A (zh) * | 2017-12-08 | 2018-04-20 | 珠海横琴小可乐信息技术有限公司 | 一种自动驾驶车辆人机控制权移交方法及*** |
CN108646732A (zh) * | 2018-04-20 | 2018-10-12 | 华东交通大学 | 基于驾驶人操控意图的车辆轨迹预测方法、装置及*** |
CN109885040A (zh) * | 2019-02-20 | 2019-06-14 | 江苏大学 | 一种人机共驾中的车辆驾驶控制权分配*** |
CN112977476A (zh) * | 2021-02-20 | 2021-06-18 | 纳瓦电子(上海)有限公司 | 基于雷达探测的车辆驾驶方法和自动驾驶车辆 |
CN113479211A (zh) * | 2021-07-27 | 2021-10-08 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及*** |
CN113548109A (zh) * | 2020-04-23 | 2021-10-26 | 现代摩比斯株式会社 | 用于控制电机驱动动力转向***的装置和方法 |
CN113602284A (zh) * | 2021-07-30 | 2021-11-05 | 东风柳州汽车有限公司 | 人机共驾模式决策方法、装置、设备及存储介质 |
CN113602287A (zh) * | 2021-08-13 | 2021-11-05 | 吉林大学 | 一种面向低驾龄女性驾驶员的人机共驾*** |
CN113619480A (zh) * | 2021-08-18 | 2021-11-09 | 广东机电职业技术学院 | 基于机器视觉的汽车灯光辅助控制方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10589784B2 (en) * | 2017-08-21 | 2020-03-17 | Mitsubishi Electric Research Laboratories, Inc. | Systems and methods for intention-based steering of vehicle |
US11981349B2 (en) * | 2020-02-19 | 2024-05-14 | Nvidia Corporation | Behavior planning for autonomous vehicles |
KR20210119617A (ko) * | 2020-03-24 | 2021-10-06 | 현대자동차주식회사 | 차량의 자율 주행 제어 장치 및 방법 및 그 방법 |
-
2021
- 2021-12-17 CN CN202111549853.7A patent/CN114291109B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107943046A (zh) * | 2017-12-08 | 2018-04-20 | 珠海横琴小可乐信息技术有限公司 | 一种自动驾驶车辆人机控制权移交方法及*** |
CN108646732A (zh) * | 2018-04-20 | 2018-10-12 | 华东交通大学 | 基于驾驶人操控意图的车辆轨迹预测方法、装置及*** |
CN109885040A (zh) * | 2019-02-20 | 2019-06-14 | 江苏大学 | 一种人机共驾中的车辆驾驶控制权分配*** |
CN113548109A (zh) * | 2020-04-23 | 2021-10-26 | 现代摩比斯株式会社 | 用于控制电机驱动动力转向***的装置和方法 |
CN112977476A (zh) * | 2021-02-20 | 2021-06-18 | 纳瓦电子(上海)有限公司 | 基于雷达探测的车辆驾驶方法和自动驾驶车辆 |
CN113479211A (zh) * | 2021-07-27 | 2021-10-08 | 广东机电职业技术学院 | 基于机器视觉的汽车驾驶安全行为识别和提醒方法及*** |
CN113602284A (zh) * | 2021-07-30 | 2021-11-05 | 东风柳州汽车有限公司 | 人机共驾模式决策方法、装置、设备及存储介质 |
CN113602287A (zh) * | 2021-08-13 | 2021-11-05 | 吉林大学 | 一种面向低驾龄女性驾驶员的人机共驾*** |
CN113619480A (zh) * | 2021-08-18 | 2021-11-09 | 广东机电职业技术学院 | 基于机器视觉的汽车灯光辅助控制方法及*** |
Non-Patent Citations (2)
Title |
---|
基于图像处理与雷达控制的车道偏移自动驾驶控制***;李百华;王时龙;;科学技术与工程(25);全文 * |
论自动驾驶汽车伦理难题与道德原则自我选择;李伟;华梦莲;;科学学研究(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114291109A (zh) | 2022-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114291109B (zh) | 一种共享驾驶冲突解决方法、***和计算机设备 | |
Wang et al. | Output-feedback robust control for vehicle path tracking considering different human drivers’ characteristics | |
Schofield et al. | Vehicle dynamics control and controller allocation for rollover prevention | |
Zhao et al. | Emergency steering evasion assistance control based on driving behavior analysis | |
CN112319610B (zh) | 一种智能汽车的人机共享转向控制方法 | |
CN113619574A (zh) | 一种车辆避让方法、装置、计算机设备和存储介质 | |
CN107380162B (zh) | 基于功能分配与多目标模糊决策的协同避撞方法 | |
Chatzikomis et al. | Vergleich der Electronic Stability Control (ESC) mit einer Four Wheel Steering (4WS) | |
Na et al. | Experimental evaluation of a game-theoretic human driver steering control model | |
CN115285145A (zh) | 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法 | |
CN115179963A (zh) | 自动驾驶车辆换道的容错控制方法、介质、***及汽车 | |
Hoehener et al. | Design of a lane departure driver-assist system under safety specifications | |
CN113753054B (zh) | 一种车辆线控底盘控制方法、装置、电子设备及介质 | |
KR20230166124A (ko) | 장치의 액츄에이터를 자율적으로 구동하기 위한 방법 | |
CN113788022B (zh) | 车辆控制方法、装置、计算机可读存储介质及电子设备 | |
CN116841298A (zh) | 适用于四轮移动机器人变道预警的有限时间跟踪控制方法 | |
CN115973191A (zh) | 智能汽车人机共驾控制方法 | |
KR20210135588A (ko) | 장치의 이동성을 자율적으로 제어하는 방법 | |
Nilsson et al. | Driver model based automated driving of long vehicle combinations in emulated highway traffic | |
Nilsson et al. | Automated highway lane changes of long vehicle combinations: A specific comparison between driver model based control and non-linear model predictive control | |
Balachandran et al. | Creating predictive haptic feedback for obstacle avoidance using a model predictive control (MPC) framework | |
CN111762158A (zh) | 集成式跟随控制方法、***、装置及计算机可读存储介质 | |
CN112046465B (zh) | 一种车辆稳定性控制方法、装置、设备和存储介质 | |
Chen et al. | Tire-force based holistic corner control | |
So et al. | Novel pre-emptive control solutions for V2X connected electric vehicles |
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 |