CN115303265A - 车辆避障控制方法、装置及车辆 - Google Patents

车辆避障控制方法、装置及车辆 Download PDF

Info

Publication number
CN115303265A
CN115303265A CN202210979383.6A CN202210979383A CN115303265A CN 115303265 A CN115303265 A CN 115303265A CN 202210979383 A CN202210979383 A CN 202210979383A CN 115303265 A CN115303265 A CN 115303265A
Authority
CN
China
Prior art keywords
vehicle
information
field model
road
obstacle avoidance
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.)
Pending
Application number
CN202210979383.6A
Other languages
English (en)
Inventor
李文礼
任勇鹏
钱洪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Technology
Original Assignee
Chongqing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Technology filed Critical Chongqing University of Technology
Priority to CN202210979383.6A priority Critical patent/CN115303265A/zh
Publication of CN115303265A publication Critical patent/CN115303265A/zh
Pending legal-status Critical Current

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
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • 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
    • B60W40/064—Degree of grip
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明实施例提供的一种车辆避障控制方法、装置及车辆，包括，在获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息后，基于车辆状态信息实时计算路面附着系数，根据路面附着系数和路面信息构建行车风险场模型，并基于行车风险场模型计算避障的最优参考路径，控制车辆跟踪最优参考路径，以进行避障行驶。本申请充分考虑了路面附着系数对车辆避障控制的影响，因此构建了关于路面附着系数的行车风险场模型，基于该行车风险场模型进行车辆避障控制能够大大提高避障准确性，进而有效降低了驾驶员的驾驶风险。

Description

车辆避障控制方法、装置及车辆
技术领域
本发明实施例涉及车辆避障技术领域，尤其涉及一种车辆避障控制方法、装置及车辆。
背景技术
根据研究表明，90％左右的交通事故都与驾驶员相关，车辆主动避障技术可使车辆根据避障路径自主避开障碍物，提高行车安全性，目前，车辆避障方法主要有风险场法(人工势场法)、最优控制法和随机搜索法等，其中，风险场法因计算简单、规划的路径相对平滑、实时性好等优点，在车辆避障方面应用广泛。
车辆的行驶环境是复杂多变的，在行驶过程中时常会出现路面附着条件突变的情况，最典型的就是天气由晴转雨的驾驶工况，路面附着条件将发生由高到低的变化，对于此类场景，若不考虑路面附着变化对风险场的影响，会严重影响避障控制的准确性，从而大大提高了驾驶员的驾驶风险。
发明内容
鉴于此，本发明实施例提供一种车辆避障控制方法、装置及车辆，能够提高车辆避障的准确性，进而降低了驾驶员的驾驶风险，使得驾驶员能够安全出行。
第一方面，本发明实施例提供一种车辆避障控制方法，其中，该方法应用于车载控制器；上述方法包括：
获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
基于车辆状态信息实时计算路面附着系数；
根据路面附着系数和路面信息构建行车风险场模型；
基于行车风险场模型计算避障的最优参考路径；
控制车辆跟踪最优参考路径，以进行避障行驶。
上述基于车辆状态信息实时计算路面附着系数的步骤，包括：
实时提取车辆状态信息中的车辆轮胎信息和车辆行驶速度信息；
将车辆轮胎信息和车辆行驶速度信息输入至预先训练好的轮胎模型中，通过轮胎模型输出车辆的各个轮胎对应的轮胎附着系数；
对多个轮胎附着系数进行均值计算得到路面附着系数。
上述根据路面附着系数和路面信息构建行车风险场模型的步骤，包括：
提取路面信息中的道路边界信息、车辆驶向目标位置的第一位置信息、障碍物当前的第二位置信息、障碍物与车辆的相对信息、车辆当前的第三位置信息；
基于道路边界信息和第三位置信息构建道路边界风险场模型；
基于第一位置信息和第三位置信息构建目标引力场模型；
基于路面附着系数、第二位置信息、相对信息和第三位置信息构建障碍物风险场模型；
根据道路边界风险场模型、目标引力场模型和障碍物风险场模型构建行车风险场模型。
上述根据道路边界风险场模型、目标引力场模型和障碍物风险场模型构建行车风险场模型的步骤，包括：
对道路边界风险场模型、目标引力场模型和障碍物风险场模型进行加权计算，得到行车风险场模型。
上述基于行车风险场模型确计算避障的最优参考路径的步骤，包括：
对行车风险场模型进行负梯度求导，得到初始避障路径的多个避障路径点；
基于多个避障路径点计算最优参考路径。
上述基于多个避障路径点计算最优参考路径的步骤，包括：
对多个避障路径点进行多次多项拟合计算，得到最优参考路径。
第二方面，本发明实施例提供一种车辆避障控制装置，其中，该装置应用于车载服务器；上述装置包括：
获取模块，用于获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
第一计算模块，用于基于车辆状态信息实时计算路面附着系数；
构建模块，用于根据路面附着系数和路面信息构建行车风险场模型；
第二计算模块，用于基于行车风险场模型计算避障的最优参考路径；
控制模块，用于控制车辆跟踪最优参考路径，以进行避障行驶。
上述第一计算模块还用于：实时提取车辆状态信息中的车辆轮胎信息和车辆行驶速度信息；
将车辆轮胎信息和车辆行驶速度信息输入至预先训练好的轮胎模型中，通过轮胎模型输出车辆的各个轮胎对应的轮胎附着系数；
对多个轮胎附着系数进行均值计算得到路面附着系数。
上述构建模块，还用于：提取路面信息中的道路边界信息、车辆驶向目标位置的第一位置信息、障碍物当前的第二位置信息、障碍物与车辆的相对信息、车辆当前的第三位置信息；
基于道路边界信息和第三位置信息构建道路边界风险场模型；
基于第一位置信息和第三位置信息构建目标引力场模型；
基于路面附着系数、第二位置信息、相对信息和第三位置信息构建障碍物风险场模型；
根据道路边界风险场模型、目标引力场模型和障碍物风险场模型构建行车风险场模型。
第三方面，本发明实施例提供一种车辆，该车辆配置有车载控制器，车载控制器用于执行上述的车辆避障控制方法。
本发明实施例带来了以下有益效果：
本发明实施例提供的一种车辆避障控制方法、装置及车辆，其中，在获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息后，基于车辆状态信息实时计算路面附着系数，根据路面附着系数和路面信息构建行车风险场模型，并基于行车风险场模型计算避障的最优参考路径，控制车辆跟踪最优参考路径，以进行避障行驶。本申请充分考虑了路面附着系数对车辆避障控制的影响，因此构建了关于路面附着系数的行车风险场模型，基于该行车风险场模型进行车辆避障控制能够大大提高避障准确性，进而有效降低了驾驶员的驾驶风险。
附图说明
图1为本实施例提供的一种车辆避障控制方法的流程图；
图2为本实施例提供的另一种车辆避障控制方法的流程图；
图3为本实施例提供的一种道路边界风险场模型的三维示意；
图4为本实施例提供的一种目标引力场模型的三维示意；
图5为本实施例提供的一种障碍物风险场建模的三维示意；
图6为本实施例提供的一种行车风险场模型的三维示意；
图7为本实施例提供的一种车辆避障控制装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，本领域普通技术人员在没有做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。
为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
本实施例提供了一种车辆避障控制方法，其中，该方法应用于车载控制器；参见图1所示的一种车辆避障控制方法的流程图，该方法具体包括如下步骤：
S102，获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
在实际使用时，车载控制器与车辆上的传感器组进行通讯连接，该传感器组，用于采集车辆外界数据即路面信息，以及探测车辆在行驶过程中的动力学数据即车辆状态信息。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、GPS(Global PositioningSystem，全球定位***)、IMU(Inertial Measurement Unit，惯性测量单元)、速度传感器和加速度传感器中的至少一个。
车载控制器，用于获取传感器组的数据，传感器组中所有传感器在车辆行驶过程中都以较高的频率传送数据，车载控制器，还用于与云端服务器无线通信，交互各种信息。
车载控制器，还用于基于传感器组的数据进行计算路面附着系数，并基于路面附着系数进行路径规划和决策，以及基于规划的最优参考路径生成车辆控制指令，从而控制车辆进行安全避障行驶。
S104，基于车辆状态信息实时计算路面附着系数；
路面附着系数是附着力与车轮法向(与路面垂直的方向)压力的比值，它可以看成是轮胎和路面之间的静摩擦系数，也就大概相当于摩擦系数，不同路面附着状态对车辆避障路径和避障效果有较大影响；在相同车速下，路面附着系数越低，避障时的横向加速度越小，横向加速度的标准差越小，避障效果更平稳。
S106，根据路面附着系数和路面信息构建行车风险场模型；
行车风险场模型是一种评估车辆行驶安全性的有效手段之一，目前主流的行车风险场模型未考虑路面附着系数影响行驶安全的信息，忽视了路面附着系数对行车风险的影响，显然是不符合实际情况，会严重影响避障控制的安全性。因此，在进行车辆主动安全控制过程中，有必要实时计算路面附着系数，将计算得到的路面附着系数引入行车风险场模型中，有效提高模型的准确性，进而准确控制车辆进行安全避障，大大降低了驾驶员的驾驶风险。
S108，基于行车风险场模型计算避障的最优参考路径；
车辆避障的前提是控制车辆跟踪行车风险场模型所计算出的最优参考路径进行安全行驶，该最优参考路径可理解为是行车风险最低的避障路径。
S110，控制车辆跟踪最优参考路径，以进行避障行驶。
在本实施例中，可利用预测模型对最优参考路径进行跟踪，以控制车辆的前轮转角进行避障行驶。
具体实现时，预测模型的构建过程为：首先，考虑到车辆避障时的横纵向运动以及车辆的横摆运动，忽略悬架影响、垂向运动等，建立三自由度车辆模型，如公式(1)：
Figure BDA0003798707020000061
式中：sf、sr：为前后轮胎的滑移率；Clf、Clr：轮胎前后纵向刚度；Ccf、Ccr：轮胎前后侧偏刚度；
Figure BDA00037987070200000610
车辆的纵向速度，
Figure BDA0003798707020000069
车辆的横向速度，
Figure BDA0003798707020000062
横摆角；
Figure BDA0003798707020000063
横摆角速度；
Figure BDA0003798707020000064
车辆纵向加速度；
Figure BDA0003798707020000065
车辆横向加速度；
Figure BDA0003798707020000066
横摆角加速度；a：车辆质心到前轴的距离；b：车辆质心到后轴的距离；Iz：车辆绕z轴的转动惯量；m1：车辆质量；
Figure BDA0003798707020000067
车辆在大地坐标系中沿X轴的速度；
Figure BDA0003798707020000068
车辆在大地坐标系中沿Y轴的速度。
然后，基于所建立的车辆三自由度模型，选取车辆的纵向速度
Figure BDA0003798707020000071
横向速度
Figure BDA0003798707020000072
横摆角
Figure BDA0003798707020000073
横摆角速度
Figure BDA0003798707020000074
以及车辆的横纵向位置为***状态量，如公式(2)：
Figure BDA0003798707020000075
以前轮转角为控制量：u＝δf。首先对非线性动力学模型
Figure BDA0003798707020000076
做线性化处理，得到线性状态空间方程，如公式(3)：
Figure BDA0003798707020000077
式中：
Figure BDA0003798707020000078
同时对得到的线性状态空间方程进行离散化处理,可得公式(4)：
Figure BDA0003798707020000079
式中：At＝Im2+TA(t)Bt＝TB(t)，m2为状态量维度，T为***采样时间。设
Figure BDA00037987070200000710
得到预测模型的模型表达式，如公式(5)：
Figure BDA00037987070200000711
其中，
Figure BDA00037987070200000712
在本实施例中，以车辆的前轮转角为预测模型的控制输出量，同时假设车速不变，考虑到直接以控制输出量作为目标函数的状态量可能导致控制量变大，影响控制精度。因此，把控制输出量的增量作为目标函数的状态量，如公式(6)：
Figure BDA00037987070200000713
式中，ηref为最优参考路径；Np：预测时域；Nc：控制时域；Q：跟踪效果调节矩阵；R：控制量变化调节矩阵；ρ：权重系数；ε：防止控制量增量无解的松弛因子。
在求解过程中，目标函数需满足如下约束：
控制输出量约束：
umin≤u(t+i)≤umax i＝0,1,L Nc-1 (7)
控制输出量增量约束：
Δumin≤Δu(t+i)≤Δumax i＝0,1,L Nc-1 (8)
输出变量约束：
ymin≤y(t+i)≤ymax i＝0,1,L Nc-1 (9)
考虑到路面附着系数也约束着车辆的动力性，直接影响车辆的加速度，具体关系为：
Figure BDA0003798707020000081
式中ax、ay分别为车辆的纵向加速度和横向加速度，μ为路面附着系数。因假设车辆纵向速度不变，因此上式可简化为：
|ay|≤μg
根据上述目标函数及其约束条件，经过相应的矩阵运算可以转化为二次规划问题，并可求解得到控制输出量在控制域内的增量，同时将第一个增量作用于预测模型，重复以上求解过程，直至求解过程满足目标函数设置的约束条件为止，预测模型输出前轮转角，以实现对最优避障路径的跟踪行驶。
本发明实施例提供的一种车辆避障控制方法，充分考虑了路面附着系数对车辆避障控制的影响，因此构建了关于路面附着系数的行车风险场模型，基于该行车风险场模型进行车辆避障控制能够大大提高避障准确性，进而有效降低了驾驶员的驾驶风险。
本实施例提供了另一种车辆避障控制方法，该方法在上述实施例的基础上实现；本实施例重点描述计算路面附着系数、构建行车风险场模型和计算最优参考路径的具体实施方式。如图2所示的另一种车辆避障控制方法的流程图，本实施例中的车辆避障控制方法包括如下步骤：
S200，获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
S201，实时提取车辆状态信息中的车辆轮胎信息和车辆行驶速度信息；
上述车辆轮胎信息包括为轮胎半径，轮胎角速度，轮胎侧偏刚度，轮胎纵向刚度，轮胎侧偏角等信息，可由传感器组中采集上述车辆轮胎信息的传感器采集得到。
上述车辆行驶速度信息包括车辆速度信息和加速度信息，这些信息可由传感器组中的速度传感器和加速度传感器采集得到。
S202，将车辆轮胎信息和车辆行驶速度信息输入至预先训练好的轮胎模型中，通过轮胎模型输出车辆的各个轮胎对应的轮胎附着系数；
在本实施例中，轮胎模型的构建过程为：
首先，构建的三自由度车辆动力学模型，三自由度车辆动力学模型如公式(10)：
Figure BDA0003798707020000091
其中，
Figure BDA0003798707020000092
式中：δ为前轮转角；β为质心侧偏角；
Figure BDA0003798707020000093
为横摆角速度；a质心到前轴距离；b质心到后轴距离；vy横向速度；vx纵向速度；f表示前；r表示后；l表示左；r表示右；Fx、Fy为纵向和横向力；T为轮距。
基于三自由度车辆动力学模型构建轮胎模型的模型公式如(11)：
Figure BDA0003798707020000094
其中，
Figure BDA0003798707020000101
其中，
Figure BDA0003798707020000102
其中，
Figure BDA0003798707020000103
式中：R为轮胎半径；ω轮胎角速度；Cx轮胎侧偏刚度；Cy轮胎纵向刚度；α轮胎侧偏角；ε速度影响因子；λ为滑移率；L是用来描述轮胎滑移的非线性参数；下标i取f表示前轴，取r表示后轴；下标j取l表示左轮，取r表示右轮；例如下标fl表示汽车前轴的左轮，rr表示汽车后轴的右轮。
在实际使用时，路面附着系数的估算方法主要分为Cause-Based算法和Effect-Based算法两类。Cause-Based算法需加装专业传感器，成本高且易受环境影响，适用性受限，Effect-Based算法是根据路面变化所引起的车辆运动参数变化来估算路面附着系数，此方法成本低、适用性强，因此，在本实施例中，基于上述轮胎模型和路面附着系数之间所产生的函数关系，利用Effect-Based算法实时计算路面附着系数。
具体地，建立Effect-Based算法的状态方程和观测方程，状态变量选取为四个车轮的轮胎附着系数：x(t)＝[μflμfrμrlμrr]T
另外假设横纵向加速度ay、ax，横摆角速度
Figure BDA0003798707020000104
可直接由传感器获取，故将其作为观测变量，即：
Figure BDA0003798707020000105
控制量为前轮转角δ和四个归一化轮胎力：
Figure BDA0003798707020000106
综上，基于Effect-Based算法的状态空间方程如公式(12)：
Figure BDA0003798707020000107
式中：ω(t)：过程噪声；υ(t)：观测噪声。对式(12)线性化，可得线性化后的状态空间表达式如下：
Figure BDA0003798707020000111
Figure BDA0003798707020000112
式中：
Figure BDA0003798707020000113
Figure BDA0003798707020000114
Figure BDA0003798707020000115
Figure BDA0003798707020000116
综上，基于卡尔曼滤波是路面附着系数估计的状态量式、观测量式、控制量式，结合卡尔曼滤波算法原理，可得到车辆4个轮胎所估算的轮胎附着系数。
S203，对多个轮胎附着系数进行均值计算得到路面附着系数；
S204，提取路面信息中的道路边界信息、车辆驶向目标位置的第一位置信息、障碍物当前的第二位置信息、障碍物与车辆的相对信息、车辆当前的第三位置信息；
道路边界信息可由传感器组中的摄像头拍摄到的道路图像中进行提取得到，上述第一位置信息、第二位置信息和第三位置信息的位置信息的确定可由GPS定位实现，GPS的定位精度在数十米到厘米级别，定位精度高；定位还可采用融合GPS和惯性导航***(Inertial Navigation System)的定位方法实现，在此不对定位方法进行限定。
障碍物与车辆的相对信息包括相对速度信息和加速度信息，可由速度传感器和加速度传感器采集获取。
S205，基于道路边界信息和第三位置信息构建道路边界风险场模型；
考虑到车辆在道路行驶时，大多数都会靠近道路中心线行驶，并且本实施例考虑的是车辆横向避障场景，与车辆换道场景不同，忽略道路边界内车道线对行车风险场模型的影响，因此，基于道路边界信息选取分段函数对道路边界风险场模型进行建模，如公式(13)：
Figure BDA0003798707020000121
式中：λ为道路边界行车风险场调节系数，用于调节道路边界风险场的大小；Lleft和Lright分别为道路的左、右边界位置即道路边界信息。
图3示出了一种道路边界风险场模型的三维示意，从图中可以看出，车辆在道路边界内正常行驶时行车风险较小，车辆若超出道路边界范围行驶时行车风险将变大，所以，超出道路边界时选取增加速度较快的指数函数，在道路边界范围内风险场取值为零。
S206，基于第一位置信息和第三位置信息构建目标引力场模型；
考虑到目标引力场模型的作用是使车辆驶向目标位置，目标引力场模型如公式(14)：
Utarget＝α*[(x-xtarget)2+(y-ytarget)2] (14)
式中：α为目标引力场调节系数；xtarget，ytarget分别为目标位置的横纵坐标即第一位置信息，x，y分别为车辆当前的横纵坐标即第三位置信息。
图4示出了一种目标引力场模型的三维示意，由图4可以看出，目标引力场模型要求在远离目标位置的地方风险大，靠近目标位置的风险低，从而使引力场向着目标位置倾斜，驱动车辆向目标位置移动
S207，基于路面附着系数、第二位置信息、相对信息和第三位置信息构建障碍物风险场模型；
考虑到车辆避障路径的平滑性要求，在本实施例中选择形状类似车辆的二维正态分布函数对障碍物风险场建模，模型如公式(15)：
Figure BDA0003798707020000131
式中：β：障碍物斥力场大小调节系数；v：试验车和障碍车之间的相对速度；βv：相对速度调节系数；μ：路面附着系数；βμ：路面附着系数调节系数；βobs：障碍车外形尺寸调节系数；βa：相对加速度调节系数；a：相对加速度。
其中，
Figure BDA0003798707020000132
式中、xobs、yobs分别为障碍物的横纵坐标即第二位置信息。
图5示出了一种障碍物风险场建模的三维示意，由图5可以看出，越靠近障碍物风险值越大；并且可通过调节障碍车风险场模型的长短轴达到调节障碍物横纵向风险值的目的。
S208，根据道路边界风险场模型、目标引力场模型和障碍物风险场模型构建行车风险场模型；
具体地，对道路边界风险场模型、目标引力场模型和障碍物风险场模型进行加权计算，得到行车风险场模型。
在实际使用时，加权系数可以根据实际需要进行设置，在此不进行限定，在本实施例中，以加权系数均为1进行为例，所以，行车风险场模型具体表达式为：U＝Uroad+Utarget+Uobs，为了便于理解，图6示出了一种行车风险场模型的三维示意。
S209，对行车风险场模型进行负梯度求导，得到初始避障路径的多个避障路径点；
车辆避障的主要目的是为了安全性，因此避障过程中车辆应向着行车风险场风险值降低最快的方向行驶，由高等数学相关理论可知，沿着负梯度方向移动，函数值下降最快，类比到行车风险场模型可知：当车辆沿着行车风险场模型负梯度方向行驶时，风险值下降最快，避障安全性最高，因此，对行车风险场模型进行负梯度求导，得到初始避障路径的多个避障路径点。
S210，基于多个避障路径点计算最优参考路径；
考虑到直接由行车风险场模型负梯度方向所规划的避障初始路径可能存在不平滑以及不符合车辆动力学约束等情况，因此对多个避障路径点进行多次多项拟合得到最优参考路径，在本实施例中，可采用5次多项式拟合优化得到最优参考路径。
S211，控制车辆跟踪最优参考路径，以进行避障行驶。
对应于上述方法实施例，本实施例提供了一种车辆避障控制装置，其中，该装置应用于车载服务器；参见图7所示的一种车辆避障控制装置的结构示意图，该装置包括：
获取模块71，用于获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
第一计算模块72，用于基于车辆状态信息实时计算路面附着系数；
构建模块73，用于根据路面附着系数和路面信息构建行车风险场模型；
第二计算模块74，用于基于行车风险场模型计算避障的最优参考路径；
控制模块75，用于控制车辆跟踪最优参考路径，以进行避障行驶。
本发明实施例提供的一种车辆避障控制装置，其中，在获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息后，基于车辆状态信息实时计算路面附着系数，根据路面附着系数和路面信息构建行车风险场模型，并基于行车风险场模型计算避障的最优参考路径，控制车辆跟踪最优参考路径，以进行避障行驶。本申请充分考虑了路面附着系数对车辆避障控制的影响，因此构建了关于路面附着系数的行车风险场模型，基于该行车风险场模型进行车辆避障控制能够大大提高避障准确性，进而有效降低了驾驶员的驾驶风险。
上述第一计算模块72还用于：实时提取车辆状态信息中的车辆轮胎信息和车辆行驶速度信息；将车辆轮胎信息和车辆行驶速度信息输入至预先训练好的轮胎模型中，通过轮胎模型输出车辆的各个轮胎对应的轮胎附着系数；对多个轮胎附着系数进行均值计算得到路面附着系数。
上述构建模块73，还用于：提取路面信息中的道路边界信息、车辆驶向目标位置的第一位置信息、障碍物当前的第二位置信息、障碍物与车辆的相对信息、车辆当前的第三位置信息；基于道路边界信息和第三位置信息构建道路边界风险场模型；基于第一位置信息和第三位置信息构建目标引力场模型；基于路面附着系数、第二位置信息、相对信息和第三位置信息构建障碍物风险场模型；根据道路边界风险场模型、目标引力场模型和障碍物风险场模型构建行车风险场模型。
上述构建模块73，还用于：对道路边界风险场模型、目标引力场模型和障碍物风险场模型进行加权计算，得到行车风险场模型。
上述第二计算模块74，还用于对行车风险场模型进行负梯度求导，得到初始避障路径的多个避障路径点；基于多个避障路径点计算最优参考路径。
上述上述第二计算模块74，还用于对多个避障路径点进行多次多项拟合计算，得到最优参考路径。
本发明实施例提供一种车辆，该车辆配置有车载控制器，车载控制器用于执行上述的车辆避障控制方法。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车辆避障控制方法，其特征在于，所述方法应用于车载控制器；所述方法包括：
获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
基于所述车辆状态信息实时计算路面附着系数；
根据所述路面附着系数和所述路面信息构建行车风险场模型；
基于所述行车风险场模型计算避障的最优参考路径；
控制所述车辆跟踪所述最优参考路径，以进行避障行驶。
2.根据权利要求1所述的方法，其特征在于，所述基于所述车辆状态信息实时计算路面附着系数的步骤，包括：
实时提取所述车辆状态信息中的车辆轮胎信息和车辆行驶速度信息；
将所述车辆轮胎信息和所述车辆行驶速度信息输入至预先训练好的轮胎模型中，通过所述轮胎模型输出所述车辆的各个轮胎对应的轮胎附着系数；
对多个所述轮胎附着系数进行均值计算得到路面附着系数。
3.根据权利要求1所述的方法，其特征在于，根据所述路面附着系数和所述路面信息构建行车风险场模型的步骤，包括：
提取所述路面信息中的道路边界信息、所述车辆驶向目标位置的第一位置信息、障碍物当前的第二位置信息、所述障碍物与所述车辆的相对运动信息、所述车辆当前的第三位置信息；
基于所述道路边界信息和所述第三位置信息构建道路边界风险场模型；
基于所述第一位置信息和所述第三位置信息构建目标引力场模型；
基于所述路面附着系数、所述第二位置信息、所述相对运动信息和所述第三位置信息构建障碍物风险场模型；
根据所述道路边界风险场模型、所述目标引力场模型和所述障碍物风险场模型构建行车风险场模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述道路边界风险场模型、所述目标引力场模型和所述障碍物风险场模型构建行车风险场模型的步骤，包括：
对所述道路边界风险场模型、所述目标引力场模型和所述障碍物风险场模型进行加权计算，得到行车风险场模型。
5.根据权利要求1所述的方法，其特征在于，基于所述行车风险场模型确计算避障的最优参考路径的步骤，包括：
对所述行车风险场模型进行负梯度求导，得到初始避障路径的多个避障路径点；
基于多个所述避障路径点计算最优参考路径。
6.根据权利要求5所述的方法，其特征在于，基于多个所述避障路径点计算最优参考路径的步骤，包括：
对多个所述避障路径点进行多次多项拟合计算，得到最优参考路径。
7.一种车辆避障控制装置，其特征在于，所述装置应用于车载服务器；所述装置包括：
获取模块，用于获取当前车辆行驶过程中的车辆状态信息和车辆行驶的路面信息；
第一计算模块，用于基于所述车辆状态信息实时计算路面附着系数；
构建模块，用于根据所述路面附着系数和所述路面信息构建行车风险场模型；
第二计算模块，用于基于所述行车风险场模型计算避障的最优参考路径；
控制模块，用于控制所述车辆跟踪所述最优参考路径，以进行避障行驶。
8.根据权利要求7所述的装置，其特征在于，所述第一计算模块还用于：实时提取所述车辆状态信息中的车辆轮胎信息和车辆行驶速度信息；
将所述车辆轮胎信息和所述车辆行驶速度信息输入至预先训练好的轮胎模型中，通过所述轮胎模型输出所述车辆的各个轮胎对应的轮胎附着系数；
对多个所述轮胎附着系数进行均值计算得到路面附着系数。
9.根据权利要求7所述的装置，其特征在于，所述构建模块，还用于：
提取所述路面信息中的道路边界信息、所述车辆驶向目标位置的第一位置信息、障碍物当前的第二位置信息、所述障碍物与所述车辆的相对信息、所述车辆当前的第三位置信息；
基于所述道路边界信息和所述第三位置信息构建道路边界风险场模型；
基于所述第一位置信息和所述第三位置信息构建目标引力场模型；
基于所述路面附着系数、所述第二位置信息、所述相对信息和所述第三位置信息构建障碍物风险场模型；
根据所述道路边界风险场模型、所述目标引力场模型和所述障碍物风险场模型构建行车风险场模型。
10.一种车辆，其特征在于，所述车辆配置有车载控制器，所述车载控制器用于执行权利要求1-6任一项所述的车辆避障控制方法。
CN202210979383.6A 2022-08-15 2022-08-15 车辆避障控制方法、装置及车辆 Pending CN115303265A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210979383.6A CN115303265A (zh) 2022-08-15 2022-08-15 车辆避障控制方法、装置及车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210979383.6A CN115303265A (zh) 2022-08-15 2022-08-15 车辆避障控制方法、装置及车辆

Publications (1)

Publication Number Publication Date
CN115303265A true CN115303265A (zh) 2022-11-08

Family

ID=83862684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210979383.6A Pending CN115303265A (zh) 2022-08-15 2022-08-15 车辆避障控制方法、装置及车辆

Country Status (1)

Country Link
CN (1) CN115303265A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091618A (zh) * 2023-10-18 2023-11-21 理工雷科智途(北京)科技有限公司 一种无人驾驶车辆路径规划方法、装置及电子设备
CN117542003A (zh) * 2024-01-08 2024-02-09 大连天成电子有限公司 基于图像特征分析的货运列车车型判断方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117091618A (zh) * 2023-10-18 2023-11-21 理工雷科智途(北京)科技有限公司 一种无人驾驶车辆路径规划方法、装置及电子设备
CN117091618B (zh) * 2023-10-18 2024-01-26 理工雷科智途(北京)科技有限公司 一种无人驾驶车辆路径规划方法、装置及电子设备
CN117542003A (zh) * 2024-01-08 2024-02-09 大连天成电子有限公司 基于图像特征分析的货运列车车型判断方法
CN117542003B (zh) * 2024-01-08 2024-04-02 大连天成电子有限公司 基于图像特征分析的货运列车车型判断方法

Similar Documents

Publication Publication Date Title
CN110036353B (zh) 用于控制地面车辆横向运动的方法和***
CN107161207B (zh) 一种基于主动安全的智能汽车轨迹跟踪控制***及控制方法
CN112733270A (zh) 车辆行驶轨迹预测和轨迹偏离危险度评估的***与方法
Bevly et al. Integrating INS sensors with GPS velocity measurements for continuous estimation of vehicle sideslip and tire cornering stiffness
CN115303265A (zh) 车辆避障控制方法、装置及车辆
JP7036080B2 (ja) 慣性航法装置
US9618938B2 (en) Field-based torque steering control
US9963007B2 (en) Method for compensating for an inclination
CN111873991B (zh) 一种车辆转向的控制方法、装置、终端及存储介质
CN104061899A (zh) 一种基于卡尔曼滤波的车辆侧倾角与俯仰角估计方法
CN107063305B (zh) 用惯导、压力传感器修正下坡悬空后轮里程计误差的方法
CN111240187A (zh) 一种基于车辆误差模型的车辆轨迹跟踪控制算法
Park Vehicle sideslip angle estimation based on interacting multiple model Kalman filter using low-cost sensor fusion
CN111452786B (zh) 一种无人车辆避障方法及***
CN116552550A (zh) 基于参数不确定性和横摆稳定性的车辆轨迹跟踪控制***
CN113581201A (zh) 一种基于势场模型的无人汽车避撞控制方法及***
CN114637292A (zh) 一种兼顾避障的车辆轨迹跟踪鲁棒控制方法和***
KR20220070467A (ko) 자동차의 폭방향 및 길이방향 안내 동안 데드타임 보상 기술
CN115432005A (zh) 一种冰雪环境下的虚拟行车场权重滚动优化决策方法
CN116198522B (zh) 一种复杂矿区工况的无人矿卡横垂向耦合递阶控制方法
Katriniok Optimal vehicle dynamics control and state estimation for a low-cost GNSS-based collision avoidance system
CN115525054B (zh) 大型工业园区无人清扫车沿边路径跟踪控制方法及***
KR101733880B1 (ko) 비선형 타이어 모델을 이용한 차량의 위치 추정 장치 및 방법
Kapania et al. An autonomous lanekeeping system for vehicle path tracking and stability at the limits of handling
CN115675481A (zh) Gps增强摩擦估计

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