CN115782918A - 自动驾驶纵向控制方法、装置、设备及存储介质 - Google Patents
自动驾驶纵向控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115782918A CN115782918A CN202211486389.6A CN202211486389A CN115782918A CN 115782918 A CN115782918 A CN 115782918A CN 202211486389 A CN202211486389 A CN 202211486389A CN 115782918 A CN115782918 A CN 115782918A
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- iteration
- longitudinal
- current
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000003044 adaptive effect Effects 0.000 claims description 37
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 229920006395 saturated elastomer Polymers 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 24
- 230000008859 change Effects 0.000 description 15
- 238000004088 simulation Methods 0.000 description 15
- 238000011217 control strategy Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000009699 differential effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请公开一种自动驾驶纵向控制方法、装置、设备及存储介质,该方法包括获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的速度误差;设计AFF‑ILC控制器;以当前时刻的速度误差作为AFF‑ILC控制器的输入量,利用AFF‑ILC控制器输出的当前时刻的牵引/制动力输入量对车辆下一次迭代的纵向速度进行控制。本发明在原有PD型ILC控制器基础上,通过引入时域误差反馈项与迭代域误差积分项来构造AFF‑ILC控制器,使AFF‑ILC控制器能够实现对所需纵向速度曲线的精确跟踪,提高了公交车纵向速度的控制精度。
Description
技术领域
本申请涉及车辆自动驾驶技术领域,具体地涉及一种基于自适应迭代学习的公交车自动驾驶纵向控制方法、装置、设备及存储介质。
背景技术
随着社会经济的不断发展、人们生活水平的普遍提高和机动车的快速增长,城市交通道路网饱和度将持续升高,交通拥堵问题日益严重,大力发展公共交通是缓解交通拥堵的重要手段,公交自动驾驶技术的应用和智能化***的升级对提升公交***服务质量,提高公交运行效率起到至关重要的作用。
控制执行技术是按照车辆智能决策输出的结果控制车辆的驾驶行为,保障车辆安全到达预定目标点的过程。公交车辆的控制执行技术包括横向控制和纵向控制,横向控制主要在保证安全与舒适的条件下控制车辆的转向,纵向控制主要控制车辆的纵向速度(即行驶速度),使车辆能够按照预定时间安全达到目的地。公交车的纵向运动与横向运动存在着耦合关系,采用横纵向综合控制方法需要精确的数学模型,这会使无人驾驶公交车控制问题变得复杂。
在低速行驶条件下,分别对纵向控制和横向控制单独设计控制器,也能达到较好的跟踪效果。当公交车在某些特定的行驶环境下,例如专用车道上行驶时,通常会忽略路上行人、其他车辆以及突发障碍物对公交车正常行驶造成干扰,相比于无人公交车横向控制及其他影响条件,纵向速度运动控制成为公交车能否正常运行的首要因素。
在大多数公交车运行研究中,涉及纵向速度变化的公交车纵向动力学过程的建立通常以时间为自变量、位置和纵向速度为因变量。公交车在行驶过程中,影响纵向车速的因素主要是车辆纵向受到的各种力,根据汽车原理的相关知识可知,车辆行驶过程中主要受空气阻力、滚动阻力和坡道阻力的影响,纵向受力分析如图1所示。
根据牛顿经典力学第二定律可得,纵向受力的力学方程可表示为:
式(1)中,m为公交车的质量,FA(k)为发动机的输出扭矩经过传动机构最终作用到轮胎上的牵引力,为车辆纵向加速度,FC(k)为空气阻力,FB(k)为滚动阻力,并且FD(k)为坡道阻力。其中,牵引力计算公式为:
式(2)中,r表示公交车轮胎半径;ig为变速器传动比,与挡位的选择有关;u为公交车发动机的牵引/制动力输入信息,ηk为传动机构的机械效率,i0为主减速器传动比。
滚动阻力计算公式为:
FB(k)=fbmgcosα (3)
式(3)中,fb为车轮滚动阻力系数;α为路面与水平面的夹角;g为重力加速度。
空气阻力计算公式为:
式(4)中,CD为空气阻力系数,A为车辆横截面面积,ρ为空气密度,v为车辆纵向速度。
根据式(1)~(4)可以得到纵向动力学方程为:
对式(5)进一步推导可得
将式(6)进行离散化处理,得到对应的数学模型如下:
式(7)中,p为采样时间,u(k)为车辆发动机在第k时刻的牵引/制动力输入信息,v(k)为车辆在第k时刻的纵向速度,v(k+1)为车辆在第k+1时刻的纵向速度。
对上式分析可以发现,发动机输出扭矩值达到轮胎极限后,会驱动公交车行驶。当公交车启动需要加速时,进行踩油门踏板的驾驶行为,发动机输出扭矩变大,此时公交车牵引力将超过空气阻力与坡道阻力之和,公交车纵向加速度为正值,进而驱使公交车加速前进。当公交车前方有行人或障碍物时,公交车需要减速,则需要踏松油门踏板,发动机输出扭矩变小,此时公交车牵引力将小于外部阻力之和,公交车纵向速度开始变小。
式(7)为离散的公交车辆动力学关系。然而,这些针对无人公交车辆纵向控制的研究均是在被控车辆处于理想状态的前提上进行的。考虑到无人公交车辆纵向运动时会受到各种阻力与摩擦力的影响,在实际行驶中,公交车的纵向动力学模型很难精确的用式(7)来描述。如果充分考虑各种阻力、摩擦力等影响因素,建立起来的精准的数学模型是极为复杂的,因此,也就无法实现对纵向速度的精确控制。
本背景技术描述的内容仅为了便于了解本领域的相关技术,不视作对现有技术的承认。
发明内容
因此,本发明实施例意图提供一种公交车自动驾驶纵向控制方法、装置、设备及存储介质,以解决现有公交车纵向动力学数学模型无法实现纵向速度的精确控制。
在第一方面,本发明实施例提供了一种公交车自动驾驶纵向控制方法,所述方法包括以下步骤:
获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的纵向速度误差;
设计AFF-ILC控制器(Adaptive Feedforward-Feedback Iterative LearningControl,自适应前馈-反馈型迭代学习控制),所述AFF-ILC控制器的控制表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+(αp+β(i,k))e(i-1,k)
β(i,k)=β(i-1,k)+qe(i-1,k)2
其中,u(i,k)为本次迭代中车辆当前时刻的牵引/制动力输入量,u(i-1,k)为上一次迭代中车辆当前时刻的牵引/制动力输入量,αd为微分环节的增益系数,Δe(i,k-1)为本次迭代中车辆上一时刻的纵向速度误差的差分,αp为比例环节的增益系数,β(i,k)为本次迭代中当前时刻的自适应学习增益,β(i-1,k)为上一次迭代中当前时刻的自适应学习增益,e(i-1,k)=yd(k)-y(i-1,k),e(i-1,k)为上一次迭代中车辆当前时刻的纵向速度误差,yd(k)为车辆当前时刻的期望速度,y(i-1,k)为上一次迭代中车辆当前时刻的纵向速度,q为误差自适应学习增益;
以上一次迭代中当前时刻的纵向速度误差作为所述AFF-ILC控制器的输入量,利用所述AFF-ILC控制器输出的上一次迭代中当前时刻的牵引/制动力输入量对车辆本次迭代中当前时刻的纵向速度进行控制。
进一步地,所述当前时刻的期望速度yd(k)的具体表达式为:
其中,Ts为采样时长,k为采样时刻,L为延迟因子。
进一步地,所述AFF-ILC控制器的具体设计过程为:
引入迭代轴i,并定义车辆纵向运动的非线性离散时间动力学方程为:
y(i+1,k)=f(y(i,k),...,y(i-ny,k),u(i,k),...,u(i-nu,k))
其中,y(i,k)为本次迭代中车辆当前时刻的纵向速度,y(i+1,k)为下一次迭代中车辆当前时刻的纵向速度(即预测纵向速度),f(·)为未知的非线性函数,k表示采样时间,ny和nu为两个未知的正整数;
构造PD型迭代学习控制器,具体表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+αpe(i-1,k)
基于所述PD型迭代学习控制器,引入时域误差反馈项与迭代域误差积分项,在本次迭代中构造所述AFF-ILC控制器。
进一步地,在所述AFF-ILC控制器中增加饱和约束条件,其控制表达式为:
其中,为本次迭代中车辆当前时刻饱和的牵引/制动力输入量,u*表示牵引力/制动力的最大约束值,ut *为车辆最大牵引力,为车辆最大制动力,为β(i,k)的估计值,为的初始值,β*为的上限,K为控制器运行时间的上限值,q为误差自适应学习增益。
进一步地,所述误差自适应学习增益q的取值数量级取决于车辆的最大总质量;
当车辆最大总质量为1.8×104kg,所述误差自适应学习增益q的取值范围为:1×10-5~1×10-9。
进一步地,利用所述AFF-ILC控制器对车辆本次迭代中当前时刻的纵向速度进行控制的具体实现过程包括:
若上一次迭代中当前时刻的纵向测量速度y测(i-1,k)与当前时刻的期望速度yd(k)不相等,则将上一次迭代中当前时刻的纵向速度误差e(i-1,k)传输给AFF-ILC控制器;
将所述AFF-ILC控制器输出的本次迭代中当前时刻的牵引/制动力输入量u(i,k)传输给油门/刹车制动***,控制油门/刹车制动***的速度调整次数,并使发动机得电产生实际纵向速度输出信号y(i,k);
将y(i,k)与速度测量值y测(i,k)进行比较,得到本次迭代下当前时刻的纵向速度误差e(i,k),用以AFF-ILC控制器的下一次迭代学习,以实现纵向速度的调整。
进一步地,利用所述AFF-ILC控制器对车辆本次迭代中当前时刻的纵向速度进行控制的具体实现过程还包括:
若本次迭代中当前时刻的纵向速度y(i,k)与当前时刻的期望速度yd(k)相等,则向油门/刹车制动***发送正常报文;
若需要加速,则向油门/刹车制动***发送加速报文;
若需要减速,则向油门/刹车制动***发送减速报文。
在本发明实施例中,在第二方面,本发明实施例提供了一种公交车自动驾驶纵向控制装置,所述装置包括:
获取与计算单元,被配置为获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的速度误差;
AFF-ILC控制器,被配置为根据车辆上一次迭代中当前时刻的纵向速度误差计算本次迭代中当前时刻的牵引/制动力输入量,具体控制表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+(αp+β(i,k))e(i-1,k)
β(i,k)=β(i-1,k)+qe(i-1,k)2
其中,u(i,k)为本次迭代中车辆当前时刻的牵引/制动力输入量,u(i-1,k)为上一次迭代中车辆当前时刻的牵引/制动力输入量,αd为微分环节的增益系数,Δe(i,k-1)为本次迭代中车辆上一时刻的纵向速度误差的差分,αp为比例环节的增益系数,β(i,k)为本次迭代中当前时刻的自适应学习增益,β(i-1,k)为上一次迭代中当前时刻的自适应学习增益,e(i-1,k)=yd(k)-y(i-1,k),e(i-1,k)为上一次迭代中车辆当前时刻的纵向速度误差,yd(k)为车辆当前时刻的期望速度,y(i-1,k)为上一次迭代中车辆当前时刻的纵向速度,q为误差自适应学习增益;
控制单元,被配置为根据所述AFF-ILC控制器输出的上一次迭代中当前时刻的牵引/制动力输入量以及当前时刻的纵向速度误差对车辆本次迭代中当前时刻的纵向速度进行控制。
在第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现任一本发明实施例的公交车自动驾驶纵向控制方法。
在第四方面,本发明实施例提供一种电子设备,包括:处理器和存储有计算机程序的存储器,所述处理器被配置为在运行计算机程序时执行任一本发明实施例的公交车自动驾驶纵向控制方法。
本发明实施例中使用的公交车自动驾驶纵向控制方法中,在原有PD型ILC控制器(PD型迭代学习控制器)的基础上,通过引入时域误差反馈项与迭代域误差积分项来构造AFF-ILC控制器,使AFF-ILC控制器随着误差反馈信息的改变而做出相应的自适应变化,结合自适应调整的PD参数,能够同时保留自适应前馈-反馈型迭代学习控制算法的前馈与反馈学习能力,使AFF-ILC控制器能够实现对所需纵向速度曲线的精确跟踪,提高了公交车纵向速度的控制精度。
本发明实施例的其他可选特征和技术效果一部分在下文描述,一部分可通过阅读本文而明白。
附图说明
以下,结合附图来详细说明本发明的实施例,所示出的元件不受附图所显示的比例限制,附图中相同或相似的附图标记表示相同或类似的元件,其中:
图1示出了根据本发明背景技术中车辆纵向受力图;
图2示出了根据本发明实施例的公交车自动驾驶纵向控制方法的示例流程图;
图3示出了根据本发明实施例的控制***框图;
图4示出了根据本发明实施例的不同学习增益q下的AFF-ILC曲线;
图5示出了根据本发明实施例的不同自适应学习增益q下的AFF-ILC误差曲线;
图6示出了根据本发明实施例的AFF-ILC、PID、PD-ILC三种方法的加速和减速过程算法对比图;
图7示出了根据本发明实施例的PD-ILC与AFF-ILC控制跟踪误差比较;
图8示出了根据本发明实施例的AFF-ILC算法在饱和约束条件下牵引力输入曲线;
图9示出了根据本发明实施例的公交车自动驾驶纵向控制装置的示例性结构图;
图10示出了能实施根据本发明实施例的方法的电子设备的示例性结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合具体实施方式和附图,对本发明做进一步详细说明。在此,本发明的示意性实施方式及其说明用于解释本发明,但并不作为对本发明的限定。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实施例”和“一个实施例”表示“至少一个示例实施例”。术语“另一实施例”表示“至少一个另外的实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
针对无人公交车的纵向速度控制问题,本发明提出一种改进的自适应迭代学习控制方法,该方法对应的控制器结构采用PD型ILC控制架构器,同时,通过引入时域误差反馈项与迭代域误差积分项,结合自适应调整的PD参数,能够同时保留AFF-ILC控制器的前馈与反馈学习能力。此外,结合公交车超速防护等因素,AFF-ILC控制器的设计过程还考虑控制输入与控制器参数的饱和约束,尽可能避免受到空气动力学、牵引/制动力约束的非线性影响。
基于背景技术的分析,无人驾驶公交车的纵向运动过程采用一般的非线性离散时间动力学方程来表示:
y(k+1)=f(y(k),...,y(k-ny),u(k),...,u(k-nu)) (8)
其中,y(k+1)表示车辆下一时刻的纵向速度(即速度输出量),f(·)为未知的非线性函数,y(k)表示车辆当前时刻的纵向速度,y(k-ny)表示车辆第k-ny时刻的纵向速度,k表示采样时间,ny和nu为两个未知的正整数,u(k)表示车辆当前时刻的牵引/制动力输入量。
本发明的控制对象为无人公交车,与小型无人车相比,不同之处为:小型无人车在实际行驶中,路线的制定主要遵循驾驶者本人或者导航的意愿,具有较大的不确定性;而对于无人公交车来说,由于公交车的社会需求,使公交车需每天严格按照固定的路线行驶,具有一定的重复性运行的特征,该区别为本发明迭代学习控制方法的使用提供了先决条件。
针对传统公交车纵向动力学数学模型无法实现纵向速度的精确控制问题,本发明设计一种AFF-ILC控制器(Adaptive Feedforward-Feedback Iterative LearningControl,自适应前馈-反馈型迭代学习控制),以实现公交车纵向速度的精确跟踪控制。AFF-ILC控制器的具体设计步骤为:
步骤a:引入迭代轴i,可以将式(8)表达为如下形式:
y(i+1,k) =f(y(i,k),...,y(i-ny,k),u(i,k),...,u(i-nu,k)) (9)
其中,y(i,k)为本次迭代中车辆当前时刻的纵向速度,y(i+1,k)为下一次迭代中车辆当前时刻的纵向速度,u(i,k)为本次迭代中车辆当前时刻的牵引/制动力输入量。
步骤b:构造PD型迭代学习控制器(即PD-ILC控制器),具体表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+αpe(i-1,k) (10)
其中,u(i-1,k)为上一次迭代中车辆当前时刻的牵引/制动力输入量,αd为微分环节的增益系数,Δe(i,k-1)为本次迭代中车辆上一时刻的纵向速度误差的差分,αp为比例环节的增益系数,e(i-1,k)=yd(k)-y(i-1,k),e(i-1,k)为上一次迭代中车辆当前时刻的纵向速度误差,yd(k)为车辆当前时刻的期望速度,y(i-1,k)为上一次迭代中车辆当前时刻的纵向速度。
步骤c:构造AFF-ILC控制器
PD-ILC控制器的参数固定,为了提高控制器的自适应性,在PD-ILC控制器的基础上,引入时域误差反馈项与迭代域误差积分项,结合自适应调整的PD参数,能够同时保留AFF-ILC控制器的前馈与反馈学习能力。
在第i次迭代(即本次迭代)中,构造的AFF-ILC控制器的表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+(αp+β(i,k))e(i-1,k) (11)
β(i,k)=β(i-1,k)+qe(i-1,k)2 (12)
其中,β(i,k)为本次迭代中当前时刻的自适应学习增益,β(i-1,k)为上一次迭代中当前时刻的自适应学习增益,q为误差自适应学习增益。
自适应学习增益β(i,k)在AFF-ILC控制器中所起到的作用主要为:随着纵向速度误差信息的改变而做出相应的自适应变化,使得AFF-ILC控制器中的迭代域误差积分项能够随着车辆运行得到有效的调节,进一步增强了AFF-ILC控制器的控制性能。
式(12)中,β(i,k)每一次的更新都用到上一次迭代的历史信息,具体包括上一次的自适应学习增益β(i-1,k)和纵向速度误差e(i-1,k),因此,自适应学习增益β(i,k)会随着纵向速度误差的改变而做出相应自适应变化。
步骤d:构造饱和约束条件下的AFF-ILC控制器
考虑到无人公交车作为一个实际的工程***,不可避免地受到空气动力学、牵引/制动力约束的非线性影响,因此,加入饱和约束条件下的AFF-ILC控制器设计具有一定的研究意义。
在步骤c构造的AFF-ILC控制器基础上加入输入饱和约束条件,使得AFF-ILC控制器设计能够应对无人公交车纵向速度最大值受限制的情况。
在第i次迭代中,加入饱和约束条件下的AFF-ILC控制器构造如下:
u(i,k)=sat(u(i-1,k),u*)+αdΔe(i,k-1))+(αp+β(i,k))e(i-1,k) (13)
关于β(k)的参数更新律在本次迭代中设计为:
此外,公交车在输入约束条件下的AFF-ILC控制器参考式(14)和(15)可以进一步表示为:
式(11)所提出的机制包括非线性反馈项和参数估计项。因此,AFF-ILC控制策略是PD-ILC控制策略和自适应控制策略的组合,这种组合为迭代域中公交车的非线性不确定动态提供了一种可能的解决方案。同时,AFF-ILC本质上是一种无模型控制方法,在控制器设计和参数更新方面,对公交车动力学信息的先验知识较少。此外,这有助于通过比例、微分作用提高闭环***的控制性能,***在迭代域和时间域内实现了良好的跟踪性能。
为了限制参数的估计,本发明使用完全饱和的学习参数更新律式(14),导致β(i,k)的估计值仅限于上限β*,即例如,如(14)所示,参数估计值是非减损的,在达到上限后不会更新β*。因此,β*的更新速率将直接影响到式(16)中AFF-ILC的收敛速率。通过引入参数估计方法,选择合适的更新律增益q,可以在时域内改善闭环***的控制性能。实际上,自适应学习参数β(t)的精确值在1×10-5~1×10-7范围内可用,并且更新律增益q不会影响所提出的控制策略在迭代域中的收敛性。
基于设计的AFF-ILC控制器,本发明实施例提供了一种公交车自动驾驶纵向控制方法,如图2所示,该方法包括以下步骤:
步骤1100:获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的纵向速度误差;
步骤1200:设计AFF-ILC控制器,AFF-ILC控制器如式(11)~(12)或者式(14)~(17)所示;
步骤1300:以当前时刻中上一次迭代的纵向速度误差作为AFF-ILC控制器的输入量,利用AFF-ILC控制器输出的上一次迭代中当前时刻的牵引/制动力输入量对车辆本次迭代中当前时刻的纵向速度进行控制。
步骤1300中,若上一次迭代中当前时刻的纵向速度y(i-1,k)与当前时刻的期望速度yd(k)不相等,则将上一迭代中当前时刻的纵向速度误差e(i-1,k)传输给AFF-ILC控制器,将AFF-ILC控制器输出的本次迭代中当前时刻的牵引/制动力输入量u(i,k)传输给油门/刹车制动***,控制油门/刹车制动***的速度调整次数,并使发动机得电产生实际纵向速度输出信号y(i,k),将y(i,k)与速度测量值y测(i,k)进行比较,得到本次迭代下当前时刻的纵向速度误差e(i,k),用以AFF-ILC控制器的下一次迭代学习,以实现纵向速度的调整。
由于在实际运行中,经发动机传输的纵向速度值y(i,k)要经过车载传感器的测量形成y测(i-1,k)才能与期望速度yd(i,k)比较形成纵向速度误差值e(i,k),所以此处的e(i-1,k)=yd(k)-y测(i-1,k),这一点与控制器设计当中的e(i-1,k)=yd(k)-y(i-1,k)不同,此处的y(i-1,k)为AFF-ILC控制器的理论纵向速度值,在实际应用中并不存在。
若本次迭代中当前时刻的纵向速度y(i,k)与当前时刻的期望速度yd(k)相等,则向油门/刹车制动***发送正常报文;若需要加速,则向油门/刹车制动***发送加速报文;若需要减速,则向油门/刹车制动***发送减速报文。
如图3所示,AFF-ILC控制器、牵引/制动执行模块、加减速执行模块、油门/刹车制动***、发动机依次连接,经AFF-ILC控制器输出的信号给所述牵引/制动执行模块启动加减速执行模块,产生牵引力/制动力输入信息u(i,k),用以控制油门/刹车制动***的纵向速度调整次数,并使发电机得电产生实际速度输出信号y(i,k),将y(i,k)与速度测量值y测(i,k)进行比较,得到本次迭代下当前时刻的纵向速度误差e(i,k),用以AFF-ILC控制器的下一次迭代学习,以实现纵向速度的调整。
在公交车实际运行过程中,本发明所设计的AFF-ILC控制器,将车辆扭矩作为控制输入,作为实际车辆油门的等效,以公交车纵向速度作为输出,AFF-ILC控制器通过将公交车每次迭代产生的实际速度值与期望速度值比对,产生的纵向速度误差信息用于下一次的迭代学习过程,AFF-ILC控制器中的自适应学习增益β(i,k)能够随着误差反馈信息的改变而做出自适应变化,从而保留了自适应前馈-反馈型迭代学习控制算法的前馈与反馈学习能力,用于实现对所需纵向速度曲线的精确跟踪;公交车扭矩牵引力约束下的超速防护设计,用于公交车在路面限速和前方车辆避碰追尾的行驶状况;AFF-ILC控制器、牵引/制动执行模块、加减速执行模块、油门/刹车制动***、发动机依次连接,经AFF-ILC控制器输出的信号给所述牵引/制动执行模块启动加减速执行模块,产生牵引力/制动力输入信息u(i,k),用以控制油门/刹车制动***的纵向速度调整次数,并使发电机得电产生实际速度输出信号y(i,k),将y(i,k)与速度测量值y测(i,k)进行比较,得到本次迭代下当前时刻的纵向速度误差e(i,k),用以AFF-ILC控制器的下一次迭代学习,以实现纵向速度的调整。
为了验证本发明所提出的方法的有效性,以下对本发明方法进行数值模拟验证,具体包括:
(1)仿真对象与AFF-ILC控制器相关参数的设置
根据所选取的实验公交车的相关设备参数以及无人公交车在路面实际所需要达到的纵向速度要求,所选的场景仅研究两个站地之间的到站场景。公交车从一个站点到另一个站点的行驶时间设为3min,则本实例的仿真时长为180秒,根据《中华人民共和国道路交通安全法》的相关规定,公交车在城市路面的最大限速为54.5km/h,经计算得出,选定路线长约为2.5~3km。本实例所使用的动力学模型来自北汽福田BJ6105EVCA-49公交车的相关数据,如表1所示。
表1BJ6105EVCA-49公交车相关数据
仿真所使用的动力学模型的输入输出关系描述如式(7)所示,将表1中的相关数据代入到式(7)中,假设路面与水平面之间的夹角α=0°,得到公交车纵向运动的非线性关系为:
需要注意的是,式(18)的模型仅用于生成无人公交车的输入输出数据关系,模型结构和参数信息并不参与到AFF-ILC控制器的设计当中。
参考的公交车期望速度轨迹表示如下:
其中,Ts为采样时长,k为采样时刻,L为延迟因子,延迟因子的引入是为了使期望速度轨迹yd(k)的速度突变更加柔和,从而满足公交车日常行驶的实际速度变化。期望速度轨迹包括公交车的两个加速阶段、四个行驶阶段和三个制动阶段。
(2)AFF-ILC控制器参数分析
本实例分析了AFF-ILC控制策略的控制效果,验证了自适应迭代算法的有效性。并且第一次迭代中的牵引力输入信息u1(0)=1,第二次迭代中的牵引力输入信息u2(0)=0。本实例仿真总迭代次数为100次,选取100次迭代仿真图作为本次AFF-ILC控制器参数分析的迭代次数。控制器参数设置为:αd=αp=6×10-6。AFF-ILC控制策略中自适应学习增益q对控制的影响效果较为明显。因此,本实例主要探讨不同的q参数对AFF-ILC控制策略的影响,q的取值分别设置为q1=1×10-5,q2=1×10-7,q3=1×10-9,对这三个参数进行仿真,效果如图4和5所示。
根据图4显示的自适应学习增益q的仿真情况,当q只取到1×10-5时,在同等条件下,相比于q2=1×10-7在纵向速度突变时刻,存在滞后于期望速度的现象;q3=1×10-9在后续的迭代时间内,无法跟踪到期望纵向速度曲线。q1=1×10-5的取值情况下,迭代初期就很快收敛到了期望纵向速度,且在后续仿真时间内,保持着一致跟踪的性能。
由图4及图5仿真结果可知,在此公交车纵向控制***中,随着自适应学习增益q的值减小,纵向速度跟踪效果越来越差,如果q的值低于1×10-5,则会难以跟踪期望纵向速度,如4图中所选取的参数1×10-9时,采用AFF-ILC控制策略就很难达到所要的控制效果。而当q的值超过1×10-5时,AFF-ILC控制策略会处于发散状态,无法对***进行有效控制。因此,本实例后续的自适应学习增益q的取值设为1×10-5。
q取值的数量级大小主要取决于公交车的质量参数,本实例在仿真部分得到的公交车纵向运动的非线性关系,采用公交车的最大总质量1.8×104kg,因此相应的自适应学习增益q也保持在1×10-5~1×10-9的数量级范围内。
(3)PD-ILC、AFF-ILC及PID控制策略的仿真分析
本实例考虑了三种对比控制策略,即PD型迭代学习控制(PD-ILC)方案、改进的自适应前馈-反馈迭代学习控制(AFF-ILC)、PID控制。为了进一步验证本发明所提方法的有效性,本实例将本发明所提方法与PD-ILC、PID控制作对比。AFF-ILC具体设置参见本实例第(1)点,PD-ILC和PID控制器结构描述如下:
PD型迭代学习控制器:
u1(i,k)=u1(i-1,k)+αdΔe(i,k-1)+αpe(i-1,k) (20)
其中,u1(i,k)为PD型迭代学习控制器的牵引/制动力输入量,αd=0.02,αp=0.001。
PID控制器:
u2(k)=KP(e(k)+ee/Ti+TD(e(k)-e(k-1))) (21)
其中,u2(k)为PID控制器的牵引/制动力输入量,e(k)和e(k-1)分别为本时刻和上一时刻PID控制器的误差值,且e(k)=yd(k)-y(k),y(k)为本时刻的实际纵向速度输出量,控制器比例环节学习增益KP=0.0018,积分环节学习增益Ti=64.3077,微分环节学习增益TD=18.0202,ee为PID控制器中每次产生误差值的累计值。
根据相关大型机动车道路安全行驶规定,设定公交车最大纵向速度预警值为54.5km/h(即第(1)中所提的最大限速),得到图6的在迭代次数为100次的AFF-ILC、PD-ILC,以及PID算法在加速和减速过程的算法效果对比图。
通过图6中公交车从0加速到55km/h再减速到0的过程可以发现,PD-ILC控制算法和PID算法在正常情况下能跟踪期望纵向速度;然而,当车辆突然加速或减速时,PID控制算法会滞后一段时间,而且在1400s~1600s这个减速阶段,超过了最大纵向速度预警曲线。如果车辆前方有突发情况,需要急加速或急减速时,采用PID和PD-ILC控制算法,会使车辆无法精确控制到期望速度,这在实际的无人驾驶公交车上是非常危险的。AFF-ILC控制算法虽然在纵向速度突变时有一瞬间会抖动,但是在极短的时间内,就恢复平稳状态,并跟踪到相应的纵向速度,总体效果比PID控制效果要好,因此,验证了采用AFF-ILC控制算法对车辆进行纵向控制的有效性。
图7和表2显示了PD-ILC、AFF-ILC在迭代域中跟踪速度误差的比较。性能比较用MAE平均绝对误差评价指标函数来表示,其中MAE函数可以用以下公式来表示,并在此用于误差计算:
其中,t(i,k)代表每次迭代所得出的绝对误差,n代表迭代次数。可以看出,相比本发明所提方法,PD-ILC控制只有基于跟踪误差的反馈控制,缺少自适应机制,因此PD-ILC收敛速度慢,跟踪精度低。另一方面,AFF-ILC对预期轨迹具有更好的跟踪性能,表现为该方法具有更快的收敛速度和更高的跟踪精度。根据图7所展示的两种算法的对比仿真图,AFF-ILC控制算法的最大优势便是在迭代初期的较为快速的响应,这一点由从图7得出的跟踪误差数据表2也能得出,在迭代次数为20~90阶段,AFF-ILC控制算法具有更高的纵向速度跟踪精度,当总线运行迭代次数为90次时,速度跟踪误差达到0.036km/h,也证明了该算法能够实现对所需轨迹的精确跟踪。
表2两种算法的纵向速度跟踪误差比较
(4)饱和约束条件下的AFF-ILC牵引力分析
在第(3)点中针对存在最大纵向速度限制的纵向速度控制问题,对三种控制方法进行了对比分析,然而,仅仅做到能够准确跟踪纵向速度要求,还不能展示AFF-ILC控制算法的实际仿真情况,下面就无人公交车在饱和约束条件下牵引力变化方面给出AFF-ILC控制算法的分析结果。
图8显示了本发明所提出的AFF-ILC牵引/制动力的变化情况。此次仿真模拟的是公交车存在限速54.5km/h的约束条件情况,其中公交车最大牵引力u*与纵向速度y之间近似满足以下关系:
其中,u*为公交车速度饱和约束条件下的最大牵引力,Lmax为公交车最大牵引功率。
从图8可以看出,在考虑到牵引力或者制动力因为受到最大速度的限制情况下,在第2次迭代时控制信号超过了最大牵引力限制u*,但是随着迭代次数的增加能够逐渐调整到期望界限以下,从一定程度上反映出了AFF-ILC算法在纵向速度饱和约束条件下能够保持精确控制。
数值仿真环节验证了本发明所提出的方法的有效性,探讨了不同的q参数对AFF-ILC控制算法的影响,将本发明方法与PD-ILC、PID作对比,就无人公交车在饱和约束条件下牵引力变化方面给出AFF-ILC控制算法的分析结果。本发明能够在特殊超速紧急状况下依旧保证对车辆的控制,有效调整公交车自动驾驶,避免事故的发生。
图9示出了本发明实施例提供的一种公交车自动驾驶纵向控制装置的结构框图。
如图9所示,本发明实施例提供了一种公交车自动驾驶纵向控制装置2000包括获取与计算单元2100、AFF-ILC控制器2200以及控制单元2300。
获取与计算单元2100,被配置为获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的速度误差;
AFF-ILC控制器2200,被配置为根据车辆纵向当前时刻的速度误差计算当前时刻的牵引/制动力输入量,具体控制表达式如式(11)~(12)或者(14)~(17)所示;
控制单元2300,被配置为根据所述AFF-ILC控制器输出的上一次迭代中当前时刻的牵引/制动力输入量以及当前时刻的纵向速度误差对车辆本次迭代中当前时刻的纵向速度进行控制。
本发明实施例中使用的公交车自动驾驶纵向控制装置中,在原有PD型ILC控制器(PD型迭代学习控制器)的基础上,通过引入时域误差反馈项与迭代域误差积分项来构造AFF-ILC控制器,使AFF-ILC控制器随着误差反馈信息的改变而做出相应的自适应变化,结合自适应调整的PD参数,能够同时保留自适应前馈-反馈型迭代学习控制算法的前馈与反馈学习能力,使AFF-ILC控制器能够实现对所需纵向速度曲线的精确跟踪,提高了公交车纵向速度的控制精度。
在一些实施例中,所述公交车自动驾驶纵向控制装置可以结合任一实施例的公交车自动驾驶纵向控制方法的方法特征,反之亦然,在此不赘述。
在本发明实施例中,提供一种电子设备,包括:处理器和存储有计算机程序的存储器,所述处理器被配置为在运行计算机程序时执行任一本发明实施例的公交车自动驾驶纵向控制方法。
图10示出了一种可以实施本发明实施例的方法或实现本发明实施例的电子设备3000的示意图,在一些实施例中可以包括比图示更多或更少的电子设备。在一些实施例中,可以利用单个或多个电子设备实施。在一些实施例中,可以利用云端或分布式的电子设备实施。
如图10所示,电子设备3000包括处理器3001,其可以根据存储在只读存储器(ROM)3002中的程序和/或数据或者从存储部分1008加载到随机访问存储器(RAM)3003中的程序和/或数据而执行各种适当的操作和处理。处理器3001可以是一个多核的处理器,也可以包含多个处理器。在一些实施例中,处理器3001可以包含一个通用的主处理器以及一个或多个特殊的协处理器,例如,中央处理器(CPU)、图形处理器(GPU)、神经网络处理器(NPU)、数字信号处理器(DSP)等等。在RAM 3003中,还存储有电子设备3000操作所需的各种程序和数据。处理器3001、ROM 3002以及RAM 3003通过总线3004彼此相连。输入/输出(I/O)接口3005也连接至总线3004。
上述处理器与存储器共同用于执行存储在存储器中的程序,所述程序被计算机执行时能够实现上述各实施例描述的方法、步骤或功能。
以下部件连接至I/O接口3005:包括键盘、鼠标、触摸屏等的输入部分3006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分3007;包括硬盘等的存储部分3008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分3009。通信部分3009经由诸如因特网的网络执行通信处理。驱动器3010也根据需要连接至I/O接口3005。可拆卸介质3011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器3010上,以便于从其上读出的计算机程序根据需要被安装入存储部分3008。图10中仅示意性示出部分组件,并不意味着计算机***3000只包括图10所示组件。
上述实施例阐明的***、装置、模块或单元,可以由计算机或其关联部件实现。计算机例如可以为移动终端、智能电话、个人计算机、膝上型计算机、车载人机交互设备、个人数字助理、媒体播放器、导航设备、游戏控制台、平板电脑、可穿戴设备、智能电视、物联网***、智能家居、工业计算机、服务器或者其组合。
尽管未示出,在本发明实施例中,提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序配置成被运行时执行任一本发明实施例的基于文件差异的编译方法。
在本发明的实施例的存储介质包括永久性和非永久性、可移动和非可移动的可以由任何方法或技术来实现信息存储的物品。存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
在本发明的实施例的方法、程序、***、装置等,可以在单个或多个连网的计算机中执行或实现,也可以在分布式计算环境中实践。在本说明书实施例中,在这些分布式计算环境中,可以由通过通信网络而被连接的远程处理设备来执行任务。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本领域技术人员可想到,上述实施例阐明的功能模块/单元或控制器以及相关方法步骤的实现,可以用软件、硬件和软/硬件结合的方式实现。
除非明确指出,根据本发明实施例记载的方法、程序的动作或步骤并不必须按照特定的顺序来执行并且仍然可以实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
在本文中,针对本发明的多个实施例进行了描述,但为简明起见,各实施例的描述并不是详尽的,各个实施例之间相同或相似的特征或部分可能会被省略。在本文中,“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”意指适用于根据本发明的至少一个实施例或示例中,而非所有实施例。上述术语并不必然意味着指代相同的实施例或示例。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。
已参考上述实施例具体示出并描述了本发明的示例性***及方法,其仅为实施本***及方法的最佳模式的示例。本领域的技术人员可以理解的是可以在实施本***及/或方法时对这里描述的***及方法的实施例做各种改变而不脱离界定在所附权利要求中的本发明的精神及范围。
Claims (10)
1.一种公交车自动驾驶纵向控制方法,其特征在于,所述方法包括以下步骤:
获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的纵向速度误差;
设计AFF-ILC控制器,所述AFF-ILC控制器的控制表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+(αp+β(i,k))e(i-1,k)
β(i,k)=β(i-1,k)+qe(i-1,k)2
其中,u(i,k)为本次迭代中车辆当前时刻的牵引/制动力输入量,u(i-1,k)为上一次迭代中车辆当前时刻的牵引/制动力输入量,αd为微分环节的增益系数,Δe(i,k-1)为本次迭代中车辆上一时刻的纵向速度误差的差分,αp为比例环节的增益系数,β(i,k)为本次迭代中当前时刻的自适应学习增益,β(i-1,k)为上一次迭代中当前时刻的自适应学习增益,e(i-1,k)=yd(k)-y(i-1,k),e(i-1,k)为上一次迭代中车辆当前时刻的纵向速度误差,yd(k)为车辆当前时刻的期望速度,y(i-1,k)为上一次迭代中车辆当前时刻的纵向速度,q为误差自适应学习增益;
以上一次迭代中当前时刻的纵向速度误差作为所述AFF-ILC控制器的输入量,利用所述AFF-ILC控制器输出的上一次迭代中当前时刻的牵引/制动力输入量对车辆本次迭代中当前时刻的纵向速度进行控制。
3.根据权利要求1所述的公交车自动驾驶纵向控制方法,其特征在于,所述AFF-ILC控制器的具体设计过程为:
引入迭代轴i,并定义车辆纵向运动的非线性离散时间动力学方程为:
y(i+1,k)=f(y(i,k),...,y(i-ny,k),u(i,k),...,u(i-nu,k))
其中,y(i,k)为本次迭代中车辆当前时刻的纵向速度,y(i+1,k)为下一次迭代中车辆当前时刻的纵向速度,f(·)为未知的非线性函数,k表示采样时间,ny和nu为两个未知的正整数。
构造PD型迭代学习控制器,具体表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+αpe(i-1,k)
基于所述PD型迭代学习控制器,引入时域误差反馈项与迭代域误差积分项,在本次迭代中构造所述AFF-ILC控制器。
5.根据权利要求1~3中任一项所述的公交车自动驾驶纵向控制方法,其特征在于,所述误差自适应学习增益q的取值数量级取决于车辆的最大总质量;
当车辆最大总质量为1.8×104kg,所述误差自适应学习增益q的取值范围为:1×10-5~1×10-9。
6.根据权利要求1~3中任一项所述的公交车自动驾驶纵向控制方法,其特征在于,在实际运行中,利用所述AFF-ILC控制器对车辆本次迭代中当前时刻的纵向速度进行控制的具体实现过程包括:
若上一次迭代中当前时刻的纵向测量速度y测(i-1,k)与当前时刻的期望速度yd(k)不相等,则将上一次迭代中当前时刻的纵向速度误差e(i-1,k)传输给AFF-ILC控制器;
将所述AFF-ILC控制器输出的本次迭代中当前时刻的牵引/制动力输入量u(i,k)传输给油门/刹车制动***,控制油门/刹车制动***的速度调整次数,并使发动机得电产生实际纵向速度输出信号y(i,k);
将y(i,k)与速度测量值y测(i,k)进行比较,得到本次迭代下当前时刻的纵向速度误差e(i,k),用以AFF-ILC控制器的下一次迭代学习,以实现纵向速度的调整。
7.根据权利要求6所述的公交车自动驾驶纵向控制方法,其特征在于,利用所述AFF-ILC控制器对车辆本次迭代中当前时刻的纵向速度进行控制的具体实现过程还包括:
若本次迭代中当前时刻的纵向速度y(i,k)与当前时刻的期望速度yd(k)相等,则向油门/刹车制动***发送正常报文;
若需要加速,则向油门/刹车制动***发送加速报文;
若需要减速,则向油门/刹车制动***发送减速报文。
8.一种公交车自动驾驶纵向控制装置,其特征在于,所述装置包括:
获取与计算单元,被配置为获取车辆当前时刻的纵向速度以及期望速度,根据当前时刻的纵向速度与期望速度计算当前时刻的速度误差;
AFF-ILC控制器,被配置为根据车辆上一次迭代中当前时刻的纵向速度误差计算本次迭代中当前时刻的牵引/制动力输入量,具体控制表达式为:
u(i,k)=u(i-1,k)+αdΔe(i,k-1)+(αp+β(i,k))e(i-1,k)
β(i,k)=β(i-1,k)+qe(i-1,k)2
其中,u(i,k)为本次迭代中车辆当前时刻的牵引/制动力输入量,u(i-1,k)为上一次迭代中车辆当前时刻的牵引/制动力输入量,αd为微分环节的增益系数,Δe(i,k-1)为本次迭代中车辆上一时刻的纵向速度误差的差分,αp为比例环节的增益系数,β(i,k)为本次迭代中当前时刻的自适应学习增益,β(i-1,k)为上一次迭代中当前时刻的自适应学习增益,e(i-1,k)=yd(k)-y(i-1,k),e(i-1,k)为上一次迭代中车辆当前时刻的纵向速度误差,yd(k)为车辆当前时刻的期望速度,y(i-1,k)为上一次迭代中车辆当前时刻的纵向速度,q为误差自适应学习增益;
控制单元,被配置为根据所述AFF-ILC控制器输出的上一次迭代中当前时刻的牵引/制动力输入量以及当前时刻的纵向速度误差对车辆本次迭代中当前时刻的纵向速度进行控制。
9.一种计算机可读存储介质,其特征在于:其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1~7中任一项所述的公交车自动驾驶纵向控制方法。
10.一种电子设备,其特征在于,所述电子设备包括:处理器和存储有计算机程序的存储器,所述处理器被配置为在运行计算机程序时执行如权利要求1~7中任一项所述的公交车自动驾驶纵向控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486389.6A CN115782918A (zh) | 2022-11-24 | 2022-11-24 | 自动驾驶纵向控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211486389.6A CN115782918A (zh) | 2022-11-24 | 2022-11-24 | 自动驾驶纵向控制方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115782918A true CN115782918A (zh) | 2023-03-14 |
Family
ID=85441282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211486389.6A Pending CN115782918A (zh) | 2022-11-24 | 2022-11-24 | 自动驾驶纵向控制方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115782918A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118238874A (zh) * | 2024-05-29 | 2024-06-25 | 北京全路通信信号研究设计院集团有限公司 | 一种基于变增益积分控制的高速列车自动巡航方法及*** |
-
2022
- 2022-11-24 CN CN202211486389.6A patent/CN115782918A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118238874A (zh) * | 2024-05-29 | 2024-06-25 | 北京全路通信信号研究设计院集团有限公司 | 一种基于变增益积分控制的高速列车自动巡航方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Villagra et al. | Flatness-based vehicle steering control strategy with SDRE feedback gains tuned via a sensitivity approach | |
Wang et al. | Lateral control of autonomous vehicles based on fuzzy logic | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
Xu et al. | Model predictive control for lane keeping system in autonomous vehicle | |
Kuutti et al. | End-to-end reinforcement learning for autonomous longitudinal control using advantage actor critic with temporal context | |
Kang et al. | Observer-based backstepping control method using reduced lateral dynamics for autonomous lane-keeping system | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
Srinivasan et al. | A holistic motion planning and control solution to challenge a professional racecar driver | |
Ming et al. | MPC-based trajectory tracking control for intelligent vehicles | |
CN113009829A (zh) | 一种智能网联车队纵横向耦合控制方法 | |
Luu et al. | Design and simulation implementation for adaptive cruise control systems of vehicles | |
Wang et al. | Design and implementation of an adaptive cruise control system based on supervised actor-critic learning | |
CN113721634B (zh) | 考虑执行器饱和的基于反步法的车队有限时间协同控制方法 | |
Abdullahi et al. | Adaptive cruise control: A model reference adaptive control approach | |
WO2022105361A1 (zh) | 车辆控制方法、装置、计算机可读存储介质及电子设备 | |
Guo et al. | Adaptive non‐linear coordinated optimal dynamic platoon control of connected autonomous distributed electric vehicles on curved roads | |
CN115042816A (zh) | 路径跟踪方法、装置、设备、介质及程序 | |
Zheng et al. | Continuous reinforcement learning based ramp jump control for single-track two-wheeled robots | |
Jo et al. | Model-reference adaptive sliding mode control of longitudinal speed tracking for autonomous vehicles | |
Weber et al. | Modeling and Control for Dynamic Drifting Trajectories | |
Torabi et al. | Fuel consumption optimization of heavy-duty vehicles using genetic algorithms | |
CN115782918A (zh) | 自动驾驶纵向控制方法、装置、设备及存储介质 | |
JP2020044957A (ja) | 操舵制御システム | |
Zhuang et al. | Model-Predictive-Control-Based Simultaneous Trajectory Tracking and Speed Control for Intelligent 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 |