CN116834754A - 一种自动驾驶车辆自适应调速的横纵协同控制方法 - Google Patents

Abstract

本发明提供一种自动驾驶车辆自适应调速的横纵协同控制方法，所述方法包括：建立车辆模型和轮胎模型；根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪；对自动驾驶车辆进行横纵协同控制。本发明针对不同路面的车辆状态参数和预测路径信息，通过路径跟踪误差和道路曲率来调节纵向速度，以解决实时高速弯道路径跟踪问题。

Description

一种自动驾驶车辆自适应调速的横纵协同控制方法

技术领域

本发明涉及自动驾驶技术领域，具体地，涉及一种自动驾驶车辆自适应调速的横纵协同控制方法。

背景技术

随着人们生活水平的不断提高，智能交通正受到越来越多的关注，自动驾驶技术在智能运输中发挥着重要作用。其中，车辆运动控制是自动驾驶技术的核心技术，在自动控制过程中确保车辆跟踪的准确性和稳定性是一个值得探索的问题。

车辆是一个复杂的***，具有高度非线性的横向和纵向动态特性，考虑到高速自动驾驶车辆的行驶稳定性，纵向速度和动力学参数的变化将逐渐同时影响横向控制。横向参数的变化对纵向的速度控制过程也有重要的影响。尤其是当车辆处于弯道工况中运行时，如何进一步提高车辆的行驶安全性是值得研究的层面。

发明内容

针对现有技术中的缺陷，本发明的目的在于提供一种自动驾驶车辆自适应调速的横纵协同控制方法，针对不同路面的车辆状态参数和预测路径信息，通过路径跟踪误差和道路曲率来调节纵向速度，以解决实时高速弯道路径跟踪问题。

为解决上述问题，本发明的技术方案为：

一种自动驾驶车辆自适应调速的横纵协同控制方法，包括以下步骤：

建立车辆模型和轮胎模型；

根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪；

对自动驾驶车辆进行横纵协同控制。

优选地，所述车辆模型包括考虑跟踪误差的车辆横摆动力学模型和纵向动力学模型。

优选地，所述建立车辆模型和轮胎模型的步骤具体包括：

建立考虑车辆跟踪误差的横摆动力学模型，所述考虑跟踪误差的车辆横摆动力学模型表示为：

式中，m为车辆质量，分别为车体质心处的纵向速度和侧向速度，δ为轮胎转角，F_lf和F_lr为前后轮的纵向力，F_xf和F_xr为前后轮的侧向力，/>为横摆角速度，I_z为车身绕Z轴的转动惯量，l_f、l_r分别为车辆质心到前后轴的距离，e_y和/>分别为车辆的横向位置误差和航向角误差，κ是参考路径上的时变曲率；

建立车辆纵向动力学模型，所述纵向动力学模型为：

式中，r表示车轮半径，ω表示单轮的转速，I_w表示车轮的惯性矩，T_b是车轮上的制动力矩；

对于电机总功率，电机转矩和电机转速的关系为：P＝T_eω_e，所采用的电机模型设定为：式中，T_max是电机的最大扭矩，α_v是油门踏板开度，η_r是电机峰值功率与最大扭矩的比值。

优选地，所述根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪的步骤具体包括：根据车辆实时位置和全局道路信息，基于拟合计算得到的道路曲率和横向误差对车辆纵向速度进行实时预测并进行纵向速度***的设计。

优选地，所述根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪的步骤具体包括：

当车辆处于小曲率路段或平直路段时，车辆以稳定的高速状态行驶，并同时根据横向误差值的大小实时调整纵向速度减少横向误差，当车辆即将进入弯道路段时，模糊控制器输出降低调整后的参考速度值；

采用贝塞尔曲线分段拟合路点信息的方法，对车辆当前和未来一段时间内的道路信息进行计算处理，在得到分段的贝塞尔曲线后，利用三点求曲率的方法计算道路曲率，进而可以实时输出当前和未来一段时间内的道路曲率信息，将此信息输入到模糊控制器中，完成对弯道参考纵向速度的预测；

所采用的纵向速度跟踪控制器中，T_i和T_d分别为积分时间常数和微分时间常数，k_p、k_i和k_d分别为比例因子、积分因子和微分因子，因此，对于控制量变化量信号和受控对象，有：纵向控制器通过对车速跟踪误差进行控制，根据标定试验结果选择驱动或制动策略，使实际速度和期望速度相匹配。

优选地，所述对自动驾驶车辆进行横纵协同控制的步骤具体包括：为了减少计算工作量并提高实时性能，对非线性车辆模型进行离散化和线性化，以获得线性时变***的状态空间方程；在横向路径跟踪和横摆稳定性控制器的设计中，采用了基于线性时变模型预测控制的方法，并采用包络线的方法进行稳定性约束，从而进行协同控制。

优选地，所述对自动驾驶车辆进行横纵协同控制的步骤具体包括：

横向控制策略设计；

构建横摆动力学约束；

构建目标函数；

横纵协同控制策略。

优选地，所述横向控制策略设计的步骤具体包括：

将前轮转角δ设为车辆的控制输入量u₁，道路曲率u₂＝κ作为附加扰动量，车辆的状态量为车辆的动力学模型为：/> 对于所建立的基于跟踪误差的车辆动力学模型，其状态量矩阵和输入矩阵分别为：

其中，/>为在***工作点/>的状态。

定义新的状态变量输出状态变量η(k)，以及控制输入的增量Δu(k)＝u₁(k)-u₁(k-1)，离散状态空间的控制器模型转化为：

η(k|t)＝H_pζ(k|t)

式中，

得到新的状态变量之后，在下面的时刻序列不断进行迭代，得到在预测时域上预测输出表达式：Y(t)＝Ψ_tζ(t)+Θ_tΔU(t)+Λ_tγ(t)

其中:

Y(t)＝[η(k+1|t) η(k+2|t) … η(k+N_c|t) … η(k+N_p|t)]^T,

ΔU(t)＝[Δu(k|t) Δu(k+1|t) Δu(k+2|t) … … Δu(k+N_c-1|t)]^T,

其中，N_p为预测时域，N_c为预测时域。

优选地，所述构建横摆动力学约束的步骤具体包括：

后轮最大侧偏角的约束方程用车辆横向速度和横摆角速度表示：其中，/>为后轮的侧向力饱和时的轮胎侧偏角；

根据小角度假设的轮胎线性化模型和车辆动力学方程，可以将车辆横摆角变化率约束为：通过该公式的求解，得到横摆稳定性的包络线约束；

基于包络线的横摆稳定性判据表达式为：

-G_en(k)-ε_en(k)≤H_en(k)ζ(k)≤G_en(k)+ε_em(k).

其中，

和/>分别为后轮侧偏角、质心侧偏角和横摆角速度的约束松弛值。

引入松弛因子，对代价函数进行软约束的处理：

其中，σ为权重系数，ε是松弛因子；

根据横摆动力学约束方法，将预测输出的表达式带入公式：

得到最终被求解的目标函数，进行二次型规划的求解：

|δ_f|≤δ_f,max

|Δδ_f|≤Δδ_f,max

其中，代价函数的第一项表示车辆相对于参考轨迹的横向位置误差和航向误差，第二项表示在路径跟踪过程中，要求控制量的平稳变化，Q_ey、和R_Δu为可调节的权重量，设置不同的权重调节不同目标的优先度。

与现有技术相比，本发明的优点如下：

1、本发明引入了协同控制器来处理弯道路径跟踪问题，考虑到弯道路径下纵向速度的连续变化对横向路径跟踪的影响，提高横向跟踪的控制精度。

2、本发明对纵向车速进行跟踪及控制，可以有效减少跟踪误差，提高车辆驾驶的安全性。

3、本发明只需外部提供全局参考路径信息，不需要其它道路信息来实现对纵向参考速度的预测，具有很强的实际应用性。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明实施例提供的自动驾驶车辆自适应调速的横纵协同控制方法流程框图；

图2为本发明实施例提供的车辆动力学模型图；

图3为本发明实施例提供的模糊逻辑曲面图；

图4为本发明实施例提供的纵向控制逻辑图；

图5为本发明实施例提供的横纵协同控制逻辑图。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。

具体地，本发明提供一种自动驾驶车辆自适应调速的横纵协同控制方法，如图1所示，所述方法包括以下步骤：

S1：建立车辆模型和轮胎模型；

所述车辆模型包括车辆横摆动力学模型和纵向动力学模型，具体地，包括以下步骤：

步骤11：建立考虑车辆跟踪误差的横摆动力学模型；

在车辆重心处建立车身坐标系xyz，坐标系原点与车辆质心重合，x轴平行于地面与车辆纵向行驶方向重合，y轴平行于地面与车辆横向行驶方向重合，z轴垂直于地面。车辆动力学模型如图2所示，所述车辆横摆动力学方程为：

式中，m为车辆质量，分别为车体质心处的纵向速度和侧向速度，δ为轮胎转角，F_lf和F_lr为前后轮的纵向力，F_xf和F_xr为前后轮的侧向力，/>为横摆角速度，I_z为车身绕Z轴的转动惯量，l_f、l_r分别为车辆质心到前后轴的距离。

轮胎侧向力和纵向力可表示为：

式中，C_α为轮胎侧偏刚度，C_x为轮胎纵向刚度，二者与地面轮胎附着系数μ和轮胎垂向力F_z有关；α为轮胎侧偏角；S_f,r为前后轮轮胎滑移率。

前后轮轮胎侧偏角和车辆质心侧偏角可表示为：

车辆跟踪误差模型可表示为：

式中，e_y和分别为车辆的横向位置误差和航向角误差，κ是参考路径上的时变曲率。

将公式1-6转化成如下的车辆动力学方程：

步骤12：建立车辆纵向动力学模型；

基于单轮车辆模型，得到的由前轮驱动力和车辆阻力的纵向动力学表达式为：

其中，是车辆纵向速度的一阶导数，F_p和F_r分别为驱动力和车辆阻力的总和，车辆驱动力F_p是由油门开度和刹车的二者的控制量输入值决定的，F_r是由空气和道路滚动摩擦引起的阻力和一些其他阻力的总和。

对于以上假设的三自由度横摆动力学模型，左右侧车轮的前轮转角设为相等，对单轮进行动力学分析，将两侧车轮的单轮转动动力学方程统一到表达式：

其中，F_fl,fr分别是作用在左右侧车轮上相应的纵向力，为每个车轮上的总的力。r表示车轮半径，ω表示单轮的转速。I_k表示车轮的惯性矩，B_d是阻尼系数。

以上方程进一步可以写为：

v＝ωr (11)

F_p＝F_f (12)

其中，T_tf和T_b分别表示驱动力矩和制动力矩。

联立以上等式，可以得到下列纵向动力学方程：

根据纵向动力学的定义：

对于电机总功率，电机转矩和电机转速的关系为：

P＝T_eω_e (15)

所采用的电机模型设定为：

式中，T_max是电机的最大扭矩，α_v是油门踏板开度，η_r是电机峰值功率与最大扭矩的比值。

S2：根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪；

具体地，根据车辆实时位置和全局道路信息，基于拟合计算得到的道路曲率和横向误差对车辆纵向速度进行实时预测并进行纵向速度***的设计。当车辆高速通过弯道时，我们选择将预测时域内计算出的曲率值和横向误差值作为模糊控制器的输入，进行模糊推理，得到参考速度作为模糊控制器的预测输出值。

步骤21：模糊规则设计；

考虑驾驶员的过弯的实际操纵思路，对纵向跟踪控制器进行设定。当车辆处于小曲率路段或平直路段时，车辆以稳定的高速状态行驶，并同时根据横向误差值的大小实时调整纵向速度减少横向误差。当车辆即将进入弯道路段时，模糊控制器输出降低调整后的参考速度值。接着，通过纵向控制器跟踪参考的纵向速度。在纵向速度曲线预测过程中，考虑到车辆的操纵稳定性和乘客舒适度的要求，在整体模糊控制规则的设计过程中，将道路曲率值作为影响纵向速度最为敏感的输入量，随着曲率的变化不断调整参考的纵向速度。另外，当车辆以高速状态进入弯道的过程中，横向跟踪误差会相应增大甚至产生跳变。但随着车辆在弯道中的行驶，横向误差会逐渐减小。因此，在模糊规则的设计中，考虑在道路曲率相对较小的路径上，对于横向跟踪误差影响的敏感程度较小；在曲率较大的路径上，对于横向误差影响的敏感程度较大。

在隶属度函数设计中，三角形隶属度函数的计算相对简单，响应速度较快，所以设置曲率、横向误差和预测纵向速度的隶属度函数为三角形隶属度函数。并且设置模糊规则，模糊规则库的推理曲面如图3所示。

在设计的模糊控制器中，需要对输入量进行模糊描述。对于车辆速度变化范围的物理论域，通过量化因子将其转换为离散论域。对于本说明描述的双输入单输出***，输入和输出的离散论域被设置为{-6，-5，-4，-3，-2，-1，0，1，2，3，4，5，6}。并将语言变量定义为{“负大(NB)”，“负中(NM)”，“负小(NS)”，“零(ZO)”，“正小(PS)”，“正中(PM)”，，“正大(PB)”}7个等级。三角隶属函数计算相对简单，响应速度快，选择三角形隶属函数作为曲率、横向误差和纵向速度的隶属函数，采用质心法去模糊。所设计的模糊规则为：

其中Ln表示所选取的模糊规则是第n条。语言变量为和Q^m。模糊规则共有49条。模糊输入变量为预测的道路曲率值、横向跟踪误差。v_des表示输出的期望速度。

步骤22：道路曲率的自适应拟合方法与计算；

为了能够实时的捕捉到预测时域内的道路曲率信息，采用一种分段拟合路点信息的方法，对车辆当前和未来一段时间内的道路信息进行计算处理。对于参考轨迹的平滑处理，贝塞尔曲线具有相对简便和容易平滑处理较复杂的轨迹曲线等特点，选用三次贝塞尔曲线对参考路径进行处理。其表达式为：

初始阶段取参考路径的两个端点作为拟合曲线的起止控制点。接着，通过最小二乘法拟合分段路径的中间点，得到后续的三次贝塞尔曲线的两个中间控制点N2和N3。在不断地迭代过程中，计算拟合曲线与该段路点信息之间的残差值，将其作为是否再进行分段拟合计算的判断标准，从而达到自适应分段拟合的目的，完成三阶贝塞尔曲线的拟合。

在得到分段的贝塞尔曲线后，利用三点求曲率的方法计算道路曲率：

式中，x′＝x_c-x_a,y′＝y_c-y_a,x″＝x_c+x_a-2x_b,y″＝y_c+y_a-2y_b，ζ＝(x′)²+(y′)²,(x_a,y_a),(x_b,y_b),(x_c,y_c)为拟合路段选取的插值点。

在得到分段自适应拟合的路径曲线后，就可以实时地进行计算并且输出当前和未来一段时间内的道路曲率信息，将此信息输入到模糊控制器中，完成对弯道参考纵向速度的预测。

步骤23：纵向控制器设计；

如图4所示，车辆的实际车速输入到上位控制器中，同时模糊控制器也输出预测的参考速度到上位控制器，上层控制器的PID控制器通过输入量计算出车辆当前的期望加速度。期望加速度和实车速度等状态量共同输入到下位控制器中，进而决定车辆为驱动模式或制动模式。最后通过逆纵向动力学模型计算出油门开度和制动主缸压力值，输入到被控车辆中完成对车辆纵向的加减速控制。

e_v为纵向车速跟踪误差，即期望速度与实际速度之差：

e_v＝v_des-v_r (19)

进一步地，有：

其中，v_des表示车辆期望的纵向速度，v_r表示车辆的实际速度，表示期望的纵向加速度，/>表示车辆的实际纵向加速度。T_k表示控制器的采样时间。

所采用的纵向速度跟踪PID控制器中，T_i和T_d分别为积分时间常数和微分时间常数。k_p、k_i和k_d分别为比例因子、积分因子和微分因子。因此，对于控制量变化量信号和受控对象，有：

纵向控制器通过对车速跟踪误差进行控制，根据标定试验结果选择驱动或制动策略，使实际速度和期望速度相匹配。

S3：对自动驾驶车辆进行横纵协同控制。

为了减少计算工作量并提高实时性能，对非线性车辆模型进行离散化和线性化，以获得线性时变***的状态空间方程；在横向路径跟踪和横摆稳定性控制器的设计中，采用了基于线性时变模型预测控制的方法，并采用包络线的方法进行稳定性约束，从而进行协同控制。具体地，所述步骤S3包括以下步骤：

步骤31：横向控制策略设计；

为了减小计算量和提高实时性，将非线性车辆模型线性化后离散化处理，得到线性时变***的状态空间方程。在横向路径跟踪和横摆稳定性控制器设计中，本发明采用基于线性时变模型预测控制的方法，并采用包络线的方法约束。

将前轮转角δ设为车辆的控制输入量u₁，道路曲率u₂＝κ作为附加扰动量，车辆的状态量为车辆的动力学模型为：/> 对于所建立的基于跟踪误差的车辆动力学模型，其状态量矩阵和输入矩阵分别为：

其中，/>为在***工作点/>的状态。

定义新的状态变量输出状态变量η(k)，以及控制输入的增量Δu(k)＝u₁(k)-u₁(k-1)，离散状态空间的控制器模型转化为：

η(k|t)＝H_pζ(k|t)

式中，H_p＝[1 0 0].

得到新的状态变量之后，在下面的时刻序列不断进行迭代，得到在预测时域上预测输出表达式：Y(t)＝Ψ_tζ(t)+Θ_tΔU(t)+Λ_tγ(t)

其中:

Y(t)＝[η(k+1|t) η(k+2|t) … η(k+N_c|t) … η(k+N_p|t)]^T,

ΔU(t)＝[Δu(k|t) Δu(k+1|t) Δu(k+2|t) … … Δu(k+N_c-1|t)]^T,

/>

其中，N_p为预测时域，N_c为预测时域。

步骤32：构建横摆动力学约束；

在高速无人驾驶车辆的横摆动力学约束中，要考虑实际路面的附着系数和轮胎力是否匹配，车辆的侧向加速度受到极限附着系数的限制。车辆横摆动力学模型中，车辆侧向加速度的表达式为：

横摆角速度以及名义质心侧偏角约束可以表示为：

其中，μ为路面附着系数，g为重力加速度。

车辆发生侧滑时，导致车辆横向的摆动丧失稳定性，且车辆一般在后轴发生侧滑。因此对于后轮进行最大侧偏角的约束。后轮最大侧偏角的约束方程可以用车辆横向速度和横摆角速度表示：

其中，为后轮的侧向力饱和时的轮胎侧偏角。

根据小角度假设的轮胎线性化模型和车辆动力学方程，可以将车辆横摆角变化率约束为：

取以上数据的较小值作为横摆角速度和侧向速度的约束极值。

通过上述式子的求解，得到横摆稳定性的包络线约束。在控制边界的约束范围内，可以保证车辆的横摆稳定性和滑移稳定性。同时，考虑到实际问题的求解，引入松弛因子对后轮侧偏角，质心侧偏角和横摆角速度边界进行适当扩大，允许车辆在轮胎的非线性区域短暂停留。基于包络线的横摆稳定性判据表达式为：

-G_en(k)-ε_en(k)≤H_en(k)ζ(k)≤G_en(k)+ε_en(k).

其中，

和/>分别为后轮侧偏角、质心侧偏角和横摆角速度的约束松弛值。

步骤33：构建目标函数；

在给定参考路径后，要考虑实际应用中是否能找到可行最优解的问题，因此为了保证车辆在进行横向跟踪目标路径时每次都能求出可行解，需要引入松弛因子，对代价函数进行软约束的处理：

其中，σ为权重系数，ε是松弛因子。

考虑并引入上一小节叙述的横摆动力学约束方法，将预测输出的表达式带入到上式，得到最终被求解的目标函数，进行二次型规划的求解：

其中，代价函数的第一项表示车辆相对于参考轨迹的横向位置误差和航向误差。第二项表示在路径跟踪过程中，要求控制量的平稳变化。第一个限制条件表示线性离散化后的车辆动力学模型。下面的限制条件分别表示高速行驶车辆横摆稳定性的包络线约束、极限前轮转角和前轮转角增量的约束。Q_ey、和R_Δu为可调节的权重量，设置不同的权重调节不同目标的优先度。

步骤34：横纵协同控制策略；

图5所示的综合控制框图展示了协同控制策略的架构以及不同模块之间的交互关系，考虑纵向控制器中跟踪的变化速度对横向控制模块中预测和控制模型精度的影响。将时变车速视为控制模型的外部扰动，作用于横向路径跟踪过程，这被视为耦合控制中运动耦合的影响。实际车辆动力学状态量和参考路径的位置信息被输入到横向控制器，该横向控制器可以输出车辆的方向盘转角。可以获得预测时域中的一系列道路曲率信息，以完成道路曲率的预测。得到了当前位置的横向误差。然后将输出的横向误差值和预测的道路曲率曲线输入到模糊控制器中，以生成参考纵向速度值。接下来，受控车辆的实际纵向速度和其他状态参数被输入到纵向控制器和动力学模型。从预测和生成速度曲线模块输出的参考速度被输入到纵向控制模块。最后，通过车辆动态反馈的速度误差进行驱动和制动的逻辑切换，并输出相应的油门开度值或制动主缸压力值，完成对路径和速度的跟踪。

综上所述，本发明中，基于MPC控制策略的控制方法已经被用于横向控制，基于PID和模糊预测的控制方法已被用于纵向控制。本发明中采用横纵向解耦的策略，按照车辆路径跟踪方法设计横向控制器。需要指出的是，车辆的纵向运动对车辆的横向运动有较大的影响。在极端条件下，应选用适当约束保证车辆的稳定性能，或者调整纵向的速度以适应不同工况下的行驶安全性要求。对此，本发明采用模糊预测的方法生成参考的纵向速度的策略解决此问题。在先前的路径跟踪控制策略中，通常将车辆的纵向速度设为一个持续不变的值，并且在预测范围内认为纵向速度是恒定的。本发明参考路径实时地输出预测的曲率曲线和横向误差值，考虑了纵向控制器中，所跟踪的不断变化的实际速度在横向控制模块中，对预测和控制模型精准度的影响。将时变的实车速度作为控制模型的外部干扰，作用在横向的路径跟踪过程中，考虑横纵向耦合控制中运动学耦合的影响。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述方法包括以下步骤：

建立车辆模型和轮胎模型；

根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪；

对自动驾驶车辆进行横纵协同控制。

2.根据权利要求1所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述车辆模型包括考虑跟踪误差的车辆横摆动力学模型和纵向动力学模型。

3.根据权利要求1所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述建立车辆模型和轮胎模型的步骤具体包括：

建立考虑车辆跟踪误差的横摆动力学模型，所述考虑跟踪误差的车辆横摆动力学模型表示为：

式中，m为车辆质量，分别为车体质心处的纵向速度和侧向速度，δ为轮胎转角，F_lf和F_lr为前后轮的纵向力，F_xf和F_xr为前后轮的侧向力，/>为横摆角速度，I_z为车身绕Z轴的转动惯量，l_f、l_r分别为车辆质心到前后轴的距离，e_y和/>分别为车辆的横向位置误差和航向角误差，κ是参考路径上的时变曲率；

建立车辆纵向动力学模型，所述纵向动力学模型为：

式中，r表示车轮半径，ω表示单轮的转速，I_w表示车轮的惯性矩，T_b是车轮上的制动力矩；

对于电机总功率，电机转矩和电机转速的关系为：P＝T_eω_e，所采用的电机模型设定为：式中，T_max是电机的最大扭矩，α_v是油门踏板开度，η_r是电机峰值功率与最大扭矩的比值。

4.根据权利要求1所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪的步骤具体包括：根据车辆实时位置和全局道路信息，基于拟合计算得到的道路曲率和横向误差对车辆纵向速度进行实时预测并进行纵向速度***的设计。

5.根据权利要求1所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述根据车辆实时位置和全局道路信息，对车辆纵向参考速度进行实时预测与速度跟踪的步骤具体包括：

当车辆处于小曲率路段或平直路段时，车辆以稳定的高速状态行驶，并同时根据横向误差值的大小实时调整纵向速度减少横向误差，当车辆即将进入弯道路段时，模糊控制器输出降低调整后的参考速度值；

采用贝塞尔曲线分段拟合路点信息的方法，对车辆当前和未来一段时间内的道路信息进行计算处理，在得到分段的贝塞尔曲线后，利用三点求曲率的方法计算道路曲率，进而可以实时输出当前和未来一段时间内的道路曲率信息，将此信息输入到模糊控制器中，完成对弯道参考纵向速度的预测；

所采用的纵向速度跟踪控制器中，T_i和T_d分别为积分时间常数和微分时间常数，k_p、k_i和k_d分别为比例因子、积分因子和微分因子，因此，对于控制量变化量信号和受控对象，有：纵向控制器通过对车速跟踪误差进行控制，根据标定试验结果选择驱动或制动策略，使实际速度和期望速度相匹配。

6.根据权利要求1所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述对自动驾驶车辆进行横纵协同控制的步骤具体包括：为了减少计算工作量并提高实时性能，对非线性车辆模型进行离散化和线性化，以获得线性时变***的状态空间方程；在横向路径跟踪和横摆稳定性控制器的设计中，采用了基于线性时变模型预测控制的方法，并采用包络线的方法进行稳定性约束，从而进行协同控制。

7.根据权利要求1所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述对自动驾驶车辆进行横纵协同控制的步骤具体包括：

横向控制策略设计；

构建横摆动力学约束；

构建目标函数；

横纵协同控制策略。

8.根据权利要求7所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述横向控制策略设计的步骤具体包括：

将前轮转角δ设为车辆的控制输入量u₁，道路曲率u₂＝κ作为附加扰动量，车辆的状态量为车辆的动力学模型为：/> 对于所建立的基于跟踪误差的车辆动力学模型，其状态量矩阵和输入矩阵分别为：

其中，/>为在***工作点/>的状态。

定义新的状态变量输出状态变量η(k)，以及控制输入的增量Δu(k)＝u₁(k)-u₁(k-1)，离散状态空间的控制器模型转化为：

η(k|t)＝H_pζ(k|t)

式中，H_p＝[1 0 0].

得到新的状态变量之后，在下面的时刻序列不断进行迭代，得到在预测时域上预测输出表达式：

其中：

Y(t)＝[η(k+1|t) η(k+2|t)…η(k+N_c|t)…η(k+N_p|t)]^T，

ΔU(t)＝[Δu(k|t) Δu(k+1|t) Δu(k+2|t)……Δu(k+N_c-1|t)]^T，

其中，N_p为预测时域，N_c为预测时域。

9.根据权利要求7所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述构建横摆动力学约束的步骤具体包括：

后轮最大侧偏角的约束方程用车辆横向速度和横摆角速度表示：其中，/>为后轮的侧向力饱和时的轮胎侧偏角；

根据小角度假设的轮胎线性化模型和车辆动力学方程，可以将车辆横摆角变化率约束为：通过该公式的求解，得到横摆稳定性的包络线约束；

基于包络线的横摆稳定性判据表达式为：

-G_en(k)-ε_en(k)≤H_en(k)ζ(k)≤G_en(k)+ε_en(k).

其中，

和/>分别为后轮侧偏角、质心侧偏角和横摆角速度的约束松弛值。

10.根据权利要求7所述的自动驾驶车辆自适应调速的横纵协同控制方法，其特征在于，所述构建目标函数的步骤具体包括：

引入松弛因子，对代价函数进行软约束的处理：

其中，σ为权重系数，ε是松弛因子；

根据横摆动力学约束方法，将预测输出的表达式带入公式：

得到最终被求解的目标函数，进行二次型规划的求解：

|H_enζ(k)|≤G_en+ε_en(k)

|δ_f|≤δ_f，max

|Δδ_f|≤Δδ_f，max

其中，代价函数的第一项表示车辆相对于参考轨迹的横向位置误差和航向误差，第二项表示在路径跟踪过程中，要求控制量的平稳变化，Q_ey、和R_Δu为可调节的权重量，设置不同的权重调节不同目标的优先度。