CN118269929A - 一种自动驾驶汽车纵横向控制方法及装置 - Google Patents
一种自动驾驶汽车纵横向控制方法及装置 Download PDFInfo
- Publication number
- CN118269929A CN118269929A CN202410704977.5A CN202410704977A CN118269929A CN 118269929 A CN118269929 A CN 118269929A CN 202410704977 A CN202410704977 A CN 202410704977A CN 118269929 A CN118269929 A CN 118269929A
- Authority
- CN
- China
- Prior art keywords
- transverse
- longitudinal
- automobile
- controller
- layer
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000006870 function Effects 0.000 claims description 79
- 210000002569 neuron Anatomy 0.000 claims description 61
- 238000010606 normalization Methods 0.000 claims description 42
- 238000006073 displacement reaction Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 230000033001 locomotion Effects 0.000 claims description 27
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 23
- 238000013528 artificial neural network Methods 0.000 description 22
- 238000013461 design Methods 0.000 description 17
- 230000001133 acceleration Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000669618 Nothes Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 241001591024 Samea Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000001064 degrader Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种自动驾驶汽车纵横向控制方法及装置,包括获取汽车横向数据和汽车纵向速度;将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩;根据目标扭矩和汽车纵向速度,确定目标纵向力;通过目标转向角和目标纵向力控制自动驾驶汽车行驶;解决了现有的汽车纵横向控制方法的车辆整体性能的稳定性较差的技术问题。
Description
技术领域
本发明涉及自动驾驶汽车运动控制技术领域,尤其涉及一种自动驾驶汽车纵横向控制方法及装置。
背景技术
随着汽车智能化和网联化的不断升级以及人工智能技术的快速发展,在此背景下,智能汽车已经成为传统汽车产业变革的潮流趋势和世界车辆工程的研究热点。智能汽车有望将人们从繁琐的长途驾驶中解放出来,并且智能汽车有减轻交通拥堵和交通事故的巨大潜力。
汽车自动驾驶控制可分为纵向控制和横向控制,纵向控制是指控制汽车的纵向速度,即控制油门和刹车;横向控制是指控制汽车的前轮转向角,以使汽车的实际行驶轨迹逼近参考行驶轨迹,即轨迹追踪。基于车辆动力学模型的控制算法可以实现更好的道路利用率和更高的安全性,例如可以在不同的路面附着系数下进行轨迹跟踪和避障等操作。
现有的汽车纵横向控制方法大多基于分析力学技术建立车辆运动学或动力学模型,但该过程存在数据分布不均匀,且模型参数无法与真实世界物理参数相对应的问题,使得模型可解释性不足,导致车辆整体性能的稳定性较差。
发明内容
本发明提供了一种自动驾驶汽车纵横向控制方法及装置,用于解决现有的汽车纵横向控制方法的车辆整体性能的稳定性较差的技术问题。
本发明第一方面提供的一种自动驾驶汽车纵横向控制方法,包括:
获取汽车横向数据和汽车纵向速度;
将所述汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;
采用预置区间二型模糊纵向控制器对所述汽车纵向速度进行纵向控制,生成目标扭矩;
根据所述目标扭矩和所述汽车纵向速度,确定目标纵向力;
通过所述目标转向角和所述目标纵向力控制自动驾驶汽车行驶。
可选地,所述预置区间二型模糊横向控制器包括横向输入层、横向归一化层、横向模糊化层、横向对应层、横向后件层和横向输出层;所述将所述汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角的步骤,包括:
通过横向输入层将汽车横向数据传输至横向归一化层进行线性组合和归一化,生成多个横向归一化线性组合数值;
采用横向模糊化层对各所述横向归一化线性组合数值进行模糊化,生成多个横向上界隶属函数值和多个横向下界隶属函数值;
将各所述横向上界隶属函数值和各所述横向下界隶属函数值输入至横向对应层进行模糊乘积算子,输出多个横向闭区间集;
采用预置区间二型模糊横向规则根据各所述横向归一化线性组合数值,确定各所述横向归一化线性组合数值对应的横向模糊后件清晰值;
采用横向后件层根据各所述横向模糊后件清晰值,确定多个汽车横向神经元节点输出值;
通过横向输出层对各所述汽车横向神经元节点输出值和各所述横向闭区间集进行降型聚合,生成目标转向角。
可选地,所述预置区间二型模糊纵向控制器包括纵向输入层、纵向归一化层、纵向模糊化层、纵向对应层、纵向后件层和纵向输出层;所述采用预置区间二型模糊纵向控制器对所述汽车纵向速度进行纵向控制,生成目标扭矩的步骤,包括:
通过纵向输入层将汽车纵向速度传输至纵向归一化层进行线性组合和归一化,生成多个纵向归一化线性组合数值;
采用纵向模糊化层对各所述纵向归一化线性组合数值进行模糊化,生成多个纵向上界隶属函数值和多个纵向下界隶属函数值;
将各所述纵向上界隶属函数值和各所述纵向下界隶属函数值输入至纵向对应层进行模糊乘积算子,输出多个纵向闭区间集;
采用预置区间二型模糊纵向规则根据各所述纵向归一化线性组合数值,确定各所述纵向归一化线性组合数值对应的纵向模糊后件清晰值;
采用纵向后件层根据各所述纵向模糊后件清晰值,确定多个汽车纵向神经元节点输出值;
通过纵向输出层对各所述汽车纵向神经元节点输出值和各所述纵向闭区间集进行降型聚合,生成目标扭矩。
可选地,所述根据所述目标扭矩和所述汽车纵向速度,确定目标纵向力的步骤,包括:
将所述目标扭矩输入至预置比例积分微分控制器进行调节,输出纵向力需求;
采用预置轮胎纵向力函数根据所述汽车纵向速度,确定轮胎纵向力;
采用所述纵向力需求和所述轮胎纵向力,计算目标纵向力。
可选地,在所述获取汽车横向数据和汽车纵向速度的步骤之前,包括:
获取待训练汽车横向数据和待训练汽车纵向速度,并将所述待训练汽车横向数据输入至初始区间二型模糊横向控制器进行横向控制,确定待训练转向角;
基于运动动力学,构建所述自动驾驶汽车对应的车辆模型,并采用所述车辆模型根据所述待训练转向角,确定调整汽车横向数据;
采用所述调整汽车横向数据对所述初始区间二型模糊横向控制器进行优化,确定所述预置区间二型模糊横向控制器;
采用所述待训练汽车纵向速度对初始区间二型模糊纵向控制器进行优化,确定所述预置区间二型模糊纵向控制器。
可选地,所述采用所述调整汽车横向数据对所述初始区间二型模糊横向控制器进行优化,确定所述预置区间二型模糊横向控制器的步骤,包括:
根据所述调整汽车横向数据、预置参考横向位移和预置参考横摆角,计算横向损失值;
采用所述横向损失值对所述初始区间二型模糊横向控制器的超参数进行更新,确定中间区间二型模糊横向控制器,并实时统计迭代次数;
判断所述迭代次数是否达到预置训练次数;
若所述迭代次数达到所述预置训练次数,则将所述中间区间二型模糊横向控制器作为所述预置区间二型模糊横向控制器。
本发明第二方面提供的一种自动驾驶汽车纵横向控制装置,包括:
获取模块,用于获取汽车横向数据和汽车纵向速度;
横向控制模块,用于将所述汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;
纵向控制模块,用于采用预置区间二型模糊纵向控制器对所述汽车纵向速度进行纵向控制,生成目标扭矩;
根据模块,用于根据所述目标扭矩和所述汽车纵向速度,确定目标纵向力;
行驶模块,用于通过所述目标转向角和所述目标纵向力控制自动驾驶汽车行驶。
本发明第三方面提供的一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如上述任一项所述的自动驾驶汽车纵横向控制方法的步骤。
本发明第四方面提供的一种计算机可读存储介质,其上存储有计算机程序/指令,所述计算机程序/指令被处理器执行时实现如上述任一项所述的自动驾驶汽车纵横向控制方法的步骤。
本发明第五方面提供的一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如上述任一项所述的自动驾驶汽车纵横向控制方法的步骤。
从以上技术方案可以看出,本发明具有以下优点:
本发明的上述技术方案提供了一种自动驾驶汽车纵横向控制方法,获取汽车横向数据和汽车纵向速度;将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩;根据目标扭矩和汽车纵向速度,确定目标纵向力;通过目标转向角和目标纵向力控制自动驾驶汽车行驶;基于上述方案,通过将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,以及结合采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,从而得到目标转向角和目标纵向力并控制自动驾驶汽车行驶,该过程能够同时控制自动驾驶汽车的纵向运动和横向运动,考虑了速度跟踪的重要特性,进一步地提升了车辆整体性能的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种自动驾驶汽车纵横向控制方法的步骤流程图;
图2为本发明实施例提供的另一种自动驾驶汽车纵横向控制方法的步骤流程图;
图3为本发明实施例提供的初始区间二型模糊横向控制器和初始区间二型模糊纵向控制器构建和训练的流程示意图;
图4为本发明实施例提供的自动驾驶汽车运动动力学模型的示意图;
图5为本发明实施例提供的自动驾驶汽车纵向和横向运动同时控制整体框图;
图6为本发明实施例提供的一种自动驾驶汽车纵横向控制装置的结构框图。
具体实施方式
本发明实施例提供了一种自动驾驶汽车纵横向控制方法及装置,用于解决现有的汽车纵横向控制方法的车辆整体性能的稳定性较差的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例提供的一种自动驾驶汽车纵横向控制方法的步骤流程图。
本发明提供的一种自动驾驶汽车纵横向控制方法,包括:
步骤101、获取汽车横向数据和汽车纵向速度。
汽车横向数据包括横向位移、横摆角、横向位移误差和横摆角误差,其中,横向位移通过自动驾驶汽车的控制方向盘进而控制前轮转角与中心线的垂直距离得到;横摆角通过自动驾驶汽车的方向盘转向角传感器的角度信号得到;横向位移误差为预置参考横向位移与获取到的横向位移作差得到;横摆角误差为预置参考横摆角值与获取到的横摆角作差得到。
在本实施例中,获取汽车横向数据和汽车纵向速度。
步骤102、将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角。
需要说明的是,预置区间二型模糊横向控制器和预置区间二型模糊纵向控制器均由IT2FSNN((Interval Type-2 Fuzzy Set Neutral Network)区间二型模糊神经网络构成,其中,预置区间二型模糊横向控制器包括横向输入层、横向归一化层、横向模糊化层、横向对应层、横向后件层和横向输出层;预置区间二型模糊纵向控制器包括纵向输入层、纵向归一化层、纵向模糊化层、纵向对应层、纵向后件层和纵向输出层。
进一步地,采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制的过程,具体为:通过横向输入层将汽车横向数据传输至横向归一化层进行线性组合和归一化,生成多个横向归一化线性组合数值,其中,区间二型模糊神经网络的输入与传统的神经网络一样,本层的节点与输入信号(汽车横向数据)相连接,输入信号来自控制器传递的信息,并将输入信号分配到下一层,通过链接的权重应用到隐藏层,在将输入的线性组合应用于隐藏层的神经元之前,先执行归一化程序;横向归一化线性组合数值的处理过程,具体为:
其中,为输入到隐藏层第个神经元的横向线性组合;为横向输入层中的节点数;为第个输入连接隐藏层第个神经元的横向权重,即第条预置区间二型模糊横向规则的横向权重;为输入至第个横向输入层节点的汽车横向数据,汽车横向数据包括横向位移、横摆角、横向位移误差和横摆角误差;为输入到隐藏层第个神经元的线性偏差;为隐藏层中第1个神经元输入的线性组合;为隐藏层中第个神经元输入的线性组合;为输入到隐藏层第个神经元的横向归一化线性组合数值;为最大值函数。
进一步地,采用横向模糊化层对各横向归一化线性组合数值进行模糊化,生成多个横向上界隶属函数值和多个横向下界隶属函数值;其中,横向模糊化层将经过线性组合和归一化处理的得到的横向归一化线性组合数值进行模糊化,输出为每一个输入值的横向上界隶属函数值和横向下界隶属函数值;横向上界隶属函数值和横向下界隶属函数值的处理过程,具体为:
其中,为横向上界隶属函数值;为横向下界隶属函数值;为输入到隐藏层第个神经元的横向归一化线性组合数值;为下一条预置区间二型模糊横向规则的隶属度函数的中心;为隶属度函数的中心;为前一条预置区间二型模糊横向规则的隶属度函数的中心;为在隐藏层第个神经元中使用的第i个预置区间二型模糊横向规则的横向上界隶属函数值的垂直距离。
进一步地,将各横向上界隶属函数值和各横向下界隶属函数值输入至横向对应层进行模糊乘积算子,输出多个横向闭区间集;其中,IT2FSNN网络的各个规则的确定水平在该层的神经元中计算,每个神经元节点由和进行模糊交乘积算子,输出的值为闭区间集;横向闭区间集的处理过程,具体为:
其中,为输入到隐藏层第个神经元的横向闭区间集;为激活强度下界;为激活强度上界;为横向下界隶属函数值;为横向上界隶属函数值;为输入到横向对应层的横向上界隶属函数值和横向下界隶属函数值的个数。
进一步地,采用预置区间二型模糊横向规则根据各横向归一化线性组合数值,确定各横向归一化线性组合数值对应的横向模糊后件清晰值;其中,本发明提出的预置区间二型模糊横向规则有三条,其具体为:
其中,为第i条预置区间二型模糊横向规则;为输入到隐藏层第个神经元的横向归一化线性组合数值;为隐藏层第个神经元中使用的第个预置区间二型模糊横向规则的前件;为第i条预置区间二型模糊横向规则的输出值;为隐藏层第个神经元中使用的第个预置区间二型模糊横向规则的横向模糊后件清晰值。
进一步地,采用横向后件层根据各横向模糊后件清晰值,确定多个汽车横向神经元节点输出值;其中,每个横向归一化线性组合数值都有对应的横向模糊后件清晰值,将得到的与相乘得到神经元节点的输出,即汽车横向神经元节点输出值;其中,汽车横向神经元节点输出值的处理过程,具体为:
其中,为隐藏层第个神经元的汽车横向神经元节点输出值;为第个输入连接隐藏层第个神经元的横向权重;为隐藏层第个神经元中使用的第个预置区间二型模糊横向规则的横向模糊后件清晰值;为隐藏层第个神经元到输出层的线性偏差。
进一步地,通过横向输出层对各汽车横向神经元节点输出值进行降型聚合,生成目标转向角;其中,模糊推理计算时所需的输出集的左右端点边界值、通过横向输出层的神经元计算,而为了减少CPU计算负担,IT2FSNN网络的降型过程下述公式得到横向控制的输出,并将该作为目标转向角,该公式具体为:
其中,为横向控制的输出;为自适应比例变量;为左端点边界值;为右端点边界值;为隐藏层第个神经元的汽车横向神经元节点输出值;为激活强度下界;为输入到隐藏层第个神经元的横向闭区间集;为激活强度上界;为横向输入层中的节点数。
在本实施例中,将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角。
步骤103、采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩。
需要说明的是,预置区间二型模糊横向控制器和预置区间二型模糊纵向控制器均由IT2FSNN((Interval Type-2 Fuzzy Set Neutral Network)区间二型模糊神经网络构成,故预置区间二型模糊纵向控制器的纵向控制的数据处理过程的原理与预置区间二型模糊横向控制器的数据处理过程的原理相同,其根据对不同的输入进行处理,从而得到相应的输出;采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制的过程,具体为:通过纵向输入层将汽车纵向速度传输至纵向归一化层进行线性组合和归一化,生成多个纵向归一化线性组合数值;采用纵向模糊化层对各纵向归一化线性组合数值进行模糊化,生成多个纵向上界隶属函数值和多个纵向下界隶属函数值;将各纵向上界隶属函数值和各纵向下界隶属函数值输入至纵向对应层进行模糊乘积算子,输出多个纵向闭区间集;采用预置区间二型模糊纵向规则根据各纵向归一化线性组合数值,确定各纵向归一化线性组合数值对应的纵向模糊后件清晰值;采用纵向后件层根据各纵向模糊后件清晰值,确定多个汽车纵向神经元节点输出值;通过纵向输出层对各汽车纵向神经元节点输出值和各纵向闭区间集进行降型聚合,得到纵向控制的输出作为目标扭矩。
在本实施例中,采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩。
步骤104、根据目标扭矩和汽车纵向速度,确定目标纵向力。
具体地,将目标扭矩输入至预置比例积分微分控制器进行调节,输出纵向力需求;采用预置轮胎纵向力函数根据汽车纵向速度,确定轮胎纵向力;采用纵向力需求和轮胎纵向力,计算目标纵向力;其中,预置比例积分微分控制器为PID(Proportion IntegrationDifferentiation)控制器,自动驾驶汽车各车轮的扭矩之和要满足纵向力需求。车辆的纵向力本发明以实际车速与期望车速的差值得到,通过采用PID控制器根据目标扭矩求得车辆的纵向力需求,纵向力需求的处理过程,具体为:
其中,为纵向力需求;为比例系数;为目标扭矩;为积分系数;为采样时间;为微分系数。
进一步地,预置轮胎纵向力函数,具体为:
其中,为轮胎纵向力;为轮胎的纵向刚度;为轮胎滑移率;为描述轮胎滑移导致的非线性特性函数;为驱动制动扭矩参数;为轮胎半径;为轮胎惯性;为汽车纵向速度。
进一步地,从预置区间二型模糊纵向控制器传递来的扭矩信息通过PID控制得到PID控制器输出的与预置轮胎纵向力函数求解得到的通过线性关系输出目标纵向力,并传递给车辆。目标纵向力的计算过程,具体为:
其中,为目标纵向力;为轮胎纵向力;为纵向力需求。
在本实施例中,根据目标扭矩和汽车纵向速度,确定目标纵向力。
步骤105、通过目标转向角和目标纵向力控制自动驾驶汽车行驶。
需要说明的是,通过目标转向角和目标纵向力控制自动驾驶汽车行驶,同时控制自动驾驶汽车的纵向和横向动力学运动。除横向控制外,考虑速度跟踪的重要特性,根据调整加速制动部分,将车辆的纵向控制结合进来,提升车辆整体性能的稳定性。
在本实施例中,通过目标转向角和目标纵向力控制自动驾驶汽车行驶。
在本发明实施例中,本发明提供了一种自动驾驶汽车纵横向控制方法,获取汽车横向数据和汽车纵向速度;将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩;根据目标扭矩和汽车纵向速度,确定目标纵向力;通过目标转向角和目标纵向力控制自动驾驶汽车行驶;基于上述方案,通过将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,以及结合采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,从而得到目标转向角和目标纵向力并控制自动驾驶汽车行驶,该过程能够同时控制自动驾驶汽车的纵向运动和横向运动,考虑了速度跟踪的重要特性,进一步地提升了车辆整体性能的稳定性。
请参阅图2,图2为本发明实施例提供的另一种自动驾驶汽车纵横向控制方法的步骤流程图。
本发明提供的一种自动驾驶汽车纵横向控制方法,包括:
步骤201、获取待训练汽车横向数据和待训练汽车纵向速度,并将待训练汽车横向数据输入至初始区间二型模糊横向控制器进行横向控制,确定待训练转向角。
待训练汽车横向数据为用于初始区间二型模糊横向控制器训练的汽车横向数据;待训练汽车纵向速度为用于初始区间二型模糊纵向控制器的汽车纵向速度;汽车横向数据包括横向位移、横摆角、横向位移误差和横摆角误差,其中,横向位移通过自动驾驶汽车的控制方向盘进而控制前轮转角与中心线的垂直距离得到;横摆角通过自动驾驶汽车的方向盘转向角传感器的角度信号得到;横向位移误差为预置参考横向位移与获取到的横向位移作差得到;横摆角误差为预置参考横摆角值与获取到的横摆角作差得到。
在本实施例中,获取待训练汽车横向数据和待训练汽车纵向速度,并将待训练汽车横向数据输入至初始区间二型模糊横向控制器进行横向控制,确定待训练转向角。
步骤202、基于运动动力学,构建自动驾驶汽车对应的车辆模型,并采用车辆模型根据待训练转向角,确定调整汽车横向数据。
待训练转向角为用于初始区间二型模糊横向控制器训练的车辆转向角,车辆转向角为通过车辆前轮朝左右方向转动可达的极限位置与车轮不发生偏转时中心线的夹角角度,在车辆转向管柱下方安装转向角传感器可以检测得到方向盘的转动角度和转向方向。
需要说明的是,请参阅图3,初始区间二型模糊横向控制器和初始区间二型模糊纵向控制器构建和训练的过程分为六个步骤:车辆动力学建模、模糊逻辑设计、区间二型模糊神经网络模型设计、基于IT2FSNN网络的区间二型模糊横向控制器设计、基于IT2FSNN网络的区间二型模糊纵向控制器设计和自动驾驶汽车实施参数设定;对于车辆动力学建模,即对车辆路径跟踪控制的分析中,要分析设计现实情况下车辆的运动动力学,动力学建模共包括七个方面:横摆、横向运动、纵向运动和四个车轮的旋转。基于运动动力学,对自动驾驶汽车对应的车辆模型和车轮轮胎模型分别进行建模,得到车辆模型后,通过车辆模型根据待训练转向角,确定调整后的横向位移和横摆角,即调整横向位移和调整横摆角。在车辆地面坐标系下,x方向为纵向方向,y方向为横向方向,车辆运动关系如下:
其中,为在地面坐标系中的横向位置;为在地面坐标系中的纵向位置;为车辆的汽车纵向速度;为车辆的汽车横向速度;为横摆角。
进一步地,在车辆横向动力学模型设计中首先确定纵向运动和横向运动之间关系,其由道路和车辆轮胎之间相互作用产生。在横向动力学模型中,建立横摆、横向运动动力学方程:
其中,为转动惯量;为偏航率;为前右轮胎的纵向力;为前左轮胎的纵向力;为前轮转角;为前轮轴距;a为质心到前轴的距离;b为质心到后轴的距离;为后轮轴距;为前右轮胎的横向力;为前左轮胎的横向力;为车辆总质量;为横向加速度;为后左轮胎的横向力;为后右轮胎的横向力;为后左轮胎的纵向力;为后右轮胎的纵向力。
进一步地,在车辆纵向动力学模型设计中,需要分析车辆纵向运动,其受力情况主要由阻力和纵向力构成。根据牛顿第二定律,车辆纵向动力学表示如下:
其中,为车辆总质量;为纵向加速度;为轮胎纵向力;为风阻;为滚动阻力;为滚动阻力系数;g为重力加速度;F为阻力值。
进一步地,在设计轮胎模型中需要设定轮胎的横向力和纵向力,构建预置轮胎横向力函数和预置轮胎纵向力函数,具体为:
其中,为轮胎横向力;为轮胎纵向力;为轮胎的纵向刚度;为轮胎滑移率;为描述轮胎滑移导致的非线性特性函数;为驱动制动扭矩参数;为轮胎半径;为轮胎惯性;为汽车纵向速度;为轮胎的横向刚度;为转向角。
进一步地,对于模糊逻辑设计,在本发明设计中,采用区间二型模糊逻辑***(Interval Type-2 fuzzy set, IT2FS)作为原始激活函数的神经网络调整自动驾驶汽车的复杂动力学;具体的,IT2FS的基本原理如下:二型模糊逻辑***(T2FS)构造。一般来说,T2FS由五部分构成,包括模糊器,规则库,推理器,降型器和解模糊器,即为一个的映射函数,最终得到一个精确的输出;对于T2FS,其有s个输入以及一个输出。T2FS规则库由IF-THEN规则构成:
其中,为第i条模糊规则;为模糊模型的M维输入变量的第一个元素;为第一个前件区间二型模糊的第i条规则的激发区间为一个一型模糊集;为模糊模型的M维输入变量的第s个元素;为前件二型模糊集;为模糊规则的输出值;为后件二型模糊集;为规则库;
进一步地,二型的隶属函数由下述公式表示,其中,是[0,1]之间的区间,具体为:
其中,为区间二型模糊集合;为主变量;为次变量;为二型的隶属函数;为x的论域。
进一步地,对于区间二型模糊逻辑***(IT2FS)构造需要设计IT2FS以降低T2FS的计算复杂性。在IT2FS中,所有2型隶属函数都被视为相等于1,对上述公式进行转换可以得到:
其中,为区间二型模糊集合;为主变量;为次变量;为x的论域。
进一步地,对于IT2FS,区间二型模糊集主隶属函数的不确定性,组成一个有界区域,称为不确定性轨迹(Footprint of uncertainty, FOU);不确定性轨迹可以表示为:
其中,为不确定性覆盖域,表示上隶属度函数和下隶属度函数之间的区域;为主变量;为次变量;为x的论域;为区间下限;为区间上限。
进一步地,在上述IT2FS的基本原理上,对区间二型模糊神经网络模型进行设计,通过在T2FS规则的前置部分应用不确定性影响并完成推导、降阶和去模糊化过程后,能够得到区间二型模糊神经网络(IT2FSNN)的输出,则表明区间二型模糊神经网络(IT2FSNN)构建完成,其将模糊集作为IT2FSNN的前件集,IT2FS作为神经网络的激活函数,经过模糊化、推理、解模等过程得到的值作为神经网络的后件。对于基于IT2FSNN网络的区间二型模糊横向控制器设计、基于IT2FSNN网络的区间二型模糊纵向控制器设计,神经网络在生成非线性和复杂映射方面的能力以及IT2FS结构中存在的独特不确定性建模特性,因此,通过将构建的区间二型模糊神经网络(IT2FSNN)应用在控制自动驾驶汽车的非线性和复杂动力学,从而完成对初始区间二型模糊横向控制器和初始区间二型模糊纵向控制器的设计,最后,对初始区间二型模糊横向控制器和初始区间二型模糊纵向控制器进行模型训练,能够得到训练好的预置区间二型模糊横向控制器和预置区间二型模糊纵向控制器。
进一步地,对于自动驾驶汽车实施参数设定,即本发明对于自动驾驶汽车的车辆参数值的设定,具体参数格式设定为:车辆总质量:1294;偏航惯性:1630;前轮与车辆重心间距:1;后轮与车辆重心的距离:1.459;前轮的横向刚度: 90000;后轮的横向刚度:90000;轮胎半径:0.35;滚动阻力系数:0.01。
进一步地,请参阅图4,在车辆动力学模型设计中,基于上述方程描述车辆在纵向和横向运动中所受的各种力和力矩,包括车辆质量、轮胎特性、驱动扭矩等因素相关物理量,从而得到自动驾驶汽车运动动力学模型,对设计车辆的路径跟踪控制器(初始区间二型模糊横向控制器和初始区间二型模糊纵向控制器)和其他控制***非常重要。
在本实施例中,基于运动动力学,构建自动驾驶汽车对应的车辆模型,并采用车辆模型根据待训练转向角,确定调整汽车横向数据。
步骤203、采用调整汽车横向数据对初始区间二型模糊横向控制器进行优化,确定预置区间二型模糊横向控制器。
进一步地,步骤203可以包括以下子步骤:
S31、根据调整汽车横向数据、预置参考横向位移和预置参考横摆角,计算横向损失值;
S32、采用横向损失值对初始区间二型模糊横向控制器的超参数进行更新,确定中间区间二型模糊横向控制器,并实时统计迭代次数;
S33、判断迭代次数是否达到预置训练次数;
S34、若迭代次数达到预置训练次数,则将中间区间二型模糊横向控制器作为预置区间二型模糊横向控制器。
调整汽车横向数据包括调整横向位移和调整横摆角。
需要说明的是,假设纵向速度恒定,设定车辆的横向动力学与其纵向动力学无关,本发明设计的区间二型模糊横向控制器包括4个输入:横向位移、横摆角、横向位移误差和横摆角误差;根据调整汽车横向数据、预置参考横向位移和预置参考横摆角,计算横向损失值,横向损失值的计算过程,具体为:
其中, LC L f1为横向损失值;为预置参考横向位移;为调整横向位移;为预置参考横摆角;为调整横摆角;为转置。
进一步地,初始区间二型模糊横向控制器的超参数包括初始横向的连接隐藏层第个神经元与输出层第个输出的链接的权重、初始的第三个预置区间二型模糊横向规则与隐藏层第个神经元的输入的线性组合相关联的偏差、初始的第一个预置区间二型模糊横向规则的后件部分与隐藏层第个神经元的输入的线性组合相关联的偏差、初始的第二个预置区间二型模糊横向规则的下隶属函数的垂直距离、初始横向的连接隐藏层第个神经元与第个输入的链接的权重、初始横向的当前层连接隐藏层第个神经元输入的线性组合相关的偏差;采用横向损失值对初始区间二型模糊横向控制器的超参数进行更新的过程,具体为:
其中,为中间横向的连接隐藏层第个神经元与输出层第个输出的链接的权重;为初始横向的连接隐藏层第个神经元与输出层第个输出的链接的权重;为初始的第三个预置区间二型模糊横向规则与隐藏层第个神经元的输入的线性组合相关联的偏差;为中间的第三个预置区间二型模糊横向规则与隐藏层第个神经元的输入的线性组合相关联的偏差;为中间的第一个预置区间二型模糊横向规则的后件部分与隐藏层第个神经元的输入的线性组合相关联的偏差;为初始的第一个预置区间二型模糊横向规则的后件部分与隐藏层第个神经元的输入的线性组合相关联的偏差;为中间横向的当前层连接隐藏层第个神经元输入的线性组合相关的偏差;为初始横向的当前层连接隐藏层第个神经元输入的线性组合相关的偏差;为中间的第二个预置区间二型模糊横向规则的下隶属函数的垂直距离;为初始的第二个预置区间二型模糊横向规则的下隶属函数的垂直距离;为中间横向的连接隐藏层第个神经元与第个输入的链接的权重;为初始横向的连接隐藏层第个神经元与第个输入的链接的权重;为横向损失值;为预置收敛速率的参数。
进一步地,在上述初始区间二型模糊横向控制器的超参数进行更新的过程所需的偏导数,可以通过下述公式得到:
其中,为车辆模型的Jacobian矩阵,;为转向角;为初始区间二型模糊横向控制器中隐藏层第个神经元的输出;为初始区间二型模糊横向控制器中隐藏层第个神经元输入的归一化线性组合数值。
进一步地,若迭代次数达到预置训练次数,则将中间区间二型模糊横向控制器作为预置区间二型模糊横向控制器;若迭代次数未达到预置训练次数,则将中间区间二型模糊横向控制器作为新的初始区间二型模糊横向控制器,并跳转执行步骤201,直至迭代次数达到预置训练次数,并将迭代次数达到预置训练次数确定时的中间区间二型模糊横向控制器作为预置区间二型模糊横向控制器。
在本实施例中,采用调整汽车横向数据对初始区间二型模糊横向控制器进行优化,确定预置区间二型模糊横向控制器。
步骤204、采用待训练汽车纵向速度对初始区间二型模糊纵向控制器进行优化,确定预置区间二型模糊纵向控制器。
需要说明的是,初始区间二型模糊纵向控制器的训练原理与上述初始区间二型模糊横向控制器的训练原理一致,具体地,通过初始区间二型模糊纵向控制器对待训练汽车纵向速度进行纵向控制,输出待训练扭矩,采用待训练扭矩和预置参考扭矩,计算纵向损失值,其中,纵向损失值的计算过程,具体为:
其中, LC L f2为纵向损失值;为预置参考扭矩;为待训练扭矩。
进一步地,在设计适当的路径跟踪控制方法时,除了转向控制之外,还应考虑速度跟踪,其涉及加速/制动部分的调整,根据所经过的路径调整车辆速度,本发明还设计了初始区间二型模糊纵向控制器,并在速度跟踪问题中评估该控制器的性能;基于上述公式中扭矩调整与纵向速度控制关系,纵向控制器基于适当的扭矩调整。
进一步地,通过纵向损失值对初始区间二型模糊纵向控制器的超参数进行更新,得到中间区间二型模糊纵向控制器,并统计当前迭代次数,若当前迭代次数达到预置训练次数阈值,则将中间区间二型模糊纵向控制器作为训练好的预置区间二型模糊纵向控制器;若当前迭代次数未达到预置训练次数阈值,则则将中间区间二型模糊纵向控制器作为新的初始区间二型模糊纵向控制器,并跳转执行通过初始区间二型模糊纵向控制器对待训练汽车纵向速度进行纵向控制,输出待训练扭矩的步骤,直至当前迭代次数达到预置训练次数阈值,将当前迭代次数达到预置训练次数阈值确定时的中间区间二型模糊纵向控制器作为训练好的预置区间二型模糊纵向控制器;其中,由于初始区间二型模糊纵向控制器和初始区间二型模糊纵向控制器均应用区间二型模糊神经网络(IT2FSNN),故初始区间二型模糊纵向控制器的超参数的更新原理与上述通过横向损失值对初始区间二型模糊横向控制器的超参数进行更新的原理一致,而初始区间二型模糊纵向控制器的超参数的更新过程所需的Jacobian矩阵是通过IT2FSNN标识符获得;初始区间二型模糊纵向控制器的超参数包括初始纵向的连接隐藏层第个神经元与输出层第个输出的链接的权重、初始的第三个预置区间二型模糊纵向规则与隐藏层第个神经元的输入的线性组合相关联的偏差、初始的第一个预置区间二型模糊纵向规则的后件部分与隐藏层第个神经元的输入的线性组合相关联的偏差、初始的第二个预置区间二型模糊纵向规则的下隶属函数的垂直距离、初始纵向的连接隐藏层第个神经元与第个输入的链接的权重。
在本实施例中,采用待训练汽车纵向速度对初始区间二型模糊纵向控制器进行优化,确定预置区间二型模糊纵向控制器。
步骤205、获取汽车横向数据和汽车纵向速度。
汽车横向数据包括横向位移、横摆角、横向位移误差和横摆角误差,其中,横向位移通过自动驾驶汽车的控制方向盘进而控制前轮转角与中心线的垂直距离得到;横摆角通过自动驾驶汽车的方向盘转向角传感器的角度信号得到;横向位移误差为预置参考横向位移与获取到的横向位移作差得到;横摆角误差为预置参考横摆角值与获取到的横摆角作差得到。
在本实施例中,获取汽车横向数据和汽车纵向速度。
步骤206、将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角。
预置区间二型模糊横向控制器包括横向输入层、横向归一化层、横向模糊化层、横向对应层、横向后件层和横向输出层。
进一步地,步骤206可以包括以下子步骤:
S61、通过横向输入层将汽车横向数据传输至横向归一化层进行线性组合和归一化,生成多个横向归一化线性组合数值;
S62、采用横向模糊化层对各横向归一化线性组合数值进行模糊化,生成多个横向上界隶属函数值和多个横向下界隶属函数值;
S63、将各横向上界隶属函数值和各横向下界隶属函数值输入至横向对应层进行模糊乘积算子,输出多个横向闭区间集;
S64、采用预置区间二型模糊横向规则根据各横向归一化线性组合数值,确定各横向归一化线性组合数值对应的横向模糊后件清晰值;
S65、采用横向后件层根据各横向模糊后件清晰值,确定多个汽车横向神经元节点输出值;
S66、通过横向输出层对各汽车横向神经元节点输出值和各横向闭区间集进行降型聚合,生成目标转向角。
在本实施例中,将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角。
步骤207、采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩。
预置区间二型模糊纵向控制器包括纵向输入层、纵向归一化层、纵向模糊化层、纵向对应层、纵向后件层和纵向输出层。
进一步地,步骤207可以包括以下子步骤:
S71、通过纵向输入层将汽车纵向速度传输至纵向归一化层进行线性组合和归一化,生成多个纵向归一化线性组合数值;
S72、采用纵向模糊化层对各纵向归一化线性组合数值进行模糊化,生成多个纵向上界隶属函数值和多个纵向下界隶属函数值;
S73、将各纵向上界隶属函数值和各纵向下界隶属函数值输入至纵向对应层进行模糊乘积算子,输出多个纵向闭区间集;
S74、采用预置区间二型模糊纵向规则根据各纵向归一化线性组合数值,确定各纵向归一化线性组合数值对应的纵向模糊后件清晰值;
S75、采用纵向后件层根据各纵向模糊后件清晰值,确定多个汽车纵向神经元节点输出值;
S76、通过纵向输出层对各汽车纵向神经元节点输出值和各纵向闭区间集进行降型聚合,生成目标扭矩。
在本实施例中,采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩。
步骤208、根据目标扭矩和汽车纵向速度,确定目标纵向力。
进一步地,步骤208可以包括以下子步骤:
S81、将目标扭矩输入至预置比例积分微分控制器进行调节,输出纵向力需求;
S82、采用预置轮胎纵向力函数根据汽车纵向速度,确定轮胎纵向力;
S83、采用纵向力需求和轮胎纵向力,计算目标纵向力。
在本实施例中,根据目标扭矩和汽车纵向速度,确定目标纵向力。
步骤209、通过目标转向角和目标纵向力控制自动驾驶汽车行驶。
需要说明的是,请参阅图5,自动驾驶汽车纵向和横向运动同时控制整体框图包括四个基本部分:参考信息部分、控制模块(预置区间二型模糊横向控制器和预置区间二型模糊纵向控制器)、信息收集模块和车辆模型;具体地,参考信息部分包括用于训练阶段的预置参考横向位移、用于保持车辆稳定性的预置参考横摆角,以及预置参考扭矩。
进一步地,在控制模块中,预置区间二型模糊横向控制器和预置区间二型模糊纵向控制器同时利用IT2FSNN模型对车辆模型中的转向部分和加速制动部分传递转向角和扭矩。使车辆能够同时高精度地执行路径和速度跟踪任务。
进一步地,进一步地,信息收集模块通过传感器接收车辆纵向和横向运动模型的状态向量和转向角和扭矩的控制信号。
在本实施例中,通过目标转向角和目标纵向力控制自动驾驶汽车行驶。
作为技术效果的对比,可以结合现有技术进行参考,车辆行车安全是现代道路运输的核心需求,需要设计和开发适当的控制***,以最大程度地减少决策错误的发生。随着道路交通的不断增加和城市化进程的加速,对车辆安全性的需求变得越来越迫切。因此,设计和开发适当的控制***以最大限度地减少事故风险和提高驾驶者的安全感成为了行业的首要任务之一。现代汽车行业面临着巨大的挑战,因为车辆控制***必须在各种复杂的路况和极端的天气条件下运作良好。这不仅仅意味着控制***必须能够快速、准确地做出决策,还需要考虑到车辆的操控性和稳定性等因素。这些挑战推动着驾驶辅助***和自动驾驶技术的不断进步和创新。
路径跟踪作为自动驾驶车辆中至关重要的一项任务,需要控制***精确识别和遵循道路,根据实时交通情况做出调整。然而,在实现路径跟踪过程中,除了要考虑车辆的横向移动,还必须同时考虑到纵向运动,增加了控制***设计的复杂性。
在控制***的设计中,神经网络技术的应用为处理车辆动态和环境变化提供了新的思路。神经网络的强大之处在于其能够从输入数据中学习复杂的非线性关系,从而实现更精确的控制和决策。同时,考虑到环境的不确定性,例如突然的天气变化或其他环境紊乱,以及物理参数的不确定性,这些都会显著影响控制器的性能。基于模糊集的智能控制技术也成为了一种备选方案,可以更好地应对不确定性因素对***性能的影响,但现有技术存在以下缺陷:模型不确定性:自动驾驶汽车在现实道路上面临复杂多变的环境,其动力学模型往往受到不确定性的影响。车辆的非线性动力学、路况变化、车辆质量等方面的不确定性可能导致路径跟踪控制器的性能下降;传感器误差:自动驾驶汽车依赖于各种传感器来感知周围环境,如激光雷达、相机、雷达等。这些传感器可能受到天气、光照等因素的影响,导致感知误差,从而影响路径跟踪的准确性;复杂环境:自动驾驶汽车在城市、高速公路等各种复杂环境中行驶,包括交叉口、人行横道、建筑物等。这些情景可能对路径跟踪控制器提出更高的要求,需要克服更多的挑战;鲁棒性:路径跟踪控制器需要在各种不同的道路条件和交通状况下表现出鲁棒性。例如,面对突发情况或恶劣天气,控制***仍应能够有效地跟踪路径。
针对上述问题,本发明提出了一种自动驾驶汽车纵横向控制方法,将区间二型模糊规则***结合神经网络中,区间二型模糊神经网络(IT2FSNN)。将模糊集作为IT2FSNN的前件集,IT2FS作为神经网络的激活函数,经过模糊化、推理、解模等过程得到的值作为神经网络的后件,将模糊神经网络的输出结果作为预置区间二型模糊横向控制器输出的目标转向角和预置区间二型模糊纵向控制器输出的目标扭矩,同时,采用PID控制器调整纵向力,将纵向控制器模块输出参数传递到加速制动模块得出的纵向力与传递到PID优化得到的纵向力通过线性组合对车辆纵向力进行优化调整,从而输出最终的目标纵向力,选择适用于生成线性和复杂映射的神经网络:通过该神经网络,***能够学习并适应复杂的车辆动力学特性,实现更灵活的控制;将IT2FS结合神经网络生成区间二型模糊神经网络,提高了网络对复杂映射的适应能力,有效处理参数不确定性;将纵向控制器和横向控制器结合,用于同时控制自动驾驶汽车的纵向和横向动力学运动,通过使用方向盘角度和扭矩的输入实现对汽车横向和纵向运动的同时控制,能够同时实现路径跟踪和速度跟踪目标,提高自动驾驶汽车整体的运动控制性能;将PID控制器引入对纵向力的调整,与直接传递给加速制动控制模块输出的纵向力线性调整,展现出更好的路径跟踪和速度跟踪能力。
在本发明实施例中,本发明提供了一种自动驾驶汽车纵横向控制方法,获取汽车横向数据和汽车纵向速度;将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩;根据目标扭矩和汽车纵向速度,确定目标纵向力;通过目标转向角和目标纵向力控制自动驾驶汽车行驶;基于上述方案,通过将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,以及结合采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,从而得到目标转向角和目标纵向力并控制自动驾驶汽车行驶,该过程能够同时控制自动驾驶汽车的纵向运动和横向运动,考虑了速度跟踪的重要特性,进一步地提升了车辆整体性能的稳定性。
请参阅图6,图6为本发明实施例提供的一种自动驾驶汽车纵横向控制装置的结构框图。
本发明提供的一种自动驾驶汽车纵横向控制装置,包括:
获取模块601,用于获取汽车横向数据和汽车纵向速度;
横向控制模块602,用于将汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;
纵向控制模块603,用于采用预置区间二型模糊纵向控制器对汽车纵向速度进行纵向控制,生成目标扭矩;
根据模块604,用于根据目标扭矩和汽车纵向速度,确定目标纵向力;
行驶模块605,用于通过目标转向角和目标纵向力控制自动驾驶汽车行驶。
进一步地,预置区间二型模糊横向控制器包括横向输入层、横向归一化层、横向模糊化层、横向对应层、横向后件层和横向输出层;横向控制模块602,包括:
第一横向子模块,用于通过横向输入层将汽车横向数据传输至横向归一化层进行线性组合和归一化,生成多个横向归一化线性组合数值;
第二横向子模块,用于采用横向模糊化层对各横向归一化线性组合数值进行模糊化,生成多个横向上界隶属函数值和多个横向下界隶属函数值;
第三横向子模块,用于将各横向上界隶属函数值和各横向下界隶属函数值输入至横向对应层进行模糊乘积算子,输出多个横向闭区间集;
第四横向子模块,用于采用预置区间二型模糊横向规则根据各横向归一化线性组合数值,确定各横向归一化线性组合数值对应的横向模糊后件清晰值;
第五横向子模块,用于采用横向后件层根据各横向模糊后件清晰值,确定多个汽车横向神经元节点输出值;
第六横向子模块,用于通过横向输出层对各汽车横向神经元节点输出值和各横向闭区间集进行降型聚合,生成目标转向角。
进一步地,预置区间二型模糊纵向控制器包括纵向输入层、纵向归一化层、纵向模糊化层、纵向对应层、纵向后件层和纵向输出层;纵向控制模块603,包括:
第一纵向子模块,用于通过纵向输入层将汽车纵向速度传输至纵向归一化层进行线性组合和归一化,生成多个纵向归一化线性组合数值;
第二纵向子模块,用于采用纵向模糊化层对各纵向归一化线性组合数值进行模糊化,生成多个纵向上界隶属函数值和多个纵向下界隶属函数值;
第三纵向子模块,用于将各纵向上界隶属函数值和各纵向下界隶属函数值输入至纵向对应层进行模糊乘积算子,输出多个纵向闭区间集;
第四纵向子模块,用于采用预置区间二型模糊纵向规则根据各纵向归一化线性组合数值,确定各纵向归一化线性组合数值对应的纵向模糊后件清晰值;
第五纵向子模块,用于采用纵向后件层根据各纵向模糊后件清晰值,确定多个汽车纵向神经元节点输出值;
第六纵向子模块,用于通过纵向输出层对各汽车纵向神经元节点输出值和各纵向闭区间集进行降型聚合,生成目标扭矩。
进一步地,根据模块604,包括:
调节子模块,用于将目标扭矩输入至预置比例积分微分控制器进行调节,输出纵向力需求;
纵向力子模块,用于采用预置轮胎纵向力函数根据汽车纵向速度,确定轮胎纵向力;
目标子模块,用于采用纵向力需求和轮胎纵向力,计算目标纵向力。
在一种可选实施例中,装置还包括:
第一模块,用于获取待训练汽车横向数据和待训练汽车纵向速度,并将待训练汽车横向数据输入至初始区间二型模糊横向控制器进行横向控制,确定待训练转向角;
第二模块,用于基于运动动力学,构建自动驾驶汽车对应的车辆模型,并采用车辆模型根据待训练转向角,确定调整汽车横向数据;
第三模块,用于采用调整汽车横向数据对初始区间二型模糊横向控制器进行优化,确定预置区间二型模糊横向控制器;
第四模块,用于采用待训练汽车纵向速度对初始区间二型模糊纵向控制器进行优化,确定预置区间二型模糊纵向控制器。
进一步地,第三模块,包括:
第一训练子模块,用于根据调整汽车横向数据、预置参考横向位移和预置参考横摆角,计算横向损失值;
第二训练子模块,用于采用横向损失值对初始区间二型模糊横向控制器的超参数进行更新,确定中间区间二型模糊横向控制器,并实时统计迭代次数;
第三训练子模块,用于判断迭代次数是否达到预置训练次数;
第四训练子模块,用于若迭代次数达到预置训练次数,则将中间区间二型模糊横向控制器作为预置区间二型模糊横向控制器。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置、模块和子模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种自动驾驶汽车纵横向控制方法,其特征在于,包括:
获取汽车横向数据和汽车纵向速度;
将所述汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;
采用预置区间二型模糊纵向控制器对所述汽车纵向速度进行纵向控制,生成目标扭矩;
根据所述目标扭矩和所述汽车纵向速度,确定目标纵向力;
通过所述目标转向角和所述目标纵向力控制自动驾驶汽车行驶。
2.根据权利要求1所述的自动驾驶汽车纵横向控制方法,其特征在于,所述预置区间二型模糊横向控制器包括横向输入层、横向归一化层、横向模糊化层、横向对应层、横向后件层和横向输出层;所述将所述汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角的步骤,包括:
通过横向输入层将汽车横向数据传输至横向归一化层进行线性组合和归一化,生成多个横向归一化线性组合数值;
采用横向模糊化层对各所述横向归一化线性组合数值进行模糊化,生成多个横向上界隶属函数值和多个横向下界隶属函数值;
将各所述横向上界隶属函数值和各所述横向下界隶属函数值输入至横向对应层进行模糊乘积算子,输出多个横向闭区间集;
采用预置区间二型模糊横向规则根据各所述横向归一化线性组合数值,确定各所述横向归一化线性组合数值对应的横向模糊后件清晰值;
采用横向后件层根据各所述横向模糊后件清晰值,确定多个汽车横向神经元节点输出值;
通过横向输出层对各所述汽车横向神经元节点输出值和各所述横向闭区间集进行降型聚合,生成目标转向角。
3.根据权利要求1所述的自动驾驶汽车纵横向控制方法,其特征在于,所述预置区间二型模糊纵向控制器包括纵向输入层、纵向归一化层、纵向模糊化层、纵向对应层、纵向后件层和纵向输出层;所述采用预置区间二型模糊纵向控制器对所述汽车纵向速度进行纵向控制,生成目标扭矩的步骤,包括:
通过纵向输入层将汽车纵向速度传输至纵向归一化层进行线性组合和归一化,生成多个纵向归一化线性组合数值;
采用纵向模糊化层对各所述纵向归一化线性组合数值进行模糊化,生成多个纵向上界隶属函数值和多个纵向下界隶属函数值;
将各所述纵向上界隶属函数值和各所述纵向下界隶属函数值输入至纵向对应层进行模糊乘积算子,输出多个纵向闭区间集;
采用预置区间二型模糊纵向规则根据各所述纵向归一化线性组合数值,确定各所述纵向归一化线性组合数值对应的纵向模糊后件清晰值;
采用纵向后件层根据各所述纵向模糊后件清晰值,确定多个汽车纵向神经元节点输出值;
通过纵向输出层对各所述汽车纵向神经元节点输出值和各所述纵向闭区间集进行降型聚合,生成目标扭矩。
4.根据权利要求1所述的自动驾驶汽车纵横向控制方法,其特征在于,所述根据所述目标扭矩和所述汽车纵向速度,确定目标纵向力的步骤,包括:
将所述目标扭矩输入至预置比例积分微分控制器进行调节,输出纵向力需求;
采用预置轮胎纵向力函数根据所述汽车纵向速度,确定轮胎纵向力;
采用所述纵向力需求和所述轮胎纵向力,计算目标纵向力。
5.根据权利要求1所述的自动驾驶汽车纵横向控制方法,其特征在于,在所述获取汽车横向数据和汽车纵向速度的步骤之前,包括:
获取待训练汽车横向数据和待训练汽车纵向速度,并将所述待训练汽车横向数据输入至初始区间二型模糊横向控制器进行横向控制,确定待训练转向角;
基于运动动力学,构建所述自动驾驶汽车对应的车辆模型,并采用所述车辆模型根据所述待训练转向角,确定调整汽车横向数据;
采用所述调整汽车横向数据对所述初始区间二型模糊横向控制器进行优化,确定所述预置区间二型模糊横向控制器;
采用所述待训练汽车纵向速度对初始区间二型模糊纵向控制器进行优化,确定所述预置区间二型模糊纵向控制器。
6.根据权利要求5所述的自动驾驶汽车纵横向控制方法,其特征在于,所述采用所述调整汽车横向数据对所述初始区间二型模糊横向控制器进行优化,确定所述预置区间二型模糊横向控制器的步骤,包括:
根据所述调整汽车横向数据、预置参考横向位移和预置参考横摆角,计算横向损失值;
采用所述横向损失值对所述初始区间二型模糊横向控制器的超参数进行更新,确定中间区间二型模糊横向控制器,并实时统计迭代次数;
判断所述迭代次数是否达到预置训练次数;
若所述迭代次数达到所述预置训练次数,则将所述中间区间二型模糊横向控制器作为所述预置区间二型模糊横向控制器。
7.一种自动驾驶汽车纵横向控制装置,其特征在于,包括:
获取模块,用于获取汽车横向数据和汽车纵向速度;
横向控制模块,用于将所述汽车横向数据输入至预置区间二型模糊横向控制器进行横向控制,输出目标转向角;
纵向控制模块,用于采用预置区间二型模糊纵向控制器对所述汽车纵向速度进行纵向控制,生成目标扭矩;
根据模块,用于根据所述目标扭矩和所述汽车纵向速度,确定目标纵向力;
行驶模块,用于通过所述目标转向角和所述目标纵向力控制自动驾驶汽车行驶。
8.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-6任一项所述的自动驾驶汽车纵横向控制方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现如权利要求1-6任一项所述的自动驾驶汽车纵横向控制方法的步骤。
10.一种计算机程序产品,包括计算机程序/指令,其特征在于,所述计算机程序/指令被处理器执行时实现如权利要求1-6任一项所述的自动驾驶汽车纵横向控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410704977.5A CN118269929B (zh) | 2024-06-03 | 2024-06-03 | 一种自动驾驶汽车纵横向控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410704977.5A CN118269929B (zh) | 2024-06-03 | 2024-06-03 | 一种自动驾驶汽车纵横向控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118269929A true CN118269929A (zh) | 2024-07-02 |
CN118269929B CN118269929B (zh) | 2024-07-23 |
Family
ID=91634463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410704977.5A Active CN118269929B (zh) | 2024-06-03 | 2024-06-03 | 一种自动驾驶汽车纵横向控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118269929B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020147532A1 (en) * | 2001-02-28 | 2002-10-10 | Toyota Jidosha Kabushiki Kaisha | Driving control device and methods for vehicle |
US20050027402A1 (en) * | 2001-12-27 | 2005-02-03 | Ken Koibuchi | Integrated vehicle motion control system |
CN114945496A (zh) * | 2020-01-15 | 2022-08-26 | 沃尔沃卡车集团 | 基于具有速度极限的扭矩请求的车辆运动管理 |
CN116185012A (zh) * | 2023-01-06 | 2023-05-30 | 湖南大学 | 一种自动驾驶车辆自适应避障方法 |
CN117215202A (zh) * | 2023-10-27 | 2023-12-12 | 福州大学 | 一种自动驾驶车辆横向运动的新型模糊模型预测控制方法 |
-
2024
- 2024-06-03 CN CN202410704977.5A patent/CN118269929B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020147532A1 (en) * | 2001-02-28 | 2002-10-10 | Toyota Jidosha Kabushiki Kaisha | Driving control device and methods for vehicle |
US20050027402A1 (en) * | 2001-12-27 | 2005-02-03 | Ken Koibuchi | Integrated vehicle motion control system |
CN114945496A (zh) * | 2020-01-15 | 2022-08-26 | 沃尔沃卡车集团 | 基于具有速度极限的扭矩请求的车辆运动管理 |
CN116185012A (zh) * | 2023-01-06 | 2023-05-30 | 湖南大学 | 一种自动驾驶车辆自适应避障方法 |
CN117215202A (zh) * | 2023-10-27 | 2023-12-12 | 福州大学 | 一种自动驾驶车辆横向运动的新型模糊模型预测控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118269929B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tork et al. | An adaptive modified neural lateral-longitudinal control system for path following of autonomous vehicles | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
You et al. | Autonomous planning and control for intelligent vehicles in traffic | |
Awad et al. | Model predictive control with fuzzy logic switching for path tracking of autonomous vehicles | |
CN110969848A (zh) | 一种对向双车道下基于强化学习的自动驾驶超车决策方法 | |
CN114379583B (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪***及方法 | |
CN110716562A (zh) | 基于强化学习的无人驾驶汽车多车道行驶的决策方法 | |
Lu et al. | Hierarchical reinforcement learning for autonomous decision making and motion planning of intelligent vehicles | |
CN115257745A (zh) | 一种基于规则融合强化学习的自动驾驶换道决策控制方法 | |
Kebbati et al. | Lateral control for autonomous wheeled vehicles: A technical review | |
CN115303289A (zh) | 一种基于深度高斯车辆动力学模型、训练方法、智能汽车轨迹跟踪控制方法及终端设备 | |
CN111824182A (zh) | 一种基于深度强化学习的三轴重型车自适应巡航控制算法 | |
CN110879595A (zh) | 一种基于深度强化学习的无人矿卡循迹控制***及方法 | |
CN113064424A (zh) | 一种改进ddpg算法的无人车路径规划方法 | |
CN113033902B (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
CN109712424B (zh) | 一种基于物联网的车辆导航方法 | |
CN114384916A (zh) | 一种越野车路径规划的自适应决策方法及*** | |
CN117227834B (zh) | 一种特种车辆人机协同转向控制方法 | |
Hu et al. | Learning dynamic graph for overtaking strategy in autonomous driving | |
CN111923916B (zh) | 一种基于视觉感知行为和anfis的仿人转向建模方法及转向控制*** | |
Xu et al. | Modeling Lateral Control Behaviors of Distracted Drivers for Haptic-Shared Steering System | |
CN113200054A (zh) | 一种自动驾驶接管的路径规划方法及*** | |
CN118269929B (zh) | 一种自动驾驶汽车纵横向控制方法及装置 | |
CN113353102B (zh) | 一种基于深度强化学习的无保护左转弯驾驶控制方法 | |
CN115422837A (zh) | 一种基于深度高斯过程的智能汽车动力学预测模型、训练数据获取方法、以及训练方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |