详情

原文传递基于车辆运动学和纵向动力学组合控制的自动驾驶车辆轨迹跟踪方法

专利名称：	基于车辆运动学和纵向动力学组合控制的自动驾驶车辆轨迹跟踪方法
摘要：	本发明公开了一种基于车辆运动学和纵向动力学组合控制的自动驾驶车辆轨迹跟踪方法，包括：1.基于车辆运动学的线性模型预测控制器计算出最优纵向车速和前轮转角，消除车辆位置与参考轨迹之间的位置误差以及航向角误差；2.基于车辆纵向动力学模型设计非线性模型模型预测控制器；该控制器根据由车辆运动学控制得到的目标车速对电机转矩进行调节；通过转矩控制代替传统速度控制可以将道路坡度和路面利用附着系数纳入考虑，使得所提出方法能更好适用于不同道路条件，同时能控制滑移率来保证车轮防滑安全，提高轨迹跟踪精度；两个控制器通过纵向车速连接，共同完成轨迹跟踪任务。本发明能显著提高轨迹跟踪的控制精度，并保证车轮防滑安全性。
专利类型：	发明专利
国家地区组织代码：	安徽;34
申请人：	合肥工业大学
发明人：	石琴;梁吉祥;贺泽佳
专利状态：	有效
申请日期：	2023-08-21T00:00:00+0800
发布日期：	2023-11-10T00:00:00+0800
申请号：	CN202311053707.4
公开号：	CN117022322A
代理机构：	安徽省合肥新安专利代理有限责任公司
代理人：	陆丽莉;何梅生
分类号：	B60W60/00;B60W50/00;B;B60;B60W;B60W60;B60W50;B60W60/00;B60W50/00
申请人地址：	230009 安徽省合肥市包河区屯溪路193号
主权项：	1.一种基于车辆运动学和纵向动力学组合控制的自动驾驶车辆轨迹跟踪方法，其特征在于，包括如下步骤：步骤1.在大地坐标系中根据运动学关系，利用式(1)建立车辆运动学模型；式(1)中：为车辆后轴的纵坐标x的一阶导数，/>为车辆后轴中心的纵坐标y的一阶导数，/>为车辆行驶方向的航向角，/>为航向角/>的一阶导数，v为车辆行驶速度，δf为车辆前轮转角，l为车辆轴距；步骤2.分析车辆各部分受力，从而建立车辆纵向动力学模型；步骤2.1：分析车辆整车受力，从而利用式(2)建立汽车行驶方程式；式(2)中：Tm为电机输出转矩，i0为传动系减速比，ηT为传动系的机械效率，r为轮胎半径，m为整车质量，g为重力加速度，f为滚动阻力系数，α为坡度角，CD为空气阻力系数，A为车辆迎风面积，ρ为空气密度，δ为汽车旋转质量换算系数；为车辆行驶速度v的一阶导数；步骤2.2：对车轮进行动力学分析，从而利用式(3)建立前、后车轮纵向力与前、后车轮转速的关系式：式(3)中：Jω为轮胎转动惯量，Fxr为后车轮的纵向力，Fxf为前车轮的纵向力，ωr为后车轮的角速度，ωf为前车轮的角速度；利用式(4)计算前、后车轮所受的法向力：式(4)中：Fzf为前车轮的法向力，Fzr为后车轮的法向力，hg为汽车质心高度，lf为汽车质心到前轴的距离，lr为汽车质心到后轴的距离，且l＝lf+lr；利用式(5)构建前、后车轮的纵向力与法向力的关系式：式(5)中：μ为地面利用附着系数；利用式(6)计算车轮滑转率λd和滑移率λb：步骤2.3：利用式(7)构建车辆纵向动力学模型：式(7)中，为后车轮的角速度ωr的一阶导数，/>为前车轮的角速度ωf的一阶导数，为车轮滑转率λd的一阶导数，/>为车轮滑移率λb的一阶导数；步骤3.设计车辆运动学模型的线性模型预测控制器LMPC；步骤3.1：对车辆运动学模型进行方程转换以及线性化；利用式(8)得到基于车辆运动学模型的状态空间方程：式(8)中：XL为基于车辆运动学模型的状态空间方程的状态输入变量，且x和y为车辆后轴的横坐标和纵坐标，/>为基于车辆运动学模型的状态空间方程的状态输入变量XL的一阶导数，uL为基于车辆运动学模型的状态空间方程的控制输入变量，且uL＝[v,δf]T，YL为基于车辆运动学模型的状态空间方程的状态输出变量，且/>C为权重系数矩阵，且/> 利用式(9)得到目标轨迹的状态空间方程：式(9)中：XLr为目标轨迹的状态空间方程的状态输入变量，且为目标轨迹的状态空间方程的状态输入变量XLr的一阶导数，uLr为目标轨迹的状态空间方程的控制输入变量，且uLr＝[vr,δfr]T，YLr为目标轨迹的状态空间方程的状态输出变量，其中，/>为目标轨迹点及航向角，vr为纵向目标车速，δfr为前轮目标转角；对式(8)进行泰勒展开并与式(9)相减，从而利用式(10)得到线性误差模型的状态空间方程：式(10)中：为线性误差模型的状态空间方程的状态输入变量，/>线性误差模型的状态空间方程的状态输入变量/>的一阶导数，/>为线性误差模型的状态空间方程的状态输出变量；步骤3.2：离散化线性误差模型的状态空间方程；利用式(11)得到离散化后的线性误差模型的状态空间方程：式(11)中：Ts为控制周期，为线性误差模型的状态空间方程在k时刻的状态输入变量，/>为线性误差模型的状态空间方程在k+1时刻的状态输入变量，/>为线性误差模型的状态空间方程在k时刻的控制输入变量，并有：式(12)和式(13)中：x[k]为k时刻车辆后轴位置的横坐标，xr[k]为k时刻车辆后轴位置的目标横坐标，y[k]为k时刻车辆后轴位置的纵坐标，yr[k]为k时刻车辆后轴位置的目标纵坐标，为k时刻车辆的航向角，/>为k时刻车辆的目标航向角，v[k]为k时刻车辆的速度，vr[k]为k时刻目标车辆的速度，δf[k]为k时刻车辆的前轮转角，δfr[k]为k时刻车辆的前轮目标转角；利用式(14)得到离散化后的线性误差模型的状态空间方程在k时刻的控制输入变量增量式(14)中：为线性误差模型的状态空间方程在k-1时刻的控制输入变量；步骤3.3：线性模型预测控制器LMPC的状态预测；利用式(15)所述线性模型预测控制器LMPC预测的线性误差模型的状态空间方程在k+j时刻的输入状态变量式(15)中：A和B为两个系数矩阵，且利用式(16)得到所述线性模型预测控制器LMPC预测的线性误差模型的状态空间方程在k+j时刻的输出状态变量步骤3.4：设计线性模型预测控制器LMPC的代价函数与约束条件；利用式(17)建立线性模型预测控制器LMPC的代价函数式(17)中：NP为预测时域，Nc为控制时域，QL和RL为两个权重矩阵，为/>的转置，/>为/>的转置；利用式(18)建立约束条件：式(18)中：和/>为线性误差模型的状态空间方程的控制输入变量/>的最大值和最小值，/>和/>为线性误差模型的状态空间方程的控制输入变量增量/>的最大值和最小值；步骤3.5：求解线性模型预测控制器LMPC的最优值；利用式(19)求解线性模型预测控制器LMPC的最优控制增量序列利用式(20)得到线性模型预测控制器LMPC求解的线性误差模型的状态空间方程在k时刻的最优控制变量式(20)中：表示最优控制增量序列中的第一个元素；步骤4.设计车辆纵向动力学模型的非线性模型预测控制器NMPC；步骤4.1：对车辆纵向运动学模型进行方程转换，从而利用式(21)得到基于车辆纵向运动学模型的状态空间方程；式(21)中：x1,x2,x3,x4,x5分别为5个基于车辆纵向运动学模型的状态空间方程的状态输入变量，令基于车辆纵向运动学模型的状态空间方程的状态输入变量为XN＝[x1,x2,x3,x4,x5]T，且[x1,x2,x3,x4,x5]T＝[v,ωf,ωr,λd,λb]T，分别为x1,x2,x3,x4,x5的一阶导数，uN为基于车辆纵向运动学模型的状态空间方程的控制输入变量，且uN＝Tm；利用式(22)得到的状态空间方程的控制输入变量YN： YN＝CNXN (22) 式(22)中：YN＝[y1,y2,y3]T，y1,y2,y3表示3个的状态空间方程的控制输入变量，且[y1,y2,y3]T＝[v,λd,λb]T，CN为系数矩阵，且步骤4.2：基于车辆纵向运动学模型的状态空间方程的离散化；利用式(23)，式(24)，式(25)得到离散化后的状态空间方程： YN[k]＝CNXN[k] (24) ΔuN[k]＝uN[k]-uN[k-1] (25) 式(23)-式(25)中：x1[k],x2[k],x3[k],x4[k],x5[k]分别为基于车辆纵向运动学模型的状态空间方程在k时刻的状态输入变量，且XN[k]＝[x1[k],x2[k],x3[k],x4[k],x5[k]]T，x1[k+1],x2[k+1],x3[k+1],x4[k+1],x5[k+1]分别为基于车辆纵向运动学模型的状态空间方程在k+1时刻的状态输入变量，YN[k]为基于车辆纵向运动学模型的状态空间方程在k时刻的状态输出变量，uN[k]为基于车辆纵向运动学模型的状态空间方程在k时刻的控制输入变量，uN[k-1]为基于车辆纵向运动学模型的状态空间方程在k-1时刻的控制输入变量，ΔuN[k]为基于车辆纵向运动学模型的状态空间方程在k时刻的控制输入变量增量；步骤4.3：非线性模型预测控制器NMPC代价函数与约束条件设计；利用式(25)构建非线性模型预测控制器NMPC的代价函数：式(26)中：λ1,λ2,λ3和λ4是4个权重系数，y1ref为线性模型预测控制器LMPC输出的最优纵向速度；利用式(27)建立约束条件：式(27)中：uNmin和uNmax是基于车辆纵向运动学模型的状态空间方程的控制输入变量uN的最小值和最大值；ΔuNmax和ΔuNmin是基于车辆纵向运动学模型的状态空间方程的控制输入变量增量ΔuN的最小值和最大值；步骤4.4：非线性模型预测控制器NMPC求解最优值；利用式(28)得到非线性模型预测控制器NMPC求解的最优车辆纵向运动学模型的状态空间方程在k时刻的控制输入变量增量利用式(29)得到非线性模型预测控制器NMPC求解的最优车辆纵向运动学模型的状态空间方程在k时刻的控制输入变量 2.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1所述自动驾驶车辆轨迹跟踪方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。 3.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1所述自动驾驶车辆轨迹跟踪方法的步骤。
所属类别：	发明专利