详情

原文传递基于路面附着系数预估的智能汽车纵向速度规划及控制策略研究

论文题名：	基于路面附着系数预估的智能汽车纵向速度规划及控制策略研究
关键词：	智能汽车;路面附着系数预估;机器视觉;纵向速度规划;多模式切换
摘要：	随着科技的进步，智能汽车逐渐成为车辆未来发展的趋势，纵向速度规划及控制作为智能汽车关键技术之一，能有效减少交通事故，提高道路利用率。由于车辆驾驶环境复杂，路面附着系数是影响速度规划及控制效能的主要因素，尤其冰雪路面极易引发车辆追尾、侧滑或甩尾。但目前车辆纵向速度规划及控制未考虑路面状态或仅实时辨识附着系数，难以针对低附着路面提前调整控制策略；且多采用单一安全距离模型，针对复杂工况难以发挥优越的性能。因此，本文基于机器视觉对路面附着系数进行预估，围绕改进和优化智能车辆的纵向速度规划及控制的综合性能（安全性、跟随性和舒适性）展开研究。　　本文提出一种基于路面附着系数预估的智能汽车纵向速度规划及控制策略，基于机器视觉对附着系数进行预估，划分定速巡航、跟驰模式和紧急制动模式，建立基于路面附着系数预估的安全距离模型，设计基于PID/MPC的纵向控制器，以保证车辆在低附着路面的安全，提升控制算法响应速度、精度和适应性。主要研究内容如下：　　（1）基于机器视觉的路面附着系数预估。将相机传感器集成到Apollo硬件平台，进行路面图像数据集采集、标注、数据增强及划分；对比U-Net语义分割网络模型和Mask-RCNN实例分割网络模型，设计CBAM-Mask-RCNN模型作为路面附着系数预估算法，完成对比模型训练、测试及评估试验。改进后的CBAM-Mask-RCNN与Mask-RCNN相比，识别平均精度??????75相对提升1.068个百分点，达97.706%；分割精度????????相对提升1.060个百分点，达87.928%，验证了CBAM-Mask-RCNN模型的优越性。　　（2）建立考虑路面附着系数的纵向速度规划多模式切换策略。结合车辆感知信息和行驶状态，设计定速巡航、跟驰和紧急制动三种模式。针对不同模式设计不同安全距离模型，考虑附着系数的车头时距安全距离模型确定巡航距离和跟驰距离，考虑附着系数的制动过程安全距离模型确定紧急制动距离，使用有限状态机实现基于安全距离的多模式切换，以提高车辆对复杂工况的适应能力。　　（3）设计基于路面附着系数预估的纵向控制器。使用分层控制结构，上层控制器基于目标车速和安全距离模型求解期望加速度。定速巡航和紧急制动模式采用PID控制；跟驰模式采用MPC控制算法，通过建立纵向跟车运动学模型和考虑附着系数的安全距离模型，综合安全性、跟随性和舒适性进行多目标优化和约束，结合模型预测控制算法建立目标函数，引入约束软化增加可行解，保证车辆在低附着系数路面的安全性和稳定性。基于标定试验的下位控制器通过建立纵向加速度-纵向速度-驱动踏板开度/制动主缸压力标定表，实现对期望加速度的跟踪。　　（4）基于CarSim和MATLAB/Simulink搭建联合仿真平台，在高附着和低附着路面下设置前车静止、变速、切入切出和急减速五种工况，分别进行是否预估附着系数的对比试验。仿真结果表明，本文所搭建的控制算法在高低附着路面均能有效利用路面效能，实现速度规划及控制功能，保证安全性、跟随性和舒适性。
作者：	刘洁美
专业：	车辆工程
导师：	何睿
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023