详情

原文传递基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法

专利名称：	基于预测控制的双模式并行车辆轨迹跟踪行驶系统及方法
摘要：	本发明涉及一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,包括：人机交互单元；组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；通讯单元；综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；并行车载处理双单元；执行单元，包含汽车的线控转向和线控驱动系统，接收并行车载处理双单元输出的控制指令，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。本发明还公开了基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法。本发明采用双系统并行的控制架构，提高算法的适应性和鲁棒性,当模型辨识完毕之后，双系统同时工作，大大增强了控制系统的容错能力，提高了自动驾驶汽车的安全性和可靠性。
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：	张炳力;方涛;孙骏;李子龙;郑平平;汤玮;曹聪聪;程啸宇;李傲伽
专利状态：	有效
申请日期：	2019-03-29T00:00:00+0800
发布日期：	2019-06-11T00:00:00+0800
申请号：	CN201910248579.6
公开号：	CN109866752A
代理机构：	合肥金安专利事务所(普通合伙企业)
代理人：	吴娜
分类号：	B60W10/04(2006.01);B;B60;B60W;B60W10
申请人地址：	230009 安徽省合肥市包河区屯溪路193号
主权项：	1.一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,其特征在于：包括：人机交互单元，具备人机的交互功能，实现目标地点的选定、速度选择、规划路径显示、交通信息和汽车信息的显示；组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；通讯单元，实现人机交互单元、综合信息感知单元、组合定位单元、并行车载处理双单元和执行单元相互之间的所有通讯；综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；并行车载处理双单元，采用两个并行且独立的计算单元，分别运行不同的两套算法，完成根据综合信息感知单元和组合定位单元的信息生成参考轨迹信息，根据汽车实际行驶过程中的位姿信息计算出轨迹跟踪状态量，两套算法同步运行生成两个不同的控制序列，经过评价函数生成最优的控制指令；执行单元，接收并行车载处理双单元输出的控制指令，精准的执行相应的动作，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。 2.根据权利要求1所述的基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,其特征在于：所述人机交互单元包括显示模块和输入模块，所述组合定位单元由GPS和惯性元件组成，所述通讯单元采用CAN通信、LCM通信和以太网通讯，所述综合信息感知单元包括雷达和相机，所述并行车载处理双单元采用板卡或工控机，所述执行单元包括汽车线控转向系统、线控驱动系统和线控制动系统。 3.根据权利要求1至2中任一项所述的基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法，其特征在于：该方法包括下列顺序的步骤： (1)通过人机交互单元，驾驶员启动本系统，并指定目标位置； (2)通过综合信息感知单元获取环境的信息，实时给出自动驾驶汽车周围的交通信息，给出的障碍物信息是基于车辆坐标系的距离、角度信息； (3)通过组合定位单元实时获取汽车的定位及姿态信息； (4)将综合信息感知单元提供的基于车辆坐标系的障碍物信息和组合定位单元输出的基于大地坐标的汽车定位信息输入并行车载处理双单元，基于路径规划算法，规划出理想的行驶轨迹，通过人工驾驶汽车，基于组合定位单元采集路径信息，生成轨迹信息； (5)将上一步生成的轨迹信息和汽车实时的姿态信息输入给并行车载处理双单元，此时基于传统动力学模型的预测控制系统会根据汽车的状态信息生成控制序列1； (6)神经网络预测控制系统采集方向盘转角、车速、汽车位置和姿态信息的变换信息，完成非线性多步预测模型的训练；若神经网络预测控制系统还未完成非线性多步预测模型的训练，此时完全由控制序列1来控制； (7)若神经网络预测控制系统已经完成训练和检验，由神经网络预测控制系统生成控制序列2； (8)同时接受基于传统动力学模型的预测控制系统生成的控制序列1和神经网络预测控制系统生成的控制序列2，若在规定的时域内只接收到控制序列1或控制序列2，则直接将控制结果输出给执行单元；若规定时域内收到两个序列的值，则通过评价函数对两个系统的输出进行评价，将由评价函数进行评估，将最终生成的最优控制序列的结果输出给执行单元； (9)执行单元接收并行车载处理双单元给出的信息，按步骤(8)输出的控制序列控制汽车的方向盘转角和车速，实现一个控制周期内的轨迹跟踪； (10)重复步骤(4)至步骤(8)，直到汽车抵达驾驶员指定的目的位置，完成轨迹跟踪。 4.根据权利要求3所述的轨迹跟踪行驶方法，其特征在于：所述步骤(6)具体包括以下步骤： (6a)由神经网络预测控制系统中的智能神经网络模型辨识模块确定神经网络预测控制模型的基本结构； (6b)进行数据采集和预处理； (6c)将预处理后的数据，输入建立的神经网络预测控制模型，进行非线性多步预测模型的训练； (6d)进行神经网络预测控制模型的自我检验，在完成神经网络预测控制模型的训练时，除了离线训练过程中的测试集的验证，还将通过实车产生的实时数据进行检验，若通过预设时间和条件的检验，则进入步骤(7)，反之，回到步骤6(a)。
所属类别：	发明专利