自动驾驶全工况路面自适应mpc轨迹跟踪控制及评价方法
技术领域
本发明涉及一种自动驾驶车辆的轨迹跟踪控制方法及性能评价方法,特别涉及一种自动驾驶车辆在全工况行驶实现路面自适应的、基于模型预测控制的轨迹跟踪控制方法,根据传感器检测的道路附着系数进行根据路面自适应的车速范围匹配,提高在极限工况下的行驶安全性;特别涉及一种自动驾驶车辆全工况路面自适应MPC轨迹跟踪的性能评价方法,提出由路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角的最大值和标准差组成的评价体系,划分车辆全工况轨迹跟踪过程的稳定区和失稳区域,全面准确评价在全车速和全道路附着系数等工况下的轨迹跟踪精度和行驶安全性,为轨迹跟踪控制方法优化提供参考。
背景技术
随着自动驾驶技术持续发展,自动驾驶车辆的轨迹跟踪控制技术成为研究的热点和难点。在全工况行驶时精准的轨迹跟踪控制方法在保证车辆行驶安全性方面扮演着重要角色。目前,自动驾驶车辆的轨迹跟踪控制常用的控制方法有反步法、滑模变结构控制方法、模糊控制方法、模型预测控制方法(Model Predictive Control,MPC)等。其中,模型预测控制方法因其具有多车辆运动约束、控制性能优良、鲁棒性好等优点而得到广泛应用,国内外学者在该领域取得了一定的成果。
例如,中国专利《一种基于线性模型预测控制算法的车辆轨迹跟踪控制方法》(专利号:CN 112394734 A)公开了一种基于线性模型预测控制算法的车辆轨迹跟踪控制方法,包括采集车辆状态信息、定位信息及参考轨迹、滤波处理、计算航向角误差、建立线性车辆动力学模型、得到车辆方向盘转角和车辆方向盘转速等;实现了车辆轨迹跟踪功能,考虑了车辆动力学特性及控制量突变,提高了车辆轨迹跟踪能力,保证了车辆中、高速运行稳定性。
中国专利《一种基于模型预测的车辆换道轨迹跟踪控制方法》(专利号:CN112092815 A)公开了一种基于模型预测的车辆换道轨迹跟踪控制方法,包括建立换道期望轨迹模型、建立三自由度车辆动力学模型、转化为离散线性预测模型、设计模型预测控制器的目标函数和约束条件、计算输出量和控制量等;换道期望轨迹提高了驾驶员舒适性,满足横向换道需求,保证较高精度的车速控制,鲁棒性较强,控制精度较高,减小横向跟踪误差。
综上所述,经过文献检索、调研、分析,自动驾驶车辆的轨迹跟踪控制方法及性能评价方法存在的不足之处包括:
(1)只针对某几个特定车速和道路附着系数工况进行研究,研究结果在全工况下不具有普遍性,无法代表车辆在全工况下的实际行驶情况;
(2)性能评价方法片面,无法准确全面地评价车辆在全工况下的轨迹跟踪精度和行驶安全性;
(3)缺乏路面自适应控制,未根据不同路面限制车速约束范围。
发明内容
本发明主要解决的技术问题是针对现有技术存在的上述缺陷,提供一种自动驾驶车辆在全工况实现路面自适应的、基于模型预测控制的轨迹跟踪控制方法及性能评价方法。
为解决上述技术问题,本发明采用如下的技术方案:
一种自动驾驶全工况路面自适应MPC轨迹跟踪控制及性能评价方法,包括以下步骤:
步骤1)结合自动驾驶车辆的三自由度非线性动力学模型建立模型预测控制方法的预测模型;
步骤2)制定模型预测控制方法的目标函数和约束条件,根据传感器检测的道路附着系数进行路面自适应的车速范围匹配,提高在极限工况下的行驶安全性;
步骤3)提出由路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角的最大值和标准差组成的评价体系,全面准确地评价自动驾驶车辆在全工况行驶的轨迹跟踪精度和行驶安全性;
步骤4)划分自动驾驶车辆在全工况行驶的轨迹跟踪稳定区/失稳区域,为优化控制方法提供参考。
所述的步骤1)中,为了安全、准确和高效地跟踪参考轨迹,车辆模型选用三自由度非线性动力学模型,平面内仅具有纵向、横摆和横向运动三个自由度。
由牛顿第二运动定律和动量矩定理分析,自动驾驶车辆的三自由度非线性运动微分方程为
结合小角度假设和基于魔术公式的轮胎模型线性化处理,由式(1),车辆非线性动力学模型为
式中:m为整车整备质量;a为质心到前轴中心的距离;b为质心到后轴中心的距离;Iz为绕z轴的转动惯量;为纵向速度;为侧向速度;为横摆角速度;为纵向加速度;为侧向加速度;为横摆角加速度;Ccf为前轮的侧偏刚度;Ccr为后轮的侧偏刚度;Clf为前轮的纵向刚度;Clr为后轮的纵向刚度;sf为前轮滑移率;sr为后轮滑移率;Flf,r为前、后轮受到的纵向力;Fcf,r为前、后轮受到的横向力;Fxf,r为前、后轮受到的沿x轴方向的力;Fyf,r为前、后轮受到的沿y轴方向的力;δf为前轮转角。
系统的状态量为系统的控制量为udyn=δf。在轨迹跟踪控制器中,将建立的车辆动力学模型用作预测模型。
基于离散的线性时变模型,迭代推导出系统的输出方程为
Y=Ψξ(k)+ΘΔU (3)
式中:Ψ和Θ均为系数矩阵;Y为输出向量,Y=[η(k+1),η(k+2),...,η(k+Np)]T;ΔU为控制增量向量,ΔU=[Δu(k),Δu(k+1),...,Δu(k+Nc-1)]。
由式(3)可知,若已知当前时刻的状态量ξ(k)和控制时域Nc内的控制增量ΔU,可以预测未来预测时域Np内的输出量Y,故将由式(3)作为控制系统的预测模型。
所述的步骤2)中,选用线控底盘作为轨迹跟踪控制的执行系统,线控转向子系统实现前轮转角控制,线控制动子系统和线控驱动子系统实现车速控制。如图2所示,受控系统(自动驾驶车辆线控底盘)、模型预测控制器和状态估计器组成完整的模型预测控制系统。其中,模型预测控制器在预测控制理论的预测模型、滚动优化和反馈校正三个基本要素基础上,结合约束条件、预测模型以及目标函数进行设计。控制器结合约束条件不断对目标函数进行求解,计算得到控制变量序列u*(t)后,其第一个值应用于受控系统,系统执行控制。状态估计器计算得到系统的状态量并反馈给控制器,不断更新预测模型。
轨迹跟踪控制器在每个控制周期内解决的优化问题归纳为
s.t.
ΔUmin≤ΔU≤ΔUmax (4-a)
Umin≤A·ΔU+U≤Umax (4-b)
yhc,min≤yhc≤yhc,max (4-c)
ysc,min-ε≤ysc≤ysc,max+ε (4-d)
ε>0 (4-e)
-12°<β<12°(良好路面) (4-f)
-2°<β<2°(冰雪路面) (4-g)
-2.5°<αf<2.5° (4-i)
式中:yhc是硬约束输出;ysc是软约束输出;yhc,min和yhc,max是硬约束极限值;ysc,min和ysc,max是软约束极限值;A为系数矩阵;ε为松弛因子;ρ、Q、R均为权重系数;β为质心侧偏角;ay为侧向加速度;αf为前轮侧偏角。设置软约束保证每个控制步当中求解得到可行解,适当放大输出量范围。
以上多约束条件中,式(4-f)和(4-g)约束质心侧偏角;式(4-h)约束侧向加速度;式(4-i)约束前轮侧偏角,保证车辆行驶安全性。式(4-a)约束车速和前轮转角增量。
图3基于路面自适应的车速范围匹配模块中,车载摄像头检测的前方道路图像输送给CPU,结合神经网络等智能算法进行图像处理,估计出前方道路的附着系数。根据不同的道路附着系数,实现车速自适应匹配,计算得到车速增量Δv。车速增量输送到模型预测控制器约束条件,参与优化模型最优化求解。
所述的步骤3)中,目标轨迹选用车辆行驶稳定性测试实验广泛使用的双移线轨迹。从10m/s至30m/s每隔5m/s选取一个车速值,道路附着系数从μ=0.1取至μ=0.9,研究车辆在全车速工况以及全道路附着系数工况下的轨迹跟踪情况和稳定性,研究结果如图5至图16所示。
采用的评价指标中,路径跟踪误差表征轨迹跟踪精度,侧向加速度、质心侧偏角和前轮侧偏角表征行驶安全性。这些指标的最大值表征车辆行驶经过大曲率路段时轨迹跟踪精度和行驶安全性的极限情况,标准差表征这些指标相对平均值的离散程度,反映车辆在整个轨迹跟踪过程中的性能波动情况。
例如,从图5和图6可以看到,车辆低速在道路附着系数高的良好路面上行驶时,路径跟踪误差偏低,轨迹跟踪效果最好。车速越低则越能够适应道路附着系数较低的路面,即车辆能够以低速在道路附着系数较低的湿滑路面上跟踪目标轨迹。车辆以10m/s的车速行驶在道路附着系数为0.2的路面上时,路径跟踪误差最大值就已经降到低于1m,而车辆以20m/s的车速行驶在道路附着系数为0.7的路面上时,路径跟踪误差最大值才降至低于1m。当车辆以25m/s、30m/s等高速跟踪目标轨迹时,即使行驶在道路附着系数为0.7或者0.8的良好路面上,路径跟踪误差最大值依然比较大,接近3m,说明车辆在转弯处的轨迹跟踪效果差,并且此时侧向加速度较大,接近9m/s2,侧向力较大,车辆操纵稳定性较差,所以在轨迹跟踪过程中要避免选择高速行驶。
从图7可以看到,车辆以低速行驶在道路附着系数高的路面上时,路径跟踪误差的标准差比较小,说明车辆在轨迹跟踪过程中,其路径跟踪误差相对其平均值的离散程度更小,路径跟踪误差变化不大,跟踪效果较好。
从图16可以看到,车辆低速行驶在道路附着系数高的路面上时,前轮侧偏角的标准差则比较小,说明车辆在轨迹跟踪过程中,前轮侧偏角相对其平均值的离散程度更小,车辆行驶稳定性变化不大。为了保证车辆在轨迹跟踪过程中既保证跟踪效果,又维持行驶稳定性与安全性,有必要安装车辆稳定性系统。
所述的步骤4)中,为了获得良好的轨迹跟踪精度和行驶安全性,考虑车速和道路附着系数的匹配关系,将车辆行驶工况分割成如图17所示的稳定区和失稳区。车辆在稳定区工况行驶时,车辆具有良好的轨迹跟踪精度和行驶安全性;而车辆在失稳区工况行驶时,轨迹跟踪精度和行驶安全性急剧恶化,需要根据传感器检测到的路面信息及时调整车速大小,重新回到稳定工况区行驶。
与现有技术相比,本发明具有以下优点:
(1)制定自动驾驶车辆的车速约束条件时,根据传感器检测的道路附着系数进行路面自适应的车速范围匹配,提高在极限工况下的行驶安全性;
(2)提出了由路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角的最大值和标准差组成的评价体系,全面准确地评价自动驾驶车辆在全工况下轨迹跟踪精度和行驶安全性;
(3)划分了自动驾驶车辆全工况轨迹跟踪稳定区/失稳区域,为控制方法提供参考;
(4)根据车辆行驶工况匹配关系实时调节车速大小,使自动驾驶车辆始终保持在稳定工况区行驶,根据路面变化实现车速的自适应控制。
附图说明
图1为自动驾驶全工况路面自适应MPC轨迹跟踪控制及评价方法的流程图;
图2为自动驾驶车辆的三自由度非线性动力学模型;
图3为自动驾驶车辆在全工况下基于模型预测控制的车辆轨迹跟踪原理;
图4为基于模型预测控制的自动驾驶车辆轨迹跟踪联合仿真模型;
图5为自动驾驶车辆在多种车速下路径跟踪误差最大值随道路附着系数的变化;
图6为自动驾驶车辆在全工况下路径跟踪误差波动三维图;
图7为自动驾驶车辆在多种车速下路径跟踪误差标准差随道路附着系数的变化;
图8为自动驾驶车辆在多种车速下侧向加速度最大值随道路附着系数的变化;
图9为自动驾驶车辆在全工况下侧向加速度最大值波动三维图;
图10为自动驾驶车辆在多种车速下侧向加速度标准差随道路附着系数的变化;
图11为自动驾驶车辆在多种车速下质心侧偏角最大值随道路附着系数的变化;
图12为自动驾驶车辆在全工况下质心侧偏角最大值波动三维图;
图13为自动驾驶车辆在多种车速下质心侧偏角标准差随道路附着系数的变化;
图14为自动驾驶车辆在多种车速下前轮侧偏角最大值随道路附着系数的变化;
图15为自动驾驶车辆在全工况下前轮侧偏角最大值波动三维图;
图16为自动驾驶车辆在多种车速下前轮侧偏角标准差随道路附着系数的变化图;
图17为自动驾驶车辆全工况轨迹跟踪的稳定区/失稳区域划分;
具体实施方式
下面结合附图对本发明的较佳实施例作进一步说明,以使本发明优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
图1为自动驾驶全工况路面自适应MPC轨迹跟踪控制及评价方法的流程图。自动驾驶全工况路面自适应MPC轨迹跟踪控制方法及性能评价方法,包括以下步骤:
步骤1)结合车辆三自由度非线性动力学模型建立模型预测控制方法的预测模型;
步骤2)制定模型预测控制方法的目标函数和约束条件,根据传感器检测的道路附着系数进行路面自适应的车速范围匹配,提高在极限工况下的行驶安全性;
步骤3)提出路径跟踪误差、侧向加速度、质心侧偏角、前轮侧偏角的最大值和标准差组成的评价体系,全面准确地评价全工况下轨迹跟踪精度和行驶安全性;
步骤4)划分车辆全工况轨迹跟踪稳定区/失稳区域,为控制方法提供参考。
图2为自动驾驶车辆的三自由度非线性动力学模型。车辆的非线性动力学模型为
式中:m为整车整备质量;a为质心到前轴中心的距离;b为质心到后轴中心的距离;Iz为绕z轴的转动惯量;为纵向速度;为侧向速度;为横摆角速度;为纵向加速度;为侧向加速度;为横摆角加速度;Ccf为前轮的侧偏刚度;Ccr为后轮的侧偏刚度;Clf为前轮的纵向刚度;Clr为后轮的纵向刚度;sf为前轮滑移率;sr为后轮滑移率;Flf,r为前、后轮受到的纵向力;Fcf,r为前、后轮受到的横向力;Fxf,r为前、后轮受到的沿x轴方向的力;Fyf,r为前、后轮受到的沿y轴方向的力;δf为前轮转角。
图3为自动驾驶车辆在全工况下基于模型预测控制的车辆轨迹跟踪原理。受控系统(自动驾驶车辆线控底盘)、模型预测控制器和状态估计器组成完整的模型预测控制系统。模型预测控制器是在预测控制理论的预测模型、滚动优化和反馈校正三个要素基础上,结合约束条件、预测模型以及目标函数进行设计的。控制器结合约束条件不断对目标函数进行求解,计算得到控制变量序列u*(t)后,第一个值将会应用于受控系统,系统执行控制。状态估计器计算得到系统状态量并反馈给控制器,不断更新预测模型。
图4为基于模型预测控制的自动驾驶车辆轨迹跟踪联合仿真模型。以全车速和全道路附着系数为例,研究自动驾驶车辆在全工况下的轨迹跟踪精度和行驶安全性,融合CarSim和MATLAB软件进行研究。
图5为自动驾驶车辆在多种车速下路径跟踪误差最大值随道路附着系数的变化。
图6为自动驾驶车辆在全工况下路径跟踪误差波动三维图。
图5和图6表明,当道路附着系数接近μ=0.1时,五种车速下路径跟踪误差的最大值都偏大,甚至接近5m。并且从图8和图9可以看到,当道路附着系数接近μ=0.1时,五种车速下的侧向加速度最大值均很小,接近0.1m/s2,此时车辆侧向附着力比较小,侧向稳定性较弱,所以车辆转向能力受到很大影响,导致轨迹跟踪效果差。当道路附着系数逐渐升高时,侧向加速度最大值也随之增大,车辆侧向附着力逐渐增大,侧向稳定性逐渐增强,车辆转向能力也会随之变好,所以随着道路附着系数提升,路径跟踪误差最大值也会迅速下降,由图5可知,最低降到接近0.5m,轨迹跟踪效果较好。
图7为自动驾驶车辆在多种车速下路径跟踪误差标准差随道路附着系数的变化。车辆以低速在道路附着系数高的良好路面上行驶时,路径跟踪误差偏低,轨迹跟踪效果最好。当道路附着系数接近μ=0.1时,五种车速下路径跟踪误差的最大值都偏大,甚至能够接近5m。车速越低则越能够适应道路附着系数较低的路面,即车辆能够以低速在道路附着系数较低的湿滑路面上跟踪目标轨迹。车辆以10m/s的车速行驶在道路附着系数为0.2的路面上时,路径跟踪误差最大值就已经降到低于1m,而车辆以20m/s的车速行驶在道路附着系数为0.7的路面上时,路径跟踪误差最大值才降至低于1m。当车辆以25m/s、30m/s等高速跟踪目标轨迹时,即使行驶在道路附着系数为0.7或者0.8的良好路面上,路径跟踪误差最大值依然比较大,接近3m,说明车辆在转弯处的轨迹跟踪效果差,并且此时侧向加速度较大,接近9m/s2,侧向力较大,车辆的操纵稳定性较差,所以在轨迹跟踪过程中要避免选择高速行驶。
车辆以低速行驶在道路附着系数高的路面上时,路径跟踪误差的标准差则比较小,说明车辆在轨迹跟踪过程中,其路径跟踪误差相对其平均值的离散程度更小,路径跟踪误差变化不大,跟踪效果较好。
图8为自动驾驶车辆在多种车速下侧向加速度最大值随道路附着系数的变化。
图9为自动驾驶车辆在全工况下侧向加速度最大值波动三维图。
图10为自动驾驶车辆在多种车速下侧向加速度标准差随道路附着系数的变化。
从图8、图9和图10可以看到,当道路附着系数接近μ=0.1时,五种车速下的侧向加速度最大值均很小,接近0.1m/s2,此时车辆的侧向附着力比较小,侧向稳定性较弱,所以车辆的转向能力受到很大的影响,导致轨迹跟踪效果差。当道路附着系数逐渐升高时,侧向加速度最大值也随之增大,车辆的侧向附着力逐渐增大,侧向稳定性逐渐增强,车辆的转向能力也会随之变好,所以随着道路附着系数的提升,路径跟踪误差最大值也会迅速下降,最低能降到接近0.5m,轨迹跟踪效果较好。
图11为自动驾驶车辆在多种车速下质心侧偏角最大值随道路附着系数的变化。
图12为自动驾驶车辆在全工况下质心侧偏角最大值波动三维图。
图13为自动驾驶车辆在多种车速下质心侧偏角标准差随道路附着系数的变化。当道路附着系数处在0.1至0.4之间时,车辆质心侧偏角被限制在(-2°,2°)的约束范围内;当道路附着系数处在0.5至0.9之间时,车辆质心侧偏角被限制在(-12°,12°)的约束范围内,汽车的行驶安全性有保障。
从图11、图12和图13可以看到,当道路附着系数处在0.1至0.4之间时,车辆质心侧偏角被限制在(-2°,2°)的约束范围内;当道路附着系数处在0.5至0.9之间时,车辆质心侧偏角被限制在(-12°,12°)的约束范围内,保障汽车行驶安全性。
图14为自动驾驶车辆在多种车速下前轮侧偏角最大值随道路附着系数的变化。
图15为自动驾驶车辆在全工况下前轮侧偏角最大值波动三维图。车辆以10m/s的车速行驶在道路附着系数大于0.3的路面上时,前轮侧偏角最大值低于3°,车轮的侧偏特性处于线性区域内;而车辆以15m/s的车速行驶在道路附着系数大于0.5的路面上时,前轮侧偏角最大值才低于3°,车轮的侧偏特性处于线性区域内。车速大于20m/s时,无论道路附着系数如何变化,前轮侧偏角最大值均高于3°,车轮的侧偏特性均处于非线性区域内。这说明车辆以大于20m/s的车速行驶经过50m、100m处的急弯时,车轮的侧偏特性处于非线性区域内,此时轮胎产生的侧向力逐渐趋于饱和,车辆的转向特性将会发生变化,从而导致侧滑等危险的发生。另外,当车轮的侧偏特性处于非线性区域时,驾驶员难以根据驾驶经验准确地操纵方向盘,控制车辆的行驶方向,极易发生交通事故。
从图14和图15可以看到,车辆以10m/s的车速行驶在道路附着系数大于0.3的路面上时,前轮侧偏角最大值低于3°,车轮侧偏特性处于线性区域内;而车辆以15m/s的车速行驶在道路附着系数大于0.5的路面上时,前轮侧偏角最大值才低于3°,车轮侧偏特性处于线性区域内。车速大于20m/s时,无论道路附着系数如何变化,前轮侧偏角最大值均高于3°,车轮侧偏特性均处于非线性区域内。这说明车辆以大于20m/s的车速行驶经过50m、100m处的急弯时,车轮侧偏特性处于非线性区域内,此时轮胎产生的侧向力逐渐趋于饱和,车辆转向特性将会发生变化,导致侧滑等危险的发生。另外,当车轮侧偏特性处于非线性区域时,难以控制车辆行驶方向,极易发生交通事故。
图16为自动驾驶车辆在多种车速下前轮侧偏角标准差随道路附着系数的变化图。车辆低速行驶在道路附着系数高的路面上时,前轮侧偏角的标准差则比较小,说明车辆在轨迹跟踪过程中,其前轮侧偏角相对其平均值的离散程度更小,车辆的行驶稳定性变化不大。为了保证车辆在轨迹跟踪的过程中既保证跟踪效果,又维持其行驶稳定性与安全性,有必要安装ESP等车辆稳定性系统。
图17为自动驾驶车辆全工况轨迹跟踪稳定区/失稳区域划分。为了获得良好的轨迹跟踪精度和行驶安全性,考虑车速和道路附着系数的匹配关系,将车辆的行驶工况分割成两块区域:稳定区和失稳区。车辆在稳定区工况行驶时,车辆具有良好的轨迹跟踪精度和行驶安全性;而车辆在失稳区工况行驶时,轨迹跟踪精度和行驶安全性会急剧恶化,这时就需要根据传感器检测到的路面信息及时调整车速的大小,重新回到稳定工况区行驶。
- 上一篇:石墨接头机器人自动装卡簧、装栓机
- 下一篇:面向多星多侦察目标的轨道机动优化方法