CN111897213A - 一种模型不确定下的汽车自适应巡航控制方法 - Google Patents

Abstract

本发明属于车辆控制技术领域，更具体地，涉及一种模型不确定下的汽车自适应巡航控制方法。提供用于自适应巡航控制的方法，所述方法通过自适应在线贝叶斯推理对车辆动力学进行建模，基于李雅普诺夫函数以控制当前车辆实现定速巡航，并基于车辆和前车的距离的信息和控制屏障函数来实时调节车辆的巡航速度以保证安全性。本发明能够根据当前的路面状况以及和前车的距离来自适应调整巡航速度，有利于保证巡航的安全性。

Description

一种模型不确定下的汽车自适应巡航控制方法

技术领域

本发明属于车辆控制技术领域，更具体地，涉及一种模型不确定下的汽车自适应巡航控制方法。

背景技术

随着时代的发展，汽车自动定速巡航系统在驾驶领域中发挥着重要作用。巡航设备可以通过车载传感器获取前车信息，如：距离、速度等。而后驾驶员可设置相应的期望巡航速度，自动巡航系统能够代替人长时间高效地执行任务，因此在无人驾驶领域得到广泛应用。但现实的环境可能存在路面梯度干扰，路面摩擦系数改变等情况，车辆难以获取精确的动力学模型，此外前方车辆可能存在急剧加速和减速行为。因此对于动作空间受限的汽车，在安全性极其关键的任务场景中，需要设计一个能通过车间信息来自适应调节车辆巡航速度以保证安全性的自适应控制器。

为达到上述的目标，现有技术中自主巡航的方法需要精确的车辆动力学模型，如专利2017111478472，提供的一种巡航控制方法、装置及系统，在建模过程中需要获取精确的车辆动力学模型，但是，在路面状况发生变化时，如路面存在起伏陡坡、路面摩擦系数改变时，车辆无法稳定到达期望的巡航速度，同时可能无法保证车辆的安全性，从而难以满足驾驶员的巡航需求。

发明内容

本发明为克服上述现有技术中的缺陷，提供一种模型不确定下的汽车自适应巡航控制方法，实现了车辆在动力学不确定环境下的稳定性工作和安全行驶。

为解决上述技术问题，本发明采用的技术方案是：一种模型不确定下的汽车自适应巡航控制方法，包括以下步骤：

S1.构建车辆非线性仿射系统模型，然后基于高斯过程，对车辆动力学模型存在的不确定性进行建模；

S2.基于车载传感器获取车辆间距离信息，以及本车的速度信息；

S3.基于本车的当前速度，构建控制李雅普诺夫函数并结合高斯过程预测的汽车模型不确定性，构建不等式约束的二次规划问题，求解得到最佳动作u_clf以控制车辆，让其速度快速渐进收敛到期望巡航速度，在高置信度下保证巡航速度的稳定性；

S4.基于期望的最小车间安全距离和车载传感器获得的车辆间距，构建控制屏障函数并结合高斯过程预测的模型不确定性，以构造安全约束，在高置信度下将机器人探索和动作空间约束在安全可行域内；构建不等式约束的二次规划问题，在最小校正下将步骤三得到的最佳动作u_clf修正至安全域动作集合内，并得到最佳动作u*；

S5.将车辆获得的动作u*应用于当前车辆的与环境的交互中；

S6.在线收集车辆与环境交互的状态和动作序列，更新高斯过程；

S7.重复步骤S1至步骤S6直至交互结束。

在本发明中，通过自适应在线贝叶斯推理对车辆动力学进行实时建模，基于控制李雅普诺夫函数和控制屏障函数构造带约束安全优化问题，实现车辆在动力学不确定环境下的稳定性工作和安全行驶。

在其中一个实施例中，所述的S1步骤中，车辆非线性仿射系统建模为：

其中f(s)+g(s)a代表对系统动力学、运动学建模所得的先验模型，d(s)代表模型与真实环境的偏差。

在其中一个实施例中，所述的S1步骤中，车辆动力学模型的具体形式为：

式中，p、v、a分别是汽车的位置、速度和加速度状态；F_r是空气动力学阻力；F_f是滚动摩擦系数；M是汽车的质量；g是重力加速度常数；Δθ是未建模的环境路面梯度等干扰；其中，F_r、F_f和Δθ是需要实时建模的汽车动力学不确定性参数。

在其中一个实施例中，在所述的S1步骤中，通过在线收集的数据集

其中s_t是t时刻车辆的状态，n为采集样本的数目；高斯过程回归通过贝叶斯推理得到状态s_*的下偏差d(s_*)的均值μ(s)和σ(s)；得到关于d(s)的高置信区间：D(s)＝{d|μ(s)-c_δσ(s)≤d≤μ(s)+c_δσ(s)}，其中μ(s)是偏差d(s)的均值，σ(s)是偏差d(s)的标准差，c_δ＞0是高斯分布中(1-δ)置信度对应的常数。

在其中一个实施例中，在所述的S3步骤中，构建控制李雅普诺夫函数并结合高斯过程预测的汽车模型不确定性，构建不等式约束的二次规划问题的具体公式为：

s.t.L_gV(s)u+L_fV(s)+L_μV(s)+c_σ|L_σV(s)|-κV(s)≤ε,

u_min≤u≤u_max,

式中，V(s)为能量函数，u为车辆动作，u_max,u_min则对应其上界与下界，对角矩阵H(s)代表每一维动作的权重，ε代表松弛变量而K_ε是对应的系数，c_σ为方项对应的系数，符号L代表李氏导数，κ为一个k类函数。

在其中一个实施例中，所述的S4步骤中，构建的不等式约束的二次规划问题的具体公式为：

s.t.-L_gh(s)u-L_fh(s)-L_μh(s)+c_σ|L_σh(s)|-κh(s)≤η,

u_min≤u≤u_max,

式中，h(s)为安全控制屏障函数，u是车辆动作，u_max和u_min则对应其上界与下界，对角矩阵P(s)代表每一维动作的权重，η代表松弛变量而K_η是对应的系数，c_σ为方项对应的系数，符号L代表李氏导数，κ是一个k类函数。

在其中一个实施例中，选取径向基函数核和线性核为高斯过程核函数，初始化相应高斯过程模型。

在其中一个实施例中，车辆初始化高斯模型有4个，分别对应车辆的位置、速度以及前车的位置、速度。

在其中一个实施例中，选取当前车辆和前方车辆的状态维度为模型输入，车辆和环境的实际交互误差为输出，通过在线收集数据集(s_t,a_t,s_t+1)，更新高斯过程模型。

与现有技术相比，有益效果是：本发明提供的一种模型不确定下的汽车自适应巡航控制方法，解决了非线性动力学模型车辆在状态、动作空间受限的自动定速巡航任务中，面对自身系统不确定性和外部环境不确定性存在巡航速度不稳定、行驶不安全的技术问题；通过高斯过程对车辆动力学的不确定性进行建模，基于控制李雅普诺夫和控制屏障函数构造带约束二次规划问题，实现基于车辆间(V2V)信息来适应性地调节动力学不精确的车辆巡航的速度的方法。本发明基于高斯过程通过在线收集交互数据及贝叶斯推理在高置信度下实现对环境的在线自适应，以建模系统动力学模型和环境交互的不确定性，并保证模型局部李普希兹连续；基于控制李雅普诺夫函数和高斯过程，在高置信度下保证定速巡航的稳定性；基于控制屏障函数和高斯过程，调节车辆速度在高置信度下将车辆动作空间约束在安全可行域内，且可将不安全域内的状态渐进收敛到安全域内，保证车辆在巡航过程中的安全性。。

附图说明

图1是本发明方法的整体流程示意图。

图2是本发明算法的流程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

实施例1：

如图1所示，本发明提供一种模型不确定下的汽车自适应巡航控制方法，包括以下步骤：

步骤1：本实例根据汽车动力学的先验知识和实际的任务场景，构建车辆仿射动力学系统模型，并设置一期望巡航速度v。根据任务场景选取期望巡航速度为平衡点，设计相应控制李雅普诺夫函数(CLF)：V(s_t)。根据需求定义车辆的安全状态空间：C＝{x|h(x)≥0}，如：与前车保持一定的安全距离和跟踪距离，设计相应的控制屏障函数(CBF)：h(s_t)。

步骤2：本实例中，选取径向基函数(RBF)核和线性核为高斯过程核函数，初始化相应高斯过程模型。车辆初始化高斯模型有4个，分别对应车辆的位置、速度以及前车的位置、速度。本发明选取当前车辆和前方车辆的状态维度为模型输入，车辆和环境的实际交互误差为输出，通过在线收集数据集(s_t,a_t,s_t+1)，更新高斯过程模型，如图2所示，实现对车辆动力学进行建模，得出交互不确定性的高斯分布。

步骤3：基于车载传感器得到本车的当前速度，并通过定义的CLF函数给车辆构造稳定约束，通过拉格朗日乘子法求解上述约束，得到控制量u_clf使车辆的速度渐近收敛到设定的期望巡航速度。

步骤4：基于期望的最小车间安全距离和车载传感器获得的车辆间距，通过定义的CBF函数给车辆构造安全约束，来实时修正控制量u_clf，在最小校正准则下将u_clf修正至安全域动作集合内，使车辆的状态空间维持在安全域，并得到最佳动作u*。

步骤5：将车辆获得的动作u*应用于当前车辆的与环境的交互中；

步骤6：重复步骤2至6，直至达到期望目标或最大实验设定时长。

在本实施例中，汽车自动巡航系统中，受控车辆能在路面环境和前车加减速引起的不确定性下，能通过本发明提出的算法实现对期望巡航速度的调节以保证安全性，让受控车辆与前车的间距保持在安全距离内。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种模型不确定下的汽车自适应巡航控制方法，其特征在于，包括以下步骤：

S1.构建车辆非线性仿射系统模型，然后基于高斯过程，对车辆动力学模型存在的不确定性进行建模；

S2.基于车载传感器获取车辆间距离信息，以及本车的速度信息；

S3.基于本车的当前速度，构建控制李雅普诺夫函数并结合高斯过程预测的汽车模型不确定性，构建不等式约束的二次规划问题，求解得到最佳动作u_clf以控制车辆，让其速度快速渐进收敛到期望巡航速度，在高置信度下保证巡航速度的稳定性；

S4.基于期望的最小车间安全距离和车载传感器获得的车辆间距，构建控制屏障函数并结合高斯过程预测的模型不确定性，以构造安全约束，在高置信度下将机器人探索和动作空间约束在安全可行域内；构建不等式约束的二次规划问题，在最小校正下将步骤三得到的最佳动作u_clf修正至安全域动作集合内，并得到最佳动作u*；

S5.将车辆获得的动作u*应用于当前车辆的与环境的交互中；

S6.在线收集车辆与环境交互的状态和动作序列，更新高斯过程；

S7.重复步骤S1至步骤S6直至交互结束。

2.根据权利要求1所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，所述的S1步骤中，车辆非线性仿射系统建模为：

其中f(s)+g(s)a代表对系统动力学、运动学建模所得的先验模型，d(s)代表模型与真实环境的偏差。

3.根据权利要求2所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，所述的S1步骤中，车辆动力学模型的具体形式为：

式中，p、v、a分别是汽车的位置、速度和加速度状态；F_r是空气动力学阻力；F_f是滚动摩擦系数；M是汽车的质量；g是重力加速度常数；Δθ是未建模的环境路面梯度等干扰；其中，F_r、F_f和Δθ是需要实时建模的汽车动力学不确定性参数。

4.根据权利要求3所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，在所述的S1步骤中，通过在线收集的数据集

其中s_t是t时刻车辆的状态，n为采集样本的数目；高斯过程回归通过贝叶斯推理得到状态s_*的下偏差d(s_*)的均值μ(s)和σ(s)；得到关于d(s)的高置信区间。

5.根据权利要求4所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，所述的关于d(s)的高置信区间为：

D(s)＝{d|μ(s)-c_δσ(s)≤d≤μ(s)+c_δσ(s)}；其中μ(s)是偏差d(s)的均值，σ(s)是偏差d(s)的标准差，c_δ＞0是高斯分布中(1-δ)置信度对应的常数。

6.根据权利要求4所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，在所述的S3步骤中，构建控制李雅普诺夫函数并结合高斯过程预测的汽车模型不确定性，构建不等式约束的二次规划问题的具体公式为：

s.t.L_gV(s)u+L_fV(s)+L_μV(s)+c_σ|L_σV(s)|-κV(s)≤ε,

u_min≤u≤u_max,

式中，V(s)为能量函数，u为车辆动作，u_max,u_min则对应其上界与下界，对角矩阵H(s)代表每一维动作的权重，ε代表松弛变量而K_ε是对应的系数，c_σ为方项对应的系数，符号L代表李氏导数，κ为一个k类函数。

7.根据权利要求6所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，所述的S4步骤中，构建的不等式约束的二次规划问题的具体公式为：

s.t.-L_gh(s)u-L_fh(s)-L_μh(s)+c_σ|L_σh(s)|-κh(s)≤η,

u_min≤u≤u_max,

式中，h(s)为安全控制屏障函数，u是车辆动作，u_max和u_min则对应其上界与下界，对角矩阵P(s)代表每一维动作的权重，η代表松弛变量而K_η是对应的系数，c_σ为方项对应的系数，符号L代表李氏导数，κ是一个k类函数。

8.根据权利要求7所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，选取径向基函数核和线性核为高斯过程核函数，初始化相应高斯过程模型。

9.根据权利要求8所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，车辆初始化高斯模型有4个，分别对应车辆的位置、速度以及前车的位置、速度。

10.根据权利要求9所述的模型不确定下的汽车自适应巡航控制方法，其特征在于，选取当前车辆和前方车辆的状态维度为模型输入，车辆和环境的实际交互误差为输出，通过在线收集数据集(s_t,a_t,s_t+1)，更新高斯过程模型。

Images