[go: up one dir, main page]

CN118605509B - 基于多级预测控制的无人驾驶车辆路径跟踪方法及系统 - Google Patents

基于多级预测控制的无人驾驶车辆路径跟踪方法及系统 Download PDF

Info

Publication number
CN118605509B
CN118605509B CN202410603484.2A CN202410603484A CN118605509B CN 118605509 B CN118605509 B CN 118605509B CN 202410603484 A CN202410603484 A CN 202410603484A CN 118605509 B CN118605509 B CN 118605509B
Authority
CN
China
Prior art keywords
center
lateral displacement
vehicle
unmanned vehicle
control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202410603484.2A
Other languages
English (en)
Other versions
CN118605509A (zh
Inventor
陈雪梅
刘聪
李健
陈誉文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Advanced Technology Research Institute of Beijing Institute of Technology
Original Assignee
Advanced Technology Research Institute of Beijing Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Advanced Technology Research Institute of Beijing Institute of Technology filed Critical Advanced Technology Research Institute of Beijing Institute of Technology
Priority to CN202410603484.2A priority Critical patent/CN118605509B/zh
Publication of CN118605509A publication Critical patent/CN118605509A/zh
Application granted granted Critical
Publication of CN118605509B publication Critical patent/CN118605509B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/40—Control within particular dimensions
    • G05D1/43—Control of position or course in two dimensions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/644—Optimisation of travel parameters, e.g. of energy consumption, journey time or distance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/60—Intended control result
    • G05D1/65—Following a desired speed profile
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D2105/00—Specific applications of the controlled vehicles
    • G05D2105/20—Specific applications of the controlled vehicles for transportation
    • G05D2105/22—Specific applications of the controlled vehicles for transportation of humans
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及无人驾驶车辆技术领域，提供了一种基于多级预测控制的无人驾驶车辆路径跟踪方法及系统。该方法包括，获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。

Description

基于多级预测控制的无人驾驶车辆路径跟踪方法及系统
技术领域
本发明涉及无人驾驶车辆技术领域，尤其涉及一种基于多级预测控制的无人驾驶车辆路径跟踪方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
目前，高速无人驾驶车辆轨迹跟踪控制技术采用模型预测控制(MPC)算法，它通过建立车辆模型，预测未来一段时间内的车辆状态，并优化控制输入以实现精确的轨迹跟踪。MPC考虑了车辆的动力学特性和约束条件，可以在高速工况下实现稳定可靠的无人驾驶轨迹跟踪。然后，模型预测控制算法通常需要解决一个优化问题，这涉及到大量的计算。在高速场景下，车辆需要实时处理大量的感知数据和动态环境信息，这使得MPC算法的计算负担加重。如果计算资源不足或算法优化不够，可能导致实时性受到影响，从而影响到轨迹跟踪的准确性和稳定性。此外，控制性能受到初始条件和参数设置的影响。如果初始条件不准确或参数设置不合理，可能导致算法的性能下降，甚至无法正确跟踪预定轨迹。对于不同的驾驶场景和任务需求，可能需要调整和优化算法参数，这增加了算法应用的复杂性和成本。
PID控制算法在无人驾驶车辆轨迹跟踪中虽然简单易行，但其缺点也限制了其应用范围和性能表现。PID控制器的性能在很大程度上取决于其比例、积分和微分三个控制参数的设定。然而，在无人驾驶车辆轨迹跟踪过程中，车辆状态、环境条件以及驾驶任务的需求都可能实时变化。固定的PID参数可能无法适应这些变化，导致控制效果不稳定或不佳。此外，PID控制算法主要关注当前误差的调整，而缺乏对未来状态的预测和规划能力。在无人驾驶车辆轨迹跟踪中，需要考虑到未来的道路状况、车辆动态以及其他交通参与者的行为等因素，而PID算法在这方面的能力有限。
综上所述，目前的技术无法实时自适应调整PID控制参数，导致目前的无人驾驶车辆高速行驶路径跟踪性能精度较低。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于多级预测控制的无人驾驶车辆路径跟踪方法及系统，本发明将PID控制算法与预测控制算法相结合，通过考虑车辆底盘运动特性以及未来时刻的行驶状态信息，达到实时自适应调整PID控制参数目的，提升了无人驾驶车辆高速行驶路径跟踪性能。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于多级预测控制的无人驾驶车辆路径跟踪方法。
基于多级预测控制的无人驾驶车辆路径跟踪方法，包括：
获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；
基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；
根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。
进一步地，所述车辆侧向位移模型为：
Y(k)＝f(X(k))+ε(k)；
式中，Y(k)＝[yc(k),yr(k),yf(k)]T表示为输出量矩阵，yc为质心侧向位移输出量，yr为后轴中心侧向位移输出量，yf为前轴中心侧向位移输出量，X＝[vx,vy,ψ,Y,Yr,Yf]T表示为状态量矩阵，vx表示为纵向速度，vy表示为横向速度，ψ表示为车辆航向角，Y为质心侧向位移状态量，Yr为后轴中心侧向位移状态量，Yf为前轴中心侧向位移状态量，f()表示关于X(k)的函数，ε()表示为观测噪声。
进一步地，无人驾驶车辆最优多级预测PID控制参数评价函数计算公式如下：
其中，表示为权重系数常量，J为评价函数、Np为预测时域、Nc为控制时域， 表示k+j时刻参考输出量函数，Fj(q-1)表示关于状态量的函数向量集，Gj＝Ej(q-1)表示j预测时域内状态偏差累计向量函数，eT表示状态误差函数，Ξ表示PID系数集。
进一步地，所述获取无人驾驶车辆的质心位置坐标信息的过程包括：采用车载GPS组合惯导系统获取无人驾驶车辆的质心位置坐标信息。
进一步地，获取所述前轴中心位置坐标信息的过程包括：根据无人驾驶车辆的质心位置坐标信息以及前轴中心到质心的距离，得到前轴中心位置坐标信息。
进一步地，获取所述后轴中心位置坐标信息的过程包括：根据无人驾驶车辆的质心位置坐标信息以及后轴中心到质心的距离，得到后轴中心位置坐标信息。
本发明的第二个方面提供一种基于多级预测控制的无人驾驶车辆路径跟踪系统。
基于多级预测控制的无人驾驶车辆路径跟踪系统，包括：
数据获取与偏离程度计算模块，其被配置为：获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；
PID控制模块，其被配置为：基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；
输出模块，其被配置为：根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。
本发明的第三个方面提供一种基于多级预测控制的无人驾驶车辆路径跟踪系统。
基于多级预测控制的无人驾驶车辆路径跟踪系统，包括：车载GPS组合惯导系统、路径跟踪控制器、路径规划系统和路径跟踪控制系统，
所述车载GPS组合惯导系统，用于获取无人驾驶车辆的质心位置坐标信息；
所述路径规划系统，用于提供参考行驶路径；
所述路径跟踪控制系统，用于根据无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；根据优化后的控制权重参数，得到车俩的期望前轮转角控制量；
路径跟踪控制器，用于根据车俩的期望前轮转角控制量，控制车辆驾驶。
本发明的第四个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的基于多级预测控制的无人驾驶车辆路径跟踪方法中的步骤。
本发明的第五个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的基于多级预测控制的无人驾驶车辆路径跟踪方法中的步骤。
与现有技术相比，本发明的有益效果是：
考虑到传统以质心为控制中心的无人驾驶车辆路径跟踪控制策略，在高速行驶紧急避障场景或是高速过弯场景下车辆路径跟踪性能变差，基于前轴中心位置横向偏差、质心位置横向偏差和后轴中心位置横向偏差，实现三者预测并进行协同控制，实现路径跟踪的目的，既保证控制的实时性，又保证了路径跟踪精度。
本发明将预测控制算法思想融入PID控制中，通过考虑车辆底盘运动特性以及未来时刻的行驶状态信息，达到实时自适应调整PID控制参数目的，提升控制的自适应性和鲁棒性。
本发明通过最优化求解方式，建立一种无人驾驶车辆多级预测PID控制算法，可保证无人驾驶车辆路径跟踪精度和横摆运动稳定性。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的基于多级预测控制的无人驾驶车辆路径跟踪方法的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种基于多级预测控制的无人驾驶车辆路径跟踪方法，包括：获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。
在得到车俩的期望前轮转角控制量后，返回数据获取与侧向偏离计算过程，实时开启路径跟踪控制器。
具体地，考虑到车身三个位置点姿态侧向位移信息和车辆航向角信息，建立了一种离散时间非线性车辆侧向位移模型为：
Y(k)＝f(X(k))+ε(k) (1)；
式中，Y(k)＝[yc(k),yr(k),yf(k)]T表示为输出量矩阵，yc为质心侧向位移输出量，yr为后轴中心侧向位移输出量，yf为前轴中心侧向位移输出量，X＝[vx,vy,ψ,Y,Yr,Yf]T表示为状态量矩阵，vx表示为纵向速度，vy表示为横向速度，ψ表示为车辆航向角，Y为质心侧向位移状态量，Yr为后轴中心侧向位移状态量，Yf为前轴中心侧向位移状态量，f()表示关于X(k)的函数，ε()表示为观测噪声。
基于增量式PID控制方式，构建控制量的数学表达形式为：
式中，kpc,kpf,kpr表示为比例增益矩阵，Tic,Tif,Tir表示为积分时间常数矩阵，Tdc,Tdf,Tdr表示为微分时间常数矩阵，Ts为采样周期，质心位置侧向位移偏差为ec(k)＝yc(k)-ycr(k)，前轴中心位置横向偏差为ef(k)＝yf(k)-yfr(k)，后轴中心位置横向偏差为er(k)＝yr(k)-yrr(k)，κc、κf、κr均为PID的权重参数。
则公式(2)可转换为：
式中，Δe(k)＝e(k)-e(k-1)，Δ2e(k)＝Δe(k)-Δe(k-1)。
定义：
式中，Ξp＝kp,Ξp为比例系数，Ξi为积分系数，Ξd为微分系数。
公式(4)可简化为：
κ(k)＝eT(k)Ξ(k)＝Ξp(k)Δe(k)+Ξi(k)e(k)+Ξd(k)Δ2e(k) (5)。
基于模型预测控制思想，所构建性能指标函数构造如下：
式中，yd为参考输出向量，表示为权重系数常量，J为评价函数，Np为预测时域，Nc为控制时域，Δκ为控制量。
为了得到y(k)在k时刻的第j步预测输出值，引入Diophantine方程，即：
l＝Ej(q-1)A(q-1)Δ+q-1Fj(q-1) (7)；
式中，
Ej(q-1)＝e0+e1q-1+…+ej-1q-(j-1)
其中，e0和ej-1为状态偏差量，fj,0为关于状态量的函数。
综上，构建多级预测控制器的性能指标函数如下：
式中， 表示k+j时刻参考输出量函数，Fj(q-1)表示关于状态量的函数向量集，Gj＝Ej(q-1)表示j预测时域内状态偏差累计向量函数，eT表示状态误差函数，Ξ表示PID系数集。
令在预测控制性能指标下，可得到无人驾驶车辆最优多级预测PID控制参数。
实施例二
本实施例提供了一种基于多级预测控制的无人驾驶车辆路径跟踪系统。
基于多级预测控制的无人驾驶车辆路径跟踪系统，包括：
数据获取与偏离程度计算模块，其被配置为：获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；
PID控制模块，其被配置为：基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；
输出模块，其被配置为：根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。
此处需要说明的是，上述数据获取与偏离程度计算模块、PID控制模块和输出模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例三
本实施例提供了一种基于多级预测控制的无人驾驶车辆路径跟踪系统。
基于多级预测控制的无人驾驶车辆路径跟踪系统，包括：车载GPS组合惯导系统、路径跟踪控制器、路径规划系统和路径跟踪控制系统，
所述车载GPS组合惯导系统，用于获取无人驾驶车辆的质心位置坐标信息；
所述路径规划系统，用于提供参考行驶路径；
所述路径跟踪控制系统，用于根据无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；根据优化后的控制权重参数，得到车俩的期望前轮转角控制量；
路径跟踪控制器，用于根据车俩的期望前轮转角控制量，控制车辆驾驶。
实施例四
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的基于多级预测控制的无人驾驶车辆路径跟踪方法中的步骤。
实施例五
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的基于多级预测控制的无人驾驶车辆路径跟踪方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.基于多级预测控制的无人驾驶车辆路径跟踪方法，其特征在于，包括：
获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；
所述车辆侧向位移模型为：
Y(k)＝f(X(k))+ε(k)；
式中，Y(k)＝[yc(k),yr(k),yf(k)]T表示为输出量矩阵，yc为质心侧向位移输出量，yr为后轴中心侧向位移输出量，yf为前轴中心侧向位移输出量，X＝[vx,vy,ψ,Y,Yr,Yf]T表示为状态量矩阵，vx表示为纵向速度，vy表示为横向速度，ψ表示为车辆航向角，Y为质心侧向位移状态量，Yr为后轴中心侧向位移状态量，Yf为前轴中心侧向位移状态量，f()表示关于X(k)的函数，ε()表示为观测噪声；
基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；
无人驾驶车辆最优多级预测PID控制参数评价函数计算公式如下：
其中，表示为权重系数常量，J为评价函数、Np为预测时域、Nc为控制时域，表示k+j时刻参考输出量函数，Fj(q-1)表示关于状态量的函数向量集，Gj＝Ej(q-1)表示j预测时域内状态偏差累计向量函数，eT表示状态误差函数，Ξ表示PID系数集；
根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。
2.根据权利要求1所述的基于多级预测控制的无人驾驶车辆路径跟踪方法，其特征在于，所述获取无人驾驶车辆的质心位置坐标信息的过程包括：采用车载GPS组合惯导系统获取无人驾驶车辆的质心位置坐标信息。
3.根据权利要求1所述的基于多级预测控制的无人驾驶车辆路径跟踪方法，其特征在于，获取所述前轴中心位置坐标信息的过程包括：根据无人驾驶车辆的质心位置坐标信息以及前轴中心到质心的距离，得到前轴中心位置坐标信息。
4.根据权利要求1所述的基于多级预测控制的无人驾驶车辆路径跟踪方法，其特征在于，获取所述后轴中心位置坐标信息的过程包括：根据无人驾驶车辆的质心位置坐标信息以及后轴中心到质心的距离，得到后轴中心位置坐标信息。
5.基于多级预测控制的无人驾驶车辆路径跟踪系统，其特征在于，包括：
数据获取与偏离程度计算模块，其被配置为：获取无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；
所述车辆侧向位移模型为：
Y(k)＝f(X(k))+ε(k)；
式中，Y(k)＝[yc(k),yr(k),yf(k)]T表示为输出量矩阵，yc为质心侧向位移输出量，yr为后轴中心侧向位移输出量，yf为前轴中心侧向位移输出量，X＝[vx,vy,ψ,Y,Yr,Yf]T表示为状态量矩阵，vx表示为纵向速度，vy表示为横向速度，ψ表示为车辆航向角，Y为质心侧向位移状态量，Yr为后轴中心侧向位移状态量，Yf为前轴中心侧向位移状态量，f()表示关于X(k)的函数，ε()表示为观测噪声；
PID控制模块，其被配置为：基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；
无人驾驶车辆最优多级预测PID控制参数评价函数计算公式如下：
其中，表示为权重系数常量，J为评价函数、Np为预测时域、Nc为控制时域，表示k+j时刻参考输出量函数，Fj(q-1)表示关于状态量的函数向量集，Gj＝Ej(q-1)表示j预测时域内状态偏差累计向量函数，eT表示状态误差函数，Ξ表示PID系数集；
输出模块，其被配置为：根据优化后的控制权重参数，得到车俩的期望前轮转角控制量。
6.基于多级预测控制的无人驾驶车辆路径跟踪系统，其特征在于，包括：车载GPS组合惯导系统、路径跟踪控制器、路径规划系统和路径跟踪控制系统，
所述车载GPS组合惯导系统，用于获取无人驾驶车辆的质心位置坐标信息；
所述路径规划系统，用于提供参考行驶路径；
所述路径跟踪控制系统，用于根据无人驾驶车辆的质心位置坐标信息、前轴中心位置坐标信息、后轴中心位置坐标信息以及参考行驶路径，采用车辆侧向位移模型，确定前轴中心位置、质心位置以及后轴中心位置与参考行驶路径投影点之间的侧向偏离程度；基于侧向偏离程度，采用PID控制策略，进行最优化求解，实时优化PID各层的控制权重参数；根据优化后的控制权重参数，得到车俩的期望前轮转角控制量；
所述车辆侧向位移模型为：
Y(k)＝f(X(k))+ε(k)；
式中，Y(k)＝[yc(k),yr(k),yf(k)]T表示为输出量矩阵，yc为质心侧向位移输出量，yr为后轴中心侧向位移输出量，yf为前轴中心侧向位移输出量，X＝[vx,vy,ψ,Y,Yr,Yf]T表示为状态量矩阵，vx表示为纵向速度，vy表示为横向速度，ψ表示为车辆航向角，Y为质心侧向位移状态量，Yr为后轴中心侧向位移状态量，Yf为前轴中心侧向位移状态量，f()表示关于X(k)的函数，ε()表示为观测噪声；
无人驾驶车辆最优多级预测PID控制参数评价函数计算公式如下：
其中，表示为权重系数常量，J为评价函数、Np为预测时域、Nc为控制时域，表示k+j时刻参考输出量函数，Fj(q-1)表示关于状态量的函数向量集，Gj＝Ej(q-1)表示j预测时域内状态偏差累计向量函数，eT表示状态误差函数，Ξ表示PID系数集；
路径跟踪控制器，用于根据车俩的期望前轮转角控制量，控制车辆驾驶。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于多级预测控制的无人驾驶车辆路径跟踪方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于多级预测控制的无人驾驶车辆路径跟踪方法中的步骤。
CN202410603484.2A 2024-05-15 2024-05-15 基于多级预测控制的无人驾驶车辆路径跟踪方法及系统 Active CN118605509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410603484.2A CN118605509B (zh) 2024-05-15 2024-05-15 基于多级预测控制的无人驾驶车辆路径跟踪方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410603484.2A CN118605509B (zh) 2024-05-15 2024-05-15 基于多级预测控制的无人驾驶车辆路径跟踪方法及系统

Publications (2)

Publication Number Publication Date
CN118605509A CN118605509A (zh) 2024-09-06
CN118605509B true CN118605509B (zh) 2025-03-25

Family

ID=92565843

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410603484.2A Active CN118605509B (zh) 2024-05-15 2024-05-15 基于多级预测控制的无人驾驶车辆路径跟踪方法及系统

Country Status (1)

Country Link
CN (1) CN118605509B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977933A (zh) * 2015-07-01 2015-10-14 吉林大学 一种自主驾驶车辆的区域型路径跟踪控制方法
CN115981310A (zh) * 2022-12-06 2023-04-18 重庆大学 一种自动驾驶汽车的路径跟踪控制方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6643576B1 (en) * 2000-11-15 2003-11-04 Integrinautics Corporation Rapid adjustment of trajectories for land vehicles
CN112068445B (zh) * 2020-09-23 2021-05-25 北京理工大学 自动驾驶车辆路径规划与路径跟踪集成控制方法及系统
CN114348026B (zh) * 2022-01-30 2023-11-28 中国第一汽车股份有限公司 一种车辆控制方法、装置、设备以及存储介质
CN116560371A (zh) * 2023-05-25 2023-08-08 上海工程技术大学 基于自适应模型预测控制的自动驾驶车辆路径跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977933A (zh) * 2015-07-01 2015-10-14 吉林大学 一种自主驾驶车辆的区域型路径跟踪控制方法
CN115981310A (zh) * 2022-12-06 2023-04-18 重庆大学 一种自动驾驶汽车的路径跟踪控制方法

Also Published As

Publication number Publication date
CN118605509A (zh) 2024-09-06

Similar Documents

Publication Publication Date Title
Xu et al. Preview path tracking control with delay compensation for autonomous vehicles
WO2022095814A1 (zh) 自动倒车控制方法、装置、车辆和存储介质
KR102310274B1 (ko) 차량의 궤도를 제어하는 장치
CN114945885A (zh) 自主或半自主车辆的自适应控制
CN116457259A (zh) 车辆驾驶控制方法、装置、车辆及存储介质
CN111123701B (zh) 基于管道预测模型的自动驾驶路径跟踪抗干扰控制方法
CN114502450B (zh) 机动车辆横向和纵向引导中的死区时间补偿技术
CN112158196B (zh) 自动泊车方法及装置
JP7302693B1 (ja) 運転制御装置、運転制御方法及びプログラム
CN113665587A (zh) 自动驾驶车辆的横向控制方法、设备、存储介质及装置
CN110626340A (zh) 基于灰狼算法的智能汽车路径跟踪控制系统及方法
CN115167424B (zh) 一种智能农机的路径跟踪控制方法
Hu et al. Robust tube-based model predictive control for autonomous vehicle path tracking
CN118605509B (zh) 基于多级预测控制的无人驾驶车辆路径跟踪方法及系统
Choi et al. Optimizing look-ahead distance for vehicle lateral control: A controller-adaptive approach
Raffone et al. Optimal look-ahead vehicle lane centering control design and application for mid-high speed and curved roads
CN117048593A (zh) 车辆横向控制方法、装置、计算机设备及存储介质
CN115892208A (zh) 一种车辆终端、车辆转弯控制方法及装置
CN115871720A (zh) 车辆的控制方法、装置、存储介质和车辆
CN211107381U (zh) 基于灰狼算法的智能汽车路径跟踪控制系统
Latif et al. Evaluation of autonomous navigational accuracy for different reference points in purepursuit algorithm for center-steered articulated vehicles
EP4277823A1 (en) Method and system for an autonomous motion control and motion planning of a vehicle
Salmon Guidance of an off-road tractor-trailer system using model predictive control
Szͩcs et al. Experimental verification of a control system for autonomous navigation
Mahmoud et al. PID Control by Safe Reinforcement Learning for Vehicle Lateral Control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant