用于控制自动驾驶或部分自动驾驶的陆地车辆的设备的制造方法
【技术领域】
[0001] 本发明设及控制设备，更具体地，本发明设及一种用于控制自动驾驶或部分自动 驾驶的陆地车辆的设备。
【背景技术】
[0002] 自动驾驶或部分自动驾驶的车辆的实现是复杂的，取决于人类驾驶者参与的水 平。要求包括支持车道保持和警告系统、自适应巡航控制、备用警报W及停车辅助设备。高 级驾驶者辅助系统（ADAS)、光检测和测距化IDAR)、W及实时车辆对车辆通信中的专用短 距离通信值SRC)仅仅是正在开发的已知技术中的一些。运些技术被设计为使得汽车能够 实时地根据图像计算任何情况的=维几何结构，并且对它们的周围的事物做出反应。ADAS 例如使用与执行器、控制单元和集成软件组合的高级传感器（诸如立体照相机W及长距离 和短距离RADAR)的组合。
[0003] 迄今为止，可用传感器和人工智能的融合尚不能像人类那样能够准确地"查看"和 理解车辆周围的事物。人工智能不能提供该水平的推理思考，它也不能实时地与环境进行 沟通。理解的是，运些传感器和连接技术的结合将增加可供用于进行决策的输入，并且减少 对于更复杂的人工智能的需要。
[0004] 模型预测控制（MPC)是在车辆自主驾驶情况下被认为是极富吸引力的基于优化 的控制策略。例如，关于MPC解决方案，APACC使用包括传感器、驾驶者行为和交通数据的 数据W及模型预测控制器来提高燃料经济性。 阳0化]安全的自动驾驶车辆已经被构建。GoogleW及传统的汽车制造商和供应商已经使 用基于传感器的解决方案开发了自动驾驶功能，并且在流水线（pipeline)中具有许多新 的应用。同时，若干个组织（包括汽车和高科技公司W及USD0T) -直集中于使用连接车辆 通信技术进行防撞和交通管理的可能性。
[0006] 实现真正自主的车辆需要将基于传感器的技术和由高级控制方案所支持的连接 车辆通信结合起来。然而，在过去5年左右，在高级控制方案之中，只有线性模型预测控制 (MPC)已经被用在车辆自主驾驶中。所有MPC技术背后的基本构思都依赖于对装置（plant) 模型的预测来通过最小化目标函数计算最佳的未来的控制序列。MPC模型包括受控变量、被 操纵变量W及干扰（扰动）变量。在每个采样时刻，基于新的测量数据来执行优化，并且应 用序列的第一个控制输入。序列的其余部分被舍弃，并且在下一个采样时刻滚动时域" 的方式重复所述处理。
[0007] 虽然MPC起源于化学加工工业，但是对于将它应用于车辆自主驾驶（包括支持车 道保持和警告系统、自适应巡航控制、备份警报W及停车辅助设备）的兴趣增加。本质上， MPC的应用通过下述方式建立于燃料和时间最佳速度规划的构思之上，即，引入机载优化、 提供用于提高自主性和重新配置的自然框架、同时考虑到物理约束和操作约束（诸如有限 控制权限、被动安全性和防撞）。此外，其它改进是可能的，诸如否则不会被知道的行程规 划。
[000引广义预测控制（GPC)及其衍生物受到了特殊关注。特别是，GPC被w直截了当的 方式应用于不稳定的或时间延迟的MIM0系统的能力W及对于静态模型的低计算需求使得 它对于许多不同种类的任务是有用的。系统表现意外、人为因素、故障和环境是对非线性装 置动力学做出贡献的所有因素。MPC的缺点是该方法限于线性模型。如果非线性动力学存 在于装置中，则线性模型可能不能得到足W使MPC技术充分作用的预测。
[0009] 两种最一般的闭环识别方法是直接方法和间接方法。直接方法忽略反馈的存在， 并且直接识别逐个装置的输入和输出数据。运具有不需要了解控制反馈的类型或者甚至控 制器的线性关系的优点。间接方法识别闭环，并且如果可能的话，通过去卷积来获得开环模 型。只有当控制器是已知的并且闭环装置模型和控制器都是线性的时，获得开环模型才是 可能的。
[0010] 多变量多输入多输出（MIM0)系统的控制是实际的车辆对车辆W及从车辆到基础 设施通信中的常见问题。连接车辆系统使用无线技术来进行实时通信。大多数现有的方法 仅处理驾驶者行为和环境中的不确定性，假定执行器的精确模型是可用的。因为由于诸如 机械部分和电部分而导致的输入故障等，执行器参数也可能具有不确定性，所W该假定在 实践中很少被满足。在执行器不确定性情况下的自适应控制没有被考虑，即使该不确定性 导致控制器性能显著劣化。
【发明内容】
1] 本发明旨在减轻W上提及的问题。
[0012] 因此，在本发明的一个非限制性实施例中，提供一种用于控制自动驾驶或部分自 动驾驶的陆地车辆的设备，该设备包括粗调组件和细调组件，
[0013] 粗调组件包括：
[0014] a.传感器接口，其测量包括速度和刹车的运动学参数；
[0015] b.对车辆的向导、导航和控制进行建模的模糊描述，所述模糊描述包括：
[0016] (i)驾驶者行为和驾驶动力学；
[0017] (ii)由于环境（包括天气、道路状况和交通）而导致的不确定性；W及
[0018] (iii)包括机械部分和电部分的输入故障；
[0019]C.用于非线性MIM0系统的、具有包括模糊、推理和输出处理的子系统的自适应模 糊逻辑控制器，该自适应模糊逻辑控制器包括降型和去模糊化两者，并且提供结果所得的 闭环系统的稳定性，该自适应模糊逻辑控制器包括：
[0020] a)推理引擎，其使用规则库来识别关系，并且将所述关系作为"模糊集"输出到降 型器；化及
[0021] (ii)将包括力矩执行器的控制需求输出到使信号"模糊化"的模糊化器，
[0022] 并且细调组件包括：
[0023] a.来自粗调组件的输入；
[0024]b.预知时域，其确定目标函数对最小化考虑多少个未来的采样W及计算的控制序 列的长度；
[0025]C.提供"细"调参数的在每个时间步骤从自适应模糊逻辑控制器提取的线性化 MIM0回归模型；W及
[00%]d.非线性动态线性化回归控制器，其提供：
[0027] (i)馈送到APACC合成中的明确的输出信号，所述APACC合成计算最佳的未来的车 辆向导、导航和控制序列；W及
[0028] (ii)馈送到APACC线性逻辑系统中的缩减集输出和APACC合成。
[0029] 所述设备可W是如下的一种设备，该设备包括对输出信号优化输入信号的同步组 件，并且包括预测车辆的未来的稳定性输出参数的级联丢番图频率合成值F巧装置。
[0030] 使用神经网络来进行系统识别是像模糊逻辑一样相对新颖的方法。
[0031] 本发明的设备可W被认为是使用自适应（模型）认知控制（APACC)来提供人工预 知（AP)。APACC改进了模型预测控制（MPC)。通过使用非常复杂的算法，APACC提供显著水 平的推理思考和实时通信。在融合可用传感器的情况下，APACC提供"认知"车辆周围的事 物、给予对外部环境的真实的"感知"的能力。通过在某种程度上朝着模仿人类在事件发生 时使用存储的记忆和感官输入的组合来裂解运些事件并且预计（认知）可能的情况，运远 远超出到目前为止可能达到的能力。
【附图说明】
[0032] 现在参照附图仅W举例的方式来描述本发明