一种分布式驱动无人驾驶车辆路径跟踪容错控制方法与流程

本发明属于无人汽车研究领域，具体涉及一种分布式驱动无人驾驶车辆路径跟踪容错控制方法。

背景技术：

随着控制技术的日益成熟和驾驶员对安全性、机动性和乘坐舒适性要求的不断提高，车辆的智能化研究受到了广泛的关注。分布式驱动电动汽车的轮毂电机具有精确、快速的转矩响应能力，这一优势为车辆的动态控制提供了更多的自由度，有利于地面无人车辆的智能化行驶和稳定性控制。无人车辆的终极发展目标是实现完全的无人驾驶，在路径跟踪过程中，车辆的执行器有可能出现未知的故障，一旦执行器故障或失效，这种未知的故障极有可能导致路径跟踪出现严重的偏差以及车辆自身稳定性的降低，整个控制系统的控制性能可能降低甚至失效，甚至会促发严重的道路安全问题。例如，如果车辆的转向系统发生故障，将影响车辆的转向运动，甚至使车辆失去转向能力。此时，车辆不能按照控制器给出的指令来进行转向操纵并跟踪理想路径。高度智能化的无人车辆应该具有处理突发执行器故障的能力，并且当故障发生时同时确保路径跟踪控制的有效性和车辆的稳定性。因此，研究无人车路径跟踪容错控制方法是非常必要和有意义的。

技术实现要素：

本发明旨在至少在一定程度上解决上述技术问题之一。

为此，本发明提出一种分布式驱动无人驾驶车辆路径跟踪容错控制方法，本发明针对分布式驱动无人驾驶车辆路径跟踪过程中可能出现的执行器故障问题，提出了一种分布式驱动无人车路径跟踪容错控制方法。本发明中首先对分布式驱动无人车二自由度动力学模型、路径跟踪模型以及未知故障输入进行了数学建模。然后设计了车辆状态估计方法和未知故障输入估计方法，从而为分布式驱动无人车路径跟踪容错控制提供信息输入，接下来设计了整车路径跟踪容错控制方法，可以在执行器故障时实现车辆路径跟踪与车辆稳定性控制目标，最后设计了轮胎力优化分配方法，用于实时分配四个轮胎的纵向轮胎力。

本发明的技术方案是：

一种分布式驱动无人驾驶车辆路径跟踪容错控制方法，包括以下步骤：

分布式驱动无人车建模：包括二自由度车辆动力学建模、路径跟踪建模以及未知故障输入建模；

车辆状态估计：应用滑模观测器的方法设计车辆状态观测器，估计得到车辆状态；

未知故障输入估计：根据估计所得的车辆状态，估计出未知故障输入；

整车路径跟踪容错控制：根据估计得到的未知故障输入作为容错控制器的输入量得到整车路径跟踪容错控制率；

轮胎力优化分配：根据整车路径跟踪容错控制率得到轮胎力优化分配的目标函数，进行轮胎力优化分配。

上述方案中，所述二自由度车辆动力学建模的车辆横向和横摆动力学方程分别表示为：

式中，vx为纵向车速，vy为侧向车速，γ为横摆角速度，m为汽车质量，iz为绕z轴的转动惯量，fyf和fyr分别为前后横向轮胎力，lf为质心距前轴的距离，lr为质心距后轴的距离，mz为由四个轮胎纵向力所产生的车辆横摆力矩：

式中，δf为前轮转角，bs为前后轴的半轮距，fxi为第i个轮胎的纵向力，横向轮胎力表示为：

式中，cf为前轮胎侧偏刚度，cr为后轮胎侧偏刚度，αf为前轮胎侧偏角，αr为后轮胎侧偏角，轮胎侧偏角表示为：

由公式一和公式二得：

其中β为车辆质心侧偏角，且满足β＝arctan(vy/vx)。

上述方案中，所述路径跟踪建模，采用实际车辆与理想路径之间的横向偏差与航向偏差来表征路径跟踪效果，所建立的车辆路径跟踪模型中的航向偏差及其微分方程表示为：

式中，ψ为航向偏差，ψh为实际的车辆航向角，ψd为期望的车辆航向角；ψh和ψd表示为：

式中，ρ为期望路径的曲率半径；

路径跟踪横向偏差方程为：

公式十简化为：

上述方案中，所述未知故障输入建模具体为：

路径跟踪容错控制的状态空间方程表示为：

式中，状态向量为x＝[βγψe]^t，测量输入为y＝[γψe]^t，控制输入为u＝[δfmz]^t，输入矩阵为测量矩阵为c＝[03×1i3×3]，状态转移函数为f(x,t)＝[f1f2]^t，其中状态转移函数的两个子系统分别为g(t)为未知故障输入，令

上述方案中，所述车辆状态估计具体为：

所述车辆状态观测器表示为：

式中，h为观测器增益，λ为观测器切换项；

所述将观测器切换项设计为：

式中，代表输出误差，ξ1代表车辆状态观测器边界层的厚度，μ代表切换项的增益矩阵；

通过开关增益矩阵的迭代方法，根据未知故障输入的动态变化，实时调整开关增益矩阵，所述迭代方法为：

μi,k+1(t)＝μi,k(t)+ki||eyi,k(t)|-ξ0|×sgn{(|eyi,k(t)|-ξ0)×(|eyi,k-1(t)|-ξ0)}公式十五

其中i＝1,2,3，μ＝[μ1μ2μ3]^t，μi,k+1(t)为μ第k+1个取值，μi,k(t)为μ第k个取值，ki为对应的μi的增益矩阵，且其作用为调整迭代算法的收敛速度；向量μ中的μ1，μ2，μ3分别对应着车辆横摆角速度，航向偏差和横向偏差。

上述方案中，所述未知故障输入估计中的未知故障输入的估计方程表示：

式中，t为时间步长。

上述方案中，所述整车路径跟踪容错控制具体为：

根据估计得到的未知故障输入作为容错控制器的输入量得到整车路径跟踪容错控制率；

解耦公式十二中的路径跟踪容错控制状态空间方程可得：

式中，x1＝[βγ]^t，x2＝[ψe]^t，在车辆路径跟踪模型中，整个车辆看作一个移动的点，从而可得b2＝0，g2(t)＝0；

滑模面s为：

s＝(x1-x1r)+k(x2-x2r)公式十八

式中k为控制矩阵，x1r、x2r分别代表和x1、x2相对应的理想车辆状态，且x1r＝[0γd]^t，x2r＝0，γd为理想横摆角速度；

整车路径跟踪容错控制器的控制率为：

式中，u1为常规控制项，u2为切换控制项；

u1表示为：

u2表示为：

式中，ξ2代表整车路径跟踪容错控制器边界层的厚度，τ整车路径跟踪容错控制器的切换控制增益且ε为大于0的常数。

上述方案中，所述轮胎力优化分配的目标函数定义为：

式中，j1为目标函数纵向分配项，j2为目标函数横向分配项，fx＝[fx1fx2fx3fx4]^t为轮胎纵向力，矩阵w＝diag[w1w2w3w4]为控制分配矩阵，kf(0＜kf＜1)为权重系数；由得公式二十二中目标函数的最优解为：

控制分配分配矩阵w＝diag[w1w2w3w4]中的参数取值为

上述方案中，对未知故障输入进行等级评价，选取跟未知故障输入估计时同样的时间步长t，计算未知故障输入的均值gm和均方差gv作为等级评价的依据；

设数据点为n，对于即时，均值计算方法为对从0开始到当前时刻的所有数据点求平均值，即为相应的均方差计算方法为

当时，均值计算方法为对从当前时刻数据点开始到该数据点之前的个数据点求平均值，即为相应的均方差计算方法为

上述方案中，选取未知故障输入等级评价的阈值；

当未知故障输入估计结果的均值gm小于阈值时，此时权重系数取值为：

式中，kf0为一常数，使得kf在0到1之间；为质心侧偏角估计结果的绝对值，||gm||为未知故障输入估计均值的范数；

当未知故障输入估计结果的均值gm大于阈值时，此时权重系数取值为：

式中，||gv||为未知故障输入估计均方差的范数。

与现有技术相比，本发明的有益效果是：

1、无人车会朝着高度自主化、智能化的方向发展，在路径跟踪过程中，可能出现的执行器故障会影响到无人车控制系统的正常运行。本发明考虑到这一因素，提出了一种分布式驱动无人驾驶车辆路径跟踪容错控制方法，首先对分布式驱动无人车二自由度动力学模型、路径跟踪模型以及未知故障输入进行了数学建模。然后设计了车辆状态估计方法和未知故障输入估计方法，从而为分布式驱动无人车路径跟踪容错控制提供信息输入，接下来设计了整车路径跟踪容错控制方法，可以在执行器故障时实现车辆路径跟踪与车辆稳定性控制目标，最后设计了轮胎力优化分配方法，用于实时分配四个轮胎的纵向轮胎力，本方法可以帮助无人车在执行器故障时，实现路径跟踪控制，同时保证车辆的横摆稳定性。

2、本发明中基于滑模观测器设计了无人车状态估计方法，可以替代无人车部分传感器的功能，降低无人车成本。

3、本发明中在轮胎力优化分配时，利用未知故障输入的估计结果进行了故障评价，有助于进一步提升控制系统的自适应能力，使其在实际应用中能更好地适应与处理实际行驶工况中可能出现的故障问题。

4、本发明设计了未知故障的等级评价机制，故障均方差的设定有助于提高故障估计的可靠性与稳定性，避免了单个数据点波动导致控制失常的现象；故障阈值的设定有助于提高权重系统对故障的敏感性，从而保证轮胎力优化分配的效果。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是分布式驱动无人车路径跟踪容错控制方法流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“轴向”、“径向”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面首先结合附图具体描述根据本发明实施例的分布式驱动无人车路径跟踪容错控制方法。

图1所示为本发明所述分布式驱动无人驾驶车辆路径跟踪容错控制方法的一种实施方式，所述分布式驱动无人驾驶车辆路径跟踪容错控制方法包括如下步骤：

分布式驱动无人车建模：包括二自由度车辆动力学建模、路径跟踪建模以及未知故障输入建模。

二自由度车辆动力学建模。将动态坐标系xyz的原点固定在车辆上并与车辆重心重合，x轴与车辆的纵向行驶方向重合，y轴与车辆的横向运动方向重合，z轴与车辆的纵向行驶方向重合。车辆横向和横摆动力学方程可以分别表示为：

式中，vx为纵向车速，vy为侧向车速，γ为横摆角速度，m为汽车质量，iz为绕z轴的转动惯量，fyf和fyr分别为前后横向轮胎力，lf为质心距前轴的距离，lr为质心距后轴的距离，mz为由四个轮胎纵向力所产生的车辆横摆力矩

式中，δf为前轮转角，bs为前后轴的半轮距，fxi(i＝1,2,3,4)为第i个轮胎的纵向力。横向轮胎力可表示为：

式中，cf和cr分别为前后轮胎侧偏刚度，αf和αr为前后轮胎侧偏角。轮胎侧偏角可表示为

然后由公式一和公式二可得：

路径跟踪建模。车辆路径跟踪模型中采用实际车辆与理想路径之间的横向偏差与航向偏差来表征路径跟踪效果，所建立的车辆路径跟踪模型中的航向偏差及其微分方程可表示为

式中，ψ为航向偏差，ψh为实际的车辆航向角，ψd为期望的车辆航向角。ψh和ψd可表示为

式中，ρ为期望路径的曲率半径。路径跟踪横向偏差方程为：

考虑到航向偏差角度相对来说较小，则公式十二可简化为：

未知故障输入建模。令联立公式六、公式七、公式八和公式十，同时考虑到可能出现的执行器故障，路径跟踪容错控制的状态空间方程可表示为：

式中，状态向量为x＝[βγψe]^t，测量输入为y＝[γψe]^t，控制输入为u＝[δfmz]^t，输入矩阵为测量矩阵为c＝[03×1i3×3]，状态转移函数为f(x,t)＝[f1f2]^t，其中状态转移函数的两个子系统分别为g(t)为未知故障输入。未知故障输入中包含系统干扰、未建模扰动和执行器故障。即使执行器未出现故障时，系统干扰和未建模扰动也会影响路径跟踪控制器的效果，因此系统干扰和未建模扰动不可忽视。当执行器发生故障时，这三个因素会一起影响路径跟踪控制的效果，因此，此时它们一起被视为路径跟踪容错控制状态空间方程的未知故障输入。应当注意的是，在执行器故障建模时，执行器故障没有具体指派给某个局部的子执行器，而是整个车辆动力学系统在公式十二中被视为一个执行器。当车辆动力学系统的某一部分发生故障时，未知故障输入实际上表示执行器故障(也包括系统干扰和未建模扰动)对路径跟踪控制系统影响。为了消除这种影响，路径跟踪容错控制方法的设计目标是即使在执行器发生故障时，也能同时保证路径跟踪精度和车辆稳定性。分布式驱动无人车建模是一下面所有估计方法与控制方法的基础。

车辆状态估计方法设计。

对于公式十二中的车辆路径跟踪系统，为了设计路径跟踪容错控制器，首先需要对未知故障输入进行估计。由于车辆质心侧偏角的直接测量难度较大、测量成本较高，并且公式十二中的状态量中的横摆角速度、航向误差、横向偏移等测量值也受到测量噪声的影响，因此在进行未知输入故障估计之前，应用滑模观测器方法设计了一种车辆状态观测器，可以表示为：

式中，h为观测器增益，λ为观测器切换项。由于观测器切换项的存在，观测器的估计结果中不可避免地会存在抖振现象。为了削弱这种高频抖振现象，在滑动模态附近引入边界层，并将观测器切换项设计为：

式中，代表输出误差，ξ1代表车辆状态观测器边界层的厚度，μ代表切换项的增益矩阵。

在路径跟踪控制中，由于执行器故障和系统干扰是不可预知的，且其上限值也是动态变化的。因此，在设计μ的时候，为了避免可能出现的误差，应该选取一个相对较大的μ。但是，如果选取的μ太大的话，将有可能导致估计结果的扰动和不稳定。为了解决这一问题，提出了一种开关增益矩阵的迭代方法，该方法根据未知故障输入的动态变化，实时调整开关增益矩阵，从而保证即使在执行器失效时，车辆状态观测器也能实现较好的估计性能。这一迭代方法为：

μi,k+1(t)＝μi,k(t)+ki||eyi,k(t)|-ξ0|×sgn{(|eyi,k(t)|-ξ0)×(|eyi,k-1(t)|-ξ0)}公式十五

其中i＝1,2,3，μ＝[μ1μ2μ3]^t，μi,k+1(t)为μ第k+1个取值，μi,k(t)为μ第k个取值，ki为对应的μi的增益矩阵且其作用为调整迭代算法的收敛速度。需要表明的是向量μi中的μ1，μ2，μ3分别对应着车辆横摆角速度，航向偏差和横向偏差。根据公式十五可以发现，如果车辆状态观测器不在滑模边界，则开关项的增益矩阵将会被调节为较大的量，此时符号函数的计算结果为1。当车辆状态观测器到达了滑模边界时，符号函数的计算结果为-1，开关项的增益矩阵将会减小。

未知故障输入估计方法设计。

当无人车执行器发生故障时，故障和系统干扰被认为是车辆路径跟踪系统的未知故障输入。采用步骤s2中估计所得的车辆状态，可以进一步估计出未知故障输入，然后用于估计到的未知故障输入作为容错控制器的输入量。优选的，选择时间步长t为0.01秒，并将其设定为是车辆路径跟踪系统的迭代周期，则未知故障输入的估计方程可表示：

式中，t为时间步长。应该注意的是，在车辆实际的智能化行驶或者路径跟踪过程中，无论是轮毂电机、车辆转向系统，还是其他执行机构的某些不可预知的部件，都有发生故障的可能性，因此很难及时判断执行机构的哪一部分发生了故障。公式十六中所提出的未知故障输入的估计方法可以评估未知故障和干扰对控制系统造成的损害，而不需要知道具体的故障发生在哪里。也就是说，所估计的未知故障输入本质上并不是故障本身的大小，而是故障在控制层面上给路径跟踪容错系统带来的干扰水平。这种估计思想更符合无人车实际应用情况，有助于提高本发明所设计的容错控制方法的适用范围。

整车路径跟踪容错控制方法设计。

在车辆智能化行驶和路径跟踪控制过程中，执行器的突然故障将导致车辆稳定性和路径跟踪控制性能的不准确甚至严重偏差。因此，路径跟踪控制器应该是容错或对故障不敏感的，它能够在受执行器故障和一些未知干扰影响的同时保证车辆的稳定性和路径跟踪精度。解耦公式十二中的路径跟踪容错控制状态空间方程可得：

式中，x1＝[βγ]^t，x2＝[ψe]^t。在车辆路径跟踪模型中，可以看到整个车辆实际上被看作一个移动的点，从而可得b2＝0，g2(t)＝0。滑模面s为：

s＝(x1-x1r)+k(x2-x2r)公式十八

式中k为控制矩阵，x1r、x2r分别代表和x1、x2相对应的理想车辆状态，且x1r＝[0γd]^t，x2r＝0，γd为理想横摆角速度。

整车路径跟踪容错控制器的控制率被设计为：

式中，u1为常规控制项，u2为切换控制项。u1可以表示为：

在设计u2的过程中，考虑到切换项可能带来的控制不稳定现象，可将u2设计为：

式中，ξ1代表整车路径跟踪容错控制器边界层的厚度，τ代表整车路径跟踪容错控制器的切换控制增益且ε为大于0的常数。

轮胎力优化分配方法设计。

轮胎力优化分配的目标函数定义为：

式中，j1为目标函数纵向分配项，j2为目标函数横向分配项，fx＝[fx1fx2fx3fx4]^t为轮胎纵向力，矩阵bx可由公式三计算得出并可表示为w＝diag[w1w2w3w4]为控制分配矩阵，kf(0＜kf＜1)为权重系数。由可得公式二十二中目标函数的最优解为：

控制分配分配矩阵w＝diag[w1w2w3w4]中的参数取值为

不同的未知故障输入等级对路径跟踪容错控制系统的影响大小不同，所以需要对未知故障输入估计中估计所得的未知故障输入进行等级评价。进行未知故障输入等级评价时，选取跟未知故障输入估计中未知故障输入估计时同样的时间步长t，即为0.01秒，此外，计算未知故障输入的均值gm和均方差gv作为等级评价的依据。设数据点为n，对于前1秒内的100个数据点，即0≤n≤100时，均值计算方法为对从0开始到当前时刻的所有数据点求平均值，即为相应的均方差计算方法为当n≥100时，均值计算方法为对从当前时刻数据点开始到该数据点之前的99个数据点求平均值，即为相应的均方差计算方法为这种计算方法有利于对当前的未知故障输入有一个较为可靠的评估，且不会因为个别数据点的异常导致评估结果的不准确。

在公式二十二中的目标函数中，j1占据纵向轮胎力分配的较大比重，用于确保纵向驱动性能，而j2对车辆的稳定性控制具有直接的影响。因此，如果车辆横向稳定性情况较差，未知故障输入估计的等级评价结果较为严重，则应将减小权重系数kf，以提高j2控制效果，从而提高车辆横摆稳定性和路径跟踪精度。反之，应将权重系数调节得更大，增加j1所占的控制比例，以提高轮胎力的响应能力。同时，考虑到车辆横摆角速度、质心侧偏角的量级，选取0.1为未知故障输入等级评价的阈值。优选的，所述阀值为0.1；当未知故障输入估计结果的均值gm小于0.1时，认为故障等级较低，此时权重系数取值为：

式中，kf0为一常数，使得kf在0到1之间；为质心侧偏角估计结果的绝对值，||gm||为未知故障输入估计均值的范数。当未知故障输入估计结果的均值gm大于0.1时，认为故障等级较高，未知故障输入的均方差也会对轮胎力的分配结果产生较大的影响，此时权重系数取值为：

式中，||gv||为未知故障输入估计均方差的范数。

应当理解，虽然本说明书是按照各个实施例描述的，但并非每个实施例仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施例的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施例或变更均应包含在本发明的保护范围之内。