智能电动汽车路径跟踪控制方法及装置

1.本技术涉及智能电动汽车技术领域，具体地，涉及一种智能电动汽车路径跟踪控制方法及装置。


背景技术：

2.现代汽车已进入发展智能化技术的时代，智能电动汽车通过传感器感知、车联网技术及决策、规划控制等技术能够代替驾驶人完成一系列驾驶任务。其中路径跟踪控制是实现智能化技术的重要环节，通过控制车辆的纵向、横向运动，使其跟随期望轨迹，从而达到路径跟踪控制的效果。
3.在车辆进行路径跟踪的过程中，由于车速及道路环境因素，车辆的稳定性会受到影响，可能会导致侧滑、甩尾等事故。尤其是当车辆处于紧急避障状态时，由于车速及转向角过大，车辆的横向运动较为剧烈，极易出现失稳等危险工况，同时剧烈的横摆运动还会影响车辆的路径跟踪效果，致使车辆偏离预期轨迹进而导致碰撞等交通事故的发生


技术实现要素：

4.为了克服现有技术中的至少一个不足，本技术实施例提供一种智能电动汽车路径跟踪控制方法及装置。
5.第一方面，提供一种智能电动汽车路径跟踪控制方法，包括：
6.确定车辆的横向稳定性状态，车辆的横向稳定性状态包括稳定状态、临界失稳状态和失稳状态；
7.根据车辆的横向稳定性状态对车辆进行路径跟踪控制；
8.当车辆处于稳定状态时，确定车辆前轮转向增量；基于车辆前轮转向增量确定车辆前轮转向；
9.当车辆处于临近失稳状态时，确定车辆横摆力矩增量和附加横摆力矩权重系数；基于车辆横摆力矩增量和附加横摆力矩权重系数，确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力；
10.当车辆处于失稳状态时，确定车辆横摆力矩增量；基于车辆横摆力矩增量确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力。
11.在一个实施例中，确定车辆的横向稳定性状态，采用以下公式：
[0012][0013][0014][0015]
其中，β为车辆质心侧偏角，为车辆质心侧偏角速度，k为斜率，c为常量，μ为路面
附着系数。
[0016]
在一个实施例中，当车辆处于稳定状态时，确定车辆前轮转向增量，包括：
[0017]
构建目标函数j：
[0018][0019]
其中，n
p
为预测时域，nc为控制时域，t表示当前时刻，η(t+j|t)表示当前时刻为t时第t+j时刻的车辆横向位置坐标，η
ref
(t+j|t)表示当前时刻为t时第t+j时刻的车辆横向位置坐标的参考值，q、r和l分别表示输出量、控制增量和松弛因子的权重矩阵；ε表示松弛因子；δu(t+i|t)表示当前时刻为t时第t+i时刻的车辆前轮转向增量；
[0020]
求解目标函数j，确定目标函数j取最小值时的控制时域内的每个时刻的车辆前轮转向增量δu(t+i|t)；
[0021]
基于控制时域内的第t+0时刻的车辆前轮转向增量δu(t+0|t)，得到当前时刻t对应的车辆前轮转向u(t)：u(t)＝(t-1)+δu(t+0|t)。
[0022]
在一个实施例中，当车辆处于临近失稳状态时，确定车辆横摆力矩增量，包括：
[0023]
构建目标函数j：
[0024][0025]
其中，n
p
为预测时域，nc为控制时域，y(k)为预测时域n
p
内输出量的预测值，k表示当前时刻，y
ref
()表示车辆输出量的参考值，δu(k)表示当前时刻k的横摆力矩增量序列，y(k+j|k)表示当前时刻为k时第k+j时刻的输出量的预测值，y
ref
(k+j|k)表示当前时刻为k时第k+j时刻的输出量的参考值，δu(k+i|k)表示当前时刻为k时第k+i时刻的横摆力矩增量，q和r分别表示输出量和控制增量的权重矩阵；
[0026]
求解目标函数j，确定目标函数j取最小值时的控制时域内的每个时刻的横摆力矩增量δu(k+i|k)。
[0027]
在一个实施例中，当车辆处于临近失稳状态时，确定附加横摆力矩权重系数，包括：
[0028]
基于强化学习ddpg算法建立协调控制器，状态输入量为车辆横摆角速度wr、质心侧偏角β、侧向位移y、航向角前轮转角δf、车辆侧向加速度ay，动作输出量为附加横摆力矩权重系数α；
[0029]
协调控制器的奖励函数r＝r1+r2+r3，，r3＝-|ay|+c3；
[0030]
其中，ey为车辆实际侧向位移与参考值之间的偏差，为航向角与参考值之间的偏差，ay为车辆的侧向加速度，c1、c2、c3为常数项，c为系数，k为斜率，为车辆质心侧偏角速
度，β为车辆质心侧偏角。
[0031]
在一个实施例中，基于车辆横摆力矩增量和协调控制权重，对车辆进行路径跟踪控制，包括：
[0032]
基于控制时域内的第k+0时刻的横摆力矩增量δu(k+0|k)，得到当前时刻k对应的横摆力矩u(k)：u(k)＝u(k-1)+δu(k+0|k)；
[0033]
根据当前时刻k对应的横摆力矩u(k)和附加横摆力矩权重系数α确定附加横摆力矩δm，δm＝αu(k)；
[0034]
针对附加横摆力矩δm采用驱动/制动相结合的方式，确定车辆各个车轮纵向力。
[0035]
在一个实施例中，当车辆处于失稳状态时，确定车辆横摆力矩增量，基于车辆横摆力矩增量，对车辆进行路径跟踪控制，包括：
[0036]
构建目标函数j：
[0037][0038]
其中，n
p
为预测时域，nc为控制时域，y(k)为预测时域n
p
内输出量的预测值，k表示当前时刻，y
ref
()表示车辆输出量的参考值，δu(k)表示当前时刻k的横摆力矩增量序列，y(k+j|k)表示当前时刻为k时第k+j时刻的输出量的预测值，y
ref
(k+j|k)表示当前时刻为k时第k+j时刻的输出量的参考值，δu(k+i|k)表示当前时刻为k时第k+i时刻的横摆力矩增量，q和r分别表示输出量和控制增量的权重矩阵；
[0039]
求解目标函数j，确定目标函数j取最小值时的控制时域内的每个时刻的横摆力矩增量δu(k+i|k)；
[0040]
基于控制时域内的第k+0时刻的横摆力矩增量δu(k+0|k)，得到当时时刻k对应的横摆力矩u(k)：u(k)＝(k-1)+δu(k+0|k)；
[0041]
根据当时时刻k对应的横摆力矩u(k)确定附加横摆力矩δm，δm＝u(k)；
[0042]
针对附加横摆力矩δm采用驱动/制动相结合的方式，确定车辆各个车轮纵向力。
[0043]
第二方面，提供一种智能电动汽车路径跟踪控制装置，包括：
[0044]
横向稳定性状态确定模块，用于确定车辆的横向稳定性状态，车辆的横向稳定性状态包括稳定状态、临界失稳状态和失稳状态；
[0045]
路径跟踪控制模块，用于根据车辆的横向稳定性状态对车辆进行路径跟踪控制；当车辆处于稳定状态时，确定车辆前轮转向增量；基于车辆前轮转向增量确定车辆前轮转向；当车辆处于临近失稳状态时，确定车辆横摆力矩增量和附加横摆力矩权重系数；基于车辆横摆力矩增量和附加横摆力矩权重系数，确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力；当车辆处于失稳状态时，确定车辆横摆力矩增量；基于车辆横摆力矩增量确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力。
[0046]
第三方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现上述的智能电动汽车路径跟踪控制装置。
[0047]
第四方面，提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被
处理器执行时实现上述的智能电动汽车路径跟踪控制装置。
[0048]
相对于现有技术而言，本技术具有以下有益效果：本技术结合对车辆稳定性状态的判断方法，有效改善了前轮转向与附加横摆力矩对车辆控制的冲突，在保持路径跟踪精度的同时兼顾了对车辆的稳定性控制，提高了智能电动车辆的安全性。
附图说明
[0049]
本技术可以通过参考下文中结合附图所给出的描述而得到更好的理解，附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中：
[0050]
图1示出了根据本技术实施例的智能电动汽车路径跟踪控制方法的流程框图；
[0051]
图2示出了根据本技术实施例的智能电动汽车路径跟踪装置的结构框图。
具体实施方式
[0052]
在下文中将结合附图对本技术的示例性实施例进行描述。为了清楚和简明起见，在说明书中并未描述实际实施例的所有特征。然而，应该了解，在开发任何这种实际实施例的过程中可以做出很多特定于实施例的决定，以便实现开发人员的具体目标，并且这些决定可能会随着实施例的不同而有所改变。
[0053]
在此，还需要说明的一点是，为了避免因不必要的细节而模糊了本技术，在附图中仅仅示出了与根据本技术的方案密切相关的装置结构，而省略了与本技术关系不大的其他细节。
[0054]
应理解的是，本技术并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中，在可行的情况下，实施例可以相互组合、不同实施例之间的特征替换或借用、在一个实施例中省略一个或多个特征。
[0055]
图1示出了根据本技术实施例的智能电动汽车路径跟踪控制方法的流程框图，参见图1，方法包括：
[0056]
步骤s110，确定车辆的横向稳定性状态，该步骤中，开启车辆的横向稳定性状态监测功能，将车辆的横向稳定性状态划分为稳定状态、临界失稳状态和失稳状态。
[0057]
该步骤中，通过质心侧偏角-质心侧偏角速度相平面法确定车辆的横向稳定性状态，具体可以采用以下公式：
[0058][0059][0060][0061]
其中，β为车辆质心侧偏角，为车辆质心侧偏角速度，k为斜率，c为常量，k、c取经验值，μ为路面附着系数。
[0062]
步骤s120，根据车辆的横向稳定性状态对车辆进行路径跟踪控制；当车辆处于稳定状态时，确定车辆前轮转向增量；基于车辆前轮转向增量确定车辆前轮转向；当车辆处于临近失稳状态时，确定车辆横摆力矩增量和附加横摆力矩权重系数；基于车辆横摆力矩增
量和附加横摆力矩权重系数，确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力；当车辆处于失稳状态时，确定车辆横摆力矩增量；基于车辆横摆力矩增量确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力。
[0063]
本技术实施例中，首先对车辆稳定性状态进行判断，根据车辆稳定性状态的不同，采用不同的控制策略在保持路径跟踪精度的同时兼顾了对车辆的稳定性控制，提高了智能电动车辆的安全性。
[0064]
在一个实施例中，当车辆处于稳定状态时，确定车辆前轮转向增量；基于车辆前轮转向增量确定车辆前轮转向，可以包括：
[0065]
基于车辆运动学模型，建立运动学方程：
[0066][0067]
其中，x为车辆的横向位置坐标，y为车辆的纵向位置坐标，为车辆航向角，分别为车辆的横向位置坐标、车辆的纵向位置坐标和车辆航向角的导数；vr为车辆速度，l为车辆轴距，δf为前轮转角。
[0068]
通过上述运动学方程建立路径跟踪模型，并构造目标函数求解。
[0069]
用状态空间表示运动学方程：
[0070][0071]
其中，状态量其中，状态量表示状态量ξ的导数，η表示车辆的横向位置坐标；控制量u＝[δf]
t
，δf为前轮转角，
[0072]
将公式(2)进行线性化和离散化处理，得到离散状态空间方程：
[0073][0074]
其中，为当前时刻为t时第k个时刻的状态量差值系数矩阵为当前时刻为t时第k个时刻的控制量差值系数矩阵，t为采样周期；为状态量差值，为状态量差值，为控制量差值，为控制量差值，为任意一点的泰勒展开点，ξr为任意一点的状态量，ur为任意一点的控制量，为第k个时刻的状态量差值，为第k个时
刻的控制量差值。
[0075]
将状态量与控制量进行组合，重新构建新的状态空间表达式χ(k|t)：
[0076][0077]
将公式(4)代入公式(3)得：
[0078][0079]
式中，δu(k|t)为当前时刻为t时第k个时刻的控制量增量，δu(k|t)＝u(k|t)-u(k-1|t)；η(k|t)为当前时刻为t时第k个时刻的车辆横向位置坐标，为控制量维度，n＝3为状态量维度，im为m维的单位矩阵，om×n为m
×
n的0矩阵。
[0080]
为简化计算，假定预测时域为n
p
，控制时域为nc，并做出如下假设：
[0081][0082]
推导出在预测时域n
p
内系统的预测输出表达式：
[0083]
y(t)＝ψχ(t|t)+θδu(t)
ꢀꢀ
(7)
[0084]
其中，
[0085][0086][0087]
其中，δu()为当前时刻t对应的控制增量序列。
[0088]
车辆在进行路径跟踪控制的过程中，模型预测控制器的每一采样时刻都要求状态
误差和控制增量最小，以获得最佳的路径跟踪性能和车辆行驶稳定性，故采用如下形式的目标函数j：
[0089][0090]
其中，n
p
为预测时域，nc为控制时域，t表示当前时刻，η(t+j|t)表示当前时刻为t时第t+j时刻的车辆横向位置坐标，η
ref
(t+j|t)表示当前时刻为t时第t+j时刻的车辆横向位置坐标的参考值，q、r和l分别表示输出量、控制增量和松弛因子的权重矩阵；ε表示松弛因子；δu(t+i|t)表示当前时刻为t时第t+i时刻的车辆前轮转向增量；
[0091]
在实际控制过程中，需要将控制量和控制增量限定在合理范围内，其约束表达式为：
[0092][0093]
其中，u
min
为控制量的最小值，u
max
为控制量的最大值，δu
min
为控制增量的最小值，δu
max
为控制增量的最大值。
[0094]
在每一控制时域内对目标函数求解后，得到一系列控制时域内的增量序列，即目标函数j取最小值时的车辆前轮转向增量δu(t+i|t)：
[0095]
根据mpc控制原理，每次只取增量序列中的第一个元素作为实际控制输入增量作用于系统，即选取车辆前轮转向增量δu(t+0|t)作用于系统：u(t)＝(t-1)+δu(t+0|t)，得到当前时刻t对应的车辆前轮转向u(t)，以实现对车辆路径跟踪控制。
[0096]
在一个实施例中，当车辆处于临近失稳状态时，确定车辆横摆力矩增量和附加横摆力矩权重系数；基于车辆横摆力矩增量和附加横摆力矩权重系数，确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力，包括：
[0097]
步骤1，确定车辆横摆力矩增量。
[0098]
建立附加横摆力矩控制器，考虑横摆稳定性控制的动力学方程如下：
[0099][0100][0101][0102]
其中，β为车辆质心侧偏角，为车辆质心侧偏角速度，ω为横摆角速度，为横摆角速度的导数，δm为横摆力矩，iz为车辆绕z轴的转动惯量，a、b分别为质心到前后轴的距离，f
sf
、f
sr
分别为前轴侧向力和后轴侧向力，f
lf
、f
lr
分别为车辆前轴纵向力和后轴纵向力，δf为前轮转角，为车辆纵向加速度，m为车辆质量。
[0103]
经过线性化处理上式动力学方程，得到系统状态方程式如下：
[0104][0105]
其中，状态变量x＝[v,β,ω]
t
，输出量y＝[β,ω]
t
，控制量u＝[δm]，输出量矩阵
d＝[δf]。其中，ω为横摆角速度，β为车辆质心侧偏角；
[0106]
为了减少计算量，简化控制系统，利用前向欧拉方法将线性连续系统离散化为：
[0107]
x(k+1)＝akx(k)+bku(k)+ekd(k)
ꢀꢀ
(12)
[0108]
式中，x(k)为第k个时刻的状态变量，x(k+1)为第k+1个时刻的状态变量，u(k)为第k个时刻的控制量，d(k)是第k个时刻前轮转角，ek为第k个时刻的车辆参数矩阵，ak＝i+ta，bk＝tb。t是采样周期，i为单位矩阵。由于预测时域较小，d(k)在预测时域内默认不变，不影响目标函数的构建，因此ekd(k)项可忽略。
[0109]
构建模型预测模型方程，令δu(k)＝u(k)-u(k-1)；得到预测模型的状态空间方程如下：
[0110][0111]
式中，n为状态量个数；m为控制量个数；ξ(k)为第k个时刻的状态量；η(k)为第k个时刻的车辆横向位置坐标；
[0112]
其中，
[0113]
在预测时域内，输出量的预测值可由下式计算得到：
[0114]
y(k)＝ψkξ(k)+θkδu(k)+γkd(k) (14)
[0115]
式中，
[0116]
[0117][0118][0119]
其中n
p
为预测时域，nc为控制时域，且n
p
≥nc。
[0120]
设置目标函数，即要保证良好的控制效果，也要使控制量的输入平顺，设置目标函数j如下：
[0121][0122]
其中，n
p
为预测时域，nc为控制时域，y(k)为预测时域n
p
内输出量的预测值，k表示当前时刻，η表示车辆横向位置坐标；y
ref
(k)表示车辆输出量的参考值，δu(k)表示当前时刻k的横摆力矩增量序列，y(k+j|k)表示当前时刻为k时第k+j时刻的输出量的预测值，y
ref
(k+j|k)表示当前时刻为k时第k+j时刻的输出量的参考值，δu(k+i|k)表示当前时刻为k时第k+i时刻的横摆力矩增量，q和r分别表示输出量和控制增量的权重矩阵；
[0123]
考虑到控制量、控制增量的极限值与输出量的限制，将约束条件整理如下：
[0124][0125]
在该模型中，预测时域n
p
＝5，控制时域nc＝3，＝3，仿真步长t＝0.01s，车辆输出量的参考值：y
ref
＝[ω
ref
,β
ref
]，ω
ref
为横摆角速度的参考值，β
ref
为车辆质心侧偏角的参考值，由线性二自由度模型计算得到。
[0126]
求解目标函数j，确定目标函数j取最小值时的控制时域内的每个时刻的横摆力矩增量δu(k+i|k)。
[0127]
步骤2，确定附加横摆力矩权重系数。
[0128]
建立协调控制器。由于进行横摆力矩控制后会影响车辆的路径跟踪性能，为协调路径跟踪与稳定性控制间的冲突，基于强化学习ddpg算法(深度确定性策略梯度算法)建立协调控制器，状态输入量为车辆横摆角速度wr、质心侧偏角β、侧向位移y、航向角前轮转角δf、车辆侧向加速度ay，动作输出量为附加横摆力矩权重系数α(0《α《1)，为使车辆在进行稳定性控制时保持路径跟踪精度。ddpg协调控制器的奖励函数设计原则如下：
[0129]
(1)此时车辆仍未失稳，首先应满足其路径跟踪要求，故令
[0130]
(2)由于车辆已处于临界失稳状态，为避免车辆失稳，需要对其进行稳定性控制，使其恢复到稳定状态，故令
[0131]
(3)在进行稳定性控制的过程中，应尽量减轻因产生附加横摆力矩对驾驶人造成的不适，故令r3＝-|ay|+c3。
[0132]
最终奖励函数r＝r1+r2+r3，式中，ey为车辆实际侧向位移与参考值之间的偏差，为航向角与参考值之间的偏差，ay为车辆的侧向加速度，c1、c2、c3为常数项；c为常量，k为斜率，为车辆质心侧偏角速度，β为车辆质心侧偏角。
[0133]
步骤3，基于车辆横摆力矩增量和协调控制权重，对车辆进行路径跟踪控制。
[0134]
选取控制时域内的第k+0时刻的横摆力矩增量δu(k+0|k)作用于系统，得到当时时刻k对应的横摆力矩u(k)：u(k)＝u(k-1)+δu(k+0|k)；
[0135]
根据当前时刻k对应的横摆力矩u(k)和附加横摆力矩权重系数α确定附加横摆力矩δm，δm＝αu(k)。
[0136]
步骤4，针对附加横摆力矩δm采用驱动/制动相结合的方式，确定车辆各个车轮纵向力。
[0137]
得到输出的附加横摆力矩后，采取驱动/制动相结合的方式，将其转化为车辆4个车轮纵向力。通过采取驱动/制动相结合，不仅可以合理利用四个车轮的纵向力，避免单个车轮制动或驱动造成的轮胎磨损，还可以保证在控制过程中不引起车速的变化，降低驾驶
人的负担。各车轮中心纵向力的关系如下：
[0138][0139]
其中，f
xfl
、f
xrl
、f
xfr
、f
xrr
分别为左前轮、左后轮、右前轮及右后轮的纵向力。同时四个车轮的纵向力还要满足以下约束条件：
[0140]
(1)当δm》0时，f
xfl
＝f
xrl
《0，f
xfr
＝f
xrr
》0；当δm《0时，f
xfl
＝f
xrl
》0，f
xfr
＝f
xrr
《0。其中，d为车轮轮距。
[0141]
(2)|f
xi
|≤μf
zi
[0142]
式中，f
xi
为各车轮的纵向力，i表示车轮编号，分别对应左前轮、左后轮、右前轮及右后轮，f
zi
为各车轮垂直载荷，μ为路面附着系数。
[0143]
(3)式中，t
max
为电机最大转矩，r为车轮半径。
[0144]
通过驱动/制动相结合策略，最终可得出作用于各车轮中心的纵向力，实现附加横摆力矩的分配。
[0145]
在一个实施例中，当车辆处于失稳状态时，确定车辆横摆力矩增量，基于车辆横摆力矩增量，对车辆进行路径跟踪控制，包括：
[0146]
构建目标函数j：
[0147][0148]
其中，n
p
为预测时域，nc为控制时域，y(k)为预测时域n
p
内输出量的预测值，k表示当前时刻，y
ref
()表示车辆输出量的参考值，δu(k)表示当前时刻k的横摆力矩增量序列，y(k+j|k)表示当前时刻为k时第k+j时刻的输出量的预测值，y
ref
(k+j|k)表示当前时刻为k时第k+j时刻的输出量的参考值，δu(k+i|k)表示当前时刻为k时第k+i时刻的横摆力矩增量，q和r分别表示输出量和控制增量的权重矩阵；
[0149]
求解目标函数j，确定目标函数j取最小值时的控制时域内的每个时刻的横摆力矩增量δu(k+i|k)；
[0150]
选取控制时域内的第k+0(i＝0)时刻的横摆力矩增量δu(k+0|k)作用于系统，得到当时时刻k对应的横摆力矩u(k)：u(k)＝u(k-1)+δu(k+0|k)；
[0151]
根据当时时刻k对应的横摆力矩u(k)确定附加横摆力矩δm，δm＝(k)；
[0152]
针对附加横摆力矩δm采用驱动/制动相结合的方式，确定车辆各个车轮纵向力。
[0153]
该实施例中，具体计算方法参考前述实施例中车辆处于临界失稳状态时的车辆各个车轮纵向力的计算方法，此处不再赘述。
[0154]
基于与智能电动汽车路径跟踪方法相同的发明构思，本实施例还提供与之对应的智能电动汽车路径跟踪装置，图2示出了根据本技术实施例的智能电动汽车路径跟踪装置
的结构框图，包括：
[0155]
横向稳定性状态确定模块210，用于确定车辆的横向稳定性状态，车辆的横向稳定性状态包括稳定状态、临界失稳状态和失稳状态；
[0156]
路径跟踪控制模块220，用于根据车辆的横向稳定性状态对车辆进行路径跟踪控制；当车辆处于稳定状态时，确定车辆前轮转向增量；基于车辆前轮转向增量确定车辆前轮转向；当车辆处于临近失稳状态时，确定车辆横摆力矩增量和附加横摆力矩权重系数；基于车辆横摆力矩增量和附加横摆力矩权重系数，确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力；当车辆处于失稳状态时，确定车辆横摆力矩增量；基于车辆横摆力矩增量确定附加横摆力矩；根据附加横摆力矩确定车辆各个车轮纵向力。
[0157]
本技术实施例提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时，以实现的智能电动汽车路径跟踪方法。
[0158]
本技术实施例提供一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现的智能电动汽车路径跟踪方法。
[0159]
在本技术所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，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包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0160]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0161]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0162]
以上所述，仅为本技术的各种实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以所述权利要求的保护范围为准。