一种基于梯度校正估计预瞄时间的车辆横向控制方法与流程

本发明属于自动驾驶汽车运动控制领域，具体包含一种基于梯度校正估计预瞄时间的车辆横向控制方法。

背景技术：

车辆的横向控制主要是指智能汽车在无人驾驶情况下对车辆转向进行控制的操作。通过横向控制可以进行转弯、避障和换道等一系列操作。其主要目的是实现车辆道路跟随，使车辆按给定轨迹行驶。以预瞄式驾驶员模型作为车辆控制器能模拟驾驶过程中人类的驾驶习惯。根据文献可知，设置适当的驾驶员，模型参数对车辆控制的精度、稳定性和乘坐舒适性有明显影响。

通过仿真实验可以看出，在给定参考道路情况下，通过调整驾驶员模型参数可以得到不同的道路跟随情况，车辆横向偏差与模型参数有明显的相关性。目前的研究中，大多基于经验调整模型参数，使车辆与道路保持较小偏差。专利cn103439884a以固定的预瞄距离设计智能汽车的预瞄控制方法，该方法虽然能够满足车辆横向控制的精度，但是却存在鲁棒性较差等问题。专利cn108791301a通过最小二乘估计方法动态调整驾驶员模型参数，但忽略了驾驶员模型参数时间序列的连续性，从而车辆行驶稳定性以及驾驶员乘坐舒适性降低。

技术实现要素：

为了克服现有技术中存在的问题，本发明提出一种基于梯度校正估计预瞄时间的车辆横向控制方法，能够提升车辆行驶稳定性以及驾驶员乘坐舒适性。

第一方面，本发明的一种基于梯度校正估计预瞄时间的车辆横向控制方法，包括以下步骤：

步骤s1：建立二自由度车辆动力学模型作为参考模型gv(s)；

步骤s2：构建反应驾驶员操纵特性的驾驶员模型gh(s)；

步骤s3：构建预瞄环节p(s)；

步骤s4：根据车辆动力学模型gv(s)、驾驶员模型gh(s)、预瞄环节p(s)构建闭环控制系统；

步骤s5：对所构建的闭环控制系统离散化；

步骤s6：建立梯度校正辨识函数；

步骤s7：以最小化梯度校正准则函数输出与输入关系最小为目标，确定驾驶员模型的模型参数。

特别地，所述步骤s1中，建立二自由度车辆动力学模型gv(s)具体为：

式中；ω为车辆横摆角速度，分别为车辆横向加速度、车辆横摆角加速度、车辆的横向速度、车辆横摆角，其中izz为车轮横摆角转动惯量；vx、vy分别为车辆的纵向速度和横向速度；ψ为车辆横摆角；y为车辆在大地坐标系下的横向位移；θsw为方向盘转角；nrsw为方向盘转角到前轮转角的传动比，车轮转角θf＝θsw/nrsw。

特别地，在所述步骤s2中，驾驶员模型为：

td、th分别为延迟时间和性迟滞时间。

特别地，所述步骤s3中，所述的预瞄环节p(s)为:tp为预瞄时间。

特别地，所述步骤s4中，闭环控制系统的传递函数gt(s)具体为:

式中：

特别地，所述步骤s6中，所述梯度校正辨识函数为：

tp＝ω0+ω1td+ω2th+ω3vx+ω4vy+ω5(1/r)；

式中tp、td、th、vx、vy、r分别为预瞄时间、延迟时间、惯性时间、横向速度、纵向速度、转弯半径；ω0、ω1、ω2、ω3、ω4、ω5为待辨识参数，通过下面的准则函数j(ω)得到；

式中：td^*为期望延迟时间、th^*为惯性时间、vx^*为横向速度、vy^*为纵向速度、1/r为曲率，j为梯度校正辨识函数，可以计算出ω0、ω1、ω2、ω3、ω4、ω5；tp、td、th、vx、vy、r由传感器采集直接或者间接通过计算得出；td^*th^*vx^*vy^*1/r^*通过实际驾驶数据得出。

特别地，利用前一时刻估计值来修正当前的估计值，得到如下修正函数；

式中

hi(k)为当前时刻的输入[1td(k)th(k)vx(k)vy(k)1/r(k)]^t；

设置辨识参数设置初值确定输入初始数据；

获取当前输入h(k)和输出[1td^*th^*vx^*vy^*1/r^*]；

循环计算得到综合考虑之前估计参数的当前参数估计值，最后计算出最优的预瞄时间。

第二方面，本发明还提供了一种计算机装置，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，处理器执行所述程序时实现如前所述的方法步骤。

第三方面，本发明还提供了一种计算机可读存储介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现如前所述的方法步骤。

本发明的有益效果在于：

本发明提出了一种基于梯度校正估计预瞄时间的车辆横向控制方法，该方法在汽车动力学模型的基础上，加入了驾驶员的预瞄时间、延迟时间和惯性迟滞等特征来模拟驾驶员的实际驾驶过程，该操作过程反映实际驾驶员驾驶习惯，并通过驾驶过程的车辆横向速度、纵向速度、转弯曲率等参数来调整预瞄时间，通过梯度校正参数估计方法，将之前时刻的估计值用来校准当前时刻的估计值，实现预瞄时间的动态调整，既保证了模型的道路跟随精度，同时提高了乘坐舒适性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：

图1是基于梯度校正估计预瞄时间的车辆横向控制方法流程图；

图2是车辆二自由度动力学模型示意图；

图3是车辆与路径的位置关系；

图4是人-车-路闭环系统结构框图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图4。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本发明的一种基于梯度校正估计预瞄时间的车辆横向控制方法，包括以下步骤：

步骤s1：首先建立二自由度的车辆动力学模型作为参考模型gv(s)，驾驶员在驾驶过程中并不能理解复杂的车辆动力学模型，而是靠驾驶经验使得汽车保持在道路的合适位置，二自由度的驾驶员模型能充分反映车辆的横向动力学状态，模型如下：

式中：m为整车质量；cf、cr分别为前后轮等效侧偏刚度；lf、lr分别为整车质心到前后轮的距离；izz为车轮横摆角转动惯量；vx、vy分别为车辆的纵向速度和横向速度；ψ为车辆横摆角；y为车辆在大地坐标系下的横向位移；θsw为方向盘转角；nrsw为方向盘转角到前轮转角的传动比，车轮转角θf＝θsw/nrsw；

以上参数单位分别为kg、n/rad、m、kg·m²、m/s、rad/s、m、rad。

步骤s2：构建反应驾驶员操作特性的驾驶员模型，主要包括神经反应延迟环节、肌肉迟滞环节：

式中：td、th分别为延迟时间和惯性时间。

步骤s3：构建预瞄环节p(s)，

式中：tp为预瞄时间。

根据车辆与道路的位置关系如图3所示计算预瞄点处的横向误差f(t+t)-y(t)及方向误差(预瞄点与速度方向的夹角)汽车的运动服从acklman关系，汽车轨迹曲率与转向盘转角成正比：

式中：r为转弯半径；l为轴距，当驾驶过程中根据道路的曲率需要改变方向盘转角时，就会适当的产生响应的转向操作。

或

y(t)分别表示期望的横向加速度、横向速度、横向位移。

得到最优转向盘转角θsw^*与预瞄距离d的关系：

式中：f(t)为当前位置信息；f(t+t)为当前点预瞄时间t后的位置信息。

步骤4：将步骤s1～s3组合成一个闭环控制系统如图4所示。具体的传递函数gt(s)为：

式中：

步骤s5：用零阶保持器，对所构造的整个控制系统离散化。

ga(z)＝z[h(s)ga(s)]

式中：tc为采样时间；ga(s)为整体的传递函数；ga(z)为离散的之后的传递函数。状态空间表达式用零阶保持器转换为离散化之后系统的状态方程为：

k表示离散时间步长，x(k)表示系统状态变量，u(k)为输入量，y(k)为观测量，ad为状态矩阵，bd为控制矩阵，cd为输出矩阵，dd为直接传递矩阵。

步骤s6：建立梯度校正估计函数

tp＝ω0+ω1td+ω2th+ω3vx+ω4vy+ω5(1/r)

式中：tp、td、th、vx、vy、r分别为预瞄时间、延迟时间、惯性时间、横向速度、纵向速度、转弯半径；ω0、ω1、ω2、ω3、ω4、ω5为待辨识参数，可以通过下面的梯度校正准则函数得到。

将期望延迟时间td^*、惯性时间th^*、横向速度vx^*、纵向速度vy^*、曲率1/r与待辨识的参数的平方和最小，即

式中：j(ω)为梯度校正估计函数为了计算出ω0、ω1、ω2、ω3、ω4、ω5；td、th、vx、vy、r由传感器采集直接或者间接通过简单计算得出；td^*、th^*、vx^*、vy^*、1/r^*可通过实际驾驶数据得出。

并且利用前一时刻估计值来修正当前的估计值，使得当前时刻估计更加精确，得到如下修正函数；

式中：

hi(k)为当前时刻的输入[1td(k)th(k)vx(k)vy(k)1/r(k)]^t。

设置辨识参数设置初值确定输入初始数据；

获取当前输入h(k)和输出y(k)；

循环计算得到综合考虑之前估计参数的当前参数估计值。

由车辆自身位置的损失函数

式中：yp(k)、ψp(k)、θp.sw(k)分别为预瞄点的横向位置、预瞄点的偏航角、预期的方向盘转角，λ1,λ2,λ3分别为预瞄点的横向位置的权值、预瞄点的偏航角的权值、预期的方向盘转角的权值，设定λ1＝λ2＝λ3＝1/3表示三者对损失函数影响程度一样。

通过计算车辆位置损失函数使其最小再返回去验证延迟时间td、惯性时间th得出的预瞄时间是否满足道路行驶要求。具体地，

通过前述的梯度校正准则函数，已经确定tp＝ω0+ω1td+ω2th+ω3vx+ω4vy+ω5(1/r)中的参数，就可以求出tp，继而可以计算出y(k)，与车辆位置损失函数j求出的yp(k)做比较，判断是否满足要求。其中y(k)、θsw(k)与tp、vy、r有如下关系。

y(k)＝tp·vy

步骤s7：以最小化成本函数为目标，根据延迟时间和惯性时间确定预瞄时间，通过预瞄时间确定的预瞄距离d；再迭代算出延迟时间和惯性时间，以达到动态确定各个参数的目的。

d＝tp·vx。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的基于大数据日志分析的网站入侵检测方法和技术编程时，本发明还包括计算机本身。

计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。