远程遥控与自动驾驶相结合的无人车系统及人机共驾方法与流程

本发明属于无人驾驶汽车控制领域，尤其涉及一种远程遥控与自动驾驶相结合的无人车系统及人机共驾方法。

背景技术：

地面无人车辆是未来陆军的重要力量，是实现战争信息化和无人化的重要平台，通过装载不同的装备，可以代替人在核生化、辐射和爆炸物等恶劣复杂战场环境中完成各种各样的军事任务。随着信息战的出现和实践，现代战争将会变得更加激烈残酷，破坏程度更大，更容易造成人员的伤亡，如何减少人员伤亡，以非人员接触方式完成战争中的装备搬运、补给护送、医疗护送、侦察监视、探雷排雷甚至联合作战等军事任务愈发至关重要。目前无人军用车的控制方式为自动驾驶或远程遥控。这些方式都存在一些不足之处：在瞬息万变的战场环境中，远程遥控中的驾驶员可能无法及时应对各种突发状况，需要无人车自动驾驶，而现有技术的无人军用车的自动驾驶程度较低，很难完成实际作战任务。

技术实现要素：

发明目的：针对上述现有技术中存在无人车系统中自动驾驶程度低难以完成实际任务的问题，本发明提供一种远程遥控与自动驾驶相结合的无人车系统及人机共驾方法。

技术方案：本发明提供远程遥控与自动驾驶相结合的无人车系统，包括:信息采集系统、障碍物感知系统、智能决策系统、安全预警系统、自动驾驶系统和人机交互平台；

所述信息采集系统包括环境感知模块、驾驶员操纵信息采集模块和车辆行驶状态采集模块；所述环境感知模块用于采集无人车周围路面的环境信息，并将采集的信息传送至障碍物感知系统和人机交互平台；所述驾驶员操纵信息采集模块用于采集驾驶员的操纵信息并将驾驶员的操纵信息传送至安全预警系统中；所述车辆行驶状态采集模块用于采集无人车的行驶状态信息，并将该信息传送至智能决策系统、安全预警系统和人机交互平台中；

所述障碍物感知系统根据收到的路面的环境信息判断路面是否存在障碍物，如果存在则提取障碍物的信息，并将障碍物的信息传送至智能决策系统和安全预警系统；

所述智能决策系统根据预设的驾驶任务、约束条件规划出满足约束条件的全局路径，并根据收到的障碍物信息、无人车的行驶状态信息，规划出规避障碍物的局部路径；并将全局路径和局部路径发送至人机交互平台；

所述安全预警系统包括安全预警算法模块、驾驶权切换模块；安全预警算法模块根据障碍物信息、根据驾驶员的操纵信息和无人车的行驶状态信息判断驾驶员是否可以及时应对该障碍物，如果判断驾驶员无法及时应对，则驾驶权切换模块将驾驶权交给自动驾驶系统应对该障碍物，自动驾驶系统完成任务，并且驾驶员完全接管驾驶权后；驾驶权切换模块将驾驶权交给驾驶员，并关闭自动驾驶系统；

所述人机交互平台显示收到的周围路面的环境信息，无人车的行驶状态信息、全局路径和局部路径，且驾驶员利用人机交互平台中的方向盘、油门踏板和制动踏板远程控制无人车。

远程遥控与自动驾驶相结合的无人车系统的人机共驾方法包括如下步骤：

步骤1：智能决策系统根据预设的驾驶任务即目标点坐标，以及约束条件规划出全局路径；驾驶员利用人机交互平台远程控制无人车按照全局路径行驶；

步骤2：环境感知系统实时获取无人车周围路面的环境信息，并将环境信息传送至障碍物感知系统，障碍物感知系统判断当前路面是否存在障碍物；若不存在则驾驶员利用人机交互平台继续远程控制无人车按照全局路径行驶；否则转步骤3；

步骤3：所述障碍物感知系统利用多特征融合法和投影变换原理检测得到障碍物的信息，并将障碍物信息传送至智能决策系统和安全预警系统中；所述障碍物信息包括：障碍物的位置、大小和速度；

步骤4：智能决策系统根据无人车的行驶状态信息和障碍物信息，规划出基于全局路径的局部路径，同时安全预警系统判断驾驶员是否有能力应对该障碍物，如果有，则由驾驶员远程控制无人车按照局部路径行驶，并在完成避障后转步骤2；否则转步骤5；

步骤5：安全预警系统根据障碍物信息建立无人车行驶的安全区域，并将驾驶权交由自动驾驶系统，所述自动驾驶系统在安全区域内按照局部路径驾驶无人车；

步骤6：自动驾驶系统完成驾驶任务后，判断驾驶员是否完全接管驾驶权，若完全接管驾驶权则转步骤2，由驾驶员继续远程遥控无人车；否则由自动驾驶系统继续控制无人车直至驾驶员完全接管驾驶权。

进一步的，所述约束条件包括：状态变量约束、初始边值约束、边值约束、控制变量约束、过程约束、性能指标、动力学微分方程；

状态变量包括：侧向速度v(t)、横摆角速度ω(t)、纵向速度u(t)、汽车质心横坐标x(t)、汽车质心纵坐标y(t)和航向角θ(t)，即状态变量：

X(t)＝{v(t)，ω(t)，u(t)，x(t)，y(t)，θ(t)}^T (1)

则状态变量约束为：X(t)min≤X(t)≤X(t)max；其中X(t)min、X(t)max分别为状态变量的下界、上界；

初始边值约束：

X(0)＝[v0 ω0 u0 x0 y0 θ0] (2)

终端边值约束，即汽车横向操纵完成时的行驶状态及位置的约束：

X(f)＝[vf ωf uf xf yf θf] (3)

控制变量约束：Zmin(t)≤Z(t)≤Zmax(t)；Z(t)＝[δsw(t)]^T；所述Z(t)为控制变量；δsw(t)为方向盘转角；Zmin(t)、Zmax(t)分别为控制变量的下界、上界；

过程约束：

|ay|≤3m/s² (4)

其中ay为无人车的侧向加速度；

性能指标：

te为完成横向操纵的时刻；所述性能指标以最短时间完成横向操纵为目标；

所述动力学微分方程包括三自由度运动模型、运行轨迹方程和航向角运动微分方程

无人车的三自由度运动模型：

其中m为整车总质量；Iz为整车绕铅垂轴转动惯量；a1、b分别为整车质心至前、后轴的距离；δ为前轮转角；Fyf为前轮侧偏力；Fyr为后轮侧偏力；Fxf为前轮驱动力/制动力；Fxr为后轮驱动力/制动力；Ff为滚动阻力；Fw为空气阻力；

无人车的运行轨迹方程：

其中θ为无人车的航向角,为无人车质心在横坐标上的位移，为无人车质心在纵坐标上的位移；

航向角运动微分方程：

进一步的，所述步骤5中自动驾驶系统在安全区域内按照局部路径驾驶无人车的具体方法为：

步骤5.1：将所有约束条件归纳为以Mayer型为优化目标的最优控制问题，得到如下方程：

步骤5.2：利用Radau伪谱法对以上最优控制问题进行求解，将时间区间t∈[t0,te]转换成τ∈[-1,1]，则τ＝2t/(te-t0)-(te+t0)/(te-t0)，将公式9转换成如下所示：

步骤5.3：采用N个拉格朗日插值多项式Li(τ)(i＝0,1,…,N-1)作为基函数来近似状态变量：

其中，X′(τ)为近似的状态变量，X(τ)为实际的状态变量；N为Radau伪谱法的节点的总个数，τi为Radau伪谱法的第i个节点，i＝0,1,2,3,…N；Lagrange插值多项式函数τj为Radau伪谱法的第j个节点,j＝0,1,2,3,…N；

步骤5.4:采用Lagrange插值多项式L*i(τ)，(i＝1,…,N-1)作为基函数来近似控制变量，即：

式中，

对公式11求导，可得：

其中微分矩阵Dki表达式为：

其中，τi为Radau伪谱法的第i个节点，τ’k为Radau伪谱法的第k个配点，Radau伪谱法配点的总数K＝1,2,3,…N；g(τi)＝(1+τi)[PK(τi)-PK-1(τi)],其中PK为K阶Lagrange多项式；

步骤5.5：将公式13在配点τ′k处离散，得到

步骤5.6:将最优控制问题转换成如下非线性规划问题：

其中

公式15的约束条件为：

C[X(τ′k)，Z(τ′k)，τ′k；t0，te]≤0

步骤5.7：利用序列二次规划算法对公式15进行求解，得到无人车的最优控制输入。

进一步的，所述步骤4中智能决策系统规划出基于全局路径的局部路径的具体方法为：

基于人工势场法原理，设无人车所在的位置坐标为q＝(x,y)^T，设驾驶任务中目标点即目的地所在的位置坐标为qg＝(xg,yg)^T；

则目标点对无人车的引力为：

其中，kyin为引力常数，ρ(q)＝||q-qg||，即无人车与目标点的欧式距离；Uat(q)为势能场中位置q处的引力场；

障碍物对无人车的斥力为：

式中，η为斥力常数，ρc(q)＝||q-qc||,ρ0是一个常数代表障碍物的影响距离，ρc为无人车与障碍物的最短距离，qc为障碍物的位置；

动态障碍物对无人车的斥力如下所示：

速度斥力表达式如下

其中，Urev(q)为位置q的相对速度势场，q0为动态障碍物所在的位置坐标，krev为速度势场斥力常数，Vor为障碍物与无人车的相对速度，α为无人车和障碍物之间的相对位置和速度矢量间的夹角；基于速度的人工势场法表达式如下：

无人车受到的斥力函数

Fre(q,v)＝Fre(q)+Frev(q) (19)

无人车受到的合力为

F(q，v)＝Fat(q)+Fre(q，v) (20)

无人车受到的合力的方向即为无人车行驶的方向。

进一步的，所述判断驾驶员是否有能力应对该危险状况具体判断方法为：

如果满足下面三个条件，则判定驾驶员有能力应对危险状况；否则认定驾驶员没有能力应对该危险状况；

条件一：无人车与障碍物之间的距离大于安全距离；

条件二：方向盘的转角δsw在[δswmin，δswmax]，范围内；

条件三：驾驶员的反应时间tr≥trmin；

所述安全距离的表达式如下所示:

s0＝s1+s2+s3 (21)

其中，

S1＝u(t1+t2)

其中，u为无人车的纵向速度，a为制动加速度；s1为达到最大制动加速度到最终汽车停止，这段时间无人车行驶的距离；s2为从制动器开始起作用到达到最大制动加速度，这段时间无人车行驶的距离；t1，t2为驾驶员的制动反应时间和制动器的作用时间，t3为持续制动时间。

进一步的，系统判定当驾驶员转动方向盘的角度在预设的理想角度范围内时为驾驶员完全接管了驾驶权。

有益效果：

1.可以根据无人车的安全态势对人机间的驾驶权进行切换,实现人机协同驾驶。

2.具有监督，控制，管理等功能，使得无人车的行为变得可观、可测、可控。

附图说明

图1为本发明的流程图；

图2为本发明中自动控制系统的原理图；

具体实施方式

构成本发明的一部分的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。

本实施例提供远程遥控与自动驾驶相结合的无人车系统，包括:信息采集系统、障碍物感知系统、智能决策系统、安全预警系统、自动驾驶系统和人机交互平台；

所述信息采集系统包括环境感知模块、驾驶员操纵信息采集模块和车辆行驶状态采集模块；所述环境感知模块用于采集无人车周围路面的环境信息，并将采集的信息传送至障碍物感知系统和人机交互平台；所述驾驶员操纵信息采集模块用于采集驾驶员的操纵信息并将驾驶员的操纵信息传送至安全预警系统中；所述车辆行驶状态采集模块用于采集无人车的行驶状态信息，并将该信息传送至智能决策系统、安全预警系统和人机交互平台中；所述无人车的无人车的行驶状态信息包括：无人车的侧向加速度、侧向速度、纵向速度、制动加速度、航向角、无人车质心横\纵坐标、横摆角速度等

所述障碍物感知系统根据收到的路面的环境信息判断路面是否存在障碍物，如果存在则提取障碍物的信息，并将障碍物的信息传送至智能决策系统和安全预警系统；

所述智能决策系统根据预设的驾驶任务、约束条件规划出满足约束条件的全局路径，并根据收到的障碍物信息、无人车的行驶状态信息，规划出规避障碍物的局部路径；并将全局路径和局部路径发送至人机交互平台；

所述安全预警系统包括安全预警算法模块、驾驶权切换模块；安全预警算法模块根据障碍物信息、根据驾驶员的操纵信息和无人车的行驶状态判断驾驶员是否可以及时应对该障碍物，如果判断驾驶员无法及时应对，则驾驶权切换模块将驾驶权交给自动驾驶系统应对该障碍物，自动驾驶系统完成任务，并且驾驶员完全接管驾驶权后；驾驶权切换模块将驾驶权交给驾驶员，并关闭自动驾驶系统；

所述人机交互平台显示收到的周围路面的环境信息，无人车的行驶状态信息、全局路径和局部路径，且驾驶员利用人机交互平台中的方向盘、油门踏板和制动踏板远程控制无人车。

远程遥控与自动驾驶相结合的无人车系统的人机共驾方法，包括如下步骤：

步骤1：智能决策系统根据预设的驾驶任务即目标点坐标,以及约束条件规划出全局路径；驾驶员利用人机交互平台远程控制无人车按照全局路径行驶；

步骤2：环境感知系统实时获取无人车周围路面的环境信息，并将环境信息传送至障碍物感知系统，障碍物感知系统判断当前路面是否存在障碍物；若不存在则驾驶员利用人机交互平台继续远程控制无人车按照全局路径行驶；否则转步骤3；

步骤3：所述障碍物感知系统利用多特征融合法和投影变换原理检测得到障碍物的信息，并将障碍物信息传送至智能决策系统和安全预警系统中；所述障碍物信息包括：障碍物的位置、大小和速度；

步骤4：智能决策系统根据无人车的行驶状态信息和障碍物信息，规划出基于全局路径的局部路径，同时安全预警系统判断驾驶员是否有能力应对该障碍物，如果有，则由驾驶员远程控制无人车按照局部路径行驶，并在完成避障后转步骤2；否则转步骤5；

步骤5：安全预警系统根据障碍物信息建立无人车行驶的安全区域，并将驾驶权交由自动驾驶系统，所述自动驾驶系统在安全区域内按照局部路径驾驶无人车；

步骤6：自动驾驶系统完成驾驶任务后，判断驾驶员是否完全接管驾驶权，若完全接管驾驶权则转步骤2，由驾驶员继续远程遥控无人车；否则由自动驾驶系统继续控制无人车直至驾驶员完全接管驾驶权。

所述步骤1中，智能决策系统规划出一条全局路径的具体方法为：

步骤1.1：基于驾驶员的生理极限和无人车的结构，利用驾驶模拟器采集驾驶员的操纵极限数据；并建立底层状态集合，所述操纵极限数据包括：方向盘转角的最大值、无人车侧向加速度的最大值、横摆角速度的最大值、纵向速度的最大值；

步骤1.2：采集不同驾驶员在不同驾驶情况下的行为决策信息，并通过采集到的行为决策信息利用神经网络模型建立驾驶员的行为决策模型；

步骤1.2：根据驾驶员的行为决策模型和驾驶员的底层状态集合，得到不同驾驶情况下无人车的仿人工决策模型；

步骤1.4：无人车根据预设的驾驶任务和约束条件利用人工决策模型规划出全局路径。

所述约束条件包括：状态变量约束、初始边值约束、边值约束、控制变量约束、过程约束、性能指标、动力学微分方程；

状态变量包括：侧向速度v(t)、横摆角速度ω(t)、纵向速度u(t)、汽车质心横坐标x(t)、汽车质心纵坐标y(t)和航向角θ(t)，即状态变量：

X(t)＝{v(t)，ω(t)，u(t)，x(t)，y(t)，θ(t)}^T (22)

则状态变量约束为：X(t)min≤X(t)≤X(t)max；其中X(t)min、X(t)max分别为状态变量的下界、上界；

初始边值约束：

X(0)＝[v0 ω0 u0 x0 y0 θ0] (23)

终端边值约束，即汽车横向操纵完成时的行驶状态及位置的约束：

X(f)＝[vf ωf uf xf yf θf] (24)

控制变量约束：Zmin(t)≤Z(t)≤Zmax(t)；Z(t)＝[δsw(t)]^T；所述Z(t)为控制变量；δsw(t)为方向盘转角；其中Zmin(t)、Zmax(t)分别为控制变量的下界、上界；

过程约束：

|ay|≤3m/s² (25)

其中ay为无人车的侧向加速度；

性能指标：

te为完成横向操纵的时刻；所述性能指标以最短时间完成横向操纵为目标；

所述动力学微分方程包括三自由度运动模型、运行轨迹方程和航向角运动微分方程

无人车的三自由度运动模型：

其中m为整车总质量；Iz为整车绕铅垂轴转动惯量；a1、b分别为整车质心至前、后轴的距离；δ为前轮转角；Fyf为前轮侧偏力；Fyr为后轮侧偏力；Fxf为前轮驱动力/制动力；Fxr为后轮驱动力/制动力；Ff为滚动阻力；Fw为空气阻力；

无人车的运行轨迹方程：

其中θ为无人车的航向角,为无人车质心在横坐标上的位移，为无人车质心在纵坐标上的位移；

航向角运动微分方程：

所述步骤5中自动驾驶系统在安全区域内按照局部路径驾驶无人车的具体方法为：

步骤5.1：将所有约束条件归纳为以Mayer型为优化目标的最优控制问题，得到如下方程：

步骤5.2：利用Radau伪谱法对以上最优控制问题进行求解，将时间区间t∈[t0,te]转换成τ∈[-1,1]，则τ＝2t/(te-t0)-(te+t0)/(te-t0)，将公式30转换成如下所示：

步骤5.3：K阶LGR点是多项式PK(τ)-PK-1(τ)的根，其中PK(τ)即为K阶Legendre多项式。为使节点能覆盖区间端点，Radau伪谱法的节点为配点与初始时间点τ0＝-1。当节点个数为N时，则配点个数为K(K＝N-1)，即配点取N-1阶LGR点；

采用N个拉格朗日插值多项式Li(τ)(i＝0,1,…,N-1)作为基函数来近似状态变量：

其中，X′(τ)为近似的状态变量，X(τ)为实际的状态变量；N为Radau伪谱法的节点的总个数，τi为Radau伪谱法的第i个节点，i＝0,1,2,3,…N；Lagrange插值多项式函数τj为Radau伪谱法的第j个节点,j＝0,1,2,3,…N；

步骤5.4:采用Lagrange插值多项式L^*i(τ)，(i＝1,…,N-1)作为基函数来近似控制变量，即：

式中，

对式32求导，得到：

其中微分矩阵Dki表达式为：

其中，τi为Radau伪谱法的第i个节点，τ′k为Radau伪谱法的第k个配点，Radau伪谱法配点的总数K＝1,2,3,…N；g(τi)＝(1+τi)[PK(τi)-PK-1(τi)],其中PK为K阶Lagrange多项式；

步骤5.5：将公式34在配点τ’k处离散，得到

步骤5.6:将最优控制问题转换成如下非线性规划问题：

其中

约束条件为：

C[X(τ′k)，Z(τ′k)，τ’k；t0，te]≤0

步骤5.7：利用序列二次规划算法对公式36进行求解，得到无人车的最优控制输入。

所述步骤4中，智能决策系统规划出基于全局路径的局部路径的具体方法为：

基于人工势场法原理，设无人车所在的位置坐标为q＝(x,y)^T，设驾驶任务中目标点即目的地所在的位置坐标为qg＝(xg,yg)^T；

则目标点对无人车的引力为：

其中，kyin为引力常数，ρ(q)＝||q-qg||，即无人车与目标点的欧式距离；Uat(q)为势能场中位置q处的引力场；

障碍物对无人车的斥力为：

式中，η为斥力常数，ρc(q)＝||q-qc||,ρ0是一个常数代表障碍物的影响距离，ρc为无人车与障碍物的最短距离，qc为障碍物的位置；

当无人车在某一点时，受到障碍物和目标点的力的叠加，如下公式所示：

n表示无人车在当前位置受到的斥力的个数

动态障碍物对无人车的斥力如下所示：

速度斥力表达式如下

其中，Urev(q)为位置q的相对速度势场，q0为动态障碍物所在的位置坐标，krev为速度势场斥力常数，Vor为障碍物与无人车的相对速度，α为无人车和障碍物之间的相对位置和速度矢量间的夹角；基于速度的人工势场法表达式如下：

无人车受到的斥力函数

Fre(q,v)＝Fre(q)+Frev(q) (41)

无人车受到的合力为

F(q，v)＝Fat(q)+Fre(q，v) (42)

无人车受到的合力的方向即为无人车行驶的方向。

所述判断驾驶员是否有能力应对该站障碍物的具体方法为：

如果满足下面三个条件，则判定驾驶员有能力应对危险状况；否则认定驾驶员没有能力应对该危险状况；

条件一：无人车与障碍物之间的距离大于安全距离；

条件二：方向盘的转角δsw在[δswmin，δswmax]，范围内；其中δswmin为δsw的最小值，δswmax为δsw的最大值；

条件三：驾驶员的反应时间tr≥trmin；其中trmin为反应时间tr的最小值；

所述安全距离的表达式如下所示:

s0＝s1+s2+s3 (43)

其中，

S1＝u(t1+t2)

其中，u为无人车的纵向速度，a为制动加速度；s1为达到最大制动加速度到最终汽车停止，这段时间无人车行驶的距离；s2为从制动器开始起作用到达到最大制动加速度，这段时间无人车行驶的距离；t1，t2为驾驶员的制动反应时间和制动器的作用时间，t3为持续制动时间。

所述安全区域由无人车与每一个障碍物之间的安全距离确定。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。