一种时域变权重的驾驶员-自动驾驶系统柔性接管方法技术方案

本发明专利技术公开了一种时域变权重的驾驶员‑自动驾驶系统的柔性接管方法，其通过模糊评价指标判断危险程度，然后通过时域中权重的改变，使驾驶员的意图逐渐转移到自动驾驶控制器意图上，实现自动驾驶控制器到驾驶员的平滑接管。包括以下步骤：步骤一、设计MPC自动驾驶控制器；步骤二、基于模糊规则的车辆危险程度评估：采用模糊化方法建立车辆危险指数Γ与驾驶环境危险指数和驾驶员操作危险指数的模糊规则，获得车辆危险指数Γ关于和的三维map；实时确定驾驶环境危险指数和驾驶员操作危险指数，利用所述三维map得到车辆危险指数；步骤三、驾驶员‑自动驾驶系统柔性接管。

【技术实现步骤摘要】
一种时域变权重的驾驶员-自动驾驶系统柔性接管方法
本专利技术涉及一种时域变权重的驾驶员-自动驾驶系统柔性接管方法，是考虑了驾驶员-自动驾驶控制器接管过程中平滑性的一种方法，属于无人驾驶汽车领域。
技术介绍
由于驾驶员操作的限制，在一些危险情况下驾驶员已经没有能力保持车辆继续安全行驶，这时就需要自动驾驶控制器进行接管。传统的接管方式往往都是以“开关方式”进行接管的，即当判断车辆有潜在的驾驶危险后，自动驾驶控制器立即接管，获得驾驶权。但是这种接管方式很难保证接管瞬间的平滑过渡，甚至可能在接管过程中造成车辆状态突变，导致车辆失稳。由此可见接管过程的平滑性对于无人驾驶汽车安全接管是至关重要的。
技术实现思路
为了解决现有技术存在的上述问题，本专利技术提供一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法，其通过模糊评价指标判断危险程度，然后通过时域中权重的改变，使驾驶员的意图逐渐转移到自动驾驶控制器意图上，实现自动驾驶控制器到驾驶员的平滑接管。本专利技术得目的是通过以下技术方案实现的：一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法，包括以下步骤：步骤一、设计MPC自动驾驶控制器：通过车辆动力学和运动学关系模型，经过约束和优化，得到自动驾驶控制器为：满足：x(k+i+1)＝Acx(k+i)+Bcu(k+i)式中：Cψ＝[0100].其中，J为优化函数的目标函数；δh为驾驶员输入的前轮转角，单位：rad；β(k+i)为k+i时刻质心侧偏角的采样值，单位：rad；ψ(k+i)为k+i时刻车辆横摆角的采样值，单位：rad；LF为车辆质心o到车辆前端点F的距离，单位：m；LR为车辆质心o到车辆后端点R的距离，单位：m；u(k)为k时刻系统控制量，单位：rad；Δu(k+i)为k+i时刻的系统控制量增量，单位：rad；x(k+i)为k+i时刻的系统状态向量；y(k+i)为k+i时刻的系统输出量；P为预测时域，N为控制时域；WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数；yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值，单位：m；yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值，单位：m；yc(k+i)为道路中心线在k+i时刻采样值，单位：m；Ts为采样时间，单位：s；τ为系统时刻，单位：s；x为系统的状态向量；A为系统矩阵；Ac为离散后的系统矩阵；B为输入矩阵；Bc为离散后的输入矩阵；步骤二、基于模糊规则的车辆危险程度评估：分别计算驾驶员操作危险指数Edriver和驾驶环境危险指数Eroad；采用模糊化方法建立车辆危险指数Γ与驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver的模糊规则，获得车辆危险指数Γ关于Eroad和Edriver的三维map；最后实时确定驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver，利用所述三维map得到车辆危险指数Γ；步骤三、驾驶员-自动驾驶系统柔性接管：(3.1)参数初始化：设计危险评估阈值Γth，接管持续时间Ttransmit；驾驶员权重函数WR和自动驾驶控制器权重函数WF；(3.2)危险评估：根据模糊规则得到的车辆危险指数Γ来进行危险程度评估，判断是否触发接管；(3.3)接管触发：当T≥Γth时，开始触发接管，记录下此时的时刻为Tt0；(3.4)接管过程：设定接管持续时间为Ttransmit，在接管时间段内完成从驾驶员意图到自动驾驶控制器意图的平滑过渡；(3.5)接管完成：当接管时间结束时，驾驶权已经完全转移到自动驾驶控制器，进入自动驾驶模式。进一步地，所述步骤一设计MPC自动驾驶控制器包括以下具体步骤：(1.1)自动驾驶控制器设计模型建立根据动力学和运动学关系，可以得到如下表达式：其中，β为质心侧偏角，单位，rad；v为车辆质心处的纵向速度，单位，m/s；ψ为车辆的横摆角，单位：rad；r为车辆的横摆角速度，单位，rad/s；Cf为车辆前轮轮胎的侧偏刚度，单位，N/rad；Cr为车辆后轮轮胎的侧偏刚度，单位，N/rad；m为车辆的质量，单位，kg；Iz为车辆绕z轴的转动惯量，单位，kg·m2；a为车辆质心o到车辆前轴的距离，单位，m；b为车辆质心o到车辆后轴的距离，单位，m；δf为车辆前轮转向角，单位，rad；我们选取[yψβr]作为系统状态变量，选取前轮转角δf作为系统控制输入，得到系统状态方程如式(3)所示：其中：其中，x为系统的状态向量；u为系统控制量；A为系统矩阵；B为输入矩阵；将式(3)离散化，得到离散时间的车辆系统模型：x(k+1)＝Acx(k)+Bcu(k)(4)式中，其中Ts为采样时间；假定预测时域为P，控制时域为N，且满足N≤P；同时假定控制时域之外的控制量保持不变，即u(k+N)＝u(k+N+1)＝…＝u(k+P-1)，可推导出P步的状态预测方程：定义：为自动驾驶控制器预测的输出量；(1.2)自动驾驶控制器约束：自动驾驶控制器约束如下：式中，ψ(k+i)＝[0100]x(k+i),yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值，单位，m；yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值，单位，m；LF为车辆前端到质心的距离，单位，m；LR为车辆后端到质心的距离，单位，m；ω为车身的宽度；单位：m；(1.3)优化目标函数确定：目标函数中包含驾驶员意图项J1和自动驾驶控制器意图项J2：最终，自动驾驶控制器整理为：满足：x(k+i+1)＝Acx(k+i)+Bcu(k+i)式中：Cψ＝[0100].其中，J为优化函数的目标函数；δh为驾驶员输入的前轮转角，单位：rad；β(k+i)为k+i时刻质心侧偏角的采样值，单位：rad；ψ(k+i)为k+i时刻车辆横摆角的采样值，单位：rad；LF为车辆质心o到车辆前端点F的距离，单位：m；LR为车辆质心o到车辆后端点R的距离，单位：m；u(k)为k时刻系统控制量，单位：rad；Δu(k+i)为k+i时刻的系统控制量增量，单位：rad；x(k+i)为k+i时刻的系统状态向量；y(k+i)为k+i时刻的系统输出量；P为预测时域，N为控制时域；WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数；yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值，单位：m；yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值，单位：m；yc(k+i)为道路中心线在k+i时刻采样值，单位：m；Ts为采样时间，单位：s；τ为系统时刻，单位：s；x为系统的状态向量；A为系统矩阵；Ac为离散后的系统矩阵；B为输入矩阵；Bc为离散后的输入矩阵。进一步地，所述步骤二基于模糊规则的车辆危险程度评估包括以下具体步骤：(2.1)驾驶环境危险指数表达式：其中，Yv表示车辆质心当前坐标；Yc表示道路中心线坐标；ER是一个大于0的确定系数；(2.2)驾驶员操作危险指数表达式：其中，δd表示驾驶员期望的前轮转角；δprediction表示系统预测的前轮转角，它是由上一时刻预测控制中预测得到的，ED是调节系数；(2.3)车辆危险指数Γ关于驾驶环境危险指数和驾驶员操作危险指数的三维map：利用驾驶环境危险指数E本文档来自技高网...

【技术保护点】
1.一种时域变权重的驾驶员‑自动驾驶系统的柔性接管方法，其特征在于，包括以下步骤：步骤一、设计MPC自动驾驶控制器：通过车辆动力学和运动学关系模型，经过约束和优化，得到自动驾驶控制器为：

【技术特征摘要】
1.一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法，其特征在于，包括以下步骤：步骤一、设计MPC自动驾驶控制器：通过车辆动力学和运动学关系模型，经过约束和优化，得到自动驾驶控制器为：满足：x(k+i+1)＝Acx(k+i)+Bcu(k+i)式中：Cψ＝[0100].其中，J为优化函数的目标函数；δh为驾驶员输入的前轮转角，单位：rad；β(k+i)为k+i时刻质心侧偏角的采样值，单位：rad；ψ(k+i)为k+i时刻车辆横摆角的采样值，单位：rad；LF为车辆质心o到车辆前端点F的距离，单位：m；LR为车辆质心o到车辆后端点R的距离，单位：m；u(k)为k时刻系统控制量，单位：rad；Δu(k+i)为k+i时刻的系统控制量增量，单位：rad；x(k+i)为k+i时刻的系统状态向量；y(k+i)为k+i时刻的系统输出量；P为预测时域，N为控制时域；WR和WF分别为驾驶员意图权重函数和自动驾驶控制器权重函数；yl(k+i)为前方可行道路区域左边界线yl(x)在时刻k+i的采样值，单位：m；yr(k+i)则为前方可行道路区域右边界线yr(x)在时刻k+i的采样值，单位：m；yc(k+i)为道路中心线在k+i时刻采样值，单位：m；Ts为采样时间，单位：s；τ为系统时刻，单位：s；x为系统的状态向量；A为系统矩阵；Ac为离散后的系统矩阵；B为输入矩阵；Bc为离散后的输入矩阵；步骤二、基于模糊规则的车辆危险程度评估：分别计算驾驶员操作危险指数Edriver和驾驶环境危险指数Eroad；采用模糊化方法建立车辆危险指数Γ与驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver的模糊规则，获得车辆危险指数Γ关于Eroad和Edriver的三维map；最后实时确定驾驶环境危险指数Eroad和驾驶员操作危险指数Edriver，利用所述三维map得到车辆危险指数Γ；步骤三、驾驶员-自动驾驶系统柔性接管：(3.1)参数初始化：设计危险评估阈值Γth，接管持续时间Ttransmit；驾驶员权重函数WR和自动驾驶控制器权重函数WF；(3.2)危险评估：根据模糊规则得到的车辆危险指数Γ来进行危险程度评估，判断是否触发接管；(3.3)接管触发：当T≥Γth时，开始触发接管，记录下此时的时刻为Tt0；(3.4)接管过程：设定接管持续时间为Ttransmit，在接管时间段内完成从驾驶员意图到自动驾驶控制器意图的平滑过渡；(3.5)接管完成：当接管时间结束时，驾驶权已经完全转移到自动驾驶控制器，进入自动驾驶模式。2.如权利要求1所述的一种时域变权重的驾驶员-自动驾驶系统的柔性接管方法，其特征在于，所述步骤一设计MPC自动驾驶控制器包括以下具体步骤：(1.1)自动驾驶控制器设计模型建立根据动力学和运动学关系，可以得到如下表达式：其中，β为质心侧偏角，单位，rad；v为车辆质心处的纵向速度，单位，m/s；ψ为车辆的横摆角，单位：rad；r为车辆的横摆角速度，单位，rad/s；Cf为车辆前轮轮胎的侧偏刚度，单位，N/rad；Cr为车辆后轮轮胎的侧偏刚度，单位，N/rad；m为车辆的质量，单位，kg；Iz为车辆绕z轴的转动惯量，单位，kg·m2；a为车辆质心o到车辆前轴的距离，单位，m；b为车辆质心o到车辆后轴的距离，单位，m；δf为车辆前轮转向角，单位，rad；我们选取[yψβr]作为系统状态变量，选取前轮转角δf作为系统控制输入，得到系统状态方程如式(3)所示：其中：x＝[yψβr]T,u＝δf.其中，x为系统的状态向量；u为系统控制量；A为系统矩阵；B为输入矩阵；将式(3)离散化，得到离散时间的车辆系统模型：x(k+1)＝Acx(k)+Bcu(k)(4)式中，其中Ts为采样时间；假定预测时域为P，控制时域为N，且满足N≤P；同时...

【专利技术属性】
技术研发人员：郭洪艳，郭洋洋，薄悦，刘俊，陈虹，王萍，宋林桓，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22