一种无人驾驶汽车纵向控制方法技术

本发明专利技术提供一种无人驾驶汽车纵向控制方法，包括：操作S1：建立车辆纵向控制系统离散运动学模型，将状态期望加速度作为该纵向控制系统离散运动学模型的输入控制量；操作S2：创建线性TD并通过线性TD安排参考速度信号和参考加速度信号的过渡过程，将阶跃的参考速度信号和参考加速度信号转换为连续的参考信号序列；操作S3：创建MPC，与所述线性TD相连，基于线性TD输入的参考序号序列在存在控制量约束与控制量增量约束的情况下通过所述离散运动学模型得到最优控制序列，完成无人驾驶汽车纵向控制，改善了因传统方法无法处理由于物理因素限制，有调节时间短和稳态误差小的优势。

【技术实现步骤摘要】
一种无人驾驶汽车纵向控制方法
本专利技术属于无人驾驶控制领域，具体讲，涉及一种结合线性跟踪微分器和模型预测控制算法的无人驾驶车辆纵向控制方法。
技术介绍
近年来，电动汽车广泛应用于各种场景，如无人驾驶汽车、智慧城市等。与传统的内燃机汽车相比，电动汽车具有高效、节能、环保等优点。从理想的情况来看，电动汽车会逐渐取代传统汽车，有利于实现车辆尾气零排放。环境感知、运动规划、运动控制是无人驾驶技术中的三大核心技术。其中，由于道路状况复杂、行驶环境多样、执行器物理约束等因素的影响，运动控制对无人驾驶技术至关重要。目前，可以将运动控制分为横向控制与纵向控制，横向控制的目标是实现轨迹跟踪，纵向控制的目标是实现速度跟踪。在控制过程中，横向控制效果往往会受到纵向控制效果的影响，而纵向控制并不会受到横向控制因素的制约，这也是在很多纵向控制研究工作中，并没有考虑横向车辆系统的运动情况。对于纵向控制，在能量优化、安全性和乘坐舒适性等多种指标要求下，经济速度控制和最优速度控制是两个重点研究内容。但是，一般来说，由于参考信号在大多数情况下是不连续的导致纵向控制性能很难得到稳定的保障。尤其是在缺少合理的速度规划功能的情况下，参考信号的加速度需要满足电动汽车的物理特性，但是在很多研究中，并没有给予考虑，导致参考信号并不恰当。此外，由于执行器物理约束所带来的控制输入约束以及输入增量约束导致最优速度控制变得较为困难。控制输入约束主要针对在纵向控制中执行环节受到的物理限制以及人为设定的限制。而为了避免由于控制输入的频繁变化和大幅度变化而导致执行器损坏，通常通过增加输入增量约束进行处理。然而，基于PID控制器或LQR等传统控制算法无法解决这两种约束。因此，在电动汽车的纵向控制中，考虑控制量约束和控制量增量约束并研究如何得到合理可靠的参考信号是具有重要意义的。模型预测控制(ModelPredictiveControl，MPC)算法是可以主动处理多约束的代表算法之一，在无人驾驶规划和控制模块中已经得到广泛应用。尤其在大多数的纵向控制方案中，MPC除了用来处理基本物理约束以外，往往还用来实现低油耗、乘坐舒适性、平滑轨迹等人为指定性能。MPC在当前时刻根据被控对象的数学模型预测在未来一段时域内的误差状态，然后按照指定性能要求构造目标函数，最后通过优化算法求解出使目标函数值最小的控制量序列，并把控制序列的第一个分量作用在实际被控系统上。虽然近年关于MPC的研究具有大量的实验验证，但是在这些工作中并没有体现对MPC的迭代可行性和稳定性进行分析，导致这些结果缺乏理论支撑。除此以外，在实际控制中，不可靠的参考信号可能会导致MPC在终端约束较为保守的情况下丢失初始时刻的可行解，这种情况并不能通过整定MPC参数进行解决。跟踪微分器(TrackingDifferentiator，TD)常常用来处理不合理的参考信号，安排较为合理的过渡过程，从而改善跟踪效果。线性TD主要基于一阶惯性环节对阶跃参考信号安排无超调的过渡过程，还可以获取参考信号的合理微分信号，基于TD对阶跃参考信号进行过渡过程的安排是一种可行的处理方法。
技术实现思路
(一)要解决的技术问题有鉴于此，本专利技术提供了一种结合线性跟踪微分器和模型预测控制算法的无人驾驶车辆纵向控制器，以期解决上述提及的技术问题中的至少之一。(二)技术方案本公开提供了一种无人驾驶汽车纵向控制方法，包括：操作S1：建立车辆纵向控制系统离散运动学模型，将状态期望加速度作为该纵向控制系统离散运动学模型的输入控制量；操作S2：创建线性TD并通过线性TD安排参考速度信号和参考加速度信号的过渡过程，将阶跃的参考速度信号和参考加速度信号转换为连续的参考信号序列；以及操作S3：创建MPC，与所述线性TD相连，基于线性TD输入的参考序号序列在存在控制量约束与控制量增量约束的情况下通过所述离散运动学模型得到最优控制序列，完成无人驾驶汽车纵向控制。在本公开实施例中，所述离散运动学模型为：其中，x(k)为状态变量，x(k)＝[v(k)，a(k)]T，u(k)为控制输入量，u(k)＝ades(k)，止为系统矩阵，B为控制矩阵，C为输出矩阵，具体形式如下：其中，T为控制周期。在本公开实施例中，所述线性TD形式为：xr(k+1)＝Arxr(k)+Brv0(k)(3)其中，xr(k)＝[vr(k)ar(k)]T，v0(k)为原始参考信号，属于阶跃信号，vr(k)为线性TD输出的参考速度信号，ar(k)为线性TD输出的参考加速度信号，另外，Ar和Br具体形式如下：其中，当参数s满足时，线性TD的跟踪误差etd＝[vr(k)-v0(k)ar(k)]T收敛至[00]T。在本公开实施例中，所述MPC为：其中，m代表着预测时域长度，U*(k)为在k时刻通过优化求解算法得到的最优控制序列，Ke(k)为终端线性反馈控制器表达式，κ(e(k))表示闭环系统稳定性。在本公开实施例中，所述操作S3中：基于指定的阶跃速度信号，通过线性TD得到合理的参考加速度信号以及参考速度信号，MPC根据线性TD的输出进行优化问题的在线求解过程，得到每个时刻的最优控制量，并作用于实际系统中，使车辆纵向系统产生相应的动作，并不断重复该过程，能够使车辆对指定阶跃信号持续跟踪。在本公开实施例中，将MPC和TD相结合，通过TD来安排如阶跃信号这类不合理参考信号的过渡过程，保证MPC优化求解过程的顺利进行。在本公开实施例中，通过理论分析过程确定了TD的参数s，在满足0≤s≤1/T范围内，能够保证TD的收敛性。在本公开实施例中，通过理论分析过程确定了MPC的参数Q、R和P的选取方法和规则，保证闭环系统的迭代可行性以及稳定性。(三)有益效果从上述技术方案可以看出，本专利技术带有跟踪微分器的无人驾驶电动汽车模型预测纵向控制器，至少具有以下有益效果其中之一或其中一部分：(1)改善了因传统方法无法处理由于物理因素限制，以及人为指定限制所带来的控制量增量约束和控制量约束，导致的只能通过额外增加饱和条件进行解决的方案；(2)解决了在原始的MPC控制方案中参考信号在终端状态约束存在的情况下会影响车辆纵向控制初始时刻的可行解的计算问题；(3)得到了基于基本的双模MPC保证系统的稳定性与迭代可行性，主动将控制量和控制量增量限制转换为优化问题的约束条件，并通过设计目标函数进行优化求解予以解决的优控制量；(4)可以对阶跃速度信号进行稳定的跟踪，并且相比于PID控制器的控制，有调节时间短和稳态误差小的优势。附图说明图1为本公开实施例用于无人驾驶汽车纵向控制方法的实验平台的纵向控制系统的框架示意图。图2为本公开实施例用于无人驾驶汽车纵向控制方法的实验平台的底层系统示意图。图3为本公开实施例用于无人驾驶汽车纵向控制方法的纵向控制系统的控制结构示意图。图4为本公开实施例用于无本文档来自技高网...

【技术保护点】
1.一种无人驾驶汽车纵向控制方法，包括：/n操作S1：建立车辆纵向控制系统离散运动学模型，将状态期望加速度作为该纵向控制系统离散运动学模型的输入控制量；/n操作S2：创建线性TD并通过线性TD安排参考速度信号和参考加速度信号的过渡过程，将阶跃的参考速度信号和参考加速度信号转换为连续的参考信号序列；以及/n操作S3：创建MPC，与所述线性TD相连，基于线性TD输入的参考序号序列在存在控制量约束与控制量增量约束的情况下通过所述离散运动学模型得到最优控制序列，完成无人驾驶汽车纵向控制。/n

【技术特征摘要】
1.一种无人驾驶汽车纵向控制方法，包括：
操作S1：建立车辆纵向控制系统离散运动学模型，将状态期望加速度作为该纵向控制系统离散运动学模型的输入控制量；
操作S2：创建线性TD并通过线性TD安排参考速度信号和参考加速度信号的过渡过程，将阶跃的参考速度信号和参考加速度信号转换为连续的参考信号序列；以及
操作S3：创建MPC，与所述线性TD相连，基于线性TD输入的参考序号序列在存在控制量约束与控制量增量约束的情况下通过所述离散运动学模型得到最优控制序列，完成无人驾驶汽车纵向控制。


2.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，所述离散运动学模型为：



其中，x(k)为状态变量，x(k)＝[v(k)，a(k)]T，u(k)为控制输入量，u(k)＝ades(k)，A为系统矩阵，B为控制矩阵，C为输出矩阵，具体形式如下：

C＝[10]
其中，T为控制周期。


3.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，所述线性TD形式为：
xr(k+1)＝Arxr(k)+Brv0(k)(3)
其中，xr(k)＝[vr(k)ar(k)]T，v0(k)为原始参考信号，属于阶跃信号，vr(k)为线性TD输出的参考速度信号，ar(k)为线性TD输出的参考加速度信号，另外，Ar和Br具体形式如下：



其中，当参数s满足时，...

【专利技术属性】
技术研发人员：王一晶，曹世卓，左志强，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12