【技术实现步骤摘要】
一种无人车辆极限工况下横纵向耦合控制方法
[0001]本专利技术涉及智能车辆横纵向耦合控制
，特别是关于一种无人车辆极限工况下横纵向耦合控制方法。
技术介绍
[0002]无人驾驶车辆运动控制技术包括纵向和横向控制。现有研究策略大多将纵、横向运动解耦进行独立控制，如基于目标速度的纵向控制，以及仅考虑在恒定车速下的车辆横向控制。这类方法只能保证在简单的道路工况如高速公路或小曲率道路等的轨迹跟踪，而当车辆进行高速过弯时，仅依靠前轮转向容易导致车辆不稳定，甚至导致高速侧翻等危险情况的发生。因此，当面对高速大曲率工况时，要求无人驾驶车辆在入弯后能够自适应地降低车速，通过牺牲一定的纵向控制精度来提高横向控制性能及车辆稳定性，出弯后应能够根据当前期望车速主动提高速度，完成快速稳定的轨迹跟踪。
[0003]目前，无人驾驶车辆轨迹跟踪纵横向控制主要分为基于车辆运动学模型和基于车辆动力学模型的控制方法两大类。基于运动学设计的轨迹跟踪纵横向控制算法在低速小曲率道路工况下能保证一定的控制性能，模型简单且参数易调节，但在高速大曲率工况，...
【技术保护点】
【技术特征摘要】
1.一种无人车辆极限工况下横纵向耦合控制方法，其特征在于，包括：构建NMPC横纵向耦合控制预测模型、横向NMPC控制模型和纵向PID控制模型；将所述NMPC横纵向耦合控制预测模型及其相应的车辆模型和性能评价指标函数组成第一控制器；将所述横向NMPC控制模型及其相应的车辆模型和性能评价指标函数、结合所述纵向PID控制模型组成第二控制器；在每个控制周期内，根据当前车速和道路曲率判断当前行驶工况，选择所述第一控制器或所述第二控制器对车辆速度及前轮转角进行控制；其中，所述横纵向耦合控制预测模型描述为式(3)：所述横向NMPC控制模型描述为式(4)：所述纵向PID控制模型描述为式(5)：Δa(k)＝K
p
(e(k)
‑
e(k
‑
1))+K
i
e(k)+K
D
[e(k)
‑
2e(k
‑
1)+e(k
‑
2))
ꢀꢀꢀꢀ
(5)式中，y
e
为车辆横向距离偏差，为车辆横向距离偏差变化率，ε
e
为车辆航向角偏差，为车辆航向角偏差变化率，为车辆纵向速度V
x
，为车辆横向速度V
y
，κ为跟踪目标点处的道路曲率，分别为车辆纵向速度和横向速度，为车辆沿x轴的纵向加速度a
x
，为车辆沿y轴的横向加速度a
y
，m为车辆质量，为车辆横摆角，为车辆横摆角速度，为车辆横摆角速度随时间的变化率，β为车辆质心侧偏角，为车辆质心侧偏角随时间的变化率，δ
f
为车辆前轮转角，l
f
为质心到前轴中心的距离，l
r
为质心到后轴中心的距离，C
cf
为前轮侧偏刚度，C
cr
为后轮侧偏刚度，I
z
为车辆转动惯量，K
p
、K
i
、K
D
为预设的PID系数，e(k)为k时刻期望速度v
des
与当前速度v之间的偏差，Δa(k)为k时刻的纵向加速度增量。2.如权利要求1所述的无人车辆极限工况下横纵向耦合控制方法，其特征在于，所述性能评价指标函数表示为式(12)：式中，Δa
x
(k+i)、Δδ
f
(k+i)分别为车辆在(k+i)预测时刻的纵向、横向控制增量；E
y
(k+i)为修正后的车辆在(k+i)预测时刻的横向距离偏差y
e
，E
yaw
(k+i)为修正后的车辆在(k+i)预测时刻的航向角偏差ε
′
e
，为车辆在(k+i)预测时刻的参考路点的期望速度与步式(3)的第一项计算的车辆在(k+i)预测时刻的速度预测值之间的速度偏差，β(k+i)为车辆在(k+i)预测时刻的质心侧偏角预测值，N
p
为预测时域，N
c
为控制时域，Q1、Q2、Q3、Q4、R1和R2分别为权重系数；其中，Q3和R1均取非零值时，式(12)为所述NMPC横纵向耦合控制预测模型的性能评价指标函数；Q3和R1均取零值时，式(12)为所述横向NMPC控制模型的性能评价指标函数；将所述横纵向耦合控制预测模型的车辆模型描述为式(6)：式中，状态变量控制量u(t)＝[a
x
,δ
f
]，控制增量Δu(t)＝[Δa
x
,Δδ
f
]；将所述解耦控制预测模型的车辆模型描述为式(7)：式中，状态变量控制量u(t)＝[δ
f
]，控制增量Δu(t)＝[Δδ
f
]；所述第一控制器的控制量为：通过采用式(3)和式(6)，结合所述横纵向耦合控制预测模型的性能评价指标函数，利用最小化求解方式获得所述NMPC横纵向耦合控制的最优控制增量Δu(t)＝[Δa
x
,Δδ
f
]，与上一时刻控制量相加，获得当前控制量u(t)＝u(t
‑
1)+Δu(t)；所述第...
【专利技术属性】
技术研发人员：秦兆博，梁旺，谢国涛，王晓伟，秦晓辉，徐彪，边有钢，秦洪懋，胡满江，丁荣军，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。