神经网络控制器与基于模型的控制器相组合的车辆控制制造技术

一种用于自动驾驶员辅助的车辆控制系统，包括基于模型的控制器，该控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第一控制信号以改变车辆的多个致动器的操作。车辆控制系统还包括神经网络控制器，其基于车辆的参考轨迹以及车辆和致动器的当前状态，生成第二控制信号以改变车辆的致动器的操作。车辆控制系统还包括组合模块，该组合模块组合第一控制信号和第二控制信号，以基于组合信号操作致动器。动器。动器。

【技术实现步骤摘要】
神经网络控制器与基于模型的控制器相组合的车辆控制


[0001]本主题公开涉及汽车的自动控制，尤其涉及组合基于状态观测器的控制器将神经网络用于这样的自动控制。

技术介绍

[0002]现代车辆通常组合有各种各样的传感器和控制器，其中的许多传感器和控制器(例如制动踏板车辆控制系统致动器和加速器踏板致动器)可以被实现为电子“电传操纵(fly
‑
by
‑
wire)”系统而不是机械控制系统。这些组件由控制器连续监控，以方便车辆控制。
[0003]期望提供通过将常规控制与神经网络相组合来改善车辆轨迹跟踪的改进的车辆控制。

技术实现思路

[0004]在一个示例性实施例中，一种用于自动驾驶员辅助的车辆控制系统包括基于模型的控制器，该基于模型的控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第一控制信号，以改变车辆的多个致动器的操作。车辆控制系统还包括神经网络控制器，该神经网络控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第二控制信号，以改变车辆的致动器的操作。车辆控制系统还包括组合模块，该组合模块组合第一控制信号和第二控制信号，以基于组合信号来操作致动器。
[0005]在一个或多个实施例中，第一控制信号是基于来自与车辆和致动器相关联的一组传感器的一个或多个测量值而生成的。
[0006]在一个或多个实施例中，神经网络控制器被预训练以使用一个或多个调整参数来生成第二控制信号。
[0007]在一个或多个实施例中，可以通过改变一个或多个调整参数来调节基于模型的控制器。调整参数可以由神经网络控制器读取作为附加观测值。
[0008]在一个或多个实施例中，车辆的致动器操作车辆的转向、动力系和制动器中的至少一个。
[0009]在一个或多个实施例中，神经网络控制器进一步基于由基于模型的控制器输出的预测状态来生成第二控制信号。
[0010]在另一个示例性实施例中，一种用于通过车辆控制系统进行自动驾驶员辅助的计算机实现的方法包括由基于模型的控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第一控制信号，以改变车辆的多个致动器的操作。该方法还包括由神经网络控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第二控制信号，以改变车辆的致动器的操作。该方法还包括由组合模块组合第一控制信号和第二控制信号，以基于组合信号来操作致动器。
[0011]在又一示例性实施例中，一种车辆包括用于控制车辆操作的多个致动器。该车辆还包括用于自动驾驶员辅助的车辆控制系统，该车辆控制系统被动态调整以控制车辆的操
作。该车辆控制系统包括基于模型的控制器，该基于模型的控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第一控制信号，以改变车辆的一组致动器的操作。车辆控制系统还包括神经网络控制器，该神经网络控制器基于车辆的参考轨迹和致动器的当前状态生成第二控制信号，以改变车辆的该一组致动器的操作。车辆控制系统还包括组合模块，该组合模块组合第一控制信号和第二控制信号，以基于组合信号操作致动器。
[0012]当组合附图时，根据以下详细描述，本公开的上述特征和优点以及其他特征和优点将变得显而易见。
附图说明
[0013]其他特征、优点和细节仅作为示例出现在以下详细描述中，详细描述参考附图，在附图中:
[0014]图1是典型车辆控制系统的框图；
[0015]图2是根据一个或多个实施例的使用基于模型的控制器和神经网络控制器的组合的车辆控制系统；
[0016]图3是根据一个或多个实施例的使用基于模型的控制器和神经网络控制器的组合来自主执行车辆的一个或多个操作的方法的流程图；
[0017]图4是根据一个或多个实施例的车辆控制系统的框图；和
[0018]图5是根据一实施例的计算机系统的框图。
具体实施方式
[0019]以下描述本质上仅仅是示例性的，并不旨在限制本公开、其应用或用途。应当理解，在所有附图中，相应的附图标记表示相似或相应的部件和特征。如本文所使用的，术语“模块”指的是处理电路，其可以包括专用集成电路、电子电路、处理器(共享的、专用的或成组的)和执行一个或多个软件或固件程序的存储器、组合逻辑电路和/或提供所述功能的其他合适的组件。
[0020]根据示例性实施例，描述了一种用于车辆控制的方法，该方法通过将来自车辆轨迹控制器的信号与神经网络控制器相组合来控制车辆的操作/轨迹，从而改善车辆轨迹跟踪。现有轨迹控制器的技术挑战包括对未建模的车辆动力学(的敏感性，以及关于建模的参数和非线性的变化或不确定性。本文描述的实施例通过使用神经网络控制器组合轨迹控制器来解决这些技术挑战。
[0021]然而，在车辆中使用神经网络控制器具有技术挑战。例如，神经网络控制器缺乏在线调整(tuning)，并且训练神经网络控制器需要大量样本，此外，这样的训练在现实世界中的车辆操作期间是不期望的。
[0022]本文描述的实施例也解决了神经网络控制器的这种技术挑战。通过组合常规的轨迹控制器和神经网络控制器，本文描述的实施例便于利用轨迹控制器的基于模型的方法，例如在线调整，以及神经网络控制器的数据驱动方法，例如优越的非线性控制。因此，这种组合解决了两种方法的缺点。
[0023]现在参考图1，描绘了典型的车辆控制系统的框图。车辆100包括用于控制一个或多个车辆致动器102的模块。车辆致动器102物理地改变车辆100的操作。除了车辆100的其
他部件之外，车辆致动器102可以引起转向122、动力系124、制动器126的操作的改变。车辆致动器102基于来自车辆控制器110特别是作为车辆控制器110的一部分的轨迹控制器112的控制信号(u
ff
)来改变这些部件的操作。轨迹控制器112基于车辆100的一个或多个估计状态(x)产生控制信号(u
ff
)。控制信号(u
ff
)可以包括诸如将转向转动Y度、将制动踏板推Y％的命令，或者物理上改变车辆100的操作的任何其他这样的命令。
[0024]车辆100的状态(x)由状态估计器106基于来自与车辆100相关联的一个或多个传感器104的测量来估计。状态估计器106可以使用已知的状态估计技术，例如卡尔曼滤波或任何其他技术。车辆100的状态(x)可以包括燃料节气门的位置、制动踏板的位置、转向的位置以及车辆100的其他这样的操作状态。传感器104测量物理量并生成电信号形式的考虑周到的输出，该输出可以提供便于估计车辆100的这种状态(x)的测量。例如，传感器104可以提供测量值，例如速度、加速度、角速度以及与车辆致动器102和/或车辆100的其他部件相关联的其他这样的物理量。
[0025]车辆100的估计状态(x)被提供给路径规划模块108。路径规划模块108可以是高级驾驶员辅助系统(未示出)的一部分，其确定作为整体路线规划/导航操作或车辆控制操作的一部分的车辆100要走的路径(P)。路径规划模块108使用已知或将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于自动驾驶员辅助的车辆控制系统，该车辆控制系统包括:基于模型的控制器，该基于模型的控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第一控制信号，以改变车辆的多个致动器的操作；神经网络控制器，该神经网络控制器基于车辆的参考轨迹以及车辆和致动器的当前状态生成第二控制信号，以改变车辆的致动器的操作；以及组合模块，该组合模块组合第一控制信号和第二控制信号，以基于组合信号来操作致动器。2.根据权利要求1所述的车辆控制系统，其中，第一控制信号是基于来自与车辆和致动器相关联的一组传感器的一个或多个测量值而生成的。3.根据权利要求1所述的车辆控制系统，其中，神经网络控制器被预训练以使用一个或多个调整参数来生成第二控制信号。4.根据权利要求1所述的车辆控制系统，其中，通过改变基于模型的控制器的一个或多个调整参数来调节该基于模型的控制器。5.根据权利要求4所述的车辆控制系统，其中，所述神经网络控制器响应于所述基于模型的控制器的一个或多个调整参数被调节而被训练。6.根据权利要求1所述的车辆控制系统，...

【专利技术属性】
技术研发人员：V苏普林，A苏伊萨，
申请(专利权)人：通用汽车环球科技运作有限责任公司，
类型：发明
国别省市：