基于启发式模型预测控制的轨迹跟踪控制方法技术

本发明专利技术公开了一种基于启发式模型预测控制的轨迹跟踪控制方法，所述方法包括：建立汽车和驾驶机器人的动力学模型，设计动态遗传粒子群优化算法；使用了双参数精确罚函数法将有约束优化问题转为无约束优化，使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解；将优化求解的结果作为控制量，再次输入到汽车上，在轨迹跟踪过程中达到动态优化控制。本发明专利技术在驾驶机器人进行轨迹跟踪时，优化其模型预测控制目标函数的求解，减少跟踪误差从而提高控制精度、减少系统的响应时间。时间。时间。

【技术实现步骤摘要】
基于启发式模型预测控制的轨迹跟踪控制方法


[0001]本专利技术涉及自动驾驶机器人轨迹跟踪控制领域，尤其涉及一种基于启发式模型预测控制的轨迹跟踪控制方法。

技术介绍

[0002]自动驾驶机器人可以代替试驾员做汽车出厂前的性能试验。它相比试驾员具有控制精度高、重复性好、耐久性强等优点。例如：对汽车进行耐久性道路测试，该测试项目要求车辆在各种恶劣的行驶路况下进行长时间的行驶测试，人类驾驶员在该项目容易出现疲劳驾驶、操作方式不稳定等情况，对测试结果会产生负面影响。而驾驶机器人不仅可以大幅降低测试人员的工作强度、减少车辆测试成本和测试时间、提高实验效率，而且能够有效消除人为因素的影响，确保试验数据的有效性和准确度。自动驾驶机器人是指具有自主驾驶车辆行为的机器装置，它可以按照人们给定的指令通过机器人执行机构(例如：方向盘转向机械手、踏板机械腿等)执行相关驾驶操作，例如：起步、加速、制动、换道等，也可以通过环境感知实现自主驾车行为，例如：车道线跟踪、换道、避撞、停车等。
[0003]自动驾驶机器人的控制一般分为纵向控制、横向控制和纵横向控制。驾驶机器人的轨迹跟踪控制属于横向控制。横向控制只需要驾驶机器人中的转向机器人来控制方向盘，转向机器人在给定的路径轨迹下，使车辆可以跟随目标轨迹行驶，并满足一定的稳定性、安全性和精确性。在初期，大部分采用PID(比例
‑
积分
‑
微分)控制算法。但是随着车辆动力学参数的增加，高速路况下稳定性、响应速度等性能指标的提高，PID算法已逐渐不适用，同时出现了许多新型控制算法。模型预测控制算法是近年来被广泛讨论的一种先进控制算法，在许多控制领域都得到了广泛的应用。模型预测控制算法根据其系统的模型，在线求解一个优先时域的开环优化问题，并将得到的控制序列的第一个元素作用于被控对象，在下一个时刻继续重复上述过程。
[0004]相比于PID控制算法采用的全局最优化目标，模型预测控制通过滚动优化更新在每一时刻的优化性能指标，可以及时弥补干扰因素、模型失配等因素引起的不确定性，具有更好的动态特性。但是模型预测控制使用序列二次型的方法求解非线性优化问题，当非线性优化问题是凸的才能保证收敛到全局最优，这样势必会影响控制精度。对于车辆轨迹跟踪这种以毫秒为单位的快速动态响应系统，控制精度以及响应速度显然是不足的。因此，如何优化模型预测控制中目标函数的计算是一个首要解决的关键问题。

技术实现思路

[0005]本专利技术提供了一种基于启发式模型预测控制的轨迹跟踪控制方法，本专利技术在驾驶机器人进行轨迹跟踪时，优化其模型预测控制目标函数的求解，减少跟踪误差从而提高控制精度、减少系统的响应时间，详见下文描述：
[0006]一种基于启发式模型预测控制的轨迹跟踪控制方法，所述方法包括：
[0007]建立汽车和驾驶机器人的动力学模型，设计动态遗传粒子群优化算法；
[0008]使用了双参数精确罚函数法将有约束优化问题转为无约束优化，使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解；
[0009]将优化求解的结果作为控制量，再次输入到汽车上，在轨迹跟踪过程中达到动态优化控制。
[0010]其中，所述使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解具体为：
[0011]根据给定的路径轨迹，在每一个采样时刻下，根据当时动力学模型的状态刷新模型预测控制的目标函数，采用动态遗传粒子群算法对目标函数进行优化求解，得出一个优化求解后的控制序列，再从控制序列中取出第一个控制参数再次作用于汽车，然后进入到下一个采样时刻，重复上述过程。
[0012]进一步地，所述目标函数为：
[0013]使用双参数精确罚函数法将其转换为无约束优化问题：
[0014][0015]I＝{1,2,3
…
n}
[0016]其中，F(u
t
,M)为新的无约束目标函数，M为目标罚参数，γ≥0为约束罚参数，目标罚参数M∈R1，R1为实数域，为max{0,h
i
(u)}，h
i
(u)为约束函数，I为正整数集合。
[0017]本专利技术提供的技术方案的有益效果是：1、本专利技术在求解车辆轨迹跟踪下模型预测控制的目标函数时具有更快的全局最优收敛速度和更强的全局最优搜索能力；
[0018]2、本专利技术为了满足驾驶机器人在驾驶过程中的安全性和舒适性，采用双参数精确罚函数法将有约束优化问题转为无约束优化问题，减低了目标函数的求解难度，可以使汽车在轨迹跟踪时具有更高的控制精度和更快的响应速度。
附图说明
[0019]图1为启发式模型预测控制的车辆轨迹跟踪的流程图；
[0020]图2为驾驶机器人转向机械手的机构简图；
[0021]图3为车辆二自由度模型。
具体实施方式
[0022]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术实施方式作进一步地详细描述。
[0023]一种基于启发式模型预测控制的轨迹跟踪控制方法，参见图1、图2和图3，该方法包括以下步骤：
[0024]本专利技术实施例使用基于动态遗传粒子群算法的模型预测控制方法来解决上述问题。在驾驶机器人控制车辆进行轨迹跟踪时，由于汽车和驾驶机器人这种物理系统存在许多物理约束并且机器人在驾驶过程中要满足一定的安全性和舒适性，所以模型预测控制的目标函数是有约束的优化问题。而有约束优化问题的求解十分不便，所以需要将有约束优
化问题转为无约束优化问题。
[0025]首先建立了汽车和驾驶机器人的动力学模型，然后设计了动态遗传粒子群优化算法，最后根据动力学模型和优化算法设计了基于动态遗传粒子群算法优化的驾驶机器人轨迹跟踪控制方法。其中由于机器人和车辆的约束，使用了双参数精确罚函数法将有约束优化问题转为无约束优化问题，然后使用动态遗传粒子群算法对建立的模型预测控制的优化目标函数进行求解，从得到的控制序列中选择第一项再作用到汽车上，在轨迹跟踪过程中达到动态优化控制。本专利技术实施例中将模型预测控制器作为上位机。具体的步骤如下：
[0026]101：建立车辆和驾驶机器人的动力学模型；
[0027]1)车辆动力学模型：
[0028]使用经典的车辆二自由度模型，忽略车辆行驶过程中道路坡度的影响，假设其在小侧偏角下，轮胎侧向力与轮胎侧偏角成正比。沿y轴，根据牛顿第二定律有：
[0029]ma
y
＝F
yf
+F
yr
ꢀꢀ
(1)
[0030]其中，m为汽车总质量，a
y
为沿y轴方向车辆质心的加速度，F
yf
和F
yr
为车辆前轮和后轮的轮胎侧向力。根据绕z轴的转矩平衡方程可得：
[0031][0032]其中，表示车辆的横摆角，l
f
和l
r
分别为车辆质心到前后轮的距离，I
z本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于启发式模型预测控制的轨迹跟踪控制方法，其特征在于，所述方法包括：建立汽车和驾驶机器人的动力学模型，设计动态遗传粒子群优化算法；使用了双参数精确罚函数法将有约束优化问题转为无约束优化，使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解；将优化求解的结果作为控制量，再次输入到汽车上，在轨迹跟踪过程中达到动态优化控制。2.根据权利要求1所述的一种基于启发式模型预测控制的轨迹跟踪控制方法，其特征在于，所述使用动态遗传粒子群算法对建立的动力学模型预测控制的优化目标函数进行求解具体为：根据给定的路径轨迹，在每一个采样时刻下，根据当时动力学模型的状态刷新模型预测控制的目标函数，采用动态遗传粒子...

【专利技术属性】
技术研发人员：王韬，牛文铁，赵磊，郭永豪，
申请(专利权)人：天津大学，
类型：发明
国别省市：