一种基于分层优化的模型预测控制路径跟踪方法技术

本发明专利技术属于路径跟踪技术领域，尤其为一种基于分层优化的模型预测控制路径跟踪方法，包括以下步骤；S1，获取当前姿态信息，其中姿态信息包括坐标(x,y)，航向角速度v，横摆角δ，期望路径信息由坐标(x,y)信息有限集合构成；S2，搭建车辆模型，其中车辆模型应准确反映实际车辆运行情况；S3，根据模型预测未来时刻的车辆运行状态，其中未来时刻为有限确定时间，且车辆运行状态清楚。本发明专利技术，能够在保证车辆稳定的前提下，使车辆在跟踪期望路径中保证准确输出期望转角，同时满足实际应用需求。同时满足实际应用需求。同时满足实际应用需求。

【技术实现步骤摘要】
一种基于分层优化的模型预测控制路径跟踪方法


[0001]本专利技术涉及路径跟踪
，具体为一种基于分层优化的模型预测控制路径跟踪方法。

技术介绍

[0002]随路径跟踪是指在惯性坐标系中设定一条理想的几何路径，然后要求无人车从某一处出发，按照某种控制规律到达该路径上，路径跟踪技术是无人车自主行驶的重要组成部分。
[0003]模型预测控制算法在处理复杂、多变量和多约束的系统时能力较强，鲁棒性较高，且能够与自动驾驶技术中其他关键技术算法协同运作，能够真实准确的描述自动驾驶车行驶过程中的运动学与动力学约束，是较为理想的路径跟踪控制方法。传统的模型预测控制参数由模型与约束函数共同组成，针对于理论最优进行求解，其解为唯一解，在实际应用中对被控对象往往要求较高的灵活性，传统模型预测控制不能满足实际需求。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种基于分层优化的模型预测控制路径跟踪方法，解决了上述
技术介绍
中所提出的问题。
[0006](二)技术方案
[0007]本专利技术为了实现上述目的具体采用以下技术方案：
[0008]一种基于分层优化的模型预测控制路径跟踪方法，包括以下步骤；
[0009]S1，获取当前姿态信息，其中姿态信息包括坐标(x,y)，航向角速度v，横摆角δ，期望路径信息由坐标(x,y)信息有限集合构成；
[0010]S2，搭建车辆模型，其中车辆模型应准确反映实际车辆运行情况；
[0011]S3，根据模型预测未来时刻的车辆运行状态，其中未来时刻为有限确定时间，且车辆运行状态清楚；
[0012]S4，求解分层优化方程，其中分层优化分为两层，分别为理论滚动优化层，与实际最优层，其中理论最优层代价函数为理想最优代价函数，实际最优层代价函数为实际需求代价函数；
[0013]S5，输出控制信息，其中控制信息包括控制车辆速度v，横摆角δ等控制车辆运行的信息。
[0014]进一步地，所述步骤S1中，姿态信息为真实准确信息，能够准确反应车辆状态。
[0015]进一步地，所述步骤S2中，车辆模型由运动学参数，力学参数共同搭建而成。
[0016]进一步地，所述步骤S3中，预测未来时刻有明确的预测时间与控制时间。
[0017]进一步地，所述步骤S4中，理论滚动优化层代价函数包括x轴误差最小，x轴变化量最小，y轴误差最小，y轴误差变化量最小，能量最小等条件约束共同组成。且代价函数有解。
[0018]进一步地，所述步骤S4中，实际最优层代价函数特征在于理论优化函数较为复杂不宜理论描述，不宜求解，实际需求变动较大，包括响应时间，驾驶体验，加速度等实际需求条件约束共同组成。且此约束条件可用其他方式进行描述。
[0019]进一步地，所述步骤S5中，车辆速度v为可控且速度控制满足上路需求，横摆角δ为可控且横摆控制满足转向需求。
[0020](三)有益效果
[0021]与现有技术相比，本专利技术提供了一种基于分层优化的模型预测控制路径跟踪方法，具备以下有益效果：
[0022]本专利技术，能够在保证车辆稳定的前提下，使车辆在跟踪期望路径中保证准确输出期望转角，同时满足实际应用需求。
[0023]本专利技术，能够在增添实际应用需求约束函数过程中，简化最优求解的过程。同时，结合分层优化，将滚动优化与实际需求优化相结合，更好的满足实际应用需求。
附图说明
[0024]图1为本专利技术方法的整体流程图；
[0025]图2为本专利技术方法的步骤流程图；
[0026]图3为本专利技术基于分层优化的模型预测控制控制器示意图；
[0027]图4为本专利技术基于姿态信息所搭建的运动学模型示意图；
[0028]图5为本专利技术基于分层优化在不同参数下的仿真结果图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]实施例
[0031]如图1
‑
5所示，本专利技术一个实施例提出的一种基于分层优化的模型预测控制路径跟踪方法，包括以下步骤：如图3所示，
[0032]S1，获取当前姿态信息，其中姿态信息包括坐标(x,y)，航向角速度v，横摆角δ，期望路径信息等；期望路径信息由坐标(x,y)信息有限集合构成，坐标(x,y)由唯一参考系确定，坐标(x,y)可确定唯一位置；期望路径信息由同一坐标系下的坐标集合组成，为车辆期望行驶路径；姿态信息使用传感器获取，且数据真实有效，用作反映车辆实时信息。
[0033]S2，搭建车辆模型；其中车辆模型应准确反映实际车辆运行情况，模型预测控制的第一步为模型的建立，模型的搭建影响模型预测控制的控制效果，车辆模型可从动力学，运动学定理进行搭建，下面以运动学模型搭建为例，在运动学模型中将车辆考虑为刚性系统，不考虑力学的影响，车辆左右侧轮胎在任意时刻都拥有相同的转向角度和转速，选取状态量横坐标x，纵坐标y，横摆角如图4所示：
[0034]车辆运动学方程：
[0035][0036]选取状态量为控制量为u＝[v,δ]T
，则对于参考轨迹的任意一个参考点，用r表示，上式改写为：
[0037][0038]对上式在参考点采用泰勒级数展开，忽略高阶项，求取雅可比矩阵，状态误差的变化量表示为：
[0039][0040]整理得到离散化方程：
[0041][0042]S3，根据模型预测未来时刻的车辆运行状态，其中未来时刻为有限确定时间，且车辆运行状态清楚，通过步骤S2建立的数学模型对其车辆未来时刻的状态进行预测，同时选取合适的未来时刻预测控制，通过当前车辆的状态量和未来车辆的预测输入量，来预测车辆未来时刻的输出量，同时为步骤S4的最优求解选取统一的参数变量。
[0043]S4，求解分层优化方程，其中分层优化分为两层，分别为理论滚动优化层，与实际最优层，其中理论最优层代价函数为理想最优代价函数，实际最优层代价函数为实际需求代价函数，第一层滚动优化，此步骤中用来计算最优的控制策略。它采用一个在有限的时域内滚动变化的指标，通过反复迭代和计算达到一个优化目标，具体来说，路径跟踪通过当前的时间点，将最优控制序列的第一项进行优化计算，然后再将整体的预测时域推后一个步长，为下一次的滚动优化做好准备工作，如此往复形成滚动优化，最终得出最优的控制策略。
[0044]选取输出方程：
[0045][0046]选取新的状态向量：
[0047][0048]新的状态空间表达式：
[0049][0050]式中为
Nu
的单位矩阵。
[0051]输出方程为：
[0052][005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层优化的模型预测控制路径跟踪方法，其特征在于：包括以下步骤；S1，获取当前姿态信息，其中姿态信息包括坐标(x,y)，航向角速度v，横摆角δ，期望路径信息由坐标(x,y)信息有限集合构成；S2，搭建车辆模型，其中车辆模型应准确反映实际车辆运行情况；S3，根据模型预测未来时刻的车辆运行状态，其中未来时刻为有限确定时间，且车辆运行状态清楚；S4，求解分层优化方程，其中分层优化分为两层，分别为理论滚动优化层，与实际最优层，其中理论最优层代价函数为理想最优代价函数，实际最优层代价函数为实际需求代价函数；S5，输出控制信息，其中控制信息包括控制车辆速度v，横摆角δ等控制车辆运行的信息。2.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法，其特征在于：所述步骤S1中，姿态信息为真实准确信息，能够准确反应车辆状态。3.根据权利要求1所述的一种基于分层优化的模型预测控制路径跟踪方法，其特征在于：所述步骤S2中，车辆模型由运动学参数...

【专利技术属性】
技术研发人员：颜飞，王艳波，刘云清，初伟，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：