一种跟车状态下无人矿卡路径跟踪纵横向协同控制方法技术

本发明专利技术公开一种跟车状态下无人矿卡路径跟踪纵横向协同控制方法，步骤1，建立无人矿卡十四自由度车辆动力学模型作为参考模型；步骤2，利用车载传感器信息和GPS卫星定位信息实时获取目标道路信息，然后将不同的道路信息进行融合。步骤3，根据步骤2获得的道路信息，无人矿卡针对不同的道路工况采取相应的控制策略；步骤4，通过纵横向耦合机理分析及工况判定获得纵向运动和横向运动的控制目标，进而设计无人矿卡纵横向协同控制器；步骤5，更新车辆状态，对控制效果进行评价，进一步对车辆进行相应控制，直至路径跟踪结束。本发明专利技术能有效提高提高跟车状态下无人矿卡在矿区道路行驶的纵

【技术实现步骤摘要】
一种跟车状态下无人矿卡路径跟踪纵横向协同控制方法


[0001]本专利技术属于智能车辆运动控制领域，尤其涉及一种跟车状态下无人矿卡路径跟踪纵横向协同控制方法。

技术介绍

[0002]随着我国对煤矿智能化建设的推进，矿用卡车作为露天煤矿运输系统的主要设备之一，无人驾驶是其智能化发展的必然方向。无人驾驶是指以计算机作为控制中心的智能驾驶系统，通过车载传感器来感知车辆运行时周围的各种信息，包括行人信息、道路信息、路牌信息等，然后根据获得的信息对车辆的运动进行控制，从而安全、可靠地行驶。
[0003]近年来，无人驾驶发展迅猛，但在结构化道路上的应用依旧困难重重。首先结构化道路场景复杂多变，高精度地图构建更新困难，感知、定位等关键技术不能保证；其次，对于无人驾驶技术产生的事故责任划分不明确，需进一步完善相关法律法规；最后，针对无人驾驶系统的测试尚缺乏统一标准或方法。露天矿具有道路场景单一、车辆运行线路固定、低速、交通参与者组成简单、交通规则可自制等优势，相比于公开道路、干线物流、园区、港口等场景，具有更强无人改造需求与付费意愿，商业化速度更快，是无本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种跟车状态下无人矿卡路径跟踪纵横向协同控制方法，其特征在于，包括以下步骤：步骤1，建立无人矿卡十四自由度车辆动力学模型作为参考模型；步骤2，利用车载传感器信息和GPS定位信息实时获取目标道路信息，然后将不同的道路信息进行融合；步骤3，根据步骤2获得的目标道路信息，无人矿卡针对不同的道路工况采取相应的控制策略；步骤4，通过纵横向耦合机理分析及工况判定获得纵向运动和横向运动的控制目标，进而设计无人矿卡纵横向协同控制器；步骤5，更新车辆状态，对无人矿卡车速控制及路径跟踪控制效果进行评价，进一步对车辆进行相应控制，直至路径跟踪结束。2.根据权利要求1所述的方法，其特征在于，所述步骤2实时获取目标道路信息，包括基于卡尔曼滤波算法的道路坡度实时估算，通过以下步骤实现：根据车辆运动学可知：式中，a
x
为传感器测得的加速度，为车辆速度的导数，g为重力加速度，θ为道路的坡度角；将由传感器得到的加速度信息和GPS得到的车速信息看作是系统观测量，经过状态转移矩阵，利用运动学公式进行坡度信息估算；定义系统的状态量为：X(k)＝[v(k)a
x
(k)sinθ(k)]
T
式中，X(k))为系统状态量，v(k)为车辆速度，a
x
(k)为车辆纵向加速度，θ(k)为道路坡度角，T为转置矩阵；由由动力学可知，车辆的速度、加速度和坡度角都是连续量，不可能发生突变，因此将上式进行离散化处理，系统的状态方程变为：可表示为：X(k+1)＝AX(k)+w(k)式中，A为状态转移矩阵，w(k)，w1(k)，w2(k)，w3(k)均为过程噪声；系统的观测量是由加速度传感器和GPS车速传感器采集到的加速度和车速，即Z(k)＝[v(k),a
x
(k)]
T
，因此建立观测方程Z:Z(k+1)＝HX(k)+v(k)式中，H为观测矩阵，v(k)为观测噪声，Z(k)为观测方程、X(k))为系统状态量；根据建立好的系统状态方程和观测方程，按照如下步骤进行道路坡度估计：状态估计时间更新：
协方差矩阵时间更新：P(k+1|k)＝AP(k|k)A
T
+Q求卡尔曼增益矩阵：K＝P(k+1|k)H
T
[HP(k+1|k)H
T
+R]
‑1状态估计测量更新：协方差矩阵测量更新：P(k+1|k+1)＝[I
n
‑
KH]P(k+1|k)其中，Q为过程噪声方差，R为观测噪声方差，P(k)为协方差矩阵，I
n
为n阶单位阵；使用卡尔曼滤波算法进行坡度辨识，其中，时间更新方程根据上一时刻的状态量：速度、加速度、坡度角，利用状态转移矩阵计算出当前速度、加速度和坡度角的数值以及对应的误差的协方差估算结果；测量更新方程先完成卡尔曼增益更新，然后将先验估计的车速、加速度和坡度角信息作为参考，结合当前测量的速度、加速度信息，完成后验估计的模型构造；如此反复迭代，从而完成状态估计，最终得到对道路坡度的实时估算。3.根据权利要求1所述的方法，其特征在于，所述步骤2实时获取目标道路信息包括弯道道路曲率的估算，首先根据自车的信息计算自车已经行驶过的道路的曲率，然后结合前车的运动信息计算自车与前车之间道路的曲率；具体步骤如下：首先根据车载传感器得到自车的横摆角速度和车速，然后通过下式计算自车已行驶过的道路曲率：式中：C为道路曲率，R为弯道半径，v分别为车辆的横摆角速度及行驶速度；建立大地坐标系XOY和自车坐标系X
s
OY
s
，(X
t
,Y
t
)、(X
t+Δt
,Y
t+Δt
)为自车在t、t+Δt两个时刻在大地坐标系下的坐标，(X
T
,Y
T
)为前车在t+Δt时刻在自车坐标系下的坐标；根据车速传感器获得的自车车速v，可得到自车在t到t+Δt时刻行驶过的距离Δs为：Δs＝v
·
Δt进一步得到曲率定义式为：式中：Δα为车辆航向角变化角度；(X
t
,Y
t
)、(X
t+Δt
,Y
t+Δt
)之间的直线距离L为：将t+Δt时刻自车坐标系转换到t时刻自车坐标系，即将(X
t+Δt
,Y
t+Δt
)视作在t时刻自车坐标系中的点，可得：
进一步得到前车在t时刻在自车坐标系下的坐标：其中，γ和D分别为自车与前车之间的角度和相对距离；将自车在初始时刻的坐标系作为大地坐标系，通过上式将前车坐标转换到大地坐标系下，即可得到大地坐标系下前车的位置，对大地坐标系下前车的坐标使用圆曲线道路模型拟合，再依据下式计算得到道路曲率：式中，a,b,c为常数。4.根据权利要求1所述的方法，其特征在于，所述步骤2实时获取目标道路信息包括道路障碍物的检测，具体通过以下步骤实现：首先通过激光雷达传感器检测前方道路信息，再将获得的激光点云进行栅格化处理，剔除地面点云，将剩下的激光点云进行聚类分析，得到障碍物点云；最后将障碍物点云信息输入卡尔曼跟踪器，进而预测障碍物下一时刻的位移和速度等重要信息；所述跟踪器的设定如下：若连续五帧的障碍物目标信息出现，判定为一个新出现的目标，落入跟踪门；若障碍物目标信息少于五帧，则判定是否大于存在阈值，若是，则判定为新目标，反之为虚警；对落入跟踪门的目标对象进行数据关联，若匹配失败，则判定其是否大于丢失阈值，若是，则从跟踪器删除目标，反之重新进行数据关联；若数据关联匹配成功，则用卡尔曼滤波算法对目标对象进行跟踪，得到目标运动状态信息；若目标处于运动状态，则标记为动态障碍物，反之标记为静态障碍物。5.根据权利要求4所述的方法，其特征在于，所述聚类分析采用优化欧式聚类算法，具体算法流程如下：Step1：设定不同的距离cluster_ranges，按照距离分为不同区域的点云簇cloud_array；Step2：遍历各个cloud_array，构建kd
‑
tree结构，保留各点云簇的X轴与Y轴坐标信息，并分别进行累加；Step3：根据如下公式设定各点云簇内自适应半径搜索阈值；式中，μ为调节系数，N
s
为当前点云簇内点云的数量，x
i
与y
...

【专利技术属性】
技术研发人员：叶青，黄壤，姜笑，孟孔嘉，汪若尘，
申请(专利权)人：江苏大学，
类型：发明
国别省市：