本发明专利技术提供一种不确定模型下履带车轨迹规划与安全避障模型的设计方法,首先,将履带式动力学模型分为可建模部分与未建模部分,将同样的控制量施加到两种模型中,得到数据集并进行在线学习超参数,利用学习到的均值拟合到轨迹规划器中的动力学约束中;然后,将学习到的方差引入到控制障碍函数设计中以满足避障硬约束
【技术实现步骤摘要】
不确定模型下履带车轨迹规划与安全避障模型的设计方法
[0001]本专利技术属于无人车
、
自动驾驶
,具体涉及一种不确定模型下履带车轨迹规划与安全避障模型的设计方法
。
技术介绍
[0002]随着传感
、
控制
、
计算等关键性技术的不断发展和硬件系统的升级,无人车成为智能领域的新兴产物,无人驾驶技术也成了科研界的热门研究课题;无人车又分为轮式和履带车,轮式车一般应用在结构化道路上,而在野外非结构化道路中,履带式无人车具有支撑面积大
、
接地比压低
、
牵引附着性能好
、
不易出现打滑
、
转弯半径小
、
能够克服行走地面不平度与良好的自复位与越障能力等优点,比轮式车更具有优势,所以常被应用于农业
、
搜救
、
军事
、
消防
、
林业
、
采矿和行星探索这些等领域;智能履带车辆作为工程车辆技术的重要方向,研究更安全
、
高效的履带式工程车辆具有重要现实意义,而其中实现轨迹规划和安全避障是无人履带车的关键技术
。
[0003]结构化道路一般是指高速公路
、
城市干道等结构化较好的公路,这类道路具有清晰的道路标志线,道路的背景环境比较单一,道路的几何特征也比较明显;非结构化道路一般是指城市非主干道
、
乡村街道
、
矿区等结构化程度较低的道路,这类道路没有车道线和清晰的道路边界,再加上受阴影和水迹等的影响,道路区域和非道路区域难以区分,与此同时,非结构化道路通常道路类型复杂多样
(
有雪地
、
草地
、
沙石地等
)
和崎岖不平
(
导致坡度变化
)
;如何保证在不确定模型下实现轨迹规划与安全避障是关键问题
。
[0004]目前有大量关于自动驾驶规划规划的研究成果
。
然而,这一领域的大多数研究集中在在高度结构化环境中运行的轮式车辆,如高速公路或城市道路上的车辆;相比之下,在非结构化
、
崎岖的山区和其他道路条件下的无人履带车辆在减少人力资源和提高军事
、
农业
、
交通和其他领域的自动化方面发挥着重要作用
。
技术实现思路
[0005]针对目前现有技术存在的缺陷和不足,本专利技术将高斯回归过程与模型预测控制相结合,利用高斯回归学习的均值拟合并补偿未建模动力学
(
时变参数部分
)
来满足动力学约束,将高斯回归学习的方差引入到控制障碍函数的设计中,并证明避障满足的可行性,最后通过仿真验证方法的有效性
。
[0006]本专利技术的目的是针对非结构化道路下履带式车辆巡逻和勘探等应用中实现轨迹规划和安全避障,使履带式车辆能够到达地形中的预期目标点且不会与障碍物发生碰撞,提出了一种不确定模型下履带车轨迹规划与安全避障模型的设计方法
。
[0007]考虑履带车在非结构化道路中存在时变参数导致得到精确模型较为困难,本专利技术主要解决非精确模型下的履带车轨迹规划与安全避障,主要包括如下步骤:
[0008]首先,将履带式动力学模型分为可建模部分与未建模部分,将同样的控制量施加到两种模型中,得到数据集并进行在线学习超参数,利用学习到的均值拟合到轨迹规划器
中的动力学约束中;然后,将学习到的方差引入到控制障碍函数设计中以满足避障硬约束
。
然后将动力学约束和避障硬约束联合轨迹规划建立代价函数进行优化求,实现履带式车辆在不精确模型下实现轨迹规划和安全避障,为履带式车辆在巡逻和勘探等非结构化道路应用奠定理论基础
。
[0009]本专利技术解决其技术问题具体采用的技术方案是:
[0010]一种不确定模型下履带车轨迹规划与安全避障模型的设计方法,其特征在于:首先,将履带式动力学模型分为可建模部分与未建模部分,在此基础上,将同样的控制量施加到两种模型中,得到两种模型的状态量差值作为数据集并进行在线学习超参数得到高斯回归模型,利用学习到的均值来拟合到轨迹规划器中的动力学约束中;然后,将学习到的方差引入到控制障碍函数设计中以满足避障硬约束;再将动力学约束和避障硬约束联合轨迹规划建立代价函数进行优化求解,实现履带式车辆在不精确模型下实现轨迹规划和安全避障
。
[0011]进一步地,通过高斯回归模型得到的均值拟合到未知动力学中,使轨迹规划满足动力学约束并设置在非线性规划问题中的硬约束,并将轨迹规划的目标设计为代价函数并作为软约束
。
[0012]进一步地,具体包括以下步骤:
[0013]步骤一:履带车辆建模和轨迹规划代价函数的建立
[0014]首先,将履带式动力学模型分为可建模部分与未建模部分,在此基础上,将同样的控制量施加到两种模型中,得到两种模型的状态量差值,以当前状态量和控制量为输入,两种模型下一时刻状态量差值作为输出得到数据集并进行在线学习超参数,然后根据轨迹规划的目标建立代价函数;
[0015]步骤二:未知动力学约束满足的设计
[0016]在步骤一将履带车模型分为建模部分和未建模部分的基础上,将时变模型作为未知动力学部分,通过高斯回归模型拟合两种模型的误差,同时计算模型预测控制时域内的均值和方差,将高斯回归预测时域内输出的均值补偿到已知模型中作为动力学约束;
[0017]步骤三:概率型状态量下控制障碍函数的避障约束设计
[0018]对于在步骤二中得到预测时域内的均值和方差,引入放缩型控制障碍函数约束方法实现确定型避障;通过卡法分布的分位数函数将概率型状态量变为确定型约束,将方差通过卡方分布的性质引入到控制障碍函数中,将一个概率型区间的状态量约束转为一个确定型避障硬约束,以实现在满足动力学约束和避障约束的前提下进行非线性模型预测控制优化求解
。
[0019]在代价函数给动力学硬约束都满足的前提下需要确保避障满足,而高斯回归模型得到的拟合输出是一个带有均值和方差的概率型状态量,本专利技术引入放缩型控制障碍函数约束方法实现确定型避障;通过卡法分布的分位数函数将概率型状态量变为确定型约束,然后设计到控制障碍函数中作为硬约束,在满足动力学约束和避障约束的前提下进行非线性模型预测控制优化求解
。
[0020]进一步地,在步骤一当中,控制量是两侧电机力矩,将未包含时变参数的部分作为可建模部分;包含涉及转向阻力系数
ξ
和地面阻力系数
κ
的时变参数的部分作为未建模部分
。
[0021]进一步地,在步骤二当中,通过机器学习的方法拟合两种模型的差值,从而实现对未知动力学的拟合满足动力学约束;
[0022]首先将相同的控制量施加到不包含时变模型和本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种不确定模型下履带车轨迹规划与安全避障模型的设计方法,其特征在于:首先,将履带式动力学模型分为可建模部分与未建模部分,在此基础上,将同样的控制量施加到两种模型中,得到两种模型的状态量差值作为数据集并进行在线学习超参数得到高斯回归模型,利用学习到的均值来拟合到轨迹规划器中的动力学约束中;然后,将学习到的方差引入到控制障碍函数设计中以满足避障硬约束;再将动力学约束和避障硬约束联合轨迹规划建立代价函数进行优化求解,实现履带式车辆在不精确模型下实现轨迹规划和安全避障
。2.
根据权利要求1所述的不确定模型下履带车轨迹规划与安全避障模型的设计方法,其特征在于:通过高斯回归模型得到的均值拟合到未知动力学中,使轨迹规划满足动力学约束并设置在非线性规划问题中的硬约束,并将轨迹规划的目标设计为代价函数并作为软约束
。3.
根据权利要求1所述的不确定模型下履带车轨迹规划与安全避障模型的设计方法,其特征在于:具体包括以下步骤:步骤一:履带车辆建模和轨迹规划代价函数的建立首先,将履带式动力学模型分为可建模部分与未建模部分,在此基础上,将同样的控制量施加到两种模型中,得到两种模型的状态量差值,以当前状态量和控制量为输入,两种模型下一时刻状态量差值作为输出得到数据集并进行在线学习超参数,然后根据轨迹规划的目标建立代价函数;步骤二:未知动力学约束满足的设计在步骤一将履带车模型分为建模部分和未建模部分的基础上,将时变模型作为未知动力学部分,通过高斯回归模型拟合两种模型的误差,同时计算模型预测控制时域内的均值和方差,将高斯回归预测时域内输出的均值补偿到已知模型中作为动力学约束;步骤三:概率型状态量下控制障碍函数的避障约束设计对于在步骤二中得到预测时域内的均值和方差,引入放缩型控制障碍函数约束方法实现确定型避障;通过卡法分布的分位数函数将概率型状态量变为确定型约束,将方差通过卡方分布的性质引入到控制障碍函数中,将一个概率型区间的状态量约束转为一个确定型避障硬约束,以实现在满足动力学约束和避障约束的前提下进行非线性模型预测控制优化求解
。4.
根据权利要求3所述的不确定...
【专利技术属性】
技术研发人员:黄捷,张柯,陈宇韬,黄景丽,
申请(专利权)人:福州大学,
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。