System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于智能驾驶,涉及车辆运动控制,具体涉及到一种面向批量化运营车辆的未建模补偿控制方法。
技术介绍
1、自动驾驶商用车相对于乘用车的行驶工况通常更为恶劣,随着运营里程的增加,其子系统部件的衰退程度更为严重。对于批量化运营的商用车辆而言,由于运营场景和运营里程的差异化,车辆各子系统受到的机械损伤程度也会有所不同。另外,由于轮胎压力、路面附着系数、车辆载荷等对轮胎侧偏刚度的影响,状态转移矩阵和控制矩阵都存在不确定性。因此,基于特定测试车辆标定的控制参数难以保障所有批量化运营车辆都具备较好的控制性能。为此,探究如何保证批量化运营车辆控制表现具有良好的一致性十分必要。
2、现有的控制方法通常仅基于特定的模型参数设计控制器,忽略车辆模型参数时变、外部激励等对轨迹跟踪控制效果的影响,无法适用于批量化运营车辆。
技术实现思路
1、针对上述问题,本专利技术的主要目的在于设计一种面向批量化运营车辆的未建模补偿控制方法,将模型参数时变、外部激励等对轨迹跟踪控制效果的影响归纳为未建模部分的扰动,基于rbf神经网络设计了未建模补偿控制器,解决现有的控制方法无法适用于批量化运营车辆的问题。
2、为了实现上述目的本专利技术采用如下技术方案:
3、一种面向批量化运营车辆的未建模补偿控制方法,该方法的系统包括轨迹跟踪控制器、未建模补偿控制器、输入状态处理器和输出状态处理器,所述的轨迹跟踪控制器作为主控制器,所述的未建模补偿控制器作为辅助控制器;
4、该方法包
5、步骤1:通过车辆的规划模块与定位模块,获取车辆的规划与定位信息,并将规划与定位信息作为输入状态处理器的输入信息;
6、步骤2:根据步骤1的输入信息,通过输入状态处理器进行规划与定位信息的状态变量的约束,并作为轨迹跟踪控制器、未建模补偿控制器的输入信息;
7、步骤3:根据步骤2的输入信息,构建轨迹跟踪模型,并基于轨迹跟踪模型,通过利用基于车辆动力学模型预测lqr控制设计的轨迹跟踪控制器,进行综合考虑状态误差和道路信息的前馈与反馈结合控制;
8、步骤4:根据步骤2的输入信息,通过基于rbf神经网络设计的未建模补偿控制器,补偿系统模型参数时变和外部激励对轨迹跟踪控制器效果的影响;
9、步骤5:将步骤3轨迹跟踪控制器与步骤4未建模补偿控制器的控制输出作为总的控制输出,通过输出状态处理器进行约束,并输入到自动驾驶车辆的智能系统,控制车辆跟踪轨迹。
10、作为本专利技术的进一步描述,该方法适配的车辆包括单体车辆、半挂车辆和全挂车辆。
11、作为本专利技术的进一步描述,该方法适配的车辆为半挂车辆时,所述的轨迹跟踪模型基于三自由度的车辆动力学模型建立,所述三自由度包括牵引车侧向运动、牵引车横摆运动、挂车与牵引车之间的折叠运动。
12、作为本专利技术的进一步描述,所述车辆动力学模型为:
13、(1)
14、式中,为状态变量,为的系数矩阵,为的系数矩阵,为的系数矩阵,为牵引车的前轮转角;
15、整理可得:
16、(2)
17、式中,为状态转移矩阵,为控制矩阵。
18、作为本专利技术的进一步描述,根据车辆与车辆智能系统下发的参考轨迹间的相对位置关系,所述的轨迹跟踪模型为:
19、(3)
20、式中,为横向位置偏差,为牵引车的侧向速度,为纵向速度,为航向角偏差,为牵引车的横摆角速度,为挂车转角偏差,为期望轨迹最近点的道路曲率,为当前时刻期望的挂车转角,为牵引车与挂车的相对转动角度,即挂车转角;表示变量的微分,为任意变量,包括、、、、;
21、定义系统的状态变量为,控制变量为,扰动变量为,得到半挂车辆轨迹跟踪模型的状态方程形式为:
22、(4)
23、式中,为跟踪模型的状态转移矩阵,为跟踪模型的控制矩阵,为跟踪模型的扰动矩阵,表达式如下:
24、,
25、式中,跟踪模型状态转移矩阵的矩阵元素,跟踪模型控制矩阵的矩阵元素,和为对应的位置标识;其中,表示状态转移矩阵的第行和第列,表示控制矩阵的第行;
26、对上式进行离散化处理,所述轨迹跟踪模型离散形式的状态方程表达式为:
27、(5)
28、式中,为轨迹跟踪模型时刻的状态;为轨迹跟踪模型时刻的状态;为跟踪模型状态转移矩阵的离散形式;为跟踪模型控制矩阵的离散形式;为跟踪模型扰动矩阵的离散形式;为单位矩阵;为离散时间步长,表示离散形式的时刻。
29、作为本专利技术的进一步描述,基于车辆动力学模型的预测lqr控制,考虑至个时刻道路曲率的变化,将其扩围到轨迹跟踪模型的状态变量中进行优化求解,重新定义轨迹跟踪模型的状态变量为:
30、(6)
31、式中,,为时刻的道路曲率;
32、定义轨迹跟踪控制器优化求解的代价函数为:
33、(7)
34、式中,为扩围状态变量权重矩阵,为控制变量权重矩阵,为扩围状态转移矩阵,为扩围控制矩阵;
35、则轨迹跟踪控制器的控制量为:
36、(8)
37、式中,为预测lqr控制框架下的反馈增益矩阵。
38、作为本专利技术的进一步描述,根据式(4),名义轨迹跟踪模型状态方程的表达式为:
39、(12)
40、若实际轨迹跟踪模型状态方程的表示式为:
41、(13)
42、式中,为期望状态,为实际状态转移矩阵,为实际控制矩阵;
43、则,结合式(12)和式(13)可得,
44、(14)
45、若误差模型为闭环稳定系统:
46、(15)
47、式中,为状态误差,为系统矩阵;
48、则,对比式(15)和式(14)可知,未建模部分表示为:
49、(16)
50、因此,式(14)进一步表示为:
51、(17)
52、则,基于rbf神经网络消除未建模部分对轨迹跟踪控制的影响。
53、作为本专利技术的进一步描述,基于rbf神经网络对轨迹跟踪模型控制的自适应补偿为:
54、若未建模部分的影响由虚拟扰动带来的,则需要反向补偿消除虚拟扰动;
55、令为扰动的估计值,则扰动抑制的名义轨迹跟踪模型为:
56、(18)
57、式(17)重写为:
58、(19)
59、定义rbf神经网络的理想输出和估计输出分别为:
60、(20)
61、(21)
62、整理可得:
63、(22)
64、式中,为隐含层到输出层的权重矩阵,为隐含层到输出层权重矩阵的估计值,表示rbf神经网路理想输出与估计输出之间的误差,为网络近似误差,为隐含层的激励函数,选取本文档来自技高网...
【技术保护点】
1.一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:该方法的系统包括轨迹跟踪控制器、未建模补偿控制器、输入状态处理器和输出状态处理器,所述的轨迹跟踪控制器作为主控制器,所述的未建模补偿控制器作为辅助控制器;
2.根据权利要求1所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:该方法适配的车辆包括单体车辆、半挂车辆和全挂车辆。
3.根据权利要求1所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:该方法适配的车辆为半挂车辆时,所述的轨迹跟踪模型基于三自由度的车辆动力学模型建立,所述三自由度包括牵引车侧向运动、牵引车横摆运动、挂车与牵引车之间的折叠运动。
4.根据权利要求3所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:
5.根据权利要求4所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:根据车辆与车辆智能系统下发的参考轨迹间的相对位置关系,所述的轨迹跟踪模型为:
6.根据权利要求5所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:基于车辆动力学模型的预测L
7.根据权利要求6所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:根据式(4),名义轨迹跟踪模型状态方程的表达式为:
8.根据权利要求7所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:基于RBF神经网络对轨迹跟踪模型控制的自适应补偿为:
9.根据权利要求1所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:所述输入状态处理器对状态变量的约束处理,包括如下:
10.根据权利要求1所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:所述输出状态处理器对总控制输出的约束处理,包括如下:
...【技术特征摘要】
1.一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:该方法的系统包括轨迹跟踪控制器、未建模补偿控制器、输入状态处理器和输出状态处理器,所述的轨迹跟踪控制器作为主控制器,所述的未建模补偿控制器作为辅助控制器;
2.根据权利要求1所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:该方法适配的车辆包括单体车辆、半挂车辆和全挂车辆。
3.根据权利要求1所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:该方法适配的车辆为半挂车辆时,所述的轨迹跟踪模型基于三自由度的车辆动力学模型建立,所述三自由度包括牵引车侧向运动、牵引车横摆运动、挂车与牵引车之间的折叠运动。
4.根据权利要求3所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:
5.根据权利要求4所述的一种面向批量化运营车辆的未建模补偿控制方法,其特征在于:根据车辆与车辆智能系统下发的参考轨迹间的相对位置关...
【专利技术属性】
技术研发人员:张志达,曾超,许正昊,衡量,翟建坤,叶玉博,于佳乔,王鸣霄,杨子超,
申请(专利权)人:上海友道智途科技有限公司,
类型:发明
国别省市: