【技术实现步骤摘要】
本专利技术涉及车辆路径跟踪，特别涉及一种自动驾驶车辆路径跟踪自适应方法。
技术介绍
1、自动驾驶车辆是指能够根据环境和预定的任务进行自动运动和导航的智能车辆，车辆路径跟踪技术则是根据环境感知以及规划决策模块提供的信息，通过控制车辆的速度和转向，使得车辆沿着规划好的期望路径行驶，并保持一定的精度和稳定性，因此需对车辆路径跟踪技术进行研究。
2、现有技术中，专利公开号为cn111413966a的《一种递进式模型预测无人驾驶规划跟踪协同控制方法》通过建立车辆的离散运动学模型；确定车辆运行时需要满足的约束条件；计算各个时刻的障碍势场po；根据实际需求设计局部路径规划代价函数与轨迹跟踪代价函数；利用动态惯性因子粒子群算法求解规划层模型预测控制问题，计算最优控制序列与状态；逐步迭代求得规划对应的最优控制输入和参考状态，对求得的最优参考进行四次多项式拟合；求解优化问题，得到最优控制序列；判断是否达到全局目标点。加快了优化求解的收敛速度，减小了跟踪层优化的搜索空间；能将控制层的优化时间大大减少。
3、自动驾驶车辆在不同应用场景下的控制效果会因场景参数的不同而发生改变，譬如弯道曲率、道路附着系数等，因此在研究车辆路径跟踪技术时需考虑上述参数的影响，然而，上述现有技术并未考虑到这一点，自动驾驶车辆对场景的自适应性较差，进而路径跟踪稳定性较差。
技术实现思路
1、本专利技术提供了一种自动驾驶车辆路径跟踪自适应方法，用以解决现有技术中没有比较可靠的针对自动驾驶车辆对场景的自适应性和
2、一方面，本专利技术提供了一种自动驾驶车辆路径跟踪自适应方法，包括以下步骤：
3、步骤一，建立路面附着系数与对应最优车速的关系。
4、步骤二，划分典型弯道工况；所述典型弯道工况包括不同设计速度与不同最小曲率半径的组合。
5、步骤三，采用改进粒子群优化算法得到每个弯道工况对应的最优时域参数，生成最优时域参数数据集。
6、步骤四，采用所述最优时域参数数据集对mlp神经网络进行训练，训练完成得到最优时域参数预测模型。
7、步骤五，采用所述最优时域参数预测模型根据实际当前工况得到最优时域预测参数。
8、在一种可能的实现方式中，步骤一包括：
9、利用路径跟踪综合评价指标函数得到不同路面附着系数对应的最优车速。
10、利用四次多项式拟合得到路面附着系数与对应最优车速的关系曲线。
11、在一种可能的实现方式中，步骤二包括：利用均匀性设计思想，划分得到不同设计速度与不同最小曲率半径的组合，即典型弯道工况。
12、在一种可能的实现方式中，步骤三中，所述改进粒子群优化算法的运行流程包括：
13、步骤a，初始化粒子群参数。
14、步骤b，种群赋值给种群数np和种群内个体数nc。
15、步骤c，运行路径跟踪控制模型。
16、步骤d，适应度函数评估。
17、步骤e，输出性能指标；若性能指标满足终止条件，则将当前种群数np和种群内个体数nc作为最优时域参数，若不满足终止条件，则更新参数并回到步骤b。
18、在一种可能的实现方式中，步骤e中，所述更新参数包括：
19、步骤e1，更新每个粒子的速度和位置。
20、步骤e2，评估每个粒子的速度和位置。
21、步骤e3，更新每个粒子的历史最优适应值和位置。
22、步骤e4，更新群体历史最优适应值和位置。
23、步骤e5，更新惯性权重和迭代次数。
24、在一种可能的实现方式中，步骤四包括：将最优时域参数数据集的每个弯道工况依次作为mlp神经网络的输入，输出最优时域训练参数，将每个弯道工况对应的最优时域参数作为目标值，经过若干次迭代训练后，当损失函数收敛时，得到训练好的mlp神经网络，即最优时域参数预测模型。
25、在一种可能的实现方式中，步骤五中，所述实际当前工况的获取流程包括：
26、通过车载传感器获得实际路面附着系数和实际弯道曲率。
27、根据路面附着系数与对应最优车速的关系得到所述实际路面附着系数对应的实际最优车速。
28、所述实际最优车速和所述实际弯道曲率形成所述实际当前工况。
29、在一种可能的实现方式中，步骤五包括：将所述实际当前工况输入所述最优时域参数预测模型，输出所述实际当前工况对应的最优时域参数，即所述最优时域预测参数。
30、本专利技术中的一种自动驾驶车辆路径跟踪自适应方法，具有以下优点：
31、通过建立路面附着系数与对应最优车速的关系，划分典型弯道工况，并将改进粒子群优化算法与mlp神经网络相结合，得到最优时域预测参数，提高了自动驾驶车辆对场景的自适应性和路径跟踪稳定性。
32、提出的利用路径跟踪综合评价指标函数得到不同路面附着系数对应的最优车速，利用四次多项式拟合得到路面附着系数与对应最优车速的关系曲线，提高了路面附着系数与对应最优车速的相关度。
33、提出的利用均匀性设计思想，划分得到不同设计速度与不同最小曲率半径的组合，即典型弯道工况，提高了速度与最小曲率半径的相关度。
34、提出的改进粒子群优化算法，提高了弯道工况与最优时域参数的对应度，为后续mlp神经网络的训练提供了准确的数据集。
35、提出的将最优时域参数数据集的每个弯道工况依次作为mlp神经网络的输入，输出最优时域训练参数，将每个弯道工况对应的最优时域参数作为目标值，经过若干次迭代训练后，当损失函数收敛时，得到训练好的mlp神经网络，即最优时域参数预测模型，提高了最优时域参数的准确性。
本文档来自技高网...【技术保护点】
1.一种自动驾驶车辆路径跟踪自适应方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤一包括：
3.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤二包括：利用均匀性设计思想，划分得到不同设计速度与不同最小曲率半径的组合，即典型弯道工况。
4.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤三中，所述改进粒子群优化算法的运行流程包括：
5.根据权利要求4所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤E中，所述更新参数包括：
6.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤四包括：将最优时域参数数据集的每个弯道工况依次作为MLP神经网络的输入，输出最优时域训练参数，将每个弯道工况对应的最优时域参数作为目标值，经过若干次迭代训练后，当损失函数收敛时，得到训练好的MLP神经网络，即最优时域参数预测模型。
7.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在
8.根据权利要求7所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤五包括：将所述实际当前工况输入所述最优时域参数预测模型，输出所述实际当前工况对应的最优时域参数，即所述最优时域预测参数。
...【技术特征摘要】
1.一种自动驾驶车辆路径跟踪自适应方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤一包括：
3.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤二包括：利用均匀性设计思想，划分得到不同设计速度与不同最小曲率半径的组合，即典型弯道工况。
4.根据权利要求1所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤三中，所述改进粒子群优化算法的运行流程包括：
5.根据权利要求4所述的一种自动驾驶车辆路径跟踪自适应方法，其特征在于，步骤e中，所述更新参数包括：
6.根据权利要求1所...
【专利技术属性】
技术研发人员：宋晓华，高辉辉，谷云峰，丁甜，郑雨佳，
申请(专利权)人：西安工业大学，
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。