[發明專利]一種車輛跟隨駕駛環境下自主車輛的縱向和橫向控制方法

有效

• 申請號: 202011178289.8
• 申請日: 2020-10-29
• 公開（公告）號: CN112622903B
• 公開（公告）日: 2022-03-08
• 發明（設計）人: 郭戈;郭明新;高振宇
• 申請（專利權）人: 東北大學秦皇島分校
• 主分類號: B60W30/165
• 分類號: B60W30/165;B60W10/06;B60W40/00;B60W50/00
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李梁

1.一種車輛跟隨駕駛環境下自主車輛的縱向和橫向控制方法，其特征在于：包括以下步驟：

步驟1、根據跟隨車自身信息，建立車輛運動學自行車模型及輪胎模型；

所述運動學自行車模型不考慮車輛的受力情況，如下式所示：

其中X，Y表示車輛的坐標位置，分別為車輛在X和Y方向的速度分量，v為車速，ψ為車輛偏航角，為車輛橫擺角速度，β為車輛質心側偏角，a、b分別為車輛質心到前軸和后軸的距離，δ_f、δ_r為前輪和后輪的轉向角；

所述輪胎模型如下式所示：

F_yf＝C_fα_f

F_yr＝C_rα_r

其中F_y為橫向輪胎力，C表示車輪的線性側偏剛度，α為輪胎側偏角，其中下標f表示前輪，r表示后輪，輪胎側偏角表示為：

步驟2、采用固定時間間距策略，結合位置式PID控制和基于徑向基函數神經網絡RBFNN的自適應PID控制構建跟隨車輛的縱向控制器；

步驟2.1：將領航車和跟隨車的實際距離與期望間距的距離誤差e_L送入位置式PID控制器，輸出速度補償量；

所述期望間距L與距離誤差e_L如下式所示：

L＝hv+L₀

e_L＝L_r-L

其中L₀是兩輛車完全靜止時的距離，h是車輛間行駛時距，L_r為車輛相對距離；

步驟2.2：將速度補償量與兩車相對速度v_r之和作為自適應PID控制器的輸入信號，當統一油門踏板信號λ為正時，輸出加速度踏板位置信號λ_T，當λ為負時，輸出制動踏板位置信號λ_b，跟隨車輛根據輸入的加速度或制動踏板位置信號進而控制車速v；

所述兩車的相對速度v_r以及相對距離L_r的計算如下：

v_r＝v_p-v

L_r＝x_p-x

其中L_r和v_r由車載雷達傳感器測得；v_p為領航車速度，x_p為領航車縱向位置，x為跟隨車縱向位置；

步驟2.3：徑向基函數神經網絡RBFNN通過分析輸出的統一油門踏板信號λ和車輛速度信號v，動態調整PID控制器參數k_p，k_i，k_d；

所述徑向基函數神經網絡RBFNN的輸入向量為Z＝[z₁，z₂，z₃]^T，其中

z₁＝Δλ(k)

z₂＝v(k)

z₃＝v(k-1)

Δλ(k)、v(k)、v(k-1)分別為k時刻輸出的統一節氣門位置增量、當前時刻車輛輸出的實際速度、前一時刻的輸出速度，采用高斯函數作為隱藏層的傳遞函數，表示為：

其中μ_j＝[μ_j1，μ_j2，…，μ_jn，]、σ_j(σ_j＞0)分別為隱藏層的第j個節點的高斯函數中心點和寬度方差；W＝[w₁，w₂，...w_m]^T是網絡的輸出權值；隱藏層節點m設置為6，輸入向量數量n＝3(i＝1，2，…，n)，k時刻實際輸出速度為：

由于識別對象即跟隨車的輸出為v(k)，該識別器的性能指標J為：

選擇梯度下降法的學習方法，徑向基函數神經網絡RBFNN不斷更新隱藏層中迭代的三個參數μ_j、σ_j和w_j及其修正量，如下式所示：

其中η_R、γ分別為徑向基函數神經網絡RBFNN的學習速率、動量因子；

采用可變學習速率算法來改進徑向基函數神經網絡RBFNN的學習速率和穩定性：

其中，Ω是學習速率的校正因子(Ω＞0)；根據速度誤差e(k)調整學習速率：若e(k)-e(k-1)小于零則是在正確的方向上搜索，無需更正學習速率，停止搜索；若e(k)-e(k-1)大于0，則需調整Ω，并繼續搜索至e(k)-e(k-1)小于0；得到跟隨車速度v(k)相對于統一節氣門位置增量Δλ(k)的靈敏度為：

采用徑向基函數神經網絡RBFNN調整PID控制器參數，PID控制器采用增量式PID控制理論，其控制誤差e(k)，整定指標E(k)，三個輸入zc(1)、zc(2)、zc(3)及增量式PID的控制算法分別為：

e(k)＝v_p(k)-v(k)

zc(1)＝e(k)-e(k-1)

zc(2)＝e(k)

zc(3)＝e(k)-2e(k-1)+e(k-2)

其中v_p(k)是目標速度；zc(1)、zc(2)、zc(3)是PID控制器的三個參數；PID輸出統一節氣門位置信號是λ(k)，最終確定增量式PID的整定控制參數如下：

η_q為神經元比例系數，由PID控制算法確定油門位置如下：

λ(k)＝λ(k-1)+(k_p0+Δk_p)zc(1)+(k_i0+Δk_i)zc(2)+(k_d0+Δk_d)zc(3)

其中k_p0、k_i0、k_d0分別是PID控制器參數的初始值，Δk_p、Δk_i、Δk_d為控制參數增量；

步驟3、基于車載雷達傳感器和車間通信傳輸的領航車狀態信息，計算跟隨車輛的參考路徑；

設當前時刻為k，θ、L_r分別為領航車的方位角以及相對距離、ψ(k)為k時刻領航車的航向，分別為領航車速度以及橫擺角速度

k時刻時領航車的坐標x(k)，y(k)為：

從k-1到k時刻，領航車速度方向的變化角度即偏航角的變化Δψ(k)、領航車的駕駛距離D(k)為：

D(k)＝v_p(k)Δ(t)

其中Δ(t)是時間步長，Δψ(k)＝ψ(k)-ψ(k-1)，在領航車的局部坐標系x_poy_p中，這段時間駕駛距離D(k)在y_p和x_p方向的分量為：

將分量坐標從領航車坐標系轉換到跟隨車xoy坐標系中：

因此，在k-1時刻領航車的坐標為：

在每個時間步長Δ(t)計算領航車的坐標和航向的歷史序列，因此，由上述步驟3用領航車的位置航向橫擺角速度作為參考輸出η_p描述跟隨車的參考路徑，其中模型預測控制初始條件為：k時刻跟隨車的狀態量和前輪轉向角為輸入，作為當前時刻獲取跟隨車未來控制動作δ_f的初始條件；

步驟4、基于模型預測控制方法構建跟隨車輛的橫向控制器，并將設定速度作為速度及算法切換的分界點，進行橫向控制；

步驟5：針對跟車駕駛工況下的自主車輛縱橫向控制，完成控制器的設計，對自主車輛的縱向和橫向控制。