本發(fā)明涉及自動駕駛車輛智能控制，尤其涉及一種無人駕駛車輛主動轉(zhuǎn)向控制的方法。

背景技術(shù)：

1、無人駕駛車輛作為智能汽車的重要組成部分，其路徑規(guī)劃及跟蹤技術(shù)近年來受到了廣泛關(guān)注。無人駕駛車輛的橫向控制主要用于保證車輛的橫向循跡能力。無人駕駛車輛是一個多輸入多輸出的復(fù)雜控制系統(tǒng)，軌跡跟蹤控制是指通過對縱向和側(cè)向運(yùn)動的綜合控制使車輛在給定時刻到達(dá)對應(yīng)軌跡的目標(biāo)點，常用方法包括純跟蹤法、pid法、模型預(yù)測控制等方法。純追蹤算法是早期卡內(nèi)基梅隆大學(xué)學(xué)者提出，但該算法并未考慮車輛動力學(xué)特性和轉(zhuǎn)向執(zhí)行器動態(tài)特性，當(dāng)系統(tǒng)模型與實際車輛特性相差較大會導(dǎo)致跟蹤性能惡化。模型預(yù)測控制(model?predictive?control，mpc)能夠系統(tǒng)的處理自動駕駛中的動力學(xué)和運(yùn)動學(xué)約束，被廣泛的應(yīng)用到軌跡跟蹤橫向控制之中。傳統(tǒng)mpc存在在線計算量大，尤其是對于非線性mpc，實時應(yīng)用依賴于高性能的計算單元，同時增加對時域參數(shù)的在線優(yōu)化，則會增大mpc的計算量，影響控制器的實時性，從而增大控制誤差。

2、申請?zhí)朿n113968237a，發(fā)明名稱一種無人駕駛車輛轉(zhuǎn)向系統(tǒng)安全冗余架構(gòu)，該系統(tǒng)僅增加一個ecu實現(xiàn)轉(zhuǎn)向系統(tǒng)的安全冗余控制，在考慮提升安全性的同時考慮盡可能降低成本；增加的ecu在做冗余安全控制的同時，監(jiān)控轉(zhuǎn)向ecu的工作狀態(tài)，避免由轉(zhuǎn)向ecu故障未報出而導(dǎo)致冗余ecu未進(jìn)行控制進(jìn)而導(dǎo)致出現(xiàn)危害，同時增加了ecu的利用率，降低了危害發(fā)生的可能性。該發(fā)明僅監(jiān)測了實際轉(zhuǎn)角數(shù)據(jù)，通過實際轉(zhuǎn)角和預(yù)期轉(zhuǎn)角數(shù)據(jù)是否一致來作為判斷依據(jù)，同時未考慮到跟蹤的精度。

3、申請?zhí)朿n113759903a，發(fā)明名稱一種無人駕駛車輛及其轉(zhuǎn)向控制方法、電子設(shè)備及存儲介質(zhì)，涉及無人駕駛技術(shù)領(lǐng)域，其中，本技術(shù)中的無人駕駛車輛的轉(zhuǎn)向控制方法包括：獲取高精地圖；根據(jù)高精地圖計算出彎道區(qū)域及彎道半徑；獲取無人駕駛車輛的實時位置和實時速度；若實時位置位于彎道區(qū)域中，則根據(jù)彎道半徑、實時車速、雷達(dá)測距以及車輛與道路上相鄰護(hù)欄之間的gps位置信息計算車輛預(yù)設(shè)轉(zhuǎn)向角度和修正轉(zhuǎn)向角度并獲得最終的車輛實際轉(zhuǎn)向角度達(dá)到沿護(hù)欄貼行的目標(biāo)。隨后通過深度學(xué)習(xí)算法在相似行駛路徑情況下尋找最優(yōu)轉(zhuǎn)向控制參數(shù)。本技術(shù)的無人駕駛車輛轉(zhuǎn)向控制方法算法簡練、運(yùn)行效率高，可大幅提高車輛在高速行駛時的轉(zhuǎn)向操控穩(wěn)定性和安全性。但該發(fā)明在轉(zhuǎn)彎處，未考慮車輛轉(zhuǎn)彎的安全性，對轉(zhuǎn)角范圍進(jìn)行限定，在大轉(zhuǎn)角的情況下，雖然實現(xiàn)了較好的跟蹤效果，但也易造成車輛側(cè)翻。

4、申請?zhí)朿n113635893a，發(fā)明名稱一種基于城市智慧交通的無人駕駛車輛轉(zhuǎn)向的控制方法，所述城市智慧交通包括數(shù)據(jù)控制臺、紅綠燈控制模塊、攝像頭與通訊模塊，包括如下步驟：根據(jù)預(yù)設(shè)的目的地選擇最佳行駛路線，并提取最佳行駛路線的轉(zhuǎn)向數(shù)據(jù)；對所述轉(zhuǎn)向數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，得到避免碰撞的最小安全距離，根據(jù)所述最小安全距離得出無人車的角速度和行駛速度；根據(jù)無人車的角速度和行駛速度，構(gòu)建無人車動力學(xué)模型，生成無人車的轉(zhuǎn)向避障路徑，本發(fā)明無人車設(shè)定目的地，將目的地信息發(fā)送至數(shù)據(jù)控制臺，數(shù)據(jù)控制臺根據(jù)實時路況以及紅綠燈情況選擇最佳行駛路線，并發(fā)送給無人車，無人車獲取最佳行駛路線，無人車采集的實時數(shù)據(jù)與最佳行駛路線結(jié)合，得到其中的轉(zhuǎn)向數(shù)據(jù)。該發(fā)明通過得到角速度和行駛速度來實現(xiàn)轉(zhuǎn)向跟蹤，只限定了避免碰撞的最小安全距離，但并未考慮跟蹤誤差和橫擺角速度誤差對于跟蹤結(jié)果的影響。

5、為解決上述問題，本發(fā)明提出了一種無人駕駛車輛主動轉(zhuǎn)向控制的方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)存在的缺陷，提供一種無人駕駛車輛主動轉(zhuǎn)向控制的方法，以車輛前輪轉(zhuǎn)角為被控量，車輛橫向位置偏差、橫擺角偏差為0為控制目標(biāo)，基于模型預(yù)測控制(mpc)理論，設(shè)計了基于灰狼尋優(yōu)(gwo)—反向傳播(bp)神經(jīng)網(wǎng)絡(luò)補(bǔ)償mpc的路徑跟蹤控制器的輸出，利用gwo尋找最優(yōu)解作為bp的初始權(quán)值及閾值，考慮控制精度及車輛行駛穩(wěn)定性，獲取前輪補(bǔ)償角，用于補(bǔ)償mpc控制器輸出的前輪轉(zhuǎn)角，通過前輪主動轉(zhuǎn)向控制，在保證車輛安全性及舒適性的前提下實現(xiàn)軌跡跟蹤。

2、本發(fā)明采用如下技術(shù)方案：

3、一種無人駕駛車輛主動轉(zhuǎn)向控制的方法，包括：

4、步驟一.構(gòu)建車輛動力學(xué)模型，通過動力學(xué)模型推導(dǎo)出車輛狀態(tài)和前輪轉(zhuǎn)角之間的關(guān)系，定義車輛的狀態(tài)量、輸出量及控制量。

5、步驟二.基于傳統(tǒng)模型預(yù)測控制模型建立mpc路徑跟蹤控制器，并輸出前輪轉(zhuǎn)角δf；

6、步驟三.建立基于灰狼尋優(yōu)(gwo)-反向傳播(bp)神經(jīng)網(wǎng)絡(luò)的補(bǔ)償控制器，并輸出前輪轉(zhuǎn)角補(bǔ)償角△δ；

7、步驟四.無人駕駛車輛最終前輪轉(zhuǎn)角δ由前輪轉(zhuǎn)角及補(bǔ)償角共同構(gòu)成，通過前輪主動轉(zhuǎn)向控制，從而實現(xiàn)無人駕駛車輛主動轉(zhuǎn)向控制。

8、進(jìn)一步的，所述步驟一中車輛動力學(xué)方程為：

9、

10、上式中，y表示無人駕駛車輛的橫向位置，表示橫向速度，表示無人駕駛車輛的航向，表示橫擺角速度，δ表示無人駕駛車輛的前輪偏角,m表示無人駕駛車輛質(zhì)量，vx表示當(dāng)前車輛的速度信息，iz表示車輛沿z軸的轉(zhuǎn)動慣量，lf表示車輛質(zhì)心與前軸的距離，lr表示車輛質(zhì)心與后軸的距離，cαf表示前輪的側(cè)偏剛度，cαr表示后輪的側(cè)偏剛度。

11、在現(xiàn)有的動力學(xué)模型的基礎(chǔ)上可以得到車輛動力學(xué)誤差模型：

12、

13、上式中，ey表示無人車輛實時的橫向偏差，表示無人車輛實時的航向偏差，表示無人車輛實時的橫擺角速度，表示橫向偏差變化速率，表示航向偏差變化速率。

14、車輛的狀態(tài)量輸出量：車輛輸入控制量：u＝[δ]，x表示無人駕駛車輛的縱向位置。

15、進(jìn)一步的，所述步驟二中傳統(tǒng)模型預(yù)測控制的動力學(xué)狀態(tài)空間表達(dá)式：

16、

17、上式中，ξ為車輛的狀態(tài)量，u為車輛輸入控制量，η為輸出量，a為狀態(tài)矩陣，b為控制矩陣，c為輸出矩陣，δu(k)＝u(k)-u(k-1)。

18、系統(tǒng)在預(yù)測時域內(nèi)的輸出量可以表示為：

19、y(t)＝ψtξ(t)+θtδu(t)

20、上式中，

21、

22、np為預(yù)測時域、nc為控制時域。

23、路徑跟蹤控制器的目標(biāo)函數(shù)表示為：

24、

25、上式中，ηref為參考軌跡，ρ是權(quán)重系數(shù)，ε是松弛因子，q和r分別表示跟蹤過程中的準(zhǔn)確性和平穩(wěn)性權(quán)重矩陣。

26、在每一個優(yōu)化周期內(nèi)，優(yōu)化目標(biāo)為minj，求解得到控制時域內(nèi)的控制變量的增量：

27、δu*(t)＝[δu*(t),δu*(t+1),…,δu*(t+nc-1)]t

28、其中，δu*為控制變量的增量；

29、選取控制序列的第一個值作為實際系統(tǒng)的控制變量輸出，作用于被控對象：

30、u(t)＝u(t-1)+δu*(t)

31、不斷的循環(huán)重復(fù)，使得路徑跟蹤控制器實時跟蹤到參考軌跡。

32、進(jìn)一步的，所述步驟三中的灰狼尋優(yōu)(gwo)—反向傳播(bp)神經(jīng)網(wǎng)絡(luò)具體實現(xiàn)過程為：

33、(1)初始化bp神經(jīng)網(wǎng)絡(luò)，設(shè)置輸入量為x，輸入層節(jié)點數(shù)m，隱含層節(jié)點數(shù)n，輸出層節(jié)點個數(shù)p，學(xué)習(xí)速率為θ，輸入層和隱含層之間的權(quán)值為ωik、隱含層閾值bk，隱含層和輸出層之間的權(quán)值為ωkj、隱含層閾值bj；

34、選取激勵函數(shù)sigmoid函數(shù)：

35、隱含層的輸出為：其中i＝1,2,…m；k＝1,2,…n；xi表示第i個輸入量；

36、輸出層的輸出為：其中j＝1,2,…p；

37、總誤差：ej＝oj′-oj，其中，o′j為預(yù)測輸出，oj為期望輸出；

38、利用反向傳播算法更新權(quán)值與閾值；

39、輸入層到隱含層的權(quán)值更新：

40、隱含層到輸出層的權(quán)值更新：ωkj＝ωkj+θhk·ej；

41、輸入層到隱含層的閾值更新：

42、隱含層到輸出層的閾值更新：bj＝bj+ej。

43、(2)以橫向偏差ey、橫擺角偏差來評價控制器的控制精度，質(zhì)心側(cè)偏角β和橫擺角速度來評價車輛穩(wěn)定性、安全性。

44、采用最大-最小法對橫向偏差ey、橫擺角偏差質(zhì)心側(cè)偏角最大值β和橫擺角速度進(jìn)行歸一化處理，即：

45、

46、上式中，xk為數(shù)字序列中任意值，xmin為數(shù)字序列中的最小值，xmax為數(shù)字序列中的最大值；

47、利用歸一化后的橫向偏差橫擺角偏差質(zhì)心側(cè)偏角及橫擺角速度作為輸入層，前輪補(bǔ)償角△δ作為輸出層，確定網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。

48、(3)初始化灰狼算法，設(shè)置灰狼數(shù)量、最大迭代次數(shù)等，設(shè)置適應(yīng)度函數(shù)，即bp神經(jīng)網(wǎng)絡(luò)的平均誤差和函數(shù)：

49、

50、(4)產(chǎn)生群狼位置向量，目標(biāo)點的位置未知，計算每一只狼的適應(yīng)度值，對每只狼按適應(yīng)度值排序，將適應(yīng)度值最優(yōu)的前三只狼分別設(shè)置為α、β、δ，c1、c2、c3分別為α、β、δ的搜索半徑。d1、d2、d3為其余狼與α、β、δ的距離。其余狼根據(jù)α、β、δ的位置確定灰狼移動的方向。灰狼能夠識別獵物的位置并包圍它們。

51、狼群包圍獵物算法為：

52、上式中，a為系數(shù)向量，r1、r2為隨機(jī)數(shù)，范圍為[0,1]，a為由2至0的隨機(jī)遞減因子，c為擺動因子，d為距離獵物的距離，xp(t)為目標(biāo)灰狼位置，x(t)為當(dāng)前灰狼位置。

53、從狼群中選3個位置最好的個體：

54、

55、其中，x1(t)、x2(t)、x3(t)分別表示位置最好的3個個體的位置。

56、(5)更新算法中當(dāng)前狼群位置：

57、

58、(6)判斷是否達(dá)到迭代停止條件，若未達(dá)到則返回(4)。

59、(7)記錄最優(yōu)灰狼個體，并將其作為bp神經(jīng)網(wǎng)絡(luò)的初始權(quán)值及閾值。

60、(8)bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練輸出前輪補(bǔ)償角△δ。

61、無人駕駛車輛最終前輪轉(zhuǎn)角δ＝δf+△δ，通過前輪主動轉(zhuǎn)向控制，實現(xiàn)無人駕駛車輛主動轉(zhuǎn)向控制。

62、本發(fā)明的有益效果：

63、本發(fā)明根據(jù)無人駕駛車輛車身參數(shù)建立單軌動力學(xué)模型，以前輪轉(zhuǎn)角為被控量，并建立基于模型預(yù)測控制的路徑跟蹤控制器，由于前輪轉(zhuǎn)角易受到誤差的干擾，對于軌跡跟蹤的準(zhǔn)確性及穩(wěn)定性有很大的影響，故提出了灰狼尋優(yōu)(gwo)—反向傳播(bp)神經(jīng)網(wǎng)絡(luò)優(yōu)化mpc路徑跟蹤控制器。相比于傳統(tǒng)的路徑跟蹤控制方法，本發(fā)明能夠更好的解決無人駕駛車輛在軌跡跟蹤時的主動轉(zhuǎn)向控制。