本發(fā)明屬于智能交通，具體涉及一種智能車輛分層實時運動控制系統(tǒng)及方法。

背景技術(shù)：

1、隨著機動車數(shù)量逐年增加，導(dǎo)致交通擁堵、交通事故頻發(fā)等問題越來越嚴重。自動駕駛汽車作為未來交通的主要參與者，在減少交通事故、提高行駛效率等方面有巨大潛力。自動駕駛汽車的一般結(jié)構(gòu)主要包括感知層、規(guī)劃層和控制層。其中，規(guī)劃和控制層的局部軌跡規(guī)劃和路徑跟蹤作為關(guān)鍵技術(shù)，直接影響自動駕駛汽車的安全性。軌跡規(guī)劃用來為車輛規(guī)劃合理的路徑，路徑跟蹤用來消除車輛與目標(biāo)路徑之間的跟蹤偏差。

2、在道路上行駛的障礙物前車，由于縱橫向的速度不同，其碰撞風(fēng)險也不相同，由于車輛一般縱向速度較大，因此車輛的前后方的碰撞風(fēng)險相比兩側(cè)的碰撞風(fēng)險要更大，而現(xiàn)有的基于行車風(fēng)險場方法的路徑規(guī)劃方法往往只考慮障礙物本體的碰撞風(fēng)險，未考慮障礙物前后的風(fēng)險影響。因此，亟需提出一種既考慮實時性，又考慮車輛前后的碰撞風(fēng)險的車輛運動控制方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種智能車輛分層實時運動控制系統(tǒng)及方法，其技術(shù)目的是解決智能車輛行駛時遇到障礙物的安全性問題以及車輛控制的實時性問題。。

2、實現(xiàn)本發(fā)明目的的技術(shù)解決方案為：一種智能車輛分層實時運動控制系統(tǒng)，包括環(huán)境感知模塊、軌跡規(guī)劃模塊以及路徑跟蹤模塊；

3、環(huán)境感知模塊用于獲取周圍道路環(huán)境信息、自車行駛狀態(tài)信息；

4、軌跡規(guī)劃模塊用于求解目標(biāo)行駛軌跡，使智能車輛避開道路上的障礙物；首先計算行車風(fēng)險場函數(shù)值，設(shè)計考慮環(huán)境風(fēng)險約束的多目標(biāo)模型預(yù)測控制器，采用運動學(xué)車輛-道路運動學(xué)模型進行狀態(tài)遞推，優(yōu)化求解得到目標(biāo)行駛軌跡，并采用樣條曲線方法對預(yù)測時域內(nèi)的行駛軌跡進行平順擬合，得到目標(biāo)路徑；

5、路徑跟蹤模塊用于跟蹤規(guī)劃出的目標(biāo)路徑，采用模型預(yù)測控制方法結(jié)合車輛動力學(xué)模型，得到路徑跟蹤控制的模型預(yù)測控制器，求解出智能車輛跟蹤目標(biāo)行駛軌跡的最優(yōu)轉(zhuǎn)角控制量，將轉(zhuǎn)角控制量發(fā)送給車輛，實現(xiàn)對車輛的轉(zhuǎn)向控制。

6、進一步的，環(huán)境感知模塊包括雷達、攝像頭、gps、陀螺儀和輪速傳感器。

7、進一步的，軌跡規(guī)劃模塊中的運動學(xué)車輛-道路運動學(xué)模型如下：

8、

9、狀態(tài)變量分別為橫向速度縱向速度航向角車輛質(zhì)心位置坐標(biāo)x、y，式中t為仿真步長，ay為橫向加速度；

10、軌跡規(guī)劃模塊中的多目標(biāo)模型預(yù)測控制器如下：

11、

12、模型預(yù)測控制多目標(biāo)代價函數(shù)即多目標(biāo)模型預(yù)測控制器由四部分組成，式中η-ηref為預(yù)測軌跡與局部參考路徑之間的偏差，將當(dāng)前時刻t+1至預(yù)測步長t+np內(nèi)系統(tǒng)的縱向位置x，代入全局參考路徑(yglobal(x),)中，即得到局部參考路徑ηref；u為控制量；jobs為障礙物風(fēng)險場函數(shù)值，用于使車輛遠離障礙物；jroad為道路風(fēng)險場函數(shù)值，用于使車輛在道路上安全行駛；q、r為權(quán)重矩陣。

13、進一步的，路徑跟蹤模塊中的模型預(yù)測控制器如下：

14、

15、式中，np為預(yù)測時域，nc為控制時域，t為系統(tǒng)當(dāng)前時刻，q和r為權(quán)重矩陣，ρ為權(quán)重系數(shù)，ε為松弛因子，v(t)為根據(jù)車輛模型預(yù)測得到的車輛路徑，vref(t)為預(yù)測時域內(nèi)的車輛局部目標(biāo)路徑。

16、一種基于上述的系統(tǒng)進行智能車輛分層實時運動控制的方法，包括如下步驟：

17、s1：車輛在行駛時，接收全局參考路徑(yglobal(x),)，環(huán)境感知模塊獲取自車狀態(tài)信息和周圍道路環(huán)境信息，同時將獲取的信息發(fā)送給軌跡規(guī)劃模塊；通過周圍道路環(huán)境信息判斷前方是否存在障礙物，若沒有障礙物則轉(zhuǎn)至步驟s5繼續(xù)對全局參考路徑(yglobal(x),)進行跟蹤，若有則轉(zhuǎn)至步驟s2；

18、s2：識別到障礙物后，軌跡規(guī)劃模塊根據(jù)接收到自車狀態(tài)信息和周圍道路環(huán)境信息，分別計算障礙物風(fēng)險場值jobs和道路風(fēng)險場值jroad；

19、s3：軌跡規(guī)劃模塊根據(jù)行車風(fēng)險場函數(shù)值，代入考慮環(huán)境風(fēng)險約束的模型預(yù)測控制多目標(biāo)代價函數(shù)，并采用運動學(xué)車輛-道路模型進行狀態(tài)遞推，優(yōu)化求解得到目標(biāo)行駛軌跡，并采用樣條曲線方法對預(yù)測時域內(nèi)的行駛軌跡進行平順擬合，然后將計算出的局部目標(biāo)行駛軌跡(ylocal(x)，)發(fā)送給路徑跟蹤模塊；

20、s4：路徑跟蹤模塊根據(jù)局部目標(biāo)行駛軌跡，采用模型預(yù)測控制方法并結(jié)合車輛動力學(xué)模型，求解出智能車輛跟蹤目標(biāo)軌跡的最優(yōu)轉(zhuǎn)角控制量δ*，然后將車輪轉(zhuǎn)角發(fā)送給車輛，判斷車輛是否已經(jīng)避開障礙物，如果已經(jīng)避開則轉(zhuǎn)到s5，如果沒有避開則轉(zhuǎn)到s2；

21、s5：路徑跟蹤模塊根據(jù)全局參考路徑(yglobal(x),)，采用模型預(yù)測控制方法并結(jié)合車輛動力學(xué)模型，求解出智能車輛跟蹤目標(biāo)軌跡的最優(yōu)轉(zhuǎn)角控制量δ*，然后將車輪轉(zhuǎn)角發(fā)送給車輛。

22、進一步的，步驟s1中環(huán)境感知模塊獲取自車狀態(tài)信息和周圍道路環(huán)境信息包括前方障礙物質(zhì)心位置坐標(biāo)(xobs,yobs)，車輛橫縱向速度(vx,vy)、車輛位置坐標(biāo)(x,y)、車輛航向角和橫擺角速度ω。

23、進一步的，步驟s2中障礙物風(fēng)險場函數(shù)如下：

24、

25、

26、

27、σx＝1+2vx,σy＝1

28、式中d0為設(shè)定的常數(shù)值，xj、yj為主車輛覆蓋圓圓心坐標(biāo)，xi、yi為障礙車覆蓋圓圓心坐標(biāo)，vx為主車輛與障礙物的相對速度，σx、σy為縱向橫向的拉伸系數(shù)，sobs為障礙物風(fēng)險場系數(shù)，ζ為極小常量，大小設(shè)置為0.001；

29、步驟s2中雙車道道路風(fēng)險場函數(shù)如下：

30、

31、式中w為車道寬度，sroad為權(quán)重系數(shù)，s0為設(shè)定的常量。

32、進一步的，步驟s3具體為：

33、根據(jù)步驟s2計算得到的行車風(fēng)險場函數(shù)值計算局部目標(biāo)軌跡：建立車輛-道路運動學(xué)模型計算預(yù)測時域內(nèi)車輛的運動狀態(tài)，從而獲得預(yù)測時域內(nèi)風(fēng)險場函數(shù)值；車輛-道路運動學(xué)模型表示如下：

34、

35、式中x和y為車輛的縱向和橫向位移，ay為車輛橫向加速度，為車輛航向角，x和y為車輛質(zhì)心的橫坐標(biāo)和縱坐標(biāo)；

36、加入約束條件：|ay|<ug，簡寫成如下形式：

37、

38、式中，5個離散的狀態(tài)變量u為路面附著系數(shù)，μ代表控制量，此處為ay，預(yù)測的下一時刻狀態(tài)變量為：

39、

40、式中t為仿真步長；

41、當(dāng)車輛跟蹤全局參考路徑時，計算預(yù)測軌跡與局部參考路徑之間的偏差η-ηref，將當(dāng)前時刻t+1至預(yù)測步長t+np內(nèi)系統(tǒng)的縱向位置x，代入全局參考路徑(yglobal(x),)中，即得到局部參考路徑ηref：

42、

43、將計算出的控制量代入車輛-道路運動學(xué)模型中，推導(dǎo)出預(yù)測時域內(nèi)所有的狀態(tài)量，計算得到1～np時刻內(nèi)車輛的

44、采用5次樣條曲線方法進行軌跡擬合，五次樣條曲線擬合的公式表示為：

45、

46、經(jīng)過擬合后，得到局部目標(biāo)行駛軌跡(ylocal(x)，)。

47、進一步的，步驟s4和步驟s5中的“采用模型預(yù)測控制方法并結(jié)合車輛動力學(xué)模型，求解出智能車輛跟蹤目標(biāo)軌跡的最優(yōu)轉(zhuǎn)角控制量δ*”具體為：

48、車輛三自由度動力學(xué)模型如下：

49、

50、式中ccf為前輪的側(cè)偏剛度，ccr為后輪的側(cè)偏剛度，clf為前輪的縱向剛度，clr為后輪的縱向剛度，sf為前輪滑移率，sr為后輪滑移率，δf為車輛前輪轉(zhuǎn)角，a為車輛質(zhì)心到前軸距離，b為車輛質(zhì)心到后軸距離，iz為車輛轉(zhuǎn)動慣量；

51、系統(tǒng)的狀態(tài)量為系統(tǒng)的控制量為udyn＝δf，輸出量由此得到如下的非線性模型：

52、

53、將非線性模型進行離散化與線性化，得到線性時變模型，然后將模型中的控制變量增量δu(k)作為新的控制變量，構(gòu)造含有δu(k)的新形式(u(k)＝u(k-1)+δu(k))，同時將和y作為輸出變量ν，得到如下狀態(tài)方程：

54、

55、式中，

56、考慮質(zhì)心側(cè)偏角約束、車輛附著條件約束、輪胎側(cè)偏角約束，對輸出量及控制量進行約束，得到軌跡規(guī)劃層的模型預(yù)測控制器如下：

57、

58、式中，np為預(yù)測時域，nc為控制時域，t為系統(tǒng)當(dāng)前時刻，q和r為權(quán)重矩陣，ρ為權(quán)重系數(shù)，ε為松弛因；v(t)為根據(jù)車輛模型預(yù)測得到的車輛路徑，vref(t)為預(yù)測時域內(nèi)的車輛局部目標(biāo)路徑；

59、路徑跟蹤控制器計算出最優(yōu)轉(zhuǎn)角控制量δ*，然后將該控制量發(fā)送給車輛，完成對車輛的轉(zhuǎn)向控制。

60、本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點在于：

61、本技術(shù)的智能車輛分層實時運動控制系統(tǒng)及方法，在進行軌跡規(guī)劃時，考慮車輛縱橫向速度的差異，對傳統(tǒng)的障礙物風(fēng)險場進行了改進，規(guī)劃的軌跡能夠使車輛提前進行轉(zhuǎn)向，降低了車輛在避障時的橫擺角速度，提高了行駛穩(wěn)定性；結(jié)合道路標(biāo)志線風(fēng)險場和障礙物風(fēng)險場，實現(xiàn)對周圍行駛環(huán)境的時空耦合多維風(fēng)險感知，提高車輛在復(fù)雜工況下的安全性。