[发明专利]基于预测控制的双模式并行车辆轨迹跟踪行驶系统的方法

说明书

本发明涉及一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统,包括：人机交互单元；组合定位单元，实时给出自动驾驶汽车的位置和姿态信息；通讯单元；综合信息感知单元，实时给出自动驾驶汽车周围的交通信息；并行车载处理双单元；执行单元，包含汽车的线控转向和线控驱动系统，接收并行车载处理双单元输出的控制指令，最终完成稳定可靠的自动驾驶车辆轨迹跟踪。本发明还公开了基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法。本发明采用双系统并行的控制架构，提高算法的适应性和鲁棒性,当模型辨识完毕之后，双系统同时工作，大大增强了控制系统的容错能力，提高了自动驾驶汽车的安全性和可靠性。

技术领域

本发明涉及车辆自动驾驶技术领域，尤其是基于预测控制的双模式并行车辆轨迹跟踪行驶系统的方法。

背景技术

随着人工智能技术的飞速发展，交通工具的智能化已经成为不可阻挡的趋势，智能车辆，特别是自动驾驶汽车受到人们的重视。按照汽车的动力学，自动驾驶汽车的控制可以分为横向控制和纵向控制，其中横向控制主要有顶层的路径规划、中间层的路径跟踪和底层的执行机构线控转向组成。轨迹跟踪作为横向控制过程中的基本控制问题之一，要求自动驾驶车辆在安全、快速、平稳等要求下，跟踪给定或者规划的路径。

轨迹跟踪系统的稳定性、准确性、灵敏性直接决定了自动驾驶汽车的安全性和可靠性。目前的轨迹跟踪控制器多采用线性MPC控制和基于神经网络的智能控制算法。其中，虽然线性MPC控制用线性模型逼近汽车非线性的特性，引入了多种约束，通过预测模型和滚动优化算法来实现较为稳定的路径跟踪，在几种控制算法中的控制效果相对较好。然而在实际应用中，由于设计的线性模型和汽车实际非线性特性相差甚远，多步的预测只能提供很短甚至单步的稳定控制，浪费了大量的计算量，在实际应用中的控制精度也有待进一步的提升。至于基于神经网络的智能控制算法，诸如深度学习、强化学习，一方面需要大量的数据或测试才能建立较为可靠的模型，另一方面由于神经网络的可解释性差，神经网络最为人所知的缺点就是它们的“黑盒子”性质，这意味着人们没有办法解释神经网络具体如何工作以及为什么会输出这个结果，这两个问题造成单一基于神经网络的控制系统在自动驾驶汽车的横向控制上应用较少。

发明内容

本发明的目的在于提供一种克服了传统控制方法建模不准确和单一基于神经网络不可解释和需要大量数据的问题，能够提高自动驾驶车辆轨迹跟踪控制系统的准确性的基于预测控制的双模式并行车辆轨迹跟踪行驶系统的方法。

为实现上述目的，本发明采用了以下技术方案：一种基于预测控制的双模式并行智能驾驶车辆轨迹跟踪行驶系统的轨迹跟踪行驶方法，该方法包括下列顺序的步骤：

(1)通过人机交互单元，驾驶员启动本系统，并指定目标位置；

(2)通过综合信息感知单元获取环境的信息，实时给出自动驾驶汽车周围的交通信息，给出的障碍物信息是基于车辆坐标系的距离、角度信息；

(3)通过组合定位单元实时获取汽车的定位及姿态信息；

(4)将综合信息感知单元提供的基于车辆坐标系的障碍物信息和组合定位单元输出的基于大地坐标的汽车定位信息输入并行车载处理双单元，基于路径规划算法，规划出理想的行驶轨迹，通过人工驾驶汽车，基于组合定位单元采集路径信息，生成轨迹信息；

(5)将上一步生成的轨迹信息和汽车实时的姿态信息输入给并行车载处理双单元，此时基于传统动力学模型的预测控制系统会根据汽车的状态信息生成控制序列1；

(6)神经网络预测控制系统采集方向盘转角、车速、汽车位置和姿态信息的变换信息，完成非线性多步预测模型的训练；若神经网络预测控制系统还未完成非线性多步预测模型的训练，此时完全由控制序列1来控制；

(7)若神经网络预测控制系统已经完成训练和检验，由神经网络预测控制系统生成控制序列2；