[发明专利]基于事件触发型模型预测控制的无人车路径跟随方法

说明书

本发明涉及一种基于事件触发型模型预测控制的无人车路径跟随方法：包括建立车辆的非线性运动学模型，采集无人车辆运动学全局坐标位置信息，并传输给车辆的控制器，设计事件触发机制，对优化问题求解进行去冗余处理，决定车辆的控制策略是否更新；模型预测控制器应用位置信息，结合车辆全局坐标系中的状态约束与输入约束，求解出优化控制策略。本发明引入事件触发机制，能够保证减少计算量的同时保证对参考路径的跟随，与传统的周期采样控制相比，事件触发机制只在既定事件发生的时刻进行动作，比如误差超过阈值或者达到了特定时刻，实现了路径跟随控制,同时大大减少计算量。

技术领域

本发明涉及汽车驾驶自适应巡航系统技术领域，特别是涉及一种汽车自适应巡航系统的运动控制系统，具体涉及一种基于事件触发型模型预测控制的无人车路径跟随方法。

背景技术

无人驾驶技术是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标，是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。集自动控制、体系结构、人工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的产物。

自适应巡航系统无人驾驶技术中的核心。而路径跟随控制是自适应巡航的基本问题，可以构成车辆变道、避障、跟车等机动动作。通过车载传感器采集车辆全局坐标系下的位置信息，与全局参考路径信息对比，通过控制车辆方向盘进而控制车辆转角，使车辆能够跟随上参考路径，提高了车辆的自主性。

模型预测控制使用滚动优化和反馈校正的方法，能更好地解决带有约束的优化问题，并且预测模型可以结合被控对象本身，无论被控对象是线性模型还是非线性模型，都可以通过预测实现更精准的控制，因此被广泛应用到无人驾驶领域，模型预测控制的主要缺点是在线优化的计算负担。现有车载硬件水平很难保证优化问题的求解。

发明内容

本发明的目的是提供一种基于事件触发型模型预测控制的无人车路径跟随方法，在车辆运动学建模框架下，通过全局位置信息与运动学约束，通过模型预测控制方法求解路径跟随控制器，并引入事件触发机制减少计算量。

为达到上述目的，本发明采用的技术方案是：

一种基于事件触发型模型预测控制的无人车路径跟随方法：包括以下步骤：

S1：建立车辆的非线性运动学模型，采集无人车辆运动学全局坐标位置信息，并传输给车辆的控制器，

S2：设计事件触发机制，对优化问题求解进行去冗余处理，决定车辆的控制策略是否更新，

S3：模型预测控制器应用位置信息，结合车辆全局坐标系中的状态约束与输入约束，求解出优化控制策略。

优选地，在S1中：建立车辆非线性运动学模型包括：

选择惯性系XOY作为全局坐标系，表示车辆航向角，δ表示前轮偏角，v^r表示前轮速度，v^f表示后轮速度，l表示车辆轴距，上角标r表示后轮中轴相关变量，上角标f表示前轮中轴相关变量，假设车辆前后轴均无横向侧滑，得出相应的运动学约束：

由车辆框架在全局坐标系X、Y方向上的投影得出：

上述运动学约束联立得出车辆在X、Y方向的速度：

通过车辆前后轴中心距离得出前轮位置：

将公式(3)、(4)代入公式(1)，化简得出车辆角速度：

由公式(3)和公式(5)得出车辆的运动学模型为：