[发明专利]一种基于多重模型预测控制的人机交互协调控制策略

说明书

本发明为了解决由传统的MPC复杂多工况下的自动驾驶控制无法解决的问题，提出了一种新型的多重模型预测控制(Multi‑model predictive control，MMPC)算法，并将其应用于智能汽车人机协同控制系统。采用古斯塔夫森‑凯塞尔算法对实车试验数据进行聚类分析，得到各个典型转向工况的聚类中心以及训练样本数据；利用LS‑SVM对多模型结构进行搭建，并将建立的各个类别的子模型，将其作为MPC算法的预测模型；构建多目标优化的目标函数，采用NSGA‑Ⅱ算法求解多目标优化问题，并得到最优控制量，以解决传统的MPC无法适应参数时变性强，复杂多工况下的自动驾驶控制的问题。

技术领域

本发明属于无人驾驶技术领域，尤其是涉及一种基于多重模型预测控制的人机交互协调控制策略。

背景技术

模型预测控制(MPC)理论经过半个多世纪的发展和演变，已经逐步形成了较为完整的理论体系，并在工业控制、机器人等诸多领域展开展了应用。同时，MPC也在解决智能驾驶控制方面提供较好的解决思路。但智能汽车在人机协同控制过程是一个较为复杂的非线性控制过程，随着自动驾驶的发展，车辆控制越来越趋向于复杂化，传统的MPC已经无法适应参数时变性强，复杂多工况下的自动驾驶控制。

由于传统MPC算法中的所建立的数学模型是固定不变的，而智能汽车在人机协同转向控制时，受到驾驶员行驶状态，当前车辆行驶工况以及危险系数等多方面因素的影响，需要建立更为复杂的多模型结构，以更好地应对人机协同控制的需要。

发明内容

有鉴于此，本发明旨在提出一种基于多重模型预测控制的人机交互协调控制策略，以解决传统的MPC无法适应参数时变性强，复杂多工况下的自动驾驶控制的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于多重模型预测控制的人机交互协调控制策略，具体包括如下步骤：

步骤1：基于GK聚类算法的转向工况分类，利用LS-SVM算法对各转向工况数据进行处理，建立其数学子模型，根据输入变量与聚类中心的实际距离进行模式切换；

步骤2：将步骤1中基于GK－LSSVM算法构建多模型结构作为MMPC算法的预测模型，实时循环迭代计算系统反馈误差，将误差通过反馈校正环节调整下一时刻的估计输出；最后，利用NSGA-Ⅱ算法求解性能指标函数，从而实现滚动优化；

步骤3：建立智能汽车驾驶员转向控制数学模型，采用数字仿真技术验证横向跟踪模型的正确性和有效性

步骤4：以MPC为指导思想，对智能汽车人机协同控制任务进行分解，通过设定的规则建立复杂的多系统模型，构建MMPC系统，进而设计应用于智能汽车人机协同转向的MMPC控制器。

进一步的，所述步骤(1)中，具体包括如下步骤：

步骤1.1：通过实车试验获取实验数据包括多个驾驶员转向参数，FCM和GK都将实车实验的转向数据分成9类，这9类数据分别对应的是低中高三种车速下的车道保持、普通右转以及掉头工况；

步骤1.2：LS-SVM算法对步骤1.1中的各转向工况数据进行处理，并分别建立其数学子模型；

步骤1.3：采用欧氏距离度量输入变量与聚类中心的实际距离进行多模型之间的切换。

进一步的，所述步骤(2)具体如下：

步骤2.1：对预测模型实时循环迭代计算系统反馈误差，并将误差通过反馈校正环节调整下一时刻的估计输出；

步骤2.2：利用NSGA-Ⅱ算法求解性能指标函数，从而实现滚动优化。

进一步的，所述步骤2.2具体如下；