[发明专利]一种基于人工神经网络的无人车控制参数选取方法

说明书

本发明公开一种基于人工神经网络的无人车控制参数选取方法，从已有无人车试验数据中收集前一段时间内的车况与路况信息，对信息进行整理分类，获得不同的车况与路况信息，建立时间段内的初始数据训练集，构建人工神经网络控制参数选取模型，模型的六个输入量是横向速度、纵向速度、横向位移误差、纵向速度误差、路面曲率半径以及路面附着系数，模型的两个期望输出量是预测时域和预测周期；采集无人车实时行驶的车况与路况信息，作为人工神经网络控制参数选取模型的输入，得到两个最优的控制参数预测时域与预测周期；将人工神经网络模型运用到无人车控制参数的选取中，通过考虑车辆行驶车况与路况，实现控制参数对行驶车况与路况的自适应。

技术领域

本发明涉及无人驾驶汽车的控制领域，具体涉及一种基于人工神经网络的无人车控制参数的选取方法。

背景技术

地面无人车在运动过程中受到运动学约束以及执行机构的约束，在高速情况下还需要考虑相应的动力学约束，模型预测控制(MPC)的轨迹跟踪算法对未来轨迹的预测和处理多目标约束条件的能力较强。模型预测控制在实现过程中主要有三个关键步骤，分别是预测模型、滚动优化和反馈校正步骤。在控制过程中，始终存在一条期望参考轨迹，从当前时刻控制动作，控制器结合当前的测量值和预测模型，预测系统未来一段时域内系统的输出，通过求解满足目标函数以及各种约束的优化问题，得到在控制时域内的一系列的控制序列，并将该控制序列的第一个元素作为受控对象的实际控制量。但在传统的模型预测控制中，预测时域和预测周期为固定值(预测时域与预测周期的乘积为预测时间)，而在无人车实际的运行过程中，由于实际运行工况较为复杂，环境多变，固定的预测时域和预测周期的轨迹跟踪控制器很难达到精准的轨迹跟踪以及在此基础上保证车辆的平顺性。

目前，已有很多关于无人车轨迹跟踪控制的相关技术，例如中国专利申请号为201810857861.X的文献中公开了一种基于滚动时域优化算法的轨迹跟踪主动转向控制器，通过考虑前轮转角、质心偏侧角等约束对控制量进行时域滚动优化，以此来减小车辆实际轨迹与期望轨迹之间的误差和使控制量尽量小，不产生过大的横向加速度来保证车辆行驶平顺性，但是该控制器的预测时域是固定的，忽略了预测时域对跟踪能力以及跟踪实时性的影响，若预测时域过小，将引起跟踪能力下降，若预测时域过大，将影响跟踪实时性降低。又如在中国专利申请号为201610351859.6的文献中提出了一种考虑多目标的车辆自适应巡航控制方法，其中利用模型预测控制算法决策出跟踪该期望车间距所需要的期望加速度，但所用的预测时域也为固定值，这忽略了不同速度对预测时域的不同要求，低速对预测时域要求较短，高速对预测时域要求较长。

发明内容

本发明针对上述问题，提供了一种基于人工神经网络的无人车控制参数选取方法，使得预测时域与预测周期的大小能随着无人车行驶车况与路况的改变且实时做出最优调整，使无人车达到精准的轨迹跟踪控制。

本发明一种基于人工神经网络的无人车控制参数选取方法采用的技术方案是包括以下步骤：

(1)从已有的无人车试验数据中收集前一段时间内的车况与路况信息，包括前一段时间内的横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k、路面附着系数μ_k、预测时域Tp_k与预测周期T_k；

(2)对所收集的信息进行整理分类，获得不同的车况与路况信息，根据不同的车况与路况信息建立时间段内的初始数据训练集；

(3)构建人工神经网络控制参数选取模型，模型的六个输入量是横向速度V_k、纵向速度S_k、横向位移误差Δy_k、纵向速度误差ΔV_k、路面曲率半径R_k以及路面附着系数μ_k，模型的两个期望输出量是预测时域Tp_k和预测周期T_k。