[发明专利]一种基于蚁群算法的车辆路径追踪控制方法

说明书

本发明公开了一种基于蚁群算法的车辆路径追踪控制方法，包括步骤：1、建立车辆的运动学模型；2、设计车辆模型预测控制器；3、获取当前时刻车辆的状态，利用蚁群算法求解使目标函数取最小值的控制量增量序列，其第一个元素为当前时刻的最优控制增量；4、根据当前时刻的最优控制增量控制轮胎转向角和车辆行驶速度，控制车辆运行，判断是否需要切换参考点后进入步骤2继续下一个时刻的控制。该方法计算速度快，能够提高车辆路径追踪的实时性。

技术领域

本发明属于车辆自动驾驶控制技术领域，具体涉及一种在无人驾驶车辆路径追踪时计算车辆轮胎转向角和车辆速度的方法。

背景技术

路径追踪是无人驾驶车辆中的一项关键技术，目前路径追踪主要有以下几种方法：采用PID控制器，有较好的跟踪能力，但是缺乏对复杂工况的适应；采用纯追踪算法，跟踪性能和实时性较好，但是需要建立精确的运动学模型，而且前视距离不易选取，使其在应用方面受到很大的限制；基于模型预测控制(MPC)的方法，该方法不要求建立精确的数学模型，而是通过求解带约束的目标函数，预测系统未来时刻的状态，在线滚动优化，并根据系统实际输出进行反馈校正，修正预测模型，最终使得系统在未来时刻的跟踪误差最小，有独特的预测能力，控制效果好，在许多生产过程中得到了广泛的应用。

然而模型预测控制需要在每一采样时刻，根据当前的测量信息，在线求解一个有限时域开环优化问题，这个过程会消耗很多时间。为了提高计算速度，引入了控制时域的概念。当预测时域大于控制时域时，将不再进行优化求解，而是把最后一个控制时刻求解出的控制量，作为今后时刻的控制输出。但是这样的处理方式在一定程度上降低了优化的自由度。

车辆路径追踪系统需要快速的动态响应，其轨迹跟踪性能主要取决于转向和速度的实时控制，而基于传统的MPC路径追踪方法在实际工程中动态性差，进而影响跟踪精度。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供了一种基于蚁群算法的车辆路径追踪控制方法，该方法计算速度快，能够提高车辆路径追踪的实时性。

技术方案：本发明采用如下技术方案：

一种基于蚁群算法的车辆路径追踪控制方法，包括步骤：

步骤1、建立车辆的运动学模型，包括如下步骤：

(1.1)车辆的坐标与航向角和轮胎转向角之间具有如下的关系：

其中x、y分别为车辆在X轴和Y轴的坐标，为车辆航向角，l为车辆的前后轴的轴距，v为车辆的速度，δ为轮胎转向角；分别为车辆在X轴和Y轴的速度，为车辆的转向角速度；

(1.2)以为状态量，u＝[δ v]^T为控制量，构建车辆的一般运动学模型：

其中，

参考轨迹上当前参考点r处运动学模型的一般形式为：

(1.3)建立离散化跟踪误差模型，如下：

其中，为k时刻的跟踪误差，A_k,t和B_k,t分别为根据当前时刻t预测k时刻状态的状态系数矩阵和控制系数矩阵；

T为采样周期，k为离散变量，t为当前采样时刻；

步骤2：设计车辆模型预测控制器，包括如下步骤：

(2.1)计算系统的预测输出表达式；

系统的预测输出表达式为：

Y(t)＝Ψ_tX(t|t)+Θ_tΔU(t) (5)