基于自适应融合Koopman模型的无人车轨迹跟踪方法
本发明涉及无人车控制,具体涉及基于自适应融合模型的无人车轨迹跟踪方法。
背景技术:
1、独立转向/独立驱动无人车的四个车轮转向角和驱动力矩均可独立调节,能够实现零半径转向、斜向行驶、横向移动和小半径绕障等高机动运动模式,适用于山地勘探、灾害救援、环境监测等野外非结构化场景。然而,在复杂地形条件下,路面起伏、附着变化、轮胎—地形相互作用、局部坡度和滚动阻力会持续影响车辆状态演化,使车辆动力学呈现强非线性、强耦合和时变特性,增加轨迹跟踪控制难度。
2、为提高复杂地形下无人车轨迹跟踪性能,模型预测控制方法因能够利用预测模型描述车辆未来状态演化,并在约束条件下优化控制输入,被广泛应用于无人车运动控制。然而,其控制性能依赖预测模型精度,复杂地形导致车辆动力学持续变化,使固定参数模型难以长期保持准确预测。因此,现有技术通常采用扰动补偿、数据驱动预测建模以及在线建模方法提高模型预测能力。
3、扰动观测器方法通常将未建模动态、外部扰动和参数不确定性等影响等效为集总扰动,并通过观测器在线估计后进行补偿。数据驱动预测方法利用神经网络、高斯过程等模型学习复杂非线性映射关系,提高模型预测能力。近年来,在线方法通过可观测函数将非线性系统提升到高维可观测空间,并利用运行数据递推更新提升空间中的线性预测矩阵,为模型预测控制提供了一种兼顾非线性表征能力和优化可处理性的预测建模思路。
4、现有技术cn112016194a公开了一种基于算子的全方位移动机械臂数据驱动模型预测控制方法,利用扩展动态模态分解建立高维线性模型并进行模型预测控制;cn116594295a公开了一种基于算子的高速列车模型预测控制方法,建立高维线性模型并在线更新模型;cn119439718a公开了一种用于非线性系统抗干扰控制的数据驱动预测控制方法,将建模、干扰观测器和模型预测控制结合,提高非线性系统控制性能。
5、然而,上述方法应用于野外复杂地形下独立转向/独立驱动无人车轨迹跟踪时仍存在以下不足。
6、第一,基于固定车辆模型的模型预测控制难以适应复杂地形下车辆动力学的持续变化。在野外复杂地形中,路面起伏、附着条件变化、轮胎—地形相互作用、坡度重力分量和滚动阻力会共同影响车辆状态演化,使固定预测模型难以长期保持准确预测,限制轨迹跟踪精度进一步提升。
7、第二,现有用于提高模型预测精度的扰动补偿和数据驱动建模方法仍难以满足复杂地形轨迹跟踪需求。复杂地形会通过轮胎力生成、车轮转动阻力、坡度重力投影和运动学传播等多个环节影响车辆动力学特性,使车辆状态演化和输入作用关系呈现与地形条件相关的结构变化,简单采用集总扰动补偿难以准确表征上述影响。神经网络、高斯过程等数据驱动预测模型虽然能够修正部分预测偏差,但其可靠性依赖离线训练数据覆盖范围,在训练数据不足的新地形条件下预测精度容易下降,同时复杂非线性模型直接嵌入模型预测控制会增加在线优化求解负担。
8、第三,现有在线方法虽然能够利用运行数据递推更新高维线性预测矩阵,并保持适用于模型预测控制的线性预测结构,但面向复杂地形下独立转向/独立驱动无人车轨迹跟踪时仍存在局限。纯数据驱动在线通常更新整体预测映射,在新地形初期有效样本不足时模型适应容易滞后;连续多地形运行过程中,历史数据不断累积,过时样本可能降低模型对当前地形变化的响应能力;固定遗忘因子难以同时兼顾地形切换阶段的快速适应和固定地形阶段的稳定收敛。此外,高维提升会增大预测优化规模,而复杂地形轨迹跟踪又需要较长预测时域以利用未来参考轨迹信息,二者叠加会增加在线求解负担。
9、综上,面向野外复杂地形下独立转向/独立驱动无人车,现有方法仍难以同时兼顾复杂地形下的模型预测准确性、地形变化下的模型在线适应性以及高维预测控制的实时计算能力。
技术实现思路
1、有鉴于此,本发明提供了一种基于自适应融合模型的无人车轨迹跟踪方法,能够以解决上述技术问题。
2、为了解决上述技术问题,本发明是这样实现的。
3、一种基于自适应融合模型的无人车轨迹跟踪方法,包括:
4、步骤s1:构建神经可观测函数并对由无人车状态变量和控制输入变量组成的扩展状态序列进行延迟嵌入提升,确定延迟嵌入回归向量;
5、步骤s2:基于神经可观测函数、无人车平面运动学与动力学模型和车轮转动动力学模型确定物理先验预测模型;
6、步骤s3:基于延迟嵌入回归向量确定在线残差模型;
7、步骤s4:基于物理先验预测模型和在线残差模型构建自适应融合模型;
8、步骤s5:基于自适应融合模型构建模型预测控制器,设置多个候选预测时域并进行仿真测试,确定最短预测时域;将模型预测控制器的预测时域更新为最短预测时域,得到时域压缩模型预测控制器;
9、步骤s6:获取无人车实际运行过程中的车辆状态变量信息和参考轨迹信息,基于车辆状态变量信息更新在线残差模型和自适应融合模型,获得自适应融合模型变化特征;基于自适应融合模型变化特征、车辆状态变量信息和参考轨迹信息生成时变代价权重矩阵,更新时域压缩模型预测控制器;利用更新后的时域压缩模型预测控制器在线求解获得无人车控制输入变量。
10、优选地,所述步骤s1,构建神经可观测函数并对由无人车状态变量和控制输入变量组成的扩展状态序列进行延迟嵌入提升,确定延迟嵌入回归向量,包括:
11、步骤s11:构建神经可观测函数,神经可观测函数如下:
12、
13、其中,为建模数据序列中第
k采样时刻无人车状态变量,为神经可观测函数映射得到的提升空间状态,t为转置,函数表示参数为
ψ的编码网络;
14、步骤s12:训练完毕的神经可观测函数对由无人车状态变量和控制输入变量组成的扩展状态序列进行延迟嵌入提升,其中:
15、由建模数据序列中第
k采样时刻及历史采样时刻无人车状态变量构成的延迟嵌入状态表示为:
16、
17、提升后的延迟嵌入状态为:
18、
19、其中,分别为建模数据序列中第
k、
k-1、
k-
d采样时刻的无人车状态变量的转置,分别为经过神经可观测函数映射得到的提升空间状态的转置;
20、步骤s13:确定延迟嵌入回归向量,其中:
21、为控制输入变量的延迟嵌入输入,且,
22、分别为建模数据序列中第
k、
k-1、
k-
d采样时刻的无人车控制输入变量。
23、优选地,步骤s1还包括步骤s14:确定初始延迟嵌入预测矩阵,
24、
25、其中,
n为训练神经可观测函数的训练样本数量,
k为延迟嵌入预测矩阵,为正则化系数,
d为延迟嵌入阶数,
l为训练样本索引,为第
l+1采样时刻对应的提升后的延迟嵌入状态,为第
l采样时刻的延迟嵌入回归向量,为二范数,为frobenius范数;
26、初始延迟嵌入预测矩阵用于作为后续在线残差模型构建的初始模型参数。
27、优选地,所述步骤s2:基于神经可观测函数、无人车平面运动学与动力学模型和车轮转动动力学模型确定物理先验预测模型,包括:
28、步骤s21:构建无人车平面运动学与动力学模型和车轮转动动力学模型:
29、
30、其中,
x、
y分别表示无人车在全局坐标系下的纵向位置和横向位置;
φ表示无人车航向角;
vx、
vy分别表示车体坐标系下的纵向速度和横向速度;
ω表示车辆横摆角速度;
j∈{
fl,
fr,
rl,
rr}表示左前、右前、左后、右后4个车轮;表示第
j个车轮的转速;
m和
iz分别为车辆质量和横摆转动惯量;、、、、、和分别表示
x、
y、φ、vx、
vy
、ω、 关于时间的一阶导数;
jwj为第
j个车轮的转动惯量;表示第
j个车轮驱动力矩;和分别表示第
j个车轮名义纵向轮胎力和名义侧向轮胎力;和分别表示第
j个车轮相对于车辆质心的纵向和横向位置;为第
j个车轮转向角;为车轮驱动力矩;为第
j个车轮的车轮半径;为求和符号;sin和cos分别为正弦函数和余弦函数;
31、步骤s22:基于训练完毕的神经可观测函数,将无人车状态变量映射至提升空间,并结合无人车平面动力学与车轮转动动力学模型和无人车车辆平面运动学模型确定物理先验预测模型,物理先验预测模型如下:
32、
33、其中,表示物理先验模型预测得到的下一时刻状态;为将连续时间模型转换为离散时间模型的矩阵指数运算;[·]g为提取与状态提升预测相关的行;
ts为采样周期;为得到物理生成元的函数;表示物理先验预测矩阵;和分别表示物理先验模型中的状态矩阵和输入矩阵;表示表示由第
k采样时刻的提升状态和
uk构成的非延迟嵌入回归向量;
34、步骤s23:对物理先验预测模型进行扩展,得到延迟嵌入物理先验模型,如下:
35、
36、其中,表示延迟嵌入物理先验模型;和分别表示延迟嵌入后的状态矩阵和输入矩阵;表示维数为
d+1的单位矩阵;表示kronecker积;
37、步骤s24:得到物理先验预测关系:
38、
39、其中,为物理先验模型预测得到的
k+1时刻延迟提升状态。
40、优选地,所述步骤s3,基于延迟嵌入回归向量确定在线残差模型,包括:
41、步骤s31:构建无人车自适应调节遗忘因子:
42、
43、其中,表示第
k采样时刻递推更新在线残差预测矩阵时采用的自适应遗忘因子,其根据截至第
k-1采样时刻的近期预测误差指标确定;为遗忘因子下界;为误差敏感系数;为物理先验加残差模型的预测误差指标;
44、步骤s32:基于无人车自适应调节遗忘因子和延迟嵌入回归向量确定在线残差模型,如下:
45、
46、其中,表示与第
k-2采样时刻至第
k-1采样时刻车辆状态转移相对应的残差预测矩阵;表示与第
k-1采样时刻至第
k采样时刻车辆状态转移相对应的残差预测矩阵;为正则化系数;表示由第
k-1采样时刻及其历史采样时刻的车辆状态和控制输入构成的延迟嵌入回归向量;表示加入延迟嵌入回归向量之前的预更新信息矩阵的逆矩阵;表示在线更新的样本归一化更新增益;表示根据残差观测量确定的最新样本校正误差向量。
47、优选地,所述步骤s4,基于物理先验预测模型和在线残差模型构建自适应融合模型,包括:
48、步骤s41:确定自适应融合因子,
49、
50、其中,
rk-1∈[0,1]表示构建自适应融合预测模型时采用的自适应融合因子,用于调节残差模型在融合预测模型中的贡献比例;
rk-2表示构建自适应融合预测模型时采用的自适应融合因子;
α∈(0,1]表示融合因子平滑系数,用于调节融合因子的更新速度;表示物理先验模型的预测误差;表示物理先验与残差融合模型的预测误差;
51、步骤s42:基于自适应融合因子、物理先验预测模型和在线残差模型构建自适应融合模型,如下:
52、
53、其中,表示获得后构造得到的自适应融合预测矩阵;表示自适应融合因子。
54、优选地,所述步骤s5中,基于自适应融合模型构建模型预测控制器,包括:
55、步骤s51:在第
k采样时刻,将自适应融合模型的表达形式进行分块表示为
56、
57、将第
k采样时刻的无人车控制输入变量
uk与
k-1采样时刻已施加的控制输入变量
uk-1之差定义为控制输入增量,基于自适应融合模型中的延迟嵌入提升状态和
k-1采样时刻的延迟嵌入控制输入构造增量状态;和分别是自适应融合预测模型中的提升状态预测矩阵和输入预测矩阵;
58、基于自适应融合模型及增量预测状态构造增量式自适应融合模型,表示如下:
59、
60、其中,
pk+1=[
xk+1,
yk+1,
φk+1]t为由增量预测状态映射得到的车辆位姿输出;
xk+1、
yk+1分别表示
k+1时刻车辆在全局坐标系下的位置坐标;
φk+1表示
k+1时刻车辆航向角;为增量预测状态矩阵;为输入增量矩阵;为输出映射矩阵;为车辆位姿输出选择矩阵;为三阶单位矩阵;03×7为零矩阵;
mu为延迟嵌入输入递推矩阵,
eu为输入增量映射矩阵,用于将控制输入增量转换为延迟嵌入输入变化;为状态选择矩阵;
nξ为车辆状态维数;
ng为的维数;
nu为
uk的维数;
61、步骤s52:构建模型预测控制器,如下:
62、
63、其中,表示第
i个预测步的阶段代价;
64、其中,s.t.为subject to的缩写,表示需要满足的约束条件;表示预测时域;表示第
k采样时刻、预测时域为
ns时的有限时域代价函数;表示第
k采样时刻预测得到的第
i个预测步的轨迹跟踪误差;表示对应的控制输入增量;
ts表示采样周期;表示最优预测轨迹跟踪误差序列;表示最优控制输入增量序列,,为最优预测误差输出序列,为最优控制输入增量序列;为第
k采样时刻预测的第
i个预测步的轨迹跟踪误差权重矩阵;为第
k采样时刻预测的第
i个预测步的控制输入增量权重矩阵;为在第
k采样时刻预测得到的第
i个预测步的增量状态;为第
k采样时刻构造的增量状态;(·)为根据车辆预测位姿和参考轨迹位姿计算的轨迹跟踪误差的函数;为在第
k采样时刻预测得到的第
i个预测步的车辆位姿;为在第
k采样时刻第
i个预测步对应的车辆参考位姿;为控制输入增量的下限;为控制输入增量的上限;为在第
k采样时刻预测得到的第
i个预测步的控制输入;为控制输入的下限;为控制输入的上限。
65、优选地,所述步骤s5:设置多个候选预测时域并进行仿真测试,确定最短预测时域,包括:
66、步骤s53:设置候选预测时域集合,对各候选预测时域进行仿真测试,并计算各候选预测时域对应的稳定性判据函数;其中:
67、候选预测时域集合表示为:
68、
69、其中,表示候选预测时域集合;
n1,
n2,…,
nm表示不同的候选预测时域长度;
m表示候选预测时域数量;
70、针对各候选预测时域,根据仿真测试得到的最优有限时域代价、阶段代价和自适应融合模型的一步预测误差,计算有限时域代价上界系数,并确定稳定性判据函数:
71、
72、其中,表示候选预测时域
ns对应的有限时域代价上界系数;和表示候选预测时域
ns对应的第一子稳定性判据函数和第二子稳定性判据函数;表示由时变代价权重倍率上下界确定的缩放系数;
73、步骤s54:根据稳定性判据函数确定稳定预测时域集合,并从中选取最短预测时域;其中:
74、稳定预测时域集合表示为:
75、
76、从所述稳定预测时域集合中选取最小值,得到最短预测时域:
77、
78、其中,表示稳定预测时域集合;表示最短预测时域。
79、优选地,所述步骤s6中,获取无人车实际运行过程中的车辆状态变量信息和参考轨迹信息,基于车辆状态变量信息更新在线残差模型和自适应融合模型,获得自适应融合模型变化特征,包括:
80、步骤s61:获取当前时刻即第
cur个实际运行采样时刻的无人车状态变量、第
cur-1个实际运行采样时刻的控制输入变量和参考轨迹信息,更新在线残差模型和自适应融合模型;并计算自适应融合因子,得到用于表征第
cur-1至第
cur个实际运行采样时刻车辆状态转移的自适应融合预测矩阵:
81、
82、其中,表示延迟嵌入物理先验预测矩阵;表示与第
cur-1至第
cur个实际运行采样时刻车辆状态转移相对应的残差预测矩阵;表示自适应融合因子;
83、步骤s62:基于更新后的在线残差模型和自适应融合因子提取自适应融合模型变化特征,包括:
84、将与第
cur-1至第
cur个实际运行采样时刻车辆状态转移相对应的残差预测矩阵与自适应融合因子的乘积作为残差修正项,对所述残差修正项进行向量化、标准化和主成分映射,得到自适应融合模型变化特征:
85、
86、
87、其中,表示残差修正项经向量化后得到的特征向量;表示矩阵向量化运算;表示训练样本中残差修正项向量的均值;表示训练样本标准差构成的对角矩阵的逆;表示主成分映射矩阵;表示在第
cur个实际运行采样时刻,基于更新的残差修正项提取得到的自适应融合模型变化特征。
88、优选地,所述步骤s6中,基于自适应融合模型变化特征、车辆状态变量信息和参考轨迹信息生成时变代价权重矩阵,更新时域压缩模型预测控制器,包括:
89、步骤s63:基于自适应融合模型变化特征、车辆状态变量信息和参考轨迹信息构造模仿学习网络的输入,训练完毕的模仿学习网络生成最短预测时域内各预测步的权重倍率;所述模仿学习网络的输入表示为:
90、
91、将输入已经训练完毕的模仿学习网络,模仿学习网络为cnn网络,得到:
92、
93、其中,表示第
cur个实际运行采样时刻的模仿学习网络输入;表示无人车在第
cur个实际运行采样时刻的纵向速度;表示在第
cur个实际运行采样时刻的横向跟踪误差;表示在第
cur个实际运行采样时刻的航向跟踪误差;表示未来以
nl为预测时域时的参考轨迹曲率序列;
nl表示大于
ns的长预测时域;表示自适应融合模型变化特征;表示参数为
θ的模仿学习网络;和分别表示第
i个预测步的轨迹误差权重倍率和输入增量权重倍率;
94、步骤s64:基于所述权重倍率确定时变代价权重矩阵,所述时变代价权重矩阵表示为:
95、
96、其中,表示第
i个预测步的时变轨迹误差权重矩阵;表示第
i个预测步的时变输入增量权重矩阵;
q0和
r0分别表示基础轨迹误差权重矩阵和基础输入增量权重矩阵;和为轨迹误差权重
qθ,i|cur相比基础权重
q0倍率的上下界,和为输入增量权重
rθ,i|cur相比基础权重
r0倍率的上下界;clip(·)表示将权重倍率限制在对应上下界范围内;diag(·)表示根据权重倍率构造对角矩阵;
97、步骤s65:将所述时变代价权重矩阵更新至时域压缩模型预测控制器;
98、所述步骤s6中,利用更新后的时域压缩模型预测控制器在线求解获得无人车控制输入变量,包括:
99、步骤s66:将自适应融合预测矩阵、无人车第
cur个时刻的状态、参考轨迹信息
pref,cur+i|cur=[
xref,cur+i,
yref,cur+i,
φref,cur+i]t输入更新后的时域压缩模型预测控制器,求解最优控制输入增量序列; 其中,
xref,cur+i,
yref,cur+i,
φref,cur+i分别为在第
cur个实际运行采样时刻预测得到的第
i个预测步的车辆在惯性坐标系下的x方向位置、y方向位置和航向角;
100、步骤s67:根据所述最优控制输入增量序列更新无人车控制输入变量。
101、一种基于自适应融合模型的无人车轨迹跟踪装置,包括:
102、回归向量生成模块:配置为构建神经可观测函数并对由无人车状态变量和控制输入变量组成的扩展状态序列进行延迟嵌入提升,确定延迟嵌入回归向量;
103、预测模型生成模块:配置为基于神经可观测函数、无人车平面运动学与动力学模型和车轮转动动力学模型确定物理先验预测模型;
104、残差模型生成模块:配置为基于延迟嵌入回归向量确定在线残差模型;
105、融合模块:配置为基于物理先验预测模型和在线残差模型构建自适应融合模型;
106、更新模块:配置为基于自适应融合模型构建模型预测控制器,设置多个候选预测时域并进行仿真测试,确定最短预测时域;将模型预测控制器的预测时域更新为最短预测时域,得到时域压缩模型预测控制器;
107、控制模块:配置为获取无人车实际运行过程中的车辆状态变量信息和参考轨迹信息,基于车辆状态变量信息更新在线残差模型和自适应融合模型,获得自适应融合模型变化特征;基于自适应融合模型变化特征、车辆状态变量信息和参考轨迹信息生成时变代价权重矩阵,更新时域压缩模型预测控制器;利用更新后的时域压缩模型预测控制器在线求解获得无人车控制输入变量。
108、本发明所提供的一种电子设备,其特征在于,所述电子设备,包括:
109、处理器,用于执行多条指令;
110、存储器,用于存储多条指令;
111、其中,所述多条指令,用于由所述存储器存储,并由所述处理器加载并执行如前所述方法。
112、本发明所提供的一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行如前所述的方法。
113、本发明具有以下有益效果:
114、(1)本发明能够在预测模型层面更全面地表征复杂地形对车辆状态演化的影响。现有基于固定车辆模型的模型预测控制难以适应野外复杂地形下车辆动力学的持续变化;扰动观测器或自抗扰方法通常将未建模动态等效为集总扰动进行补偿,难以反映复杂地形在轮胎力生成、车轮转动阻力、坡度重力投影和运动学传播等多个环节引起的车辆动力学结构变化。本发明通过神经可观测函数构建提升空间,并引入物理先验模型与在线残差模型:前者保留名义车辆动力学提供基础预测,后者学习复杂地形相对于名义模型产生的预测偏差。因此,本发明在预测模型中直接描述复杂地形导致的状态演化变化,从而提高模型预测控制的预测精度。
115、(2)本发明采用物理先验与在线残差自适应融合结构,根据物理先验模型预测误差和先验加残差模型预测误差动态调节残差修正强度。这样,在车辆刚进入新地形、残差模型尚未充分收敛时,可更多依赖物理先验模型保证基础预测可靠性;当在线残差模型逐渐学习到当前地形特性后,则增强残差修正作用,从而兼顾新地形初期预测可靠性与残差模型收敛后的预测修正能力。
116、(3)本发明采用可变遗忘在线扩展动态模态分解,根据近期预测误差自适应调节遗忘因子并递推更新在线残差矩阵。当预测误差增大时,增大新样本影响并加快旧样本衰减;当预测误差减小时,保留有效历史信息以维持模型收敛稳定性,从而提高在线模型在多地形连续运行中的适应能力。
117、(4)本发明先通过稳定性判据确定满足控制要求的最短预测时域,再利用模仿学习生成短预测时域下的时变代价权重,使短预测时域模型预测控制器逼近长预测时域模型预测控制器的控制行为。由此,在减少预测步数和优化变量规模的同时,保留长时域前瞻控制效果,更适用于车载平台实时轨迹跟踪控制。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com