一种基于多计算单元分工协作的无人车控制系统及方法与流程

本发明涉及无人车底盘控制领域，尤其涉及一种基于多计算单元分工协作的无人车控制系统及方法。

背景技术：

1、随着自动驾驶技术的发展，无人车在复杂工况下的行驶稳定性成为智能底盘控制领域的研究重点。现代无人车通常采用多计算单元架构，由系统级芯片处理高维环境感知数据，由微控制器负责底盘动力学的高频实时执行。在底盘控制中，路面附着系数是决定轮胎受力极限与滑移状态的核心参数。为保证车辆在附着力连续变化的非铺装路面上安全行驶，系统需充分融合前端视觉感知与底层动力学状态，对各车轮的驱动扭矩进行精准调节，以维持整车最佳抓地状态。

2、现有技术的无人车防滑控制大多依赖于车轮发生实质性物理打滑后，通过轮速差反馈来触发被动式的扭矩干预。这种纯反馈控制逻辑存在严重的滞后局限性，难以提前预判路况变化，导致控制介入时车轮往往已处于失稳状态，极易引发动力输出的突变与中断，难以保障复杂路面下的牵引效率。

技术实现思路

1、为了弥补以上不足，本发明提供了一种基于多计算单元分工协作的无人车控制系统及方法，旨在改善传统防滑控制因依赖事后反馈导致干预滞后与动力中断的问题。

2、第一方面，本发明提供了如下技术方案，一种基于多计算单元分工协作的无人车控制方法，包括：

3、s1、获取无人车行驶过程中的感知数据，所述感知数据包括由系统级芯片获取的前方路面环境数据，以及由微控制器采集的车辆底盘动力学数据；

4、s2、所述系统级芯片将所述前方路面环境数据输入至预设的高斯过程回归模型中，计算并提取无人车前方路面附着系数的统计概率分布特征，所述统计概率分布特征包括均值和方差；

5、s3、所述系统级芯片将所述均值和所述方差下发至所述微控制器，所述微控制器构建无迹卡尔曼滤波模型，并将所述均值和所述方差作为所述无迹卡尔曼滤波模型中状态观测的动态安全边界；

6、s4、所述微控制器将所述车辆底盘动力学数据输入至所述无迹卡尔曼滤波模型中，并在所述动态安全边界的约束下，观测无人车各车轮的当前滑移率；

7、s5、当所述微控制器观测到所述各车轮中的目标车轮对应的所述当前滑移率达到所述动态安全边界的预设临界范围，且所述当前滑移率小于预设打滑阈值时，所述微控制器对所述目标车轮的驱动扭矩进行截断，并将被截断的所述驱动扭矩重新分配至其余未达到所述预设临界范围的车轮。

8、优选的，步骤s1中，所述获取无人车行驶过程中的感知数据的步骤，包括：

9、利用所述系统级芯片连接的环境传感器采集前方路面的环境特征序列，生成所述前方路面环境数据；

10、利用所述微控制器连接的底盘传感器采集各车轮的运动状态及车身姿态参数，构成所述车辆底盘动力学数据；

11、通过车载时间同步协议对所述前方路面环境数据与所述车辆底盘动力学数据进行时间戳对齐，建立跨计算单元的数据同步基准。

12、优选的，步骤s2中，所述计算并提取无人车前方路面附着系数的统计概率分布特征的步骤，包括：

13、提取所述前方路面环境数据中的路面特征向量，并将其输入至基于预设核函数的所述预设的高斯过程回归模型中；

14、利用所述预设的高斯过程回归模型对前方路面附着系数进行概率推断，构建包含环境不确定性的分布空间；

15、从所述分布空间中解析出预期摩擦系数作为所述均值，并提取表征预测置信度的协方差矩阵作为所述方差。

16、优选的，步骤s3中，所述将所述均值和所述方差下发至所述微控制器的步骤，包括：

17、所述系统级芯片将提取的所述均值和所述方差进行参数封装，生成统计数据包；

18、利用车载通信总线将所述统计数据包发送至所述微控制器；

19、所述微控制器解析所述统计数据包，将所述均值和所述方差缓存以初始化防滑控制周期。

20、优选的，步骤s3中，所述将所述均值和所述方差作为所述无迹卡尔曼滤波模型中状态观测的动态安全边界的步骤，包括：

21、所述微控制器以所述均值为中心，结合预设的置信区间与所述方差，计算路面附着概率的统计边界；

22、将所述统计边界映射至车辆单轮动力学模型中，构建针对轮胎受力极限的状态约束方程；

23、将所述状态约束方程嵌入至所述无迹卡尔曼滤波模型中，形成所述动态安全边界。

24、优选的，步骤s4中，所述观测无人车各车轮的当前滑移率的步骤，包括：

25、基于无迹变换算法生成确定性采样点集，以表征所述车辆底盘动力学数据的当前概率状态；

26、利用包含所述动态安全边界约束的状态转移矩阵对所述采样点集进行时间更新，预测先验状态估计量；

27、结合所述车辆底盘动力学数据对所述先验状态估计量进行量测更新，计算并输出所述当前滑移率。

28、优选的，步骤s5中，所述当前滑移率达到所述动态安全边界的预设临界范围的步骤，包括：

29、所述微控制器计算所述目标车轮的所述当前滑移率与所述动态安全边界之间的偏差量；

30、将所述偏差量与预设的安全裕度阈值进行比对，当所述偏差量小于所述安全裕度阈值时，判定所述当前滑移率达到所述预设临界范围；

31、同步获取所述目标车轮的转速参数，基于所述转速参数确认所述当前滑移率小于所述预设打滑阈值。

32、优选的，步骤s5中，所述将被截断的所述驱动扭矩重新分配至其余未达到所述预设临界范围的车轮的步骤，包括：

33、根据所述目标车轮的所述当前滑移率与期望稳定值之间的差额，计算用于维持底盘稳定的截断扭矩，作为所述被截断的所述驱动扭矩；

34、评估所述其余未达到所述预设临界范围的车轮与其对应的所述动态安全边界之间的剩余裕量，构建可用分配车轮集合；

35、根据所述可用分配车轮集合中各车轮的所述剩余裕量比例，将所述被截断的所述驱动扭矩分配至所述可用分配车轮集合中的各车轮。

36、第二方面，本发明提供以下技术方案，一种基于多计算单元分工协作的无人车控制系统，包括：

37、数据获取模块，用于获取无人车行驶过程中的感知数据，所述感知数据包括由所述系统级芯片获取的前方路面环境数据，以及由所述微控制器采集的车辆底盘动力学数据；

38、特征提取模块，部署于所述系统级芯片，用于将所述前方路面环境数据输入至预设的高斯过程回归模型中，计算并提取无人车前方路面附着系数的统计概率分布特征，所述统计概率分布特征包括均值和方差；

39、边界构建模块，用于由所述系统级芯片将所述均值和所述方差下发至所述微控制器，并由所述微控制器构建无迹卡尔曼滤波模型，并将所述均值和所述方差作为所述无迹卡尔曼滤波模型中状态观测的动态安全边界；

40、状态观测模块，部署于所述微控制器，用于将所述车辆底盘动力学数据输入至所述无迹卡尔曼滤波模型中，并在所述动态安全边界的约束下，观测无人车各车轮的当前滑移率；

41、扭矩分配模块，部署于所述微控制器，用于当观测到所述各车轮中的目标车轮对应的所述当前滑移率达到所述动态安全边界的预设临界范围，且所述当前滑移率小于预设打滑阈值时，对所述目标车轮的驱动扭矩进行截断，并将被截断的所述驱动扭矩重新分配至其余未达到所述预设临界范围的车轮。

42、本发明具有如下有益效果：

43、1、本发明中，通过系统级芯片的概率推断与微控制器的约束观测深度协同，将路面附着系数的统计分布特征作为无迹卡尔曼滤波的动态安全边界，在车轮发生实质性打滑前即对驱动扭矩进行前馈截断与重新分配，打破了传统防滑控制依赖物理打滑反馈的滞后局限，提高了无人车在复杂路面下的行驶稳定性与牵引效率。

44、2、本发明中，通过将高维感知数据在系统级芯片上降维为低维统计参数下发至微控制器，实现了跨计算单元算力资源的合理分配与高效协作，降低了节点间的通信带宽占用与计算延时，保证了底层防滑控制指令的实时响应与高可靠性。

45、3、本发明中，通过将统计边界映射至动力学模型并约束滤波计算过程，有效改善了低附着工况下因轮胎非线性导致的估计发散问题，结合各车轮剩余裕量比例进行过剩扭矩的动态平滑补偿，消减了动力中断风险并确保了整车牵引力的平稳输出。