一种基于时间戳的车辆遥操作时延控制方法与流程

1.本发明涉及一种时延控制方法，尤其是一种基于时间戳的车辆遥操作时延控制方法，属于通讯时延控制领域。


背景技术：

2.车辆遥操作是一种远程驾驶控制技术，由操作者、主端控制器、通讯环节、从端驾驶机器人和工作环境组成。由于遥操作系统的独特优势，该技术已广泛应用于航空航天、卫星遥感遥测、深海探测以及核能开发等恶劣作业环境或远程控制领域。
3.在当前的遥操作技术研究中，如应用于航天探月的遥操作使用专门无线电通道，具有较强的专一性且成本极高，是一种以牺牲时间为代价获取高可靠性的控制方法。应用于医疗领域的遥操作通过医疗设备专用网络进行通讯，是一种以高成本为代价解决时间同步问题的技术。不幸的是，这些方法均无法用于普遍的车辆遥操作领域。在实际车辆应用中，既对成本敏感又要求驾驶车辆的高可靠性。而且基于无线网络通讯易受到风雨、雷电等气象条件影响，特别是在雷雨季节气象环境多变，容易造成网络通讯中的时间延迟，且这种延迟是随机的，由此造成的控制信号正反馈，易对车辆的远程可靠操控产生影响。
4.目前，国内外还未公开将“基于gnss动态对表的时间戳测量方法”和“基于arma模型的时间序列预测”相结合应用于车辆遥操作上，但对遥操作时延控制方法已有众多研究。已经公开的遥操作时延控制方法主要有几种：(1)波变量。中国专利201510793832.8“一种基于波变量的定时延遥操作控制方法”通过前、后向通道波变量补偿和能量整定，改善存在时延的遥操作系统稳定性，但因其方法过于保守，不能保证系统的操作性和透明性。(2)力觉临场感。美国专利9776325“具有通信时延的遥操作控制方法”通过建立传感环境的三维模型结合触觉装置提供力反馈，增强操作者沉浸感，但不能从根本上改善系统的时延影响。 (3)时延补偿。中国专利201610887383.8“一种遥操作机械臂系统的时延控制方法”利用遥操作系统的线性化模型设计状态观测器，根据状态反馈控制律进行时延补偿，但对于未知、时变、非线性的环境模型，难以设计出相应的控制观测器。(4)预测控制。中国专利 201910939886.9“一种空间遥操作中基于实时重建模型的预测显示方法”利用三维重构和虚拟力觉渲染技术，对主从端之间的力觉预测显示，解决空间遥操作中的时延及未知环境的影响，但对非线性不确定的网络通信遥操作模型，控制效果不理想。(5)变结构控制器。中国专利201510498123.7“一种变时延双人遥操作变结构控制器的设计方法”利用对误差求积分的方法设计滑模控制器，可忽略时延的具体数值，具有很好的鲁棒性，但会随着时延的加大，系统稳定性逐渐降低。


技术实现要素：

5.为了克服现有技术的缺陷，本发明提出一种基于时间戳的车辆遥操作时延控制方法，来降低随机时延对车辆遥操作系统的影响，提高控制系统的稳定性和鲁棒性。
6.为实现上述目的，本发明采用以下技术方案：
7.本发明所述的一种时延控制方法：
8.步骤1：主端基于gnss获取卫星时间信息t1，作为标准时间信息对本地时间进行校准，主端将时间信息t1作为时间戳连同控制报文发送至从端；
9.步骤2：从端基于gnss获取卫星时间信息t2，作为标准时间信息对本地时间进行校准，从端接收控制报文并解析控制报文中的时间戳t1；
10.步骤3：计算得到具体的随机延迟时间δt＝t2‑
t1；
11.步骤4：根据时间戳测量得到的延迟时间δt及“车辆遥操作方向盘实测转角”θ
i
的时间序列，进行arma模型建模；
12.步骤5：将“车辆遥操作方向盘实测转角”θ
i
长度为p 1的时间序列 {θ
i
，θ
i
‑1，θ
i
‑2，...，θ
i
‑
p
}(i
‑
p＞0)和长度为q 1的延迟时间序列{δt
i
，δt
i
‑1，δt
i
‑2，...，δt
i
‑
q
}(i
‑
q＞0)输入进 arma模型，arma模型预测输出下一时刻t
i 1
的“车辆遥操作方向盘期望转角”θ
i 1
，到电机控制器，由电机控制器驱动转向电机带动转向机构旋转至θ
i 1
；
13.步骤6：转到步骤1。
14.本发明所述的“基于gnss动态对表的时间戳测量”方法，其特征在于：
15.步骤
①
：主端基于gnss获取卫星时间信息t1，作为标准时间信息对本地时间进行校准，并将t1作为时间戳；
16.步骤
②
：由主端发送含有时间戳t1的控制报文至从端；
17.步骤
③
：经过网络通信传输，从端接收控制报文并解析控制报文中的时间戳t1；
18.步骤
④
：从端基于gnss获取卫星时间信息t2，作为标准时间信息对本地时间进行校准；
19.步骤
⑤
：计算得到延迟时间δt＝t2‑
t1，后本次时延测量结束，由从端向主端发送已经完成本次时间戳测量的应答报文。
20.本发明所述的，基于arma模型的“车辆遥操作方向盘期望转角θ
i 1”预测输出控制，其特征为：
21.选取“车辆遥操作方向盘实测转角”θ
i
长度为p 1的时间序列 {θ
i
，θ
i
‑1，θ
i
‑2，...，θ
i
‑
p
}(i
‑
p＞0)，输入至基于arma模型的车辆方向期望转角预测器，“车辆遥操作方向盘期望转角”θ
i 1
表示为，
22.θ
i 1
＝β1θ
i
β2θ
i
‑1 β3θ
i
‑2
…
β
p
θ
i
‑
p
z
t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
23.其中，β1，β2，β3，
…
，β
p
为自回归模型的参数，z
t
为由遥操作网络通讯时延误差，
24.z
t
＝δt
i
‑
α1δt
i
‑1‑
α2δt
i
‑2‑…‑
α
q
δt
i
‑
q
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
25.其中，α1，α2，
…
，α
q
为滑动平均模型的参数，{δt
i
，δt
i
‑1，δt
i
‑2，...，δt
i
‑
q
}(i
‑
q＞0)是根据“基于gnss动态对表的时间戳测量”方法计算的长度为q 1的延迟时间序列；
26.基于arma模型的车辆方向期望转角预测器，其按照以下公式，
27.θ
i 1
＝β1θ
i
β2θ
i
‑1 β3θ
i
‑2
…
β
p
θ
i
‑
p
δt
i
‑
α1δt
i
‑1‑
α2δt
i
‑2‑…‑
α
q
δt
i
‑
q
ꢀꢀꢀꢀ
(3)
28.本发明所述的，基于arma模型的“车辆遥操作方向盘期望转角θ
i 1”预测输出控制，其步骤为：
29.步骤
①
：将“车辆遥操作方向盘实测转角”θ
i
长度为p 1的时间序列 {θ
i
，θ
i
‑1，θ
i
‑2，...，θ
i
‑
p
}(i
‑
p＞0)和根据“基于gnss动态对表的时间戳测量”方法计算的长度为 q 1的延迟时间序列{δt
i
，δt
i
‑1，δt
i
‑2，...，δt
i
‑
q
}(i
‑
q＞0)，输入至基于arma模型的车辆方
向期望转角预测器；
30.步骤
②
：arma模型的模式识别通过自相关函数(acf)和偏自相关函数(pacf)确定，其中，自相关函数(acf)体现的自相关程度由自相关系数γ
p
度量，可表示为，
[0031][0032]
其中，n为样本量，p为滞后期，代表样本数据的算数平均值，当|γ
p
|越接近1，自相关程度越高；
[0033]
偏自相关函数(pacf)体现的“车辆遥操作方向盘实测转角”θ
i
及“车辆遥操作方向盘实测转角”θ
i
‑1之间相关程度用偏自相关系数度量，可表示为，
[0034][0035]
其中，γ
p
为滞后p期的自相关系数，且
[0036]
步骤
③
：通过aic准则对建立的模型进行定阶；
[0037]
其中aic准则可表示为，
[0038]
aic＝2k
‑
2ln(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0039]
其中，k为模型参数个数，l为似然函数，选取aic最小值的模型作为最优模型；
[0040]
步骤
④
：对拟合的arma模型进行适应性检验，通过判断arma模型的残差序列 {ε0，ε1，
…
，ε
t
，
…
}构成的统计量q(m)是否服从自由度为m的卡方分布确定，q(m)表示为，
[0041][0042]
其中，t为样本容量，m为选定参数，ρ
i
是i阶滞后的自相关系数；
[0043]
若q(m)服从自由度为m的卡方分布，则arma模型的残差序列{ε0，ε1，
…
，ε
t
，
…
}是白噪声序列，表示该拟合模型能够提取观察值序列中几乎所有的样本信息，进行步骤
⑤
，否则， arma模型的残差序列{ε0，ε1，
…
，ε
t
，
…
}为非白噪声序列时，表明残差序列中残留相关信息未被提取，需重新选择模型，返回步骤
②
；
[0044]
步骤
⑤
：最后，由arma模型预测输出下一时刻t
i 1
的“车辆遥操作方向盘期望转角”θ
i 1
，到电机控制器，由电机控制器驱动转向电机带动转向机构旋转至θ
i 1
。
[0045]
本发明与现有技术相比，其显著优点：
[0046]
(1)本发明针对网络通讯延迟的随机性和不确定性，采用“基于gnss动态对表的时间戳测量”方法，消除了两端计时模块的时间差，并通过两端时间对比测量得到具体的延迟时间，为系统arma模型准确的预测输出提供了有效数据支撑。
[0047]
(2)本发明所采用的“基于arma模型预测输出方法”建模方便，模型简单，只需要内生变量而无需其他外生变量，且相较于其他时间序列预测模型，arma模型存在较为精准的谱估计和优良的谱分辨率性能，可有效改善通讯时延对车辆遥操作系统稳定性的影响。
附图说明
[0048]
图1是本发明提供的时延测量及控制方法总体流程示意图。
[0049]
图2是本发明提供的时延测量方法工作过程示意图。
[0050]
图3是本发明提供的时延测量方法流程示意图。
[0051]
图4是本发明一个实施例的arma模型预测结构框图。
[0052]
图5是本发明一个实施例的arma模型建模步骤流程图。
具体实施方式
[0053]
现结合实施例对本发明做进一步描述：
[0054]
实施例1
[0055]
参见图1，本发明具体包括步骤如下：
[0056]
步骤1：主端基于gnss获取卫星时间信息t1，作为标准时间信息对本地时间进行校准，主端将时间信息t1作为时间戳连同控制报文发送至从端；
[0057]
步骤2：从端基于gnss获取卫星时间信息t2，作为标准时间信息对本地时间进行校准，从端接收控制报文并解析控制报文中的时间戳t1；
[0058]
步骤3：计算得到具体的随机延迟时间δt＝t2‑
t1；
[0059]
步骤4：根据时间戳测量得到的延迟时间δt及“车辆遥操作方向盘实测转角”θ
i
的时间序列，进行arma模型建模；
[0060]
步骤5：将“车辆遥操作方向盘实测转角”θ
i
长度为p 1的时间序列 {θ
i
，θ
i
‑1，θ
i
‑2，...，θ
i
‑
p
}(i
‑
p＞0)和长度为q 1的延迟时间序列{δt
i
，δt
i
‑1，δt
i
‑2，...，δt
i
‑
q
}(i
‑
q＞0)输入进 arma模型，arma模型预测输出下一时刻t
i 1
的“车辆遥操作方向盘期望转角”θ
i 1
，到电机控制器，由电机控制器驱动转向电机带动转向机构旋转至θ
i 1
；
[0061]
步骤6：转到步骤1。
[0062]
实施例2
[0063]
参见图2和图3，本发明中，“基于gnss动态对表的时间戳测量”方法，其特征在于：
[0064]
步骤
①
：主端基于gnss获取卫星时间信息t1，作为标准时间信息对本地时间进行校准，并将t1作为时间戳；
[0065]
步骤
②
：由主端发送含有时间戳t1的控制报文至从端；
[0066]
步骤
③
：经过网络通信传输，从端接收控制报文并解析控制报文中的时间戳t1；
[0067]
步骤
④
：从端基于gnss获取卫星时间信息t2，作为标准时间信息对本地时间进行校准；
[0068]
步骤
⑤
：计算得到延迟时间δt＝t2‑
t1，后本次时延测量结束，由从端向主端发送已经完成本次时间戳测量的应答报文。
[0069]
实施例3
[0070]
参见图4，本发明中，基于arma模型的“车辆遥操作方向盘期望转角θ
i 1”预测输出控制，其特征为：
[0071]
选取“车辆遥操作方向盘实测转角”θ
i
长度为p 1的时间序列 {θ
i
，θ
i
‑1，θ
i
‑2，...，θ
i
‑
p
}(i
‑
p＞0)，输入至基于arma模型的车辆方向期望转角预测器，“车辆遥操作方向盘期望转角”θ
i 1
表示为，
[0072]
θ
i 1
＝β1θ
i
β2θ
i
‑1 β3θ
i
‑2
…
β
p
θ
i
‑
p
z
t
ꢀꢀꢀꢀꢀꢀꢀ
(1)
[0073]
其中，β1，β2，β3，
…
，β
p
为自回归模型的参数，z
t
为由遥操作网络通讯时延误差，
[0074]
z
t
＝δt
i
‑
α1δt
i
‑1‑
α2δt
i
‑2‑…‑
α
q
δt
i
‑
q
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0075]
其中，α1，α2，
…
，α
q
为滑动平均模型的参数，{δt
i
，δt
i
‑1，δt
i
‑2，...，δt
i
‑
q
}(i
‑
q＞0)是根据“基于gnss动态对表的时间戳测量”方法计算的长度为q 1的延迟时间序列；
[0076]
基于arma模型的车辆方向期望转角预测器，其按照以下公式，
[0077]
θ
i 1
＝β1θ
i
β2θ
i
‑1 β3θ
i
‑2
…
β
p
θ
i
‑
p
δt
i
‑
α1δt
i
‑1‑
α2δt
i
‑2‑…‑
α
q
δt
i
‑
q
ꢀꢀꢀꢀ
(3)
[0078]
实施例4
[0079]
参见图5，本发明中，基于arma模型的“车辆遥操作方向盘期望转角θ
i 1”预测输出控制，其步骤为：
[0080]
步骤
①
：将“车辆遥操作方向盘实测转角”θ
i
长度为p 1的时间序列 {θ
i
，θ
i
‑1，θ
i
‑2，...，θ
i
‑
p
}(i
‑
p＞0)和根据“基于gnss动态对表的时间戳测量”方法计算的长度为 q 1的延迟时间序列{δt
i
，δt
i
‑1，δt
i
‑2，...，δt
i
‑
q
}(i
‑
q＞0)，输入至基于arma模型的车辆方向期望转角预测器；
[0081]
步骤
②
：arma模型的模式识别通过自相关函数(acf)和偏自相关函数(pacf)确定，其中，自相关函数(acf)体现的自相关程度由自相关系数γ
p
度量，可表示为，
[0082][0083]
其中，n为样本量，p为滞后期，代表样本数据的算数平均值，当|γ
p
|越接近1，自相关程度越高；
[0084]
偏自相关函数(pacf)体现的“车辆遥操作方向盘实测转角”θ
i
及“车辆遥操作方向盘实测转角”θ
i
‑1之间相关程度用偏自相关系数度量，可表示为，
[0085][0086]
其中，γ
p
为滞后p期的自相关系数，且
[0087]
步骤
③
：通过aic准则对建立的模型进行定阶；
[0088]
其中aic准则可表示为，
[0089]
aic＝2k
‑
2ln(l)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0090]
其中，k为模型参数个数，l为似然函数，选取aic最小值的模型作为最优模型；
[0091]
步骤
④
：对拟合的arma模型进行适应性检验，通过判断arma模型的残差序列 {ε0，ε1，
…
，ε
t
，
…
}构成的统计量q(m)是否服从自由度为m的卡方分布确定，q(m)表示为，
[0092][0093]
其中，t为样本容量，m为选定参数，ρ
i
是i阶滞后的自相关系数；
[0094]
若q(m)服从自由度为m的卡方分布，则arma模型的残差序列{ε0，ε1，
…
，ε
t
，
…
}是白噪声序列，表示该拟合模型能够提取观察值序列中几乎所有的样本信息，进行步骤
⑤
，否则， arma模型的残差序列{ε0，ε1，
…
，ε
t
，
…
}为非白噪声序列时，表明残差序列中残留相关信息未被提取，需重新选择模型，返回步骤
②
；
[0095]
步骤
⑤
：最后，由arma模型预测输出下一时刻t
i 1
的“车辆遥操作方向盘期望转角”θ
i 1
，到电机控制器，由电机控制器驱动转向电机带动转向机构旋转至θ
i 1
。