一种车辆控制方法、装置及车辆与流程

1.本技术涉及汽车电子领域，尤其涉及一种车辆控制方法、装置以及车辆。


背景技术：

2.随着自动驾驶技术日趋成熟，对车辆的动态控制要求越来越高，如果控制算法不能有效体现车辆动力学以及车辆运动学约束，则不能取得很好的控制效果。传统的比例积分微分控制(proportional-integral-derivative control，pid)既不能很好的处理控制延时，也无法处理约束条件在控制中的使用。
3.在实际的自动驾驶车辆控制中，模型预估控制(model predictive control，mpc)理论被越来越多的使用。它拥有处理约束条件的优势，将长时间跨度的最优化控制问题分解为有限时间跨度的最优化控制问题，是自动驾驶控制中体现约束条件的理想方法。
4.在传统的模型预估控制中，控制输入的约束条件是固定的范围。例如加速度在[-1g,1g]范围内，方向盘扭矩在[-3nm，3nm]范围内。然而，这种控制方法存在能量消耗较高的问题。
[0005]
而且在每个控制周期内，减小控制输入的约束条件范围，可以减小对自动驾驶车辆的状态改变范围，提高自动驾驶的舒适性。同时，减少控制输入的约束条件范围可以减少自动驾驶车辆能量消耗。


技术实现要素：

[0006]
本技术提供了一种车辆控制方法。该方法通过模型预估控制算法预测车辆在未来n个控制周期的状态，求解该车辆在当前控制周期内控制输入约束的最小值，然后确定最优控制序列，其中控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值，从而向执行器发送最优值，以指示执行器按照控制输入的最优值执行操作。从而，减小控制输入的约束条件范围，减少自动驾驶车辆能量消耗，减小对自动驾驶车辆的状态改变范围，提高自动驾驶的舒适性。
[0007]
第一方面，本技术提供了一种车辆控制方法。该方法包括：
[0008]
通过模型预估控制算法预测车辆在未来n个控制周期的状态，n为正整数；
[0009]
根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值；
[0010]
根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值；
[0011]
向执行器发送当前控制周期内控制输入的最优值，以指示执行器按照控制输入的最优值执行。
[0012]
在一些可能的实现方式中，方法还包括：
[0013]
当到达下一控制周期时，再次执行通过模型预估控制算法预测车辆在未来n个控
制周期的状态，根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值，根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，以及向执行器发送当前控制周期内控制输入的最优值的步骤。
[0014]
在一些可能的实现方式中，根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值，包括：
[0015]
根据车辆在未来n个控制周期的状态，通过线性规划求解车辆在当前控制周期内控制输入约束的最小值。
[0016]
在一些可能的实现方式中，状态包括车辆到车道中心线的距离和/或航向角。
[0017]
在一些可能的实现方式中，控制输入约束包括加速度约束、方向盘转角约束中的至少一种。
[0018]
第二方面，本技术提供了一种车辆控制装置，该装置包括：
[0019]
预测模块，用于通过模型预估控制算法预测车辆在未来n个控制周期的状态，n为正整数；
[0020]
求解模块，用于根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值；
[0021]
确定模块，用于根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值；
[0022]
发送模块，用于向执行器发送当前控制周期内控制输入的最优值，以指示执行器按照控制输入的最优值执行。
[0023]
在一些可能的实现方式中，装置还用于：
[0024]
当到达下一控制周期时，再次执行通过模型预估控制算法预测车辆在未来n个控制周期的状态，根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值，根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，以及向执行器发送当前控制周期内控制输入的最优值的步骤。
[0025]
在一些可能的实现方式中，预测模块，具体用于：
[0026]
根据车辆在未来n个控制周期的状态，通过线性规划求解车辆在当前控制周期内控制输入约束的最小值。
[0027]
在一些可能的实现方式中，状态包括车辆到车道中心线的距离和/或航向角。
[0028]
在一些可能的实现方式中，控制输入约束包括加速度约束、方向盘转角约束中的至少一种。
[0029]
本技术在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。
[0030]
从以上技术方案可以看出，本技术实施例具有以下优点：
[0031]
本技术实施例提供了一种车辆控制方法，该方法首先通过模型预估控制算法预测车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值，然后确定最优控制序列，其中控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值，从而向执行器发送最优值，以指示执行器按照控制输入的最优值执行操作。
[0032]
如此，减小控制输入的约束条件范围，从而避免自动驾驶车辆的状态在较大范围
内变动，例如减少加速度变动，从而减少自动驾驶车辆能量消耗，减小对自动驾驶车辆的状态改变范围，提高自动驾驶的舒适性。
附图说明
[0033]
为了更清楚地说明本技术实施例的技术方法，下面将对实施例中所需使用的附图作以简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0034]
图1为本技术实施例提供的一种车辆控制方法的流程示意图；
[0035]
图2为本技术实施例提供的一种模型预估控制算法预测tk时刻示意图；
[0036]
图3为本技术实施例提供的一种车辆控制装置的结构示意图。
具体实施方式
[0037]
下面将结合本技术中的附图，对本技术提供的实施例中的方案进行描述。
[0038]
本技术实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
[0039]
首先对本技术实施例中所涉及到的一些技术术语进行介绍。
[0040]
传统的pid控制适用于基本线性，且动态特性不随时间变化的系统，而随着自动驾驶技术的日趋成熟，对于车辆的动态控制要求越来越高，传统的pid控制既不能很好的处理控制延时，也无法处理约束条件在控制中的使用。因此，在实际的自动驾驶车辆控制中，模型预估控制理论被越来越多的使用。它拥有处理约束条件的优势，将长时间跨度的最优化控制问题分解为有限时间跨度的最优化控制问题，是自动驾驶控制中体现约束条件的理想方法。
[0041]
模型预估控制主要包括三种元素：预测模型、在线滚动优化和反馈校正。其中，预测模型用于根据车辆的模型、车辆的历史信息以及未来输入，预测系统的未来状态，车辆模型可以是状态方程、传递函数或者响应模型等。在线滚动优化是指模型预估控制通过设计性能指标，即代价函数，按照某种优化算法，例如二次型优化，来进行反复在线最优化控制设计，计算出满足约束条件的最优控制序列。反馈矫正是指在每次新的采样时刻，使用模型预估控制计算的最优控制序列，检测自动驾驶车辆的实际状态，对预测结果进行修正，进行新一轮的最优化控制。
[0042]
如此，经过滚动优化过程，模型预估控制可以产生满足控制输入约束条件的控制指令，用于自动驾驶车辆的动态控制。
[0043]
但是，在传统的模型预估控制中，控制输入的约束条件是固定的范围。例如加速度在[-1g,1g]范围内，方向盘扭矩在[-3nm，3nm]范围内。然而，这样的固定范围的约束条件，无法体现出不同车辆的特性。而且如果在每个控制周期内，能够减小控制输入的约束条件范围，那么可以减小对自动驾驶车辆的状态改变范围，提高自动驾驶的舒适性。同时，减少控制输入的约束条件范围可以减少自动驾驶车辆能量消耗。
[0044]
具体地，因为车辆中的控制输入通常为方向盘转矩、油门踏板、制动踏板，因此，减少控制输入的约束条件范围，即让模型预估控制器确定的方向盘转矩、油门踏板深度、制动
踏板深度较小，依然也可以满足控制指标的要求。而较小的方向盘转矩、油门踏板、制动踏板意味着控制器需求的eps电流小、发动机喷油量小、esp制动电流小，进而导致控制器对执行器的能量需求变小。
[0045]
因此，本技术提供了一种车辆控制方法，该方法可以应用于控制器，通过控制器对车辆进行控制。可选的，其中控制器可以为电子控制单元。
[0046]
电子控制单元(electronic control unit，ecu)是指由集成电路组成的用于实现对数据的分析处理发送等一系列功能的控制装置。电子控制单元通常包括输入电路、a/d(模/数)转换器、微型计算器和输出电路等多个组成部分。
[0047]
电子控制单元的主要功能包括：接收传感器或其他装置的输入信号，并将输入信号处理成计算机能够接收的信号；为传感器提供参考电压；存储、计算、分析处理信息，存储运行信息和故障信息，分析输入信息，分析输入信息并进行相应的计算处理；输出执行命令，把信号变为强信号的执行命令；输出故障信息；完成多种控制功能等。
[0048]
具体地，在本技术中，控制器通过模型预估控制算法预测车辆在未来n个控制周期的状态，根据车辆在未来n个控制周期的状态，求解在当前控制周期内控制输入约束的最小值，根据在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，其中控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值，最后向执行器发送当前控制周期内控制输入的最优值，以指示执行器按照控制输入的最优值执行。
[0049]
该方法通过控制器计算当前控制周期内控制输入约束的最小值，利用该模型预估控制算法确定最优控制序列，其中控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值，指示执行器按照控制输入的最优值执行控制。从而在每个控制周期内，减小控制输入的约束条件范围，减少自动驾驶车辆能量消耗，同时提高自动驾驶的舒适性。
[0050]
为了便于理解，下面结合附图对本技术实施例提供的车辆的控制方法进行介绍。
[0051]
参见图1所示的车辆的控制方法的流程图，该方法包括：
[0052]
s102：模型预估控制器通过模型预估控制算法预测车辆在未来n个控制周期的状态。
[0053]
其中，控制周期的状态包括车辆到车道中心线的距离和/或航向角。
[0054]
在自动驾驶车辆的控制中，例如横纵向控制中，由于信号传输速度、执行器响应速度等会造成延时，会对系统的性能产生较大影响，故通常使用模型预估控制。具体地，在模型预估控制中，采用车辆运动学或动力学模型，其中模型预估控制的设计目标为确定自动驾驶车辆的加速度和方向盘转角，使系统状态的稳态趋近于目标参考值，这样可保证自动驾驶车辆的横纵向位置、速度以及航向角跟踪上目标参考值。
[0055]
更具体地，在带有约束条件的模型预估控制中，首先对自动驾驶车辆的状态空间模型进行离散化，得到系统在离散状态下的空间表达如式(1)所示，其中对于不同车辆动力学或者运动学模型的选择均不影响本方法的有效性。
[0056]
x(k 1)＝ax(k) bu(k)， x(0)＝x0ꢀꢀꢀ
(1)
[0057]
其中，x∈rn×1，a∈rn×n，b∈rn×m，u∈rm×1。
[0058]
如图2所示，其中n为模型预估控制的预测时域，则在任意tk时刻，可以通过设计控制输入量uk,u
k 1
,
…
,u
k 1-n
，来最小化tk到t
k n
之间代价函数的总和，那么对于未来每一个
t
k j
时刻，该时刻的子代价函数可以写为：
[0059][0060]
其中，q＝q'≥0,q∈rn×n，q为半正定矩阵；r＝r'》0,r∈rm×m，r为正定矩阵；表示t
k j
时刻，自动驾驶车辆状态期望值；表示t
k j
时刻，自动驾驶车辆控制输入期望值；u
k j
表示t
k j
时刻，自动驾驶车辆实际的控制输入值，即模型预估控制求解变量；x
k j|k
表示基于当前系统状态xk和未来控制输入uk,
…
,u
k j-1
，计算得到的t
k j
时刻系统状态的预测值。
[0061]
在一些可能的实现方式中，系统的状态可以选取为车辆距车道中心线的横向距离/误差、航向角/误差等，因此系统的状态期望值为上述状态的期望值，例如系统的状态期望值为横向距离车道中心线0.02cm，航向角为15
°
。系统的控制输入一般选取为方向盘转角、油门踏板开度、制动减速度等，这些量表征对车辆的控制输入，因此控制输入期望值为上述控制量的期望值，例如系统的控制输入期望值为方向盘转角8
°
，油门踏板深度15％。
[0062]
因此，在预测时域n内，将tk时刻总代价函数定义为全部子代价函数之和，则有：
[0063]
j＝j
k 1
(x
k 1|k
,u
k 1
)
…
j
k 1
(x
k n-1|k
,u
k n-1
) j
k n
(x
k n|k
)
ꢀꢀꢀ
(3)
[0064]
其中，将定义为：
[0065][0065]
并将子代价函数带入总代价函数，经过整理可得：
[0066][0067]
其中：和为对角矩阵，即：
[0068][0069]
根据系统在离散状态下的空间表达式(1)，以及已知的系统状态xk，预测在tk到t
k n
之间的系统状态x
k j|k
，如图2所示，则有：
[0070]
x
k j|k
＝ajxk a
j-1
buk a
j-2
bu
k 1

…
bu
k j-1
ꢀꢀꢀ
(5)
[0071]
根据总代价函数的定义(3)以及对于tk到t
k n
之间的系统状态x
k j|k
的预测(5)，则可以得到系统预测时域内的状态预测值
[0072][0073]
其中
[0074][0075]
将系统的状态预测值带入总代价函数jk，经过整理后，可以得到
[0076][0077]
其中其中
[0078]
由此，控制器可以通过模型预估控制算法预测车辆在未来n个控制周期的状态。
[0079]
s104：控制器根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值。
[0080]
具体地，根据车辆在未来n个控制周期的状态，通过线性规划求解车辆在当前控制周期内控制输入约束的最小值。
[0081]
其中，上述控制输入约束包括加速度约束、方向盘转角约束中的至少一种。
[0082]
通常系统的控制输入不会允许随意选择，会有幅值限值，即需要满足：在tk时刻，约束条件均成立。对这个约束条件进行等价改写可得：
[0083]
且即：θuk≤θ。
[0084]
其中
[0085]
因此，在tk时刻，预测时域n内，将系统未来每个采样时刻的输入uk,u
k 1
,
…
,u
k 1-n
综合到一起后，模型预估控制的约束条件可以写为：
[0086][0087]
其中，
[0088]
而在本技术提供的方案中，可以将模型预估控制的约束条件改写为：其中，
[0089]
即：
[0090][0091]
如果系统的状态变量选择为误差，则在模型预估控制中预测周期终值应该为0，即：x
k n|k
＝0。系统的状态一般可选取为车辆距车道中心线的横向距离/误差、航向角/误差。如果系统的状态变量选择为距车道中心线的横向误差以及航向角误差，那么希望车辆控制的最终状态为居于车道中心线且航向角与道路相通，因此最终控制目标，即模型预估控制中的预测终值的物理含义可表述为要求车辆距离中心线的误差为0，与道路的航向角误差为0。
[0092]
考虑到线性系统具有线性平移特性，即使状态选择不为误差(例如车辆横向距离，航向角)，也可以通过线性变换，转换为系统状态为误差量的等效线性模型，故x
k n|k
＝0具有广泛的实用性，预测周期终值也可以选择为其他任意值，不影响本方法的有效性.
[0093]
根据离散状态空间的解(5)，可以确定预测周期终值x
k n|k
：
[0094]
x
k n|k
＝anxk a
n-1
buk a
n-2
bu
k 1

…
bu
k n-1
ꢀꢀꢀ
(10)
[0095]
即:
[0096][0097]
这样，求解最小的控制约束条件问题转化为寻找控制周期内控制输入约束的最小的
[0098]
使同时满足式(9)(11)的约束，即：
[0099]
[0100]
其中，e
eq
＝(a
n-1
ꢀ…ꢀ
ab b 0
2m
×1)，e
eq
＝-anx，f'＝(0n×
1 1 0
(2m-1)
×1)。
[0101]
对于上述线性规划问题，在一些可能的实现方式中，可以通过成熟的数学工具，例如内点法，lpsolve等来对线性规划求解，因此可以确定在tk时刻，控制输入约束的最小值
[0102]
s206：控制器根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值。
[0103]
在一些可能的实现方式中，带有控制变量约束条件的模型预估控制中的最优控制序列可以确定为：
[0104][0105]
其中，αk与待优化的控制输入量不相关，因此可以将其在最优控制序列中省去，不会影响的优化求解。所以可以继续将最优控制序列改写为：
[0106][0107]
其中，在一些可能的实现方式中，对式(8)的求解方法可以选取成熟的数学工具，例如qpoases，因此可以确定解从而获得当前控制周期内满足最优输入约束的最优控制输入值
[0108]
s108：控制器向执行器发送当前控制周期内满足最优控制输入约束的最优控制输入值，以指示执行器按照控制输入的最优值执行。
[0109]
当确定最优控制输入后，模型预估控制器使用作为无人驾驶车辆在tk时刻的控制输入，传递给执行器，控制无人驾驶车辆(例如加速度、方向盘转角)。
[0110]
当到达下一控制周期时，再次执行通过模型预估控制算法预测车辆在未来n个控制周期的状态，根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值，根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，以及向执行器发送当前控制周期内控制输入的最优值的步骤。此过程体现了模型预估控制中的滚动优化特性。
[0111]
与上述方法实施例相对应的，本技术还提供了一种车辆控制装置，参见图3，该装置300包括：预测模块302、求解模块304、确定模块306或发送模块308。其中，
[0112]
预测模块302，用于通过模型预估控制算法预测车辆在未来n个控制周期的状态，n为正整数；
[0113]
求解模块304，用于根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值；
[0114]
确定模块306，用于根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，控制序列包括当前控制周期内满足最优控制输入约束的最优控制输入值；
[0115]
发送模块308，用于向执行器发送当前控制周期内控制输入的最优值，以指示执行器按照控制输入的最优值执行。
[0116]
在一些可能的实现方式中，装置还用于：
[0117]
当到达下一控制周期时，再次执行通过模型预估控制算法预测车辆在未来n个控制周期的状态，根据车辆在未来n个控制周期的状态，求解车辆在当前控制周期内控制输入约束的最小值，根据车辆在当前控制周期内控制输入约束的最小值，利用模型预估控制算法，确定最优控制序列，以及向执行器发送当前控制周期内控制输入的最优值的步骤。
[0118]
在一些可能的实现方式中，预测模块302，具体用于：
[0119]
根据车辆在未来n个控制周期的状态，通过线性规划求解车辆在当前控制周期内控制输入约束的最小值。
[0120]
在一些可能的实现方式中，状态包括车辆到车道中心线的距离和/或航向角。
[0121]
在一些可能的实现方式中，控制输入约束包括加速度约束、方向盘转角约束中的至少一种。
[0122]
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本技术提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
[0123]
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本技术可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用cpu、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本技术而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、u盘、移动硬盘、rom、ram、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本技术各个实施例的方法。