网络攻击下智能电动车辆轨迹跟踪控制方法

1.本发明涉及汽车智能安全与自动驾驶，特别是涉及一种网络攻击下智能电动车辆轨迹跟踪控制方法。


背景技术：

2.随着社会经济的发展，智能电动车辆得到迅速发展，并广泛应用于各个领域。横向控制是智能电动汽车的核心技术之一，其旨在如何设计控制律以使智能电动汽车准确、平稳地遵循预先计划的参考路径而行驶。智能电动车辆的轨迹跟踪研究方法通常是，根据车辆的状态信息和周边环境信息，规划理想的参考轨迹，然后通过对智能电动车辆的横向和纵向控制对理想的参考轨迹进行跟踪控制。文献1(hongyan guo,dongpu cao,hong chen,et al.,model predictive path following control for autonomous cars considering a measurable disturbance:implementation,testing,and verification[j].mechanical systems and signal processing,2019,118:41-60.)提出一种自动驾驶车辆横向预测控制方法，并通过试验测试验证了方法的有效性。文献2(cheng s,li l,liu c z,et al.robust lmi-based h-infinite controller integrating afs and dyc of autonomous vehicles with parametric uncertainties[j].ieee transactions on systems,man,and cybernetics:systems,2020,pp(99):1-10.)设计一种基于鲁棒线性矩阵不等式(lmi)的车辆动力学稳定性控制h
∞
反馈算法，通过试验表明该控制技术在各种行驶条件下均具有较为理想的车辆动力学控制性能。
[0003]
现有的轨迹跟踪控制方法通常假设智能电动车辆行驶正常，无恶意干扰。为了实现车辆的轨迹跟踪控制，智能电动车辆一般配备多种传感器来实现对自身的定位和环境感知，然而，这些额外增加的传感器使车辆系统容易受到拒绝服务、虚假信息注入等网络攻击。恶意软件干扰智能电动车辆的可能造成严重安全问题，并可能导致事故，对用户或乘客构成人身威胁。


技术实现要素：

[0004]
本发明的目的是为了解决智能电动车辆在进行轨迹跟踪时遭受网络攻击干扰的控制问题，提供确保车辆安全行驶的一种网络攻击下智能电动车辆轨迹跟踪控制方法，能够使智能电动车辆在传感器遭受网络攻击时仍能进行有效的轨迹跟踪控制。
[0005]
本发明通过车载传感系统采集智能电动车辆的行驶状态信息和参考路径信息，考虑传感器遭受网络攻击，建立网络攻击下智能电动车辆轨迹跟踪模型预测控制方法，具体包括以下步骤：
[0006]
步骤1：建立准确表征智能电动车辆行为机理的动力学模型：考虑智能电动车辆在轨迹跟踪时的车辆特性，建立描述智能电动车辆横向、纵向和横摆动力学特性的三自由度动力学模型，根据轮胎在车体坐标系下x轴方向和y轴方向上受到的合力与纵、横向力的转换关系化简得到非线性智能电动车辆动力学模型微分方程组，对非线性状态空间方程离散
化和线性化；
[0007]
第一步，建立准确表征智能电动车辆行为机理的动力学模型；
[0008]
第二步，建立轮胎在车体坐标系下x轴方向和y轴方向上受到的合力与纵、横向力的转换关系；
[0009]
第三步，化简得智能电动车辆非线性状态空间方程；
[0010]
第四步，对上述非线性状态空间方程运用一阶差商法近似离散化，得到非线性离散状态方程；
[0011]
第五步，对非线性离散状态空间方程线性化，得到线性离散状态方程。
[0012]
步骤2：设计基于扩展卡尔曼滤波原理的多传感器信息融合的网络攻击检测方法：利用扩展卡尔曼滤波器将gps、lidar、imu等传感器信息与非线性离散状态方程融合，当智能电动车辆遭受网络攻击时，利用残差值识别受网络攻击的传感器，迅速隔离该传感器信息，利用未受网络攻击的传感器信息进行状态估计；
[0013]
第一步，通过车载gps系统实时获取车辆的纵向位移和横向位移；通过车载lidar系统实时获取车辆的纵向位移、横向位移和横摆角；通过imu系统实时获取车辆的纵向速度、横向速度和横摆角速度；
[0014]
第二步，设计四个扩展卡尔曼滤波器将gps、lidar、imu等传感器信息与车辆动力学微分方程融合；
[0015]
第三步，考虑车载传感器存在遭受网络攻击出现故障的可能，利用残差值来识别是哪个传感器遭受到网络攻击，并迅速屏蔽受网络攻击的传感器，利用未受网络攻击的传感器信息进行状态估计；
[0016]
步骤3：设计基于网络攻击检测的模型预测控制器的目标函数和约束条件，以控制车辆在网络攻击下的跟踪期望轨迹的偏差尽可能小；
[0017]
第一步，根据所建立的预测输出表达式在预测时域内对系统的输出状态进行预测；
[0018]
第二步，考虑到智能电动车辆在遭受网络攻击时，容易出现失稳现象，对控制量、控制增量、质心侧偏角和车辆附着条件进行约束；
[0019]
第三步，设计目标函数，在每一个控制周期内完成求解后得到实际的控制输入量作用与系统。进入下一个控制周期后，重复上述过程，如此循环实现对车辆的轨迹跟踪控制。
[0020]
本发明的总体工作思路是当智能电动车辆在正常行驶过程遭受网络攻击时，利用网络攻击检测模块进行网络攻击检测，检测到传感器受网络攻击时，立即屏蔽受网络攻击的传感器并利用未受网络攻击的传感器信息进行状态估计，最后利用网络攻击检测模块估计的车身状态信息和模型预测控制器进行轨迹跟踪控制。本发明能够使智能电动车辆在传感器遭受网络攻击时仍能进行有效的轨迹跟踪控制。
附图说明
[0021]
图1为基于扩展卡尔曼滤波原理的多传感器信息融合方法流程图。
[0022]
图2为网络攻击下的轨迹跟踪模型预测控制方法框架图。
具体实施方式
[0023]
为详细说明本发明的技术内容、构造特点、实现目的等，下面结合附图对本发明进行全面解释。
[0024]
如图1和2所示，本发明实施例主要包括三个步骤：
[0025]
步骤1：建立智能电动车辆动力学模型。
[0026]
步骤1.1，建立准确表征智能电动车辆行为机理的动力学模型。考虑智能电动车辆在进行轨迹跟踪时的车辆特性，根据牛顿第二定律，得到三个方向上的受力平衡方程及车体坐标系和惯性坐标系换算方程：
[0027][0028]
式中，a,b分别为质心到前、后轴的距离，m为车辆整备质量，iz为车辆绕z轴的转动惯量，为车辆的侧向速度，为车辆的纵向速度，为车辆的横摆角，为车辆的横摆角速度，y为大地坐标系下的横向位移，x为大地坐标系下的纵向位移。f
xf
为前轮x轴方向上的力，f
xr
为后轮x轴方向上的力，f
yf
为前轮y轴方向上的力，f
yr
为后轮y轴方向上的力。
[0029]
步骤1.2，轮胎在车体坐标系下x轴方向和y轴方向上受到的合力与纵、横向力的转换关系如下：
[0030][0031]
式中，f
lf
为前轮纵向力，f
lr
为后轮纵向力，f
cf
为前轮侧向力，f
cr
为后轮侧向力。
[0032]
假设智能电动车辆轮胎侧偏特性处于线性范围内，用以下算式得到轮胎的纵向力和侧向力：
[0033][0034]
通过简化计算，可以得到轮胎侧偏角的计算关系式：
[0035][0036]
式中，αf为前轮胎侧偏角，αr为后轮胎侧偏角，c
lf
为前轮胎纵向刚度，c
lr
为后轮胎纵向刚度，c
cf
为前轮胎侧向刚度，c
cr
为后轮胎侧向刚度，sf为前轮胎滑移率，sr为后轮胎滑
移率，δf为前轮偏角。
[0037]
步骤1.3，通过联立公式(1)-(4)得到非线性智能电动车辆动力学模型微分方程组如下：
[0038][0039]
令状态变量为控制量为则公式(5)表示的非线性动力学模型可以抽象为非线性状态空间方程，如公式(6)所示：
[0040][0041]
其中，ξ(t)表示t时刻的状态变量，u(t)表示t时刻的控制变量，y(t)表示输出变量，表示t时刻的状态变量的一阶微分，f(
·
)表示抽象得到的关于ξ(t)和u(t)的函数，h(
·
)表示y(t)与ξ(t)的函数。
[0042]
步骤1.4，对上述非线性状态空间方程运用一阶差商法近似离散化，得到非线性离散状态方程如下所示：
[0043][0044]
式中，ξ
k 1
表示(t 1)时刻的状态量，ξk表示t时刻的状态量，t表示采样周期。
[0045]
上述非线性离散状态方程和量测方程可以整合为如下形式：
[0046][0047]
步骤1.5，由于智能电动车辆行驶过程中对控制器实时性要求较高，上述非线性离散状态空间方程求解迭代计算量大，无法满足实时性要求，故需对非线性离散状态空间方程线性化。考虑某时刻t0的工作点(ξ0,u0)，为始终施加控制量u0后得到的系统状态量，则存在以下关系：
[0048][0049]
在任意点处进行一阶泰勒展开，只保留一阶项，忽略高次项，得近似的线性化离散状态空间方程如下：
[0050]
ξ(k 1)＝a
k,t
ξ(k) b
k,t
u(k) d
k,t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0051]
式中，
[0052][0053]
步骤2：设计基于扩展卡尔曼滤波原理的多传感器信息融合的网络攻击检测方法。
[0054]
步骤2.1，通过车载gps系统实时获取车辆的纵向位移x
gps
和横向位移y
gps
。通过车载lidar系统实时获取车辆的纵向位移x
lidar
、横向位移y
lidar
和横摆角通过imu系统实时获取车辆的纵向加速度横向加速度和横摆角速度
[0055]
步骤2.2，融合gps、lidar和imu三个传感器信息。
[0056]
第一步，初始化过程噪声协方差矩阵、量测噪声协方差矩阵和协方差矩阵，如下所示：
[0057][0058]
第二步，通过imu测量的车辆当前的纵向加速度、横向加速度和横摆角速度对状态量做一步预测，得到ξ
1,k 1|k
，如下所示：
[0059]
ξ
1,k 1|k
＝t1(ξ
1,k
,uk)＝ξ
1,k
δξ
1,k
ꢀꢀꢀꢀꢀꢀ
(11)
[0060]
式中，
[0061][0062][0063][0064][0065][0066][0067]
第三步，根据当前时刻的协方差矩阵p
1,k
，预测下一时刻的协方差矩阵p
1,k 1|k
，如下所示：
[0068][0069]
式中为a1的转置。
[0070]
第四步，计算卡尔曼增益k
1,k
。车辆的离散化量测方程如下：
[0071][0072]
卡尔曼增益计算公式如下所示：
[0073][0074]
式中
[0075]
第五步，利用传感器测量值更新状态量，得到下一时刻的状态量ξ
1,k 1
。测量值z
1,k
如下所示：
[0076][0077]
式中，为的测量值，x
gps lidar
和y
gps lidar
为测量值和测量值的加权平均。
[0078]
状态量更新方程如下所示：
[0079]
ξ
1,k 1
＝ξ
1,k 1|k
k
1,k
(z
1,k-h1(ξ
1,k 1|k
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0080]
第六步，更新协方差矩阵p
1,k 1
，公式如下所示：
[0081]
p
1,k 1
＝(i-k
1,k
h1)p
1,k 1|k
ꢀꢀꢀꢀꢀ
(17)
[0082]
进入下一个周期后，重复上述步骤，如此循环，实现对、和的融合。
[0083]
步骤2.3，融合gps和imu两个传感器信息。
[0084]
第一步，初始化过程噪声协方差矩阵、量测噪声协方差矩阵和协方差矩阵，如下所示：
[0085][0086]
第二步，通过imu测量的车辆当前的纵向加速度、横向加速度和横摆角速度对状态量做一步预测，得到ξ
2,k 1|k
，如下所示：
[0087]
ξ
2,k 1|k
＝t2(ξ
2,k
,uk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0088]
式中，函数t2(
·
)与函数t1(
·
)形式完全相同。
[0089]
第三步，根据当前时刻的协方差矩阵p
2,k
，预测下一时刻的协方差矩阵p
2,k 1|k
，如下所示：
[0090][0091]
式中，a2＝a1，为a2的转置。
[0092]
第四步，计算卡尔曼增益k
2,k
。车辆的离散化量测方程如下：
[0093]
[0094]
卡尔曼增益计算公式如下所示：
[0095][0096]
式中，
[0097]
第五步，利用传感器测量值更新状态量，得到下一时刻的状态量ξ
2,k 1
。测量值z
2,k
如下所示：
[0098][0099]
式中，x
gps
和y
gps
为测量值。
[0100]
状态量更新方程如下所示：
[0101]
ξ
2,k 1
＝ξ
2,k 1|k
k
2,k
(z
2,k-h2(ξ
2,k 1|k
))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(23)
[0102]
第六步，计算第二个卡尔曼滤波器的误差向量：
[0103]r2,k
＝z
2,k-h2(ξ
2,k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(24)
[0104]
第七步，更新协方差矩阵p
2,k 1
，公式如下所示：
[0105]
p
2,k 1
＝(i-k
2,k
h2)p
2,k 1|k
ꢀꢀꢀꢀꢀꢀꢀꢀ
(25)
[0106]
进入下一个周期后，重复上述步骤，如此循环，实现对和的融合。
[0107]
步骤2.4，融合lidar和imu两个传感器信息。
[0108]
第一步，初始化过程噪声协方差矩阵、量测噪声协方差矩阵和协方差矩阵，如下所示：
[0109]
q3＝q1，r3＝r1，p
3,0
＝p
1,0
[0110]
第二步，通过imu测量的车辆当前的纵向加速度、横向加速度和横摆角速度对状态量做一步预测，得到ξ
3,k 1|k
，如下所示：
[0111]
ξ
3,k 1|k
＝t3(ξ
3,k
,uk)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(26)
[0112]
式中，函数t3(
·
)与函数t1(
·
)形式完全相同。
[0113]
第三步，根据当前时刻的协方差矩阵p
3,k
，预测下一时刻的协方差矩阵p
3,k 1|k
，如下所示：
[0114][0115]
式中，a3＝a1，为a3的转置。
[0116]
第四步，计算卡尔曼增益k
3,k
。车辆的离散化量测方程如下：
[0117][0118]
卡尔曼增益计算公式如下所示：
[0119]
[0120]
式中，
[0121]
第五步，利用传感器测量值更新状态量，得到下一时刻的状态量ξ
3,k 1
。测量值z
3,k
如下所示：
[0122][0123]
式中，x
lidar
和y
lidar
为测量值。
[0124]
状态量更新方程如下所示：
[0125]
ξ
3,k 1
＝ξ
3,k 1|k
k
3,k
(z
3,k-h3(ξ
3,k 1|k
))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(31)
[0126]
第六步，计算第三个卡尔曼滤波器的误差向量r
3,k
：
[0127]r3,k
＝z
3,k-h3(ξ
3,k
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(32)
[0128]
第七步，更新协方差矩阵p
3,k 1
，公式如下所示：
[0129]
p
3,k 1
＝(i-k
3,k
h3)p
3,k 1|k
ꢀꢀꢀꢀꢀ
(33)
[0130]
进入下一个周期后，重复上述步骤，如此循环，实现对和的融合。
[0131]
步骤2.5，基于非线性离散化状态方程和imu传感器信息融合
[0132]
第一步，初始化过程噪声协方差矩阵、量测噪声协方差矩阵和协方差矩阵，如下所示：
[0133]
q4＝q1，r4＝r1，p
4,0
＝p
1,0
[0134]
第二步，基于离散化状态方程状态量做一步预测，得到ξ
4,k 1|k
，如下所示：
[0135]
ξ
4,k 1|k
＝t4(ξ
4,k
,uk)＝ξ
4,k
δξ
4,k
ꢀꢀꢀꢀꢀꢀꢀꢀ
(34)
[0136]
式中，
[0137][0138][0139][0140][0141][0142][0143]
第三步，根据当前时刻的协方差矩阵p
4,k
，预测下一时刻的协方差矩阵p
4,k 1|k
，如下所示：
[0144]
[0145]
式中，为a4的转置。
[0146]
第四步，计算卡尔曼增益k
4,k
。车辆的离散化量测方程如下：
[0147][0148]
卡尔曼增益计算公式如下所示：
[0149][0150]
式中
[0151]
第五步，利用传感器测量值更新状态量，得到下一时刻的状态量ξ
4,k 1
。测量值z
4,k
如下所示：
[0152][0153]
式中，和为imu测量值。
[0154]
状态量更新方程如下所示：
[0155]
ξ
4,k 1
＝ξ
4,k 1|k
k
4,k
(z
4,k-h4(ξ
4,k 1|k
))
ꢀꢀꢀꢀꢀꢀꢀꢀ
(39)
[0156]
第六步，更新协方差矩阵p
4,k 1
，公式如下所示：
[0157]
p
4,k 1＝
(i-k
4,k
h4)p
4,k 1|k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(40)
[0158]
进入下一个周期后，重复上述步骤，如此循环，实现基于离散化状态方程和imu传感器信息融合。
[0159]
通过设计上述四个扩展卡尔曼滤波器，基于车辆动力学模型进行融合状态估计，实现受干扰和网络攻击下的稳定状态估计。
[0160]
步骤2.6，利用误差向量来进行网络攻击检测。
[0161]
第一步，设第n个扩展卡尔曼滤波的残差值为：
[0162]rn,k
＝||r
n,k
||
p
,(n＝2,3)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(41)
[0163]
式中，||*||
p
表示向量的某种范数。
[0164]
第二步，智能电动车辆在正常行驶过程中，传感器工作正常情况下，r
n,k
(n＝2,3)的值一般很小，近乎为零。当第n个扩展卡尔曼滤波的残差值大于某一设定阈值并持续一段时间，令标志tn(n＝2,3)置1，判定智能电动车辆遭受网络攻击，否则令标志tn(n＝2,3)置0，判定智能电动车辆未遭受网络攻击。当智能电动车辆遭受网络攻击时，通过残差值可以迅速找到遭受网络攻击的传感器并迅速隔离该传感器信号，利用未受攻击的传感器信号来进行状态估计，输出状态估计量
[0165]
步骤3：建立网络攻击下基于模型预测的智能电动车辆轨迹跟踪控制系统。
[0166]
步骤3.1，根据所建立的线性化离散状态空间方程在预测时域内对系统的输出状态进行预测：
[0167]
为了对前轮偏角的控制增量进行约束，把网络攻击检测输出的状态量与输入量u(k-1)组合到一起，得到一个新的状态变量：
[0168][0169]
得到一个新的状态空间表达式：
[0170][0171]
式中，
[0172]
为了简化计算，做出如下假设：
[0173][0174][0175]
经过推导，可以得到系统的预测输出表达式：
[0176]
y(t)＝ψ
t
λ(t) θ
t
δu(t) γ
t
φ(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(44)
[0177]
式中，y(t)＝[η
t
(k 1|t) η
t
(k 2|t)
ꢀ…ꢀ
η
t
(k n
p
|t)]
t
，
[0178]
δu(t)＝[δu
t
(k 1|t) δu
t
(k 2|t)
ꢀ…ꢀ
δu
t
(k n
p-1|t)]
t
，
[0179][0180][0181][0182][0183]
步骤3.2，考虑到智能电动车辆在遭受网络攻击时，容易出现失稳现象，在这里，分别对控制量、控制增量、质心侧偏角和车辆附着条件进行约束。同时，由于在动力学模型简化过程中，用到了轮胎的线性近似表达式，因此还需对轮胎侧偏角进行限制，以保证行驶过程中的轮胎的受力在线性区域。
[0184]
(1)质心侧偏角约束
[0185]
质心侧偏角对车辆稳定性具有比较大的影响，故必须将质心侧偏角限定在合理的范围内，设置质心侧偏角的约束条件为：
[0186]-12
°
＜β＜12
°
(良好路面)
[0187]
(2)车辆附着条件约束
[0188]
车辆的动力性能不仅仅受到驱动力的限制，还收到轮胎与地面附着条件的约束，因此有必要添加对车辆附着条件的约束。纵向加速度和横向加速度受到地面附着力的限制，存在如下关系：
[0189][0190]
当车辆纵向匀速行驶时，可以进一步简化为：
[0191]
|ay|≤μg
[0192]
当路面附着条件较好时，该项约束较为宽松，为了综合求解质量和综合性指标，在这里将该约束设定为软约束条件：
[0193]ay,min-ε≤ay≤a
y,max
ε
[0194]
其中，a
y,min
和a
y,max
为加速度极限约束。
[0195]
(3)轮胎侧偏角约束
[0196]
根据轮胎的侧偏特性可知，在轮胎侧偏角不超过5
°
时，侧偏角与侧偏力为线性关系。考虑到前轮的垂向荷载比后轮的垂向荷载大，对前轮的侧偏刚度角的约束条件更为严格。
[0197]-2.5
°
＜α
f,t
＜2.5
°
,-5
°
＜α
r,t
＜5
°
[0198]
步骤3.3，设计目标函数，其表达式如下：
[0199][0200]
将目标函数转化为标准二次型并结合约束条件，解决以下优化问题：
[0201][0202]
式中，e
t
为预测时域内的跟踪误差。
[0203]
综合上面的目标函数和约束条件，基于动力学模型的主动转向跟踪控制器在每个控制周期内要解决如下优化问题：
[0204][0205]
其中，y
hc
为硬约束输出，即不能放宽约束范围的输出量；y
sc
为软约束输出，即可以通过松弛因子进行动态调整约束范围的输出量，y
hc,min
,y
hc,max
为硬约束极限值，y
sc,min
,ysc,max
为软约束极限值。
[0206]
在每个控制周期内完成求解后，可以得到控制时域内的一系列控制输入增量：
[0207][0208]
将该控制序列中的第一个元素作为实际控制输入增量作用于系统，即
[0209][0210]
进入下一个控制周期后，重复上述步骤，如此循环，实现对期望轨迹的跟踪控制。
[0211]
以上内容是结合优选技术方案对本发明所做的进一步详细说明，不能认定发明的具体实施仅限于这些说明。对本发明所属技术领域的普通技术人员来说，在不脱离本发明的构思的前提下，还可以做出简单的推演及替换，都应当视为本发明的保护范围。