皖江工学院 安徽省马鞍山市 243031
摘要:近年来,无人驾驶车辆作为提升驾驶安全与缓解交通拥堵的有效解决方案,受到了国内外研究人员的广泛关注。随着计算机、感知与通信等学科的发展,无人驾驶技术取得了巨大突破,但离商业化应用还有很长一段时间。在一些极限工况下,如何提高与确保无人驾驶车辆的安全性与横向稳定性仍然是一个富有挑战性的难题。
关键词:极限工况;无人驾驶;车辆运动规划;策略
1运动规划模型
1.1车辆动力学模型
为得到适用于极限工况的运动规划模型,本文基于合理假设与简化,得到的非线性车辆动力学模型。
式(1)~(3)给出了准确描述车辆横向、纵向和横摆运动的3自由度车辆动力学模型
式中,m为车辆总质量;a、b为前后轴到车辆质心的纵向距离;Fyf、Fyr分别为前后轮侧向力;ϕ、ϕ和ϕ分别为横摆角,横摆角速度和横摆角加速度;TF为轮胎纵向力;Iz为绕z轴方向转动惯量;x、y和x、y分别为车辆坐标系下的速度、加速度。车辆在全局坐标系下的运动可表示为
式中,X、Y表示车辆在全局坐标系下的横向与纵向运动速度。
1.2轮胎模型
由魔术公式(Magicformula,MF)组成的半经验轮胎模型反应了轮胎与地面之间的动力学响应,在车辆具有较小侧向加速度与轮胎侧偏角时,具有较高的拟合精度,但该模型不能反映不同路面附着特性差异。因此,为了完善MF轮胎模型,将路面附着系数引入轮胎模型,得到修正的MF轮胎模型表达式如下
其中,Fz(f,r)为前后轮所受垂向载荷;μ为路面附着系数;α(f,r)为前后轮侧偏角;B为刚度因子;C为形状因子;D为峰值因子;E为曲率因子。各个参数计算表达式为
式中,ia(i=1,2,…,6)为根据试验数据拟合的MF参数;δf为前轮转角。前后轮垂向载荷为
式中,g为重力加速度。路面附着系数0.8、0.4、0.2时轮胎侧向力特性曲面。
将式(6)~(14)所示的非线性轮胎模型代入车辆动力学模型中,得到适用于极限工况的运动规划模型如下
式中,状态量ξ=(xyϕϕXY)T;控制量u=(δfFT)T;f为规划模型中非线性关系表达式;输出量为Z=(xy)T;输出矩阵
2轨迹跟踪控制
2.1分散式控制
在基本工作条件下,横向健身运动对纵向控制的影响可以忽略,但纵向速度的变化将在很大程度上决定横向动力学模型。为了反映这种耦合关系,在横向控制器的设计中考虑了时变纵向每小时速度的主要参数。
为了解决由于纵向偏移偏差的存在而导致车辆偏离预期轨道的问题,假设原始纵向偏移偏差为0,并且轨道点的预期速度的纵向分量与控制点的纵向速度相同,这削弱了纵向适应运动的控制。但这相当于对预期赛道的整体规划,存在一定程度的影响风险。在分级控制架构设计下,选择标准积分交换优化算法来执行横向控制器设计方案,该方案与纵向速度控制紧密结合,以使车辆在期望的轨道上行驶。根据小增益值定律的互连平稳性标准,确保无人驾驶车辆横向适应度控制的有限增益值L的比较在有界输入有限推导框架内是稳定的。
该计算方法简化了车辆的动态耦合,但没有考虑载荷传递耦合和轮胎力耦合特性对轨道跟踪控制的影响。为了应对紧急避险等紧急情况,无人驾驶车辆必须具备极限条件下的控制能力,以确保车辆行驶安全。然而,与基本工况相比,车辆的离散系统和极限值工况下轮胎力的纵向耦合特性显著增强,这对控制装置的适应性和可扩展性提出了更高的要求。
分散结构的轨迹跟踪控制相对简单,并且可以基于纵向适应度运动控制和横向路径跟踪控制的算法进行协调设计。然而,分散控制只能实现纵向和横向健身控制系统的协调,有些直接忽略了两者的耦合。当转向角相对较大且速度变化较大时,动态耦合增加或极限值条件下动态模型的耦合增加,这可能导致跟踪性能下降。分析轮胎力耦合和载荷传递耦合因素在轨道跟踪中的作用机理,对于改善极限条件下纵向和横向控制律的协调设计方案具有重要意义。
3.2集中式控制
在研究线控前轮胎转向车的轨迹跟踪控制问题时,一些专家学者将车辆视为轮式机器人,根据非完整性控制进行控制。充分考虑了汽车适应性的耦合效应,纵向和横向控制被合并为一个单独的问题,但它基于轮胎定位、双轨模型和无不稳定性的假设,仅适用于部分工作条件。为了使分析更全面,并扩大应用条件的范围,利用逆步骤为多输入和多输出非线性系统开发了鲁棒响应控制优化算法。根据神经网络补偿轨迹跟踪系统的主要参数可变性、强离散系统和耦合效用风险。从操作系统的整体角度来看,集中式结构的轨迹跟踪控制还可以在控制律的设计过程中更全面地考虑纵向适应度控制和横向运动控制之间的耦合特性。然而,与分散结构相比,系统模型的水平和复杂性的提高给控制律的设计增加了更大的挑战。同时,计算复杂度更高,物理实现成本相对较高。总的来说,轮胎力连杆机构在极限条件下的轨迹跟踪控制设计方案尤为重要。
结论
给出了基于安全制动减速度的响应势场实体模型,以完成障碍物的精确表示,并在分析车辆横向稳定性的基础上,提出了用于运动规划的横向稳定性指标值(LSI)。该指标充分考虑了运动规划过程中危及车辆横向稳定性的交通环境因素和车辆自身因素。制定了基于MPC企业无人驾驶车辆安全性的健身规划策略,以确保在总体规划轨迹符合健身控制的前提下,车辆在极限条件下的安全性和可靠性。随着机器学习理论并行处理和无人驾驶汽车计算水平的发展趋势,将机器学习应用于健身控制领域是一个关键的发展趋势。其中,应用领域包括极限值条件下的数字驱动和原理混合模型、数字驱动控制等。
参考文献:
[1]张守武,王恒,陈鹏,张笑语,李擎.神经网络在无人驾驶车辆运动控制中的应用综述[J].工程科学学报,2022,44(02):235-243.
[2]胡宇辉,王旭,胡家铭,龚建伟,王克,李桂鹏,梅程.越野环境下无人驾驶车辆技术研究综述[J].北京理工大学学报,2021,41(11):1137-1144.
[3]陈帅,黄孝慈,吴训成.基于RRT的无人驾驶车辆运动规划算法[J].农业装备与车辆工程,2019,57(09):60-64.
[4]屈盼让,薛建儒,朱耀国,肖鹏.面向无人车运动规划问题的VFH算法[J].计算机仿真,2018,35(12):245-251.
[5]刘凯,龚建伟,陈舒平,张玉,陈慧岩.高速无人驾驶车辆最优运动规划与控制的动力学建模分析[J].机械工程学报,2018,54(14):141-151.