一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法与流程

[0001]
本发明涉及自动驾驶技术领域，特别是一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法。


背景技术：

[0002]
无人驾驶汽车是最受关注和期望的未来智能交通工具。通常，无人驾驶汽车能自动控制方向盘转角，使得汽车按合理的规划轨迹行驶，而不需要驾驶员的参与。从20世纪70年代开始，美国、英国、德国等发达国家开始进行无人驾驶汽车的研究，在可行性和实用化方面都取得了突破性的进展。中国从20世纪80年代开始进行无人驾驶汽车的研究，国防科技大学在1992年成功研制出中国第一辆真正意义上的无人驾驶汽车。2005年，首辆城市无人驾驶汽车在上海交通大学研制成功。目前，具有一些代表性的无人驾驶汽车研究团队，国外有美国的谷歌、特斯拉，中国有百度、电子科大及清华等无人驾驶汽车研究团队。
[0003]
车辆的数学运动模型是无人车辆的轨迹控制算法设计的基础。无人驾驶汽车通过仿人控制方向盘的左右转动，使车轮向左或向右偏转，从而实现无人车的直行与转弯，无人车的实际行驶轨迹主要取决于车轮的实际转角。精确的轨迹控制不仅是确保安全的必要条件，而且还是评估无人驾驶车辆性能的关键指标。在大多数情况下，无人驾驶车辆并没有改变车辆的基本框架和结构。除了对环境的感知之外，自动转向系统调节方向盘的角度，而不需要驾驶员参与。带前轮转向的车辆在道路上的实际行驶轨迹主要取决于车辆的速度以及左右前轮的转向角(不能直接控制)，这些角度的变化通过转动方向盘转向实现。车辆的方向盘和前轮通过转向柱，电动助力转向机构，齿轮，拉杆和其他一些部件连接。在一定的行驶速度下，为了精确地控制车辆的轨迹，必须精确地控制车辆的前轮角度，该目的最终是通过控制方向盘的转向角度来实现。因此，无人驾驶汽车的方向盘的角度与左右前轮的角度之间的映射关系非常重要，而且更精确的模型可以帮助提高轨迹的控制精度。汽车车轮转角状态模型的建立对无人驾驶汽车的巡航、目标跟踪、避障以及自动泊车等任务的顺利完成提供重要的理论分析基础和实车控制策略。
[0004]
针对无人驾驶汽车方向盘的转角易于测量，车轮的实际转角难以准确测量这一核心基础问题，以无人驾驶汽车车轮实际转角状态为对象，研究方向盘转角以及转向系统结构等因素与车轮实际转角的动态特性并建立系统的非线性状态模型。以左前轮转角和右前轮转角为系统状态，方向盘转角、车重和转向系统结构为系统的模型结构参数。加装传感器采集车轮转角系统数据，基于遗传算法辨识系统的不确定参数，建立无人驾驶汽车车轮转角的非线性系统模型。针对前轮转向车辆的转向角和前轮角度，本发明创造性地提出了一种具有指数项和参数的新型非线性模型。基于实测数据，验证了模型的准确性。本发明提出的无人驾驶汽车转向系统方向盘与前轮转角之间模型结构简单，为精确跟踪控制无人驾驶汽车轨迹控制器设计提供模型支持和分析设计基础。


技术实现要素：

[0005]
本发明要解决的技术问题在于提供一种无人驾驶汽车转向系统中方向盘转角与左右前轮转角的状态估计方法，基于提出的带指数项的转角状态非线性模型，能准确估计无人驾驶汽车前轮的转角状态，从而为进一步控制无人驾驶汽车的轨迹提供支撑。
[0006]
为了解决上述问题，本发明提供了一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法，由以下步骤：
[0007]
(1)确定方向盘与前轮转角的模型结构：建立带指数项的转角状态非线性模型，模型公式为其中p
i
,i＝1,2,...,8为待辨识的模型参数，α
s
为左前轮模拟转角，β
s
为右前轮模拟转角，φ为方向盘转角，λ
l
为左前轮外倾角，λ
r
为右前轮外倾角。
[0008]
(2)模型评价方法：采用拟合绝对误差的平均值为评价指标，即在进行参数辨识时的优化的目标函数，并建立指标定义公式，公式为：
[0009]
其中α为左前轮转角的测量值，β为右前轮转角的测量值，n≥1为数据测量长度，er≥0为模型拟合的平均误差，er越小说明所建模型精度越高。
[0010]
(3)建立模型：基于方向盘与前轮转角的转向实测数据，利用遗传优化算法辨识模型参数建立模型。并基于实测的转角数据，采用遗传算法辨识模型参数，具体辨识过程包括：
[0011]
(一)数据预处理：由于传感器实测的车轮转角系统数据带有震动、测量噪声等不期望的干扰信息，这些干扰信息对模型参数的辨识不利。采用平滑滤波进行平滑滤波处理，提高模型参数的辨识精度；
[0012]
(二)遗传算法初始化：基于matlab遗传算法工具箱，遗传算法ga函数的初始化包括：种群大小、遗传迭代代数、变异率、一代中优秀种群的保留数目、参数取值上限、参数取值下限、参数满足的不等式约束等等；
[0013]
(三)计算模型模拟输出：基于方向盘转角数据，带指数的非线性模型结构和遗传算法给出的模型参数样本，计算模型的在方向盘转角输入下，前轮转角的模拟输出。
[0014]
(四)计算适应度函数：适应度函数是遗传算法目标优化函数，适应度函数必须能评价当前种群参数的好坏，适应度函数值越小，说明种群参数越优秀，适应度函数值越大，说明当前种群参数越差，采用的适应度函数为步骤(2)中的拟合误差绝对值的平均值；
[0015]
(五)返回最优参数：当满足遗传算法迭代终止条件后，算法返回对应适应度函数值最小的最优种群参数，该组参数即为需要辨识的模型参数。
[0016]
(4)估计方法验证：将步骤(3)估计所得的数据与实测转角数据进行对比验证。
[0017]
本发明的有益效果是：本发明所述一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法，通过对方向盘与前轮角度的对应变化特性进行了建模，并建立状态转角的估计模型带指数项的非线性项，以及考虑了方向盘角度、前轮外倾角和前轮角度之间的非线性特性。基于实测数据，采用遗传算法识别模型参数，验证模型的有效性。根据实施例
中使用的车辆和获得的测量数据，得出所提出的非线性模型的建模误差(平均绝对误差)e
r
＝0.1413
°
。表明了本发明提出的具有指数项和非线性参数的无人驾驶汽车转角估计方法是可靠的，且具有非常高的估计精度，为精确跟踪控制无人驾驶汽车轨迹控制器设计提供模型支持和分析设计基础。
附图说明
[0018]
下面结合附图对本发明的具体实施方式作进一步详细的说明，其中：
[0019]
图1为本发明一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法其步骤(1)的方向盘前轮建模系统框图；
[0020]
图2为本发明一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法其步骤(1)和步骤(2)公式中各数学符号和对应的物理参量；
[0021]
图3为本发明一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法其步骤(3)中的基于遗传算法辨识模型参数的流程图；
[0022]
图4为本发明实施例中一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法其步骤(4)中得到的非线性模型前轮转角αβ拟合结果；
[0023]
图5为本发明实施例中一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法其步骤(4)中得到的非线性模型左前轮转角拟合误差α-α
s
；
[0024]
图6为本发明实施例中一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法其步骤(4)中得到的非线性模型右前轮转角拟合误差β-β
s
。
具体实施方式
[0025]
实施例
[0026]
一种无人驾驶汽车转向系统方向盘与前轮转角的状态估计方法，其特征在于，包括以下步骤：
[0027]
(1)确定方向盘与前轮转角的模型结构：建立带指数项的转角状态非线性模型，模型公式为其中p
i
,i＝1,2,...,8为待辨识的模型参数，α
s
为左前轮模拟转角，β
s
为右前轮模拟转角，φ为方向盘转角，λ
l
为左前轮外倾角，λ
r
为右前轮外倾角。
[0028]
(2)模型评价方法：采用拟合绝对误差的平均值为评价指标，即在进行参数辨识时的优化的目标函数，并建立指标定义公式，公式为：
[0029]
其中α为左前轮转角的测量值，β为右前轮转角的测量值，n≥1为数据测量长度，er≥0为模型拟合的平均误差，er越小说明所建模型精度越高。
[0030]
(3)建立模型：基于方向盘与前轮转角的转向实测数据，利用遗传优化算法辨识模型参数建立模型。并基于实测的转角数据，采用遗传算法辨识模型参数，具体辨识过程包括：
[0031]
(一)数据预处理：由于传感器实测的车轮转角系统数据带有震动、测量噪声等不期望的干扰信息，这些干扰信息对模型参数的辨识不利。采用平滑滤波进行平滑滤波处理，提高模型参数的辨识精度；
[0032]
(二)遗传算法初始化：基于matlab遗传算法工具箱，遗传算法ga函数的初始化包括：种群大小、遗传迭代代数、变异率、一代中优秀种群的保留数目、参数取值上限、参数取值下限、参数满足的不等式约束等等；
[0033]
(三)计算模型模拟输出：基于方向盘转角数据，带指数的非线性模型结构和遗传算法给出的模型参数样本，计算模型的在方向盘转角输入下，前轮转角的模拟输出。
[0034]
(四)计算适应度函数：适应度函数是遗传算法目标优化函数，适应度函数必须能评价当前种群参数的好坏，适应度函数值越小，说明种群参数越优秀，适应度函数值越大，说明当前种群参数越差，采用的适应度函数为步骤(2)中的拟合误差绝对值的平均值；
[0035]
(五)返回最优参数：当满足遗传算法迭代终止条件后，算法返回对应适应度函数值最小的最优种群参数，该组参数即为需要辨识的模型参数。
[0036]
(4)估计方法验证：将步骤(3)估计所得的数据与实测转角数据进行对比验证。针对某一具体车型，进行实车实际转角状态数据采集测量，并采用遗传算法，辨识得该非线性模型的参数p
i
,i＝1,2,...,8为：
[0037][0038]
因此得该车方向盘转角与左右前轮转角的状态估计模型为：
[0039][0040]
根据左右前轮转角的估计结果和实际测量数据，计算出模型的评价函数指标er＝0.1413
°
，表示转角的平均估计误差为0.1413度，估计精度非常高。验证结果如图4至图6所示。
[0041]
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除