一种基于模型预测控制的拟人化自动驾驶策略

技术特征：
1.一种基于模型预测控制的拟人化自动驾驶策略，其特征在于，包括以下步骤：根据车辆非线性运动学模型建立基于模型预测控制算法的车辆状态预测模型；基于混合逻辑动态方法，结合车辆状态预测模型建立自动驾驶车辆碰撞安全硬约束；根据所述碰撞安全硬约束，以表征舒适性和控制能耗的性能目标为目标函数，建立决策规划优化模型；基于驾驶员拟人化行为特征，对决策规划优化模型中的性能目标进行权重赋值，得到基于模型预测控制的拟人化自动驾驶策略。2.根据权利要求1所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，以车速和前轮转角作为系统输入，建立的车辆非线性运动学模型如下：在上式中，v为车辆车速，θ为车辆航向角，δ为车辆前向轮转角，l为车辆轴距，x，y为车辆的质心x，y坐标。3.根据权利要求1所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，所述模型预测控制算法包括：采用泰勒公式对车辆非线性运动学模型进行一阶线性化，省略高阶误差项，离散化后，可得：将车辆的质心x，y坐标、车辆航向角θ、车辆前向轮转角δ、车辆车速v作为状态变量，令状态变量为γ＝[x y θ δ v]
t
，则有：δu＝[δδ δv]
t
其中，n
x
、n
u
分别为状态空间变量维度、控制变量维度；设模型预测步长为t，预测步数为n
p
，令车辆状态全部输出，即：，令车辆状态全部输出，即：可得在n
p
步的车辆状态预测模型。4.根据权利要求3所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，所述车辆状态预测模型如下：υ＝ψ
·
γ θ
·
u在上式中，υ为系统的预测输出，γ＝[x y θ δ v]
t
为状态变量，ψ为状态空间变量维度的矩阵形式，θ为控制变量维度的矩阵形式，u为控制变量矩阵。
5.根据权利要求1所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，基于混合逻辑动态方法，结合车辆状态预测模型建立自动驾驶车辆碰撞安全硬约束，包括：通过逻辑描述建立混合逻辑动态系统模型；基于混合逻辑动态系统模型，引入逻辑变量分别处理纵向与横向运动维度上的碰撞安全性条件；根据所述碰撞安全性条件，结合车辆状态预测模型得到自动驾驶车辆碰撞安全硬约束。6.根据权利要求5所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，所述碰撞安全性条件包括：s
x
＝l ξ(v
x
)
·
δt在上式中，ξ(
·
)为正相关函数，δt表示预测时间步长，∈为横向安全裕度；l、w分别为主车安全矩形的长度、宽度；所述混合逻辑动态系统模型如下：在上式中，混合逻辑动态系统的状态空间由连续状态x
c
与逻辑状态x
l
组成，如下：混合逻辑动态系统的输出状态为：混合逻辑动态系统的控制状态为：上式中，e(t)为第一逻辑算子，z(t)为连续的辅助变量；所述碰撞安全硬约束如下：7.根据权利要求1所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，所述性能目标包括：最小化控制能耗，最小化转角输入，最小化速度变化，最小化每个规划周期终点的车道偏离距离。8.根据权利要求7所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，所述决策规划优化模型为：
在上式中：在上式中：在上式中：在上式中：r1表示与车辆横向位移相关的权值，r2表示与车辆转角相关的权值，r3表示与车辆纵向运动相关的权值。9.根据权利要求1所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，所述驾驶员拟人化行为特征包括：车速、转向轮转角和横向偏离中线距离。10.根据权利要求9所述的基于模型预测控制的拟人化自动驾驶策略，其特征在于，基于驾驶员拟人化行为特征，对决策规划优化模型中的性能目标进行权重赋值，建立的性能目标的权重矩阵方程如下式：在上式中，r
lc
,r
lk
分别表示在一段行驶时间内驾驶员变道行驶与车道保持的相对比率，ω表示变道行驶与车道保持时的3种驾驶员拟人化行为特征的相对比率。

技术总结
本发明提供一种基于模型预测控制的拟人化自动驾驶策略，包括以下步骤：根据车辆非线性运动学模型建立基于模型预测控制算法的车辆状态预测模型；基于混合逻辑动态方法，结合车辆状态预测模型建立自动驾驶车辆碰撞安全硬约束；根据碰撞安全硬约束，以表征舒适性和控制能耗的性能目标为目标函数，建立决策规划优化模型；基于驾驶员拟人化行为特征，对决策规划优化模型中的性能目标进行权重赋值，得到基于模型预测控制的拟人化自动驾驶策略。本发明可以解决现有的自动驾驶决策规划仅能实现简单环境下的避障行驶，面对复杂动态行驶环境时无法实时、准确的评估车辆行驶风险的技术问题。题。题。


技术研发人员：郑玲 曾杰 李以农 杨威 石海锋 杨崇辉 韦民详
受保护的技术使用者：重庆大学
技术研发日：2022.02.07
技术公布日：2022/5/5