一种基于滑模控制的无人重卡纵向自适应控制方法与流程

本发明涉及一种无人重卡自适应控制方法，具体涉及一种基于滑模控制的无人重卡纵向自适应控制方法，属于无人驾驶。

背景技术：

1、现有的无人驾驶纵向研究主要着眼于实现车辆控制中的高级辅助驾驶功能，包括但不限于自动巡航、自动跟车、车道保持等，旨在提高驾驶的便利性和安全性。这些功能通常属于较低级别的无人驾驶等级，主要依赖传感器和算法实现车辆的基本纵向运动控制。对于更高级别的无人驾驶，尤其是在考虑重型车辆的情境下，研究重点逐渐转向了纵向轨迹点跟踪。这一研究方向旨在使车辆能够按照预定的轨迹点行驶，实现更为智能和精准的路径跟踪。在重型车辆领域，研究更高阶的无人驾驶纵向控制的工作相对较少。可能是由于重型车辆具有更大的惯性和动力学特性，需要更为精细的控制策略来应对各种驾驶场景，从而提高纵向的稳定性和性能。

2、而传统pid(比例-积分-微分)控制器在应对无人重卡车时面临一系列挑战。重卡具有非线性动力学特性，复杂且时变，传统pid控制器容易受外界干扰影响，如荷载变化、路况不均等，导致控制性能下降，特别是在急剧变化的驾驶场景中，如紧急制动或急加速，其响应可能无法及时准确，影响系统的鲁棒性和稳定性。传统pid控制器在应对这类大型、非线性、时变的载重车辆时，容易受到系统不准确性和时变性的制约，尤其在高度动态的驾驶场景中表现不足。需要更适应性更强的控制策略来应对，以提高无人重卡的纵向控制性能。

3、模型预测控制(mpc)方法虽然在理论上能够灵活地对重卡进行建模，但其实际应用受到了计算复杂度的限制。其需要在线求解优化问题，可能导致算法执行时间过长，对系统计算能力和稳定性要求较高。另外，mpc在处理多变量和约束的优化问题时需要大量计算，使得在复杂驾驶环境中，尤其是需要即时决策的情况下，其计算复杂度成为影响系统实时性和响应性的关键因素。因此，虽然mpc在动态建模方面表现优异，但其在实际无人驾驶应用中需权衡计算效率和控制性能。

4、而深度学习方法具有先进性，在处理无人驾驶系统中的复杂非线性关系方面表现出色，然而其黑盒性质导致模型的决策过程难以解释。这种缺乏可解释性对系统的安全性和可信度构成了潜在风险，尤其在面对紧急状况时难以预测系统的行为，增加了对外部环境不确定性的敏感性。另外，黑盒性还带来了对系统故障和错误的挑战，因为难以准确识别和解释模型可能出现的异常行为，降低了系统的鲁棒性和可维护性。因此，尽管深度学习为无人驾驶带来了强大的性能，但在追求可靠性和安全性的同时，需要深入研究更具可解释性的深度学习方法，以提高系统的透明度和可预测性。

5、滑模控制方法在无人驾驶系统中可以成功地应对不确定性，通过引入滑模面提高系统对外部扰动和模型误差的鲁棒性。然而，这一优势伴随的典型问题是可能引入高频振荡。这些振荡可能对车辆的稳定性造成不良影响，导致驾驶过程的不平稳和不舒适。更为重要的是，这种振荡可能导致不必要的燃料消耗和机械磨损，从而缩短系统寿命并增加维护成本。因此，在滑模控制算法的设计中，需要谨慎平衡鲁棒性和振荡抑制的需求，以确保系统在各种驾驶条件下能够稳健、可靠地运行。

6、模糊控制是基于模糊逻辑的控制方法，通过建立模糊规则、模糊集合和模糊推理系统，适应非线性和模糊系统的控制需求。其适应性强，能有效处理不同驾驶场景的复杂性。相较于传统控制方法，模糊控制对系统模型的要求相对较低，更易于在实际应用中推广。然而，其设计和调整相对复杂，可能需要更多专业知识。模糊控制的性能高度依赖经验，且在高度动态的驾驶场景中可能表现不佳，对实时性的响应速度相对较慢。因此，模糊控制在无人重卡的纵向控制中展现了适应性和灵活性，但在应用时需权衡其复杂性和实时性的需求，并需要有一定的专业应用经验。

7、强化学习作为一种通过智能体与环境交互学习的机器学习方法，也被应用于无人重卡的纵向控制，以优化系统决策并最大化累积奖励。其独特之处在于具有较强的自适应性，能够适应不同驾驶场景的动态变化。然而，强化学习的训练过程通常需要大量的数据和计算资源，这可能导致较长的训练时间。此外，其黑盒性质使得模型的决策过程难以解释，这在对系统安全性有高要求的重卡无人驾驶中可能引起一定风险。因此，在将强化学习应用于纵向控制时，需要综合考虑其训练复杂性、解释性以及对实时性的影响，以确保系统在各种驾驶条件下稳健而可靠地运行。

8、以上控制算法在标定工作上表现各有卓越之处。相较于其他算法，滑模控制的标定相对简便，主要包括设计滑模面和调整切换项，减少了对精确系统模型的依赖，为其提供了更高的操作性和适应性。相对而言，pid控制器的标定需要对比例、积分和微分参数进行调整，模型预测控制(mpc)的标定涉及准确系统模型和繁琐的优化目标调整。模糊控制的标定较为复杂，依赖领域专家的经验，而强化学习的标定则需大量数据和计算资源。在算法选择中，除了性能表现外，标定的复杂性和实时性也是关键考虑因素。因此，滑模控制以其简便的标定过程和在应对大型载重车辆的非线性和时变特性时的卓越性能，为无人重卡纵向控制提供了一种更为便捷而高效的解决方案，但需要解决其高频振荡问题。

技术实现思路

1、本发明所要解决的技术问题是，克服现有技术的缺点，提供一种基于滑模控制的无人重卡纵向自适应控制方法，保证了无人重卡在不同驾驶场景下能够更加可靠、平稳地执行任务。

2、为了达到以上目的，本发明具体技术方案如下：一种基于滑模控制的无人重卡纵向自适应控制方法，包括如下步骤：

3、步骤1，基于车辆纵向分层运动控制架构，建立车辆的纵向运动模型；

4、步骤2，基于车辆纵向运动模型设计车辆控制器，通过从规划下发的时空轨迹点中获取纵向规划信息，并基于该信息对车辆的纵向运动进行闭环反馈控制，以达到协调驱动发动机的油门百分比和制动系统的减速度，从而调整车辆的纵向运动状态，使其能够准确地跟踪目标轨迹点的期望速度，并保持车辆行驶的安全和平稳的目的；

5、所述车辆控制器由上层控制器和下层控制器组成，所述上层控制器的输入来自规划的轨迹点信息，通过对轨迹点信息的解析和纵向上层控制，得到下层控制器所需要的期望加速度。

6、进一步的，所述步骤1中，由于规划模块和控制模块的接口链路存在一定的延时，即soc端传递至mcu端的链路延时，为抵消该部分时延，需基于时间域向前预瞄轨迹点，将预瞄后的纵向信息作为上层控制算法输入；同传统的adas系统中acc跟车模型不一致的地方为，acc功能表现为跟车行驶时，与前车保持一定的安全跟车距离，无前车时表现为定速巡航，而跟踪规划轨迹点信息则是追踪目标轨迹点的速度和加速度，使得车辆按照规划的横纵向规划路线行驶。

7、进一步的，取预瞄轨迹点的位置信息为s1，参考速度信息为v1，参考加速度信息为a1，通过定位信息获取本车实际位置为s0，通过底盘系统传感器获取本车实际车速v0，实际加速度a0，则位置误差δs为：

8、△s＝s0-s1  (1)

9、速度误差δv为：

10、δv＝v0-v1  (2)

11、加速度误差δa为：

12、

13、设状态变量x＝[δs，δv]t，则车辆的纵向运动学模型可以用二阶状态方程描述为：

14、

15、其中：u为控制系统的输入，即期望加速度，δ为参考加速度，即a1。

16、进一步的，所述步骤2中，所述上层控制器的目标是通过特定算法计算得到期望加速度，使得车辆状态在有限时间内收敛到目标轨迹点，通过sigmoid函数代替符号函数切换项，对滑模改进，以获得上层期望加速度的补偿控制；

17、其具体设计步骤如下：

18、首先，设计滑模面：

19、s＝cδs+△v  (7)

20、其中，c为大于零的实数，决定了滑模面的倾斜程度和对误差的敏感程度；若c值较大，即c≥0.4，则会使滑模面更陡峭，对误差变化更敏感，从而导致更强烈的控制动作，若c值较小，即c值≤0.1，则表示滑模面更平缓，对误差变化的响应较弱；

21、根据公式(1)、(2)和(7)可得，

22、s＝c(s0-s1)+(v0-v1)  (8)

23、对其求导：

24、

25、设计指数趋近率：

26、

27、其中，k和ε均为大于0的常数，分别代表滑模控制的收敛速率和滑模面的宽度，为了实现较快的收敛速度，且在一定范围内保证控制系统的稳定性，改进指数趋近率，引入sigmoid函数，以sigmoid函数的输出逼近滑模控制的切换项sgn(s)，确保切换项平滑连续。

28、进一步的，所述步骤2中，下层控制器由pid控制器和mrac自适应算法组成，通过参数自适应对油门和制动进行闭环控制；

29、包括两个环路，由pid控制器和被控对象r，即r系统组成内环，即可调系统；由参考模型和自适应机构组成外环；其中，参考模型的输出或状态相当于给定一个动态性能指标，目标信号同时加在可调系统与参考模型上，通过比较受控对象与参考模型的输出或状态来得到两者之间的误差信息，按照自适应律来修正控制器的参数，即参数自适应或产生一个辅助输入信号，即信号综合自适应，从而使受控制对象的输出尽可能地跟随参考模型的输出。

30、进一步的，所述步骤2中，mrac自适应算法为二阶系统：

31、所述r系统的状态空间方程为：

32、

33、其中，xp对于动力系统而言包括实际油门百分比和实际油门百分比的变化率两种输入；对于制动系统而言包括实际制动减速度和实际制动减速度的变化率；u为油门百分比或制动减速度的请求指令；

34、参考r系统的状态空间方程为：

35、

36、其中，xm对于动力系统而言包括理论油门百分比和理论油门百分比的变化率两种输入；对于制动系统而言包括理论制动减速度和理论制动减速度的变化率；r为理论状态下油门百分比或制动减速度的请求指令；

37、同样，基于lyapunov函数的方法设计一个自适应控制器，使得r系统可以和参考r系统模型的表现一致；因此，需要满足：

38、

39、可以得出理想状态下的控制器为：

40、

41、其中，因此，对比系数可以得到理想状态下的状态反馈矩阵：

42、

43、由于r系统的模型为不准确或未知，因此使用递归迭代的方式解决；

44、假设实际的控制输入u为：

45、其中，为xp的实际状态反馈矩阵，为r的实际状态反馈矩阵；

46、将上述的控制输入带入到系统的状态方程可以得到：

47、

48、其中，

49、定义误差状态量e＝xp-xm，对应r系统中所代表含义实际与理论的差值，可以得到误差动力学的表达式为：

50、

51、假设lyapunov函数的形式为：

52、

53、求导可得：

54、

55、式中，

56、最终，选取的自适应变化率为：

57、完成上述推导后，配置调节矩阵p和调整自适应系统中的调节参数γx和γr。

58、进一步的，所述步骤2.2.4的制动系统中，xp输入矩阵的两个量分别为：实际减速度是车辆反馈信号，可直接获取；制动减速度的变化率可对实际减速度进行微分获取，通过自适应方法中的调节矩阵p、调整自适应系统中的调节参数γx和γr，将带有自适应调节的控制指令u下发给制动执行器，从而达到自适应调节的目标。

59、与现有技术相比，本发明的有益效果为：

60、1、本发明的技术方案基于车辆纵向分层运动控制架构，旨在实现对无人重卡纵向运动的精确控制。上层控制致力于解决滑模输出的高频振荡问题，采用滑模的改进算法进行期望加速度的补偿控制，能够有效克服传统滑模控制可能引起的高频振荡，提高系统的鲁棒性。

61、2、本发明的下层控制考虑到重卡车辆纵向动力学特征的复杂性和强非线性，以及悬挂系统的硬刚性等特性。由于载重的时变性等特征使得纵向动力学建模和控制更为困难，而车辆执行器质量的降低和性能的下降进一步增加了挑战。因此，下层控制在传统pid线性算法的基础上引入模型参考自适应控制(mrac)。通过参数自适应，该控制层对油门和制动进行闭环控制，同时考虑到上下坡的工况，实现坡度补偿。这一策略旨在适应不断变化的工况，包括载重的时变和车辆执行器性能下降等，从而确保系统在绝大部分高低速场景下都能够满足需求，提高了无人重卡纵向控制的稳定性和适应性。

62、3、本发明通过上层对规划轨迹点加速度的补偿控制和下层对目标速度的精准跟踪，上层和下层控制的协同作用，最终实现了对规划轨迹点加速度的补偿控制和目标车速的精准跟踪。这使得车辆在不同驾驶场景下能够更加可靠、平稳地执行任务。