自动驾驶轨迹跟踪控制方法、装置、车辆及存储介质与流程

本技术涉及自动驾驶，特别涉及一种自动驾驶轨迹跟踪控制方法、装置、车辆及存储介质。

背景技术：

1、随着我国科学技术快速、不断地更新迭代，自动驾驶技术已经成为当下汽车行业的研究热点，而轨迹跟踪控制是自动驾驶技术中极其重要的一环。目前，比较主流的轨迹跟踪控制算法包括pid控制、lqr(linear quadratic regulator，线性二次型调节器)控制、滑模控制、模型预测控制mpc、智能控制等等。其中，模型预测控制相较于其他控制算法，其优势有两点，一是能够预测系统未来的状态；二是能够显式地处理控制过程中的状态量及控制量约束问题。

2、然而，采用传统模型预测控制算法进行轨迹跟踪控制时，存在一定的局限性。传统模型预测控制的横向误差权重和航向角误差权重为固定值，无法根据所处工况进行自适应调节，具体表现为：预设的横向误差权重较大而航向角误差权重较小时，轨迹跟踪误差虽然能够快速收敛，但是车辆在轨迹跟踪过程中的稳定性和舒适性较差，预设的横向误差权重较小而航向角误差权重较大时，轨迹跟踪误差收敛较慢，无法满足轨迹跟踪的精度要求。

技术实现思路

1、本技术提供一种自动驾驶轨迹跟踪控制方法、装置、车辆及存储介质，以解决采用传统模型预测控制算法进行轨迹跟踪控制时，横向误差权重和航向角误差权重为固定值，无法根据所处工况进行自适应调节等问题。

2、本技术第一方面实施例提供一种自动驾驶轨迹跟踪控制方法，包括以下步骤：建立车辆的非线性动力学模型，并对所述非线性动力学模型进行线性化和离散化处理后得到所述车辆的预测模型；确定模糊控制器的输入量的模糊论域和所述模糊控制器的输出量的模糊论域，基于所述输入量的模糊论域和所述输出量的模糊论域，进行模糊推理得到所述输出量的模糊规则表，并根据所述模糊规则表计算目标横向位移误差权重系数和目标航向角误差权重系数，其中，所述输入量包括横向位移误差和航向角误差，所述输出量包括横向位移误差权重系数和航向角误差权重系数；基于所述车辆的预测模型、行驶信息、期望横向位移、期望航向角、目标横向位移误差权重系数和目标航向角误差权重系数建立目标函数，并将所述目标函数转化为标准二次型函数，采用二次规划法求解所述标准二次型函数在预设约束条件下的当前时刻车辆跟踪的最优输入序列，并将所述最优输入序列中当前时刻的车辆前轮转角作为下一时刻的输入，以基于所述车辆前轮转角对期望轨迹进行跟踪控制。

3、可选地，所述横向位移误差和所述航向角误差的模糊论域为{nb,nm,ns,zo,ps,pm,pb}，所述横向位移误差权重系数和所述航向角误差权重系数的模糊论域为{nb’,nm’,ns’,zo’,ps’,pm’,pb’}，其中，nb,nm,ns,zo,ps,pm,pb分别为模糊语言中的负大，负中，负小，零，正小，正中，正大，nb’,nm’,ns’,zo’,ps’,pm’,pb’分别为模糊语言中的负大，负中，负小，零，正小，正中，正大。

4、可选地，所述基于所述输入量的模糊论域和所述输出量的模糊论域，进行模糊推理得到所述输出量的模糊规则表，包括：利用模糊推理公式进行模糊推理得到所述输出量的模糊规则表，所述模糊推理公式为：

5、

6、其中，δy为横向位移误差，为航向角误差，为横向位移误差权重系数，为航向角误差权重系数，…为模糊论域子集。

7、可选地，所述目标函数为：

8、

9、其中，j(δu,ε)为目标函数，η(k+i)为实际输出量，ηref(k+i)为期望输出量，δu(k+i)为控制量增量，ε为松弛因子，ρ为松弛因子ε的权重系数，r为控制量增量的权重矩阵，r＝[rδu]，rδu为控制量增量权重，可通过实车试验预先标定处理，q为输出量偏差的权重矩阵，qy为航向角误差权重和横向位移误差权重，可通过实车试验预先标定处理，为权重系数。

10、可选地，所述预测模型为：

11、y＝ψξ(k)+θδu+γφ；

12、其中，y为输出量序列矩阵，ψ为状态量控制矩阵，ξ(k)为状态量矩阵，θ为控制增量控制矩阵，γ为特征量控制矩阵，δu为控制增量序列矩阵，φ为特征量矩阵

13、可选地，所述预设约束条件包括控制量约束条件、控制量增量约束条件和输出量约束条件，其中，所述控制量约束条件为：

14、umin≤u(k+i)≤umax，i＝0,1,2,…,nc；

15、其中，umin、umax为控制量最小值及最大值，

16、所述控制量增量约束条件为：

17、δumin≤δu(k+i)≤δumax，i＝0,1,2,…,nc；

18、其中，δumin、δumax为控制量增量最小值及最大值，

19、所述输出量约束条件

20、ηmin(k+i)≤η(k+i)≤ηmax(k+i)，i＝1,2,…,np；

21、其中，ηmin(k+i)、ηmax(k+i)为输出量最小值及最大值。

22、本技术第二方面实施例提供一种自动驾驶轨迹跟踪控制装置，包括：构建模块，用于建立车辆的非线性动力学模型，并对所述非线性动力学模型进行线性化和离散化处理后得到所述车辆的预测模型；计算模块，用于确定模糊控制器的输入量的模糊论域和所述模糊控制器的输出量的模糊论域，基于所述输入量的模糊论域和所述输出量的模糊论域，进行模糊推理得到所述输出量的模糊规则表，并根据所述模糊规则表计算目标横向位移误差权重系数和目标航向角误差权重系数，其中，所述输入量包括横向位移误差和航向角误差，所述输出量包括横向位移误差权重系数和航向角误差权重系数；控制模块，用于基于所述车辆的预测模型、行驶信息、期望横向位移、期望航向角、目标横向位移误差权重系数和目标航向角误差权重系数建立目标函数，并将所述目标函数转化为标准二次型函数，采用二次规划法求解所述标准二次型函数在预设约束条件下的当前时刻车辆跟踪的最优输入序列，并将所述最优输入序列中当前时刻的车辆前轮转角作为下一时刻的输入，以基于所述车辆前轮转角对期望轨迹进行跟踪控制。

23、可选地，所述横向位移误差和所述航向角误差的模糊论域为{nb,nm,ns,zo,ps,pm,pb}，所述横向位移误差权重系数和所述航向角误差权重系数的模糊论域为{nb’,nm’,ns’,zo’,ps’,pm’,pb’}，其中，nb,nm,ns,zo,ps,pm,pb分别为模糊语言中的负大，负中，负小，零，正小，正中，正大,nb’,nm’,ns’,zo’,ps’,pm’,pb’分别为模糊语言中的负大，负中，负小，零，正小，正中，正大。

24、可选地，所述计算模块，还用于：利用模糊推理公式进行模糊推理得到所述输出量的模糊规则表，所述模糊推理公式为：

25、

26、其中，δy为横向位移误差，为航向角误差，为横向位移误差权重系数，为航向角误差权重系数，…为模糊论域子集。

27、可选地，所述目标函数为：

28、

29、其中，j(δu,ε)为目标函数，η(k+i)为实际输出量，ηref(k+i)为期望输出量，δu(k+i)为控制量增量，ε为松弛因子，ρ为松弛因子ε的权重系数，r为控制量增量的权重矩阵，r＝[rδu]，rδu为控制量增量权重，可通过实车试验预先标定处理，q为输出量偏差的权重矩阵，qy为航向角误差权重和横向位移误差权重，可通过实车试验预先标定处理，为权重系数。

30、可选地，所述预测模型为：

31、y＝ψξ(k)+θδu+γφ；

32、其中，y为输出量序列矩阵，ψ为状态量控制矩阵，ξ(k)为状态量矩阵，θ为控制增量控制矩阵，γ为特征量控制矩阵，δu为控制增量序列矩阵，φ为特征量矩阵。

33、可选地，所述预设约束条件包括控制量约束条件、控制量增量约束条件和输出量约束条件，其中，所述控制量约束条件为：

34、umin≤u(k+i)≤umax，i＝0,1,2,…,nc；

35、其中，umin、umax为控制量最小值及最大值，

36、所述控制量增量约束条件为：

37、δumin≤δu(k+i)≤δumax，i＝0,1,2,…,nc；

38、其中，δumin、δumax为控制量增量最小值及最大值，

39、所述输出量约束条件

40、ηmin(k+i)≤η(k+i)≤ηmax(k+i)，i＝1,2,…,np；

41、其中，ηmin(k+i)、ηmax(k+i)为输出量最小值及最大值。

42、本技术第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的自动驾驶轨迹跟踪控制方法。

43、本技术第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的自动驾驶轨迹跟踪控制方法。

44、上述实施方式中，建立车辆的非线性动力学模型，并对非线性动力学模型进行线性化和离散化处理后得到车辆的预测模型，基于模糊控制器的输入量的模糊论域和模糊控制器的输出量的模糊论域，进行模糊推理得到输出量的模糊规则表，并根据模糊规则表计算目标横向位移误差权重系数和目标航向角误差权重系数，基于车辆的预测模型、行驶信息、期望横向位移、期望航向角、目标横向位移误差权重系数和目标航向角误差权重系数建立目标函数，并将目标函数转化为标准二次型函数，采用二次规划法求解标准二次型函数在预设约束条件下的当前时刻车辆跟踪的最优输入序列，并将最优输入序列中当前时刻的车辆前轮转角作为下一时刻的输入，以基于车辆前轮转角对期望轨迹进行跟踪控制。由此，解决了采用传统模型预测控制算法进行轨迹跟踪控制时，横向误差权重和航向角误差权重为固定值，无法根据所处工况进行自适应调节等问题，能够根据车辆所处工况对控制系统权重进行自适应调节，克服了传统模型预测控制的局限性，提高了自动驾驶车辆轨迹跟踪的鲁棒性，同时能够兼顾轨迹跟踪过程中的稳定性和舒适性。

45、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。