一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115903851A(43)申请公布日2023.04.04(21)申请号202211704081.4(22)申请日2022.12.29(71)申请人中山大学地址510275广东省广州市海珠区新港西路135号(72)发明人李雪芳尹马力李宏博李孟棠(74)专利代理机构广州嘉权专利商标事务所有限公司44205专利代理师梁嘉琦(51)Int.Cl.G05D1/02(2020.01)权利要求书2页说明书13页附图5页(54)发明名称一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法(57)摘要本发明公开了一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法、装置、电子设备，方法具体包括：对车辆动力学模型进行参数化表征构建参数化车辆动态模型，基于参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律，根据轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。本发明解决了由于车辆动力学的非线性和驾驶环境的不确定性，导致车辆系统控制方法性能下降以及无法自适应学习的问题，通过构建参数化车辆动态模型，剥离了车辆系统的已知和未知信息，通过构建基于自适应学习的轨迹跟踪控制方法，让车辆可以学习系统的重复运行特征，还有效处理了车辆系统的欠驱动特性以及非线性、不确定性等因素，可广泛应用于车辆自动驾驶领域。CN115903851ACN115903851A权利要求书1/2页1.一种基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，包括：建立车辆动力学模型；对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型；根据所述参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律；根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制。2.根据权利要求1所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，所述建立车辆动力学模型，包括：根据车辆二自由度动力系统结构构建二自由度车辆横向运动模型；根据所述二自由度车辆横向运动模型构建所述车辆动力学模型。3.根据权利要求2所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，所述对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型，包括：通过引入两个状态变量对所述车辆动力学模型进行坐标变换，构建参数化车辆动态模型；其中，所述状态变量的表达式为：其中，x1为一个状态变量，x2为另一个状态变量，β为车辆的滑移角，γ为车辆横摆角速度，a为前轴到质心的距离，b为后轴到质心的距离，vx为纵向速度。4.根据权利要求3所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，所述根据所述参数化车辆动态模型构建基于自适应学习的自动驾驶车辆轨迹跟踪控制律，包括：将迭代次数设置为所述参数化车辆动态模型的下标；根据设置下标的参数化车辆动态模型，构建所述基于自适应学习的自动驾驶车辆轨迹跟踪控制律。5.根据权利要求4所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，所述根据所述轨迹跟踪控制律对目标车辆进行轨迹跟踪控制，包括：根据所述车辆动力学模型生成参考轨迹，并确定期望参考输入信号；配置车辆参数，其中，所述车辆参数包括：横摆惯性力矩、标准转向刚性、前轴到质心的距离、后轴到质心的距离、质量；根据配置的所述车辆参数，确定控制器参数；根据所述控制器参数和轨迹跟踪控制律，对所述目标车辆进行轨迹跟踪控制。6.根据权利要求1所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，所述方法还包括当误差较小时，先对所述轨迹跟踪控制律进行优化，再对所述目标车辆进行轨迹跟踪控制。7.根据权利要求1所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征在于，所述方法还包括通过复合能量函数对轨迹跟踪控制的收敛性进行分析的步骤。8.根据权利要求7所述的基于自适应学习的自动驾驶车辆轨迹跟踪控制方法，其特征2CN115903851A权利要求书2/2页在于，所述通过复合能量函数对轨迹跟踪控制的收敛性进行分析，包括：建立复合能量函数，所述复合能量函数分为两项，第一项用于证明跟踪误差的收敛性，第二项用于证明参数学习误差的收敛性；将所述轨迹跟踪控制律代入由所述参数化车辆动态模型和求导后的跟踪误差确定的表达式，确定第一表达式；基于迭代学习律，根据所述复合能量函数第二项确定第二表达式；将所述第一表达式和所述第二表达式代入所述复合能量函数的差分方程后进行累加，得到差分累加方程；将所述差分累加方程进行跟踪误差收敛性分析得到所述复合能量函数对轨迹跟踪控制的收敛性分析结果。9.一种基于自适应学习的自动驾驶车辆轨迹跟踪控制装置，其特征在于，包括：参数化模块，用于建立车辆动力学模型，对所述车辆动力学模型进行参数化表征构建参数化车辆动态模型；方法设计模块，用于根据所述参数化车辆动态