基于自适应模型预测控制弯道车道保持方法及系统

1.本发明属于无人驾驶的技术领域，主要涉及了一种基于自适应模型预测控制弯道车道保持方法及系统。


背景技术：

2.车道保持是无人驾驶的基础性任务，其目的是通过控制车轮转角使车辆跟随期望路径的中心线行驶，属于车辆的横向控制领域。
3.通过对国内外车道保持控制策略进行调研，用于车道保持的常用控制器有pid(比例积分微分)控制器、smc(滑膜控制)控制器、lqr(线性二次调节)控制器、stanley控制器、纯跟踪控制器以及mpc(模型预测控制)控制器等。其中，mpc控制器的基本思想是利用已有的模型、系统当前的状态和未来的控制量去预测系统未来的输出，通过滚动地求解带约束优化问题来实现控制目的，使得控制误差最小。因此，mpc在车辆控制领域最为常用。
4.现有的基于mpc控制器的车道保持方法均采用恒定的时域参数，且假设车辆进行匀速车道保持，道路附着条件良好，道路曲率较小。然而，在真实环境下，道路曲率是时变的，道路附着条件会随着天气等因素的影响改变。当车辆以较高速度过弯时，会发生侧滑或侧翻等危险事故。当mpc控制器的时域控制参数恒定时，车道保持的效果在某一路段可能表现较好，但当车辆行驶环境发生剧烈变化时，车道保持会产生一定偏差，甚至会对车辆的安全稳定性造成影响。寻找一种方法使车速和mpc控制器的时域控制参数根据环境变化进行自适应调整，既保障了车辆的行驶安全，还能提升弯道车道保持的效果。因此，本专利提出了一种基于自适应模型预测控制弯道车道保持方法及系统。


技术实现要素：

5.本发明正是针对现有技术中无法实现无人驾驶车道保持精准性与稳定性的问题，提供一种基于自适应模型预测控制弯道车道保持方法及系统，首先根据车辆行驶的弯道工况信息确定车辆过弯安全车速；然后利用遗传算法匹配不同道路信息下mpc控制器的最优时域参数；再构建神经网络mpc控制器，使车辆过弯安全车速与mpc控制器的时域参数根据弯道工况的改变进行自适应调整；所述神经网络模型为：输入为道路曲率半径和道路附着系数，输出为过弯安全车速、预测时域n
p
和控制时域nc的二输入三输出神经网络；最后根据训练后的神经网络，综合车辆纵向控制器和车辆横向控制器，实现控制弯道车道的保持。本发明能够实现车辆在进行弯道车道保持时车速与控制器参数的自适应调整，有效解决了过弯车速较高导致的车辆侧滑或侧翻、固定mpc时域参数导致的车道保持精度较差的问题，提高了无人驾驶车辆弯道车道保持的精准性，保障了车辆行驶的稳定性，对推动无人驾驶技术的快速发展具有现实意义。
6.为了实现上述目的，本发明采取的技术方案是：基于自适应模型预测控制弯道车道保持方法，包括如下步骤：
7.s1：根据车辆行驶的弯道工况信息确定车辆过弯安全车速；所述车辆过弯时仅考
虑前轮参与车辆转向，且左前轮和右前轮具有相同的转动角度；
8.s2：利用遗传算法匹配不同道路信息下mpc控制器的最优时域参数，所述最优时域参数与步骤s1的过弯安全车速、道路曲率半径和道路附着系数有关；
9.s3：构建神经网络mpc控制器，使步骤s1获得的车辆过弯安全车速与步骤s2确定的mpc控制器的时域参数根据弯道工况的改变进行自适应调整；所述神经网络模型为：输入为道路曲率半径和道路附着系数，输出为过弯安全车速、预测时域n
p
和控制时域nc的二输入三输出神经网络；
10.s4：根据步骤s3训练后的神经网络，综合车辆纵向控制器和车辆横向控制器，实现控制弯道车道的保持。
11.作为本发明的一种改进，所述步骤s1中，车辆过弯的安全车速为车辆不发生侧滑与侧翻的最大临界速度：
[0012][0013]
其中，min{
·
}表示取最小值；μ表示轮胎与路面间的附着系数；g表示重力加速度；θ表示道路侧向坡度角；r表示道路曲率半径；b表示汽车的轮距；hg表示车辆重心高度。
[0014]
作为本发明的一种改进，所述步骤s1中车辆过弯的安全车速为法律限速内，车辆不发生侧滑与侧翻的最大临界速度，即：
[0015]vsafe
＝min{kv
sr_max
，v
law
}
[0016]
其中，v
safe
表示车辆过弯安全车速；k表示环境因子，晴天时，环境因子k取值范围为[0.32，0.38]；阴天时，环境因子k取值范围为[0.24，0.32]；夜间时，环境因子k取值范围为[0.20，0.27]；雨雪雾霾天气时，环境因子k取值范围为[0.12，0.18]。
[0017]
作为本发明的另一种改进，所述步骤s2基于遗传算法的mpc最优时域参数选择具体包括：
[0018]
s21：初始化mpc时域参数，生成个体数量为n的种群；
[0019]
s22：使用round函数对初始化的种群进行向下取整操作，并将取值赋值给预测时域n
p
和控制时域nc；
[0020]
s23：将步骤s22中的时域参数值输入mpc控制器根据相应的过弯安全车速进行圆形路径跟踪，计算个体的适应度函数，车道保持任务的适应度函数为：
[0021][0022]
其中，js表示车道保持稳定性的评价指标；je表示车道保持精准性的评价指标；ws和we分别表示衡量车道保持稳定性和精准性的权重；
[0023]
s24：对评分较高的个体进行选择、交叉；为防止陷入局部最优，还需要对少量个体进行变异，生成新的个体；
[0024]
s25：重复步骤s22一s24，直至满足车道保持性能要求或完成迭代次数。
[0025]
作为本发明的另一种改进，所述步骤s23中，车道保持稳定性的评价指标js具体为：
[0026][0027]
其中，j
s1
为横摆角速度评价指标；j
s2
为侧向加速度评价指标；w
s1
和w
s2
分别表示衡量横摆角速度和侧向加速度的权重；
[0028]
其中：
[0029][0030][0031]
其中，和分别表示车辆横摆角速度及横摆角速度阈值；ay和分别表示车辆纵向加速度及纵向加速度阈值；t1和t2分别表示实验开始与结束的时间；
[0032]
所述车道保持精准性的评价指标je具体为：
[0033][0034]
其中，j
e1
为车道保持横向偏差评价指标；j
e2
为横摆角偏差评价指标；w
e1
和w
e2
分别表示衡量车道保持横向偏差和横摆角偏差的权重；
[0035]
其中：
[0036][0037][0038]
其中，ye和分别表示车道保持横向偏差及其横向偏差阈值；β和分别表示车辆横摆角偏差及横摆角偏差阈值；t1和t2分别表示实验开始与结束的时间。
[0039]
作为本发明的又一种改进，所述步骤s3的神经网路中，道路曲率半径、道路附着系数、过弯安全车速、预测时域和控制时域之间存在如下关系：
[0040][0041]
其中，v
safe
表示过弯安全车速；n
p
表示预测时域；nc表示控制时域；r表示道路曲率半径；μ表示道路附着系数；f1(
·
)和f2(
·
)分别表示关于r和μ的不同的非线性函数。
[0042]
作为本发明的又一种改进，所述步骤s3的神经网络的数据集数据包括道路曲率半径和道路附着系数，数据集标签包括过完安全车速、预测时域和控制时域，以过弯安全车速进行圆形路径跟踪实验，以确定不同车速、道路曲率半径和道路附着系数组合下的最优时域参数，对神经网络进行训练。
[0043]
为了实现上述目的，本发明还采取的技术方案是：基于自适应模型预测控制弯道
车道保持系统，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。
[0044]
与现有技术相比，本发明将神经网络引入传统控制领域，实现了弯道工况下车速与模型预测控制参数的自适应调整，提高了车道保持的精准性和安全稳定性，人车安全得以保障：本发明提供一种基于自适应模型预测控制弯道车道保持方法及系统，该方法针对车辆以较高速度过弯时会发生侧滑或侧翻的问题，根据道路信息设计车辆过弯安全车，；针对时域参数固定的mpc控制器不适应道路结构复杂的路况而造成车道保持偏差的问题，根据遗传算法的寻优能力匹配不同道路信息下的最优时域参数，构建神经网络mpc控制器，使车速和mpc控制器的时域参数根据车辆的行驶工况下进行自适应调整，以提高无人驾驶车辆车道保持的精准性，保证车辆行驶的稳定性，对推动无人驾驶技术的快速发展具有现实意义。
附图说明
[0045]
图1为本发明方法的步骤流程图；
[0046]
图2为本发明方法步骤s2基于遗传算法的mpc最优时域参数优化流程图；
[0047]
图3为本发明方法基于神经网络的时域参数自适应mpc控制图；
[0048]
图4为本发明方法与现有方法对车道的保持效果对比图。
具体实施方式
[0049]
下面结合附图和具体实施方式，进一步阐明本发明，应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
[0050]
实施例1
[0051]
基于自适应模型预测控制弯道车道保持方法，如图1所示，包括如下步骤：
[0052]
s1：根据车辆行驶的弯道工况信息确定车辆过弯安全车速；所述车辆过弯时仅考虑前轮参与车辆转向，且左前轮和右前轮具有相同的转动角度；
[0053]
本方法中运行的车辆与道路环境设置如下：
[0054]
①
只考虑前轮参与车辆转向，且假设左前轮和右前轮具有相同的转动角度，
[0055]
车辆为单轨模型：
[0056]
②
假设行车路面平坦，不考虑车辆的垂向、俯仰和侧倾运动；
[0057]
③
不考虑车辆悬架的耦合关系，假设车辆具有刚性；
[0058]
④
不考虑车轮转向时轮胎产生的回正力矩；
[0059]
⑤
不考虑轮胎力纵向和横向的耦合关系影响；
[0060]
⑥
不考虑车辆前后轴间的载荷传递；
[0061]
⑦
不考虑空气动力学作用对车辆在横向和纵向运动中的影响。
[0062]
s11：计算车辆临界侧滑速度
[0063]
车辆过弯时，当车轮横向附着力大于路面与轮胎间的横向摩擦力时，车轮会发生侧滑，因此车辆发生侧滑的临界状态的力矩平衡方程为：
[0064]fyl
+f
yr
＝(f
zl
+f
zr
)μ
ꢀꢀ
(1.1)
[0065]
式中，f
yl
和f
yr
分别表示车辆内、外侧轮胎所受的侧偏力，f
zl
和f
zr
分别表示车辆内、
外侧轮胎所受的垂向力，μ表示轮胎与路面间的附着系数。
[0066]
此时，车辆发生侧滑的临界侧向加速度为：
[0067][0068]
式中，a
ys
表示车辆发生侧滑的临界侧向加速度，g表示重力加速度，θ表示道路侧向坡度角。
[0069]
侧向加速度与车辆临界侧滑速度、道路曲率的关系如下式所示：
[0070]ays
＝v
s_max2rꢀꢀ
(1.3)
[0071]
式中，v
s_max
表示车辆发生侧翻的临界车速，r表示道路曲率半径，考虑到直道的道路曲率半径为∞，且道路曲率半径超过1000m时在视觉范围内车道近似直线，因此道路曲率半径的范围设置为(0m，1000m]。
[0072]
联立式(1.2)和(1.3)，得到车辆发生侧滑的临界车速为：
[0073][0074]
s12：计算车辆临界侧翻速度
[0075]
车辆过弯时，过大的车速会使车辆丧失横向稳定性，导致车辆所受的离心力过大，车辆的内侧轮胎脱离地面，此时车辆处于发生临界侧翻的状态，因此，车辆发生临界侧翻时的状态力矩平衡方程为：
[0076][0077]
式中，m表示车辆的质量，a
yr
表示车辆发生侧翻的临界加速度，b表示汽车的轮距，hg表示车辆重心高度，θ表示道路侧向坡度角。
[0078]
车辆发生侧翻的临界加速度为：
[0079][0080]
侧向加速度与车辆临界侧翻速度、道路曲率的关系如下式所示：
[0081]ayr
＝v
r_max2rꢀꢀ
(1.7)
[0082]
式中，v
r_max
表示车辆发生侧翻的临界车速，r表示道路曲率半径。
[0083]
联立式(1.6)和(1.7)，得到车辆发生侧翻的临界车速如下：
[0084][0085]
s13：车辆过弯安全车速选择：
[0086]
因而，对于车辆过弯安全车速来说，结合式(1.4)和式(1.8)，可以得到车辆不发生侧滑与侧翻的最大临界速度为：
[0087][0088]
式中，min{
·
}表示取最小值。
[0089]
进一步来说，根据《中华人民共和国道路交通安全法》的规定，机动车行驶时需遵守相应道路的限速要求，相关道路的法律限定车速为v
law
。同时，环境因素对车辆的安全行驶具有较大影响，为了更加贴切不同环境下的车辆行驶特性，引入环境因子k。因此，车辆过弯安全车速和最大临界过弯稳定车速、法律限定车速间的关系为：
[0090]vsafe
＝min{kv
sr_max
，v
law
}
ꢀꢀ
(1.10)
[0091]
式中，v
safe
表示车辆过弯安全车速，k表示环境因子。晴天时，环境因子的取值范围为[0.32，0.38]；阴天时，环境因子的取值范围为[0.24，0.32]；夜间时，环境因子的取值范围为[0.20，0.27]；雨雪雾霾天气时，环境因子的取值范围为[0.12，0.18]。
[0092]
综上所述，车辆过弯安全车辆的影响因素有轮距、道路曲率半径、路面附着条件、侧向坡度角和道路限速条件，因车辆轮距和道路限速条件已知，且本方法假设车辆在平坦的路面上行驶，不考虑车辆的垂向、俯仰、侧倾运动，因此仅考虑道路曲率半径和路面附着系数对车辆过弯安全车速的影响。
[0093]
s2：利用遗传算法匹配不同道路信息下mpc控制器的最优时域参数，所述最优时域参数与步骤s1的过弯安全车速、道路曲率半径和道路附着系数有关；
[0094]
使用mpc控制器进行车道保持时，车道保持的效果对mpc控制器的时域参数具有较强依赖性。预测时域n
p
表征系统对未来的预测程度，n
p
较大时，车道保持的近处偏差大，时效性差；n
p
较小时，会使得车轮无法及时转向，导致车辆失控。nc较大时，系统稳定性和实时性较差。nc较小时，系统控制精度较差。因此，n
p
和nc的取值大小不仅会影响控制器车道保持的效果，还会影响控制器求解车道保持二次规划问题的实时性。
[0095]
现实场景中，假设忽略人为主观因素和车辆的性能限制，驾驶员驾驶车辆时，车辆的方向盘转角会随着车速、道路曲率半径和道路附着条件的变化而变化。因此，车速、道路曲率半径和道路附着条件都是影响弯道车道保持效果的重要因素。通过道路工况信息求出过弯安全车速，基于道路曲率半径和道路附着系数因素可以对不同弯道工况下的最优mpc时域控制参数进行选择。
[0096]
使用遗传算法的寻优能力对不同车速、道路曲率半径和道路附着系数组合下的mpc控制器的最优时域参数进行选择。遗传算法具有全局搜索能力强、收敛速度快、搜索效率高等优点，能够获得全局最优解，因此使用遗传算法对mpc控制器的时域参数进行优化，多次迭代后选择出车道保持性能最优的mpc时域参数，如图2所示。
[0097]
基于遗传算法的mpc最优时域参数选择过程如下：
[0098]
s21：初始化mpc时域参数，生成个体数量为n的种群；
[0099]
s22：由于mpc控制器的时域参数需为整数，因此使用round函数对初始化的种群进行向下取整操作，并将取值赋值给预测时域n
p
和控制时域nc；
[0100]
s23：将步骤s22中的时域参数值输入mpc控制器根据相应的过弯安全车速进行圆形路径跟踪，计算个体的适应度函数，车道保持任务的适应度函数为：
[0101][0102]
式中，js表示车道保持稳定性的评价指标，je表示车道保持精准性的评价指标，ws和we分别表示衡量车道保持稳定性和精准性的权重；
[0103]
其中：
[0104][0105]
式中，j
s1
为横摆角速度评价指标，j
s2
为侧向加速度评价指标，w
s1
和w
s2
分别表示衡量横摆角速度和侧向加速度的权重；
[0106]
其中：
[0107][0108][0109]
式中，和分别表示车辆横摆角速度及横摆角速度阈值，ay和分别表示车辆纵向加速度及纵向加速度阈值，t1和t2分别表示实验开始与结束的时间；
[0110][0111]
式中，j
e1
为车道保持横向偏差评价指标，j
e2
为横摆角偏差评价指标，w
e1
和w
e2
分别表示衡量车道保持横向偏差和横摆角偏差的权重；
[0112]
其中：
[0113][0114][0115]
式中，ye和分别表示车道保持横向偏差及其横向偏差阈值，β和分别表示车辆横摆角偏差及横摆角偏差阈值，t1和t2分别表示实验开始与结束的时间；
[0116]
s24：对评分较高的个体进行选择、交叉。此外，为防止陷入局部最优，还需要对少量个体进行变异，生成新的个体；
[0117]
s25：重复步骤s22-s24直至满足车道保持性能要求或完成迭代次数。
[0118]
s3：构建神经网络mpc控制器，使步骤s1获得的车辆过弯安全车速与步骤s2确定的mpc控制器的时域参数根据弯道工况的改变进行自适应调整；所述神经网络模型为：输入为道路曲率半径和道路附着系数，输出为过弯安全车速、预测时域n
p
和控制时域nc的二输入三
输出神经网络；
[0119]
在步骤s2中已经实现了不同弯道工况下的最优mpc时域参数选择，但在实际环境下，道路的曲率半径和附着条件是时变的，不同弯道工况下的最优时域参数选择都需要经历一定时长的迭代过程才能找到，实时性无法保证，车辆安全受到威胁。由于mpc控制器的最优时域参数与过弯安全车速、道路曲率半径和道路附着系数有关，道路曲率半径、道路附着系数、过弯安全车速、预测时域和控制时域之间存在如下关系：
[0120][0121]
式中，v
safe
表示过弯安全车速，n
p
表示预测时域，nc表示控制时域，r表示道路曲率半径，μ表示道路附着系数，f1(
·
)和f2(
·
)分别表示关于r和μ的不同的非线性函数。
[0122]
此外，根据s13可知，过弯安全车速与道路曲率半径和道路附着系数也存在如下关系：
[0123]vsafe
＝f3(r，μ)
ꢀꢀ
(3.2)
[0124]
式中，f3(
·
)表示关于r和μ的非线性函数。
[0125]
联立式(3.1)和式(3.2)可得：
[0126][0127]
由于f1(
·
)和f3(
·
)、f2(
·
)和f3(
·
)都是关于r和μ的非线性函数，因此式(3.3)可改写为：
[0128][0129]
式中，f4(
·
)和f5(
·
)分别表示关于r和μ的不同的非线性函数。
[0130]
由上式可知，过弯安全车速、预测时域和控制时域与道路曲率半径和道路附着系数间均存在非线性关系。考虑到神经网络具有较强的非线性拟合能力和自学习能力，且结构简单。因此，本方法构造一个输入为道路曲率半径和道路附着系数，输出为过弯安全车速、预测时域n
p
和控制时域nc的二输入三输出神经网络。控制器运行前，对神经网络进行训练，以建立不同道路曲率半径、道路附着系数组合与过弯安全车速、预测时域和控制时域间的关系。基于神经网络的时域参数自适应mpc控制图如图3所示，神经网络训练后，根据参考路径得到道路曲率半径和道路附着系数，将道路曲率半径与道路附着系数输入神经网络，得到mpc控制器的时域控制参数n
p
和nc，以及车道保持的过弯安全车速v
safe
，实现弯道工况下车速与mpc时域控制参数的自适应调整。
[0131]
神经网络数据集采集：设置不同道路曲率半径和附着系数组合的车辆行驶工况，无人驾驶车辆采用步骤s2所述的遗传算法以过弯安全车速进行圆形路径跟踪实验，以确定不同车速、道路曲率半径和道路附着系数组合下的最优时域参数，构建数据集对神经网络进行训练，数据集包括的信息如下：
[0132][0133]
s4：根据步骤s3训练后的神经网络，综合车辆纵向控制器和车辆横向控制器，实现控制弯道车道的保持。
[0134]
本方法针对的是行驶在弯道工况下的无人驾驶汽车，在步骤s1中进行了车辆过弯安全车速的设计，保障了车辆行驶的安全稳定性。然而，现有的车道保持系统仅通过控制车轮转角使车辆跟随期望路径的中心线行驶，未考虑车速这一因素的影响，仅进行了横向控制的研究。因此，本方法有必要对车辆的纵向速度控制进行研究。由于车辆的横向控制性能与纵向控制性能均受到道路曲率半径和道路附着条件等道路环境的影响，因此车辆纵向控制器也采用步骤s3设计的时域参数自适应mpc控制器，且时域参数的设置与车道保持横向控制器相同。mpc纵向控制器的输入为车辆的期望速度与当前加速度，输出为车辆的期望加速度。
[0135]
车辆的横向控制性能与纵向控制性能均受到道路曲率半径和道路附着条件等道路环境的影响，彼此间存在一定的耦合关系。因此，采用步骤s3设计的横向mpc控制器进行车道保持横向控制，横向mpc控制器的输入为参考位置误差、参考横摆角误差、纵向速度、横向速度、横摆角速度，输出车轮转角。采用纵向mpc控制器对速度进行独立控制，纵向控制器的时域参数设置与横向mpc控制器参数相同，实现对车辆的纵横向协同控制，保证弯道车道的保持。
[0136]
实施例2
[0137]
基于自适应模型预测控制弯道车道保持方法，包括如下步骤：
[0138]
s1：天气晴朗，车辆行驶在某一限速30km/h的弯道上，道路曲率半径为r＝100m，道路附着系数μ＝0.8，道路侧向坡度角θ＝0
°
，车辆的轮距b＝1460mm，车辆重心高度hg＝540mm，对车辆的过弯安全车速进行选择：
[0139]
s11：计算车辆临界侧滑速度：
[0140][0141]
s12：计算车辆临界侧翻速度：
[0142][0143]
s13：车辆过弯安全车速：
[0144]
取环境因子k＝0.35，车辆过弯安全车速为：
[0145][0146]
s2：mpc最优时域参数的选取受车速、道路曲率半径和道路附着系数的影响。根据遗传算法的寻优能力选择不同道路曲率半径和道路附着系数组合下的最优时域参数：
[0147]
当圆形路径的道路曲率半径为r＝700m，道路附着系数μ＝0.8时，计算得到车辆过弯安全车速为90.68km/h，以此条件进行实验选择最优mpc时域参数。设置遗传算法的初始种群数量为100，迭代次数为50，交叉概率为0.5，变异概率为0.1，预测时域n
p
的取值范围为[1，40]，控制时域nc的取值范围为[1，20]，选择ws＝we＝w
s1
＝w
s2
＝w
e1
＝w
e2
＝0.5，算法迭代12次后趋于稳定，最优时域参数组合为[26，11]。
[0148]
s3：设计基于神经网络的时域参数自适应mpc控制器：
[0149]
建立输入为道路曲率半径和道路附着系数，输出为过弯安全车速、预测时域n
p
和控制时域nc的二输入三输出神经网络。设置神经网络的隐藏层为1层，节点数量为10，迭代次数epoch＝50，学习率为lr＝0.01，80％的数据集作为训练集，20％的数据集作为测试集。
[0150]
神经网络数据集采集：
[0151]
以0.1为道路附着系数间隔，设置道路附着系数范围为0.1～0.9，以10m为道路曲率半径间隔，设置道路曲率半径范围为10～1000m，设置预测时域n
p
的取值范围为[1，40]，设置控制时域nc的取值范围为[1，20]，且满足n
p
＞nc，采用s22所述的遗传算法进行圆形路径跟踪实验，以确定不同道路曲率半径和道路附着系数的组合下的最优时域参数，共进行900次实验。试验后组建数据集对神经网络进行训练。部分数据集如下表所示：
[0152][0153]
s4：根据步骤s3训练后的神经网络，综合车辆纵向控制器和车辆横向控制器，实现控制弯道车道的保持。
[0154]
车辆纵横向协同控制系统设计后，进行性能验证，使车辆进行道路曲率半径与道路附着系数时变的弯道车道保持，将本方法与现有方法对车道的保持效果进行对比，对比效果如图4所示，图4中可看出，本发明提出的基于自适应模型预测控制弯道车道保持方法的控制效果较传统模型预测控制方法有大幅度提升，车道保持精准性更优，此外，本发明提出的过弯安全车速能使车道保持的稳定性得以保障。
[0155]
综上，本发明提出的一种基于自适应模型预测控制弯道车道保持方法，本发明能够实现车辆在进行弯道车道保持时车速与控制器参数的自适应调整，有效解决了过弯车速较高导致的车辆侧滑或侧翻、固定mpc时域参数导致的车道保持精度较差的问题，提高了无人驾驶车辆弯道车道保持的精准性，保障了车辆行驶的稳定性。
[0156]
需要说明的是，以上内容仅仅说明了本发明的技术思想，不能以此限定本发明的保护范围，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰均落入本发明权利要求书的保护范围之内。

技术特征：
1.基于自适应模型预测控制弯道车道保持方法，其特征在于:包括如下步骤：s1：根据车辆行驶的弯道工况信息确定车辆过弯安全车速；所述车辆过弯时仅考虑前轮参与车辆转向，且左前轮和右前轮具有相同的转动角度；s2：利用遗传算法匹配不同道路信息下mpc控制器的最优时域参数，所述最优时域参数与步骤s1的过弯安全车速、道路曲率半径和道路附着系数有关；s3：构建神经网络mpc控制器，使步骤s1获得的车辆过弯安全车速与步骤s2确定的mpc控制器的时域参数根据弯道工况的改变进行自适应调整；所述神经网络模型为：输入为道路曲率半径和道路附着系数，输出为过弯安全车速、预测时域n
p
和控制时域n
c
的二输入三输出神经网络；s4：根据步骤s3训练后的神经网络，综合车辆纵向控制器和车辆横向控制器，实现控制弯道车道的保持。2.如权利要求1所述的基于自适应模型预测控制弯道车道保持方法，其特征在于：所述步骤s1中，车辆过弯的安全车速为车辆不发生侧滑与侧翻的最大临界速度：其中，min{
·
}表示取最小值；μ表示轮胎与路面间的附着系数；g表示重力加速度；θ表示道路侧向坡度角；r表示道路曲率半径；b表示汽车的轮距；h
g
表示车辆重心高度。3.如权利要求2所述的基于自适应模型预测控制弯道车道保持方法，其特征在于：所述步骤s1中车辆过弯的安全车速为法律限速内，车辆不发生侧滑与侧翻的最大临界速度，即：v
safe
＝min{kv
sr_max
，v
law
}其中，v
safe
表示车辆过弯安全车速；k表示环境因子，晴天时，环境因子k取值范围为[0.32,0.38]；阴天时，环境因子k取值范围为[0.24,0.32]；夜间时，环境因子k取值范围为[0.20,0.27]；雨雪雾霾天气时，环境因子k取值范围为[0.12,0.18]。4.如权利要求1或3所述的基于自适应模型预测控制弯道车道保持方法，其特征在于：所述步骤s2基于遗传算法的mpc最优时域参数选择具体包括：s21：初始化mpc时域参数，生成个体数量为n的种群；s22:使用round函数对初始化的种群进行向下取整操作，并将取值赋值给预测时域n
p
和控制时域n
c
；s23：将步骤s22中的时域参数值输入mpc控制器根据相应的过弯安全车速进行圆形路径跟踪，计算个体的适应度函数，车道保持任务的适应度函数为：其中，j
s
表示车道保持稳定性的评价指标；j
e
表示车道保持精准性的评价指标；w
s
和w
e
分别表示衡量车道保持稳定性和精准性的权重；s24：对评分较高的个体进行选择、交叉；为防止陷入局部最优，还需要对少量个体进行变异，生成新的个体；
s25：重复步骤s22—s24，直至满足车道保持性能要求或完成迭代次数。5.如权利要求4所述的基于自适应模型预测控制弯道车道保持方法，其特征在于：所述步骤s23中，车道保持稳定性的评价指标j
s
具体为：其中，j
s1
为横摆角速度评价指标；j
s2
为侧向加速度评价指标；w
s1
和w
s2
分别表示衡量横摆角速度和侧向加速度的权重；其中：其中：其中，和分别表示车辆横摆角速度及横摆角速度阈值；a1和分别表示车辆纵向加速度及纵向加速度阈值；t1和t2分别表示实验开始与结束的时间；所述车道保持精准性的评价指标j
e
具体为：其中，j
e1
为车道保持横向偏差评价指标；j
e2
为横摆角偏差评价指标；w
e1
和w
e2
分别表示衡量车道保持横向偏差和横摆角偏差的权重；其中：其中：其中，ye和分别表示车道保持横向偏差及其横向偏差阈值；β和分别表示车辆横摆角偏差及横摆角偏差阈值；t1和t2分别表示实验开始与结束的时间。6.如权利要求5所述的基于自适应模型预测控制弯道车道保持方法，其特征在于：所述步骤s3的神经网路中，道路曲率半径、道路附着系数、过弯安全车速、预测时域和控制时域之间存在如下关系：其中，v
safe
表示过弯安全车速；n
p
表示预测时域；n
c
表示控制时域；r表示道路曲率半径；
μ表示道路附着系数；f1(
·
)和f
.
(
·
)分别表示关于r和μ的不同的非线性函数。7.如权利要求5所述的基于自适应模型预测控制弯道车道保持方法，其特征在于：所述步骤s3的神经网络的数据集数据包括道路曲率半径和道路附着系数，数据集标签包括过完安全车速、预测时域和控制时域，以过弯安全车速进行圆形路径跟踪实验，以确定不同车速、道路曲率半径和道路附着系数组合下的最优时域参数，对神经网络进行训练。8.基于自适应模型预测控制弯道车道保持系统，包括计算机程序，其特征在于：所述计算机程序被处理器执行时实现如上述任一种所述方法的步骤。

技术总结
本发明公开了一种基于自适应模型预测控制弯道车道保持方法及系统，首先根据车辆行驶的弯道工况信息确定车辆过弯安全车速；然后利用遗传算法匹配不同道路信息下MPC控制器的最优时域参数；再构建神经网络MPC控制器，使车辆过弯安全车速与MPC控制器的时域参数根据弯道工况的改变进行自适应调整；最后根据训练后的神经网络，综合车辆纵向控制器和车辆横向控制器，实现控制弯道车道的保持。本发明有效解决了过弯车速较高导致的车辆侧滑或侧翻、固定MPC时域参数导致的车道保持精度较差的问题，提高了无人驾驶车辆弯道车道保持的精准性，保障了车辆行驶的稳定性，对推动无人驾驶技术的快速发展具有现实意义。快速发展具有现实意义。快速发展具有现实意义。


技术研发人员：李煊鹏 张稳 张为公
受保护的技术使用者：东南大学
技术研发日：2023.05.15
技术公布日：2023/7/6