[发明专利]一种基于Pure Pursuit改良的智能车辆路径跟踪方法

说明书

本发明涉及无人驾驶以及路径跟踪的技术领域，更具体地，涉及一种基于Pure Pursuit改良的智能车辆路径跟踪方法。一种基于Pure Pursuit改良的智能车辆路径跟踪方法，其中，包括以下步骤：S1.基本的Pure Pursuit转向控制量的计算以及弱化；S2.对跟踪误差以及转向误差的比例控制器设计；S3.对跟踪误差的积分控制器设计；S4.对转向控制量进行低通滤波平滑。本发明所提出的的方法具有较强的鲁棒性，考虑了跟踪效果受到前瞻距离选取的影响，如果前瞻距离选取得当，Pure Pursuit的跟踪效果是非常好的，单纯让前瞻距离自适应调节多少存在人为的成分，这意味着存在着调节误差。本方法通过对Pure Pursuit进行淡化后使用PI控制器进行校正从而弱化前瞻距离对跟踪效果的影响，即在不合适的前瞻距离下也有比较好的跟踪效果。

技术领域

本发明涉及无人驾驶以及路径跟踪的技术领域，更具体地，涉及一种基于PurePursuit改良的智能车辆路径跟踪方法。

背景技术

自动驾驶车辆的导航方面一直是无人驾驶技术发展上的一个具有挑战性的问题。一方面，想要得到一条可到达目标位置的无碰撞产生的可行路径需要由导航系统对路径进行规划。另一方面，还需要一个控制器来实现精确的路径跟踪。路径跟踪是将导航技术与无人驾驶车辆的执行机制连接起来的桥梁。考虑到非线性模型和不确定性，设计具有较小跟踪误差和平滑控制的路径跟踪控制器也是导航领域中的一个具有挑战性的问题。

典型的控制器模型分为三大类，分别是几何学控制器、运动学控制器和动力学控制器。

最常用的路径跟踪方法之一是几何学控制器。这些方法利用车辆和路径之间的几何关系，提出路径跟踪问题的控制解决方案。这些技术经常利用前瞻距离来测量车辆前方的误差，并且可以从简单的圆弧计算延伸到涉及螺旋理论的更复杂的计算。具有代表性的两种几何学控制器分别是Pure Pursuit和斯坦福大学研发的进入DARPA挑战的路径跟踪方法Stanley Method(斯坦利法)。

运动学控制器是基于运动学模型设计的路径跟踪模型，它假定左、右车轮是前轴和后轴中心的一对单轮。此外，在该模型中，假设所有的车轮没有侧滑，只有前轮是可控的。

显然随着速度的增加以及路径曲率的变化，忽略车辆动力学对跟踪性能是有负面影响的。然而汽车的动力学是非常复杂的，所以基于车体动力学模型的动力学控制器被提出并使用。代表的方法为Linear Quadratic Regulator(LQR)method(线性二次调节器)。

除了三大模型，也有人对跟踪误差以及路径曲率设计PID控制器实现路径跟踪的效果，没有对车辆的行驶姿态建模。这种方法也有不错的跟踪效果，但比不上三大模型。

在三大模型的基础之上，一直以来不断有人对它们的缺陷进行提出以及改进。例如，在几何控制器Pure Pursuit方法基础上，为了在实际应用中对前瞻距离进行灵活的调节，单云霄等人提出了一种新的追踪方法CF_Pursuit，它基于Pure Pursuit基础上做了一些改进——使用Clothiod C1曲线来代替圆弧，并采用模糊系统来调整前瞻距离与路径的曲率。为了结合运动学和动力学模型的优点，在2017年，Chen Shen等人提出了一种基于模型预测控制(MPC)方法的路径跟踪控制器并有很好的跟踪效果。

近年来，很多人利用深度学习设计路径跟踪控制器，基本思路是使用CNN(卷积神经网络)对车前摄像头的画面进行信息提取，然后综合跟踪误差、车体姿态、转向误差等等条件，使用深度神经网络预测转向角。目前很多人已经提出比较理想的深度学习预测模型并能够实现比较好的路径跟踪效果。

现有技术的缺点是，虽然都对跟踪误差进行反馈并且设计了效果较好的控制器，但是没有对转向误差，即heading error进行反馈调节，往往对导致在转向的过程中忽略车体朝向的影响让跟踪效果变差。

在实际行驶的过程中稳定性普遍较差，横向转向控制输出的平滑度不够。