[发明专利]一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法

说明书

本发明公开了一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，在模型训练学习中，通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及神经网络非线性建模原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习。在基于模型的控制中，结束两阶段学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算。基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。

技术领域

本发明属于智能车辆动力学控制领域，尤其是涉及了一种基于数据驱动技术的车辆动力学预测模型的轨迹跟踪控制方法。

背景技术

随着驾驶员对车辆的安全性、机动性和乘坐舒适性要求的不断提高和控制理论的日益成熟，汽车智能化技术研究受到广泛关注。无人驾驶汽车的基于车辆动力学模型的控制技术可以实现更好的道路利用率和更高的安全性，但也需要适应各种复杂行驶环境，例如可以在不同路面附着系数、曲率变化的道路上行驶，或在紧急工况下实现安全稳定的紧急避障操作。

现阶段大多控制方法都是通过基于物理推导的车辆动态数学模型计算出如车辆横摆角速度等描述车辆运动的物理量，然后设计反馈控制系统以进行跟踪。但基于物理推导的车辆动态数学模型通常在建模时进行了一定的理想化假设来简化车辆模型，这就导致无法准确计算出车辆在行驶过程中的真实动力学响应，特别是在极限工况下，车辆系统和相关子系统会表现出高度非线性和强耦合特征。此外，基于模型的轨迹跟踪控制方法通常受模型参数摄动、不确定性干扰、时滞以及执行机构饱和约束等影响，如果处于非线性区域中的横向轮胎力被视为线性或驾驶环境突然变化，车辆的行为可能变得无法控制，导致无人驾驶汽车将失去路径跟踪能力和稳定性。所以，如何在同时考虑模型的计算实时性和保真度的情况下，建立无人驾驶车辆动力学预测模型，并基于此模型开发轨迹跟踪控制技术，成为当前亟需解决的重要问题。

发明内容

一种基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制方法，包括模型训练学习和基于模型的控制。在模型训练学习中，通过虚拟高保真度车辆试验及实际无人驾驶车辆试验分别获取车辆动力学数据集，基于时滞反馈的思想及神经网络非线性建模原理，设计神经网络车辆动力学模型，利用所得到的车辆动力学数据集对模型进行两阶段的训练学习。在基于模型的控制中，结束两阶段学习后，提取所得到的神经网络车辆动力学模型的权重参数，以进行后续轨迹跟踪控制算法中的前向计算。基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，实现参考轨迹的跟踪控制。

本发明的有益效果：

(1)本发明提出多道路附着系数车辆动力学虚拟及实际数据集采集方法，为车辆动力学建立模型奠定数据基础。车辆动力学虚拟数据集的保真度高，置信度高，获取成本低，同时可以降低实车数据的需求量，车辆动力学真实数据集可为模型再度优化权重参数，提高实际车辆动力学预测响应的精度，且所提出的实车数据获取装置中的传感器成本低、布置简单，可广泛适用于各类车型。。

(2)本发明提出的基于数据驱动技术设计时滞反馈神经网络的车辆动力学预测模型，可以识别车辆运行过程中各种复杂的动力学行为，包括极限环、混沌、分岔、高度非线性和强耦合特征，能够对车辆正在行驶的路面做出适当的预测，而不需要进行明确的路面摩擦估计。

(3)本发明基于无人驾驶车辆稳态转弯假设，利用学习到的神经网络车辆动力学模型得到前馈前轮转角和前馈稳态质心侧偏角，将车辆前馈稳态质心侧偏角纳入基于路径的转向反馈控制，在任意道路条件下及行驶工况下可以实现期望参考轨迹的跟踪控制，保证路径跟踪精度的同时，可以很好地兼顾横向稳定性。

附图说明

图1为基于数据驱动车辆动力学模型的智能车辆轨迹跟踪控制流程图；