[发明专利]一种无人驾驶赛车制动与转向协同避撞控制方法及系统

权利要求书

1.一种无人驾驶赛车制动与转向协同避撞控制方法，其特征在于：其包括以下步骤：

一、规划转向避撞路径；

二、设计转向避撞时车辆的纵向安全距离d_safe，

三、采集转向避撞时车辆的纵向加速度a_X1和横向加速度a_Y1，并结合纵向安全距离d_safe，采用粒子群算法设计避撞过程中车辆的最优纵向加速度a_X1优和避撞过程中车辆最大横向加速度a_Y1,max；

四、控制车辆在车辆转向避撞时，执行的纵向加速度为最优纵向加速度a_Y1优,控制车辆最大横向加速度为a_Y1,max；

其中，所述转向避撞路径的规划方法包括以下步骤：

I建立大地坐标系，所述大地坐标系的原点是所述转向避撞路径启动规划时车辆的位置，车辆纵向位移方向为X轴方向，车辆横向位移方向为Y轴方向；

II采用一元五次多项式方程来描述在转向避撞过程中车辆质心随时间t横向移动的横向位移路径Y₁(t)：

Y₁(t)＝a₀+a₁(t-t₀)+a₂(t-t₀)²+a₃(t-t₀)³+a₄(t-t₀)⁴+a₅(t-t₀)⁵

其中，a₀、a₁、a₂、a₃、a₄、a₅为所述一元五次多项式方程的系数；

t₀为所述转向避撞路径开始时的时间；

III将车辆的横向位移条件、横向速度条件、横向加速度条件代入横向位移路径Y₁(t)，得到五阶多项式方程Y₁(t)：

其中，t_e为所述转向避撞路径结束的时间；

Y_e为t＝t_e时，车辆的横向位移Y₁(t_e)，取Y_e＝3.75m，即为一个车道宽；

IV对五阶多项式方程Y₁(t)求二阶导，得到车辆随时间t变化的横向加速度函数a(t)：

V令得到极值a_Y1,max，相应极值点时的t为：a_Y1,max为车辆避撞过程中最大横向加速度，代入横向加速度函数a(t)得到

VI将Y_e＝3.75代入五阶多项式方程Y₁(t)，即为所述转向避撞路径：

其中，(1)所述纵向安全距离d_safe的设计方法包括以下步骤：

I当车辆转向避撞过程中，且当车辆左转避撞时，计算车辆右前角横向位移Y_fr(t)和车辆转向避撞所需最少时间t_Yfr；其中，车辆转向避撞过程中，不论是车辆左转避撞还是右转避撞，其纵向安全距离d_safe相同；

II在车辆转向避撞过程中假设前车加速度不变，车辆相对前车随时间t变化的纵向位移s_r(t)为：

其中，V_r为车辆相对前车的纵向车速，V_r＝V_X1-V_X2，V_X1、V_X2分别为车辆的纵向车速与前车的纵向车速；

a_r为车辆相对前车的纵向加速度，a_r＝a_X1-a_X2，a_X1、a_X2分别为车辆的纵向加速度与前车的纵向加速度；

III当车辆左转避撞时，车辆要达到横向安全状态时，车辆的避撞纵向安全距离d_safe为：

(2)避撞过程中车辆的最优纵向加速度a_X1优和避撞过程中车辆最大横向加速度a_Y1,max的设计方法包括以下步骤：

I针对粒子群算法模型进行参数初始化

N＝500；G＝300；v＝(0，0)；x＝(0，0)；a_Y1，MIN＝0；a_Y1，MAX＝0.5g；a_X1，MIN＝0；a_X1，MAX＝-μg；

其中，N为粒子群的种群规模；

G迭代次数；

vlimit为粒子的速度限制；

xlimit为粒子的位置限制；

a_X1，MIN为车辆的纵向加速度下限值；

a_X1，MAX为车辆的纵向加速度上限值；

a_Y1，MIN为车辆的横向加速度下限值；

a_Y1，MAX为车辆的纵向加速度上限值；

v为粒子的初始速度；

x粒子的初始位置；

μ为路面附着系数，取μ＝0.75；

g为重力加速度，单位为m/s²；

II设立粒子群的适应度函数fitness

令适应度函数为避撞纵向安全距离d_safe、横向加速度a_X1和纵向加速度a_Y1的归一化和值：fitness＝d_safe’+a_X1’+a_Y1’；

d_safe’为避撞纵向安全距离d_safe的归一化和值；

a_X1’为纵向加速度归一化和值；

a_Y1’为横向加速度归一化和值；

III设立粒子群的约束条件

(a_X1优)²+(a_Y1，max)²≤(μg)²；

IV进行粒子群迭代

采用粒子速度和位置更新公式进行迭代，同时更新pbest、gbest、fitnesspbest和fitnessgbest；迭代至达到最大迭代次数而终止，输出此时的gbest，即为所求的在转向避撞过程中最优纵向加速度a_X1优和最大横向加速度a_Y1，max；

v_i+1＝ωv_i+C₁random(0，1)(p_best-x_i)+C₁random(0，1)(g_best-x_i)x_i+1＝x_i+v_i+1；

其中，ω为惯性因子；

v_i为迭代次数i时的粒子的速度；

v_i+1为迭代次数i+1时的粒子的速度；

C₁和C₂均为粒子的加速常数；

p_best为每个粒子的历史最佳位置；

g_best为整个群体的历史最佳位置；

fitnesspbest为每个粒子的历史最佳适应度值；

fitnessgbest为整个群体的历史最佳适应度值；

random(0，1)为区间[0，1]上的随机数；

x_i为迭代次数i时的粒子的位置；

x_i+1为迭代次数i+1时的粒子的位置。