英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

自动驾驶汽车车道变换的鲁棒预测控制

Jongsang Seo and Kyongsu Yi 首尔国立大学

摘要

这篇论文描述了一种针对自动驾驶汽车车道变换的鲁棒模型预测控制(MPC)。为了自动驾驶汽车能够安全顺利变换车道，考虑到坏境信息，传感器的不确定性以及碰撞的风险，我们假定驾驶模式和车道变换方向是确定的。安全边际是利用实验车辆的预测轨迹来计算。基于转向和纵向加速度控制的MPC是建立在有限时间跨度的扩展自行车模型。我们会对汽车状态参数实时监控来保证MPC状态正常和输入的约束条件能够满足干扰产生和不确定的情况。我们已经对该算法的性能进行了模拟研究。

第一章 绪言

尽管在自动驾驶车辆控制研究上还存在很多问题，这些问题主要可以表示为两个方面的问题: 对应于周围环境的驾驶策略和车辆的适当行为。此外，这两个方面的问题都需要自动驾驶车辆得到应该像人类司机或比这更好的控制。

对于车辆控制，环境信息,包括其他车辆信息对驾驶车辆的安全很重要。由于这个原因,有一些以前的研究通过使用外部传感器来识别周围信息(3、4)。利用这些信息,各种各样的威胁评估和决策算法就被提出了(5、6、7、8)。时间碰撞(TTC)和时间线穿越(TLS)是其中两种最简单的方法[7,8]。当指数TTC或TLC通过某些阈值，自动干预措施做出决策。也有一些研究正尝试使用先进的方法,而不是简单的车辆的轨迹规划和控制(9、10、11)。

智能车辆是自动驾驶车辆的前一步。在纵向控制方面，致力于先进的交通和高速公路(PATH)的加州伙伴公司开发了一种控制系统,这个控制系统可以使汽车沿着高速公路列队行驶。此外,自适应巡航控制系统(ACC)已经在商用车生产[12]。车道保持辅助系统(LKAS)属于典型的横向车辆控制技术,该系统通过助力转向以防止意外车道改变[13]。最近,交通堵塞协助中心通过控制在高速公路密集交通中汽车的速度和距离前车的距离和接管转向的技术正走向商业化。

自动变道的驾驶行为存在的问题是从多个角度提出的。一些研究者认为，路径规划算法应该根据车辆的状态来计划不同的路径和选择适当的路径 [14]。有很多不同的预测模型来生成较理想的车道变化轨迹 [15]。对于使用输入转向的驾驶在道路上的车辆，正弦,多项式回旋曲线,梯形加速度剖面(TAP),和sigmoid函数被认为是车道变化路径规划(16、17、18、19)。

一般的驾驶情况下,出于安全自动驾驶控制的角度，车道保持或车道变化应该在适当的时间决定。特别是,由于车道变化控制中纵向和横向控制是必须的,因此它很难实现。有一些研究不仅考虑何时变换车道,也考虑需要提前确定的主题车的距离和速度[20]。

以前的工作已经提出了自动驾驶车辆控制的方法。自主车辆控制是在模糊逻辑[21]和多主体模型与车辆网络[22]的基础上发展起来的。此外，因为它能够考虑车辆动力学和约束，以及对可变的驱动方案的适应性，模型预测控制（MPC）已被证明是用于自动驾驶车辆控制[23，24，25]一种有吸引力的方法。尽管MPC可以以统一的方式处理系统的非线性和约束，但其主要限制是在实时解决优化问题的计算量负担过大。

为了减弱模型不确定性和干扰的影响,鲁棒模型预测控制被引进了。系统模型的不确定性能够用鲁棒不变集计算来确定系统的误差。不变集可以限定线性控制下的实际状态偏离正常状态的最大偏差 [26, 27, 28]。干扰抑制控制还用于获取干扰抑制的反馈增益K。在最近的研究中,鲁棒模型预测控制被用于处理半自主车辆司机的不确定行为[29]。为了减少计算负担,相关技术被提出[30]。

在本文中，我们重点根据环境信息提出了适合的驾驶策略，尤其是在车道变化的情况，并通过为完全自主车辆制定一些MPC问题来保证驾驶安全。为了减少计算负担,MPC问题中使用的系统模型是线性化的。通过基于车辆严格限制控制和实时在线计算可达集的MPC，系统的鲁棒性和可靠性得到增强。此外,本文提出的算法能够在环境信息和比较由MPC计算出的车辆状态和真实车辆状态差异的基础上预测周围车辆的行为。从最终结果上来说该驾驶策略可以实现免碰撞驾驶。

本文的结构如下。在第二节中介绍了可到达集及干扰抑制的定义。第三节中介绍了车辆系统模型和扰动分析。第四节提出了驾驶策略。第五节里制定了安全约束条件下的MPC问题和设计了干扰抑制控制器。仿真和驾驶员真实驾驶数据之间的比较结果在第六和第七节概述。

第三章 汽车模型和干扰

用于在线MPC控制器的车辆模型由两部分组成:纵向和横向模型。纵向模型是一个纵向位置,速度误差和一阶延迟加速度。外侧模型是一个扩展的自行车模型，有四个状态,如横向位置偏移,车辆偏航角和参考道路航向角之间的航向角误差、侧滑角和偏航率。此外,模型不确定性和干扰都解释为一个等价的干扰。

A 纵向汽车模型

车辆的纵向动力学是非线性的。其突出特性包括发动机扭矩的静态非线性映射、时变齿轮位置和空气阻力是车辆速度的二次函数。在本文中由于纵向模型的目的就是保持车辆距离和调整速度,以避免纵向碰撞,纵向不需要非线性动力学模型。因此,简化计算使用误差动力学控制输入如下。

(16)

(17)

在此， ex 和 ev 分别表示间隙和速度误差。xp 和 xs 是目标车辆和前车的纵向位置。恒定的时间进展间距政策被受雇于详细的 [33]。vp 和 vs 是目标车辆和前车的速度。

此外，目标和实际的纵向加速度有差异，如系统延迟。它的输入/输出动态被定义为一个一阶时滞系统。

(18)

其中 tau; 是时间常数。as和 ades 分别表示作为状态变量的实际纵向加速度和目标纵向加速度。

考虑的误差动力学和一阶延迟加速度动力学，一个纵向模型表示为：

(19)

其中状态变量，输入控制变量 ，是纵向加速度。因此，系统矩阵可以表示为如下

(20)

B 横向汽车模型

一种扩展的自行车模型表示为下面的使用图 2 中定义的变量的公式。车辆动力学由以下一组微分方程描述。

(21a)

(21b)

(21c)

其中，表示转向角度。如图1所示，和分别是重心到前轴和后轴的距离，是轮距。和是轮胎上受到的纵向和横向力。i为1、2、3、4时，分别代表前左、前右、后左、后右。公式(21)已经通过小角度定量简化了。假设在一很短的时间内，纵向速度是个常数，左右轮受到相同的横向力，轮胎不受到纵向力。于是，状态方程可以如下表示为：

(22)

由于车辆模型在正常行驶的情况下运行，轮胎力几乎作为模型预测控制的输入的线性区域中使用。外侧轮胎力可视为使用侧偏刚度和偏角的仿射函数。

第四章 驾驶模式决策算法

驾驶模式决策算法提出了驾驶车辆应该根据道路情况改变或保持车道的车辆模式。驾驶模式决策算法的基本任务是决定所需的模式是车道改变或保持前面车辆的行为。如果车辆模式车辆命令改变车道, 车道方向被选定为左或右。

驾驶模式决策算法的结构在图4。如这个图所示,我们将该算法分解成三个连续块:车辆索引指数、模式选择器和车道改变方向决策。车辆索引指数从外部传感器接收环境信息作为输入，并对前、后、侧车辆信息进行分类。模式选择器确定车道前面车辆使用TTC逆信息模式。当车辆需要改变车道，车道改变方向决策算法利用周围车辆的信息来保证车道变换方向是在一个安全的车道。特别是，使用 文献[35]中详细说明的概率状态预测算法，环境信息也具有一定的预测性。

A 车辆索引指数

车辆索引指数是用来负责确定目标车辆的标准位置。由于每个车辆状态是由环境信息如车辆信息和道路信息来确定的，因此车辆索引指标被引入是为了监视周围车辆对车道的占用率。被主体车辆划分的前，后和侧的车道的占用状态就可以被确定了。如果车辆不在任何一个特定车道上，车辆位置索引算法不会输出任何索引信号。

B 车辆索引指数

正如上面提到的,模式选择器使用前面的车辆信息确定车辆模式改变或保持车道。为了实现模式计算,前面车辆和主体车辆之间的TTC逆值通过计算相对速度和间隙来得到。当TTC逆值变为负，主体车辆发现前面车道变更车道安全。如果前面的车辆占用前面的车道和前面车辆的后方，该模式命令主体车辆保持车道。然而，一个或多个车道是空的或前面的车辆移动速度比前面的车辆块，车辆模式命令主体车辆改变车道。模式选择器生成的模式0和1分别表示车道保持和改变。车道改变操作完成时,模式回到0。

假设目标速度是确定或限速是已知的。如果主体车辆由于前面车辆而降低车速，则主体车辆将通过改变车道到模式选择器所设计的车道以保持所需的速度。

C 车道改变方向决策

如果模式选择器确定模式，如改变车道，车道改变决策算法决定车道改变的方向。为了安全地改变车道，拥有可达集计算器提供的可达集和后面车辆的预测位置的MPC将会保证其安全性。

车道变换指数表示的车道变换方向定义如下：

如果lcindex是1或minus;1，主体车辆分别开始向左或右变道。如果它是0，主体车辆由于高碰撞风险停留它自己的车道，在完成了换道程序之后，该模式将返回到0。

使用车辆模式和车道变化指数将会有一条参考线出现。主体车辆受控制去遵循该参考线。因此,如果模式和车道改变方向控制中心指挥车辆改变车道，参考线改变下一个车道。参考线的定义是由双曲函数的切线函数，这是类似于人类的驱动程序的车道变化行为。

D 安全裕度计算

安全裕度是在该主体车辆可以没有碰撞风险的边界。安全边际是由驾驶模式，如车道保持和车道改变。在车道保持模式下，安全边际需要边界，以保持主体车辆在其车道上和前车间隙。但是在车道变换模式，边界是使用前面和后方车辆的预测信息来确定，以计划安全轨迹。

为了无碰撞驾驶，我们定义了一套满足车辆的环境和主体车辆的条件，以确保安全驾驶。条件如下：

1. 当模式控制器命令车道保持时，主体车辆的行驶车道限制在它自己的车道上。
2. 当模式控制器命令变道时，主体车辆的可用车道边界扩展到下一条车道。
3. 在所有驾驶情况下,车辆总是保持与其他所有车辆的最小安全距离。

第一和第二条件通过横向约束来实现。第三条件取决于环境信息。尤其是第三个条件是很重要的，为了避免与其他车辆相撞，纵向和横向MPC都需要使用。在本文中，我们只专注于车道变换程序。

车道变更安全裕度

计算安全裕度需考虑与前后侧车辆的安全距离。此外，由于安全裕度必须扩展到下一个车道，对于确定横向位置边界，它是非常重要的。

第五章 基于鲁棒模型预测自动驾驶车辆控制设计

鲁棒MPC模型的结构示意图如图6。纵向MPC计算纵向加速度用于适当的车速控制。横向MPC计算转向输入用于使用速度输入序列的车辆状态轨迹。然而，由于这两种MPC都是以标准模型为基础，他们计算出最优控制输入作为额定输入和状态的轨迹，和。干扰抑制控制器在每个采样时间使用适当的控制增益K来计算增强的输入。

自动驾驶系统控制器是由纵向和横向的MPC组成。它使用的环境信息来自外部传感器的和驾驶道路上的一切可被假定为可检测的相当大的传感器。传感器的配置和传感器融合算法的设计是另一个主要问题，在本文中没有解决，但是，假设是可以接受的，因为在外部传感器，如雷达，激光雷达和视觉和处理技术的最新进展。在环境信息的基础上，车辆必须安全地行驶在车道变换或保持环境的情况上。纵向和横向的MPC为自动驾驶车辆的控制输入计算纵向加速度和转向角。

A 约束设计

自动驾驶控制算法的主要目标是保持车辆在正常行驶条件下自主行驶。因此，安全驾驶是整个驾驶过程中最重要的因素之一。由于车辆对车辆或车辆对障碍物的碰撞必须避免，控制输入是需要考虑它作为一个约束。在这一节中，我们详细描述了施加在车辆状态和输入的限制，以保证安全驾驶。

车辆位置约束

对车辆位置约束的分析是为了控制车道改变的算法。在以往的研究中，一种在车辆遇到障碍物前，应在车辆遇到障碍物前完成碰撞的规避条件被提出了[36]。在正常驾驶情况下碰撞约束条件是适当的。另一个研究使用了一个可行间隙的约束设计。可行的间隙被定义和修改，以实现操纵的舒适性。[23,30]

B MPC问题设计

在本节中，我们将车道保持和变化的问题作为一个模型预测控制（MPC）问题。一个关于无人车产生可行的车辆运动的问题可以归结为纵向和横向的MPC问题。在每个采样时间解决约束的有限最优控制问题，计算出最佳的输入序列。MPC的问题可以被定义为一个成本函数、车辆动力学和约束。我们将这个系统模型离散[19][27]成为固定采样时间Ts内的纵向和横向的MPC去运行MPC算法。此外，横向MPC是基于横向线性时变参数模型建立的，该模型利用由纵向MPC产生的速度。成本函数被定义为方程(44)和(45)。

第六章 仿真结果

这一节展示仿真的结果。MPC的问题是通过每个时间下MATLAB / SIMULINK和 cvxgen求解。在CarSim中，具有不足转向特性E级轿车被设定为主体车辆。表1列出了仿真中所用的参数。此外，还有一些用于计算鲁棒MPC不变集的假设。

如图10所示，由MPC控制器计算得到的控制输入，转向角和纵向加速度。当遇到前面的车辆减速时，车辆刹车，然后车辆增加其速度到所需的速度。如图11所示，车辆的状态，如速度和横摆率。图11 -（a），由于前车的原因车辆减少速度。然而，由于设定的速度是60kph，主体车变更车道加速。图11 -（b）横向加速度是

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[147381]，资料为PDF文档或Word文档，PDF文档可免费转换为Word