基于域架构的纵横向结合行人紧急避障系统研究

针对行人横穿场景,提出了一种基于域架构的纵横向结合的紧急避障策略。首先,搭建基于域架构的行人紧急避障系统,通过最大减速度模型和多项式组,拟合纵横向轨迹决策规划方法,并基于采样离散数值计算法,综合考虑避障安全距离、动力学约束和平顺性的成本函数,选取最优轨迹;然后,分别使用双环比例-积分-微分(PID)、线性二次型调节器(LQR)控制方法,实现对纵横向的运动控制;最后,通过PreScan、CarSim和Simulink联合仿真及域架构系统延时分析,验证了该避障系统的适用性,有效提升了道路安全性。

基于微分几何的四轮独立驱动车辆运动解耦控制研究

针对车辆在纵向运动和横摆运动时的强耦合关系给车辆动力学控制带来的困难,以四轮独立电驱动车辆作为研究对象,基于微分几何理论设计了车辆系统运动解耦控制方法,将非线性强耦合的四轮驱动车辆动力学系统解耦为纵向和横向两个相对独立运动控制子系统,并设计了鲁棒控制器,以提高抵抗车辆行驶时不确定外力如侧风的干扰能力。基于Trucksim软件建立四轮驱动车辆模型,并针对车辆解耦控制策略和抗干扰策略进行了仿真测试。结果表明,相比于无解耦控制的车辆,采用微分几何解耦控制的四轮独立驱动车辆纵向速度偏差降低了82.1%,横摆角速度偏差降低了80.7%,且微风干扰下的抗干扰能力明显改善,车辆稳定性显著提升。为验证该运动解耦控制策略在实时系统中的控制效果,还进行了硬件在环试验,结果表明,硬件在环试验的结果与仿真结果一致。

自适应均衡学习的端到端类人驾驶控制决策网络

针对现有端到端自动驾驶网络对于类人驾驶行为与思维特征模拟不足的问题,从类人驾驶特征出发,设计了一个包含时空特征、历史状态特征及未来特征的端到端类人驾驶控制决策网络。采用多层卷积和长短期卷积时序记忆网络(Conv-LSTM),对前方道路视觉感知图像时间序列进行时空特征提取,同时采用一维卷积和长短期时序记忆网络(Long Short-Term Memory,LSTM)对车辆状态信息时间序列进行历史状态特征提取,进而采用多任务参数共享方式进行当前时刻和未来序列的方向盘转角、车速的控制决策,并以未来序列作为辅助任务督促当前时刻的主任务学习。为更好地耦合汽车纵横向控制参数学习的过程,还提出一种权衡纵横向控制参数损失量级及学习速度的权重自适应方法,并引入容差阈值,建立衡量纵横向控制参数训练效果的评价方法。依托Comma2k19数据集对所构建控制决策网络进行训练和验证,体现出良好的可行性及优越性。

基于速度策略的纵横向驾驶员模型

建立全面准确的驾驶员模型是人机共驾仿真的前提。基于单点预瞄理论设计横向驾驶员模型,可用于跟踪任意曲率的道路。根据弯道半径制定速度策略,基于纵向加速度反馈,制定节气门开度和主缸压力控制策略,设计纵向驾驶员模型,实现转向与车速的解耦控制。仿真结果表明,该驾驶员模型可准确跟踪路径与车速。

融合稳定性的高速无人驾驶车辆纵横向协调控制方法

提出了一种纵横向协调控制的路径跟踪控制方法;建立了车辆预瞄误差模型和考虑路面地形的高速车辆等效动力学模型,以此引入道路曲率地形因素;基于模糊规则设计了预瞄距离发生器,解决预瞄误差模型中固定预瞄距离的问题;建立了预测时域与道路曲率的函数关系,运用模型预测控制算法求解前轮转角,从而建立路径跟踪控制器;运用指数模型表示车辆期望车速,设计了比例积分微分纵向控制器控制车速以改善路径跟踪精度;运用质心侧偏角相平面图表征车辆稳定性特征,设计比例积分微分稳定性控制器以改善车辆稳定性。研究结果表明:提出的控制方法能在不同附着系数路面上对车辆跟踪性能进行优化,在干燥沥青路面以车速90 km·h-1行驶时,与只运用模型预测控制算法进行路径跟踪控制的车辆相比,最大横向误差可减少33%;在潮湿沥青路面以车速70 km·h-1行驶时,与只运用模型预测控制算法进行路径跟踪控制的车辆相比,最大横向误差可减少30%;在冰雪路面以车速55 km·h-1行驶时,与只运用模型预测控制算法进行路径跟踪控制的车辆相比,最大横向误差可减少16%。可见,所提出的控制方法能有效改善路径跟踪精度。