一种基于最大相关熵准则的智能车辆路径跟踪方法

摘要

本发明公开了一种基于最大相关熵准则的智能车辆路径跟踪方法，提出了一种基于MCC的MPC路径跟踪模型，并推导相关快速算法对该模型进行求解，以此来解决了车辆路径跟踪过程中存在定位漂移和噪声的问题，并很好的解决了优化求解时需要转化成QP形式的问题，加速了控制量的迭代更新，极大地提高了算法的鲁棒性，使得智能无人车辆在路径跟踪过程中更加有效。

说明书

技术领域

本发明属于智能车辆路径跟踪控制技术领域，具体涉及一种基于最大相关熵准则的智能车辆路径跟踪方法的设计。

背景技术

在智能车辆系统中，路径跟踪系统是其非常核心的一个子系统，它的任务就是控制车辆在尽可能小的误差下跟踪上已规划好的轨迹。目前路径跟踪控制常用的方法有PID控制、滑模变结构控制、自适应控制等等。

PID控制是在工业控制领域应用非常广泛的一种控制算法，这种方法具有不需要搭建模型的优势，但其控制参数需要一次次不断的试验试凑出来，这是一项枯燥繁琐耗时的工作，当车速发生变化时，当前的控制参数就不适合控制车速，需要再一次试凑控制参数。所以PID虽然简单但对车速的适应性极差，其他车辆参数或道路环境参数对PID控制的影响也很大。

滑模变结构控制是一类特殊的非线性控制，其非线性表现为控制的不连续性，这种控制策略与其它控制的不同之处在于系统的“结构”并不固定，而是可以在动态过程中根据系统当前的状态(如偏差及其各阶导数等)有目的地不断变化，迫使系统按照预定“滑动模态”的状态轨迹运动。由于滑动模态可以进行设计且与对象参数及扰动无关，这就使得变结构控制具有快速响应、对参数变化及扰动不灵敏、无需系统在线辩识，物理实现简单等优点。该方法的缺点在于当状态轨迹到达滑模面后，难于严格地沿着滑模面向着平衡点滑动，而是在滑模面两侧来回穿越，从而产生颤动，即抖振问题，这就导致很难保证车辆在较强跟踪能力下的稳定性。

自适应控制方法就是需要系统具有很强的实时学习能力，通过反馈来调整系统的控制率，然后再用反馈作用后的控制率对整个系统进行控制，通过不断的反馈调节来实现系统的渐进稳定。但是这种方法在计算与公式推导上都比较复杂，对其他条件的要求比较高，实现起来较为困难，并且模型误差与扰动因素等不确定因素对系统的影响很大，所以车辆的控制稳定性往往很差。

发明内容

本发明的目的是为了解决智能无人驾驶车辆在路径跟踪控制的过程中自身状态常存在冲击噪声或局外点干扰(如GPS定位漂移、传感器信息不准确等)的问题，提出了一种基于最大相关熵准则的智能车辆路径跟踪方法，能够有效的抑制或消除来自噪声或局外点的影响，从而实现车辆的稳定路径跟踪，并采用了一种新的快速迭代求解算法，解决了传统优化问题在求解时需要转化为QP(Quadratic Programming，二次规划)形式的问题。

本发明的技术方案为：一种基于最大相关熵准则的智能车辆路径跟踪方法，包括以下步骤：

S1、建立智能车辆的车辆运动学模型。

S2、将车辆运动学模型离散化，得到预测时域方程。

S3、对预测时域方程进行优化，得到MPC问题。

S4、采用最大相关熵准则建立MPC问题模型。

S5、求解MPC问题模型，实现对智能车辆的路径跟踪。

进一步地，步骤S1中智能车辆的车辆运动学模型基于以下假设：

假设一：只考虑车辆在X-Y水平面方向的运动而忽略车辆在Z轴方向的运动。

假设二：车辆左右轮子在转向时转角相同，因而在建模时可以合并为一个轮子。

假设三：车速变化较慢，可以忽略前后轴的负载转移。

假设四：车体和悬挂系统是刚性的。

进一步地，步骤S1具体为：

在惯性坐标系下，建立智能车辆的车辆运动学模型为：

其中(X

将车辆运动学模型表示为一般形式：

其中状态量

参考系统的任意时刻的状态和控制量满足：

在任意参考点(X

其中J

将公式(4)与公式(3)相减得到车辆运动学模型的最终表示形式：

其中

进一步地，步骤S2具体为：

根据车辆运动学模型构建智能车辆的离散线性模型为：

x(k+1)＝A

其中A

令：

其中ξ(k|k)表示人为设置的状态参数在离散线性模型中引入的控制增量，x(k|k)表示当前状态量，u(k-1|k)表示上一时刻的控制量。

将公式(6)表述为它的等价形式：

其中η为输出量，

假设预测时域为N

其中Δu(k|k)为当前时刻控制增量，令：

其中y表示预测时域内的输出矩阵，ψ

y＝ψ

进一步地，步骤S3具体为：

根据预测时域方程，得到整个预测时域的期望输出y

其中η

其中u

进一步地，步骤S4具体为：

将最大相关熵准则作为距离矩阵，建立MPC问题模型为：

其中σ表示控制带宽的内核函数参数。

根据公式(11)和公式(12)将MPC问题模型表示为：

其中e

Δu

简化约束后，将MPC问题模型表示为如下形式：

其中A＝[B

进一步地，步骤S5包括以下分步骤：

S51、对MPC问题模型加入惩罚项得到其简化形式：

其中ρ为松弛因子，[·]

S52、采用半二次技术对MPC问题模型的简化形式进行重建。

S53、采用BCU加速迭代方法求解重建后的MPC问题模型，实现对智能车辆的路径跟踪。

进一步地，步骤S52具体为：

令

其中

设

其中p

其中

进一步地，步骤S53中的BCU加速迭代方法具体为：

A1、设置Δu

其中上标t表示迭代次数，D

ω

A2、设置迭代次数t＝0，初始化设置

其中映射p

A3、判断算法是否收敛，若是则输出得到控制增量Δu

A4、通过矩阵计算得到梯度：

对于任意

其中

同时设置权重系数ω

其中

A5、根据Lipschitz常数

A6、采用更新算法更新得到

A7、判断是否满足

A8、根据公式(27)更新得到p

A9、令迭代次数t加1，返回步骤A3。

进一步地，步骤A6中的更新算法具体为：

B1、根据公式(24)得到：

其中

B2、令

B3、若(e

B4、判断迭代次数i是否达到上限d，若是则进入步骤B5，否则令迭代次数i加1，返回步骤B3。

B5、输出(Δu)

本发明的有益效果是：本发明提出了一种基于MCC的MPC路径跟踪模型，并推导相关快速算法对该模型进行求解，以此来解决了车辆路径跟踪过程中存在定位漂移和噪声的问题，并很好的解决了优化求解时需要转化成QP形式的问题，加速了控制量的迭代更新，极大地提高了算法的鲁棒性，使得智能无人车辆在路径跟踪过程中更加有效。

附图说明

图1所示为本发明实施例提供的一种基于最大相关熵准则的智能车辆路径跟踪方法流程图。

图2所示为本发明实施例提供的简化前轮转向车辆运动学模型示意图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于最大相关熵准则的智能车辆路径跟踪方法，如图1所示，包括以下步骤S1～S5：

S1、建立智能车辆的车辆运动学模型。

对于路径跟踪问题，不仅要知道车辆的位置信息，车辆的动态状态也是很重要的。运动学从几何的角度研究目标的运动特性，包括目标在时空中的位置和速度的改变。因此，车辆运动学模型能够反映车辆位置、速度和加速度之间的关系。建立模型的时候，模型在反映车辆运动特性的同时应该尽可能的简单，本发明实施例中基于以下假设采用自行车模型：

假设一：只考虑车辆在X-Y水平面方向的运动而忽略车辆在Z轴方向的运动。

假设二：车辆左右轮子在转向时转角相同，因而在建模时可以合并为一个轮子。

假设三：车速变化较慢，可以忽略前后轴的负载转移。

假设四：车体和悬挂系统是刚性的。

基于上述假设简化得到的前轮转向车辆运动学模型如图2所示，在惯性坐标系下，建立智能车辆的车辆运动学模型为：

其中(X

将车辆运动学模型表示为一般形式：

其中状态量

参考系统的任意时刻的状态和控制量满足：

在任意参考点(X

其中J

将公式(4)与公式(3)相减得到车辆运动学模型的最终表示形式：

其中

S2、将车辆运动学模型离散化，得到预测时域方程。

根据车辆运动学模型构建智能车辆的离散线性模型为：

x(k+1)＝A

其中A

令：

其中ξ(k|k)表示人为设置的状态参数在离散线性模型中引入的控制增量，x(k|k)表示当前状态量，u(k-1|k)表示上一时刻的控制量。

将公式(6)表述为它的等价形式：

其中η为输出量，

假设预测时域为N

其中Δu(k|k)为当前时刻控制增量，令：

其中y表示预测时域内的输出矩阵，ψ

y＝ψ

S3、对预测时域方程进行优化，得到MPC问题。

根据预测时域方程，得到整个预测时域的期望输出y

其中η

其中u

S4、采用最大相关熵准则建立MPC问题模型。

公式(15)能够被转化成二次规划(Quadratic Programming，QP)问题，并且很容易通过工具箱进行求解。这个问题通过二次距离矩阵进行建模，并且它对异常值是敏感的。因为它对异常值的鲁棒性，本发明实施例使用最大相关熵准则(Maximum CorrentropyCriterion，MCC)来建立MPC问题的模型。

将最大相关熵准则作为距离矩阵，建立MPC问题模型为：

其中σ表示控制带宽的内核函数参数。

根据公式(11)和公式(12)将MPC问题模型表示为：

其中e

Δu

简化约束后，将MPC问题模型表示为如下形式：

其中A＝[B

S5、求解MPC问题模型，实现对智能车辆的路径跟踪。

步骤S5包括以下分步骤S51～S53：

S51、对MPC问题模型加入惩罚项得到其简化形式：

其中ρ为松弛因子，[c]

S52、采用半二次技术(Half Quadratic Technique)对MPC问题模型的简化形式进行重建。

令

其中

设

其中p

其中p＝(p

S53、采用BCU加速迭代方法求解重建后的MPC问题模型，实现对智能车辆的路径跟踪。

BCU加速迭代方法是在每次迭代中，依次更新变量Δu

本发明实施例中，BCU加速迭代方法具体为：

A1、设置Δu

其中上标t表示迭代次数，D

ω

A2、设置迭代次数t＝0，初始化设置

其中映射p

A3、判断算法是否收敛，若是则输出得到控制增量Δu

A4、通过矩阵计算得到梯度：

对于任意

其中

同时设置权重系数ω

其中

A5、根据Lipschitz常数

A6、采用更新算法更新得到

本发明实施例中，更新算法具体为：

B1、根据公式(24)得到：

其中

B2、令

B3、若(e

B4、判断迭代次数i是否达到上限d，若是则进入步骤B5，否则令迭代次数i加1，返回步骤B3。

B5、输出(Δu)

A7、判断是否满足

A8、根据公式(27)更新得到p

A9、令迭代次数t加1，返回步骤A3。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。