無人車彎道控制技術研究*

譚寶成　呂　田　李　博

(西安工業(yè)大學電子信息工程學院　西安　710021)

?

無人車彎道控制技術研究*

譚寶成呂田李博

(西安工業(yè)大學電子信息工程學院西安710021)

摘要為了解決無人車在不同彎道工況下對速度、航向的控制調(diào)節(jié)問題,利用車載傾角傳感器按時間序列采集的傾角數(shù)據(jù),采用自回歸分析算法對未來時刻的傾角值進行預測。根據(jù)側(cè)傾角與彎道半徑之間的關系計算出對應的彎道半徑值,以預測的半徑值作為無人車的轉(zhuǎn)向半徑,對車速和方向轉(zhuǎn)角進行調(diào)節(jié),以此控制無人車通過彎道。論文在半徑為30.5m的彎道進行實驗,結(jié)果表明該方法的預測彎道半徑偏差小于1.5m,預測精度較高。

關鍵詞無人車; 彎道半徑; 車身側(cè)傾角; 預測方法

Class NumberTP181

1　引言

無人車彎道行駛時受到側(cè)傾力和橫擺力矩的作用產(chǎn)生轉(zhuǎn)向行為,而如何對無人車的轉(zhuǎn)向行為進行控制取決于彎道的曲率半徑[1],所以無人車的彎道控制在于對彎道半徑的實時預估、轉(zhuǎn)向與速度控制技術的綜合研究分析,得出一個合理的控制策略,使無人車在彎道環(huán)境下[2]能穩(wěn)定、快速、高效地行駛,其中控制技術的關鍵在于對彎道半徑的預估[3]。近年來國內(nèi)外對于彎道半徑的量測技術包括[4]:利用數(shù)字地圖與GPS結(jié)合對車輛行駛軌跡進行擬合得到車輛行駛軌跡,以此預估彎道的半徑,此方法能有效獲得道路曲率信息,但擬合過程較復雜;測量車輛各個車輪的轉(zhuǎn)速值,建立合適的運動學模型,由四個車輪的轉(zhuǎn)速差來估測彎道半徑值,其優(yōu)點是能夠通過行駛軌跡反應道路曲率值,但量測精度受到路況條件的影響較大;采用車載CCD獲取道路前方的圖像,對車道標線的幾何形狀進行擬合,提取車道標線的幾何特征來確定道路的半徑值,成本低、實施性能好,但目前圖像處理算法對曲率進行計算的算法還不成熟,受光線影響程度較大。

文中提出的自回歸分析算法[5]不需要知道車輛操縱特性、路面功率譜特性以及風阻系數(shù)等,僅利用汽車運動本身的歷史傾角數(shù)據(jù)作為時間序列,尋求其中的規(guī)律,建立預測模型實現(xiàn)對彎道半徑的預估。實驗表明該預測算法具有簡便易行,可操作性強,預測精度高的特點。

2　車身側(cè)傾角與彎道半徑關系的研究分析

基于汽車的動力學特性和操縱穩(wěn)定性理論[6]可以知道,車輛在轉(zhuǎn)彎時受到側(cè)向力和橫擺力矩的作用,產(chǎn)生側(cè)向加速度和橫擺角速度。由于側(cè)向加速度的存在,車輛的垂直載荷在兩側(cè)的輪胎發(fā)生轉(zhuǎn)移,從而引起懸架導向桿系的運動及變形,使位于懸架上的車廂發(fā)生側(cè)傾,通過對車輛運動學模型的分析,得到車身側(cè)傾角與側(cè)向加速度之間的關系,繼而根據(jù)ay=v2/R估算得到彎道曲率半徑。

1) 懸掛質(zhì)量離心力引起的側(cè)傾力矩MφrⅠ,如圖1所示,汽車在彎道行駛時,懸掛質(zhì)量m的離心力為

(1)

ay為側(cè)向加速度,單位為9.8m/s2。

圖1　側(cè)傾力矩的確定

可以得到離心力引起的側(cè)傾力矩為:MφrⅠ=F離h,式中h為懸掛質(zhì)量的質(zhì)心至側(cè)傾軸線的距離,h1和h2為車廂前后軸至地面的距離,as和bs為車廂(懸掛質(zhì)量)的質(zhì)心至前、后軸的距離,則:

(2)

2) 側(cè)傾后,懸掛質(zhì)量重力引起的側(cè)傾力矩MφrⅡ。車廂側(cè)傾后,懸掛質(zhì)量的質(zhì)心偏出距離d,因此重力引起的側(cè)傾力矩為

MφrⅡ=GSd≈Gshφr

(3)

3) 獨立懸架中,非懸掛質(zhì)量的離心力引起的側(cè)傾力矩MφrⅢ。以單橫臂獨立懸架為例,其受力如圖2所示,質(zhì)心離地面高度等于車輪半徑r,整個非懸掛質(zhì)量產(chǎn)生的離心力為Fuy。

從土壤養(yǎng)分含量分布看，大體呈中間大兩頭小的趨勢，4級地為主，應提高土地利用率，通過道路、農(nóng)田水利、土壤改良、防護林等工程和生物措施，逐漸向高標準、高質(zhì)量農(nóng)田轉(zhuǎn)化。

圖2　非懸掛質(zhì)量的離心力引起的側(cè)傾力矩

由力矩平衡可知:

(4)

(5)

綜上所述,汽車作圓周運動時其總的側(cè)傾力矩為

Mφr=MφrⅠ+MφrⅡ+MφrⅢ

(6)

結(jié)合式(1)～式(6),可以得到側(cè)向加速度的估算公式為[7]

(7)

代入ay=v2/R即可得到車輛轉(zhuǎn)彎半徑的計算公式:

(8)

由于上述參數(shù)隨汽車運動狀態(tài)變化的改變很小,可忽略不計,可以把K值當作一個固定的比例系數(shù)進行試驗測量得到。其中試驗彎道的半徑為30.5m,車速與側(cè)傾角的變化關系如圖3所示。

圖3　側(cè)傾角與速度的變化關系

通過圖3可以看出,試驗無人車在半徑為30.5m的彎道在1.9m/s～8.2m/s的速度范圍內(nèi)行駛時,速度與車身側(cè)傾角成平方根曲線關系,無人車處于操縱穩(wěn)定的行駛狀態(tài),由式(4)可以計算得到K值為0.71。當速度超過8.2m/s時,車身側(cè)傾角隨車速的變化率加快,這是由于當車速增大到8.2m/s時,車身的側(cè)向加速度超過0.4g,輪胎的側(cè)偏剛度發(fā)生改變,較小的速度增量便會引起較大的傾角波動,無人車處于不穩(wěn)定的行駛狀態(tài)。

3　自回歸分析算法對車身側(cè)傾角的預測

自回歸分析算法是通過時間序列的歷史數(shù)據(jù)來揭示現(xiàn)象隨時間變化的規(guī)律,根據(jù)該變量自身過去的規(guī)律來建立預測模型[9],將這種規(guī)律延伸到未來,從而對該現(xiàn)象的未來作出預測。用對側(cè)傾角數(shù)據(jù)進行預測分析的模型建立如下

xi=a1xt-1+a2xt-2+…+apxt-p+εt

(9)

其中φt-1,φt-2,…,φ1為按時間順序所測得的傾角值,p階自回歸模型的誤差方程為

…

(10)

可以得到誤差方程簡寫為

(11)

(12)

上面討論中都是從t=p+1時刻開始觀測的,即在n個觀測值之中取n-p個有效觀測值。相應n-p個觀測數(shù)據(jù)的殘差平方和KLS為

(13)

對于自回歸模型的階數(shù)采取最小AIC準則,對于自回歸AR模型[10],需要預先指定階數(shù)的最大范圍,一般取n的比例或者lnn的倍數(shù)。假定模型階數(shù)上界為p,設回歸模型的級數(shù)為p0,它使的值最小,其AIC(p)一般形式為

(14)

(15)

4　實驗結(jié)果分析

表1　不同速度下試驗記錄的傾角值

為了驗證文中算法的可行性,試驗采用半徑為30.5m的試驗彎道,控制無人車跟隨彎道曲率行駛,此時車輛的轉(zhuǎn)彎半徑可看作彎道的半徑。式中的K取上一節(jié)所測值0.71。控制無人車分別以4m/s,5m/s,6m/s的速度過彎,利用數(shù)字傾角傳感器采集得到每個速度下按時間序列的15組傾角數(shù)據(jù),如表1所示。

根據(jù)最小AIC定階準及自回歸算法,在Matlab中進行運算得到的結(jié)果如下:4m/s速度下測得的傾角值的參數(shù)估計為

φt=0.031042φt-1+0.438762φt-2+0.520345φt-3

=0.031042×0.72+0.438762×0.78

+0.520345×0.71=0.73

(16)

圖4　無人車4m/s速度的過彎軌跡

圖5　無人車5m/s速度的過彎軌跡

從圖4和圖5中可以看出,無人車以4m/s與5m/s的速度通過實驗彎道,以預測的半徑為準對無人車進行控制調(diào)節(jié),車輛的行駛路徑與彎道路徑的最大偏差為1.2m,最小偏差為0.5m,控制效果良好。

5　結(jié)語

根據(jù)車輛的側(cè)傾角與彎道半徑的對應關系,利用傾角傳感器采集的傾角數(shù)據(jù),采用自回歸算法預測下一時刻傾角值,預估出半徑值,進而調(diào)節(jié)無人車的轉(zhuǎn)向半徑與預測得到的彎道半徑相一致,控制無人車通過彎道。在半徑為30.5m的彎道進行實驗,結(jié)果表明該方法的預測偏差小于1.5m,彎道半徑的預測精度較高,無人車的過彎效果較好。

參 考 文 獻

[1] 王德平,郭孔輝,宗長富.車輛動力學穩(wěn)定性控制的理論研究[J].汽車工程,2000,1:7-9.

WANG Deping, GUO Konghui. Theoretical Study on Vehicle Dynamics Stability Control[J]. Automotive Engineering,2000,1:7-9.

[2] 張立廣,譚寶成,馬天力.無人駕駛車輛路徑跟蹤控制器的設計及實現(xiàn)[J].西安工業(yè)大學學報,2013,8:680-684.

ZHANG Liguang, TAN Baocheng, MA Tianli. Path Tracking Design and Research of Unmanned Vehicle[J]. Xi’an Technological University,2013,8:680-684.

[3] 付皓.汽車電子穩(wěn)定性系統(tǒng)質(zhì)心側(cè)偏角估計與控制策略研究[D].長春:吉林大學,2008.

FU Hao. Research on Sideslip Angle Estimation and Control Algorithm for Vehicle Electronic Stability System[D]. Changchun: jilin University,2008.

[4] 詹盛.車輛主動安全系統(tǒng)關鍵預測算法研究[D].西安:長安大學,2014.

ZHAN Sheng. Research on Key Prediction Algorithms of Vehicle Active Safety System[D]. Xi’an: Chang’an University,2014.

[5] 徐慧娟.自回歸AR模型的整體最小二乘分析研究[D].上海:東華理工大學,2009.

XU HuiJuan. The Autoregressive Model of Total Least Square Analysis[D]. Shanghai: East China University Of Science and Technology,2009.

[6] 余志生.汽車理論[M].北京:機械工業(yè)出版社,2009.

YU Zhisheng. Automobile theory[M]. Beijing: Mechanical Industry Press,2009.

[7] 張勇,殷承良,張建武.車輛質(zhì)心側(cè)向速度實時估計方法[J].機械工程學報,2008,2:219-222.

ZHANG Yong, YIN Chengliang. Real-time Estimation Alogroithm of Vehicle Lateral Speed[J]. Chinese Journal of Mechanical Engineering,2008,2:219-222.

[8] 林棻,黃超.汽車質(zhì)心側(cè)偏角估計的研究現(xiàn)狀及發(fā)展[J].中國機械工程,2013,1:135-141.

LIN Fen, HUANG Chao. State-of-the-Art Of Vehicle Side Silp Angle Estimation[J]. China Mechanical Engineering,2013,1:135-141.

[9] 郭洪艷,陳虹,趙海艷,等.汽車行駛狀態(tài)參數(shù)估計研究進展與展望[J].控制理論與應用,2013,6:661-672.

GUO Hongyan, CHEN Hong, ZHAO Haiyan, et al. State and Parameter Estimation for Running Vehicle: Recent Developments and Perspective[J]. Control Theory & Applications,2013,6:661-672.

[10] 牛潤新,夏靜霆,汪小華,等.智能車輛路徑巡航和自主避障的觸須算法[J].交通運輸工程學報,2010,6:53-58.

NIU Ruixin, XIA Jingting, WANG Xiaohua, et al. Tentacle algorithm of obstacle avoidence and autonomous driving for intelligent vehicle[J]. Journal of Traffic and Transportation Engineering,2010,6:53-58.

收稿日期:2015年10月8日,修回日期:2015年11月23日

基金項目:中央財政支持地方高校專項發(fā)展基金(編號:CXY1080)資助。

作者簡介:譚寶成,男,教授,碩士生導師,研究方向:計算機控制系統(tǒng),復雜控制系統(tǒng)以及遠程控制系統(tǒng)。呂田,男,碩士研究生,研究方向:計算機控制系統(tǒng)。李博,男,碩士研究生,研究方向:計算機控制系統(tǒng)。

中圖分類號TP181

DOI:10.3969/j.issn.1672-9722.2016.04.007

Curve Control Technology on Unmanned Vehicle

TAN BaochengLV TianLI Bo

(School of Electronic Information Engineering, Xi’an Technological University, Xi’an710021)

AbstractIn order to solve the unmanned vehicle operating conditions in the different corners of speed, heading control problem, using on-board angle sensor inclination of the data according to time sequence, self regression analysis algorithm inclination value of the future is used for the moment forecast. According to the roll angle and the relationship between the bend radius calculated curve radius value of the corresponding, regarding the opredicted radius of the value as the unmanned vehicle steering radius, the speed and direction angle are adjusted. Based on the curve experiment with radius of 30.5 meters, the results show that the method of forecasting curve radius deviation is less than 1.5 meters, higher prediction precision.

Key Wordsunmanned car, bend radius, nonlinear system, prediction method