关键词:
车辆状态估计
多传感器融合
H_∞/AKF
纵向动力学控制
鲁棒控制
摘要:
近几年,自动驾驶技术高速发展,成为了汽车专业领域的热点话题。市面上的自动驾驶汽车已经具备了在一些特定典型场景中实现无人驾驶运行的能力,但面对多种多样的突发情况,还是无法完全保证车内人员的安全。主要原因在于车辆的感知系统与控制系统易受环境噪声和系统噪声的干扰,导致汽车感知与控制误差较大。针对以上问题,本文针对基于多传感器融合的车辆纵向动力学鲁棒控制方法展开研究,主要研究工作如下:(1)车辆动力学状态估计。考虑在实际中车辆的横纵向车速、轮胎-路面摩擦系数、轮胎刚度等车辆状态参数测量比较困难,提高对本车辆运动状态的观测精度和鲁棒性,设计了三个模块化状态观测器对车辆的行驶状态进行估计。首先,针对实际车辆中车轮转速传感器易受环境噪声干扰的问题,基于车轮动力学模型设计了车轮转速观测器,并基于李雅普诺夫理论证明了观测器的稳定性;然后,考虑到环境中加性噪声的干扰,基于车辆七自由度动力学模型和Dugoff轮胎模型,针对车辆的横纵向车速、横摆角速度和轮胎-路面摩擦系数设计了非线性状态观测器,并基于李雅普诺夫稳定性求解了观测器的增益范围,同时证明了所设计观测器的收敛性和鲁棒性;最后,基于Dugoff轮胎模型,利用递归最小二乘(Recursive Least Square,RLS)方法对轮胎的侧偏刚度和扭转刚度进行了估计,并引入了遗忘因子以调节观测值的收敛速度。(2)多传感器数据融合。考虑环境的动态不确定性以及传感器系统的随机干扰,为提高感知系统的冗余度、鲁棒性和精确性,提出了一种新的多传感器数据融合方法。首先,基于匈牙利算法对多传感器的感知障碍物进行目标关联,减小因多传感器感知目标匹配错误而引起的融合误差;然后,考虑到系统建模不确定性、环境噪声不确定性等干扰,结合H∞滤波和自适应卡尔曼滤波(Adaptive Kalman Filter,AKF)的优势,提出了一种混合H∞/AKF的数据融合方法,并在AKF中引入了衰减因子,避免因环境噪声导致的误差累积引起系统发散。最后,考虑到道路曲率带来的横向偏移量,设计了本车道最近目标车辆(Closest In-Path Vehicle,CIPV)的筛选逻辑,并将CIPV的多传感器融合信息用于车辆纵向动力学控制。(3)车辆纵向动力学控制。针对车辆系统的不确定性问题,考虑智能车的安全性、舒适性等约束条件,提出车辆纵向动力学鲁棒最优控制算法,基于H∞控制理论建立车辆纵向动力学鲁棒性设计准则,实现车辆的纵向鲁棒控制。首先,基于卡尔曼滤波(Kalman Filter,KF)算法,融合传感器感知的车道信息和车辆动力学信息对道路的曲率进行估计;然后,基于融合的道路曲率对跟车时距和安全车速进行设计,实现车辆在跟驰场景下的自适应控制;最后,考虑底盘系统不确定性和系统建模不确定性的扰动,利用李雅普诺夫稳定性理论设计了基于H∞的车辆纵向动力学闭环控制器。(4)硬件在环验证。针对本文所提出的方法,建立了多种不同的硬件在环测试场景进行验证,结果表明,所提出的基于多传感器融合的车辆纵向动力学鲁棒控制方法能满足车辆的舒适性、安全性、鲁棒性和实时性要求,可应用于实际的车辆控制器和智能驾驶场景。