Explication détaillée des méthodes de contrôle couramment utilisées pour la planification et le contrôle des voitures intelligentes

Le contrôle est la stratégie qui fait avancer le véhicule. L'objectif du contrôle est d'utiliser des quantités de contrôle réalisables pour minimiser les écarts par rapport à la trajectoire cible, maximiser le confort des passagers, etc.

Comme le montre la figure ci-dessus, les modules associés à l'entrée du module de contrôle comprennent le module de planification, le module de positionnement et les informations sur le véhicule, etc. Le module de positionnement fournit des informations de localisation du véhicule, le module de planification fournit des informations de trajectoire cible, et les informations sur le véhicule comprennent le rapport, la vitesse, l'accélération, etc. Les sorties de commande sont les grandeurs de direction, d'accélération et de freinage.

Le module de contrôle est principalement divisé en contrôle horizontal et contrôle vertical. Selon les différentes formes de couplage, il peut être divisé en deux méthodes : indépendante et intégrée.

1 Méthode de contrôle

1.1 Contrôle de découplage

Le contrôle dit de découplage signifie contrôler indépendamment les méthodes de contrôle horizontales et verticales.

1.2 Contrôle de couplage

Le contrôle de couplage prend en compte les problèmes de couplage qui existent en contrôle horizontal et vertical. Un exemple typique est qu'une voiture ne peut pas prendre un virage à grande vitesse car lorsque la vitesse longitudinale est trop élevée, la vitesse angulaire latérale doit être limitée, sinon la force centripète ne peut pas satisfaire l'accélération centripète.

La méthode représentative typique de l'intégration horizontale et verticale est le contrôle prédictif de modèle linéaire variable dans le temps. Cette méthode ajoute des contraintes conjointes horizontales et verticales sur la base du contrôle prédictif du modèle. Comme les contraintes d'accélération centripète maximale, etc.

1.3 Contrôle latéral

Comme le montre la figure ci-dessus, le contrôle latéral peut être divisé en méthodes géométriques, méthodes basées sur un modèle cinématique et méthodes basées sur un modèle dynamique.

1.3.1 Contrôle anticipatif

Le contrôle dit anticipatif signifie compenser de manière appropriée la quantité de contrôle à l'avance en fonction des informations du point de suivi. Un exemple typique consiste à utiliser les informations de courbure dans les points de la séquence de suivi pour compenser l'angle de rotation.

1.3.2 Forme chaînée

Le système chaîné effectue une linéarisation multicouche du système non linéaire. Il décompose le système couche par couche et peut accélérer le système, de la même manière que le système de filtrage [3].

Le modèle du système en coordonnées Frenet :

Après le budget intégral inverse, le taux de contrôle peut être obtenu :

1.3.3 Lyapunov

Basé sur Li Yap La conception de la méthode de stabilité Nove peut être appliquée aux modèles cinématiques et dynamiques. L'idée de base est d'abord d'établir un modèle cinématique ou dynamique, de proposer une méthode de suivi basée sur le modèle, puis d'établir une fonction de Lyapunov pour prouver la stabilité asymptotique du système en boucle fermée via la stabilité de Lyapunov [4].

• Modèle cinématique

Comme le montre la figure ci-dessus, le point actuel de la voiture est P et le point cible de suivi est Pr. est la différence de pose entre la position actuelle et le point cible, et sont respectivement la vitesse de référence et la vitesse angulaire. Conception de la fonction Lyapunov :

Conception du taux de suivi :

Enfin, en limitant les paramètres de conception des contraintes, la stabilité asymptotique du taux de suivi est prouvée, c'est-à-dire lorsque → ∞, → 0 .

• Modèle dynamique

Établissez d'abord le modèle cinétique :

où :

commander

Alors l'erreur est :

Fonction de coût de conception :

Taux de contrôle de conception :

Prouvez enfin la stabilité asymptotique.

1.3.4 Pure Pursuit

Pure tracking est un contrôleur de suivi de chemin géométrique. Ce contrôleur utilise la relation géométrique entre le mouvement du véhicule et la trajectoire de référence pour suivre le contrôleur de la trajectoire de référence. Cette méthode de contrôle utilise le centre de l'essieu arrière du véhicule comme point de référence.

Selon la figure ci-dessus, la commande d'angle de roue avant peut être dérivée :

où R est le rayon de braquage, L est l'empattement du véhicule et e est l'attitude actuelle du véhicule et du waypoint cible dans la direction latérale L'erreur de , est la distance de visée avant et .

Selon les données expérimentales de la figure ci-dessus, à mesure que la distance prospective augmente, la gigue de suivi devient de plus en plus petite. Une distance de guidon plus courte permet un suivi plus précis, tandis qu'une distance de guidon plus longue permet un suivi plus fluide. Une autre caractéristique du PurePursuit est qu'une distance excessive du guidon peut provoquer des « raccourcis » lors du suivi des virages. Le Pure Pursuit est un compromis difficile entre stabilité et performances de suivi.

1.3.5 Stanley

Différent de la méthode de poursuite pure et de suivi pur qui utilise l'axe arrière comme point de référence, le contrôleur Stanley utilise l'axe avant comme point de référence. Il prend en compte à la fois les erreurs de cap et les erreurs latérales. Le contrôleur Stanley prend en compte non seulement les erreurs de cap mais également les erreurs latérales.

Selon la figure ci-dessus, la commande d'angle de la roue avant peut être dérivée :

Selon les données expérimentales de la figure ci-dessus, à mesure que k augmente, les performances de suivi seront également s'améliorer. Stanley n'a pas assez de stabilité comme Pure Pursuit lorsque la vitesse du véhicule augmente.

1.3.6 LQR

La méthode basée sur le modèle cinématique du véhicule ignore les caractéristiques dynamiques du véhicule, de sorte que l'algorithme ne peut pas satisfaire le contrôle de stabilité du véhicule lorsque la vitesse du véhicule est trop rapide ou que la courbure change Le taux est trop élevé. Pour les méthodes de contrôle basées sur des modèles de dynamique du véhicule, la tâche principale est de modéliser la dynamique du véhicule. Étant donné que le modèle dynamique précis à deux degrés de liberté est non linéaire, afin de faciliter les calculs de contrôle de suivi en temps réel, il est généralement nécessaire de faire quelques approximations simplifiées basées sur le modèle dynamique précis à deux degrés de liberté pour obtenir un modèle dynamique linéaire à deux degrés de liberté.

• Modèle dynamique à deux degrés de liberté du véhicule :

• LQR :

Le régulateur quadratique linéaire (LQR) est un contrôleur basé sur un modèle, qui utilise l'état du véhicule pour minimiser l'erreur. La théorie LQR est la méthode de conception d’espace d’état la plus ancienne et la plus mature de la théorie du contrôle moderne. LQR peut obtenir la loi de contrôle optimale de la rétroaction linéaire d'état et est facile à former un contrôle optimal en boucle fermée.

La conception optimale de LQR signifie que le contrôleur de rétroaction d'état conçu K doit minimiser la fonction objectif quadratique J, et K est déterminé de manière unique par les matrices de poids Q et R, de sorte que la sélection de Q et R est particulièrement importante. La formule suivante est la fonction de coût LQR :

Selon le modèle de dynamique du véhicule et la fonction de coût LQR, l'équation algébrique de Riccati peut être dérivée :

Enfin, la matrice de rétroaction est ​​calculé via l'équation itérative de Riccati, puis obtenir la quantité de contrôle optimale en fonction de la matrice de rétroaction.

1.3.7 MPC

MPC (Model Prediction Control) est un type de problème de contrôle d'optimisation dédié à la décomposition de périodes plus longues, voire infinies, en plusieurs périodes plus courtes, ou périodes de temps finies. problème dans un laps de temps, tout en poursuivant la solution optimale dans une certaine mesure.

MPC se compose des trois éléments suivants :

1. Modèle de prédiction : le modèle de prédiction peut très bien prédire les changements dans l'état du système dans un court laps de temps
2. Optimisation continue en ligne : étant donné que les résultats obtenus par le modèle de prédiction s'écartent toujours de la situation réelle, l'optimisation continue est utilisé pour trouver chaque instant Pour la solution optimale locale sous le problème, généralement une fonction cible (perte) sera conçue et convertie en un problème de programmation quadratique pour trouver la solution optimale
3. Correction du feedback : refaites-le selon ; le nouvel état au prochain instant Prédiction et optimisation.

• Modèle de prédiction :

Un modèle de prédiction peut être dérivé sur la base du modèle de dynamique du véhicule dans LQR.

• Optimisation du roulement :

Fonction de coût MPC :

Sur la base du modèle de prédiction, des contraintes latérales du véhicule et de la fonction de coût, le contrôle correspondant les instructions peuvent être obtenu par optimisation et résolution.

1.3.8 Comparaison des algorithmes de contrôle horizontal

1.4 Vertical

Comme le montre la figure ci-dessus, le contrôle vertical utilise généralement la méthode de contrôle pid en cascade.

2 Conception détaillée

La conception du contrôleur est celle indiquée dans la figure ci-dessus, où Controller est la classe de base et LonController, LonController et MPCController héritent de cette classe de base. LonController a dérivé des sous-classes telles que LQRController, LyapunovController et StanleyController.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!