集成多种驾驶任务与驾驶需求是自动驾驶决策控制技术的发展趋势。多任务集成后的驾驶工况范围拓展,导致决策控制的复杂度与维度激增,使得现有方法无法满足多种工况下的高安全性与高舒适性等驾驶需求,以及高实时性的应用需求。为此,基于...集成多种驾驶任务与驾驶需求是自动驾驶决策控制技术的发展趋势。多任务集成后的驾驶工况范围拓展,导致决策控制的复杂度与维度激增,使得现有方法无法满足多种工况下的高安全性与高舒适性等驾驶需求,以及高实时性的应用需求。为此,基于非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)理论,提出了具备多种驾驶功能且满足多种需求的高实时性的决策控制方法。首先,针对驾驶工况拓展后显著的需求指标冲突问题,基于需求优先级等特点设计了需求指标的调度策略,该策略通过动态调整需求指标的集成方式消解冲突。随后,针对复杂指标函数以及大量模型离散点会降低NMPC求解效率的问题,基于灵敏度理论,通过传递函数的幅频特性分析了控制量对需求指标的影响因素,并进一步通过简化弱影响项构建了平衡计算精度与复杂度的指标函数。此外,提出了基于自适应拉格朗日插值的NMPC模型离散化方法,该方法通过较少的离散点保障控制精度。仿真与实车试验结果表明:所提方法能保障常规工况下的舒适驾驶以及紧急工况下的安全稳定,且算法的单步最大求解时间小于50 ms。研究结果为提升自动驾驶规划算法的实时性提供了新思路。展开更多
文摘集成多种驾驶任务与驾驶需求是自动驾驶决策控制技术的发展趋势。多任务集成后的驾驶工况范围拓展,导致决策控制的复杂度与维度激增,使得现有方法无法满足多种工况下的高安全性与高舒适性等驾驶需求,以及高实时性的应用需求。为此,基于非线性模型预测控制(Nonlinear Model Predictive Control,NMPC)理论,提出了具备多种驾驶功能且满足多种需求的高实时性的决策控制方法。首先,针对驾驶工况拓展后显著的需求指标冲突问题,基于需求优先级等特点设计了需求指标的调度策略,该策略通过动态调整需求指标的集成方式消解冲突。随后,针对复杂指标函数以及大量模型离散点会降低NMPC求解效率的问题,基于灵敏度理论,通过传递函数的幅频特性分析了控制量对需求指标的影响因素,并进一步通过简化弱影响项构建了平衡计算精度与复杂度的指标函数。此外,提出了基于自适应拉格朗日插值的NMPC模型离散化方法,该方法通过较少的离散点保障控制精度。仿真与实车试验结果表明:所提方法能保障常规工况下的舒适驾驶以及紧急工况下的安全稳定,且算法的单步最大求解时间小于50 ms。研究结果为提升自动驾驶规划算法的实时性提供了新思路。
