车辆路径追随控制方法、系统、装置及存储介质

1.本发明涉及智能化控制领域，尤其涉及一种车辆路径追随控制方法、系统、装置及存储介质。


背景技术：

2.随着人们对智能化在新能源汽车技术中的不断重视，智能驾驶技术成为了新能源汽车的发展重点，其中，路径追随作为智能驾驶中的关键部分，通过规划层输出的期望追随目标计算出执行机构的指令，可以实现车辆动力学约束下的精确追随。但目前的追随路径控制方法常常忽视了智能车辆在路径追随过程中的追随精度，针对智能车辆路径追随控制的研究场景也较为单一，大多数仅关注追随过程中的横向位移误差和航向角误差，然而，由于实际的追随工况比较复杂，智能车辆追随性能受到车身运动姿态、轮胎受力和路面环境的共同影响，当追随车速较大或道路行驶条件较差时，车轮驱动力容易突破轮胎的附着极限，智能车辆出现侧滑或甩尾等失稳现象的可能性变大，从而使得整车的路径追随性能急剧恶化。
3.而轮毂电机驱动智能车辆有着较为灵活的动力学特性，其多自由度的力矩分配方式可满足智能车辆不同状态的控制需求，对提高智能车辆在不同追随工况下的适应能力有重要的作用。其中，轮毂电机驱动车辆采用分布式驱动结构，将电机、减速器和制动器集成内置于车轮中，相较于传统集中式驱动和桥电机驱动车辆，省去了用于力矩传递的传统机械装置，通过直接调节四轮力矩即可改变车身姿态。基于设计的相关力矩控制策略，还可实现不同工况下车辆的最优化控制，改善整车的动力学特性，为新能源汽车控制智能化提供了较为理想的研究平台，目前已成为汽车领域各学者的研究热点。
4.因此，如何实现不同行驶工况下智能车辆路径追随的稳定控制，同时保证智能车辆具有较高的追随精度已成为亟需解决的技术难题。


技术实现要素：

5.为了解决上述问题，本发明提出了一种车辆路径追随控制方法、系统、装置及存储介质，能够实现不同行驶工况下智能车辆路径追随的稳定控制，同时保证智能车辆具有较高的追随精度。
6.本发明实施例第一方面公开了一种车辆路径追随控制方法，所述方法包括以下步骤：
7.根据智能车辆状态参数确定智能车辆的稳定边界范围参数；
8.根据所述稳定边界范围参数计算失稳系数，其中，所述失稳系数用于表征稳定性控制权重；
9.基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误差模型确定目标控制量，所述目标控制量包括附加横摆力矩和前轮转角；
10.根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力
矩；
11.根据所述目标力矩对所述智能车辆的电机进行控制。
12.在一些实施例中，所述根据智能车辆状态参数确定智能车辆的稳定边界范围参数包括以下步骤：
13.将所述智能车辆状态参数输入边界辨识模型，得到稳定边界范围参数，其中，所述智能车辆状态参数包括车轮附着极限系数、车速和前轮转角，所述稳定边界范围参数包括用于确定表征稳定边界范围的第一边界直线的截距、第二边界直线的截距、第一边界直线的斜率和第二边界直线的斜率，所述第一边界直线的斜率和第二边界直线的斜率相同；
14.其中，所述边界辨识模型通过以下步骤获得：
15.获取样本数据，其中，所述样本数据的输入包括车轮附着极限系数、车速和前轮转角，标签包括稳定边界范围参数；
16.初始化遗传算法优化的反向传播神经网络，其中，所述遗传算法优化的反向传播神经网络包括遗传算法优化子网络和反向传播神经子网络，所述反向传播神经子网络的权值和阈值编码为所述遗传算法优化子网络的种群个体；
17.将所述样本数据输入所述遗传算法优化子网络以对所述种群个体进行不断迭代操作得到优化后的种群个体，其中，所述迭代操作包括选择操作、交叉操作和变异操作；
18.对优化后的种群个体进行解码，得到反向传播神经子网络的最优权值和阈值；
19.根据所述反向传播神经子网络的最优权值和阈值进行误差计算和约束条件判断，直到所述反向传播神经子网络的误差小于预设值以及满足约束条件，得到边界辨识模型。
20.在一些实施例中，所述根据所述稳定边界范围参数计算失稳系数包括以下步骤：
21.根据所述稳定边界范围参数中的第一边界直线的斜率和第一边界直线的截距确定在质心侧偏角-质心侧偏角速度相平面图上稳定边界范围的安全距离；
22.根据所述稳定边界范围参数中的第一边界直线的斜率确定在质心侧偏角-质心侧偏角速度相平面图上速度点与安全直线的垂直距离，其中，所述安全直线与所述第一边界直线平行且距离相等，所述安全直线与所述第二边界直线平行且距离相等；
23.根据所述安全距离和所述垂直距离确定失稳系数，其中，失稳系数κ表示为：
[0024][0025]
其中，d
sta
为安全距离，dc为垂直距离。
[0026]
在一些实施例中，所述基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误差模型确定目标控制量包括以下步骤：
[0027]
基于模型预测控制算法，根据所述稳定性控制模型和所述追随误差模型确定由状态空间方程表达的控制量预测模型，其中，所述控制量预测模型表示为：
[0028][0029]
其中，x为控制目标状态量，ed、e
φ
和均为追随误差模型的控制目标状态量，ed为横向偏差，e
φ
为航向角偏差；β和γ均为稳定性控制模型的控制目标状态量，β为质心侧偏角，γ为横摆角速度；u为系统控制量，u＝[δ mz]，δ为前轮转角，mz为附加横摆力矩，w为干扰项，ac、bc和dc均为系统矩阵；
[0030]
对所述控制量预测模型进行离散和迭代运算得到系统输出方程；
[0031]
根据所述系统输出方程、所述系统控制量和所述失稳系数确定控制器优化目标函数；
[0032]
根据所述控制器优化目标函数对所述稳定性控制模型和所述追随误差模型进行约束，得到目标控制量。
[0033]
在一些实施例中，所述根据所述系统输出方程、所述系统控制量和所述失稳系数确定控制器优化目标函数包括以下步骤：
[0034]
根据失稳系数与路径追随控制权重比例系数的关系函数确定路径追随控制权重参数；
[0035]
根据失稳系数与稳定性控制权重比例系数的关系函数确定稳定性控制权重参数；
[0036]
根据所述路径追随控制权重参数和稳定性控制权重参数获得控制器输出误差的权重占比；
[0037]
根据所述系统输出方程、所述系统控制量和所述控制器输出误差的权重占比确定控制器优化目标函数。
[0038]
在一些实施例中，所述根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩包括以下步骤：
[0039]
获取多约束条件和控制目标函数，所述目标控制量通过多约束条件进行优化分配，所述多约束条件包括附加横摆力矩的等式约束条件、纵向总需求力的等式约束条件和基于电机外特性曲线和附着极限的不等式约束条件；
[0040]
根据所述控制目标函数和所述多约束条件进行驱动力分配得到各电机的期望驱动力；
[0041]
根据电机的所述期望驱动力得到对应电机的目标力矩。
[0042]
在一些实施例中，所述车辆路径追随控制方法还包括以下步骤：
[0043]
根据滑转利用率控制触发机制判断是否采用最佳滑转利用率控制策略，其中，所述滑转利用率控制触发机制包括判断转速差值大于预设转速的第一条件是否成立、滑动率大于预设滑动率的第二条件是否成立和失稳持续时间大于预设持续时间的第三条件是否成立，若第一条件、第二条件和第三条件均成立，则确定采用最佳滑转利用率控制策略；
[0044]
当确定采用最佳滑转利用率控制策略，则根据最佳滑动率对电机输出力矩进行矢量调节，优化各电机的目标力矩。
[0045]
本发明实施例第二方面公开了一种车辆路径追随控制系统，所述系统包括以下步骤：
[0046]
第一模块，用于根据智能车辆状态参数确定智能车辆的稳定边界范围参数；
[0047]
第二模块，用于根据所述稳定边界范围参数计算失稳系数，其中，所述失稳系数用于表征稳定性控制权重；
[0048]
第三模块，用于基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误差模型确定目标控制量，所述目标控制量包括附加横摆力矩和前轮转角；
[0049]
第四模块，用于根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩；
[0050]
第五模块，用于根据所述目标力矩对所述智能车辆的电机进行控制。
[0051]
本发明实施例第三方面公开了一种车辆路径追随控制装置，所述装置包括：
[0052]
至少一个处理器；
[0053]
至少一个存储器，用于存储至少一个程序；
[0054]
当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如第一方面的任一项所述的车辆路径追随控制方法。
[0055]
本发明实施例第四方面公开了一种计算机存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由所述处理器执行时用于实现如第一方面的任一项所述的车辆路径追随控制方法。
[0056]
与现有技术相比，本发明至少具有以下优点/有益效果之一：
[0057]
首先根据智能车辆状态参数确定智能车辆的稳定边界范围参数，并根据稳定边界范围参数计算用于表征稳定性控制权重的失稳系数，然后基于模型预测控制算法，根据失稳系数、稳定性控制模型和追随误差模型确定附加横摆力矩和前轮转角，再根据附加横摆力矩和前轮转角通过多约束条件进行转矩矢量分配，得到各电机的目标力矩，最后根据目标力矩对智能车辆的电机进行控制。本发明基于模型预测控制算法，根据失稳系数自适应分配路径追随控制和稳定性控制的权重，保证智能车辆行驶稳定的同时具有较高的追随精度。此外，本发明还通过多约束条件进行转矩矢量分配，能够实现不同行驶工况下智能车辆路径追随的稳定控制。
附图说明
[0058]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0059]
图1为本发明实施例提供的车辆路径追随控制方法流程框图；
[0060]
图2为本发明实施例提供的质心侧偏角-质心侧偏角速度相平面划分稳定边界范围示意图；
[0061]
图3为本发明实施例提供的构建边界辨识模型流程图；
[0062]
图4为本发明实施例提供的安全距离与垂直距离的示意图；
[0063]
图5为本发明实施例提供的线性二自由度车辆参考模型示意图；
[0064]
图6为本发明实施例提供的frenet坐标系中智能车辆行驶轨迹示意图；
[0065]
图7为本发明实施例提供的不同控制目标权重调节的比例系数示意图；
[0066]
图8为本发明实施例提供的最佳滑转利用率控制策略触发机制示意图；
[0067]
图9为本发明实施例提供的基于分层架构的智能车辆路径追随转矩协调控制策略示意图。
具体实施方式
[0068]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
施例，都属于本发明保护的范围。
[0069]
需要说明的是，本发明的说明书和权利要求书中的术语“第一”、“第二”、“第三”、“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0070]
本发明的实施例提供了一种车辆路径追随控制方法，能够实现不同行驶工况下智能车辆路径追随的稳定控制，同时保证智能车辆具有较高的追随精度。
[0071]
以下结合附图进行详细描述。
[0072]
请参阅图1，图1为本发明实施例提供的车辆路径追随控制方法流程框图。本发明实施例的方法包括但不限于步骤s110、步骤s120、步骤s130、步骤s140和步骤s150。
[0073]
步骤s110，根据智能车辆状态参数确定智能车辆的稳定边界范围参数。
[0074]
在一些的实施例的步骤s110中，智能车辆状态参数包括车轮附着极限系数、车速和前轮转角，智能车辆的追随性能受车身运动状态、轮胎受力和路面环境的共同影响，当追随车速较大或道路行驶条件较差时，车轮驱动力容易突破轮胎的附着极限，智能车辆出现侧滑或甩尾等失稳现象的可能性变大，从而造成车辆路径追随性能急剧变化。而前轮转角能够保持车辆行驶的稳定性，进而提高车轮路径追随性能。可见，智能车辆的车轮附着极限系数、车速和前轮转角能够准确判断智能车辆的状态，对于车辆路径追随的稳定控制具有重要作用。
[0075]
进一步地，根据智能车辆的车轮附着极限系数、车速和前轮转角可以确定智能车辆稳定边界范围参数，从而保证智能车辆在稳定的边界范围进行路径追随，具体地，确定智能车辆稳定边界范围参数包括确定稳定边界范围的第一边界直线的截距、第二边界直线的截距、第一边界直线的斜率和第二边界直线的斜率。
[0076]
步骤s120，根据稳定边界范围参数计算失稳系数，其中，失稳系数用于表征稳定性控制权重。
[0077]
相关技术中，往往只关注智能车辆行驶的稳定性，而忽视了智能车辆在路径追随过程中的追随精度。因此，在本发明实施例中，为了保证智能车辆行驶稳定的同时具有较高的追随精度，设计了失稳系数，用于表征稳定性控制权重。根据稳定边界范围参数计算失稳系数，可以灵活的调整路径追随控制和稳定性控制的权重占比。
[0078]
步骤s130，基于模型预测控制算法，根据失稳系数、稳定性控制模型和追随误差模型确定目标控制量，目标控制量包括附加横摆力矩和前轮转角。
[0079]
在一些的实施例的步骤s130中，模型预测控制算法(model predictive control，简称mpc)是一种基于受控对象进行预测的控制方法。模型预测控制基本包括预测模型、滚动优化和反馈校正这三部分。预测模型能够通过控制系统中被控平台提供的当前系统状态信息，再加上未来的控制输入变量，预测到未来的被控平台的状态。预测模型的形式可以为参数模型和非参数模型，参数模型如状态空间方程和微分方程等，非参数模型如阶跃响应模型和脉冲响应模型等。滚动优化是通过某一性能指标最优化确定未来的控制作用。在实际预测过程中，由于存在非线性、模型失配和干扰等不确定因素，导致模型的预测值不可能完全与实际相符，因此，在预测控制中，就需要进行反馈校正。通过输出的测量值与模型的
预测值进行比较，得出模型的预测误差，再利用模型预测误差来校正模型的预测值，从而得到更为准确的输出的预测值。基于模型预测控制算法，根据失稳系数自适应分配路径追随控制和稳定性控制的权重，保证智能车辆行驶稳定的同时具有较高的追随精度。
[0080]
步骤s140，根据目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩。
[0081]
在一些的实施例的步骤s140中，目标控制量包括附加横摆力矩和前轮转角，多约束条件包括附加横摆力矩的等式约束条件、纵向总需求力的等式约束条件和基于电机外特性曲线和附着极限的不等式约束条件。通过多约束条件进行转矩矢量分配，可以满足智能车辆不同状态的力矩需求，能够保证智能车辆在不同工况下路径追随的稳定性控制。
[0082]
步骤s150，根据目标力矩对智能车辆的电机进行控制。
[0083]
在一些的实施例的步骤s150中，通过目标力矩控制智能车辆的电机，保证了智能车辆行驶稳定的同时具有较高的追随精度。
[0084]
本发明实施例首先根据智能车辆状态参数确定智能车辆的稳定边界范围参数，并根据稳定边界范围参数计算用于表征稳定性控制权重的失稳系数，然后基于模型预测控制算法，根据失稳系数、稳定性控制模型和追随误差模型确定附加横摆力矩和前轮转角，再根据附加横摆力矩和前轮转角通过多约束条件进行转矩矢量分配，得到各电机的目标力矩，最后根据目标力矩对智能车辆的电机进行控制。本发明实施例基于模型预测控制算法，根据失稳系数自适应分配路径追随控制和稳定性控制的权重，保证智能车辆行驶稳定的同时具有较高的追随精度。此外，本发明实施例还通过多约束条件进行转矩矢量分配，能够实现不同行驶工况下智能车辆路径追随的稳定控制。
[0085]
根据本发明一些实施例，步骤s110中，根据智能车辆状态参数确定智能车辆的稳定边界范围参数这一步骤，包括但不限于以下步骤：
[0086]
将智能车辆状态参数输入边界辨识模型，得到稳定边界范围参数，其中，智能车辆状态参数包括车轮附着极限系数、车速和前轮转角，稳定边界范围参数包括用于确定表征稳定边界范围的第一边界直线的截距、第二边界直线的截距、第一边界直线的斜率和第二边界直线的斜率，第一边界直线的斜率和第二边界直线的斜率相同；
[0087]
其中，边界辨识模型通过以下步骤获得：
[0088]
获取样本数据，其中，样本数据的输入包括车轮附着极限系数、车速和前轮转角，标签包括稳定边界范围参数；
[0089]
初始化遗传算法优化的反向传播神经网络，其中，遗传算法优化的反向传播神经网络包括遗传算法优化子网络和反向传播神经子网络，反向传播神经子网络的权值和阈值编码为遗传算法优化子网络的种群个体；
[0090]
将样本数据输入遗传算法优化子网络以对种群个体进行不断迭代操作得到优化后的种群个体，其中，迭代操作包括选择操作、交叉操作和变异操作；
[0091]
对优化后的种群个体进行解码，得到反向传播神经子网络的最优权值和阈值；
[0092]
根据反向传播神经子网络的最优权值和阈值进行误差计算和约束条件判断，直到反向传播神经子网络的误差小于预设值以及满足约束条件，得到边界辨识模型。
[0093]
请参阅图2，图2为本发明实施例提供的质心侧偏角-质心侧偏角速度相平面划分稳定边界范围示意图。
[0094]
本发明实施例基于质心侧偏角-质心侧偏角速度相平面，采用双直线法划分稳定边界范围，采用以下形式：
[0095]
为了绘制不同初始状态下的相平面，引入基于纯侧偏工况下的二自由度智能车辆动力学模型公式：
[0096][0097]
其中，为横摆角，β为质心侧偏角，f
yf
为前轮侧偏力，f
yr
为后轮侧偏力，δf为前轮转角，v
x
为车辆质心处纵向车速，iz为横摆转动惯量，lf为前轴距质心距离，lr为后轴距质心距离。
[0098]
基于双直线法对相平面稳定边界范围进行划分，其中，平衡点为表征车辆稳定的点，当质心侧偏角-质心侧偏角速度的运动轨迹最终达到平衡点时，系统保持稳定，鞍点为划分车辆稳定和非稳定的临界点，两条直线之间区域即为划分的稳定边界范围(即图2中的稳定域)，两条之外的区域为非稳定边界范围(即图2中非稳定域)。
[0099]
具体地，利用数学公式定义为：
[0100][0101]
其中，为质心侧偏角速度，β为质心侧偏角；m、n1和n2为边界系数，m为第一边界直线的斜率和第二边界直线的斜率(第一边界直线的斜率和第二边界直线的斜率相同)，n1为第一边界直线的截距，n2为第二边界直线的截距，其具体数值与当前的智能车辆车速v
x
、智能车辆车轮附着极限系数μ和前轮转角δf有关。
[0102]
具体地，请参阅图3，图3为本发明实施例提供的构建边界辨识模型流程图。
[0103]
获取样本数据，其中，样本数据的输入包括车轮附着极限系数、车速和前轮转角，标签包括稳定边界范围参数；
[0104]
初始化遗传算法优化的反向传播神经网络(genetic algorithm-back propagation，简称ga-bp)，其中，遗传算法优化的反向传播神经网络包括遗传算法优化子网络和反向传播神经子网络；
[0105]
确定反向传播神经子网络拓扑结构，即确定反向传播神经子网络输入层、隐含层和输出层层数，并初始化反向传播神经子网络的权值和阈值；
[0106]
在遗传算法优化子网络中设置优化目标；
[0107]
对反向传播神经子网络的权值和阈值进行实数编码，得到遗传算法优化子网络的种群个体；
[0108]
构建种群适应度函数：
[0109][0110]
其中，e
total
为反向传播神经子网络的误差，反向传播神经子网络的误差通过以下公式计算：
[0111][0112]
其中，为样本数据输出值，为反向传播神经子网络输出层各节点的输出值；当误差e
total
越大时，种群个体的适应度越低；反之，当误差e
total
越小时，种群个体的适应度越高，越接近最优解。
[0113]
将样本数据输入遗传算法优化子网络以对种群个体进行不断迭代操作得到优化后的种群个体，其中，迭代操作包括选择操作、交叉操作和变异操作。
[0114]
具体地，种群个体的选择和适应度成正相关，算出种群每个个体的适应度后，利用轮盘赌算子法选择个体作为父代，通过交叉的方式混合父代优秀基因，得到新一代的基因表示为：
[0115][0116]
其中，a、b为父代两个个体，j为基因位置，e为0到1的随机数。
[0117]
引入一个(0，1)之间的随机变异因子τ，若τ大于变异概率，则对个体基因进行变异运算，具体可表示为：
[0118][0119][0120]
其中，a
max
为基因aj的上限，a
min
为基因aj的下限，g为迭代次数，g
max
为最大进化次数。
[0121]
对优化后的种群个体进行解码，得到反向传播神经子网络的权值和阈值；
[0122]
判断反向传播神经子网络的权值和阈值是否达到优化目标，若是，则获得反向传播神经子网络的最优权值和阈值；若否，则重新返回迭代操作，直到获得反向传播神经子网络的最优权值和阈值。
[0123]
根据反向传播神经子网络的最优权值和阈值进行误差计算和约束条件判断，直到反向传播神经子网络的误差小于预设值以及满足约束条件，得到边界辨识模型。
[0124]
通过不断迭代上述过程直至误差达到最小，将此时的权值和阈值重新分配至反向传播神经子网络，预测不同车轮附着极限系数、不同车速以及不同前轮转角下智能车辆稳定边界范围参数。
[0125]
根据本发明一些实施例，步骤s120中，根据稳定边界范围参数计算失稳系数这一步骤，包括但不限于以下步骤：
[0126]
步骤s310，根据稳定边界范围参数中的第一边界直线的斜率和第一边界直线的截距确定在质心侧偏角-质心侧偏角速度相平面图上稳定边界范围的安全距离；
[0127]
步骤s320，根据稳定边界范围参数中的第一边界直线的斜率确定在质心侧偏角-质心侧偏角速度相平面图上速度点与安全直线的垂直距离，其中，安全直线与第一边界直线平行且距离相等，安全直线与第二边界直线平行且距离相等。
[0128]
具体地，请参阅图4，图4为本发明实施例提供的安全距离与垂直距离的示意图。图
4中两条动力学稳定性边界分别为本发明实施例中的第一边界直线和第二边界直线；两条动力学稳定性边界之间为动力学稳定区域，也即本发明实施例的稳定边界范围参数。
[0129]
具体地，安全距离和垂直距离可表示为：
[0130][0131]
其中，d
sta
为安全距离，dc为垂直距离，n1为第一边界直线的截距，m为第一边界直线的斜率，βc为当前时刻的质心侧偏角，为当前时刻的质心侧偏角速度。
[0132]
步骤s330，根据安全距离和垂直距离确定失稳系数，其中，失稳系数κ表示为：
[0133][0134]
其中，d
sta
为安全距离，dc为垂直距离，失稳系数κ用于表征稳定性控制权重。
[0135]
其中，当κ＝0时，智能车辆稳定裕度较大，此时应将控制器路径追随的权重设为最大值，力求将路径追随的误差降到最低；当0＜κ＜1时，智能车辆介于稳定和非稳定状态之间，此时应按照
κ
值的具体数值分配路径追随控制和稳定性控制的权重占比，随着κ的逐渐增大，智能车辆失稳的可能性逐渐增大；当κ＝1时，智能车辆将发生失稳，此时应将稳定性控制的权重调至最大，最大程度的保证智能车辆行驶的安全性。
[0136]
根据本发明一些实施例，步骤s130中，基于模型预测控制算法，根据失稳系数、稳定性控制模型和追随误差模型确定目标控制量这一步骤，包括但不限于以下步骤：
[0137]
步骤s410，基于模型预测控制算法，根据稳定性控制模型和追随误差模型确定由状态空间方程表达的控制量预测模型；
[0138]
步骤s420，对控制量预测模型进行离散和迭代运算得到系统输出方程；
[0139]
步骤s430，根据系统输出方程、系统控制量和失稳系数确定控制器优化目标函数；
[0140]
步骤s440，根据控制器优化目标函数对稳定性控制模型和追随误差模型进行约束，得到目标控制量。
[0141]
在步骤s410中，稳定性控制模型的构建过程如下：
[0142]
为了便于描述车辆在转向过程中的状态变化，引入线性二自由度车辆参考模型示意图。具体地，可请参阅图5，图5为本发明实施例提供的线性二自由度车辆参考模型示意图。图5中，γ为车辆横摆角速度，β为质心侧偏角，f
yf
为前轮侧偏力，f
yr
为后轮侧偏力，δ为前轮转角，v
x
为纵向车速，vy为横向车速，αf为前轮侧偏角，αr为后轮侧偏角，lf为前轴距质心距离，lr为后轴距质心距离。
[0143]
假设车速保持恒定，忽略车轮纵向力，得到沿横向平动和绕垂向转动的线性二自由度车辆参考模型。
[0144]
进一步地，可得到车辆横向和横摆运动公式为：
[0145][0146]
其中，m为车辆质量，ay为侧向加速度，v
x
为纵向车速，vy为横向车速，γ为车辆横摆角速度，δ为前轮转角，iz为横摆转动惯量，ω横摆角速度，mz为绕z轴的合外力矩。
[0147]
为得到汽车前后轴侧向力，引入dugoff轮胎模型，其表示为：
[0148][0149][0150][0151]
其中，f
yi
为轮胎侧向力；f
xi
为轮胎纵向力；μi为各车轮和地面附着系数；f
zi
为地面对车轮的支持力，单位为n，单位为kn；λi为车轮的纵向滑动率；αi为轮胎侧偏角；ε为速度影响因子；li为边界值，f(li)为通过变量li计算出的修正系数；c
xi
为轮胎的纵向刚度；c
yi
为轮胎的侧偏刚度。
[0152]
将dugoff轮胎模型代入车辆横向和横摆运动公式，可得到前后轴侧向力为：
[0153][0154]
前后轮的侧偏角为：
[0155][0156]
令：
[0157][0158]
由于车辆在转向过程中的前轮转角和侧偏角的数值较小，可以认为cosδ≈0，tanα≈0，最终得到基于dugoff轮胎模型的车辆二自由度动力学方程为：
[0159][0160]
当车辆保持稳定时，和等于零，代入公式(17)，可得到稳态下的期望横摆角速度和质心侧偏角为：
[0161][0162]
[0163]
其中，l＝lf+lr。
[0164]
此外，考虑到极限状态下的车辆侧向加速度需满足：
[0165][0166]
考虑到车辆行驶过程中的影响因素很小，令后面两项的影响占比为15％，这里的影响占比也可以采用其他占比数值，譬如10％或20％，本发明实施例中15％仅为示例性地，进而改写为：
[0167][0168]
得到最终的期望横摆角速度为：
[0169][0170]
另一方面，质心侧偏角极值和路面附着条件也有一定关系，当路面附着系数较低时，β
max
仅有4
°
左右，当路面附着系数较高时，β
max
的值可以达到10
°
，引入经验公式对质心侧偏角的最大值进行约束：
[0171]
βd≤tan-1
(0.02μg)；
ꢀꢀꢀ
(23)
[0172]
得到最终的期望质心侧偏角为：
[0173][0174]
优选地，为了追随上述智能车辆期望的稳定状态，采用直接横摆力矩的控制策略，基于当前智能车辆行驶的状态参数，反馈调节四轮驱动力产生的附加横摆力矩，以防止智能车辆失稳现象的发生，基于二自由度的附加横摆力矩控制模型(稳定性控制模型)为：
[0175][0176]
其中，x＝[β γ]，β为质心侧偏角，γ为横摆角速度，u＝[δ mz]，δ为前轮转角，mz为附加横摆力矩，
[0177]
在步骤s410中，追随误差模型的构建过程为：
[0178]
请参阅图6，图6为本发明实施例提供的frenet坐标系中智能车辆行驶轨迹示意图。利用frenet坐标系建立以道路中心线为参考系的追随误差模型，以参考线起点为原点，智能车辆位置和智能车辆在参考系的投影点连线为d轴，参考线方向为s轴，通过frenet坐标系的(s，d)坐标和全局坐标系的(x，y)坐标之间的互相转换，最终得到控制目标状态量。需要说明的是，图6中和分别为智能车辆质心和智能车辆参考线投影点坐标的矢量表示，为智能车辆质心的单位法向量、为智能车辆质心的单位切向量、为智能车辆参
考线投影点处的单位法向量、为智能车辆参考线投影点处的单位切向量，d为当前时刻智能车辆质心到期望路径参考点的横向偏差，θ和θr分别为智能车辆实际航向角和期望航向角。
[0179]
轨迹跟踪过程中的横向偏差和航向角偏差为：
[0180][0181]
由于实际行驶过程的航向角(β为质心侧偏角，为横摆角)，考虑到β接近于0，可近似等于将d用ed表示，代入上式后求导得到：
[0182][0183]
引入道路曲率kr作为干扰项w，其中，
[0184]
根据曲率定义可知，投影点处的曲率等于切线转角和弧长之比的极限，故有：
[0185][0186]
由于，
[0187]
故得到，
[0188]
联立二自由度方程及公式(27)和公式(30)，以为状态量，u＝[δ mz]为控制量，得到下式所示的追随误差状态空间方程(追随误差模型)：
[0189][0190]
其中，a、b、c、d分别为：其中，a、b、c、d分别为：
[0191]
在步骤s410中，控制量预测模型的构建过程为：
[0192]
基于模型预测控制算法，根据稳定性控制模型和追随误差模型确定由状态空间方程表达的控制量预测模型，其中，控制量预测模型表示为：
[0193]
[0194]
其中，x为控制目标状态量，ed、e
φ
和均为追随误差模型的控制目标状态量，ed为横向偏差，e
φ
为航向角偏差；β和γ均为稳定性控制模型的控制目标状态量，β为质心侧偏角，γ为横摆角速度；u为系统控制量，u＝[δ mz]，δ为前轮转角，mz为附加横摆力矩，w为干扰项kr；
[0195]
系统矩阵ac、bc、dc分别为：
[0196][0197][0198]
在步骤s420中，对控制量预测模型进行离散化，可得：
[0199][0200]
其中，x(k)、u(k)、w(k)和y(k)分别为当前时刻的状态量、控制量、干扰量和输出量，矩阵a、b、c、d分别为：
[0201][0202]
其中，i为单位矩阵，δt为采样步长。
[0203]
在步骤s420中，再对离散化后的控制量预测模型进行迭代运算，令系统的当前时刻为k，得到未来时范围内的系统输出方程为：
[0204]
y＝ψx(k)+θu+sw；
ꢀꢀꢀ
(34)
[0205]
其中：
[0206][0207][0208]
其中，预测时域np对路径追随控制器的精度起着重要作用，控制时域nc和控制序列的维度有关，其值影响着控制器的运算效率，且nc≤np。
[0209]
在步骤s430中，控制量预测模型综合考虑了智能车辆追随误差和稳定性控制，相较于纯追随模型，其复杂程度提高，在系统多约束的条件下，控制器在求解过程中可能无法求得最优解，故在目标函数中加入了松弛因子ε，以扩大求解问题的可行解范围，优选地，根据系统输出方程、系统控制量和控制器输出误差的权重占比设计的控制器优化目标函数为：
[0210][0211]
其中，y(k+i)为当前时刻的智能车辆状态，包括追随误差、横摆角速度和质心侧偏角；yd(k+i)为当前时刻智能车辆期望的路径误差和稳定性状态参数，其值为yd(k+i)＝[0000βd(k+i)γd(k+i)]
t
；u(k+i)和u(k+i-1)分别为当前时刻和前一时刻的控制量；ε为松弛因子，ρ为ε的权重系数。
[0212]
目标函数第一项以实际输出和期望值的误差最小为目的，第二项以减小控制量波动为目的，q＝diag(q
1 q
2 q
3 q
4 q
5 q6)为控制器输出误差的权重占比，其中，q1、q2、q3和q4为路径追随控制在系统输出误差中的权重占比，q5和q6为稳定性控制在系统输出误差中的权重占比，r＝diag(r
1 r2)为控制量最小化在目标函数中所占的比重。
[0213]
考虑实际行驶过程中的智能车辆动力学和驱动系统约束，将控制器优化目标函数转化为下述问题：
[0214][0215]
其中：x＝[u(k) ε]，f＝[2e
t
qθ 0]，e＝ψx(k)-yd(k)。
[0216]umin
和u
max
为前轮转角和附加横摆力矩的约束，η
min
和η
max
为智能车辆动力学模型约束，前轮转角的约束和智能车辆转向结构相关，附加横摆力矩的约束由各电机当前电机外特性曲线所能提供的最大力矩t
imax
(i＝1，2，3，4)计算得到：
[0217][0218]
其中，mr为智能车辆阻力矩。
[0219]
根据本发明一些具体实施例，控制器优化目标函数中第二项的控制器输出误差的权重占比通过以下步骤确定：
[0220]
步骤s510，根据失稳系数与路径追随控制权重比例系数的关系函数确定路径追随控制权重参数；
[0221]
步骤s520，根据失稳系数与稳定性控制权重比例系数的关系函数确定稳定性控制权重参数；
[0222]
步骤s530，根据路径追随控制权重参数和稳定性控制权重参数获得控制器输出误差的权重占比。
[0223]
具体地，为防止路径追随控制和稳定性控制在进行权重优化的过程中出现抖动频繁的问题，优选地，使用sigmoid函数(s型生长曲线)对参数变化进行平滑处理，路径追随控制和稳定性控制的比例系数计算式为：
[0224][0225]
请参阅图7，图7为本发明实施例提供的不同控制目标权重调节的比例系数示意图。图7中，轨迹追踪控制即为路径追随控制。
[0226]
当0＜k＜0.2时，智能车辆处于稳定区范围，控制系统中路径追随的权重值占比设为最优值，稳定性控制的权重占比设为最低；当0.2＜k＜0.8时，进行权重占比的比例调节分配；当k＞0.8时，智能车辆失稳的可能性增加，此时应将稳定性控制作为首要控制目标，将稳定性控制的权重值调至最优。
[0227]
根据上述的权重比例系数计算公式，得到最终路径追随控制权重参数qi(i＝1，2，3，4)和稳定性控制权重参数qj(i＝5，6)为：
[0228]
qi＝q
imax
；
ꢀꢀ
(39)
[0229]
qj＝q
jmax
；
ꢀꢀ
(40)
[0230]
其中，qi＝q
imax
和qj＝q
jmax
分别为路径追随控制和稳定性控制的最大权值。
[0231]
根据本发明一些具体实施例，步骤s140中，根据目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩这一步骤，包括但不限于以下步骤：
[0232]
步骤s610，获取多约束条件和控制目标函数，目标控制量通过多约束条件进行优化分配，多约束条件包括附加横摆力矩的等式约束条件、纵向总需求力的等式约束条件和基于电机外特性曲线和附着极限的不等式约束条件；
[0233]
步骤s620，根据控制目标函数和多约束条件进行驱动力分配得到各电机的期望驱动力；
[0234]
步骤s630，根据电机的期望驱动力得到对应电机的目标力矩。
[0235]
在步骤s610中，多约束条件和控制目标函数的构建过程如下：
[0236]
考虑不同侧偏角下智能车辆纵向力和侧向力关系，并进行相应简化，本发明实施
例所设计的控制目标函数为：
[0237][0238]
其中，f
xi
为轮胎纵向力，μi为各车轮和地面附着系数，f
zi
为地面对车轮的支持力。
[0239]
各轮的力矩分配需满足路径追随决策的附加横摆力矩mz的等式约束条件和纵向总需求力f
total
的等式约束条件，如下：
[0240][0241]
其中，f
dx1
、f
dx2
、f
dx3
、f
dx4
为四轮期望驱动力，f
total
为纵向总需求力，mz为附加横摆力矩，δ为前轮转角。
[0242]
各轮的力矩分配在满足路径追随决策的附加横摆力矩mz和纵向总需求力f
total
的基础上，充分考虑电机最大输出力矩t
maxi
和智能车辆附着极限的约束μ
ifzi
，基于此构建不等式约束条件，如下：
[0243]-min{t
pi
ig/r，μ
ifzi
}≤f
dxi
≤min{t
pi
ig/r，μ
ifzi
}；
ꢀꢀ
(43)
[0244]
其中，ig为减速比，f
zi
为地面对车轮的支持力，μi为各车轮和地面附着系数，t
pi
为由电机外特性曲线决定的当前转速下电机能输出的最大力矩。
[0245]
利用混合优化方法，通过引入公式(38)计算的稳定性比例系数f(κ)，将其作为权重来实现两个求解目标的优化控制，重新设计优化目标函数为：
[0246]
minj＝(w1u-v)2+ε(w2u)2；
ꢀꢀ
(44)
[0247]
其中，ε＝f(κ)，
[0248]
结合不等式约束，将上式优化目标函数转化为下述问题：
[0249][0250]
其中，lb和ub为上下限约束；
[0251]
lb＝[lb
1 lb
2 lb
3 lb4]
t
，ub＝[lb
1 lb
2 lb
3 lb4]
t
，
[0252]
lbi＝-min(t
pi
ig/r，μ
ifzi
)，ubi＝min(t
pi
ig/r，μ
ifzi
)。
[0253]
在步骤s620中，根据控制目标函数和多约束条件进行驱动力分配得到各电机的期望驱动力f
di
。
[0254]
在步骤s630中，根据智能车辆旋转动力学公式，得到电机的目标力矩t
di
为：
[0255]
[0256]
根据本发明一些具体实施例，通过采用最佳滑转利用率控制策略，根据最佳滑动率对电机输出力矩进行矢量调节，优化各电机的目标力矩，可以更好地控制智能车辆路径的稳定追随。进一步地，本发明实施例为避免智能车辆稳定状态下最佳滑转利用率控制策略的频繁介入对路径追随控制造成影响，建立了最佳滑转利用率控制触发机制，若在一定时间内智能车辆车轮的滑动率变化超出所设置的预设滑动率时，最佳滑转利用率控制策略介入，通过力矩矢量调节的方式使智能车辆恢复稳定状态；当不满足条件时，触发机制将防止力矩矢量调节，避免智能车辆的追随状态受到影响。
[0257]
基于此，本发明实施例的车辆路径追随控制方法还包括但不限于以下步骤：
[0258]
步骤s710，根据滑转利用率控制触发机制判断是否采用最佳滑转利用率控制策略，其中，滑转利用率控制触发机制包括判断转速差值大于预设转速的第一条件是否成立、滑动率大于预设滑动率的第二条件是否成立和失稳持续时间大于预设持续时间的第三条件是否成立，若第一条件、第二条件和第三条件均成立，则确定采用最佳滑转利用率控制策略；
[0259]
步骤s720，当确定采用最佳滑转利用率控制策略，则根据最佳滑动率对电机输出力矩进行矢量调节，优化各电机的目标力矩。
[0260]
具体地，请参阅图8，图8为本发明实施例提供的最佳滑转利用率控制策略触发机制示意图。当程序判断出当前时刻的智能车辆过度滑动时(即v
x
＞0)，启动计数器模块并初始化计数值ni＝1(i表示智能车辆位置)，根据滑转利用率控制触发机制判断是否采用最佳滑转利用率控制策略，其中，滑转利用率控制触发机制包括判断转速差值大于预设转速的第一条件是否成立、滑动率大于预设滑动率的第二条件是否成立和失稳持续时间大于预设持续时间的第三条件是否成立，若第一条件、第二条件和第三条件均成立，则确定采用最佳滑转利用率控制策略。
[0261]
具体地，第一条件表示为：
[0262][0263]
其中，w(k)-w(k-1)为当前时刻的转速采样点和前一时刻的转速差值，表示预设转速，kv为智能车辆车速有关的调节参数，为稳态下智能车辆车轮转动的角加速度，v
x
为智能车辆车速。
[0264]
第二条件表示为：
[0265]
λi＞ksλ
opt
；
ꢀꢀ
(48)
[0266]
其中，λi为车轮的纵向滑动率，ksλ
opt
表示预设滑动率，λ
opt
为最优滑动率，ks为滑动率有关的调节参数。
[0267]
第三条件表示为：
[0268]
ni＞nm；
ꢀꢀ
(49)
[0269]
其中，ni为失稳持续时间，nm为预设持续时间。
[0270]
具体地，最优滑动率λ
opt
采用以下方式确定：
[0271]
通过建立智能车辆附着极限系数和滑动率的μ-λ模型，利用参数拟合的方式实现智能车辆最优滑动率的识别，具体地，可表示为：
[0272][0273]
其中，c1、c2、c3为利用实验数据拟合得到的参数，λ
opt
为最优滑动率，μm为智能车辆附着极限系数的极大值。
[0274]
由微分性质可知，当时，智能车辆附着极限系数μ(λ)处于极大值点μm，即μm对应的滑动率λ为当前状态智能车辆的最优滑动率λ
opt
，则基于估计智能车辆附着极限系数的最优滑动率λ
opt
为：
[0275][0276]
请继续参阅图8，当智能车辆第一条件和第二条件均成立时，判断下一周期是否仍然失稳，若是，则ni＝ni+1，然后判断第三条件是否成立，如果第三条件成立(即失稳持续时间达到预设持续时间)，此时将滑动失稳标识符si置为1，确定采用最佳滑转利用率控制策略；如果第三条件不成立(即失稳持续时间未达到预设阈值)，此时将滑动失稳标识符si置为0，不采用最佳滑转利用率控制策略。当智能车辆第一条件和第二条件不能同时成立时，则再次初始化计数值ni＝1(i表示智能车辆位置)，判断第三条件是否成立，如果第三条件成立(即失稳持续时间达到预设持续时间)，此时将滑动失稳标识符si置为1，确定采用最佳滑转利用率控制策略；如果第三条件不成立(即失稳持续时间未达到预设阈值)，此时将滑动失稳标识符si置为0，不采用最佳滑转利用率控制策略。
[0277]
当确定采用最佳滑转利用率控制策略，以最优滑动率为控制目标，对电机输出力矩进行矢量调节，得到单个智能车辆的力矩控制模型为：
[0278][0279]
单个智能车辆车轮的转矩调节量为：
[0280][0281]
矢量调节后的电机输出力矩为：
[0282][0283]
其中，δti为矢量调节后的电机输出力矩，为单个智能车辆车轮的转矩调节量，ig为减速比。
[0284]
最终得到优化后的电机目标力矩为：
[0285]
ti＝t
di
+δti；
ꢀꢀ
(55)
[0286]
其中，ti为优化后的电机目标力矩，t
di
为电机的目标力矩，δti为矢量调节后的电机输出力矩。
[0287]
请参阅图9对本发明实施例进行具体说明，图9为本发明实施例提供的基于分层架构的智能车辆路径追随转矩协调控制策略示意图。
[0288]
本发明的一些实施例中分为四层架构，分别为车辆稳定性状态辨识、目标决策层、
转矩分配层和控制执行层。
[0289]
车辆稳定性状态辨识：
[0290]
智能车辆车载传感器获取智能车辆的状态参数，包括智能车辆车速、智能车辆车轮附着极限系数和前轮转角，将获取到的智能车辆的状态参数输入边界辨识模型(即图9中稳定域辨识)，得到稳定边界范围参数，根据稳定边界范围参数计算失稳系数k。
[0291]
目标决策层：
[0292]
基于模型预测控制算法(即图9中mpc控制器)，根据失稳系数、稳定性控制模型和追随误差模型确定目标控制量，目标控制量包括附加横摆力矩和前轮转角；
[0293]
转矩分配层：
[0294]
根据目标控制量通过多约束条件进行转矩矢量分配，其中，多约束条件包括道路附着约束和电机外特性曲线约束，得到各电机的目标力矩。此外，还通过采用最佳滑转利用率控制策略，根据最佳滑动率对电机输出力矩进行矢量调节，优化各电机的目标力矩，可以更好地控制智能车辆路径的稳定追随。
[0295]
控制执行层：
[0296]
根据目标力矩对智能车辆的电机进行控制。
[0297]
本发明实施例首先根据智能车辆状态参数确定智能车辆的稳定边界范围参数，并根据稳定边界范围参数计算用于表征稳定性控制权重的失稳系数，然后基于模型预测控制算法，根据失稳系数、稳定性控制模型和追随误差模型确定附加横摆力矩和前轮转角，再根据附加横摆力矩和前轮转角通过多约束条件进行转矩矢量分配，得到各电机的目标力矩，最后根据目标力矩对智能车辆的电机进行控制。本发明实施例基于模型预测控制算法，根据失稳系数自适应分配路径追随控制和稳定性控制的权重，保证智能车辆行驶稳定的同时具有较高的追随精度。此外，本发明实施例还通过多约束条件进行转矩矢量分配，能够实现不同行驶工况下智能车辆路径追随的稳定控制。
[0298]
另外，本发明实施例最佳滑转利用率控制触发机制中加入了计数器模块，能有效地消除由于输入数据波动多带来的偶发性判断失误。
[0299]
本发明的实施例还提供了一种车辆路径追随控制系统，包括：
[0300]
第一模块，用于根据智能车辆状态参数确定智能车辆的稳定边界范围参数；
[0301]
第二模块，用于根据稳定边界范围参数计算失稳系数，其中，失稳系数用于表征稳定性控制权重；
[0302]
第三模块，用于基于模型预测控制算法，根据失稳系数、稳定性控制模型和追随误差模型确定目标控制量，目标控制量包括附加横摆力矩和前轮转角；
[0303]
第四模块，用于根据目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩；
[0304]
第五模块，用于根据目标力矩对智能车辆的电机进行控制。
[0305]
本发明的实施例还提供了一种车辆路径追随控制装置，包括：
[0306]
至少一个处理器；
[0307]
至少一个存储器，用于存储至少一个程序；
[0308]
当至少一个程序被至少一个处理器执行，使得至少一个处理器实现上述车辆路径追随控制方法。
[0309]
本发明的实施例还提供了一种计算机存储介质，其中存储有处理器可执行的程序，处理器可执行的程序在由处理器执行时用于实现如以上实施例描述的步骤。
[0310]
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机存储介质中，存储介质包括但不限于只读存储器、随机存储器、可编程只读存储器、可擦除可编程只读存储器、一次可编程只读存储器、只读光盘或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
[0311]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。

技术特征：
1.一种车辆路径追随控制方法，其特征在于，包括以下步骤：根据智能车辆状态参数确定智能车辆的稳定边界范围参数；根据所述稳定边界范围参数计算失稳系数，其中，所述失稳系数用于表征稳定性控制权重；基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误差模型确定目标控制量，其中，所述目标控制量包括附加横摆力矩和前轮转角；根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩；根据所述目标力矩对所述智能车辆的电机进行控制。2.根据权利要求1所述的车辆路径追随控制方法，其特征在于，所述根据智能车辆状态参数确定智能车辆的稳定边界范围参数包括以下步骤：将所述智能车辆状态参数输入边界辨识模型，得到稳定边界范围参数，其中，所述智能车辆状态参数包括车轮附着极限系数、车速和前轮转角，所述稳定边界范围参数包括用于确定表征稳定边界范围的第一边界直线的截距、第二边界直线的截距、第一边界直线的斜率和第二边界直线的斜率，所述第一边界直线的斜率和第二边界直线的斜率相同；其中，所述边界辨识模型通过以下步骤获得：获取样本数据，其中，所述样本数据的输入包括车轮附着极限系数、车速和前轮转角，标签包括稳定边界范围参数；初始化遗传算法优化的反向传播神经网络，其中，所述遗传算法优化的反向传播神经网络包括遗传算法优化子网络和反向传播神经子网络，所述反向传播神经子网络的权值和阈值编码为所述遗传算法优化子网络的种群个体；将所述样本数据输入所述遗传算法优化子网络以对所述种群个体进行不断迭代操作得到优化后的种群个体，其中，所述迭代操作包括选择操作、交叉操作和变异操作；对优化后的种群个体进行解码，得到反向传播神经子网络的最优权值和阈值；根据所述反向传播神经子网络的最优权值和阈值进行误差计算和约束条件判断，直到所述反向传播神经子网络的误差小于预设值以及满足约束条件，得到边界辨识模型。3.根据权利要求2所述的车辆路径追随控制方法，其特征在于，所述根据所述稳定边界范围参数计算失稳系数包括以下步骤：根据所述稳定边界范围参数中的第一边界直线的斜率和第一边界直线的截距确定在质心侧偏角-质心侧偏角速度相平面图上稳定边界范围的安全距离；根据所述稳定边界范围参数中的第一边界直线的斜率确定在质心侧偏角-质心侧偏角速度相平面图上速度点与安全直线的垂直距离，其中，所述安全直线与所述第一边界直线平行且距离相等，所述安全直线与所述第二边界直线平行且距离相等；根据所述安全距离和所述垂直距离确定失稳系数，其中，失稳系数κ表示为：其中，d
sta
为安全距离，d
c
为垂直距离。4.根据权利要求1所述的车辆路径追随控制方法，其特征在于，所述基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误差模型确定目标控制量包括以下步骤：基于模型预测控制算法，根据所述稳定性控制模型和所述追随误差模型确定由状态空
间方程表达的控制量预测模型，其中，所述控制量预测模型表示为：其中，x为控制目标状态量，e
d
、e
φ
和均为追随误差模型的控制目标状态量，e
d
为横向偏差，e
φ
为航向角偏差；β和γ均为稳定性控制模型的控制目标状态量，β为质心侧偏角，γ为横摆角速度；u为系统控制量，u＝δm
z
]，δ为前轮转角，m
z
为附加横摆力矩，w为干扰项，a
c
、b
c
和d
c
均为系统矩阵；对所述控制量预测模型进行离散和迭代运算得到系统输出方程；根据所述系统输出方程、所述系统控制量和所述失稳系数确定控制器优化目标函数；根据所述控制器优化目标函数对所述稳定性控制模型和所述追随误差模型进行约束，得到目标控制量。5.根据权利要求4所述的车辆路径追随控制方法，其特征在于，所述根据所述系统输出方程、所述系统控制量和所述失稳系数确定控制器优化目标函数包括以下步骤：根据失稳系数与路径追随控制权重比例系数的关系函数确定路径追随控制权重参数；根据失稳系数与稳定性控制权重比例系数的关系函数确定稳定性控制权重参数；根据所述路径追随控制权重参数和稳定性控制权重参数获得控制器输出误差的权重占比；根据所述系统输出方程、所述系统控制量和所述控制器输出误差的权重占比确定控制器优化目标函数。6.根据权利要求1所述的车辆路径追随控制方法，其特征在于，所述根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩包括以下步骤：获取多约束条件和控制目标函数，所述目标控制量通过多约束条件进行优化分配，所述多约束条件包括附加横摆力矩的等式约束条件、纵向总需求力的等式约束条件和基于电机外特性曲线和附着极限的不等式约束条件；根据所述控制目标函数和所述多约束条件进行驱动力分配得到各电机的期望驱动力；根据电机的所述期望驱动力得到对应电机的目标力矩。7.根据权利要求1所述的车辆路径追随控制方法，其特征在于，所述车辆路径追随控制方法还包括以下步骤：根据滑转利用率控制触发机制判断是否采用最佳滑转利用率控制策略，其中，所述滑转利用率控制触发机制包括判断转速差值大于预设转速的第一条件是否成立、滑动率大于预设滑动率的第二条件是否成立和失稳持续时间大于预设持续时间的第三条件是否成立，若第一条件、第二条件和第三条件均成立，则确定采用最佳滑转利用率控制策略；当确定采用最佳滑转利用率控制策略，则根据最佳滑动率对电机输出力矩进行矢量调节，优化各电机的目标力矩。8.一种车辆路径追随控制系统，其特征在于，所述系统包括：第一模块，用于根据智能车辆状态参数确定智能车辆的稳定边界范围参数；第二模块，用于根据所述稳定边界范围参数计算失稳系数，其中，所述失稳系数用于表征稳定性控制权重；第三模块，用于基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误
差模型确定目标控制量，所述目标控制量包括附加横摆力矩和前轮转角；第四模块，用于根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩；第五模块，用于根据所述目标力矩对所述智能车辆的电机进行控制。9.一种车辆路径追随控制装置，其特征在于，包括：至少一个处理器；至少一个存储器，用于存储至少一个程序；当所述至少一个程序被所述至少一个处理器执行，使得至少一个所述处理器实现如权利要求1-7任一项所述的车辆路径追随控制方法。10.一种计算机存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由所述处理器执行时用于实现如权利要求1-7任一项所述的车辆路径追随控制方法。

技术总结
本发明公开了一种车辆路径追随控制方法、系统、装置及存储介质，该方法包括以下步骤：根据智能车辆状态参数确定智能车辆的稳定边界范围参数；根据所述稳定边界范围参数计算失稳系数，其中，所述失稳系数用于表征稳定性控制权重；基于模型预测控制算法，根据所述失稳系数、稳定性控制模型和追随误差模型确定目标控制量，所述目标控制量包括附加横摆力矩和前轮转角；根据所述目标控制量通过多约束条件进行转矩矢量分配，得到各电机的目标力矩；根据所述目标力矩对所述智能车辆的电机进行控制。本发明能够保证智能车辆行驶稳定的同时具有较高的追随精度，并且能够实现不同行驶工况下智能车辆路径追随的稳定控制。能车辆路径追随的稳定控制。能车辆路径追随的稳定控制。


技术研发人员：付翔 李昭 刘毅 刘泽轩 王玉新
受保护的技术使用者：武汉理工大学
技术研发日：2023.06.30
技术公布日：2023/9/7