1.一种基于工况识别的自动驾驶车辆动态漂移避障控制方法,其特征在于:包括以下步骤:步骤S10,通过车载传感器感知车辆与周边场景域的多维动态特征;
步骤S20,根据S10获取的多维动态特征的信息熵,通过图神经网络对当前信息熵进行预测,并根据预测误差自适应地调整传感器采样频率,以实现车载传感器自适应变频采样策略;
步骤S30,基于步骤S20的自适应调整后的传感器采样数据,采用模糊控制增强的时序卷积神经网络对当前车辆状态进行实时推理,判断其是否处于漂移临界区或稳定行驶工况;
步骤S40,根据步骤S30判断的车辆处于漂移临界区的可能性,自适应地调整模型预测控制器的状态权重矩阵Q和控制权重矩阵R,以实现车辆在不同工况下的稳定控制;
步骤S50,根据步骤S40计算得到车辆前轮转角和后轮驱动力控制指令,并将这些指令分别发送至转向执行器和驱动执行器,以实现车辆在行驶过程中的安全避障,跟踪规划轨迹。
2.根据权利要求1所述的基于工况识别的自动驾驶车辆动态漂移避障控制方法,其特征在于:步骤S10中,车辆多维动态特征包括车速、车辆纵向加速度、车辆横向加速度、车辆横摆角速度、前轮转角;周边场景域多维动态特征包括周围障碍物距离、周围障碍物相对速度、道路曲率、车道线偏离程度、以及道路附着系数;车载传感器包括:速度传感器、加速度传感器、陀螺仪、转向角传感器、激光雷达、摄像头。
3.根据权利要求2所述的基于工况识别的自动驾驶车辆动态漂移避障控制方法,其特征在于:步骤S20包括以下步骤:步骤S201,在每个采样时刻t,融合所有车载传感器数据构成一个特征向量,不同传感器具有不同的采样频率,基于时间戳进行数据插值,在统一的时间基准t下构建规范化的动态特征向量x(t):式中,v(t)为t时刻的车速;ax(t)为t时刻的车辆纵向加速度;ay(t)为t时刻的车辆横向加速度;为t时刻的车辆横摆角速度;δ(t)为t时刻的前轮转角;di(t)为t时刻第i个周边障碍物的距离;vrel,i(t)为t时刻与第i个周边障碍物的相对速度;κ(t)为t时刻的道路曲率;Dlane(t)为t时刻的车道线偏离程度;μ(t)为t时刻的道路附着系数;
步骤S202,计算在t时刻动态特征向量x(t)的信息熵H(t):式中,p(xj(t))为t时刻动态特征向量x(t)第j维分量xj(t)的概率密度函数;n为动态特征向量x(t)的维度;
步骤S203,构建图神经网络GNN模型,其输入为历史信息熵序列Hhistory:Hhistory={H(t-m),H(t-m+1),…,H(t-1)};
式中,m为历史信息熵序列的样本数量;
步骤S204,将历史信息熵序列Hhistory输入GNN模型预测t时刻的信息熵步骤S205,计算t时刻实际感知信息熵H(t)与预测信息熵之间的绝对误差e(t):步骤S206,基于预测误差e(t),自适应调整第i个车载传感器的采样频率fi(t):式中,fi,min为第i个传感器的最小采样频率;fi,max为第i个传感器的最大采样频率;ei,max为第i个传感器预设的最大误差阈值。
4.根据权利要求3所述的基于工况识别的自动驾驶车辆动态漂移避障控制方法,其特征在于:步骤S30包括以下步骤:步骤S301,对步骤S20自适应传感器变频采样策略调整后获取的时序数据进行归一化处理,公式如下:式中,xi(t)为t时刻第i个原始特征数据,包括车速、车辆纵向加速度;为t时刻第i个特征归一化的值;min(xi)和max(xi)分别表示在整个时间序列中,第i个特征的最小值和最大值;
步骤S302,将归一化后的各特征数据在t时刻组合成特征向量:式中,n为特征数量;按照时间顺序构建特征向量序列其中N为时间窗口长度;
步骤S303,对归一化后的特征向量序列X进行模糊化处理:
①将特征向量序列X中的每个特征向量的每个分量转化为模糊隶属度,采用三角形隶属度函数进行模糊化:式中,为变量隶属于模糊集合A的隶属度;a、b、c分别为定义三角隶属度函数的参数;
②采用Mamdani模糊规则进行模糊推理:
式中,Ai为第i个特征对应的模糊集合;
③采用重心法进行去模糊化,得到模糊推理结果:
式中,pfuzzy为去模糊化后输出值,表示t时刻车辆处于漂移临界区的可能性;cj为第j条模糊规则的输出中心值;
④将模糊推理结果pfuzzy(t)加入到特征向量中,得到特征增强向量并构建增强特征向量序列:步骤S304,将特征增强向量序列X′输入到时间卷积网络TCN模型中,预测车辆处于漂移临界区的可能性:ptcn(t)=TCN(X′);
式中,ptcn(t)为TCN模型的输出结果,表示车辆在t时刻处于漂移临界区的可能性;
步骤S305,采用加权平均的方法,根据TCN模型预测结果和模糊推理结果,综合得到车辆处于漂移临界区的可能性:pfinal(t)=(wtcn·ptcn(t))+(wfuzzy·pfuzzy(t));
式中,pfinal(t)为最终得到的车辆处于漂移临界区的可能性;wtcn和wfuzzy分别为TCN模型和模糊规则的权重;
步骤S306,根据融合后的可能性pfinal(t),判断车辆是否处于漂移临界区:式中,θ为临界区判断阈值。
5.根据权利要求4所述的基于工况识别的自动驾驶车辆动态漂移避障控制方法,其特征在于:步骤S40包括以下步骤:步骤S401,基于车辆的三自由度模型,构建以车辆质心横向误差er和航向角误差ξ为状态变量的动力学模型:式中,为横向误差的导数;为航向角误差的导数;为纵向速度的导数;为质心侧偏角的导数;为横摆角速度的导数;V为纵向速度;β为质心侧偏角;ξ为航向角误差;r为横摆角速度;k为道路曲率;er为横向误差;m为车辆质量;Fyf,Fyr分别为前后轮侧向力;Fxr为后轮驱动力;δ为前轮转角;Iz为车身沿z轴的转动惯量;lr,lf分别为质心到车辆前轴与后轴的距离;
步骤S402,将非线性动力学模型进行线性化和离散化处理;线性化采用泰勒展开式,离散化采用向前欧拉法:式中,为离散化后的状态矩阵;为离散化后的控制矩阵;状态向量为x(k)=[er(k),ξ(k),V(k),β(k),r(k)]T,u(k)=[δ(k),Fxr(k)]T为k时刻的控制向量;
步骤S403,构建模型预测控制器的优化问题,优化的目标是在预测时域内找到最优的控制输入,以最小化以下目标函数:式中,NP为模型预测控制器的预测时域长度;xsg为期望状态向量;x(k)为k时刻的状态向量;Δu(k)为控制增量的变化量;Q为状态权重矩阵;R为控制权重矩阵;
优化过程中,模型状态量与控制量的约束条件如下:
式中,Δx(k)为状态变量的变化量;Δxmin,Δxmax分别为状态变量变化量的最小值和最大值;Δumin,Δumax分别为控制变量变化量的最小值和最大值;umin,umax分别为控制量的最小值和最大值;
步骤S404,在满足约束条件的情况下,求解优化问题,得到预测时域内车辆的最优控制序列:U*=[u(k),u(k+1),...,u(k+NP-1)]T。
6.根据权利要求5所述的基于工况识别的自动驾驶车辆动态漂移避障控制方法,其特征在于:自适应调整状态权重矩阵Q和控制权重矩阵R:①确定基础的状态权重矩阵Qbase和控制权重矩阵Rbase为:式中,qer为横向误差的权重系数;qξ为航向角误差的权重系数;qV为车辆纵向速度的权重系数;qβ为车辆质心侧偏角的权重系数;qr为车辆横摆角速度的权重系数;rδ为前轮转角的权重系数;为后轮驱动力的权重系数;
②根据步骤S30中得到的车辆处于漂移临界区的最终可能性pfinal,自适应调整状态权重矩阵Q和控制权重矩阵R:式中,KQ为Q矩阵权重调整的比例系数矩阵;KR为R矩阵权重调整的比例系数矩阵。