1.一种多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,包括:
步骤S1,采集不同类型及来源的纵向控制信号源;
步骤S2,基于纵向控制信号源,建立离线驱动扭矩数据库和离线制动压力数据库;
步骤S3,基于纵向控制信号源,结合离线驱动扭矩数据库和离线制动压力数据库,设计无模型车速控制策略,计算车速期望驱动扭矩和车速期望制动压力,其中,无模型车速控制策略包括驱动控制和制动控制,驱动控制和制动控制均是采用前馈控制和条件PID反馈控制融合的方式;
步骤S4,基于纵向控制信号源,结合离线驱动扭矩数据库,设计无模型加速度控制策略,计算加速期望驱动扭矩,其中,无模型加速度控制策略采用前馈控制和条件PID反馈控制融合的方式;
步骤S5,基于纵向控制信号源,结合离线制动压力数据库,设计无模型减速度控制策略,计算减速期望制动压力,其中,无模型减速度控制策略采用前馈控制和条件PID反馈控制融合的方式;
步骤S6,根据车速期望驱动扭矩、车速期望制动压力、加速期望驱动扭矩和减速期望制动压力,设计无模型纵向控制模式仲裁策略,输出请求驱动扭矩和请求制动压力,实现自动驾驶车辆的纵向运行;
步骤S6中,无模型纵向控制模式仲裁策略分为两级执行,其中,第一级是扭矩仲裁和压力仲裁,第二级是超限仲裁;
在扭矩仲裁中,根据期望加速踏板开度ap查加速踏板开度-驱动扭矩数据库得到踏板驱动扭矩T16,扭矩仲裁的逻辑为:设定一个驱动扭矩的逻辑阈值ΔTmmax,当|Tv-Ta|<ΔTmmax,|Tv-T16|<ΔTmmax,|Ta-T16|<ΔTmmax同时满足时,输出仲裁扭矩Tvaf=(Tv+Ta+T16)/3,并向自动驾驶的故障处理模块上传驱动扭矩无异常信号;当|Tv-Ta|<ΔTmmax,|Tv-T16|<ΔTmmax,|Ta-T16|<ΔTmmax并不同时满足时,输出仲裁扭矩Tvaf=0,并向自动驾驶的故障处理模块上传驱动扭矩异常信号,其中,Tv表示车速期望驱动扭矩,Ta表示加速期望驱动扭矩;
在压力仲裁中,根据期望制动踏板开度bp查制动踏板开度-制动压力数据库得到踏板制动压力F14,压力仲裁的逻辑为:设定一个制动压力的逻辑阈值ΔFmmax,当|Fv-Fa|<ΔFmmax,|Fv-F14|<ΔFmmax,|Fa-F14|<ΔFmmax同时满足时,输出仲裁压力Fvaf=(Fv+Fa+F14)/3,并向自动驾驶的故障处理模块上传制动压力无异常信号;当|Fv-Fa|<ΔFmmax,|Fv-F14|<ΔFmmax,|Fa-F14|<ΔFmmax并不同时满足时,输出仲裁压力Fvaf=0,并向自动驾驶的故障处理模块上传制动压力异常信号,其中,Fv表示车速期望制动压力,Fa表示减速期望制动压力;
超限仲裁的逻辑是:设定一个驱动扭矩的逻辑阈值ΔTmmin和制动压力的逻辑阈值ΔFmmin,当Tvaf<ΔTmmin时,请求驱动扭矩T=Tvaf,请求制动压力F=Fvaf,且自动驾驶的故障处理模块上传纵向控制无异常信号;当Tvaf>ΔTmmin,且Fvaf<ΔFmmin时,请求驱动扭矩T=Tvaf,请求制动压力F=Fvaf,且自动驾驶的故障处理模块上传纵向控制无异常信号;当Tvaf>ΔTmmin,且Fvaf>ΔFmmin时,请求驱动扭矩T=0,请求制动压力F=Fvaf,且自动驾驶的故障处理模块上传纵向控制异常信号。
2.根据权利要求1所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,纵向控制信号源包括实际加速度ae、期望加速度ar、期望加速踏板开度ap、实际车速ve、期望车速vr、实际驱动扭矩Te、实际制动压力Fe、期望制动踏板开度bp、期望减速度br、实际减速度be。
3.根据权利要求2所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,步骤S2中,建立的离线驱动扭矩数据库有三个,分别是车速-驱动扭矩数据库、车速-加速度-驱动扭矩数据库和加速踏板开度-驱动扭矩数据库;
车速-驱动扭矩数据库是一个一维的离散数据表Tvf(v),插值方式采用三次样条曲线,以实现3阶连续,Tvf(v)的输入是车速,输出是查表得到的车速扭矩;
车速-加速度-驱动扭矩数据库是一个二维的离散数据表Taf(v, a),插值方式采用三次样条曲线,以实现3阶连续,Taf(v, a)的输入是车速和加速度,输出是查表得到的加速扭矩;
加速踏板开度-驱动扭矩数据库是一个一维的离散数据表Tpf(a),插值方式采用双曲正切函数,Tpf(a)的输入是加速踏板开度,输出是查表得到的踏板扭矩。
4.根据权利要求3所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于:
在预设的环境条件下,将额定驱动扭矩范围[Tmin, Tmax]均分为n+1等份,Tmin为额定驱动扭矩最小值,Tmax为额定驱动扭矩最大值,得到驱动扭矩步长ΔT,ΔT=(Tmax-Tmin)/n,按照测试驱动扭矩自Tmin开始,每次累计增加一个驱动扭矩步长ΔT的形式,直至测试驱动扭矩增大至Tmax为止,记录在每一个测试驱动扭矩下发后,车辆达到稳态下的匀速车速,从而得到测试驱动扭矩序列和车速序列,其中,表示第i个测试驱动扭矩,表示第i个匀速车速,则,车速序列和测试驱动扭矩序列分别构成Tvf(v)的横坐标和纵坐标;
在预设的环境条件下,将额定驱动扭矩范围[Tmin, Tmax]均分为n+1等份,得到驱动扭矩步长ΔT,按照测试驱动扭矩自Tmin开始,每次累计增加一个驱动扭矩步长ΔT的形式,直至测试驱动扭矩增大至Tmax为止,记录在每一个测试驱动扭矩下发后,车辆达到稳态下的匀速车速,此时,依次从测试驱动扭矩序列中提取一个驱动扭矩增量加入到测试驱动扭矩中,记录此时的平均加速度,从而得到平均加速度序列和请求驱动扭矩序列,,表示第j个驱动扭矩增量,表示基于和得到的请求驱动扭矩,则车速序列、平均加速度序列、请求驱动扭矩序列分别构成Taf(v, a)的横坐标、纵坐标、垂坐标;
将加速踏板开度范围[0%, 100%]均分为n+1等分,得到加速踏板开度步长Δa,Δa=100/n,加速踏板开度自0%开始每增加一个Δa,形成对应的加速踏板开度,按照双曲正切函数求解对应的测试加速踏板驱动扭矩,得到测试加速踏板驱动扭矩序列和加速踏板开度序列,表示第i个加速踏板开度,表示第i个测试加速踏板驱动扭矩,,tanh表示双曲正切函数,则,加速踏板开度序列和测试加速踏板驱动扭矩序列分别构成Tpf(a)的横坐标和纵坐标。
5.根据权利要求4所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,步骤S2中,建立的离线制动压力数据库有两个,分别为车速-减速度-制动压力数据库和制动踏板开度-制动压力数据库;
车速-减速度-制动压力数据库是一个二维的离散数据表Fbf(v, b),插值方式采用三次样条曲线,Fbf(v, b)的输入是车速和减速度,输出是查表得到的车速-减速制动压力;
制动踏板开度-制动压力数据库是一个一维的离散数据表Fpf(b),插值方式采用双曲正切函数,Fpf(b)的输入是制动踏板开度,输出是查表得到的开度制动压力。
6.根据权利要求5所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于:
在预设的环境条件下,将额定制动压力范围[Fmin, Fmax]均分为n+1等份,Fmin为额定制动压力最小值,Fmax为额定制动压力最大值,得到制动压力步长ΔF,ΔF=(Fmax-Fmin)/n,按照测试制动压力自Fmin开始,每次累计增加一个制动压力步长ΔF的形式,直至测试制动压力增大至Fmax为止,记录在每一个测试制动压力下发后,车辆达到稳态下的匀速车速,从而得到初始制动压力序列,表示第i个初始测试制动压力,此外,依次从初始制动压力序列中提取一个制动压力增量加入到初始制动压力中,记录此时的平均减速度,从而得到平均减速度序列和测试制动压力序列,,表示第j个制动压力增量,表示基于和得到的测试制动压力,表示第j个平均减速度,则,车速序列、平均减速度序列、测试制动压力序列分别构成Fbf(v, b)的横坐标、纵坐标、垂坐标;
将制动踏板开度范围[0%, 100%]均分为n+1等分,得到制动踏板开度步长Δp,Δp=100/n,制动踏板开度自0%开始每增加一个Δp,形成对应的制动踏板开度,按照双曲正切函数求解对应的测试制动踏板压力,得到测试制动踏板压力序列和制动踏板开度序列,表示第i个加速踏板开度,表示第i个测试制动踏板压力,,则,制动踏板开度序列和测试制动踏板压力序列分别构成Fpf(b)的横坐标和纵坐标。
7.根据权利要求6所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,步骤S3中,无模型车速控制策略的驱动控制中,前馈控制部分是通过将期望车速vr代入Tvf(v)中得到车速前馈驱动扭矩T1;条件PID反馈控制部分是根据期望车速vr减去实际车速ve得到的车速误差ev,再依次求得车速比例扭矩T2=Pv×ev、车速积分扭矩T3=Iv×evm、车速微分扭矩T4=Dv×evd、车速条件PID反馈控制扭矩T5= T2+T3+ T4,Pv、Iv、Dv分别为车速比例系数、车速积分系数、车速微分系数,evm为车速累积误差,evd为车速误差增量,无模型车速控制的输出车速扭矩T6= T1+ T5;驱动车速扭矩T7= Te+sign(T6- Te)×min(|T6- Te|, ΔTmax),其中,sign表示符号函数,ΔTmax为设定的驱动扭矩最大增量,min表示取最小值;当T7≥0时,车速期望驱动扭矩Tv= T7;当T7<0时,车速期望驱动扭矩Tv= 0;
在制动控制中,对车速误差ev进行微分得到减速度bv,前馈控制部分是通过将期望车速vr、减速度bv代入Fbf(v, b)得到车速-减速前馈制动压力F1;条件PID反馈控制部分是根据减速度误差evb,依次求得车速-减速比例制动压力F2=Pvb×evb、车速-减速积分制动压力F3=Ivb*evbm、车速-减速微分制动压力T4=Dvb*evbd、车速-减速条件PID反馈控制压力F5= F2+F3+F4,Pvb、Ivb、Dvb分别为车速-减速比例系数、车速-减速积分系数、车速-减速微分系数,evb=bv- be,evbm为车速-减速累积误差,evbd为车速-减速误差增量;无模型车速控制的输出车速-减速制动压力F6= F1+ F5;车速-减速制动压力F7= Fe+sign(F6- Fe)×min(|F6- Fe|, ΔFmax),其中,ΔFmax为设定的制动压力最大增量;当F7≥0时,车速期望制动压力Fv= F7;当F7<0时,车速期望制动压力Fv= 0。
8.根据权利要求7所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,步骤S4中,无模型加速度控制策略的前馈控制由两部分组成,其中,前馈控制的第一部分是实际车速ve代入Tvf(v)得到加速驱动扭矩T8,前馈控制的第二部分是将实际车速ve、期望加速度ar代入Taf(v, a)得到速度-加速驱动扭矩T9;条件PID反馈控制部分是根据期望加速度ar和实际加速度ae的加速度误差ea,依次求得加速比例扭矩T10=Pa×ea、加速积分扭矩T11=Ia×eam、加速微分扭矩T12=Da×ead、加速条件PID反馈控制扭矩T13= T11+ T12+ T10,Pa、Ia、Da分别为加速比例系数、加速积分系数、加速微分系数,eam为加速累积误差,ead为加速误差增量;无模型加速度控制的输出加速扭矩T14= T13+ T8+ T9;驱动加速扭矩T15= Te+sign(T14-Te)×min(|T14-Te|, ΔTmax),当T15≥0时,加速期望驱动扭矩Ta= T15;当T15<0时,加速期望驱动扭矩Ta= 0。
9.根据权利要求8所述的多模式冗余的自动驾驶车辆无模型纵向控制方法,其特征在于,步骤S5中,无模型减速度控制策略的前馈控制部分是通过将实际车速ve、期望减速度br代入Fbf(v, b)得到减速前馈制动压力F8;条件PID反馈控制部分是根据减速度误差eb,依次求得减速比例制动压力F9=Pb×eb、减速积分制动压力F10=Ib×ebm、减速微分制动压力F11=Db×ebd、减速条件PID反馈控制压力F12=F10+F11+ F9,Pb、Ib、Db分别为减速比例系数、减速积分系数、减速微分系数,eb=br- be,ebm为减速累积误差,ebd为误差增量;减速制动压力F13= Fe+sign(F12- Fe)×min(|F12- Fe|, ΔFmax);当F13≥0时,减速期望制动压力Fa= F13;当F13<0时,减速期望制动压力Fa= 0。