日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

極限工況下的無人駕駛路徑跟蹤 | 斯坦福大學(xué)團隊最新研究成果

2018-09-26 23:56:49·  來源：集成與控制研究室 同濟智能汽車研究所  
　
本文由同濟智能汽車研究所編譯，轉(zhuǎn)載請注明出處。文章譯自2017年美國控制年會的會議論文《Path-Tracking for Autonomous Vehicles at the Limit of Friction》原
本文由同濟智能汽車研究所編譯，轉(zhuǎn)載請注明出處。
文章譯自2017年美國控制年會的會議論文
《Path-Tracking for Autonomous Vehicles at the Limit of Friction》
原作者：Vincent A. Laurense, Jonathan Y. Gohand J. Christian Gerdes 
編者按：據(jù)美國汽車媒體Autoblog報道，近日，斯坦福大學(xué)的工程師們在加州著名的雷山賽道公園完成了經(jīng)改良的奧迪TTS無人駕駛，圈速甚至超過了有人駕駛車輛。這輛改良過的賽車奧迪TTS名為“雪萊”，而斯坦福大學(xué)的Gerdes教授已經(jīng)從事無人車輛的線控底盤控制許多年了，希望能夠?qū)崿F(xiàn)無人駕駛的高速行駛以及提高無人駕駛的安全性。下文譯自Gerdes教授的最新科研論文，有興趣的讀者可以關(guān)注更多該團隊的研究進展。 
 
摘要：對輪胎附著能力的利用程度對緊急工況或者競速中的車輛而言是至關(guān)重要的。當(dāng)不足轉(zhuǎn)向車輛在極限過彎的時候發(fā)生前軸飽和，轉(zhuǎn)向系統(tǒng)已經(jīng)失去了路徑跟蹤的能力。無人駕駛車輛的試驗數(shù)據(jù)表明，在附著極限下通過轉(zhuǎn)向操作進行路徑跟蹤，要求附著系數(shù)的誤差在大約2%以內(nèi)。這完全超過了現(xiàn)有的實時路面附著系數(shù)估計算法的能力。收集的一個專業(yè)賽車駕駛員的駕駛數(shù)據(jù)啟發(fā)出一個新穎的控制框架，基于側(cè)偏角的控制策略——保持前輪處于最大輪胎附著利用率的側(cè)偏角，以及相應(yīng)路徑跟蹤的縱向車速控制方法。這個方法最大的好處是大大降低了對于附著系數(shù)估計精度的依賴。基于這一概念設(shè)計了控制器，試驗結(jié)果表明在附著系數(shù)未知的前提下，車輛在附著極限下也能夠成功跟蹤圓周路徑。 
 
1、前言 
 
擴大車輛的行駛極限需要盡可能地利用輪胎的附著能力。相應(yīng)地，這也能夠提高車輛避障的能力、防止車輛偏離道路、降低碰撞的損傷，甚至提高車輛比賽的圈速成績。隨著線控底盤技術(shù)的發(fā)展，即使在輪胎附著極限的情況下，ADAS和智能駕駛系統(tǒng)也有可能通過連續(xù)的控制來提高車輛的安全性。 
Kritayakirana為路徑跟蹤而設(shè)計的速度跟蹤和獨立轉(zhuǎn)向控制系統(tǒng)證明了智能汽車在附著極限下的控制可行性[1]。Beal和Gerdes利用MPC算法設(shè)計了智能車輛在極限工況下的側(cè)向動力學(xué)控制系統(tǒng)[2]。這兩套控制系統(tǒng)都要求對路面附著系數(shù)進行估計，并且在試驗中都運用了離線的估計結(jié)果。而實際使用過程中需要將附著系數(shù)替換成在線的估計結(jié)果。 
 
Hsu在單純轉(zhuǎn)向工況中利用轉(zhuǎn)向力矩來試試估計路面附著系數(shù)[3]。Hahn同樣利用車輛側(cè)向動力學(xué)設(shè)計了車輛參數(shù)實時辨識算法來估計路面附著系數(shù)和輪胎的側(cè)偏剛度[4]。Ray利用側(cè)向和縱向動力學(xué)設(shè)計了一個基于貝葉斯假設(shè)的測試框架，從統(tǒng)計數(shù)據(jù)上看，觀測器能夠很好地估計不同的附著程度假設(shè)的輪胎力[5]- [9]。 
 
在極限行駛工況下，轉(zhuǎn)向控制已經(jīng)不是路徑跟蹤的有效控制輸入了，因為此時再增大轉(zhuǎn)角也已經(jīng)無法增加行駛的曲率——曲率的上限取決于車速。因此，極限工況下路徑跟蹤的典型轉(zhuǎn)角控制需要準(zhǔn)確估計給定曲率和地形的路徑下允許的最大車速。這意味著需要準(zhǔn)確估計路面的附著系數(shù)。本文中試驗數(shù)據(jù)表明這樣的控制器需要路面附著系數(shù)的估計誤差在大約2%以內(nèi)才能達到與專業(yè)賽車駕駛員在極限行駛過程中同等的行駛性能。而這要求超出了現(xiàn)有的實時估計算法的能力范疇。
 
在緊接著的賽道測試中，一名專業(yè)駕駛員表明，他的圈速比智能駕駛控制系統(tǒng)的更快，主要是因為他能夠更好地利用輪胎附著能力。記錄的數(shù)據(jù)催生出一個針對不足轉(zhuǎn)向車輛轉(zhuǎn)向過程的基于輪胎側(cè)偏角的轉(zhuǎn)角控制方法，目的是讓前輪保持在最大輪胎力對應(yīng)的側(cè)偏角上。另外，相比于轉(zhuǎn)角控制，大家公認(rèn)的是速度反饋也能夠用于路徑跟蹤。這會是一個全新的控制架構(gòu)，能夠讓智能汽車在跟蹤目標(biāo)路徑的同時盡可能地利用輪胎的附著能力。對輪胎模型的分析可知，對路面附著系數(shù)的實時估計精度要求遠低于利用轉(zhuǎn)角控制實現(xiàn)路徑跟蹤的估計精度要求。
 
為了驗證這一控制邏輯，一個新的縱向速度控制器被設(shè)計出來跟蹤一個圓周路徑，另外由Subosits和Gerdes設(shè)計的一個基于車輪側(cè)偏角的轉(zhuǎn)向控制器被用來控制前輪在給定滑移率下保持最大輪胎力對應(yīng)的側(cè)偏角[10]?？v向速度控制器和側(cè)偏角控制器都需要估計路面附著系數(shù)，因此根據(jù)Ray的假設(shè)測試算法建立了基于側(cè)向動力學(xué)路面附著系數(shù)的在線估計器[5]- [9]。
 
第二部分介紹了該研究用到的車輛和車輛建模。而在第三部分，賽道的收集數(shù)據(jù)表明，對于一個基于轉(zhuǎn)角控制的智能駕駛路徑跟蹤器，路面附著系數(shù)的估計誤差要求在大約2%以內(nèi)。同時，專業(yè)賽車駕駛員的行駛數(shù)據(jù)中迸發(fā)出一個新的方法來更有效利用車輪的附著能力。第四部分介紹了一個類似的智能駕駛控制器。第五部分的試驗結(jié)果表明在附著情況未知的情況下，本文提出的控制架構(gòu)和在線附著估計器能夠在極限工況下成功地跟蹤給定的圓周路徑。
圖1 無人駕駛Audi TTS Quattro研究車輛
圖2 平面車輛單軌模型和路徑跟蹤狀態(tài)
2
試驗車輛與車輛模型
A．試驗車輛介紹
一輛2009年Audi TTS Quattro試驗車輛，如圖 1所示，裝備了一個主動液壓主缸、DSG變速箱、EPS、電子節(jié)氣門和整車CAN網(wǎng)絡(luò)。無人駕駛控制器運行以200Hz的頻率運行中dSPACE公司的MicroAutoBoxII上面，一臺OxTS RT4003慣性導(dǎo)航儀和差分GPS被安裝在測試車輛上，用于測量車輛和路徑跟蹤的狀態(tài)。轉(zhuǎn)角控制器由Kapania和Gerdes設(shè)計完成[11]。本文的數(shù)據(jù)是在美國加州威洛斯的雷山賽道公園采集的。
B．車輛動力學(xué)建模
一個平面單軌車輛模型，如圖 2所示，為數(shù)據(jù)分析和控制器設(shè)計提供了一個簡單而直觀的車輛模型。在這個模型中，同一軸上的兩個車輪被近似為一個集中車輪，從而模擬穩(wěn)態(tài)的側(cè)向載荷轉(zhuǎn)移等影響因素。該模型有三個速度狀態(tài)：縱向速度Ux、側(cè)向速度Uy和橫擺角速度r。除了車輛的速度狀態(tài)外，圖 2還描繪了車輛質(zhì)心出的合速度V、質(zhì)心側(cè)偏角β和轉(zhuǎn)向角δ。另外，為了表示車輛和路徑的關(guān)系，沿著路徑的距離s和側(cè)向位移誤差e也被標(biāo)出。車輛航向ψ和路徑的航向ψr之間的偏差用來△ψ表示。
圖3 第2道彎中測量的速度數(shù)據(jù)（左）
和相應(yīng)的時間差距（右）
（跟蹤分別由μ=0.92和0.94生成的不同速度配置）
C．輪胎模型
每個車軸上的等效集中車輪力是用單一附著系數(shù)的刷子輪胎模型來建模[12]，例子可以參考Hindiyeh的論文[13]。在這一模型中，等效輪胎可以通過側(cè)向剛度Cα和縱向剛度Cκ來表征，兩個參數(shù)可以通過直線制動和斜坡轉(zhuǎn)角輸入來辨識得到，后者在Voser的論文[14]中有介紹?？v向力Fx和側(cè)向力Fy，如圖 2所示，是側(cè)偏角α、滑移率κ、垂直載荷Fz以及路面附著系數(shù)μ的函數(shù)。當(dāng)γ≥3μFz的時候，輪胎出現(xiàn)飽和，并且有最大輪胎力。在單純轉(zhuǎn)向操作過程中，沒有驅(qū)動力矩或者制動力作用在車輪上，κ=0，對應(yīng)最大側(cè)向力的峰值側(cè)偏角αpeak為：                                       
3
極限行駛
圖 3是無人駕駛車輛在經(jīng)過第二個彎道（一個較長的左轉(zhuǎn)彎）的縱向車速。參考路徑是基于回旋曲線非線性優(yōu)化得到的[15]。而這二維的路徑對應(yīng)的速度分布圖是綜合考慮三維地形因素得到的[16]。分別跟蹤的兩個不同的速度分布圖如圖 3：其中一個要求路面附著系數(shù)大于0.92，另外一個稍微快一點的則要求附著系數(shù)大于0.94。這兩組估計值是通過經(jīng)驗值選取的，并且是為了最小圈速而選擇的。A．無人駕駛車輛路徑跟蹤的速度跟蹤和獨立轉(zhuǎn)向控制
圖4 第2道彎中測量的前軸側(cè)偏角（左）
和側(cè)向位移誤差（右）
（跟蹤分別由μ=0.92和0.94生成的不同速度配置）
 
另外圖 3還指出了沿著參考路徑行駛時以更快的速度分布圖為目標(biāo)的車輛相對另一輛的時間差距。不同的車輛行駛距離和速度下，相對的時間差距都在變化，這與輪胎利用程度有關(guān)。
分享到：
 
反對 0 舉報 0 收藏 0 評論 0
滬ICP備11026917號-25