写在前面:
🌟 欢迎光临 清流君 的博客小天地,这里是我分享技术与心得的温馨角落。📝
🎭 人生如戏,我们并非能选择舞台和剧本,但我们可以选择如何演绎 🌟
感谢您的支持与关注,让我们一起在知识的海洋中砥砺前行~~~
文章目录
- 一、车辆运动控制架构
- 1、整体架构
- 2、底层控制器的选取
- 2、控制策略总结
- 二、车辆运动控制输出
- 1、控制量的选取策略
- 2、一阶与二阶微分组合的应用场景分析
- 3、MPC车辆控制关键要素
- a)模型选择
- b)目标函数选择
- c)约束选择
- d)底层控制器选择
- 三、经典车辆模型
- 1、运动学自行车模型 (kinematics bicycle model)
- 2、动力学自行车模型 (Dynamic bicycle model):
- 四、曲线坐标车辆模型 (Curvilinear Coordinates vehicle model)
- 1、模型状态量
- a)参考轨迹
- b)车辆自身
- 2、模型输入量
- a)积分比微分准确
- b)输入项和舒适度相关
- 五、车辆模型推导
- 1、车辆运动和参考轨迹之间的关系
- 2、与自行车模型的结合
- 六、模型特点
- 1、非线性模型
- 2、横纵向耦合
- 3、描述车辆运动与参考轨迹之间的关系
- 七、车辆侧偏角的计算
- 八、MPC的模型选取
- 1、要求精确度
- 2、要求快速性
一、车辆运动控制架构
1、整体架构
本文深入研究如何应用 MPC 进行车辆控制,先看如下架构图:
运动规划模块生成参考路径,同时给出速度参考并构建约束,约束中包含了上层对车辆安全性能的考量,包括安全的驾驶范围。接下来把参考路径和约束作为输入给到 MPC 里, MPC 根据输入的约束和参考路径进行优化。
MPC 可以根据当前反馈的测量值和模型预测在一定时域内的车辆 预测轨迹(predicted trajectory),同时生成一系列 最优解的控制序列(Optimal control horzion),把其中第一个控制量发给车量的 底层控制器(Low level control),最终产生油门、刹车来控制车辆运动。
2、底层控制器的选取
部分情况下底层控制器不是必需的:
- 若 MPC 运算足够快,则不需要使用底层控制器也可以直接产生油门、刹车和方向盘的指令。
- 若 MPC 问题构架复杂,运算量较大,长时间下很难保证系统的实时性,这种情况下需要加入底层控制器避免延时的问题,常用底层控制器:PID,可运行在高频架构下,保证抗干扰性能。
2、控制策略总结
- MPC 的作用是在有限时域内,对车辆轨迹不断迭代优化,并产生相应的轨迹追踪控制信号,每当收到新的反馈,就需要基于MPC进行新的优化,保证优化的实时性;
- 好的模型会让 MPC 生成高质量的预测状态从而保证准确性和有效性;
- 构建的约束会对提高优化解的安全性;
- 目标函数可以更好选取需要优化的量,从而最大限度保证车辆达到预期行驶的方向和轨迹追踪。
二、车辆运动控制输出
1、控制量的选取策略
下面考虑MPC输出给底层控制器的变量选择什么,在不同的应用下有不同的选择:
速度
加速度
加加速度
转角
转角速度
转角加速度
比如可以选择加速度和转角速度,那么就是控制加速度和转向角变化率
一般来讲,在把 MPC 运用到耦合的横向和纵向运动的,必须都存在这两方面的控制量。
2、一阶与二阶微分组合的应用场景分析
控制量的选取有如下组合:
- 速度
- 加速度
- 加加速度
具体使用一阶微分的组合还是二阶微分的组合,要根据不同的应用场景。
转角加速度),可以保证速度和加速度具有连续性和平滑性,并且可以有针对性优化加加速度(跃度)和转角加速度。
3、MPC车辆控制关键要素
总的来说,用 MPC 进行车辆控制,需要注意以下几个方面:
a)模型选择
选择合理的模型构建系统,预测未来信息,针对不同应用场景选择不同的颗粒度。
b)目标函数选择
保证轨迹追踪的实时性、车辆控制效率、舒适度。
c)约束选择
保证安全性和模型准确性(满足模型、驱动力限制)。
d)底层控制器选择
基于底层控制器加入引擎关系、动力模型、执行器模型、轮胎力模型等。
三、经典车辆模型
1、运动学自行车模型 (kinematics bicycle model)
一个准确的模型可以让我们求解最优控制量时,使预测误差和实际误差比较小。但同时也会导致问题变复杂,所以 MPC 设计很重要的就是选择合适的模型,根据具体问题权衡模型的简化和准确程度。
运动学自行车模型如下:
只需要四个参数就可以描述车辆的运动轨迹:
2、动力学自行车模型 (Dynamic bicycle model):
需要更多、更复杂的变量来精准描述车辆模型:
包括车辆侧边角等参数。
实际使用要根据不同应用场景选择模型:
- 在低速情况下,使用运动学模型就足够了。
- 在高速情况下,比如赛车场景,需要快速且能过急转弯,就必须考虑轮胎侧滑和摩擦的影响,需要使用动力学模型。
总而言之,要结合具体问题选择适合的模型。
四、曲线坐标车辆模型 (Curvilinear Coordinates vehicle model)
下面来介绍一个能够有效描述车辆与参考轨迹之间关系的车辆模型:曲线坐标车辆模型(Curvilinear Coordinates Vehicle Model)。
该模型描述车辆相对轨迹的速度与车辆自身速度之间的关系,与轨迹之间的横向误差、轨迹曲率之间的关系。
下面来看一下这个模型的这个状态量和输入量都有哪些?
1、模型状态量
模型的状态量是由两部分组成:①参考轨迹;②车辆自身。
a)参考轨迹
描述。在任意一点用
或
表示当前点的轨迹朝向。把
的方向平移到车辆当前点的位置,可以得到
和车辆自身
之间的夹角,就是车辆当前朝向相对参考轨迹匹配点的朝向
。车辆的参考轨迹是绕着转动中心以
的速度转动,旋转半径为
,车辆与匹配点之间沿着垂直于轨迹切线方向的距离为
b)车辆自身
是横向
和纵向
的合成速度,加速度
是车辆在行进方向的速度变化,转向角为
,由此构成了
个状态变量的模型:
其中,
为车辆沿参考轨迹的行驶距离,n车辆与参考点的横向误差,
为车辆当前的航向,
为车辆的速度,
为车辆行驶方向上的加速度,
为转向角,
为转向速率。
其中有些变量是为了描述约束而建立,并不是要把所有变量都给底层控制器。
2、模型输入量
下面来研究模型的输入量:
选用加加速度(jerk) 和转角加速度
来作为输入量,这就是 加加速度
的控制量组合。
为什么要来选择这两个参数作为输入量?
a)积分比微分准确
如果求出了速度,再把它二次微分求加加速度的话,这个加加速度会包含很多噪声,而其反向操作——积分会准确得多。反之如果拿到了加加速度,可以反向积分求加速度以及速度, 同样对于转向角也一样。
b)输入项和舒适度相关
可以有针对的去优化 加加速度 和 转角加速度,因为这两项和舒适度息息相关。
五、车辆模型推导
下面来介绍整个模型是如何推导的。
1、车辆运动和参考轨迹之间的关系
,方向和
的切线方向一致,大小等于车辆自身坐标系下纵向速度
和横向速度
在
方向上的分量之和:
车辆沿参考轨迹的运动速度可以通过参考点旋转半径 减去车辆与参考点之间的距离
,再乘以旋转速度
, 参考轨迹点的行进速度
等于
乘以旋转速度
,联立起来,可以写成如下形式:
这样就可以建立起参考轨迹
和车辆速度
来代替旋转半径的倒数
,可以得到用曲率
来表示参考轨迹
和车辆速度
之间的关系:
这样就建立起了车辆运动和参考轨迹之间的关系。
2、与自行车模型的结合
下面将车辆运动和参考轨迹之间的关系与 自行车模型(Bicycle model) 结合:
,可以得到其与
关系 ,把这两个式子带进去:
其中,
就是车辆速度
和轨迹参考点速度
就是
沿着横向的分量,可以写成如下形式:
车头朝向的旋转速度
就是车本身的旋转速度
和参考系旋转速度
之差。用 r 来代表车自身的旋转速度,可以写作
,
是车辆的旋转半径,由于
,把
换成
,那么就是等于
,这样就可以写成
,那么可以推导出如下关系:
把刚才的推导整理一下,可以得到以下车辆模型:
六、模型特点
1、非线性模型
在里面,所以是非线性模型。
2、横纵向耦合
其最大特点是把纵向和横向运动耦合起来,也就是在 里和
3、描述车辆运动与参考轨迹之间的关系
该模型给很好地描述了车辆运动和参考轨迹之间的关系。
七、车辆侧偏角的计算
直接可以测得,当前航向
可以通过两个 朝向相减得到,
可以通过相对距离计算。
是个轨迹里自带的属性,其中唯一需要计算的就是
,根据自行车模型的几何关系得到:
根据互余可知 ,所以
,可以得到
同时还知道
,根据三角关系可得
。在
中应用正弦定理:
把这个式子展开,分母同除以
,得到以下关系:
可计算出
因此可得
:
其他量都可以实时计算出来,那么就可以建立起曲线坐标车辆模型。
八、MPC的模型选取
用什么模型构建MPC,要根据需求或具体情况来进行分析:
1、要求精确度
- 非线性(Nonlinearity)
- 动力学模型(Dynamics)
- 横纵向耦合(Coupled)
2、要求快速性
- 线性(Linear)
使用二次规划QP求解。 - 运动学模型(Kinematics)
适用于低速情况,忽略轮胎特性和轮胎刚度,牺牲部分准确度。 - 解耦合(Decoupled)
降低模型复杂度,求解起来更快速。但这种方法存在缺点:缺少横纵向之间的联系,需要在后续增加把横纵向联合起来的过程,或者是在前期的运动规划模块中解决。
模型选取需要取舍,并不是越准确或越快越好,要有效选择适合的模型。
后记:
🌟 感谢您耐心阅读这篇关于 曲线坐标车辆模型 的技术博客。 📚
🎯 如果您觉得这篇博客对您有所帮助,请不要吝啬您的点赞和评论 📢
🌟您的支持是我继续创作的动力。同时,别忘了收藏本篇博客,以便日后随时查阅。🚀
🚗 让我们一起期待更多的技术分享,共同探索移动机器人的无限可能!💡
🎭感谢您的支持与关注,让我们一起在知识的海洋中砥砺前行 🚀