一种无人驾驶汽车自动刹车控制装置及方法与流程

本发明涉及到智能汽车，尤其是涉及到一种无人驾驶汽车自动刹车控制装置及方法。

背景技术：

汽车安全性是无人驾驶技术的重要指标，无人驾驶自动刹车技术又是主动安全技术环节最重要的技术之一。在无人驾驶自动刹车系统中通常通过传感技术，探测周围信息，并使用处理模块判断前车当前相对距离和相对车速，据此控制当前车辆的速度和加速度，避免碰撞的发生。因此在遇到紧急情况下自动刹车尤其重要。

无人驾驶车辆的自动刹车系统需要准确探测前方车辆方位信息，速度信息及加速度信息，据此结合车辆本身结构及动力学特性做出应对的控制，在文献中([1]安定衡,孟博渊,杨世文.一种汽车自动刹车系统的研究[j].农业装备与车辆工程,2009(4):42-43.)所述的自动刹车系统通过设定速度及距离的门限值实现自动刹车，并未建立车辆动力学模型，因此控制结果也不能达到理想效果。自动刹车控制系统需要建立一个纵向动力学的逆模型，输入相对车速和相对距离，得到一个相应的制动压力，建立对车辆准确描述的动力学系统尤为重要，准确的动力学系统是实现精准控制的前提，目前对车辆制动动力学多采用的是物理模型建模，并且对其做了相应的简化如文献([2]郑杰.车辆自动紧急制动系统建模与仿真研究[d].武汉理工大学,2015)，然而物理方式建模对车辆结构参数过于依赖，并且在复杂多变的工况下，车辆结构参数极易变化，物理建模的方式不是一种实用性广数学建模方法。

技术实现要素：

本发明的目的在于提供一种无人驾驶汽车自动刹车控制装置及方法。

所述无人驾驶汽车自动刹车控制装置包括信息采集模块、数据处理模块、自动刹车控制系统和自动刹车制动执行模块；所述信息采集模块采集当前车速和与障碍物之间的距离，所述数据处理模块利用信号采集模块的当前车速及与障碍物间的距离计算出当前车辆与障碍物之间的相对速度和相对距离，所述自动刹车控制系统由数据处理模块得到的相对距离和相对速度信息利用蚁群优化神经网络系统辨识得到纵向逆动力学模型，并依此逆动力学模型作为预测控制的预测模型，采用预测控制策略根据当前信息作出预测判断，不仅对当前车辆状态进行控制，而且还对若干周期内的状态进行预测并基于此对当前输入修正；所述自动刹车控制系统输出的轮缸制动压力将发送到自动刹车制动执行模块中，自动刹车制动执行模块中可将制动压力信息变为可执行指令传到轮缸控制器，改变轮缸压力大小，实现车辆的制动。

所述无人驾驶汽车自动刹车控制方法包括以下步骤：

1)将信息采集模块装载在车前方的毫米波雷达，实时的对无人驾驶车辆前方环境监测，通过毫米波雷达得到信息当前车速和与障碍物之间的距离信息；

2)数据处理模块由信息采集模块得到的当前车速及与障碍物的距离，传入数据处理中心，计算得出当前车辆与障碍物之间的相对距离和相对速度，并将此信息传入到刹车预测控制系统中；

3)自动刹车控制系统包括逆动力学模型系统辨识和自动刹车预测控制；

在步骤3)中，所述逆动力学模型系统辨识的方法可为：

(1)利用数据驱动辨识技术：采用蚁群优化神经网络寻求最优的神经网络结构和权值和阈值，并依此神经网络系统辨识建立车辆纵向逆模型，以当前相对车速和相对距离为输入，轮缸制动压力为输出；由毫米波雷达测得信息经数据处理模块得到的相对车速和相对距离，制动压力阀处安装压力传感器可得到制动力，得到输入输出，建立纵向模型非线性系统如下描述：

y(t)＝f[y(t-1),...y(t-n),u(t-d),....u(t-d-m)]

表示双输入单输出非线性动态系统，m和n分别表示输入u和输出y的阶次，d为非线性系统的时滞，f(·)表示一个未知待辨识的连续非线性函数；

(2)确定输入输出进行辨识实验：选取无人车平地起步加速，相对障碍物制动减速，进行试验，获得大量输入输出数据；

(3)数据的预处理：对于车辆运行中存在的不确定性和不稳定的因素，采集过程中含有大量噪声，利用小波分析法对采集的数据进行滤波；

(4)使用预处理过的数据对神经网络进行训练。得到精确的车辆纵向动力学的逆模型。

所述自动刹车预测控制的方法可为：

(1)基于预测控制算法，将系统辨识得到的纵向逆动力学模型作为预测模型，并离散化建立系统离散模型；

(2)根据车辆刹车时候性能要求，设计控制器性能指标，进行滚动优化；

(3)根据预测输出量和当前输出量进行反馈矫正。

4)自动刹车制动执行模块，在自动刹车控制系统输出的制动压力值经过制动执行模块处理成可执行指令，对各个制动缸压力进行控制。

本发明的优点在于由神经网络辨识得到较为精准的逆动力学模型能够准确的表达无人车的逆动力学特性，省去繁杂的物理建模过程，基于预测控制算法控制，使得无人驾驶车辆实时地根据外界信息得到相应速度与加速度给予无人车制动压力，实现无人驾驶模式并避免碰撞发生。

附图说明

图1为自动刹车控制系统结构图。

图2为自动刹车逆动力学模型辨识流程图。

具体实施方式

以下结合附图对本发明无人驾驶车辆自动刹车装置及方法作进一步详细的说明。

本发明提供一种无人车自动刹车的控制系统及方法，包括信息采集模块、数据处理模块、自动刹车控制系统和自动刹车制动执行模块，整个装置结构如图1所示，信息采集模块采集利用毫米波雷达采集当前车速和与障碍物之间的距离，数据处理模块是利用信号采集模块的当前车速及与障碍物间的距离计算出当前车辆与障碍物之间的相对速度和相对距离。自动刹车控制模块由数据处理模块得到的相对距离和相对速度利用蚁群优化神经网络系统辨识得到纵向动力学逆模型，并依此动力学逆模型作为预测控制的预测模型，采用预测控制策略根据当前信息作出预测判断，不仅对当前车辆状态进行控制，而且还对若干周期内的状态进行预测并基于此对当前输入修正；自动刹车控制模块输出的轮缸制动压力信号将发送到自动刹车制动执行模块中，自动刹车制动执行模块中可将制动压力信息变为可执行指令传到轮缸控制器，该模块包括制动信号输入部分、高压源及轮缸压力调节部分，高压源由液压泵、电机、储能器和压力传感器组成，电机带动液压泵在储能器中形成高压，可通过压力传感器测得压力值，轮缸压力调节器改变轮缸压力大小，实现车辆的制动。实施方法的具体步骤如下：

a.信息采集模块

装载在车前方的毫米波雷达，实时的对无人驾驶车辆前方环境监测，通过毫米波雷达得到信息当前车速和与障碍物之间的距离。

b.数据处理模块

由信息采集模块得到的当前车速及与障碍物的距离，传入数据处理中心，计算得出当前车辆与障碍物之间的相对距离和相对速度，并将此信息传入到刹车预测控制系统中。

c.自动刹车控制系统包括两大部分，逆动力学模型系统辨识部分和自动刹车预测控制部分：

c1.逆动力学模型系统辨识

利用数据驱动辨识技术，采用神经网络系统辨识的建模方法，离线建立无人车纵向动力学的逆模型，以当前相对车速和相对距离为输入，制动压力为输出。利用毫米波雷达实时测试前车的车速及与障碍物之间的距离，并由数据处理模块得到当前时刻无人驾驶车辆与障碍物之间的相对距离与速度，在制动压力阀处安装压力传感器，可得到制动压力阀的制动压力。利用蚁群优化神经网络训练权值和阈值。通过系统辨识建立无人驾驶车辆的纵向动力学逆模型，逆动力学模型描述如式(1)：

y(t)＝f[y(t-1),...y(t-n),u(t-d),....u(t-d-m)](1)

其中，m和n分别表示输入u和输出y的阶次，d为非线性系统的时滞，f(·)表示一个未知待辨识的连续非线性函数。

蚁群优化神经网络系统辨识具体包括以下步骤：

第一步，数据预处理，对实车进行平地起步加速和高速制动减速实验，并利用传感器采集样本数据566组，采用最大值最小值限幅方法出除去原始数据中不符合其范围的数据，并且采用3σ准则剔除异常数据，设原始数据样本为y1,y2,y3,...yn，平均值为偏差按照公式(2)计算标准偏差：

若某一数据样本yi对应的偏差ei,满足|ei|＞3σ，则认为此数据不符合要求，删除此数据。

样本数据中变量幅值和单位不同，在网络训练前需做归一化处理，是网络输入和输出各数值都在[-1,1]之间，归一化处理如公式(3)：

其中，y′(n)是样本数据p中第n个归一化后的值，y(n)是归一化前原始数据，max(p)和min(p)分别是p中最大值和最小值。

经过上述预处理后，可得到424组数据。其中利用400组进行网路训练，24组数据作为网路测试。

第二步，利用改进蚁群算法优化网络的隐含层和各链接权值参数，隐含层节点数和网络权值(按照输入层、隐层和输出层的顺序排列)构成的集合q的行向量，隐层节点单独生成n个整数，权值向量分别由n个随机值构成。具体步骤过程如下：

1)初始化：设置蚂蚁数为h个，时间t＝0,循环次数为nc＝0，设置最大循环次数ncmax,随机产生网络参数q，令途径(i,j)信息素τj(q)＝c(常数)，且初始时刻δτj(q)＝0,将h只蚂蚁随机放在m个集合中的某h个元素上。

2)启动所有蚂蚁，每只蚂蚁依此遍及所有的集合，并从每个集合中的n个元素中按下规则选取一个，最终所选取的m个元素组成一组网络参数，规则如下：对于集合q，蚂蚁k(k＝1,2,3......h)根据公式(4)计算的概率随机选择第j个元素，将蚂蚁移动到具有最大状态转移概率的元素，并把改元素位置记录在禁忌表中。

3)重复步骤2)，直到所有蚂蚁都到达全部食物源，也就是全部的集合中选择h组网路参数。

4)令t＝t+m、nc＝nc+1，利用各蚂蚁的权值，将样本数据带入网络中输出，计算网络输出值和误差，记录最优解，经过m个时间单位蚂蚁从蚁巢到达食物源，各路径上的信息素根据公式(5)～(7)进行更新。

τj(q)(t+m)＝(1-ρ)τj(q)(t)+δτj(q)(5)

其中，ρ是信息素挥发系数，是表示加了奖励与惩罚措施后集合q中第j个元素的信息量增量，分别表示第k只蚂蚁在第nc-1次和第nc次迭代时所选网路参数对应网络的目标数值，若则信息素增加(奖励)；若则信息素减小(惩罚)。

5)若蚂蚁全部收敛到一条路径上或这循环次数nc>ncmax，则输出最优解，算法结束，否则清空禁忌表并转到步骤2)执行。

第三步，网络训练，经过第二步得到神经网络系统，神经网络系统输入为当前相对距离和相对车速，神经网络系统输出为制动压力，并将此网络作为车辆动力学逆模型。

c2.自动刹车预测控制

第一步，由神经网络辨识得到所述的无人驾驶车辆纵向动力学逆模型作为预测模型。神经网络辨识出来的逆模型，考虑到车辆在运行过程中的诸多不确定因素，当车辆检测到前方障碍物需要减速时，控制程序会自动计算期望减速度，车辆在控制系统作用下以一定减速度行驶，最终得到期望速度。将非线性动态系统离散转化为公式(8)所示的非线性模型来预测

第二步，根据系统的性能指标函数公式(9)，不断迭代得到控制律，进行滚动优化：

j＝(y(t+1)-yr(t+1))²+λ(δu(t+1))²(9)

其中，λ是控制的加权系数。yr(t+1)是预测期望值，通过性能指标函数最小化，不但能够使参考模型与被控对象输出之间误差最小，而且能够通过加权系数抑制被控对象输入剧烈变化和减小控制力度。

第三步，反馈校正，每次预测控制控制量为δu(k)，预测输出可根据公式(10)计算得到：

其中，表示在t＝kt的时刻预测输出，由于存在模型误差及干扰，系统的输出预测值不可能与预测模型完全一致，因此需要将预测输出和实际输出做偏差，并进行反馈修正及补偿：

y(k+1)＝aδu(k)+he(k)(11)

其中，he是反馈误差系数。

通过滚动优化和反馈校正，得到预测模型不断接近实际控制对象模型，并根据当前信息，可预测未来的输出，得到理想的输出。

d.自动刹车制动执行模块

本步骤中，由刹车预测控制系统输出的车速信号送入刹车制动执行模块中并处理成信号指令，发到各制动盘，如图1中所示，刹车制动执行模块包括制动信号输入部分、高压源、轮缸压力调节装置，电机带动液压泵在蓄能器中建立高压，并由此控制各轮缸的压力值。

图2给出自动刹车逆动力学模型辨识流程图。