一种自动驾驶车辆轨迹跟踪控制系统

1.本发明涉及自动驾驶领域，尤其适用于自动驾驶车辆轨迹跟踪控制系统领域。


背景技术：

2.自动驾驶车辆的关键技术主要有：环境感知、行为决策、路径规划和车辆运动控制。运动控制处于最后一个环节，也是非常重要的环节。在运动控制方面的研究主要分为横向和纵向控制两大类：横向控制主要是控制汽车的前轮转角，以完成对期望轨迹的跟踪并能保证车辆行驶稳定性；纵向控制是对车速进行跟踪以保证车辆通过变化速度适应不同的道路环境。一般车辆是需要横向控制和纵向控制相互配合以达到以不同状态行驶的目的。尽管有许多学者对车辆的横向控制、纵向控制以及综合控制做了研究，但仍然有不足之处：
3.有很多研究采用模型预测控制方法进行轨迹跟踪控制，该方法能通过目标函数对多种约束进行限制，从而保证车辆轨迹跟踪的精确性和稳定性。预测时域是模型预测控制中的关键参数，其大小直接影响到轨迹跟踪的控制效果。
4.但是很多研究都将模型预测控制方法中的预测时域作为定值，导致该方法无法适应速度变化较大的工况，且预测时域选择不好时，会产生较大的轨迹偏差，造成较大的跟踪滞后，使得车辆轨迹跟踪的精确性大大降低。
5.另外，很多实施方案都是将横向与纵向耦合的，这种设计复杂度很高，所以大多数学者设计控制器时只考虑了横向控制即对前轮转角进行控制，把车速设为定速。然而车速是需要根据周围环境发生变化的，仅通过控制前轮转角来实现轨迹跟踪，会导致车辆轮胎在地面不正当摩擦，容易出现后轴侧滑或者甩尾等危险工况，大大增加了隐患的产生。
6.综上所述，现阶段很多模型预测控制方法的研究，其预测时域是不变的，而车辆在实际道路行驶时，道路曲率与道路环境时刻在变化，随时可能要改变速度的大小，不可能时刻保持匀速前行，这就导致传统的模型预测控制方法其控制精度较差，变速时容易发生危险，且无法应对突发情况。


技术实现要素：

7.本发明实施例提供了一种自动驾驶车辆轨迹跟踪控制系统，包括：
8.信号处理子系统，所述信号处理子系统用于确定前方道路的曲率以及所述车辆的状态信息；
9.参数适配模块，所述参数适配模块包括预测时域神经网络和适配器，所述预测时域神经网络用于根据当前车速、期望车速以及前方道路的曲率进行处理得到转角预测时域参数和加速度预测时域参数；所述适配器用于在自定义的转角区间组和加速度区间组中根据转角预测时域参数和加速度预测时域参数的大小选择对应的转角预测时域和加速度预测时域；
10.系统模型库，所述系统模型库用于根据车辆的状态信息、转角预测时域和加速度预测时域得到转角预测模型输出参数和加速度预测模型输出参数；
11.优化求解器，所述优化求解器用于根据期望轨迹、期望车速、转角预测模型输出参数以及转角预测时域、加速度预测模型输出参数以及加速度预测时域得到转角控制量和加速度控制量；
12.系统控制模块，所述系统控制模块用于接收转角控制量和加速度控制量并生成对应的控制指令，控制所述车辆执行相应的偏转和加、减速操作。
13.本发明实施例还提供了一种自动驾驶车辆轨迹跟踪控制方法，包括：
14.根据信号处理子系统中的物体检测模块检测所述车辆前方道路环境，判断前方道路是否存在障碍物；
15.经由参数适配模块中的预测时域神经网络基于当前车速、期望车速以及所述道路曲率生成对应的转角预测时域参数和加速度预测时域参数；
16.再由适配器基于转角预测时域参数和加速度预测时域参数的大小选择所在范围内对应的转角预测时域和加速度预测时域；
17.系统模型库中的转角预测模型根据状态估计模块获得的所述车辆状态信息以及转角预测时域得到转角预测模型输出参数；
18.系统模型库中的加速度预测模型根据所述车辆状态信息和加速度预测时域得到加速度预测模型输出参数；
19.优化求解器中的转角优化函数基于期望轨迹，根据转角预测模型输出参数以及转角预测时域得到的转角控制量；
20.优化求解器中的加速度优化函数基于期望车速，根据速度预测模型输出参数以及加速度预测时域得到加速度控制量；
21.系统控制模块中的逻辑转换器接收到转角控制量、加速度控制量后经系统控制模块中的指令生成器生成对应的控制指令控制所述车辆执行相应的偏转和加、减速操作。
22.相较于现有技术,本发明实施例提供了一种自动驾驶车辆轨迹跟踪控制系统，该系统依靠转角预测模型和加速度预测模型实现自动驾驶车辆的纵横向综合控制，使车辆在实际道路行驶时可以根据道路曲率和道路环境的变化自动调节转向角度和行驶速度；并且，系统能根据行驶速度和道路信息自动生成对应的预测时域，使车辆在变速行驶时既能满足轨迹跟踪的精确性，又能保证行驶稳定性，提高了自动驾驶车辆的动态控制性能和抗干扰性；最终，系统可通过物体检测模块对前方道路进行检测。当检测到前方突然出现障碍物时，可以根据当前车速和到障碍物距离自动生成对应的加速度，实现紧急制动避障，保障驾乘人员的行车安全。
附图说明
23.为了使本技术实施例中的技术方案及优点更加清楚明白，以下结合附图对本技术的示例性实施例进行进一步详细的说明，显而易见地，下面描述中的附图仅仅是本说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
24.图1是车辆轨迹跟踪系统的模块具体组成示意图；
25.图2是车辆轨迹跟踪系统的工作流程示意图；
26.图3是结合轮胎模型建立的车辆转角控制模型示意图；
27.图4是逻辑转换器工作模式1下的流程示意图；
28.图5是逻辑转换器工作模式2下的流程示意图；
29.图6是车辆轨迹跟踪方法的流程示意图。
具体实施方式
30.下面结合附图,对本说明书实施例提供的方案进行描述。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
31.本发明的实施例公开了一种自动驾驶车辆轨迹跟踪控制系统，该系统由信号处理子系统、系统模型库、参数适配模块、优化求解器和系统控制模块组成，其中信号处理子系统包括状态估计模块和物体检测模块。在已知期望轨迹和期望车速的情况下，该系统可以根据当前车辆状态信息和道路信息，生成对应的预测时域，在满足系统约束条件下利用优化函数求解出最优的转角和加速度，并通过系统控制模块转换为控制信号，使自动驾驶车辆按照期望轨迹和期望车速行驶，实现自动驾驶车辆变速控制。在行驶过程中利用车载传感器组件的数据通过状态估计模块不断更新当前车辆状态信息和道路信息，并重复上述过程，最终完成自动驾驶车辆的轨迹跟踪控制。当检测到前方突然出现障碍物时，该系统可以通过当前车速和到障碍物距离自动生成对应的加速度，实现紧急制动避障，保障驾乘人员安全。
32.车辆轨迹跟踪系统的模块具体组成如图1所示，具体模块实施例如下：
33.s110：信号处理子系统
34.信号处理子系统由状态估计模块和物体检测模块组成，其中包括：
35.s111：状态估计模块
36.状态估计模块可以根据车载传感器组件获取的测量数据进行估计运算，从而获得自动驾驶车辆的状态信息。
37.s112：物体检测模块
38.物体检测模块包括车外双目摄像头和激光雷达，可对车辆前方的行驶环境进行检测，获取前方道路的道路曲率和障碍物信息，包括到障碍物的距离。
39.s120：参数适配模块
40.参数适配模块可以根据车辆状态信息和道路曲率生成对应的预测时域，其中包括：
41.s121：预测时域神经网络
42.预测时域神经网络以当前车速、期望车速和道路曲率作为输入，输出转角预测时域参数和加速度预测时域参数。
43.s122：适配器
44.适配器根据预测时域神经网络输出的参数p1和p2的大小选择所在范围内对应的转角预测时域n
p1
和加速度预测时域n
p2
。
45.s130：系统模型库
46.系统模型库可根据车辆的状态信息和预测时域n
p1
、n
p2
，对转角预测模型的输出参
数y1和加速度预测模型的输出参数y2进行实时更新，其中包括：
47.s131：加速度预测模型
48.加速度预测模型根据车辆的状态信息，采用加速度预测时域n
p2
，计算出加速度预测模型的输出参数y2。
49.s132：转角预测模型
50.转角预测模型根据车辆的状态信息，采用转角预测时域n
p1
，计算出转角预测模型的输出参数y1。
51.s140：优化求解器
52.优化求解器可根据期望轨迹、期望车速、模型输出参数y1和y2，以及预测时域n
p1
和n
p2
，进行转角控制量u2和加速度控制量u3的求解，其中包括：
53.s141：加速度优化函数
54.加速度优化函数由期望车速、加速度预测模型的输出参数y2和预测时域n
p2
，可得到当前的加速度控制量u3。
55.s142：转角优化函数
56.转角优化函数由期望轨迹、转角预测模型的输出参数y1和预测时域n
p1
，可得到当前的转角控制量u2。
57.s150：紧急制动模块
58.紧急制动由加速度神经网络和警报器组成，其中包括：
59.s151：加速度神经网络
60.加速度神经网络可根据当前车速和当障碍物的距离生成对应的紧急制动加速度控制量u1，控制车辆进行紧急制动。
61.s152：警报器
62.警报器可根据当前车速和当前车辆与行驶前方障碍物的距离发出声、光警报提示车内驾乘人员。
63.s160：系统控制模块
64.系统控制模块由逻辑转换器和指令生成器组成，其中包括：
65.s161：逻辑转换器
66.逻辑转换器可以将加速度控制量转换为油门/制动控制量；
67.s162：指令生成器
68.指令生成器可以将转角控制量、油门控制量、制动控制量生成对应的控制指令，发送给当前自动驾驶车辆。
69.本发明的实施例公开的自动驾驶车辆轨迹跟踪控制系统具体工作流程如图2所示，下面结合附图说明系统的具体实施方式：
70.首先是对信号的处理，在已知期望轨迹和期望车速的情况下，由信号处理子系统同时进行车辆状态估计和障碍物检测，获取车辆的状态信息、道路曲率和障碍物信息，其中包括：
71.1)利用状态估计模块估计当前行驶车辆的状态信息
72.通过自动驾驶车辆的车载传感器组件获取相关的测量数据，并将数据输入到状态估计模块。状态估计模块可以根据这些测量数据进行估计运算，从而获得自动驾驶车辆的
当前状态信息和所处环境的道路信息，并将这些信息传递给参数适配模块和系统模型库。
73.2)利用物体检测模块检测前方行驶道路中的障碍物信息
74.物体检测模块包括车外双目摄像头和激光雷达，可对车辆前方的行驶环境进行检测，获取前方道路的道路曲率和障碍物信息，包括到障碍物的距离。
75.车外双目摄像头用于采集车辆行驶环境中第一图像数据和第二图像数据，其中第一图像数据是车辆前方道路的道路曲率；第二图像数据是车辆前进方向上的道路环境数据，用于判断道路前方是否存在障碍物。
76.激光雷达采集车辆行驶环境中的道路数据，用于判断道路前方是否存在障碍物，并测算到障碍物的距离a。
77.物体检测模块结合双目摄像头的第二图像数据和激光雷达的道路数据，生成障碍物信息。
78.当系统判断出前方有障碍物时，则启动紧急制动模块，进行警报并控制车辆进行紧急制动避障。紧急制动模块包括警报器和加速度神经网络，其中包括：
79.1)加速度生成
80.系统利用训练好的加速度神经网络，可得到对应的紧急制动加速度控制量u1，然后将u1发送给系统控制模块。
81.加速度神经网络输入层有2个节点，分别为当前车速和到障碍物的距离；输出层有1个节点，为加速度控制量u1。以当前车速和到障碍物的距离作为输入，得到对应的输出值，再经过反归一化处理，可得到加速度控制量u1。
82.系统控制模块中的逻辑转换器接收到加速度控制量u1后，开启工作模式1，然后经指令生成器后生成对应的控制指令后，可控制车辆按照制动加速度u1进行紧急制动。由于u1是利用神经网络实时在线生成的，因此可根据不同的车速和到障碍物的距离生产不同的u1，可适应不同的工况，在保障驾乘人员行车安全的同时可以减轻紧急制动过程中的顿挫感，提高车辆的平顺性。
83.2)警报器
84.警报器包括由语音播报器和指示灯组成的警报电路，可根据不同的情况进行警报。语音播报器以一定的频率播报到障碍物的距离。
85.当到障碍物的距离a大于定义的安全距离a0时，语音播报器播报“前方有障碍物，请注意避让”；橙色警示灯闪烁，红色警示灯不亮。
86.当到障碍物的距离a小于或等于定义的安全距离a0时，语音播报器播报“危险驾驶，前方有碰撞风险”；橙色警示灯不亮，红色警示灯闪烁。
87.当系统判断出前方没有障碍物时，则启动参数适配模块，根据当前车速、期望车速和道路曲率生成对应的预测时域。参数适配模块包括预测时域神经网络和适配器，其中，包括：
88.1)预测时域参数生成
89.系统利用训练好的预测时域神经网络，可得到对应的转角预测时域参数p1和加速度预测时域参数p2，然后将p1和p2发送给适配器。
90.预测时域神经网络输入层有3个节点，分别为当前车速、期望车速和道路曲率；输出层有2个节点，分别为转角预测时域参数p1和加速度预测时域参数p2。以当前车速、期望车
速和道路曲率作为输入，得到对应的输出值，再经过反归一化处理，可得到在0-1范围内对应的转角预测时域参数p1和加速度预测时域参数p2。
91.2)参数适配
92.适配器以i1为间距在0-1内生成个区间，组合成一个区间组，其中i1为当前区间的区间参数。区间组内每个区间都有对应的预测时域。适配器有两个区间组，分别是转角区间组和加速度区间组。
93.当神经网络输出参数p1和p2后，适配器可以根据参数p1和p2大小在各自的区间组内找到对应的转角预测时域n
p1
和加速度预测时域n
p2
，从而实现预测时域在线生成，提高轨迹跟踪控制的精度。
94.然后，参数适配模块将得到的n
p1
和n
p2
发送给系统模型库和优化求解器。
95.系统模型库包括转角预测模型和加速度预测模型，可根据车辆的状态信息和预测时域n
p1
、n
p2
，对转角预测模型的输出参数y1和加速度预测模型的输出参数y2进行更新，并将更新后的y1和y2发送给优化求解器，其中：
96.1)转角预测模型
97.以车辆动力学模型和轮胎模型为基础，运用模型预测控制原理设计了基于动力学的线性时变预测模型。具体原理如下：
98.首先是进行车辆动力学建模。由于车辆系统本身较复杂，要建立精准的模型难度系数高，所有建模前需要进行一些合理的假设。经过假设，图3是结合轮胎模型建立车辆转角控制模型，下面结合附图说明转角预测模型的具体实施方式：
[0099][0100]
在此模型中，状态量为转角控制量为u2＝δf；输出量为
[0101]
其中，m是整车质量；a、b分别是质心到前、后轴的距离；是质心横摆角；是质心横摆角速度；是质心横摆角加速度；和分别是车辆纵向速度和侧向速度；和分别是纵向加速度和侧向加速度；iz是车辆绕z轴的转动惯量；δf是前轮的转角；c
cf
和c
cr
分别是前、后轮的侧偏刚度；c
lf
和c
lr
分别是前、后轮的纵向刚度；sf和sr分别是前、后轮的滑移率；x和y分别是车辆的在惯性坐标系下的横向和纵向位移。m、a、b、iz、c
cf
、c
cr
、c
lf
、c
lr
、sf、sr均为已知值。
[0102]
然后运用模型预测控制原理，进行线性化和离散化。先利用泰勒公式进行一阶展开，可对上面的模型进行线性化，化简可得：
[0103][0104]
其中，
[0105][0106][0107]
其中，
[0108][0109][0110][0111]
再利用前向欧拉法对模型进行离散化，可得离散的状态空间表达式：
[0112]
ξ1(k+1)＝a1(k)ξ1(k)+b1(k)u2(k)
[0113]
其中，a1(k)＝i+ta1(t)；b1(k)＝tb1(t)；k为当前采样时刻，k+1为下一采样时刻；t是采样周期。
[0114]
选取转角增量δu2作为控制量。求解得到当前时刻控制增量δu2(k)后，再加上前一时刻已知的控制量后，就可以得到当前时刻的控制量u2(k)。设定：
[0115][0116]
由此可得新的状态空间表达式：
[0117]
ξ(k+1|t)＝a2ξ(k|t)+b2δu2(k|t)
[0118]
令模型输出为：
[0119]
η(k|t)＝c1ξ(k|t)
[0120]
设定这个模型的预测时域为n
p1
；控制时域为n
c1
，已知，且n
c1
《n
p1
。则可得未来n
p1
时刻的输出为：
[0121][0122]
当前的状态量可以通过传感器测得，或者通过状态估计得到，所以ξ(k|t)是已知的，在控制时域内的控制增量δu2(t)可以通过计算得到，所以在预测时域内的输出量就可
以得到。
[0123]
最终可以根据上述模型，根据车辆的状态信息，采用转角预测时域n
p1
，计算出转角预测模型的输出参数y1[0124][0125]
2)加速度预测模型
[0126]
对车辆纵向动力学模型进行分析，利用模型预测控制原理求得期望加速度。首先使用一阶惯性系统对车辆的纵向控制进行表达，可得：
[0127][0128]
其中，k是系统增益；τd是时间常数；a是车辆当前加速度；a
des
是期望加速度。
[0129]
将上面的模型转换为状态空间表达式：
[0130][0131]
其中，状态量为x＝[v a]
t
；加速度控制量为u3＝a
des
；速度v作为系统输出。
[0132]
再利用前向欧拉法对模型进行离散化，可得离散的状态空间表达式：
[0133]
x(k+1)＝a4x(k)+b4u3(k)
[0134]
其中，
[0135][0136]
则模型输出为：
[0137]
y(k|t)＝c2x(k|t)
[0138]
最终可以根据上述模型，根据车辆的状态信息，采用加速度预测时域n
p2
，计算出加速度预测模型的输出参数y2[0139][0140]
优化求解器包括加速度优化函数和转角优化函数，可根据期望轨迹、期望车速、系统模型库的模型输出参数y1和y2，以及适配器输出的预测时域n
p1
和n
p2
，进行转角控制量u2和加速度控制量u3的求解，并将u2和u3发送给系统控制模块，其中包括：
[0141]
1)转角控制量求解
[0142]
优化求解器可以根据期望轨迹和转角优化函数，采用转角预测时域n
p1
求解出在约束条件下的最优控制转角。
[0143]
根据模型预测控制的原理，可得到转角优化函数为：
[0144][0145]
矩阵q1是跟踪偏差的权重矩阵；矩阵r1是控制增量幅的权重矩阵。
[0146]
参考期望轨迹，根据转角预测模型的输出参数y1和预测时域n
p1
，可求解出在系统约束条件下的一系列最优转角增量δu2(t)，取该系列的第一个转角增量δu2(k|t)，加上前一时刻的转角控制量，可得到当前的转角控制量u2。
[0147]
2)加速度控制量求解
[0148]
优化求解器可以根据期望车速和加速度优化函数，采用加速度预测时域n
p2
求解出在约束条件下的最优控制加速度。
[0149]
根据模型预测控制的原理，可得到加速度优化函数为
[0150][0151]
参考期望车速，根据加速度预测模型的输出参数y2和预测时域n
p2
，可求解出在系统约束条件下的一系列最优加速度增量δu3(t)，取该系列的第一个转角增量δu3(k|t)，加上前一时刻的加速度控制量，可得到当前的加速度控制量u3。
[0152]
系统控制模块接收到转角控制量u2和加速度控制量u3后，并不能直接用于车辆控制，还需要将加速度控制量u3转换为油门/制动控制量，才可以对自动驾驶车辆进行控制。
[0153]
系统控制模块包含逻辑转换器，可以将加速度信号转换为油门/制动信号，然后将转角信号和油门/制动信号通过指令生成器生成对应的控制指令，从而控制自动驾驶车辆按照期望轨迹和期望车速行驶或者进行紧急制动。系统控制模块包括两种工作模式具体原理如下：
[0154]
1)工作模式1
[0155]
逻辑转换器接收到紧急制动加速度控制量u1后，开启工作模式1，其工作流程如图4所示：
[0156]
s410：首先判断当警报器警报后，驾驶员是否进行接管操作。当驾驶员进行接管操作时，则逻辑转换器无输出，不进行任何操作。当驾驶员没有进行接管操作时，则将u1和最大限定值r0，以及障碍物距离a和安全距离a0进行对比；
[0157]
s420：当u1《-r0或a《a0时，说明紧急制动加速度控制量u1已经超过了最大限定值，或车辆距离障碍物太近，则按照最大限定值r0进行制动操作，输出制动控制量k1r0；
[0158]
s430：否则，则按照加速度控制量u1进行制动操作，输出制动控制量k1u1。k1为制动系数。
[0159]
工作模式1既可避免制动加速度过大而造成危险情况发生，又可避免当距离过短时制动力不足而导致车辆无法刹停。
[0160]
2)工作模式2
[0161]
逻辑转换器接收到加速度控制量u3后，开启工作模式2，其工作流程如图5所示。：
[0162]
s510：将加速度控制量u3与控制调节系数r1进行对比；
[0163]
s520：当u3《-r1时，则进行制动操作，输出制动控制量k1u3；
[0164]
s530：当u3》r1时，则进行驱动操作，输出油门控制量k2u3；
[0165]
其中k2为驱动系数；
[0166]
s540：当-r1＜＜u3＜＜r1时，则逻辑转换器无输出，不进行任何操作。
[0167]
工作模式2一方面可以尽量避免频繁的切换油门踏板/制动踏板，既可以提高乘坐舒适性，又可以减少零部件的损耗；另一方面，也能避免同时对油门踏板和制动踏板进行操作，提高了行车安全。
[0168]
指令生成器接收到紧急制动模块和优化求解器输出的参数后，可以将转角控制量u2、油门控制量k2u3、制动控制量k1r0或k1u3生成对应的控制指令，发送给自动驾驶车辆。
[0169]
自动驾驶车辆接收到控制信号后，执行相应的偏转和加/减速操作，使车辆按照期望轨迹和期望车速行驶，实现轨迹跟踪控制，或者进行紧急制动避险。然后通过车载传感器组件实时获取相关的测量数据，并将数据输入到状态估计模块。循环往复，最终实现自动驾驶车辆的纵横向变速控制。
[0170]
本发明公开的实施例还公开了一种自动驾驶车辆轨迹跟踪控制方法，方法的具体流程如图6所示，具体实施如下：
[0171]
s610：车辆状态获取及障碍物判断
[0172]
信号处理子系统获得当前自动驾驶车辆期望车速和期望轨迹的情况下，所述状态估计模块根据获取的测量数据进行估算得到所述车辆的状态信息，并对前方的行驶环境进行检测得到前方道路的曲率和障碍物信息；若前方有障碍物启动紧急制动模块，若前方无障碍物则启动参数适配模块；
[0173]
s620：紧急制动警报
[0174]
利用训练完成的加速度神经网络基于当前车速和车辆与障碍物之间的距离a实时生成输出值，再对输出值进行反归一化处理，得到对应加速度的实时控制量u1并发送给系统控制模块，所述报警器通过判断a和a0间数值的大小进行警报，其中，a0为当前所述车辆与障碍物之间的安全距离；
[0175]
s630：生成预测时域
[0176]
利用训练完成的预测时域神经网络基于当前车速、期望车速以及曲率实时生成输出值，再对输出值进行反归一化处理，得到对应的转角预测时域参数p1和加速度预测时域参数p2并发送给适配器，由适配器基于p1和p2的大小选择所在范围内对应的转角预测时域n
p1
和加速度预测时域n
p2
并发送给系统模型库和优化求解器；
[0177]
s640：实时更新预测模型参数
[0178]
由加速度预测模型和转角预测模型，根据状态信息、n
p1
和n
p2
实时更新转角预测模型的输出参数y1和加速度预测模型的输出参数y2；
[0179]
s650：实时优化车辆行驶轨迹
[0180]
由加速度优化函数和转角优化函数，根据期望轨迹、期望车速、y1、y2以及n
p1
、n
p2
进行计算得到转角控制量u2和加速度控制量u3，并将u2和u3发送给系统控制模块；
[0181]
s660：将控制参数转化为控制车辆发送给自动驾驶车辆
[0182]
逻辑转换器接收到u1、u2以及u3后经指令生成器生成对应的控制指令，控制所述当前车辆按照u1、u2以及u3执行相应的偏转和加、减速操作。
[0183]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步
详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。