广告
极限工况下的无人驾驶路径跟踪 | 斯坦福大学团队最新研究成果
2018-09-26 23:56:49· 来源：集成与控制研究室 同济智能汽车研究所
本文由同济智能汽车研究所编译，转载请注明出处。文章译自2017年美国控制年会的会议论文《Path-Tracking for Autonomous Vehicles at the Limit of Friction》原
本文由同济智能汽车研究所编译，转载请注明出处。
文章译自2017年美国控制年会的会议论文
《Path-Tracking for Autonomous Vehicles at the Limit of Friction》
原作者：Vincent A. Laurense, Jonathan Y. Gohand J. Christian Gerdes
编者按：据美国汽车媒体Autoblog报道，近日，斯坦福大学的工程师们在加州著名的雷山赛道公园完成了经改良的奥迪TTS无人驾驶，圈速甚至超过了有人驾驶车辆。这辆改良过的赛车奥迪TTS名为“雪莱”，而斯坦福大学的Gerdes教授已经从事无人车辆的线控底盘控制许多年了，希望能够实现无人驾驶的高速行驶以及提高无人驾驶的安全性。下文译自Gerdes教授的最新科研论文，有兴趣的读者可以关注更多该团队的研究进展。
摘要：对轮胎附着能力的利用程度对紧急工况或者竞速中的车辆而言是至关重要的。当不足转向车辆在极限过弯的时候发生前轴饱和，转向系统已经失去了路径跟踪的能力。无人驾驶车辆的试验数据表明，在附着极限下通过转向操作进行路径跟踪，要求附着系数的误差在大约2%以内。这完全超过了现有的实时路面附着系数估计算法的能力。收集的一个专业赛车驾驶员的驾驶数据启发出一个新颖的控制框架，基于侧偏角的控制策略——保持前轮处于最大轮胎附着利用率的侧偏角，以及相应路径跟踪的纵向车速控制方法。这个方法最大的好处是大大降低了对于附着系数估计精度的依赖。基于这一概念设计了控制器，试验结果表明在附着系数未知的前提下，车辆在附着极限下也能够成功跟踪圆周路径。
1、前言
扩大车辆的行驶极限需要尽可能地利用轮胎的附着能力。相应地，这也能够提高车辆避障的能力、防止车辆偏离道路、降低碰撞的损伤，甚至提高车辆比赛的圈速成绩。随着线控底盘技术的发展，即使在轮胎附着极限的情况下，ADAS和智能驾驶系统也有可能通过连续的控制来提高车辆的安全性。
Kritayakirana为路径跟踪而设计的速度跟踪和独立转向控制系统证明了智能汽车在附着极限下的控制可行性[1]。Beal和Gerdes利用MPC算法设计了智能车辆在极限工况下的侧向动力学控制系统[2]。这两套控制系统都要求对路面附着系数进行估计，并且在试验中都运用了离线的估计结果。而实际使用过程中需要将附着系数替换成在线的估计结果。
Hsu在单纯转向工况中利用转向力矩来试试估计路面附着系数[3]。Hahn同样利用车辆侧向动力学设计了车辆参数实时辨识算法来估计路面附着系数和轮胎的侧偏刚度[4]。Ray利用侧向和纵向动力学设计了一个基于贝叶斯假设的测试框架，从统计数据上看，观测器能够很好地估计不同的附着程度假设的轮胎力[5]- [9]。
在极限行驶工况下，转向控制已经不是路径跟踪的有效控制输入了，因为此时再增大转角也已经无法增加行驶的曲率——曲率的上限取决于车速。因此，极限工况下路径跟踪的典型转角控制需要准确估计给定曲率和地形的路径下允许的最大车速。这意味着需要准确估计路面的附着系数。本文中试验数据表明这样的控制器需要路面附着系数的估计误差在大约2%以内才能达到与专业赛车驾驶员在极限行驶过程中同等的行驶性能。而这要求超出了现有的实时估计算法的能力范畴。
在紧接着的赛道测试中，一名专业驾驶员表明，他的圈速比智能驾驶控制系统的更快，主要是因为他能够更好地利用轮胎附着能力。记录的数据催生出一个针对不足转向车辆转向过程的基于轮胎侧偏角的转角控制方法，目的是让前轮保持在最大轮胎力对应的侧偏角上。另外，相比于转角控制，大家公认的是速度反馈也能够用于路径跟踪。这会是一个全新的控制架构，能够让智能汽车在跟踪目标路径的同时尽可能地利用轮胎的附着能力。对轮胎模型的分析可知，对路面附着系数的实时估计精度要求远低于利用转角控制实现路径跟踪的估计精度要求。
为了验证这一控制逻辑，一个新的纵向速度控制器被设计出来跟踪一个圆周路径，另外由Subosits和Gerdes设计的一个基于车轮侧偏角的转向控制器被用来控制前轮在给定滑移率下保持最大轮胎力对应的侧偏角[10]。纵向速度控制器和侧偏角控制器都需要估计路面附着系数，因此根据Ray的假设测试算法建立了基于侧向动力学路面附着系数的在线估计器[5]- [9]。
第二部分介绍了该研究用到的车辆和车辆建模。而在第三部分，赛道的收集数据表明，对于一个基于转角控制的智能驾驶路径跟踪器，路面附着系数的估计误差要求在大约2%以内。同时，专业赛车驾驶员的行驶数据中迸发出一个新的方法来更有效利用车轮的附着能力。第四部分介绍了一个类似的智能驾驶控制器。第五部分的试验结果表明在附着情况未知的情况下，本文提出的控制架构和在线附着估计器能够在极限工况下成功地跟踪给定的圆周路径。
图1 无人驾驶Audi TTS Quattro研究车辆
图2 平面车辆单轨模型和路径跟踪状态
2
试验车辆与车辆模型
A．试验车辆介绍
一辆2009年Audi TTS Quattro试验车辆，如图 1所示，装备了一个主动液压主缸、DSG变速箱、EPS、电子节气门和整车CAN网络。无人驾驶控制器运行以200Hz的频率运行中dSPACE公司的MicroAutoBoxII上面，一台OxTS RT4003惯性导航仪和差分GPS被安装在测试车辆上，用于测量车辆和路径跟踪的状态。转角控制器由Kapania和Gerdes设计完成[11]。本文的数据是在美国加州威洛斯的雷山赛道公园采集的。
B．车辆动力学建模
一个平面单轨车辆模型，如图 2所示，为数据分析和控制器设计提供了一个简单而直观的车辆模型。在这个模型中，同一轴上的两个车轮被近似为一个集中车轮，从而模拟稳态的侧向载荷转移等影响因素。该模型有三个速度状态：纵向速度Ux、侧向速度Uy和横摆角速度r。除了车辆的速度状态外，图 2还描绘了车辆质心出的合速度V、质心侧偏角β和转向角δ。另外，为了表示车辆和路径的关系，沿着路径的距离s和侧向位移误差e也被标出。车辆航向ψ和路径的航向ψr之间的偏差用来△ψ表示。
图3 第2道弯中测量的速度数据（左）
和相应的时间差距（右）
（跟踪分别由μ=0.92和0.94生成的不同速度配置）
C．轮胎模型
每个车轴上的等效集中车轮力是用单一附着系数的刷子轮胎模型来建模[12]，例子可以参考Hindiyeh的论文[13]。在这一模型中，等效轮胎可以通过侧向刚度Cα和纵向刚度Cκ来表征，两个参数可以通过直线制动和斜坡转角输入来辨识得到，后者在Voser的论文[14]中有介绍。纵向力Fx和侧向力Fy，如图 2所示，是侧偏角α、滑移率κ、垂直载荷Fz以及路面附着系数μ的函数。当γ≥3μFz的时候，轮胎出现饱和，并且有最大轮胎力。在单纯转向操作过程中，没有驱动力矩或者制动力作用在车轮上，κ=0，对应最大侧向力的峰值侧偏角αpeak为：
3
极限行驶
图 3是无人驾驶车辆在经过第二个弯道（一个较长的左转弯）的纵向车速。参考路径是基于回旋曲线非线性优化得到的[15]。而这二维的路径对应的速度分布图是综合考虑三维地形因素得到的[16]。分别跟踪的两个不同的速度分布图如图 3：其中一个要求路面附着系数大于0.92，另外一个稍微快一点的则要求附着系数大于0.94。这两组估计值是通过经验值选取的，并且是为了最小圈速而选择的。A．无人驾驶车辆路径跟踪的速度跟踪和独立转向控制
图4 第2道弯中测量的前轴侧偏角（左）
和侧向位移误差（右）
（跟踪分别由μ=0.92和0.94生成的不同速度配置）
另外图 3还指出了沿着参考路径行驶时以更快的速度分布图为目标的车辆相对另一辆的时间差距。不同的车辆行驶距离和速度下，相对的时间差距都在变化，这与轮胎利用程度有关。
- 下一篇：自动驾驶发展的五个层级和立法思考
- 上一篇：汽车乘员舱内温度场的数值仿真及试验研究
广告
最新资讯
-
高压涉氢试验系统安全性分析
2024-04-19 15:09
-
祝贺! Foretellix首席监管事务官GIL Amid连
2024-04-19 11:54
-
上海蔚赫信息科技有限公司到访清华大学车辆
2024-04-19 11:46
-
新能源汽车低压电气安全测试中的负载特性测
2024-04-19 11:20
-
联合国自动驾驶法规R157对L3级自动驾驶ALKS
2024-04-19 09:54
广告
广告
