[发明专利]用于自动驾驶车辆的利用动态模型的有效最优控制

说明书

本文公开了用于自动驾驶车辆(AV)的利用动态建模进行有效最优控制的方法和系统。该方法可包括获取所述AV的车辆状态信息，确定所述AV的纵向速度，确定驾驶风格因子，其中该驾驶风格因子至少取决于道路场景，使用所确定的纵向速度和所确定的驾驶风格因子从查找表(LUT)获得最优控制因子，以及基于所获得的最优控制因子提供更新的控制命令(诸如转向命令)。所述驾驶风格因子可以至少从车辆状态、期望轨迹、当前线速度以及在温和驾驶模式和激进驾驶模式之间的类似参数和范围来确定。

相关申请的交叉参考

本申请要求2018年11月16日递交的美国临时申请专利No.62/768,431以及2018年12月21日递交的美国专利申请No.16/230,111的优先权和权益，这些专利申请的全部公开内容通过引用而被并入本文。

技术领域

本公开涉及自动驾驶车辆。更具体地，本公开涉及用于自动驾驶车辆的利用动态建模的有效最优控制。

背景技术

自动驾驶车辆使用控制器或运动控制器来快速且以小的跟踪误差跟踪期望的轨迹。最优控制器和相关方法(即，线性二次调节器(LQR)、线性二次高斯(LQG)控制和模型预测控制(MPC))是用于获得使跟踪误差和输入消耗最小化的最优解的常用方法。然而，仍然存在需要解决的问题。

首先，所述最优控制器需要解决复杂的优化问题以获得系统输入。由于车辆的动态建模特性，最优控制器需要在每个控制周期对解进行更新。例如，LQR控制器和LQG控制器需要基于动态车辆模型来在每个控制周期中求解代数Riccati方程。图6示出了LQR控制器例如对于不同的纵向速度所需的迭代次数的示例。可应用动态编程方法来求解所述代数Riccati方程。为了确保求解过程可以在一个控制器时间间隔或周期(例如，0.01秒)内完成，所述Riccati方程求解器将迭代极限设置为150次迭代。然而，如图6所示，所述Riccati方程求解器不能在低速下在所述迭代极限内导出解。对于LQG控制器，所述Riccati方程求解器与用于LQR控制器的求解器相同。对于MPC控制器，二次编程求解器具有类似的问题。

第二，所述最优控制器需要考虑收敛速度和稳定性之间的折衷。快速收敛速度将导致车辆具有快速的响应时间和对期望轨迹的快速跟踪，但是车辆也将很可能进行过度转向和不稳定。

发明内容

本文公开了用于自动驾驶车辆(AV)的利用动态建模进行有效最优控制的方法和系统。该方法可包括获取所述AV的车辆状态信息，确定所述AV的纵向速度，确定驾驶风格因子，其中该驾驶风格因子至少取决于道路场景，通过使用所确定的纵向速度和所确定的驾驶风格因子从查找表(LUT)获得最优控制因子，以及基于所获得的最优控制因子提供更新的控制命令(诸如转向命令)。所述驾驶风格因子可以至少从车辆状态、期望轨迹、当前线速度和在温和驾驶模式和激进驾驶模式之间的类似参数和范围来确定。

附图说明

当结合附图阅读时，从以下详细描述中可以最好地理解本公开的内容。要强调的是，根据惯例，附图的各种特征不是按比例绘制的。相反，为了清楚起见，各种特征的尺寸被任意地扩大或缩小。

图1是根据本公开的实施例的车辆的示例的示意图。

图2是图1所示的控制系统的示例的示意图。

图3是根据本公开的实施例的车辆控制系统的示例的示意图。

图4是根据本公开的实施例的包括车辆控制系统的车辆的侧视图的示例的示意图。

图5是根据本公开的实施例的车辆系统架构的示例的示意图。

图6是在一定次数的线性二次调节器(LQR)迭代内未能求解出解的示例的曲线图。

图7是根据本公开的实施例的使用驾驶风格因子的最优控制的方法的示例的示意图。