[发明专利]一种无人车数据驱动自适应控制方法和装置

权利要求书

1.一种无人车数据驱动自适应控制方法，其特征在于，所述方法包括：

通过传感器预先采集无人车在行驶状态下的多组数据对信息；所述多组数据对信息中的每组数据对包含一个时刻的当前控制量、当前状态量和下一时刻状态量；

构建非线性静态映射模型为：

其中，是一种非线性映射函数，以实现从的映射，所述非线性映射函数能够设计成由深度神经网络或者基函数构成；表示时刻的高维的抽象状态量；表示时刻在原状态空间的状态量；表示原状态空间的维数；表示高维特征空间的维数；

构建高维线性动态演化模型为：

其中，表示高维线性动态演化模型的参数；表示高维线性空间到低维非线性原状态空间的映射关系参数；表示时刻的控制量；表示时刻根据高维状态空间的状态值计算得到的状态量的估计值；

构建求解高维线性动态演化模型参数的一种最优化目标函数为：

其中，表示所述多组数据对信息的组数；表示第组数据对中无人车的状态量；表示的下一时刻状态量；当非线性映射函数为基函数时，，是基函数，，表示基函数的个数；表示第组数据对中无人车的控制量；是一个常数；表示Frobenius范数；

构建求解高维线性动态演化模型参数的一种最优化目标函数为：

其中，是一个常数；

得到所述高维线性动态演化模型的参数信息；所述非线性静态映射模型满足在状态量为0时，所述非线性静态映射模型的值为0；所述高维线性动态演化模型根据所述参数信息确定模型参数；

在预测时域内以最小化期望轨迹跟踪误差为优化目标，构建无人车的模型预测控制最优化模型，以所述高维线性动态演化模型、所述非线性静态映射模型、状态量约束和控制量约束为约束条件，通过优化求解器求解所述模型预测控制最优化模型，得到预测时域内的控制量序列，并将第一个控制量作为无人车当前的控制量；

在无人车自主行驶过程中，在任意时刻，实时保存所述数据对信息，当行驶时间大于预设的时间步长l时，利用当前时间步前l个历史时刻保存的所述数据对信息构成所述多组数据对信息；

在相继的时刻，根据预设的更新律、前l个历史时刻所述多组数据对信息，对所述参数信息进行更新，根据更新后的所述高维线性动态演化模型求解所述模型预测控制最优化模型，确定无人车当前时间步的控制量。

2.根据权利要求1所述的方法，其特征在于，当非线性映射函数为深度神经网络时，构建求解高维线性动态演化模型参数和优化深度神经网络权值的一种最优化目标函数为：

其中，是一个常数。

3.根据权利要求1或2所述的方法，其特征在于，所述在预测时域内以最小化期望轨迹跟踪误差为优化目标，以所述高维线性动态演化模型、所述非线性静态映射模型、状态量约束和控制量约束为约束条件，构建无人车的模型预测控制最优化模型，包括：

在任意时刻，在预测时域内以最小化期望轨迹跟踪误差为优化目标，以所述高维线性动态演化模型、所述非线性静态映射模型、状态量约束和控制量约束为约束条件，构建无人车的模型预测控制最优化模型为：

其中，；参数分别是参数在时刻实时更新得到的值，是根据所述预先采集的多组数据对求解得到的值；是预测时域；，表示期望的轨迹；是对称正定矩阵，是预设的，是Lyapunov方程的解，是一个反馈增益矩阵使得是舒尔稳定的，或者设计；为高维线性动态演化模型约束条件，可根据实时测量的状态值计算得到；为状态量约束条件，是状态约束；为控制量约束条件，是控制约束。

4.根据权利要求3所述的方法，其特征在于，所述通过优化求解器求解所述模型预测控制最优化模型，包括：

通过二次型优化求解器求解所述模型预测控制最优化模型。