[发明专利]一种无人车数据驱动自适应控制方法和装置

说明书

本申请涉及一种无人车数据驱动自适应控制方法、装置、计算机设备和存储介质。方法包括：通过传感器获取无人车在行驶状态下的多组数据对信息，构建非线性静态映射模型和高维线性动态演化模型。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，获取无人车在当前时间步的控制信息。当行驶时间大于预设的时间步时，获取当前时间步前l个历史时刻多组数据对信息；根据预设的更新律、前l个历史时刻多组数据对信息，对高维线性动态演化模型的参数信息进行更新，求解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。本发明可以实现无人车的在线自适应模型预测控制。

技术领域

本申请涉及无人车技术领域，特别是涉及一种无人车数据驱动自适应控制方法、装置、计算机设备和存储介质。

背景技术

随着无人车技术的发展，无人车有了越来越多的应用。无人车的动力学是高度非线性的，设计基于优化的控制方法具有一定的挑战。当前的控制方法均有各自的局限性，绝大部分工作控制器的设计均需要动力学模型信息，但实际应用中精确模型难以获取，且控制器结构复杂，计算量大，无法有效处理无人车系统的状态和控制量的约束；另一方面，由于无人车系统具有高度时变特性，无人车辆在不同路况下呈现的动力学特性是有显著差异的，仅仅靠离线辨识，在线设计控制器不能完全解决自适应自主驾驶问题。因此，现有的无人车预测控制方法存在控制效果不佳的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提升无人车自主驾驶对路面适应性能的无人车数据驱动自适应控制方法、装置、计算机设备和存储介质。

一种无人车数据驱动自适应控制方法，所述方法包括：

通过传感器预先获取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和高维线性动态演化模型，根据所述多组数据对信息通过构建有监督回归优化问题，求解所述高维线性动态演化模型，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。

在其中一个实施例中，还包括：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，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。