[发明专利]一种基于LSSVM的无人驾驶车辆路径跟踪方法

说明书

本发明公开了一种基于LSSVM的无人驾驶车辆路径跟踪方法，包括利用采集的数据进行车辆路径跟踪模型LSSVM训练，获得车辆LSSVM路径跟踪模型；基于获得的LSSVM模型，设计最优状态反馈控制器，控制器对信号时滞稳定满足执行器约束。本发明的方法能够解决目前无人驾驶车辆路径跟踪控制器设计算法需要建立物理模型，处理非线性，参数不确定等问题，避免了传统基于动力学模型进行控制器设计方法的复杂工作；满足执行器的约束并且对信号传输时滞稳定。

技术领域

本发明属于无人驾驶车辆控制技术领域，尤其涉及一种无人驾驶车辆路径跟踪控制方法。

背景技术

路径跟踪控制是无人驾驶车辆实现自动驾驶的重要一环。现有的路径跟踪控制方法包括模型预测控制方法，滑模控制方法，以及状态反馈及输出反馈等基于稳定条件分析的方法，这些方法大多基于车辆动力学模型。因此利用这些方法设计控制器时，需要首先建立车辆动力学模型，然而车辆动力学模型具有非线性性，其中往往融合了一些噪声，不确定参数以及时变参数等，这些因素给建模以及在此基础上进行的控制器设计工作带来了困难。为了达到精确的控制，建模及控制器设计工作将变得十分复杂。

专利申请公开号CN113050650A，公开了一种基于输出反馈的无人车路径跟踪控制方法，将可测状态信息作为反馈量实现在线控制，从而避免了对不可测或难测的状态信息的依赖，有效保证了控制器的可行性，提高无人车路径跟踪精度和行驶稳定性。专利申请公开号CN 111176302A，输入饱和的自动驾驶汽车路径跟踪控制方法，通过设计鲁棒H∞路径跟踪控制器，解决了自动驾驶汽车路径跟踪控制的网络时延和输入饱和问题，提高了车辆在极端行驶条件下的路径跟踪性能。通过对车辆侧向速度和横摆角速度的调节，在实现自动驾驶汽车路径跟踪控制的同时提高了车辆的操作稳定性；专利申请公开号CN112381315A，公开了一种基于PSO优化的LS-SVM智能台区负荷预测方法及系统，基于LS-SVM的负荷预测，建立多元用户组合用电预测的模型；采用PSO算法优化的LS-SVM用户用电预测算法；基于边缘计算的核函数自动更新；有效弥补了现有基于SVM的负荷预测方法核函数唯一，无法适应不同区域、不同环境的用户负荷预测，且现有方法核函数一旦设置则无法更替的缺点，可有效应对未来电网改造以及环境变化对负荷预测结果带来的影响。

除了这一类方法外，基于学习方法的模型近些年来发展迅速。这种模型仅需要大量数据。随着车辆传感器的发展，车辆自身数据的获取越来越容易，这些数据数量庞大而且能够反映车辆运行的状态。因此本发明提出一种基于数据的无人驾驶车辆路径跟踪方法，具体利用数据进行最小二乘支持向量机 (Least-squres Support Vector Machine，简称LSSVM)建模，基于LSSVM模型设计控制器。

发明内容

为了解决目前无人驾驶车辆依据动力学模型进行路径跟踪控制器设计带来的复杂工作的问题，本发明提出一种基于LSSVM的无人驾驶车辆路径跟踪方法，具体技术方案如下：

一种基于LSSVM的无人驾驶车辆路径跟踪方法，包括以下步骤：

Step1：利用采集的数据进行训练，获得车辆的LSSVM路径跟踪模型；

Step1-1：对无人驾驶车辆输入方向盘转角命令信号o_k，利用无人驾驶车辆的车辆感知模块识别路径与车辆之间的侧向偏差l_k；