基于無模型自適應控制的自動泊車方案

　　摘要:本文提出了一種基于無模型自適應控制的自動泊車方案.該方案,首先通過車載傳感器采集車周環(huán)境信息用于規(guī)劃期望路徑,然后將自動泊車跟蹤問題轉(zhuǎn)化為預瞄偏差角跟蹤問題,通過設計相應的無模型自適應控制算法最終實現(xiàn)自動泊車.該方案設計的優(yōu)點是僅使用了自動泊車過程中生成的前輪轉(zhuǎn)角輸入數(shù)據(jù)和預瞄偏差角輸出數(shù)據(jù),沒有使用任何被控車輛的信息,因此該方案可適用于不同車型.Matlab仿真以及與PID控制方案和Fuzzy控制方案的對比仿真結果驗證了該方案的可行性.

　　關鍵詞:無模型自適應控制;自動泊車;預瞄偏差角;路徑跟蹤

　　隨著現(xiàn)在社會的發(fā)展以及人們生活水平的提高,汽車保有量不斷上升,汽車的普及給人們的出行帶來極大便利的同時,也帶來了各種各樣的問題,其中泊車難是最常見的問題之一;另一方面,由于城市建設的飛速發(fā)展以及車輛的增加,使得停車位空間減小,停車難度增大,給新手司機帶來了困難.生活中常見的泊車位類型包括平行泊車位、垂直泊車位、斜行泊車位.平行泊車位因在寬度方向上所需空間少,多用于路邊停車;垂直泊車位因面積利用率高,多用于大型商場或小區(qū)住宅的地下車庫;斜行泊車位因快進快出的特點,多用于醫(yī)院停車場.在繁忙的日常工作中,人們?yōu)榱顺鲂谢蚬ぷ鞣奖阃ǔ�會將車輛停放在路邊,因而如何快速、安全的泊車成為當前人們十分關注的問題[1].

　　自動泊車系統(tǒng)(APS,AutomatedParkingSystem)的出現(xiàn)不僅提高了泊車成功率,還降低了因泊車而造成的交通事故發(fā)生率.APS系統(tǒng)一般由車載傳感器系統(tǒng)、計算機系統(tǒng)、自動控制系統(tǒng)組成,計算機系統(tǒng)通過分析車載傳感器系統(tǒng)準確采集的車身周圍環(huán)境信息,計算規(guī)劃出一條可用最優(yōu)泊車路徑,將路徑信息傳送給自動控制系統(tǒng)控制車輛準確駛?cè)胲囄籟2].另外,現(xiàn)在市面上的車分為四驅(qū)車和兩驅(qū)車,四驅(qū)車擁有較強的越野和操控性,底盤強度高、適應性強,多用于軍事、野外公務等用車;兩驅(qū)車能夠根據(jù)路面情況及時調(diào)整扭矩分配,多用于城市私家車.

　　本文目的是針對城市用車設計一套完整的自動平行泊車系統(tǒng),故選擇兩驅(qū)車為研究對象.自動泊車一般分為三個步驟[3]:車位探測、路徑規(guī)劃、路徑跟蹤.司機駕駛車輛行駛到停車位附近時,啟動車載傳感器系統(tǒng)開始搜集停車位周圍環(huán)境信息,將信息傳送給計算機系統(tǒng);計算機系統(tǒng)通過分析車載傳感器系統(tǒng)準確采集的車身周圍環(huán)境信息,計算規(guī)劃出一條可用最優(yōu)泊車路徑并將規(guī)劃路徑傳送給自動控制系統(tǒng);自動控制系統(tǒng)接收信息后控制車輛按照規(guī)劃路徑駛?cè)氩窜囄籟4].目前國內(nèi)外關于車位探測、路徑規(guī)劃、路徑跟蹤進行了大量研究.

　　車位探測方面,Suhr等[5]提出了一種融合車位標記和自由空間檢測的互補方案,該方案借助車上現(xiàn)有的大量傳感器來確定可用車位.Shih等[6]提出了一種利用廣角魚眼鏡頭或散角攝像機進行車位檢測的方案,攝像頭檢測到車位周圍的圖像信息后,通過改進的Hough變換和新的Hough單元格累積方案提取車位邊界線,最后通過背景減法檢測出可用車位.Lee等[7]針對傳統(tǒng)周圍視圖檢測(AVM,aroundviewmonitoring)傳感器在檢測中存在的障礙物遮擋問題,提出了一種概率占用濾波器檢測車位的方法.

　　Huang等[8]提出了一種三層貝葉斯層次框架檢測車位方案,該方案首先建立一個三維停車場模型并通過圖像標記的方式來解釋場景內(nèi)容,然后借助透視攝像頭檢測出可用停車位,最后通過分層貝葉斯層次框架處理空位檢測中出現(xiàn)的陰影、遮擋、亮度變化等問題后確定可用車位.上述車位探測方法雖然已經(jīng)得到了不同程度的應用,但仍各有不足.超聲波測距尋找車位是現(xiàn)在認可度最高的方法,該方法受環(huán)境影響小,測量誤差小,但需要探測器與被測物體保持垂直才能測得較準確的數(shù)據(jù),現(xiàn)在大多采用多個探測器相互配合測距的方式以測得準確數(shù)據(jù).采用攝像頭或圖像測距尋找車位的方法,該方法可以得到車位周圍的完整信息,但在大霧、大雪、光線過暗等極端環(huán)境下不能準確采集車位信息,成功率會大大降低.

　　路徑規(guī)劃方面,Moon等[9]提出一種前向路徑規(guī)劃方案,該方案分為定位段和進入段,定位段部分通過碰撞約束得出能夠駛離車位的最小圓弧期望路徑;進入段加入Bezier曲線連接路徑中的圓弧段.Vorobieva等[10]提出一種無碰撞圓弧路徑,該方案與車輛初始位置和方向無關,只要車位長度和寬度均大于車輛長度和寬度就可以生成一個泊車路徑.

　　Wang等[11]提出了一種遞歸神經(jīng)網(wǎng)絡規(guī)劃泊車路徑的方案,該方案利用TensorFlow訓練基于碰撞約束的遞歸神經(jīng)網(wǎng)絡預測停車軌跡曲線,然后通過訓練數(shù)據(jù)確定最優(yōu)軌跡.Zips等[12]狹窄環(huán)境下的泊車提出了一種基于快速優(yōu)化的路徑規(guī)劃方案,該方案在基于樹的指導原則前提下,首先采用Runge-Kutta方法離散運動學微分方程,然后制定靜態(tài)優(yōu)化問題以確定最優(yōu)泊車路徑.

　　上述路徑規(guī)劃方案各有優(yōu)缺點,前向路徑規(guī)劃方案簡單易行;無碰撞圓弧路徑規(guī)劃方案對車輛初始位置和方向沒有要求,適用于狹窄空間車位,但上述兩種方案容易出現(xiàn)曲率不連續(xù)的問題,車輛在跟蹤過程中必須停在路徑連接處重新調(diào)整前輪轉(zhuǎn)角,這會加劇輪胎的磨損.遞歸神經(jīng)網(wǎng)絡路徑規(guī)劃方案雖然成功率高,但該方案需要大量實驗數(shù)據(jù)進行訓練,成本過高.

　　基于快速優(yōu)化的路徑規(guī)劃算法雖然能夠得出最優(yōu)路徑,但該方案需要提前得知周圍環(huán)境信息.路徑跟蹤方面,Song等[13]以車輛速度和前輪轉(zhuǎn)角為控制輸入,以車輛航向角和位置坐標為控制輸出,設計了模型預測控制(MPC,modelpredictivecontrol)算法控制車輛實現(xiàn)路徑跟蹤.Liang等[14]設計了一種模糊PID(FuzzyPID,fuzzyproportionalintegraldifferential)調(diào)節(jié)器。

　　輸入方向盤角度和車輪速度得到實際運行軌跡,通過一次次與期望軌跡比較得出模糊PID調(diào)節(jié)器所需的偏差進行調(diào)整,以實現(xiàn)路徑跟蹤.Ji等[15]以方向盤轉(zhuǎn)角為控制輸入,車輛的橫向位移、側(cè)滑角、偏航率為控制輸出,提出多約束模型預測控制(MMPC,multiconstrainedmodelpredictivecontrol)方法,通過對橫向位移、側(cè)滑角、偏航率的輸出約束和對方向盤轉(zhuǎn)角的輸入約束實現(xiàn)路徑跟蹤.上述跟蹤方案大多采用控制車身角與期望軌跡斜率相同的方案來實現(xiàn)路徑跟蹤,但該方案在實際跟蹤過程中可能出現(xiàn)實際運行軌跡與期望軌跡平行而非重合的問題,使汽車不能準確停在目標位置.

　　另外,針對不同的車型,PID(proportionalintegraldifferential)控制器在使用時需要重新整定參數(shù),模型預測控制器在使用時需要重新設定被控對象的模型信息.因此,基于上述控制器的跟蹤方案可移植性較差.在汽車泊車過程中,會產(chǎn)生大量的輸入輸出(I/O,Input/Output)數(shù)據(jù),這些I/O數(shù)據(jù)可以準確反映汽車動力學信息,利用數(shù)據(jù)驅(qū)動的方法實現(xiàn)對汽車自動泊車過程的控制,是目前一個新穎的方法.由于一些系統(tǒng)存在時變、建模難等問題,數(shù)據(jù)驅(qū)動控制逐漸成為研究熱點.具有代表性的數(shù)據(jù)驅(qū)動控制方法有虛擬參考反饋整定[16-17]、自適應動態(tài)規(guī)劃[18-22]、無模型自適應控制[22-23]等.

　　無模型自適應控制(MFAC,modelfreeadaptivecontrol)理論與方法是一種典型的數(shù)據(jù)驅(qū)動控制方法[22,24].MFAC針對離散時間非線性系統(tǒng)使用了一種新的動態(tài)線性化方法及一個稱為偽偏導數(shù)(PPD,pseudopartialderivative)的新概念,在閉環(huán)系統(tǒng)的每個動態(tài)工作點處建立一個等價的動態(tài)線性化數(shù)據(jù)模型,然后基于此等價的虛擬數(shù)據(jù)模型設計控制器并進行控制系統(tǒng)的理論分析,進而實現(xiàn)非線性系統(tǒng)的自適應控制.

　　目前,MFAC方法已經(jīng)在無人駕駛[25-27]、無人水面載具[28]、城市交通網(wǎng)絡[29]、電力系統(tǒng)阻尼控制[30-31]、繞線式轉(zhuǎn)子同步電機驅(qū)動系統(tǒng)[32]、外骨骼機器人控制[33]等領域得到應用.理論分析和實際應用均表明,MFAC計算簡單、魯棒性強,最重要的是不需要任何系統(tǒng)模型信息,僅需系統(tǒng)輸入輸出數(shù)據(jù)即可進行控制,適用性強.通過上述分析可知,現(xiàn)在關于自動泊車控制系統(tǒng)的研究大多是通過控制車身角與期望路徑斜率相同來實現(xiàn)路徑跟蹤[13,15,34],但該方法在控制過程中可能出現(xiàn)實際運動軌跡與期望軌跡平行而非重合的問題,使汽車最終不能準確地停在目標位置.因此,本文提出了基于MFAC的預瞄偏差角跟蹤控制方案解決該問題.本文的主要貢獻為:

　　1)針對現(xiàn)有跟蹤方案中可能出現(xiàn)的實際運動軌跡與期望軌跡平行而非重合的問題,本文提出預瞄偏差角跟蹤控制方案.預瞄偏差角在計算過程中用到了每一時刻的坐標信息,使得跟蹤更加準確.2)針對現(xiàn)有控制器可移植性差的問題,本文設計了MFAC控制器及相應的控制算法、參數(shù)估計算法和參數(shù)重置算法.MFAC控制器在使用過程中僅需系統(tǒng)產(chǎn)生的I/O數(shù)據(jù),不需要任何車輛模型信息,可移植性強.3)目前預瞄偏差角跟蹤方案僅在自動駕駛中得到了驗證[25-27],本文首次將該跟蹤方案應用于自動泊車中.

　　在規(guī)劃泊車路徑的前三段中,Fuzzy控制方案的跟蹤誤差與PID控制方案的跟蹤誤差相差不大,且均略小于MFAC控制方案,但在最后圓弧段部分Fuzzy控制方案在y軸方向上的跟蹤誤差明顯增大,MFAC控制方案的跟蹤效果明顯優(yōu)于PID控制方案和Fuzzy控制方案.從表6中可以看出,PID控制算法時間代價最小,但跟蹤誤差介于MFAC控制方案與Fuzzy控制方案之間;MFAC控制算法時間代價介于PID控制算法與Fuzzy控制算法之前,但跟蹤效果相對最好;Fuzzy控制算法時間代價最大,跟蹤誤差也相對較大.

　　對比三種控制方案的路徑跟蹤情況和跟蹤誤差,并對比跟蹤誤差均方根、航向角誤差均方根和算法時間代價,說明對于車型奧迪A1,MFAC控制方案優(yōu)于PID控制方案與Fuzzy控制方案.在v0=80cm/s條件下,通過對一汽-大眾CC(2016款)和奧迪A1車型的仿真結果分析可知:針對不同的車型,MFAC控制方案、PID控制方案與Fuzzy控制方案均能較好地完成自動泊車過程,通過分析跟蹤誤差變化曲線可知,MFAC控制方案的控制效果優(yōu)于PID控制方案和Fuzzy控制方案,而且MFAC控制方案方法簡單、計算負擔小、魯棒性較強,控制參數(shù)可以根據(jù)控制狀態(tài)實時更新,自適應性強,通過多次實驗發(fā)現(xiàn)在一定范圍內(nèi)選取不同參數(shù)均能得到較好的跟蹤效果.

　　自動化論文范例： 多協(xié)議礦山自動化通信平臺設計與實現(xiàn)

　　本文針對自動泊車系統(tǒng)提出了基于MFAC的預瞄偏差角跟蹤方案,該方案僅需自動泊車過程中生成的前輪轉(zhuǎn)角輸入數(shù)據(jù)和預瞄偏差角輸出數(shù)據(jù),不需要任何車輛信息;提出的預瞄偏差角跟蹤方案在計算過程中使用了每一時刻的坐標信息及車身角信息,使跟蹤更加準確.給出了兩款不同車型的自動泊車仿真,通過分析對比跟蹤誤差可知,MFAC控制方案的控制效果優(yōu)于PID控制方案和Fuzzy控制方案.因此,本文提出的MFAC預瞄偏差角跟蹤方案可移植性強,能夠針對不同車型使用.

　　參考文獻(References)

　　[1]DemirliK,KhoshnejadM.Autonomousparallelparkingofacar-likemobilerobotbyaneuro-fuzzysensor-basedcontroller[J].FuzzySetsandSystems,2009,160(19):2876-2891.

　　[2]宋金澤.自主泊車系統(tǒng)關鍵技術研究[D].長沙:國防科學技術大學機電工程與自動化學院,2009:9-11.(SongJin-Ze.ResearchontheKeyTechnologyforAuto-ParkingSystem[D].Changsha:SchoolofElectricalandMechanicalEngineeringandAutomation,NationalUniversityofDefenseTechnology,2009:9-11.)

　　作者：王文佳,侯忠生†

轉(zhuǎn)載請注明來自發(fā)表學術論文網(wǎng)：http:///dzlw/28014.html