买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉无锡学院申请的专利一种自动驾驶车辆的路径跟踪误差动力学模型优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116300860B 。

龙图腾网通过国家知识产权局官网在2025-09-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211634393.2，技术领域涉及：G05D1/43；该发明授权一种自动驾驶车辆的路径跟踪误差动力学模型优化方法是由席万强;林俊志;邵子宴;宋长坡设计研发完成，并于2022-12-19向国家知识产权局提交的专利申请。

本一种自动驾驶车辆的路径跟踪误差动力学模型优化方法在说明书摘要公布了：本发明公开了一种自动驾驶车辆的路径跟踪误差动力学模型优化方法，对路径跟踪误差动力学模型设计LQR控制器，根据LQR控制器状态量得到LQR控制器输出量，将LQR控制器输出量作为路径跟踪误差动力学模型的输入量；对路径跟踪误差动力学模型的输入量增加前馈控制的控制量以消除路径跟踪误差动力学模型的稳态误差；运用NSGA3算法对LQR控制器中的加权系数进行多目标优化；记录每一车速值对应的LQR控制器中的加权系数，获得LQR控制器加权系数最优值；将LQR控制器加权系数最优值代入LQR控制器，得到优化后的路径跟踪误差动力学模型，提高了车辆横向运动的路径跟踪精度，改善了控制器的自适应性。

本发明授权一种自动驾驶车辆的路径跟踪误差动力学模型优化方法在权利要求书中公布了：1.一种自动驾驶车辆的路径跟踪误差动力学模型优化方法，应用于自动驾驶车辆，其特征在于，所述方法包括以下步骤： S1：建立车辆动力学模型，基于车辆动力学模型设计路径跟踪误差动力学模型； 建立车辆动力学模型具体为，根据车辆受力情况，建立车辆动力学模型，只考虑车辆横向和纵向受力情况，假设车辆前轴和后轴的两个车轮的转角与侧偏刚度相等，车辆后轮不进行转向，并且忽略空气阻力对车辆的影响，将车辆简化为二自由度单车模型；根据牛顿第二定律结合车辆前后轮受力情况有： may＝Fyfcosδ+Fyr1 式中，m为车辆的整车质量；ay为Y轴加速度；Fyf为车辆前轮侧偏力，Fyr为车辆后轮侧偏力； 根据力矩平衡结合车辆前后轮受力得到受力点和车辆重心距离有： 式中，I为车辆Z轴转动惯量；φ为车辆的车轴与X轴的夹角，为车辆的车轴与X轴的夹角的二阶导数；δ为车辆前轮转角；b为车辆后悬架长度； 假设车辆前轮转角δ极小，cosδ≈1,则式1、2改写为： may＝Cαfαf+Cαrαr3 式中，Caf、Cαr分别为车辆前轮、后轮侧偏刚度；af、ar分别为前轮、后轮侧滑角；a为车辆前悬架长度； 车辆Y轴的加速度ay表示为： 式中，表示车辆y轴方向速度的二阶导数，vx表示车辆X轴方向速度；为车辆的车轴与X轴的夹角的一阶导数； 前轮的侧滑角af、后轮的侧滑角ar分别表示为： 式中表示车辆Y轴方向速度，将式5～7带入式3、4得到： 式中， 为车辆的车轴与X轴的夹角的二阶导数；最终的车辆动力学模型为： 即 式中，u＝δ，表示车辆前轮转角； 设计路径跟踪误差动力学模型具体为，将车辆投影到自然坐标系下，建立以相对于期望路径的横向误差和航向误差为为状态变量的路径跟踪误差动力学模型；将车体坐标系投射到自然坐标下，将车辆控制解耦成横向控制和纵向控制，降低控制的复杂度； 设车辆的横向误差为d，航向误差为θ-θr，θ为航向角，θr为期望航向角，投影点速度大小为S，根据向量的关系可得横向误差d为： 式中，为车辆速度v在自然坐标系下的投影法线方向；对式11求导可得： 式中，为车辆实际位矢，为车辆投影位矢，表示如下； 式中，v表示车辆速度；τ为车辆速度v的方向，τr为车辆速度v在自然坐标系下的投影切线方向；将式13、14带入式12中，并且根据β为车辆速度v与X轴夹角；得： 同时将β、作为接近0的微小量，则式15改写为： 令横向误差ed＝d，则航向误差那么， 将式17～20与式10动力学模型联立得到路径跟踪误差动力学模型为： 式中， S2：对路径跟踪误差动力学模型设计LQR控制器，根据LQR控制器状态量得到LQR控制器输出量，将LQR控制器输出量作为路径跟踪误差动力学模型的输入量； 设计LQR控制器；具体为： LQR控制器包含控制对象的LQR控制器状态量和控制量的二次型函数；取如下能量函数J作为LQR控制器： 其中，Q和R是LQR控制器中的加权系数，LQR控制器中的加权系数为加权矩阵，Q＝diag[q1,q2,q3,q4]，R＝[r]，xk为LQR控制器状态量，uk为LQR控制器输入量；将LQR控制器输出量uk作为路径跟踪误差动力学模型的输入量，LQR控制器输出量uk为： uk＝-Kerrk23 其中，K为LQR控制器反馈增益矩阵，xk＝errk，errk为k时刻的LQR控制器状态量； S3：对路径跟踪误差动力学模型的输入量增加前馈控制的控制量以消除路径跟踪误差动力学模型的稳态误差； 具体为：在LQR控制器的基础上增加一个前馈控制的控制量δf以消除LQR控制器；加入前馈控制后得到路径跟踪误差动力学模型的输入量，为： uk＝-Kerrk+δf24 将式24代入式21中，得到稳定后的err： 式中，为期望的道路曲率信息，曲率信息为和τ的比值； 将上式展开得： 式中，k1、k3为LQR控制器反馈增益矩阵K中参数；横向误差ed的稳态误差通过前馈控制量消除，而航向误差的稳态误差无法消除；令前馈控制的控制量δf表示为： S4：运用NSGA3算法对LQR控制器中的加权系数进行多目标优化； 具体为：将加权矩阵R中的元素设置为固定值，利用NSGA3算法优化步骤S2中LQR控制器加权矩阵Q中的加权系数q1、q2、q3、q4，实现对LQR控制器中的加权系数进行多目标优化，表述为： 式中，L为NSGA3算法的适应度函数； 对LQR控制器中的加权系数进行多目标优化，具体为， 步骤S4.1：初始化种群：初始化NSGA3算法的参数：最大迭代次数、种群大小、交叉概率、突变概率；根据LQR控制器加权系数q1、q2、q3、q4生成数量大小为N的初代种群Pt，种群中的每个个体Xi＝i＝1,2,…N都是一个决策变量，个体初始值设定为LQR控制器加权系数随机值； 步骤S4.2：种群非支配排序：种群中的个体根据相互间的支配关系分为若干层级，对所有种群个体进行归一化并将个体与参考点关联； 具体包括：将种群非支配排序为若干不同的非支配层F1,F2,…,逐次将各非支配层的解加入到新种群St中，直至新种群St的大小等于N，最后一个前沿假设为F1，若新种群St的大小等于N，则下一迭代初始种群Pt+1＝St，若新种群St的大小大于N,进行基于参考点的选择操作，标准化目标函数并创建参考集，构建种群个体与参考点之间的映射关系，映射关系为种群个体与参考点之间的距离关系，选择距离参考点最近的种群加入到新种群St中，直至新种群St的大小等于N； 步骤S4.3：沿用传统遗传算子进行遗传：对种群进行选择、交叉、变异，生成种群大小为N的子代种群Qt； 步骤S4.4：合并种群：对父代和子代种群进行合并，构成大小为2N的种群Rt＝Pt∪Qt，进行非支配排序、种群个体归一化并将个体与参考点关联，得到非支配排序结果； 步骤S4.5：精英保留策略：根据非支配排序结果从合并的种群Rt中选择前N个个体作为父种群Pt+1； 具体为：选择生成新的种群：选择前N个个体作为父种群Pt+1，到第t代时，at为种群Pt中的最优个体，父种群Pt+1为新一代群体，若父种群Pt+1中不存在比优个体at优的个体，则把优个体at加入到父种群Pt+1中作为父种群Pt+1的个体； 步骤S4.6：若Gen不等于最大迭代数设定值，则Gen＝Gen+1，并返回到步骤S4.3；若Gen等于最大迭代数设定值，则终止迭代，输出最优Pareto解；即当迭代次数等于设定值后，迭代后的带有N个个体的种群作为Pareto最优解，构成一个最接近理论前沿面的实际前沿面； S5：重复S4，直至遍历完车速区间内的每一车速值，记录每一车速值对应的LQR控制器中的加权系数，获得LQR控制器加权系数最优值；将LQR控制器加权系数最优值代入LQR控制器，得到优化后的路径跟踪误差动力学模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人无锡学院，其通讯地址为：214105 江苏省无锡市锡山区锡山大道333号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。