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！

龙图腾网获悉大连理工大学申请的专利考虑时滞及外部时变扰动的智能汽车横纵协同控制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：CN117270436B 。

龙图腾网通过国家知识产权局官网在2025-12-30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：202311328337.0，技术领域涉及：G05B19/042；该发明授权考虑时滞及外部时变扰动的智能汽车横纵协同控制方法是由关龙新;郭烈;胥林立;王嘉豪;赵家庆;王旭设计研发完成，并于2023-10-13向国家知识产权局提交的专利申请。

本考虑时滞及外部时变扰动的智能汽车横纵协同控制方法在说明书摘要公布了：本发明公开了一种考虑时滞及外部时变扰动的智能汽车横纵协同控制方法，包括以下步骤：获取未来时刻的目标轨迹点；计算车‑路状态量；进行离散化和迭代预测；设置时域约束并进行最优化求解；确定最终前轮转角和速度控制指令；进行横纵向协同控制。本发明将复杂非线性的智能汽车横纵向控制问题转换为了一个多输入多输出的横纵协同的模型预测控制器进行求解。设计目标轨迹决策模块能获取未来时刻的目标轨迹点的信息，促使横纵协同的模型预测控制器提前计算出考虑总时滞时间的控制指令，达到有效改善时滞问题的目的。然后通过预瞄前馈和闭环反馈修正协调机制能够消除外部时变扰动，采用闭环速度反馈值与目标速度叠加策略能实现精准的纵向速度控制。

本发明授权考虑时滞及外部时变扰动的智能汽车横纵协同控制方法在权利要求书中公布了：1.一种考虑时滞及外部时变扰动的智能汽车横纵协同控制方法，利用智能汽车横纵协同控制系统进行控制，所述智能汽车横纵协同控制系统包括初始化模块、目标轨迹决策模块和横纵协同的模型预测控制器； 所述初始化模块用于检查感知模块、定位模块、规划模块及底盘模块信号收发是否正常；加载目标轨迹决策模块的参数；加载单轨智能汽车动力学模型参数；加载横纵协同的车-路耦合优化模型的参数；加载横纵协同的模型预测控制器参数； 所述目标轨迹决策模块依据实时的规划路径和规划速度计算得到道路前视点，根据道路前视点以提前确定未来时刻在参考轨迹上的目标轨迹点，所述参考轨迹由规划模块下发，所述参考轨迹包括参考位置信息、参考航向信息、参考曲率信息和参考速度信息；所述目标轨迹点的信息包括目标位置、目标曲率、目标航向及目标速度，促使横纵协同的模型预测控制器提前计算出考虑总时滞时间的控制指令，所述总时滞时间指代传感器信号和控制信号经智能汽车控制器局域网络传输产生的总时间； 所述横纵协同的车-路耦合优化模型由所述单轨智能汽车动力学模型和所述目标轨迹点进行车-路状态量计算并以数学方程形式建模得到，所述车-路状态量指代智能汽车运动过程中的当前状态与目标轨迹点之间产生的横向误差、横向误差变化率、航向误差、航向误差变化率及速度误差； 所述横纵协同的模型预测控制器由横向预瞄前馈控制器和模型预测闭环反馈控制器构成，所述横向预瞄前馈控制器基于所述目标轨迹决策模块获取的目标曲率信息实现消除由外部道路曲率造成的外部时变扰动，所述模型预测闭环反馈控制器利用所述的车-路状态和输入的控制信息进行迭代计算获得横向前轮转角反馈值和纵向速度反馈值； 所述控制方法包括以下步骤： 步骤1：初始化 初始化模块检查感知模块信息、定位模块信息、规划模块信息及底盘模块信息收发是否正常；所述感知模块信息、定位模块信息、规划模块信息及底盘模块信息分别指代环境障碍物信息、智能汽车位姿信息、参考轨迹和智能汽车速度；所述智能汽车位姿信息包括智能汽车的位置及航向信息；所述参考轨迹包括参考位置信息、参考航向信息、参考曲率信息和参考速度信息；初始化模块加载目标轨迹决策模块的参数，所述目标轨迹决策模块的参数包括前视点个数和采样时间； 初始化模块加载单轨智能汽车动力学模型参数、加载横纵协同的车-路耦合优化模型的参数、加载横纵协同的模型预测控制器参数；所述单轨智能汽车动力学模型参数和横纵协同的车-路耦合优化模型的参数均包括智能汽车的质量、转动惯量、前后车轴到质心处的距离以及前后轮的侧偏刚度；所述横纵协同的模型预测控制器参数包括模型预测控制器预测时域、控制时域、模型预测控制器在预测时域内的输出状态量权重矩阵及输入控制量增量的权重矩阵； 所述单轨智能汽车动力学模型的数学方程如下： 式中：m为智能汽车质量；vy为侧向速度；为侧向加速度；vx为纵向速度；为横摆角速度；为横摆角加速度；Iz为转动惯量；lf和lr分别为前后车轴到质心处的距离；Cαf和Cαr分别为前后轮的侧偏刚度；δf为前轮转角； 所述横纵协同的车-路耦合优化模型为： 式中： ξt为所述横纵协同的车-路耦合优化模型状态量矩阵为ξt的一阶微分；ed、和ve分别指横向误差、横向误差变化率、航向误差、航向误差变化率及速度误差；At为ξt的系数矩阵，Bt为控制量矩阵ut的系数矩阵，Ct为期望横摆角速度的系数矩阵；δft为控制输入；vfeedt为模型预测闭环反馈控制器中的速度反馈控制量；为所述的外部时变扰动；yt为状态输出矩阵；I5×5为5×5单位矩阵； 步骤2：获取未来时刻的目标轨迹点 将所述的参考轨迹输入到目标轨迹决策模块中，考虑总时滞时间的影响，其输出信息为未来时刻目标轨迹点的目标位置、目标曲率、目标航向及目标速度信息； 所述目标轨迹决策模块的数学方程如下： 式中：j为每帧参考轨迹上点所对应的索引值，i为所述索引值j的中间变量，vi为索引值i对应的参考速度信息；x和y为智能汽车当前点在世界坐标系下的横纵坐标；为智能汽车在世界坐标系下的航向；以智能汽车当前点为起始点前视路径长度为ΔH处的道路前视点G，点G的横纵坐标分别为xa和ya，n为前视点个数，所述总时滞时间为td＝nT；点P为目标轨迹点，点P的横纵坐标分别为Xp和Yp，点P是道路前视点G映射在参考轨迹上的点；T为采样时间； 步骤3：计算车-路状态量 计算智能汽车运动过程中智能汽车当前状态与目标轨迹点之间产生的横向误差、横向误差变化率、航向误差、航向误差变化率及速度误差，基于步骤1中建立的单轨智能汽车动力学模型得到横纵协同的车-路耦合优化模型；所述车-路状态量包括横向误差、横向误差变化率、航向误差、航向误差变化率及速度误差，其计算公式如下： 式中：Xp和Yp为目标轨迹点在世界坐标系下的横纵坐标；为目标航向；为目标航向的微分形式；为智能汽车在世界坐标系下的航向的微分形式；vp为目标车速；为智能汽车在Frenet坐标系下的投影点速度，所述Frenet坐标系指以车道中心建立的坐标系；ρp为目标曲率； 步骤4：进行离散化和迭代预测 对步骤1中建立的横纵协同的车-路耦合优化模型进行离散化，即为理想的实时模型，其数学方程形式为： 式中：ξk为离散后的横纵协同的车-路耦合优化模型的状态量矩阵，ξk+1为离散后的横纵协同的车-路耦合优化模型在k+1时刻的状态量矩阵，所述状态量矩阵包含每个采样时刻对应的横向误差、横向误差变化率、航向误差、航向误差变化率及速度误差；Bd＝BtT；Ed＝I5×5；Ad为离散后ξk的系数矩阵，Bd为离散后控制量矩阵uk的系数矩阵，Cd为离散后所述的外部时变扰动；δfk为离散后控制输入；vfeedk为离散后模型预测闭环反馈控制器中的速度反馈控制量；yk为离散后状态输出矩阵；I5×5为5×5单位矩阵； 考虑时滞的横纵协同的车-路耦合优化模型的离散形式，即为时滞系统，其数学方程为： 式中：δfk-td为时滞系统的控制输入；vfeedk-td为时滞系统的速度反馈控制量；总时滞时间td造成的影响由步骤2设计的目标轨迹决策模块进行改善；通过所设计的目标轨迹决策模块实现将时滞系统转化为理想的实时模型； 然后，基于理想的实时模型，设置预测时域Np和控制时域Nc，通过迭代预测方式确定横纵协同的模型预测控制器在预测时域内的迭代预测模型，以状态空间方程形式表示为： 式中：Ξk、Zk及ΔU分别为横纵协同的模型预测控制器在预测时域内的输出状态量、待优化的车-路状态量及控制输入增量序列；为的系数矩阵；为ΔU的系数矩阵；为所述模型预测控制器在预测时域内的外部时变扰动；Ψ为所述横纵协同的模型预测控制器在预测时域内的输出方程中的系数矩阵；Θ为所述横纵协同的模型预测控制器在预测时域内的输出方程中ΔU的系数矩阵；Φ所述横纵协同的模型预测控制器在预测时域内的输出方程中的外部时变扰动； 步骤5：设置时域约束并进行最优化求解 根据步骤4中确定的横纵协同的模型预测控制器在预测时域内的迭代预测模型转换成含多重安全时域约束的标准二次规划问题，其数学方程形式为： 式中：Jk为横纵协同的模型预测控制器的目标函数；umink+j为uk+j的时域约束最小值，umaxk+j为uk+j的时域约束最大值；Δumink+j为Δuk+j的时域约束最小值，Δumaxk+j为Δuk+j的时域约束最大值；ηmink+i为输出状态量的时域约束最小值，ηmaxk+i为输出状态量的时域约束最大值；和分别为模型预测控制器在预测时域内的输出状态量权重矩阵及输入控制量增量的权重矩阵；G和H均为二次规划求解过程中与ΔU相关的系数矩阵； 步骤:6：确定最终前轮转角和速度控制指令 所述横纵协同的模型预测控制器由横向预瞄前馈控制器和模型预测闭环反馈控制器构成，最终前轮转角指令由所述横向预瞄前馈控制器计算的前轮转角值与所述模型预测闭环反馈控制器计算得到的横向前轮转角反馈值进行叠加获得；最终速度控制指令由目标速度信息和所述模型预测闭环反馈控制器计算得到的纵向速度反馈值进行叠加获得；所述横向预瞄前馈控制器的数学方程表达式为： 式中：Δρmax为目标曲率增量约束最大值，Δρmin为目标曲率增量约束最小值；L为智能汽车的轴距且满足L＝lf+lr；ρpk为k时刻获取的目标曲率，ρpk+1为k+1时刻获取的目标曲率，Δρ为k+1时刻与k时刻获取的目标曲率的差值；δff为横向预瞄前馈控制器计算的前轮转角值； 所述最终前轮转角指令和最终速度控制指令的计算公式分别如下： δf＝δmpc+δff vcmd＝vp+vfeed 式中：δmpc为所述模型预测闭环反馈控制器计算得到的横向前轮转角反馈值；vfeed为模型预测闭环反馈控制器中的速度反馈控制量； 步骤7：进行横纵向协同控制 对由步骤6确定的最终前轮转角指令和最终速度控制指令进行滤波处理，将其作为控制信号以固定频率下发给智能汽车，智能汽车根据最终前轮转角指令和最终速度控制指令对智能汽车进行横纵向协同控制；进一步地，判断智能汽车是否到达目的地，若是，则完成控制任务，否则转步骤1。

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大连理工大学，其通讯地址为：116024 辽宁省大连市高新园区凌工路2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”。

以上内容由龙图腾AI智能生成。