文摘

高级驾驶员辅助系统(ADAS)代理在油门和刹车已经在2级自动化车辆。为了提高自动化水平的新系统需要测试一组广泛的复杂的场景中,在所有情况下确保安全。验证这些系统使用真实的车辆提供重要的缺点:所需的时间开车数百万公里,与某些情况下,相关的风险和高成本。仿真平台成为一个可行的解决方案。因此,健壮和可靠的虚拟环境测试自动驾驶操作和控制技术是必要的。在这个意义上,本文提出一个用例,三纵低速控制技术设计,优化,和验证使用内部模拟框架,后来应用于一个真正的车辆。控制算法包括一个经典PID自适应网络模糊推理系统(简称ANFIS),和一个模型预测控制(MPC)。模拟使用车辆多体动力学计算模型。此外,纵向致动器的雷诺Twizy概念具有通过实证测试。模拟和实际平台之间的比较分析的结果显示了该框架的有效性为真正的自动化设计和验证纵向控制器的车辆。

1。介绍

如今,交通堵塞是一个著名的旅行时间的增加,事故,在城市地区和燃料消耗。在欧洲,200000多交通堵塞已确定在2016年9月的123个城市(1]。这项研究表明,年度成本超过€49亿。当局目前正在解决这个问题,工业和研究中心。

自动车辆和高级驾驶员辅助系统(ADAS),作为智能交通系统(ITS)的一部分,被认为是为短期和中期的解决方案前的问题。基于过去ERTRAC(欧洲道路运输研究顾问委员会)报告2),交通堵塞协助系统部分能在市场上找到。然而,这些解决方案大多局限于高速(即。,more than 30 Km/h), with automation level 2, based on the SAE J3016 standard [3]。

在这一领域最重要的进展,包括巡航控制(CC)在高速4),动态稳定控制系统(5],行人检测系统结合防撞[6),和半自治性的停车7]。

尽管上述进展,验证一些功能是一个复杂和艰巨的任务。基于经典的测试提出了(8)、自动车辆需要开车2.75亿公里来演示性能优于人类。这将需要大约12.5年考虑的100车队驾驶不间断。相比之下,无人驾驶汽车项目9从Waymo只有达到560万英里驱动在现实条件(10]。然而,他们最近宣布了一项模拟环境能够每天行驶1280万公里,他们驱车40亿公里。前面是与取得的建议(8),鼓励仿真测试验证自动化车辆功能。

目前,大多数仿真工具的重点是计算感知(11),测试长椅硬件在环测试(12),和评价人类接受的关于不同ADAS [13]。然而,从控制的角度来看,很少有解决方案实现的。

在[14)作者提出一个比较研究为低速纵向控制器,基于汽油推动车辆,使用古典和智能控制技术;尽管如此,控制器的设计和验证直接在真实车辆和没有针对模拟的比较。其他作者在油门和刹车控制器工作在汽车应用程序呈现真实和模拟结果15]基于固定和可变增益PID控制器,但是如果没有一个广泛的平台之间的比较。

本文提出一个用例的巡航控制三个纵向低速控制技术设计,优化,和验证使用内部模拟框架,后来应用于一个真正的车辆。控制算法包括一个经典PID自适应网络模糊推理系统(简称ANFIS),和一个模型预测控制(MPC)。实验过程旨在验证仿真平台作为ADAS功能开发的有效工具,能够节省时间和降低成本,减少开发工作,包括处理真正的车辆。

剩下的纸是组织如下:部分2解释了车辆模型及其参数;此外,实证描述纵向传动装置在实际测试平台。部分3描述了算法应用于低速控制。测试和结果的三个控制器中实现仿真和实际车辆介绍部分4。最后,结论和建议对未来工作。

2。描述的平台

纵向速度控制器实现模拟和真实的车辆。本节提供了一个描述基于一个自动驾驶通用框架的两个平台。首先,简要概述了全球架构,紧随其后的是一个解释的雷诺Twizy概念车的仪表和自动化。最后,模拟环境通过数学模型用来模拟真实的车辆将详细。

2.1。自动驾驶总体框架

自动驾驶框架下的控制算法是由大卫·冈萨雷斯和Joshue佩雷斯(16]。此体系结构提出了在以前的作品,包括仿真验证侧控制器(17]。全球框架由六个街区,抽象的通用处理管道自动驾驶的应用,详细如下:(1)收购:此模块收集信息来自车载传感器和预处理时间戳等任务,局外人拒绝,或引用系统转换。当前实现接受来自各种数据源的数据,包括差分GPS、惯性测量单元(IMU),视觉传感器等等。低水平可以与车辆内部通信系统也被认为是在这个模块。(2)感知混合:感知模块负责原始数据来自收购块生成自动驾驶任务的有用的信息。生成的数据包括ego-vehicle估计,障碍检测/分类、车道检测和交通信号识别。此模块功能机器学习、深度学习和传感器融合算法提供一个准确的,健壮的,一致的世界观。这些技术允许减少原始测量和描述的不确定性相关的错误。(3)沟通:通信模块提供信息来自外部实体(车辆和基础设施)。从更广泛的角度来看,这个模块建立一个双向的信息流管理工具的集成在一个合作的驾驶环境。(4)决定:决定模块决定了轨迹和速度是紧随其后的是汽车的计划。这样做是在三个连续步骤:全球计划生成一个可行的轨迹从可用的路线图。当地计划改进优化不同的参数(例如,舒适,安全),通过最小化曲率及其衍生物,加速度,混蛋。这是通过使用不同类型的曲线,如Joshue佩雷斯et al。18]。最后一步是行为计划,适应路线面对动态事件在路上设置障碍,其他车辆的动作,或意想不到的交通管制。(5)控制:它生成规范化控制行为在纵向和横向车辆传动装置,以确保生产的计划决策模块有效地完成。这项工作有助于这个特定的块,以及驱动模块介绍如下。(6)致动器:抽象层变换归一化控制输出实际行动信号驱动器:油门、刹车和方向盘。它使透明真实和模拟环境之间切换。

如图1的总体框架是独立的测试平台,使这种方法多功能工具测试控制算法在真实和模拟车辆自动驾驶应用。这是基于Matlab / Simulink仿真工作。


图1
测试平台和总体框架。
2.2。真正的测试平台

实验平台是一个雷诺Twizy概念车80(见图1),一辆四轮电动汽车能够达到80(公里/小时)的最大速度与车辆和汽车参数表中所示1。它已经被检测控制方向盘和踏板通过CAN总线网络。

表1
真正的平台参数。

如图2,这三个系统是由不同的电子设备和驱动器。首先,方向盘旋转通过步进电机控制的PWM信号。节流命令传达到汽车的发动机控制单元(ECU)通过一个介于0和10 v直流模拟电压信号。制动踏板是加上一个机械线性致动器。所有的仪器都是由一个可编程逻辑控制器(PLC)控制,作为执行机构和中央计算机之间的接口。前执行自动驾驶总体框架和控制算法。它也负责收集数据从外部GPS和IMU等传感器。更多细节在传感器和设备表中列出2。

表2
传感器和电子设备。

图2
雷诺Twizy概念车的仪表和自动化。
2.3。仿真测试平台

虚拟平台是基于Dynacar,一个集成解决方案的设计电动及混合动力汽车,车辆物理模型多体配方的基础上,利用相对坐标和semirecursive运动方程基于速度变换。视为macro-joints禁赛和行为,通过查找表进行建模。如图3,当地汽车车架的笛卡尔坐标位于额叶的中间轨道宽度( )、万向角度提供车轮定位对汽车车架位于关节( ),运动表达式macro-joints考虑位置,速度,加速度车轮的水平( )[19,20.]。


图3
Dynacar多体配方 。

动力系统包括不同的发动机和传输模型。电动机的电机建模定义价值无边女帽(n - m),电动机转速(rpm),和油门踏板位置(%)通过一个查找表和线性插值模拟。可以介绍再生提供一个恒定的制动力矩只要油门踏板完全释放,电动机转速超过一定的值。离合器使用线性插值建模中预定义的表离合器位移和转矩之间的传播;然而选择一个固定的离合器由于真正的平台特征。齿轮箱建模计算输出转矩输入转矩乘以传动比、齿轮效率系数。考虑后的最终牵引力矩计算固定微分向后轮推进流(21]。

制动系统由在一个简化的模型(见(1刹车踏板)相结合的旅游( )(& # 25;),最大压力在电路( )(MPa)的比例制动压力( )(& # 25;)和刹车片容量( )[n - m / MPa]获得车轮的制动力矩( )[n - m]。分指数 是指每个轮子的位置( =前/后, =(左/右)21]。

2.4。描述的纵向致动器

油门和刹车踏板位置指定车辆的加速和减速的能力。仿真和实际测试平台有一个信号控制范围从0到100%的踏板位置。在现实平台,中间仪器设备(电位计加速度信号和刹车线性致动器)介绍了不良反应如偏见、缩放、或延迟发挥重要作用在低水平的控制框架,以及纵向致动器的行为方式在踏板(图2)。

为了近似模拟的致动器的行为,移动测试实际测试平台在不同的油门和刹车踏板的位置进行评估。每个测试从停止的位置与9段恒定加速度,紧随其后的是4 s与任何行动在制动踏板和完成2 s的常数。总共有7个不同的测试进行,不同的两个踏板位置从40%到100%的最大位移在10%(图的步骤4(一))。这三个时期是用于评估对牵引传动装置的影响,再生制动。

(一)
(一)
(b)
(b)
图4
(一)信号控制引用从车载计算机用以纵向控制执行机构和(b)纵向加速度的测试平台在10个不同的测试。

物理设备的惯性执行机构或制动液压系统强烈影响车辆的纵向行为。此外,电子集总滞后可以找到后把油门踏板由于设备内部控制框架的组合和车辆。因此,机电滞后( )在牵引和制动测试移动(图中观察到4 (b))可以作为一个离散传递函数建模模拟考虑采样时间( ):

平均加速度值在牵引和制动时间规范化 ,获得曲线代表的真正影响不同的信号控制执行机构在踏板值从车载电脑(图5)。油门响应线性行为由于直接连接电位计。相比之下,制动反应一个多项式行为主要由线性致动器的方向决定刹车踏板。此外,两个踏板也是电压的影响范围和尺度以前在PLC程序。这些结果对于类似如实在模拟车辆的纵向行为,做一个等效信号控制和执行机构之间的影响。


图5
纵向的行为真正的测试平台。

3所示。控制算法设计

本节介绍了低速CC三个纵向控制器设计;这些都是基于固定收益(PID),训练数据(简称ANFIS)和(MPC)的预测模型。算法依赖于速度误差计算控制器参考和实际速度之间的差异。在模拟惯性数据提供的虚拟模型,在实验测试使用战略研究所GNS /传感器信息。

车辆速度取决于油门和刹车。然而,由于两种执行器的动态存在相当大的差异(如部分中讨论2),一个单独的控制器为每个机制是必要的。图6描述了自动驾驶框架内的控制块。油门和刹车控制器不活跃的同时,他们将根据速度的符号错误。此外,横向控制器基于模糊逻辑22)之前调整为了测试纵向算法沿着特定的路线。


图6
一般自动驾驶框架的决策和控制块。
3.1。PID

Proportional-Integral-Derivative控制器,称为PID,是一种广泛使用的技术在反馈控制的应用程序。根据(23),约95%的控制回路实现过程是基于这种技术。PID输出取决于输入误差信号和三个可调系统的收益变化的响应。一个主要优势是,它通过积分作用减少稳态误差;此外,微分增益允许预测未来的行为。方程(3)显示了一个离散时间PID控制器的一般公式使用向前欧拉方法。 在哪里 控制输出和吗 , , 代表比例、积分和微分收益,分别; 对应于系统采样时间(1在模拟女士和10 ms的平台)。PID控制器已被用于不同的自动驾驶纵向应用和作为一个实际的解决方案出现CC应用控制信号可以修改根据速度误差和选择适当的收益。表3显示了PID参数用于这项工作。这些值在模拟器环境调整,然后在实际车辆进行测试。

表3
PID收益。
3.2。简称ANFIS

将人类经验集成到自动驾驶算法是一种理念,已经收到了极大的兴趣在过去年。一种常用技术是模糊推理系统(FIS),这包括人类知识为控制器的设计提供了一个解决方案,通过一组隶属度函数和语言if - then规则。模糊控制器在不同的自动化用例已经证明了它的实用性,如横向控制(24和自适应巡航控制系统(ACC)25]。

然而,人类知识的手册翻译成一个模糊逻辑数据库可以是一个艰巨的任务,它是复杂的知道设计隶属函数和规则是最好的选择。这个缺点是解决简称ANFIS,结合高木涉和Sugeno模糊系统(26)与自适应神经网络的学习能力基于human-trained数据。

这项工作实现了two-input-one-output neurofuzzy控制器设计取决于两种速度误差、绝对( )和相对( ),见以下方程: 在哪里 参考和速度吗 是一个参考的步长变化(图9, 值是15日−5、5、5、7−−5日和−8(公里/小时),职责)。添加在踏板相对误差的目的是捕获行为同样的绝对误差,这取决于它发生在加速启动,维持,或完成。这一战略调整速度参考类似于以人为本在低速驾驶风格:踏板轻轻地按在一开始,然后举行,逐步接近参考时松了一口气。

简称ANFIS训练的数据纵向速度控制器是来自一系列测试在模拟器上完成的。1公里高速公路的场景包括横向控制器调整保持中心线的车辆。然后,USB为打破和油门踏板被用来驱动虚拟车辆,同时保持一个参考速度显示在屏幕上。油门控制器6测试执行;参考增加在步骤5中,10、15、20、25、30(公里/小时)。相同的策略被用于训练刹车,从最高时速30(公里/小时),重复相同的6试验,但减少的速度。

通过描述的网络结构是由两个输入高斯隶属度函数和三个描述符(没有错误,错误,低,高错误)为单位(公里/小时)。系统的输出是一个规范化的控制作用 ,积极的值对应于油门控制器和消极的值分配给刹车。附加信息在neurofuzzy控制器表所示4和5。前者表明控制器的输出值基于输入描述。作为基本设计规则,不能同时激活两个控制器。此外,控制器被训练使用混合算法(27]。

表4
简称ANFIS参数。
表5
简称ANFIS输出参数。

代表油门和刹车控制表面的描述了数据7(一)和7 (b)分别证明输出值的限制范围内接受的执行机构。此外,控制输出显示光滑,没有突然变化,保证控制器不会大幅命令的输出。

(一)
(一)
(b)
(b)
图7
(一)控制表面简称ANFIS加速器;(b)控制表面简称ANFIS刹车。

上述算法设计和训练模拟器的数据,基于车辆模型中解释部分3。这个响应验证仿真平台的目标作为ADAS工具设计。真正的好处包括更低的依赖车辆可用性和相当大的减少试验时间。

3.3。货币政策委员会

第三种算法是一个基于模型的控制器。模型预测控制(MPC) (28),也称为滚动时域控制,基于最优控制理论的概念,植物模型和一组预期的输入是用来预测未来的系统状态。它认为限制反应的植物和控制输入,优化控制基于目标函数值。有不同的方法来设计MPC。这项工作为目的的一个真正的时间制定一个线性模型。

这种方法主要是使用在过去的几十年的应用程序包括高水平运动规划决策模块,以及辅助反馈控制循环(29日];其他方法使用开环控制的前馈策略。MPC的主要缺点之一是,它需要一个植物模型可以非常准确地描述实际系统。这个问题影响特别是开环的解决方案。相比之下,基于反馈的配方可以补偿模型误差通过更新美国每次优化问题已经解决了。

下一节解释了设计使用高保真的MPC CC车辆动力学仿真器。问题制定和优化求解的简要描述。

3.3.1。MPC问题公式化

拟议中的运动线性MPC是基于一个三集成链构造下三个要求:(i)跟踪能力较低的参考速度平稳调整过度,(ii)生成命令可行的目标车辆的加速度,和(3)考虑乘客的舒适。从这个意义上说,方程描述植物

这些可以代表经典的状态空间描述,

, , , 是纵向距离、速度、加速度,混蛋,分别。在这个配方控制变量是混蛋,尽管在这项工作需求和限制有关未来的加速度值。另外,给出的约束三个需求 在哪里 为 和 样品时间和吗 样品的数量用于货币政策委员会预测地平线。此外, 是当前车辆的速度, 0.5参考速度,因子(m / s)是用来限制控制器的过度反应。最大的车辆减速为代表 ,而 最大加速度的大小;这两个参数是相关的动态需求。最后, 是最大的混蛋和减速 是设置的最大加速度混蛋,根据旅客舒适度标准的解释(31日]。

目标函数优化问题中使用的最小平方误差速度: 在哪里 的时间控制行为进行了优化,然后呢 是预测地平线;也就是说, 。此外,表6总结了参数用于MPC的优化问题。

表6
MPC参数。
3.3.2。MPC解算器

解决方案的解决者用来计算MPC ACADO工具包(32]。它是一个开源的基于c++代码和独立的库,旨在解决线性和非线性动态问题下的多目标优化函数。此外,ACADO工具包功能支持与Matlab / Simulink仿真环境(33),这使得它的理想选择与自动驾驶提供框架的集成。

4所示。测试和结果

评价三个CC算法,基于控制器之间的比较分析模拟和真实的车辆。首先,速度响应分析使用跟踪误差作为性能指标。此外,还讨论了均值和最大绝对加速度。

实验测试进行了Tecnalia设施内的研究与创新,在一个封闭的回路长度180 [m]。它由直线,两个,和一个车道改变。相同的场景复制在虚拟环境中,如图8。车辆最大速度设置为15(公里/小时)与多个参考更改计划交付的速度。


图8
Derio 700电路:模拟和真实30.]。
(一)
(一)
(b)
(b)
(c)
(c)
图9
速度响应模拟和真实的车辆。
4.1。速度控制分析

三个控制器的响应速度是描绘在图9。它包括仿真和实验测试结果,连同两个平台之间的误差。所有控制器坚持参考,显示相似的响应在模拟和真实的车辆。PID显示了三个加速度机动沉淀时间越快( )。与此同时,MPC的慢加速时达到稳定状态;然而,在制动动作越快。Neurofuzzy控制器是不那么咄咄逼人;尽管如此,远不是一个缺点,这是一个很好的指标,加速安慰。此外,当分析一次跟踪误差控制器已达到95%的参考,neurofuzzy技术显示较小的跟踪误差。

以前的观测可以补充表7,使用平均值,中位数,和RMS的跟踪错误。在模拟,最好的控制器是MPC整体平均误差为1.27(公里/小时),其次是PID和简称ANFIS。获得相同的顺序在评估这个变量在实际车辆。一个重要的结果是,分析值和均方根,订单在两个平台都是一样的。这个信息表明,仿真工具代表正确真实车辆的行为。

表7
跟踪错误(公里/小时)。

此外,图9 (c)显示了错误比较控制器的仿真和实验。neurofuzzy控制器误差最高峰值;控制器的输出(图12)解释这种行为:neurofuzzy系统命令软化初始加速度,逐步增加。这种情况使得真正的车辆反应慢,虽然控制器显示类似的加速度在这两种情况下( 1 (m / s2]),推迟峰值加速度作用产生一个临时错误。此外,平均,意思是,和均方根误差低于0.5(公里/小时)的控制器;基于小参考改变(5(公里/小时)),它代表了一个近似模拟和实际之间的整体误差10%。

4.2。加速度响应分析

基于图的加速度性能评估10。周围的测试电路产生8加速度峰值,每个引用一个改变,相似的响应模拟和真实的平台。结果与结论是一致的提取速度分析:简称ANFIS控制器可以观察到柔软而PID和MPC技术产生更快的反应。


图10
在仿真和实际车辆加速度响应。

表8显示了一个小错误当比较绝对加速度值的均值的两个平台(低于0.1 m / s2])。值和均方根结果存在错误低于0.05 m / s2]。这些结果结合四分位数图分析11之间的区别,这表明真实模拟车辆加速度是小于0.2 m / s275%的时间。红色标记表示异常值(大约9%的收集到的数据);它们中的大多数都是变量之间的延迟造成的模拟信号和真实的。

表8
加速错误[m / s2]。

图11
箱线图的绝对加速度误差仿真和真实平台之间[m / s2]。

图12
控制器输出:模拟和真实。

上面讨论的结果可以通过考虑扩展的错误在八区峰值加速度(表9)。数据显示平均误差为0.09 m / s2PID控制器),0.07 m / s2简称ANFIS方法对应,0.28 m / s2MPC)。总之,neurofuzzy控制器提出了较小的平均加速度值和错误之间的模拟和真实的车辆。此外,整体误差低于10%基于两车之间的最大绝对加速度2 [m / s2),考虑到大部分的绝对加速度误差(接近75%)低于0.2 m / s2)(见图11)。这与之前提供的速度分析是一致的。

表9
峰值加速度错误[m / s2]。

5。结论和未来的工作

这项工作提出了三个纵向控制器的开发和实现CC速度低。算法被设计在一个内部模拟框架基于整车多体模型。然后,控制器应用于检测雷诺Twizy概念。软件实现是基于一个通用架构在Matlab / Simulink开发自动驾驶。

这项工作的主要贡献包括以下:(我)一个完整的框架,提出了自动驾驶和实现在虚拟和真实的车辆。(2)验证了框架作为仿真工具ADAS功能的设计。实验表明,获得的结果在仿真工具是真正代表其行为的车辆在一个平台之间近似误差的10%。带来的好处包括减少验证自动驾驶算法的时间和成本,同时提高性能。(3)一个用例的纵向CC基于三种不同的控制技术。用例覆盖完整的开发过程:描述真实的车辆,在模拟器上调整车辆参数,所需功能的设计和实现,在仿真平台测试和调优,验证在实际车辆。

这些结果为开发自动驾驶算法开辟新的可能性使用这个方法,包括新的场景,其他用例,和更复杂的算法。未来的工作包括验证仿真框架的侧向机动,超车和车道保持等。设计的控制器合作演习也被认为是。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

作者要感谢ENABLE-S3 ESCEL项目(批准号692455 - 2)支持这项工作的发展。