CN117565870A - 一种越野无人车辆坡道路段超低车速预测控制方法 - Google Patents

Abstract

本发明公开了一种越野无人车辆坡道路段超低车速预测控制方法，包括以下步骤：获取并修正车辆前方道路点云，得到激光点云数据；通过所述激光点云数据获取车辆行进前方的纵向剖面数据；根据所述纵向剖面数据计算车辆前进方向的坡角函数；获取目标车速指令和车辆当前状态，根据所述坡角函数、所述目标车速指令以及所述车辆当前状态优化驱动力/制动力控制，并发送至执行单元；本发明基于传感器、控制算法和车辆动力学预测模型，能够使车辆在极低速度下遇到坡道路段时保持卓越的稳定性。

Description

一种越野无人车辆坡道路段超低车速预测控制方法

技术领域

本发明涉及智能驾驶控制技术领域，具体的，本发明应用于越野无人车辆控制技术领域，特别是涉及一种坡道路段超低车速预测控制方法。

背景技术

随着科技的飞速发展，智能驾驶技术逐渐成为现代社会的重要研究领域；越野无人车辆作为这一领域的重要组成部分，其技术背景涉及多个学科，包括机械工程、电子工程、计算机科学、控制理论等。

然而，越野无人车辆面临的技术挑战也相当大。由于其工作环境的复杂性和多变性，需要车辆具备强大的感知能力、决策能力和控制能力，这要求相关技术必须达到相当高的精度和稳定性。此外，越野无人车辆在执行感知侦测、巡检和环境建模等任务时，通常要求对车辆的速度进行精准控制，将其车速保持在一个超低的速度区间内，例如3-5km/h，且常面临着复杂多变的路况，这其中包括坡度不确定、路面不规则以及地形快速变化等特点，即行驶的负载阻力变化较大。针对此类坡道工况，现有的智能驾驶控制技术以及存在的弊端如下：

现有技术一(CN117022322A)：该方案提出了一种基于车辆运动学和纵向动力学组合控制自动驾驶车辆的方法；基于车辆纵向动力学模型设计了非线性模型预测控制器，纵向动力学模型的引入使得控制器能够更全面地控制车辆在纵向运动中的特性，并且将路面附着系数纳入考虑，使得所提出方法能更好适用于不同道路条件，同时能控制滑移率来保证车轮防滑安全性。

该方案利用模型预测控制的方法对车辆纵向速度实现控制，在建立状态方程时将路面附着系数作为状态输入量，在构建目标函数时主要考虑到将与目标车速的误差作为性能指标，但没有针对坡度变化对速度控制进行优化。

现有技术二( CN110341715A)：该方案提出了一种无人车坡道速度控制方法及装置；首先获取车辆的俯仰角信息，并结合车辆的实际加速度、预设的俯仰角扰动与车辆加速度的拟合系数，确定坡度信息，随后确定重力加速度在坡道方向的分量；后续根据车辆的实际和规划车速，结合重力加速度在坡道方向的分量计算车辆的期望加速度；根据车辆的实际车速、期望加速度，查询预设的节气门开度/制动压力表，确定节气门开度信息或制动压力信息，最终达到提升自动驾驶车辆在坡道行驶时的速度控制效果。

该方案针对自动驾驶坡道速度控制算法引入积分环节来抵消坡道对车辆运动模型的干扰，采用积分补偿的方式解决自动驾驶车辆坡道场景的速度控制；但该方案主要考虑的是车辆当前所处位置的坡度，并未考虑道路前方坡度对车辆速度控制的影响；正如其他现有的技术方案一样，在对于无人车辆超低车速区间控制通常针对速度控制误差来进行闭环控制，但在车辆行驶至连续起伏路段时，由于需求驱动力/制动力变化剧烈，如果不针对车辆未来将经过的坡道情况提前调整动力，则无人车发送的速度控制指令很难完成控制闭环。

现有技术三(CN114162120A)：该方案提出了一种车载智能巡航系统坡路车速精准控制方法；通过采集车辆当前位置获知当前车辆行驶方向上前方的道路地图信息；若地图中包含坡路信息，巡航车速调节控制模块，会基于此坡路信息进行车辆加减速度请求值补偿，将坡度信息对应转化为比例因子，作用到输出请求值上，从而实现带有预测的坡路巡航车速自适应调整控制。

该方案利用前方道路地图信息来达到对车辆加减速度进行补偿调节，需要高精地图数据支持，而越野无人车辆的工作场景通常是未知的环境，通常没有高精地图支持。

根据车辆动力学模型，在超低速状态下，所有行驶阻力当中，坡度阻力的变化最为剧烈，占比最重，对无人车辆速度控制的影响也最大；根据现有技术研究发现，越野环境通常不具备高精地图，若行车前方坡度突然变化，现有技术通常是在路面坡度对越野无人车辆的实际加速度响应产生影响后，越野无人车辆的自动驾驶系统才进行修正，这就导致越野无人车辆车速控制的滞后性。尤其是在超低速行驶工况下，若不进行提前针对坡度变化情况的车辆驱动力/制动力调整，则可能出现两类主要问题：（1）在由平地突然行驶到较大坡度上坡路面时，车辆驱动力受限于其增幅或者因为速度闭环控制的参数限制，导致驱动力增加不及时，车辆实际行驶速度被迫突然降得非常低，甚至出现停车或者溜车；（2）在由平地突然行驶到较大坡度下坡路面时，车辆的制动力受限于其增幅或者因为速度闭环控制的参数限制，导致制动力增加不及时，车辆突然出现加速，甚至出现下窜。诸如此类情形，对无人车辆行驶的安全性、速度平稳性造成影响，尤其对遂行无人车辆上装所要求的巡检、地形绘制等功能带来极为不利的影响。

因此，越野无人车辆如何在坡道路段超低速行驶工况下，采用一种控制方法，能够最优化地控制驱动力/制动力，以灵活应对坡道路段，保证速度闭环的最优稳定性，是一个亟待解决的问题。

发明内容

本发明的目的在于，针对现有技术中的上述问题，提供一种越野无人车辆坡道路段超低车速预测控制方法，进而解决现有技术中无法应对越野无人车辆超低稳定行驶速度要求以及坡道复杂多变情况的问题。

为解决上述技术问题，本发明的具体技术方案如下：

本发明提供一种越野无人车辆坡道路段超低车速预测控制方法，主要包括以下步骤：

在实车应用前，对越野无人车辆进行离线标定，测定惯导反馈的俯仰角、车辆加速度与车辆当前所处的坡角三者的映射关系；

实车应用时结合惯导实时采集数据计算车辆当前坡角信息，对激光雷达实时监测的前方路面坡角进行修正；

根据修正后的路面坡角利用模型预测控制的方法，构建未来一段时间内的预期驱动力/制动力控制序列，优化无人车驱动单元/制动单元的输出。

作为一种改进方案，关于以上步骤，具有更加具体的控制步骤，如下：

S100、惯导与车辆所处位置坡角的关系离线标定；

离线标定惯导所反馈的无人车辆车身俯仰角与其纵向加速度的关系；无人车辆即 使是在平面上运动，当无人车辆存在加速度时，惯导通常安装的车身位置也会出现俯仰，即 惯导反馈数据中存在并不实质反应坡角的额外角度，因此需要通过标定将此影响加以剔 除；即标定获取查表函数关系，能够根据惯导采集的车辆纵向加速度值，获取当前车身 的俯仰角，即如下查表函数关系：

S200、无人车辆前方道路坡度感知；

S201：在超低车速预测控制当中，通过惯导实时采集车辆纵向加速度，并通过步骤 S100，查表计算当前车辆纵向加速度条件下对应的车辆俯仰角信息，再结合惯导测量的 当前车身俯仰角信息记为，即可获得当前车辆所处的路面坡角信息，并用于后续对激 光雷达测量的前方坡角信息进行补偿修正；

S202：激光雷达测量前方地形信息。通过激光雷达检测前方地形信息，根据激光雷 达获取的点云数据构建前方路面地形数据。利用当前车辆所处的路面坡角信息，对激 光雷达点云构建的路面地形信息进行修正，获取修正后的代表真实地形形状的点云，具 体流程为：

将激光雷达采集的点云坐标值由激光雷达坐标系中的坐标转化为大地坐标系 中的坐标，其中激光雷达坐标系为，坡角计算坐标系为，具体点云坐标位 置转换计算公式如下：

集合为：

经修正后的为

S203：在修正后的车辆行进前方激光点云中，筛选沿车辆前进方向一个车宽内 的数据，得到纵向剖面数据，求取地面形状关于车辆前方位移距离的函数曲线，通 过求导计算，可得车辆前进方向的坡角函数。

其中，通过集合筛选而得，；

则通过遍历每一个中的点，取其在相同x值下点的z值的平均值获得，计算 过程的伪代码为:

则通过将插值连续化后，求导获得，可有：

S300、车辆驱动力/制动力预测控制：根据车辆前方的坡度变化曲线，无人驾 驶系统所下发的目标车速指令，以及反馈所得的车辆当前实际状态，包括当前车速、当前驱 动力/制动力等，来优化驱动力/制动力的控制。需要说明的是，通常无人车辆采用电驱动形 式，电动机可驱动可制动，因此驱动力/制动力在本申请中也不严格加以区分，均代指无人 车所有纵向动力单元的共同合成的作动力。

S301：构建含有坡角函数的车辆纵向动力学方程：

其中，为车辆驱动力/制动力，是唯一的控制输入。为整车质量，为重力加速 度，为滚动阻力系数，为空气阻力系数，为车辆迎风面积，为空气密度，为汽车旋 转质量换算系数，均为已知参数。

为车辆行驶速度的一阶导数，是状态变量。为坡度角，虽然是变化的，但经前 述步骤，其变化规律已获得。若想保持车速稳定，则越野无人车辆行驶中驱动力应受控 做非线性变化，控制律应结合、等值。

S302：构建非线性模型预测控制器。首先对车辆纵向动力学模型进行方程转换，得到基于车辆纵向运动学模型的连续状态空间模型：

S303：将连续状态空间模型进行离散化，得到系统离散状态空间方程。需要说明的是，此步骤可以任意采用成熟的离散化方法，包括但不限于前向欧拉积分、龙格库塔法、后向欧拉积分。本申请中选择前向欧拉积分：

其中为车辆时刻速度，为车辆时刻坡角，为时刻的纵向位移，为控制输入量，即时刻的驱动力/制动力。需要说明的是，这个模型里只有是状 态变量，和是随着变化的相应参量，并不是独立的状态变量。由于本申请当中 无人车是做超低速的稳态闭环控制，因此模型的输出也选取为。

S304：为保证设计的非线性模型预测控制器输出的车辆驱动力符合实际，设计控制约束条件：

即驱动力/制动力的幅值和变化率是有界的，根据实车情况确定参数，，，的值。

S305：设计合理的目标函数。实车的控制目标是使得即，保持 车速稳定，是目标车速。为此，本申请设计了三项性能优化指标和优化方向：（1）速度 跟踪偏差要小；（2）通过控制驱动力变化要求车速不能减至零，越接近零惩罚越大；（3）输入 控制信号变化率要小。优化问题是在当前时刻（也就是0时刻）的车辆状态和当前坡 度函数的情况下，求取如下式所示的优化目标函数值为最小：

其中，，，为调整3个子目标影响权重的参数，为车辆时刻期望速 度，为预测控制的周期数，为防止分母为0的极小修正值，这些参数均根据实车情况优 选。

S306：模型预测控制器求解最优控制值。需要说明的是，非线性控制器求解过程属于本领域的常规技术手段，不是本申请需要重点解决的技术问题，不做详细解释，参考一般的非线性控制器求解过程即可。最终求得最优控制序列一般为：

然后将其第一项作为当前时刻的控制值，发送给驱动单元/制动单元执 行。

本发明技术方案的有益效果是：

本发明所述的越野无人车辆坡道路段超低车速预测控制方法，采用带有坡度函数的车辆纵向动力学模型，来进行超低车速的非线性模型预测控制，从而可以有效地针对未来坡角的变化，提前优化驱动力/制动力，对越野无人车辆提前进行车速精准控制，保证车速平稳；

本发明利用激光雷达对前方道路坡度进行识别，代替高精地图来检测前方坡度信息，这样在越野环境即便没有高精地图情况下，也可构建未来行驶距离与坡角的关系函数，从而表达进预测模型当中；

本发明利用模型预测控制理论进行车速预测控制的优化函数，尤其是通过对车速降为零的额外惩罚，确保车辆在上坡工况时候不会出现车辆降速至0甚至溜坡的极端恶劣情况。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例1所述越野无人车辆坡道路段超低车速预测控制方法的流程示意图；

图2是本发明实施例1所述越野无人车辆坡道路段超低车速预测控制方法中激光雷达探测坡道的示意图；

图3是本发明实施例1所述越野无人车辆坡道路段超低车速预测控制方法中所述点云坐标位置转换的原理示意图；

图4是本发明实施例2所述越野无人车辆坡道路段超低车速预测控制系统的架构示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

在本发明的描述中，需要说明的是，本发明所描述的实施例是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1，本实施例提供一种越野无人车辆坡道路段超低车速预测控制方法，如图1~图3所示，主要包括以下步骤：

在实车应用前，对越野无人车辆进行离线标定，测定惯导反馈的俯仰角、车辆加速度与车辆当前所处的坡角三者的映射关系；

实车应用时结合惯导实时采集数据计算车辆当前坡角信息，对激光雷达实时监测的前方路面坡角进行修正；

根据修正后的路面坡角利用模型预测控制的方法，构建未来一段时间内的预期驱动力/制动力控制序列，优化无人车驱动单元/制动单元的输出。

基于以上的控制方法可以改善越野无人车辆在复杂地形上的性能，使其能够更好地应对不同的坡度和路况，从而提高了车辆的稳定性和安全性。

为了便于展示本申请的实现原理，见图2，x轴水平向前代表车辆前方的位移距离， z轴垂直向上代表垂向高度，y轴根据右手定则确定；为与车头固结的，且xy平面始 终保持水平，x永远朝向车头的一组坡角计算坐标系；激光雷达所检测的点云数据的原点和 坐标轴也定为，其中，原点仍为O，y轴是相同的，但是xy平面则跟随激光雷达固 结，随着车辆的俯仰而发生变化；需要说明的是，图2中从激光雷达引出的线为激光雷达发 射激光的示意线。

进一步，关于以上步骤，具有更加具体的控制步骤，如下：

S100、惯导与车辆所处位置坡角的关系离线标定；

离线标定惯导所反馈的无人车辆车身俯仰角与其纵向加速度的关系；无人车辆即 使是在平面上运动，当无人车辆存在加速度时，惯导通常安装的车身位置也会出现俯仰，即 惯导反馈数据中存在并不实质反应坡角的额外角度，因此需要通过标定将此影响加以剔 除；即标定获取查表函数关系，能够根据惯导采集的车辆纵向加速度值，获取当前车身 的俯仰角，即如下查表函数关系：

S200、无人车辆前方道路坡度感知；

S201：在超低车速预测控制当中，通过惯导实时采集车辆纵向加速度，并通过步骤 S100，查表计算当前车辆纵向加速度条件下对应的车辆俯仰角信息，再结合惯导测量的 当前车身俯仰角信息记为，即可获得当前车辆所处的路面坡角信息，并用于后续对激 光雷达测量的前方坡角信息进行补偿修正；

S202：激光雷达测量前方地形信息。通过激光雷达检测前方地形信息，根据激光雷 达获取的点云数据构建前方路面地形数据。利用当前车辆所处的路面坡角信息，对激 光雷达点云构建的路面地形信息进行修正，获取修正后的代表真实地形形状的点云，如 图3所示，具体流程为：

将激光雷达采集的点云坐标值由激光雷达坐标系中的坐标转化为大地坐标系 中的坐标，其中激光雷达坐标系为，坡角计算坐标系为，具体点云坐标位 置转换计算公式如下：

集合为：

经修正后的的集合为

S203：在修正后的车辆行进前方激光点云中，筛选沿车辆前进方向一个车宽内 的数据，得到纵向剖面数据，求取地面形状关于车辆前方位移距离的函数曲线，通 过求导计算，可得车辆前进方向的坡角函数。

其中，通过集合筛选而得，；

则通过遍历每一个中的点，取其在相同x值下点的z值的平均值获得，计算 过程的伪代码为:

则通过将插值连续化后，求导获得，可有：

S300、车辆驱动力/制动力预测控制：根据车辆前方的坡度变化曲线，无人驾 驶系统所下发的目标车速指令，以及反馈所得的车辆当前实际状态，包括当前车速、当前驱 动力/制动力等，来优化驱动力/制动力的控制。需要说明的是，通常无人车辆采用电驱动形 式，电动机可驱动可制动，因此驱动力/制动力在本申请中也不严格加以区分，均代指无人 车所有纵向动力单元的共同合成的作动力。

S301：构建含有坡角函数的车辆纵向动力学方程：

其中，车辆驱动力/制动力，是唯一的控制输入。为整车质量，为重力加速 度，为滚动阻力系数，为空气阻力系数，为车辆迎风面积，为空气密度，为汽车旋 转质量换算系数，均为已知参数。

为车辆行驶速度的一阶导数，是状态变量。为坡度角，虽然是变化的，但经前 述步骤，其变化规律已获得。若想保持车速稳定，则越野无人车辆行驶中驱动力应受控 做非线性变化，控制律应结合、等值。

S302：构建非线性模型预测控制器。首先对车辆纵向动力学模型进行方程转换，得到基于车辆纵向运动学模型的连续状态空间模型：

S303：将连续状态空间模型进行离散化，得到系统离散状态空间方程。需要说明的是，此步骤可以任意采用成熟的离散化方法，包括但不限于前向欧拉积分、龙格库塔法、后向欧拉积分。本申请中选择前向欧拉积分：

其中为车辆时刻速度，为车辆时刻坡角，为时刻的纵向位移，为控制输入量，即时刻的驱动力/制动力。需要说明的是，这个模型里只有是状 态变量，和是随着变化的相应参量，并不是独立的状态变量。由于本申请当中 无人车是做超低速的稳态闭环控制，因此模型的输出也选取为。

S304：为保证设计的非线性模型预测控制器输出的车辆驱动力符合实际，设计控制约束条件：

即驱动力/制动力的幅值和变化率是有界的，根据实车情况确定参数，，，的值。

S305：设计合理的目标函数。实车的控制目标是使得即，保持 车速稳定，是目标车速。为此，本申请设计了三项性能优化指标和优化方向：（1）速度 跟踪偏差要小；（2）通过控制驱动力变化要求车速不能减至零，越接近零惩罚越大；（3）输入 控制信号变化率要小。优化问题是在当前时刻（也就是0时刻）的车辆状态和当前坡 度函数的情况下，求取如下式所示的优化目标函数值为最小：

其中，，，为调整3个子目标影响权重的参数，为车辆时刻期望速 度，为预测控制的周期数，为防止分母为0的极小修正值，这些参数均根据实车情况优 选。

S306：模型预测控制器求解最优控制值。需要说明的是，非线性控制器求解过程属于本领域的常规技术手段，不是本申请需要重点解决的技术问题，不做详细解释，参考一般的非线性控制器求解过程即可。最终求得最优控制序列一般为：

然后将其第一项作为当前时刻的控制值，发送给驱动单元/制动单元执 行。

实施例2，本实施例基于与实施例1中所述的一种越野无人车辆坡道路段超低车速预测控制方法相同的发明构思，提供一种越野无人车辆坡道路段超低车速预测控制系统，如图4所示，包括：激光雷达、惯导、车辆状态获取单元、控制单元和驱动单元/制动单元；所述激光雷达用于检测前方道路点云；所述惯导用于检测当前车辆的俯仰角和加速度；所述车辆状态获取单元用于获取车辆状态，所述车辆状态用于反馈当前车速；所述驱动单元实际执行驱动力/制动力等。激光雷达一般安装在车头上方，惯导安装在车辆质心位置，也有可能安装在车架上，二者也是无人车辆的常用传感器，按照无人车辆的安装规范安装即可。

作为本发明的一种实施方式，在实车应用前，对越野无人车辆进行离线标定，测定惯导反馈的俯仰角、车辆加速度与车辆当前所处的坡角三者的映射关系；实车应用时结合惯导实时采集数据计算车辆当前坡角信息，对激光雷达实时监测的前方路面坡角进行修正；根据修正后的路面坡角利用模型预测控制的方法，构建未来一段时间内的预期驱动力/制动力控制序列，优化无人车驱动单元/制动单元的输出。

实施例3，本实施例提供一种计算机可读存储介质，所述存储介质用于储存将上述实施例1所述的越野无人车辆坡道路段超低车速预测控制方法实现所用的计算机软件指令，其包含用于执行上述为所述越野无人车辆坡道路段超低车速预测控制方法所设置的程序；具体的，该可执行程序可以内置在实施例2所述的越野无人车辆坡道路段超低车速预测控制系统中，这样，越野无人车辆坡道路段超低车速预测控制系统就可以通过执行内置的可执行程序实现所述实施例1所述的越野无人车辆坡道路段超低车速预测控制方法。

此外，本实施例具有的计算机可读存储介质可以采用一个或多个可读存储介质的任意组合，其中，可读存储介质包括电、光、电磁、红外线或半导体的系统、装置或器件，或者以上任意组合。

区别于现有技术，考虑到越野无人车辆行驶的超低速度要求以及路况复杂多变的情况，采用本申请一种越野无人车辆坡道路段超低车速预测控制方法，通过激光雷达和惯导等，对车辆未来行驶路况尤其是坡度进行检测，从而优化车辆的行驶动力学模型，再通过模型预测控制，提供未来一段时间内的最优驱动力/制动力序列，从而预测式地调节车辆速度，确保车辆在坡道路段始终具备足够的驱动力/制动力，车速稳定控制在上装所要求的超低车速值，具有较高的应用价值。

应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本文实施例方案的目的。

另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于，包括以下步骤：

获取并修正车辆前方道路点云，得到激光点云数据；

通过所述激光点云数据获取车辆行进前方的纵向剖面数据；

根据所述纵向剖面数据计算车辆前进方向的坡角函数；

获取目标车速指令和车辆当前状态，根据所述坡角函数、所述目标车速指令以及所述车辆当前状态优化驱动力/制动力控制，并发送至执行单元。

2.根据权利要求1所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述获取并修正车辆前方道路点云，得到激光点云数据，进一步包括：

通过激光雷达获取车辆前方道路点云，通过惯导测得车辆当前所处的路面坡角信息；

基于所述路面坡角信息，将所述车辆前方道路点云的坐标值由激光雷达坐标系中的坐 标转化为大地坐标系中的坐标，得到所述激光点云数据，其中，i∈激光 雷达反馈的单点数据角标集合，x轴水平向前代表车辆前方的位移距离，z轴垂直向上代表 垂向高度，y轴根据右手定则确定。

3.根据权利要求2所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述通过惯导测得车辆当前所处的路面坡角信息，进一步包括：

通过惯导获取车辆在平面运动时的车辆车身俯仰角和车辆纵向加速度值，离线标定车辆车身俯仰角和车辆纵向加速度值的关系，得到查表函数关系；

通过惯导采集当前车辆纵向加速度和当前车身俯仰角信息，通过所述当前车辆纵向加速度和所述查表函数关系得到第一车辆车身俯仰角信息，基于所述第一车辆车身俯仰角信息和当前车身俯仰角信息得到所述路面坡角信息。

4.根据权利要求2所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述通过所述激光点云数据获取车辆行进前方的纵向剖面数据，进一步包括：

筛选所述激光点云数据，得到沿车辆前进方向一个车宽内的纵向剖面数据，。

5.根据权利要求4所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述根据所述纵向剖面数据计算车辆前进方向的坡角函数，进一步包括：

遍历每一个纵向剖面数据中的点，取其在相同x值下点的z值的平均值，获得地面形 状关于车辆前方位移距离的函数曲线；

通过将插值连续化后，求导获得坡角函数；

。

6.根据权利要求5所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述获取目标车速指令和车辆当前状态，根据所述坡角函数、所述目标车速指令以及所述车辆当前状态优化驱动力/制动力控制，并发送至执行单元，进一步包括：

构建含有坡角函数的车辆纵向动力学方程；

构建非线性模型预测控制器，将所述车辆纵向动力学方程转换为基于纵向运动学模型的连续状态空间模型；

对所述连续状态空间模型进行离散化处理，得到系统离散状态空间方程；

设计控制约束条件和控制优化目标；

基于非线性模型预测控制器，求解最优控制值并发送给执行单元。

7.根据权利要求6所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述车辆纵向动力学方程为：

,

其中，为车辆驱动力/制动力，是唯一的控制输入；为整车质量；为重力加速度； 为滚动阻力系数；为空气阻力系数；为车辆迎风面积；为空气密度；为汽车旋转质 量换算系数；为车辆行驶速度的一阶导数；是状态变量；为坡度角。

8.根据权利要求7所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述连续状态空间模型为：

,

所述对所述连续状态空间模型进行离散化处理，得到系统离散状态空间方程，进一步包括：采用前向欧拉积分对连续状态空间方程进行离散化处理：

,

其中，为车辆时刻速度，为车辆时刻坡角，为时刻的纵向位移， 为控制输入量，即时刻的驱动力/制动力。

9.根据权利要求8所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述控制约束条件为：

,

所述控制优化目标包括：速度跟踪偏差较小、车速减至零应施加惩罚以及输入控制信号变化率较小，即求取如下式所示的优化目标函数值为最小：

,

其中，，，为调整3个子目标影响权重的参数，为车辆时刻期望速度，为 预测控制的周期数，为防止分母为0的极小修正值。

10.根据权利要求9所述的一种越野无人车辆坡道路段超低车速预测控制方法，其特征在于：所述基于非线性模型预测控制器，求解最优控制值并发送给执行单元，进一步包括：求得最优控制序列：

,

将其第一项作为当前时刻的控制值，发送给执行单元执行。