重载无人车的速度与方向控制方法

张子才

(宝山钢铁股份有限公司运输部,上海 201999)

宝钢股份公司宝山基地主要采用重型框架车进行钢铁在制品及产成品的物流运输。随着国内外车辆无人驾驶技术的逐渐成熟,框架车的无人驾驶技术研发也被提上议事日程。与轿车等轻型车辆的无人驾驶不同,框架车由于载重大、控制复杂,与轿车控制有较大不同。如转向机构采用液压控制,存在一定的滞后;行驶机构采用多电动机驱动,多电动机同步比较困难。本文根据重载框架车的特点,探讨在无人驾驶时的速度与方向的控制方法。

1 速度控制

无人化框架车需要在执行任务的过程中保持一定的速度,在控制系统预先完成速度规划后,需要一个合理的速度控制策略,以实现框架车的实际速度更好地跟随该速度规划曲线,在无人驾驶领域称之为纵向控制。

传统的纵向控制策略为PID控制[1]。本文在传统PID的基础上加以创新,使之更贴合项目的实际需要。项目中,电动机驱动力矩百分比和刹车制动力矩百分比(类似于有人驾驶自动档车辆的油门和刹车,故以下简称“油门”和“刹车”),均对速度产生一定影响,故速度的控制需要同时考虑两个控制量的输出。油门量的给定通常影响到车辆加速和速度保持,而刹车量的给定通常影响到车辆的减速和停车过程。两者互为排斥关系,即当油门给定时,不能给定刹车量;同理,当刹车量给定时,不能给定油门量。

本项目中,为解决油门量和刹车量相互耦合的问题,设计一个共用的PID控制器,如公式(1):

U[n]=Kp{e[n]-e[n-1]}+Kie[n]

(1)

式中:U[n]为当前油门或刹车量的输出值,当U[n]>0时输出的为油门值,当U[n]<0时,输出的为刹车值;Kp为当前的PID控制中比例系数;Ki为PID控制中积分系数;e[n]为本周期中目标速度和当前速度的偏差值;e[n-1]为上一周期中目标速度和当前速度的偏差值。

采用增量式PID,且会根据每次任务的车辆载重,更新车辆的PID参数,即车辆载重越大,油门和刹车控制器的Kp值和Ki值越大。

在车辆控制的过程中,首先计算当前速度和目标速度的速度差,作为输出量令油门控制器计算出油门给定量,如果是负值,则启动刹车控制器进行控制计算。实际的框架车行驶过程中,过大的加速度和减速度均会招致车辆运输物如钢卷等发生滚动、脱落的危险,而且对车辆使用寿命不利。所以,车辆控制器的设计在最终输出时,对油门量百分比和刹车量百分比的变化值作出了限制,即分别控制在一定的限幅区域(死区)内,避免车辆过快加速或减速带来的风险。

车辆速度控制流程图如图1所示。

图1 车辆速度控制流程Fig.1 Vehicle speed control process

图2为车辆在直接下达高速行驶指令的高速段的速度追踪效果,可以得知:车辆在速度追踪到想要达到的目标速度后,由于PID积分效应的影响,会产生一定的超调,随着时间的推进,速度会产生震荡随后达到稳态。这一现象符合PID调节的基本规律,合理地调整参数可以一定程度上减小超调并减小达到稳态所需要的时间。

图2 速度追踪效果Fig.2 Speed tracking effect

图3是在试验路段的实际跟踪效果,在速度控制上基本达到了人工驾驶开车的效果。

图3 试验路段速度测试结果Fig.3 Speed test results of experimental road

2 车辆寻迹控制

轨迹生成是各类无人车运动规划算法的一个基本程序,其目的是构造状态空间中的一条轨迹连接任意给定的两个状态[2]。无人化框架车收到任务指令时,可以沿着规划系统所计算出的轨迹进行寻迹控制。车辆寻迹的过程中,需要不断调整车辆的转向角度以追上目标轨迹。由于车辆根据转角大小寻迹的过程与曲线曲率、车辆速度等各个因素都有关,车辆寻迹是一个相对复杂的过程,本文采用单点预瞄偏差的PID控制来实现车辆寻迹控制。

基于误差调节的路径跟踪控制系统相当于一个驾驶员模型,驾驶员模型是导航技术的重要组成部分。实际驾驶中驾驶员通常以当前车辆的运动状态为基础,预测当汽车行驶到前方视觉所及某处(即预瞄点)时车辆与期望道路中心线之间横向位置误差的大小,驾驶员转动方向盘的目的就是尽可能使这个预测的误差为 0,而不是着重于减小当前车辆中心与期望路径之间横向位置误差。这个预测的误差就被称作横向预瞄误差。驾驶员根据横向预瞄误差的正负和大小来转动方向盘调节前轮转角,实现对车辆行驶路径的调节。无人驾驶领域中,传感器采集的信息被传回车载计算机后,计算机根据车辆运动参数、道路曲率和单点预瞄模型计算出预瞄点处的横向误差,然后根据这个横向误差、车辆的运动状态和车辆的动力学公式计算出所需的前后轮转角,实现对目标路径的跟踪。

如图4,以车辆中心点为坐标原点O,车辆中心线正前方为OX轴正方向,OX轴上的C点为预瞄点,Ls表示预瞄距离。

图4 预瞄点与目标点的偏差 Fig.4 Deviation between preview point and target point

由于道路被规划系统定义为一系列散点,故求预瞄点C与道路的距离偏差ey和角度偏差eψ,需要取预瞄点与距离最近的相邻道路点A、B的插值。道路点A、B基于车辆坐标系转化后的x,y坐标分别为(x1,y1),(x2,y2),可以求得:

(2)

角度偏差eψ可以直接视作预瞄点与道路前后两相邻点切线的夹角,可以用式(3)求出:

(3)

本文用复合PID来实现ey和eψ的纠偏,由于车辆轮胎的变化对偏航角的变化十分明显,本项目中将角度偏差eψ的偏差影响P调整为一个相对微小的值,并删除了角度PID中的积分项和微分项,同时删除距离PID中的微分项,最终输出车辆轮胎转向角和ey、eψ之间的关系,见式(4):

(4)

式中:δ为车辆轮胎转向角;Kp1为距离PID控制中的比例系数;Ti为积分时间;Kp2为角度PID控制中的比例系数。

实际应用中,由于车辆实际工况比较复杂,一套PID参数不能适应所有工况的需要,其中对于控制影响最大的两个因素分别是速度和车辆的载重。本项目中,经过长时间对最优控制参数的摸索和调整,对于不同速度和不同载重的划分,将速度和载重设计为不同分段,通过建表的方式记录最优参数(表1)。在车辆执行任务的过程中,实时根据车辆速度和载重,读取最优参数,并计算实时车辆轮胎转向角。

表1 方向控制最优参数表Table 1 Optimal parameters of directional control

在选取车辆预瞄点时,预瞄距离Ls同样应受工况的影响而变化,本项目中预瞄距离随车辆当前速度变化可以用多段线的关系表示,如图5所示。

图5 预瞄距离与速度的关系Fig.5 Relationship between preview distance and speed

重载无人车直线行驶,实测控制效果如图6所示,偏差为一个较小较稳定的结果。

图6 直线行驶寻迹控制效果Fig.6 Control effect of straight line driving trace

无人车弯道寻迹控制如图7所示。采用上述介绍方法仍然能够追上所设路点,可以证明该寻迹模型同样适用于直线和转弯的情况。

图7 弯道行驶寻迹控制效果 Fig.7 Tracking control effect of curve driving

3 不同载重及速度下的控制效果

为了进一步验证控制策略的鲁棒性及对不同载重与速度的适应性,笔者进行了大量的实车测试验证。如图8中展示了不同载重(空载、中载、重载)且速度变化时的速度及轨迹跟随效果(数据采样频率为0.2 s)。从图8可以看出,在不同载重及速度下,实车均能较为稳定且快速地跟随规划速度与设定轨迹,从而进一步验证了笔者所提控制策略的有效性和实用性。

4 结束语

重载无人车行驶中,在速度控制中采用增量式PID模型,在方向控制中采用复合式PID模型;同时根据车速和载重,实际反复测试,选取最优控制参数。通过这种方法,可以有效控制重载无人车在自动行驶过程中的速度和方向,自动驾驶控制效果与人工驾驶相似,满足了实际工艺需求。通过在不同载重及不同速度下的多次实车测试,进一步验证了所提控制策略的鲁棒性和实用性。