用于控制自动驾驶或部分自动驾驶的陆地车辆的设备.pdf

一种用于控制自动驾驶或部分自动驾驶的陆地车辆的设备，该设备包括：粗调组件(1、2、3)和细调组件(4)，粗调组件(1、2、3)包括：a.传感器接口(1)，其测量包括速度和刹车的运动学参数；b.对车辆的向导、导航和控制进行建模的模糊描述，该模糊描述包括：(i)驾驶者行为和驾驶动力学；(ii)由于环境(包括天气、道路状况和交通)而导致的不确定性；以及(iii)包括机械部分和电部分的输入故障；以及c.用于非线性MIMO系统(2)的、具有包括模糊化、推理和输出处理的子系统的自适应模糊逻辑控制器(3)，其包括降型和去模糊化两者，并且提供结果所得的闭环系统的稳定性，该自适应模糊逻辑控制器(3)包括：(i)推理引擎，其使用规则库来识别关系，并且将这些关系作为“模糊集”输出到降型器；以及(ii)将包括力矩执行器的控制需求输出到使信号“模糊化”的模糊化器；并且细调

权利要求书
1.  一种用于控制自动驾驶或部分自动驾驶的陆地车辆的设备，所述设备包括粗调组件和细调组件，
所述粗调组件包括：
a.传感器接口，所述传感器接口测量包括速度和刹车的运动学参数；
b.对所述车辆的向导、导航和控制进行建模的模糊描述，所述模糊描述包括：
(i)驾驶者行为和驾驶动力学；
(ii)由于包括天气、道路状况和交通的环境而导致的不确定性；以及
(iii)包括机械部分和电部分的输入故障；以及
c.用于非线性MIMO系统的、具有包括模糊化、推理和输出处理的子系统的自适应模糊逻辑控制器，所述自适应模糊逻辑控制器包括降型和去模糊化两者，并且提供结果所得的闭环系统的稳定性，所述自适应模糊逻辑控制器包括：
(i)推理引擎，所述推理引擎使用规则库来识别关系，并且将所述关系作为“模糊集”输出到降型器；以及
(ii)将包括力矩执行器的控制需求输出到使信号“模糊化”的模糊化器，
并且所述细调组件包括：
a.来自所述粗调组件的输入；
b.预知时域，所述预知时域确定所述目标函数对最小化考虑多少个未来的采样以及计算的控制序列的长度；
c.提供“细”调参数的在每个时间步骤从所述自适应模糊逻辑控制器提取的线性化MIMO回归模型；以及
d.非线性动态线性化回归控制器，所述非线性动态线性化回归控制器提供：
(i)馈送到APACC合成中的明确的输出信号，所述APACC合成计算最佳的未来的车辆向导、导航和控制序列；以及
(ii)馈送到所述APACC线性逻辑系统中的缩减集输出和APACC合成。

2.  根据权利要求1所述的设备，包括同步组件，所述同步组件对输出信号优化输入信号，并且包括预测所述车辆的未来的稳定输出参数的级联丢番图频率合成(DFS)装置。

说明书用于控制自动驾驶或部分自动驾驶的陆地车辆的设备
技术领域
本发明涉及控制设备，更具体地，本发明涉及一种用于控制自动驾驶或部分自动驾驶的陆地车辆的设备。
背景技术
自动驾驶或部分自动驾驶的车辆的实现是复杂的，取决于人类驾驶者参与的水平。要求包括支持车道保持和警告系统、自适应巡航控制、备用警报以及停车辅助设备。高级驾驶者辅助系统(ADAS)、光检测和测距(LIDAR)、以及实时车辆对车辆通信中的专用短距离通信(DSRC)仅仅是正在开发的已知技术中的一些。这些技术被设计为使得汽车能够实时地根据图像计算任何情况的三维几何结构，并且对它们的周围的事物做出反应。ADAS例如使用与执行器、控制单元和集成软件组合的高级传感器(诸如立体照相机以及长距离和短距离RADAR)的组合。
迄今为止，可用传感器和人工智能的融合尚不能像人类那样能够准确地“查看”和理解车辆周围的事物。人工智能不能提供该水平的推理思考，它也不能实时地与环境进行沟通。理解的是，这些传感器和连接技术的结合将增加可供用于进行决策的输入，并且减少对于更复杂的人工智能的需要。
模型预测控制(MPC)是在车辆自主驾驶情况下被认为是极富吸引力的基于优化的控制策略。例如，关于MPC解决方案，APACC使用包括传感器、驾驶者行为和交通数据的数据以及模型预测控制器来提高燃料经济性。
安全的自动驾驶车辆已经被构建。Google以及传统的汽车制造商和供应商已经使用基于传感器的解决方案开发了自动驾驶功能，并且 在流水线(pipeline)中具有许多新的应用。同时，若干个组织(包括汽车和高科技公司以及USDOT)一直集中于使用连接车辆通信技术进行防撞和交通管理的可能性。
实现真正自主的车辆需要将基于传感器的技术和由高级控制方案所支持的连接车辆通信结合起来。然而，在过去5年左右，在高级控制方案之中，只有线性模型预测控制(MPC)已经被用在车辆自主驾驶中。所有MPC技术背后的基本构思都依赖于对装置(plant)模型的预测来通过最小化目标函数计算最佳的未来的控制序列。MPC模型包括受控变量、被操纵变量以及干扰(扰动)变量。在每个采样时刻，基于新的测量数据来执行优化，并且应用序列的第一个控制输入。序列的其余部分被舍弃，并且在下一个采样时刻以“滚动时域”的方式重复所述处理。
虽然MPC起源于化学加工工业，但是对于将它应用于车辆自主驾驶(包括支持车道保持和警告系统、自适应巡航控制、备份警报以及停车辅助设备)的兴趣增加。本质上，MPC的应用通过下述方式建立于燃料和时间最佳速度规划的构思之上，即，引入机载优化、提供用于提高自主性和重新配置的自然框架、同时考虑到物理约束和操作约束(诸如有限控制权限、被动安全性和防撞)。此外，其它改进是可能的，诸如否则不会被知道的行程规划。
广义预测控制(GPC)及其衍生物受到了特殊关注。特别是，GPC被以直截了当的方式应用于不稳定的或时间延迟的MIMO系统的能力以及对于静态模型的低计算需求使得它对于许多不同种类的任务是有用的。系统表现意外、人为因素、故障和环境是对非线性装置动力学做出贡献的所有因素。MPC的缺点是该方法限于线性模型。如果非线性动力学存在于装置中，则线性模型可能不能得到足以使MPC技术充分作用的预测。
两种最一般的闭环识别方法是直接方法和间接方法。直接方法忽略反馈的存在，并且直接识别逐个装置的输入和输出数据。这具有不需要了解控制反馈的类型或者甚至控制器的线性关系的优点。间接方 法识别闭环，并且如果可能的话，通过去卷积来获得开环模型。只有当控制器是已知的并且闭环装置模型和控制器都是线性的时，获得开环模型才是可能的。
多变量多输入多输出(MIMO)系统的控制是实际的车辆对车辆以及从车辆到基础设施通信中的常见问题。连接车辆系统使用无线技术来进行实时通信。大多数现有的方法仅处理驾驶者行为和环境中的不确定性，假定执行器的精确模型是可用的。因为由于诸如机械部分和电部分而导致的输入故障等，执行器参数也可能具有不确定性，所以该假定在实践中很少被满足。在执行器不确定性情况下的自适应控制没有被考虑，即使该不确定性导致控制器性能显著劣化。
发明内容
本发明旨在减轻以上提及的问题。
因此，在本发明的一个非限制性实施例中，提供一种用于控制自动驾驶或部分自动驾驶的陆地车辆的设备，该设备包括粗调组件和细调组件，
粗调组件包括：
a.传感器接口，其测量包括速度和刹车的运动学参数；
b.对车辆的向导、导航和控制进行建模的模糊描述，所述模糊描述包括：
(i)驾驶者行为和驾驶动力学；
(ii)由于环境(包括天气、道路状况和交通)而导致的不确定性；以及
(iii)包括机械部分和电部分的输入故障；
c.用于非线性MIMO系统的、具有包括模糊、推理和输出处理的子系统的自适应模糊逻辑控制器，该自适应模糊逻辑控制器包括降型和去模糊化两者，并且提供结果所得的闭环系统的稳定性，该自适应模糊逻辑控制器包括：
(i)推理引擎，其使用规则库来识别关系，并且将所述关系作为 “模糊集”输出到降型器；以及
(ii)将包括力矩执行器的控制需求输出到使信号“模糊化”的模糊化器，
并且细调组件包括：
a.来自粗调组件的输入；
b.预知时域，其确定目标函数对最小化考虑多少个未来的采样以及计算的控制序列的长度；
c.提供“细”调参数的在每个时间步骤从自适应模糊逻辑控制器提取的线性化MIMO回归模型；以及
d.非线性动态线性化回归控制器，其提供：
(i)馈送到APACC合成中的明确的输出信号，所述APACC合成计算最佳的未来的车辆向导、导航和控制序列；以及
(ii)馈送到APACC线性逻辑系统中的缩减集输出和APACC合成。
所述设备可以是如下的一种设备，该设备包括对输出信号优化输入信号的同步组件，并且包括预测车辆的未来的稳定性输出参数的级联丢番图频率合成(DFS)装置。
使用神经网络来进行系统识别是像模糊逻辑一样相对新颖的方法。
本发明的设备可以被认为是使用自适应(模型)认知控制(APACC)来提供人工预知(AP)。APACC改进了模型预测控制(MPC)。通过使用非常复杂的算法，APACC提供显著水平的推理思考和实时通信。在融合可用传感器的情况下，APACC提供“认知”车辆周围的事物、给予对外部环境的真实的“感知”的能力。通过在某种程度上朝着模仿人类在事件发生时使用存储的记忆和感官输入的组合来裂解这些事件并且预计(认知)可能的情况，这远远超出到目前为止可能达到的能力。
附图说明
现在参照附图仅以举例的方式来描述本发明的实施例，在附图中：
图1示出车辆自主驾驶中的APACC；
图2示出使用车辆自主驾驶中的APACC进行人工预知的计算机硬件核心系统；以及
图3示出用于车辆自主驾驶中的APACC的处理器高性能计算。
具体实施方式
参照附图，非线性车辆自主驾驶动力学在特性上可能是具有高度非线性的“模糊的”。APACC在每个采样时刻用模糊逻辑电路(图2中的模糊化器)的“认知”输出来馈送非线性模型的瞬时线性化。它在大多数方面上类似于GPC，除了模糊逻辑电路输出的瞬时线性化得到自适应线性回归模型之外。
模糊逻辑的关键益处是，它让设计者用简单的“if-then”关系来描述期望的系统行为。在许多应用中，这在更短的设计时间内得到更简单的解决方案。此外，设计者可以使用所有可用的工程诀窍来直接优化系统性能。虽然这肯定是模糊逻辑的优点，但是它一直也是个主要限制。在许多应用中，描述期望的系统行为的知识被包含在数据集中。这里，设计者必须手动地根据数据集导出“if-then”规则，这需要对大型数据集进行大量工作。当数据集包含关于将被设计的系统的知识时，神经网络给予了解决方案的希望，因为它可以根据数据集训练自己。
虽然神经网络因从数据集学习而具有优势，但是这些神经网络具有固有的缺点；例如，关于特定行为的原因不能被解释，神经网络也不能被手动地修改为变到某一期望行为。另外，适当的网络模型的选择以及设置学习算法的参数是困难的，并且需要很多的经验。另一方面，模糊逻辑解决方案易于验证和优化。本发明利用使规则导出自动化的模糊逻辑控制器以瞬时地预测装置动力学，从而消除了对手动执行该功能的需要。
模糊控制方法近年来作为处理非线性控制问题的有前途的方式出现。模糊控制特别是在控制团体中有影响，因为它提供了将启发式控制知识用于非线性控制问题的简单方法。在非常复杂的情况下，在装置参数受到扰动的影响的情况下，或者当系统的动力学非常复杂时，必须在线地使用自适应方案来采集数据并且自动地调整控制参数。然而，到目前为止，对于这些自适应方法，尚未提供稳定性条件。APACC将两个部件引入其自适应模糊控制方案。一个是用于粗调的模糊逻辑系统。另一个是模糊逻辑电路输出的瞬时线性化，其得到自适应线性模型。这充当一种用于细调的鲁棒的补偿器，诸如监督控制、滑动模式控制。
最近，已经针对多输入多输出(MIMO)非线性系统开发了几种稳定的自适应模糊控制方案。然而，这些自适应控制技术仅限于其状态被假定为可供用于测量的MIMO非线性系统。在许多实际的情况下，状态变量在非线性系统中通常是不可获得的。因此，这样的复杂的应用需要输出反馈或APACC自适应模糊控制。模糊控制系统控制MIMO系统，并且保持系统稳定性。粗调和细调通过减小外部扰动的影响、保证闭环稳定性来改进系统性能。
APACC粗调和细调被应用于控制陆地车辆(例如汽车)的全部或部分自主驾驶。它们被应用于运动学变量的3D场景重构，以瞬时地认知可能的3D场景重构/运动学/执行器参数，所述运动学变量诸如速度、刹车以及由轮胎传感器和执行器输入不确定性提供的那些。
应用于车辆自主驾驶的非自适应被动方法呈现出“线性的”的不确定性(例如，运动学项)，还有“非线性的”不确定性(例如，驾驶者行为、环境、机械部分和电部分中的输入故障)，以及执行器的精确模型是可获得的。
存在如图1所示的三个层次的示意图。图1中所示的车辆对车辆以及车辆对基础设施技术中的车载照相机、传感器、ADAS、LIDAR和DSRC产生特定的实时车辆数据。该车辆数据与执行器、控制单元和集成软件组合，以使得汽车能够监视它们周围的事物并且对这些事 物做出反应。这些使用3D或立体照相机的基于传感器的驾驶者辅助的解决方案可以根据它看见的图像实时地计算车辆前面的任何情况的三维几何结构。车辆数据实时地与存储在高性能计算(HPC)数据中心中的驾驶者行为、环境(例如，天气、道路状况、交通)地图和图像组合。这提供对外部环境的“感知”；可用传感器和APACC的融合提供“认知”车辆周围的事物的能力。这模仿人类在事件发生时使用存储的记忆和感官输入的组合来理解事件并且预计可能的情况的方式。通过使用非常复杂的算法，APACC提供一定水平的推理思考和实时通信。
图2示出了APACC如何被用于车辆自主驾驶。控制车辆动力学中的设计需要传感器、执行器、以及基于(1)对车辆当前动力学的传感器测量和(2)期望动力学的规范来命令执行器的算法。
全部和部分自主的车辆具有与作为应用APACC的结果的自动动态运动对应的输出。用于人工预知的基本部件被作为子系统嵌入在图2中所示的高性能计算机硬件核心系统数据中心内。图2中示出了核心系统的详细实现。输入包括对车辆的扰动。输入将包括大量变量，这些变量包括运动学变量，诸如速度、刹车以及由轮胎传感器和执行器输入不确定性提供的那些。输入/输出由如图2中所示的多变量多输入多输出(MIMO)子系统2管理。传感器增量由传感器通过顺序控制包括反馈测量(反馈元件)的处理以及比较器来测量，比较器比较输入信号和输出信号之间的差。MIMO子系统2通过使用被添加到比较器处的输入信号的设置点而被驱动到不同的操作状态。实际的激励信号振幅需要尽可能地大以确保每个设置点周围的最大激励。APACC瞬时地补偿实际的输出和认知的(可能的)输出(例如，节流阀控制和转向)之间的误差，以提供汽车动态稳定性。该误差在MIMO子系统2中被示为被馈送到控制器，该控制器将控制输出提供给执行器。传感器执行器应用改变车辆方向或速度所需的机械动作。
粗调由图2中所示的自适应模糊逻辑控制器3提供。它是针对使用模糊描述对汽车向导、导航和控制进行建模的涉及外部扰动的非线 性MIMO系统开发的。自适应模糊逻辑控制器是涉及模糊化、推理和输出处理的操作的Type-2模糊逻辑系统。传感器执行器将控制需求输出到使信号“模糊化”的模糊化器。在输入内存在密切相关的变量(以上提及)，它们将具有高的互信息。然而，存在将具有低相关性、但是具有高的互信息的相关的其它变量对。粗调彻底地加速了认知处理，使得可以使几乎瞬时的动态校正变成可能。推理引擎使用规则库来识别这些关系，并且将这些关系作为“模糊集”输出到降型器(typereducer)。自适应模糊逻辑控制器提供“输出处理”，并且包括降型和去模糊化两者。
降型(缩减集)所捕捉的关于规则不确定性的信息多于去模糊化的值(明确数)所捕捉的关于规则不确定性的信息，然而，它是计算密集的。优点是，它可以认知未被预测的扰动-数据不确定性。自适应模糊控制器可以执行成功的控制，并且保证可以实现结果所得的闭环系统的全局稳定性和跟踪性能。
自适应模糊逻辑控制器输出处理被馈送到图2中所示的非线性动态线性化回归控制器4中，并且提供细调，明确的输出信号馈送到APACC合成中。缩减集输出和APACC合成馈送到APACC线性逻辑系统中。在每个时间步骤从模糊逻辑控制器提取的线性化MIMO回归模型用于提供“细”调参数。非线性动态线性化回归控制器根据目标函数计算最佳的未来的向导、导航和控制序列。两个“预知时域(precognitionhorizon)”确定目标函数对最小化考虑多少个未来的采样以及计算的控制序列的长度。如在大多数MPC方法中常见的，使用滚动时域策略，因此只有计算的第一个控制信号实际上被应用于车辆系统来实现闭环。
输入信号对输出信号的同步优化通过使用级联丢番图频率合成(DFS)来实现，DFS使用两个或更多个锁相环(PLL)来实现。DFS是图2中的DFS5。DFS5用于预测连续时间的、无限维的、时变并且非线性系统的未来的输出。其主要功能是使车辆稳定性因素参数化并且将它们锁定到连续的反馈回路中。
用于陆地车辆的向导、导航和控制(GNC)的APACC需要几乎瞬时地分析巨大的数据量。为了实现这一点，的传达高性能计算(HPC)架构被选择用于APACC车辆自主驾驶。传达计算机的方案提供对存储器的随机访问的非常快速的访问，并且对于APACC中所使用的复杂功能是非常有用的。
该架构是基于图3中所示的处理器。该架构展现了用于进一步提高性能的高度并行的存储器子系统。可编程的“飞行中”的FPGA是实现基于硬件的、应用特定的性能的一种方式。特定的APACC-GNC算法例如被优化并且被转换为在运行时被加载到FPGA上的代码。
车辆对车辆以及车辆对基础设施技术中的车载照相机、传感器、ADAS、LIDAR和DSRC将输入提供给用于全部或部分车辆自主驾驶的APACC。
APACC组件包括：
a.测量车辆动力学的传感器：
(i)局部暴露于车辆扰动的输入接口；以及
(ii)输入参数，包括运动学以及由轮胎传感器和执行器输入不确定性提供的那些；
b.应用包括转向、节流阀和刹车的操作来改变车辆矢量的执行器；以及
c.基于(1)当前矢量的传感器测量和(2)期望矢量的规范来命令执行器的算法。
APACC模仿人类在事件发生时使用存储的记忆和感官输入的组合来理解事件并且预计(认知)可能的情况的方式。
多变量多输入多输出(MIMO)子系统2包括传感器组件和比较器，传感器组件本质上包括测量反馈的顺序控制处理，比较器比较输入信号和输出信号之间的差。MIMO子系统2如下操作。
a.通过使用被添加到比较器处的输入信号的设置点来将MIMO子系统2驱动到不同的操作状态。
b.APACC瞬时地补偿实际的输出和认知的(可能的)输出(包括节流阀控制和转向)之间的误差，提供汽车动态稳定性。
c.为了确保每个设置点周围的最大激励，使激励信号振幅最大化。
d.将误差馈送到控制器中，控制器将控制输出提供给传感器执行器，传感器执行器提供改变车辆方向或速度所需的机械动作。
高性能计算(HPC)架构提供对存储器的随机访问的非常快速的访问，以几乎瞬时地分析关于汽车向导、导航和控制的巨大的数据量。
将意识到，已经以举例的方式参照附图给出了以上参照附图描述的本发明的实施例。附图中所示的单个的部件不限于用在它们的附图中，它们可以被用在其它附图中以及本发明的所有方面中。