广告
极限工况下的无人驾驶路径跟踪 | 斯坦福大学团队最新研究成果
2018-09-26 23:56:49· 来源：集成与控制研究室 同济智能汽车研究所
跟踪较快的速度图的车辆以稍微快一点的车速入弯。而且在弯中的车速也是附着系数估计值更大的车辆更高，负的相对时间差距表明，在弯道的前部分，跟踪较大附着系数估计值对应速度图的车辆耗时更少。但是，在出弯之前，车辆的速度开始降低，出口处的车速甚至比跟踪低附着系数估计值对应速度图的车辆更低。尽管该车在弯中以前领先了0.1s，但是最终它完成整个转弯工况耗费了更多的0.03s。
伴随着更高的速度分布图，初始的车辆侧偏角更大，如所示。相对地，低附着系数估计值的车辆的前轴侧偏角则缓慢地增加至-8度。联邦595EVO轮胎的斜坡转角输入测试数据表明该款轮胎的峰值侧偏角大约是7.9度。在弯道的后半段，车辆跟踪较高附着系数估计值对应的速度图时的侧偏角超过了峰值点，因此前轮轮胎力饱和了。由于侧向力发生饱和，车辆的纵向控制器将驱动力矩降低到零，再加上前轴侧向力矢量的额外旋转带来的阻力，车辆的速度降低的更多。前轴在这样的车速下不能产生足够的侧向力来维持车辆行驶在参考路径上，在图 4可见，由于车辆滑向弯道外侧，侧向位移误差也逐渐增大。
当车辆以更高的车速行驶的同时还能跟踪上目标路径，这意味着μ=0.94对应的车辆在弯道的前半部分能够更好地利用轮胎的附着力。但是在弯道的后半部分，该车不再能够跟踪上目标的路径，最后花了更多的时间来完成整个弯道。在这里，附着系数估计值为μ=0.92的车辆能够更有效地利用轮胎附着力。这一结果以及更多的测试都表明，现有的控制系统要求附着系数的估计误差在大约2%以内才能满足路径跟踪的要求。
图5 专业驾驶员在第二道弯相比于跟踪μ=0.90和μ=0.93的速度分布图的无人驾驶车辆的各项性能表现
B．有人驾驶VS.无人驾驶
图 5对比了无人驾驶在跟踪参考路径时和专业赛车驾驶员的纵向车速、时间差、前轴侧偏角和侧向位移误差。这条路径时通过凸函数优化方法生成的，与Kapania的方法类似[17]。图中三条曲线分别是无人驾驶车辆跟踪μ=0.90和μ=0.93的速度分布图时的数据以及驾驶员十圈内最好的成绩。
开始阶段，由于明显更高的入弯速度，赛车驾驶员相比无人驾驶模式领先了0.24s。他沿着较宽的入弯路线行驶，然后迅速获得了大约-6度的前轴侧偏角，并且在整个弯道都保持在这个值附近。他的最高车速和无人驾驶模型下的车辆很接近，但不同的是，他在驶出弯道前迅速提高了车速。当无人驾驶模式的车辆以μ=0.93的速度分布图行驶时，车轮在弯道中间达到饱和，大概是1000m的位置，从而车辆失去了路径跟踪的能力，因此损失了大约0.02s。
相反，专业驾驶员在弯道很早的部分就前轴获得了大约-6度的侧偏角。这意味着车辆在制动之后能够迅速获得较大的侧向力。而无人驾驶的车辆在前轴处产生的侧偏角使得车辆获得较小的侧向力，因此轮胎的附着力并没有得到完全利用。通过将侧偏角维持在-6度左右，驾驶员能够在整个弯道中都有效地利用轮胎的附着能力，使得他相比无人驾驶的车辆能够以更少的时间完成整个弯道。
图6 不同附着系数下侧向力和轮胎侧偏角的关系，以及由(4)计算得到的峰值侧偏角
对联邦EVO595轮胎而言，Cαf=200kN/rad， μf=0.97，κf=0
- 下一篇：自动驾驶发展的五个层级和立法思考
- 上一篇：汽车乘员舱内温度场的数值仿真及试验研究
广告 
广告
最新资讯
-
Plus为自动驾驶卡车功能添加了H.E.L.P.警报
2024-12-23 17:18
-
美国能源部发布最新版氢计划
2024-12-23 17:16
-
系统级封装（SiP）在新能源汽车领域的应用
2024-12-23 08:51
-
车载通信框架 --- 智能汽车车载通信架构浅
2024-12-23 08:40
-
全国首例！武汉车网智联公司完成智能网联测
2024-12-23 08:39
广告
广告
