自动驾驶控制算法-油门刹车标定

本文是学习自动驾驶控制算法第十讲 油门刹车标定表的制作以及后续一节的学习笔记。

车辆油门刹车标定的目的是获取不同车速下不同的油门踏板或刹车踏板行程下车辆的加速度,标定的结果作为纵向控制模型的输入,用于计算输出合理的油门或刹车。

1 Apollo中的油门刹车标定

Apollo里的标定条件:

  • 速度条件
    • 低速 0 ~ 10m/s
    • 中速 10 ~ 20m/s
    • 高速 >= 20m/s
  • 油门条件
    • 小油门 Throttle deadzone ~ 25%
    • 中油门 25% ~ 30%
    • 大油门 Throttle >= 30%
  • 刹车条件
    • 小刹车 Brake deadzone ~ 20%
    • 中刹车 20% ~ 25%
    • 急刹车 Brake >= 25%

标定结果示意:

bash 复制代码
calibration {
  speed: 4.4
  acceleration: 3.19
  command: 80.0
}
calibration {
  speed: 4.4
  acceleration: 3.21
  command: 75.0
}
calibration {
  speed: 4.6
  acceleration: -8.79
  command: -35.0
}
calibration {
  speed: 4.6
  acceleration: -7.43
  command: -33.0
}

油门和刹车的拟合示意图如下:

2 油门标定

视频中采用Carsim+matlab仿真来演示油门和刹车的标定。

参照如上视频设置好Carsim,使用如下matlab代码仿真得到不同油门开度下的 v a va va数据并拟合:

matlab 复制代码
thr = 0;  %油门开度
for i = 1:11
    sim('long_calibration');
    v_temp(:,i)=ans.vx.data;
    a_temp(:,i)=ans.ax.data;
    thr_temp(:,i)=ones(length(ans.vx.data),1)*thr;
    thr=thr+0.1;
end

%转换为行向量
v=v_temp(:,1)';
a=a_temp(:,1)';
tr=thr_temp(:,1)';
for i = 2:11
    v=[v,v_temp(:,i)'];
    a=[a,a_temp(:,i)'];
    tr=[tr,thr_temp(:,i)'];
end

F=scatteredInterpolant(v',a',tr'); %拟合
vu=0:0.1:50;
au=0:0.1:5;
table=zeros(length(vu),length(au));
for i = 1:length(vu)
    for j=1:length(au)
        table(i,j)=F(vu(i),au(j));
    end
end

不同油门下速度、加速度数据示意图如下:

再根据得到的 v a va va数据拟合如下函数
T h r o t t l e = f ( v , a ) \begin{equation} Throttle=f(v,a) \end{equation} Throttle=f(v,a)

拟合结果示意图如下:

3 刹车标定

同样的方式得到不同刹车制动压力下的 v a va va数据,仿真初始车速是50m/s,注意当车速为0时不论刹车踏板值是多少车辆减速度都是0,所以针对车速为0的结果要做一下人工处理,比如手动赋值一个比较小的值。为确保连续性,可以直接将车速较低的结果直接复制过来。

matlab 复制代码
brake = 0.1;  %制动压力
for i=1:80 
    sim('long_calibration');
    v_brake(:,i)=ans.vx.data;
    a_brake(:,i)=ans.ax.data;
    brake_temp(:,i)=ones(length(ans.vx.data),1)*brake;
    brake=brake+0.1;
end

%转换为行向量
vbr=v_brake(:,1)';
abr=a_brake(:,1)';
br=brake_temp(:,1)';
for i=2:80
    vbr=[vbr,v_brake(:,i)'];
    abr=[abr,a_brake(:,i)'];
    br=[br,brake_temp(:,i)'];
end


Fbr=scatteredInterpolant(vbr',abr',br'); %拟合
vubr=0:0.05:50;
aubr=-8:0.05:0;
tablebr=zeros(length(vubr),length(aubr));
for i = 1:length(vubr)
    for j=1:length(aubr)
        tablebr(i,j)=Fbr(vubr(i),aubr(j));
    end
end

不同刹车下速度、加速度数据示意图如下:

4 油门刹车一张表

油门刹车一起拟合,控制会更连续:

matlab 复制代码
%加速和制动的数据放到一起
v2=[v,vbr];
a2=[a,abr];
br2=[tr,br];

F=scatteredInterpolant(v2',a2',br2'); %一起拟合
vubr=0:0.05:50;
aubr=-8:0.05:5;
tablebr=zeros(length(vubr),length(aubr));
for i=1:length(vubr)
    for j=1:length(aubr)
        tablebr(i,j)=F(vubr(i),aubr(j));
    end
end

不同油门、刹车下速度、加速度数据示意图如下:

5 纵向控制仿真

参考视频搭建如下的仿真模型,使用双PID控制模块控制车辆跟随预先设定的轨迹:

仿真结果如下,蓝色曲线是预设的轨迹,黄色是控制结果,最后面的是车速小于0了,可忽略:

位置:

速度:

加速度

相关推荐
stars4 分钟前
数字人开发02--前端服务配置
前端·人工智能
好多渔鱼好多4 分钟前
【语音技术】意图与语料
人工智能·智能家居·智能互联·语音技术·影音开发·意图
无风听海15 分钟前
理解梯度在神经网络中的应用
人工智能·深度学习·神经网络·梯度
仪器科学与传感技术博士20 分钟前
python:前馈人工神经网络算法之实战篇,以示例带学,弄明白神经网络算法应用的思路、方法与注意事项等
人工智能·python·深度学习·神经网络·算法·机器学习
测试者家园28 分钟前
用 LLM 辅助性能测试报告生成
人工智能·llm·性能测试·ai赋能·智能化测试
爱分享的飘哥1 小时前
第三十七章:文生图的炼金术:Stable Diffusion完整工作流深度解析
人工智能·pytorch·stable diffusion·文生图·ai绘画·代码实战·cfg
宸津-代码粉碎机3 小时前
LLM 模型部署难题的技术突破:从轻量化到分布式推理的全栈解决方案
java·大数据·人工智能·分布式·python
都叫我大帅哥3 小时前
机器学习界的“钢铁侠”:支持向量机(SVM)全方位指南
python·机器学习
乌恩大侠8 小时前
自动驾驶的未来:多模态传感器钻机
人工智能·机器学习·自动驾驶
光锥智能9 小时前
AI办公的效率革命,金山办公从未被颠覆
人工智能