这个例子展示了如何模拟和生成一个汽车车道跟踪控制器的代码。
在这个例子中,你:
查看从模型预测控制工具箱™软件中将传感器融合,车道检测和车道组合的控制算法。
使用自动化驱动工具箱™软件生成的合成数据在闭环Simulink®模型中测试控制系统金宝app。
配置软件在环模拟的代码生成设置,并自动生成控制算法的代码。
车道跟踪系统是一种控制系统,使车辆在高速公路的标记车道内行驶,同时保持用户设定的速度或与前车的安全距离。车道跟随系统包括自我车辆的纵向和横向联合控制:
纵向控制-保持驾驶人设定的速度,并保持与前车在车道上的安全距离,通过调整自我车辆的加速度。
横向控制-通过调整自我车辆的转向使自我车辆沿其车道的中心线行驶
控制系统之后的组合车道实现了纵向和横向控制的各个目标。此外,当控制系统之后的车道可以在不能同时满足它们时调整两种目标的优先级。
有关使用带有传感器融合的自适应巡航控制(ACC)的纵向控制示例,请参见具有传感器融合的自适应巡航控制(模型预测控制工具箱).关于使用带有车道检测的车道保持辅助(LKA)系统进行横向控制的例子,请参见车道保持辅助车道检测(模型预测控制工具箱).ACC例子假设了理想的车道检测,而LKA例子不考虑周围的车辆。
在这个例子中,同时考虑了车道检测和周围车辆。车道跟踪系统综合视觉和雷达检测数据,估计车道中心和前车距离,计算自我车辆的纵向加速度和转向角度。
在打开模型之前,您可以选择更改模型模拟的方案。此场景选择由回调函数控制,helperLFSetUp
,在模型打开时运行。
默认情况下,该模型模拟在弯曲道路上的插线场景。要更改使用的默认场景,可以通过单击编辑设置脚本按钮或通过调用helperLFSetup
使用一个新的输入场景。例如,下面的语法等价于指定默认场景。
helperLFSetup (“LFACC_04_Curve_CutInOut”);
您可以从以下场景中进行选择。
'ACC_01_ISO_TargetDiscriminationTest' 'ACC_02_ISO_AutoRetargetTest' 'ACC_03_ISO_CurveTest' 'ACC_04_StopnGo' 'LFACC_01_DoubleCurve_DecelTarget' 'LFACC_02_DoubleCurve_AutoRetarget' 'LFACC_03_DoubleCurve_StopnGo' 'LFACC_04_Curve_CutInOut' 'LFACC_05_Curve_CutInOut_TooClose'
打开Simulin金宝appk测试台模型。
open_system (“LaneFollowingTestBenchExample”)
该模型包含四个主要组成部分:
车道跟随控制器-控制纵向加速度和自我车辆的前转向角度
车辆和环境-模拟自我车辆的运动和模拟环境
碰撞检测 - 当检测到自我车辆和铅车辆的碰撞时停止模拟
MIO Track - 使MIO轨道能够在鸟瞰图中显示。
打开此模型也运行helperLFSetUp
脚本,该脚本通过运行场景函数和Simulink模型所需的加载常量(如车辆模型参数、控制器设计参数、道路场景和周围的车辆)来初始化模型所使用的数据。金宝app
画出自我车辆将遵循的道路和路径。
情节(场景)
要绘制模拟结果并描绘自我车辆环境和跟踪物体,请使用鸟瞰的范围.Bird's-Eye Scope是一个模型级的可视化工具,您可以从Simulink工具条中打开它。金宝app在模拟标签,下面审查结果,点击鸟瞰的范围.打开范围后,通过单击设置信号找到信号.
为了获得一个中间模拟视图,模拟模型10
秒。
sim卡(“LaneFollowingTestBenchExample”,'停止',“十”)
模拟模型10秒后,打开鸟瞰镜。在范围工具条中,要显示场景的世界坐标视图,请单击世界坐标.在这个视图中,自我载体被圈起来了。要显示车辆坐标视图的图例,单击传说.
鸟瞰图显示了传感器融合的结果。它显示了雷达和视觉传感器如何如何检测其覆盖区域内的车辆。它还显示了由此维护的曲目多对象跟踪器块。黄色轨道表示最重要的目标(MIO),即在自我车辆的车道中距离它最近的轨道。理想的车道标记也与综合检测的左、右车道边界(以红色显示)一起显示。
模拟模型到方案结束。
sim卡(“LaneFollowingTestBenchExample”)
假设没有干扰添加到测量输出通道#3。——>假设添加到测量输出通道2上的输出扰动为集成白噪声。假设对测量的输出通道#1没有增加任何干扰。——>假设添加到测量输出通道#4的输出扰动为集成白噪声。——>”模式。mpc对象的Noise属性为空。假设每个测量输出通道上都有白噪声。
绘制控制器性能图。
plotLFResults (logsout time_gap default_spacing)
第一个图显示了以下间距控制性能结果。
的速度图显示自我车辆保持速度控制从0到11秒,切换到间距控制从11到16秒,然后切换回速度控制。
的两车距离图中显示,前车与自我车的实际距离总是大于安全距离。
的加速度从图中可以看出,自我车辆的加速度是平稳的。
的碰撞状态Plot显示没有检测到lead车与self车发生碰撞,因此self车以安全模式运行。
图2显示了以下横向控制性能结果。
的横向偏差图表明与车道中心线的距离在0.2米范围内。
的相对偏航角图中显示,偏航角相对于车道中心线的误差在0.03 rad以内(小于2°)。
的转向角图中显示,自我车辆的转向角度是平滑的。
控制器子系统的车道包含三个主要部分:1)估计车道中心2)跟踪和传感器融合3)MPC控制器
open_system (“LaneFollowingTestBenchExample /后巷控制器”)
车道中心估计子系统将车道传感器数据输出到MPC控制器。预估的曲率提供了自我车辆前面的车道曲率的中心线。在这个例子中,自我飞行器可以向前看3秒,这是预测视界和控制器采样时间的乘积。该控制器利用预先得到的信息来计算自我车辆的转向角,提高了MPC控制器的性能。横向偏差测量自我车辆与车道中心线之间的距离。相对偏航角测量的是车辆与道路之间的偏航角差异。子系统内部的ISO 8855到SAE J670E模块将使用ISO 8855的Lane detection坐标转换为使用SAE J670E的MPC Controller。
跟踪和传感器融合子系统处理来自车辆和环境子系统的视觉和雷达检测,生成自我车辆周围环境的综合情况图。此外,它还为车道跟踪控制器提供了在自我车辆前面的车道中最近的车辆的估计。
目标是MPC控制器(模型预测控制工具箱)块是:
保持司机设定的速度,并与前车保持安全距离。这个目标是通过控制纵向加速度来实现的。
保持自我车辆在车道中间;这减少了横向偏差和相对的横摆角,通过控制转向角度。
道路弯曲时,减慢自我车辆。为实现这一目标,MPC控制器在横向偏差上具有比纵向速度更大的罚款权重。
在路径跟踪控制(PFC)系统模块中,根据输入的掩模参数设计MPC控制器,所设计的MPC控制器是一种自适应的MPC,在运行时更新车辆模型。车道跟随控制器根据以下输入计算自我车辆的纵向加速度和转向角度:
驾驶员集速度
自我车辆纵向速度
预览曲率(源自车道检测)
横向偏差(由车道检测得到)
相对偏航角(由车道检测得到)
铅车辆和自助式车辆之间的相对距离(来自跟踪和传感器融合系统)
前导车与自我车的相对速度(来自跟踪与传感器融合系统)
考虑到ego车辆的物理限制,将转向角限制在[-0.26,0.26]rad以内,纵向加速度限制在[-3,2]m/s^2以内。
车辆与环境子系统实现了车道跟踪控制器的闭环仿真。
open_system (“LaneFollowingTestBenchExample /车辆和环境”)
系统延迟阻止模型输入和输出之间系统的延迟。延迟可能是由传感器延迟或通信延迟引起的。在此示例中,延迟近似一个采样时间秒。
车辆动力学子系统使用来自车辆动力学模块集™的自行车模型-力输入模块对车辆动力学进行建模。采用时间常数为的一阶线性系统对低阶动力学进行建模秒。
SAE J670E至ISO 8855子系统将使用SAE J670E的车辆动力学(Vehicle Dynamics)坐标转换为使用ISO 8855的场景阅读器(Scenario Reader)。
的场景的读者块读取actor从基本工作区场景变量姿势数据。该块将actor姿势转换为从场景的世界坐标姿势进入自我车辆坐标。演员姿势在块生成的总线上流式传输。方案阅读器块还基于车辆相对于所用方案的位置生成理想的左右车道边界helperLFSetUp
.
的视觉检测发生器块从方案阅读器块中获取理想的车道边界。检测发生器模拟单眼摄像机的视野,并确定每个道路边界的标题角,曲率,曲率导数和有效长度,占任何其他障碍物。的驾驶雷达数据发生器Block基于场景中定义的雷达横截面,从雷达视场中存在的地面真实数据生成聚类检测。
此示例使用基于ISO标准和现实世界方案的多个测试场景。要验证控制器性能,可以为多种方案测试控制器,如果性能不令人满意,请调整控制器参数。这样做:
通过将场景名称输入更改为来选择场景helperLFSetUp
.
通过运行配置模拟参数helperLFSetUp
.
用选定的场景模拟模型。
使用使用的控制器性能评估plotLFResults
如果性能不理想,调整控制器参数。
您可以使用Simulink Test™自动化控制器的验证和验证。金宝app
的LFRefMdl
模型支持使用金宝appEmbedded Coder®软件生成C代码。要检查你是否可以访问Embedded Coder,请运行:
hasembeddedcoderlicense =许可证(“签出”,“RTW_Embedded_Coder”)
您可以为模型生成一个C函数,并通过运行以下命令来探索代码生成报告:
如果hasEmbeddedCoderLicense rtwbuild (“LFRefMdl”)结尾
您可以使用在循环中的软件(SIL)模拟来验证编译后的C代码是否如预期的那样运行。模拟LFRefMdl
SIL模式下的参考模型,使用:
如果hasEmbeddedCoderLicense set_param (“LaneFollowingTestBenchExample /后巷控制器”,...“SimulationMode”,'软件 - 循环(SIL)')结尾
当你运行时LaneFollowingTestBenchExample
模型,代码生成,编译和执行LFRefMdl
模型,它使您能够通过模拟测试已编译代码的行为。
本示例演示了如何在弯曲道路上实现传感器融合和车道检测的集成车道跟踪控制器,并使用自动驾驶工具箱软件生成的合成数据在Simulink中进行测试,将其组组化,自动生成代码。金宝app
关闭所有bdclose.所有