一种无人驾驶系统领导-跟随编队的故障检测方法 |
|||||||
申请号 | CN202311771790.9 | 申请日 | 2023-12-21 | 公开(公告)号 | CN117991630A | 公开(公告)日 | 2024-05-07 |
申请人 | 海南大学; | 发明人 | 黄梦醒; 张俊锋; 毋媛媛; 王诗浓; | ||||
摘要 | 本 发明 提供一种无人驾驶系统领导‑跟随编队的故障诊断方法,建立 传感器 故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的多智能体系统 状态空间 模型和领导者智能体的状态空间模型;构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队协议、每个跟随者的 滤波器 、增广系统;引入领导‑跟随编队性能指标、L1性能指标;设计传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队的条件;传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队验证过程。本发明能够确保无人驾驶系统安全稳定运行。 | ||||||
权利要求 | 1.一种无人驾驶系统领导‑跟随编队的故障诊断方法,其特征在于,包括如下步骤: |
||||||
说明书全文 | 一种无人驾驶系统领导‑跟随编队的故障检测方法技术领域[0001] 本发明属于自动化技术与现代控制领域,涉及一种无人驾驶系统领导‑跟随编队的故障诊断方法。 背景技术[0002] 随着工业4.0/5.0和5G/6G等数字化技术的普及,现代社会对无人智能设备需求日益增加,加速了无人驾驶系统的商业化运营趋势,大大促进了无人驾驶系统的发展。无人驾驶系统是是解决交通系统所面临问题(如拥堵和空气污染)最有前途的解决方案之一。和单一驾驶系统相比,无人驾驶系统的最大特点是可以使大规模无人智能设备协同工作。同时,这些物理网络和信息技术层面的巨大变革也往往会带来多重混杂不确定性,主要表现在:(1)物理网络易遭受物理故障。在长期行驶环境下,大量的传感设备以及智能终端容易因温度、压力、磨损等原因出现功能异常,导致控制系统的决策错误或功能失效,进而造成物理故障,后果极其严重;(2)无人驾驶系统运行期间易遭受外部干扰。无人驾驶系统运行环境具有不确定性(如交通拥堵和通信数据波动)等特点显然会为无人驾驶系统安全稳定运行带来隐患。综上分析,传感器故障、执行器故障和外部干扰多重混杂不确定性下无人驾驶系统安全态势日趋严峻,解决该问题已迫在眉睫。 发明内容[0003] 本发明的目的是针对生活生产中无人驾驶的安全问题,利用无人驾驶系统对其编队运行过程中由多种故障引发的不确定性进行研究,提供了一种基于多智能体系统建模的无人驾驶系统领导‑跟随编队的故障检测方法。利用多智能体系统建立无人驾驶系统的状态空间模型。借助余正Lyapunov函数和矩阵分解技术设计了基于领导‑跟随编队协议以及滤波器,使得系统形成安全合理的队形,从而保证无人驾驶过程正常顺利进行。基于L1性能指标,降低了外部干扰对系统的影响,在保障系统成功编队的同时也保证了用户的合法权益。 [0004] 本发明方法的具体步骤包括如下: [0005] 步骤1、建立传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的多智能体系统状态空间模型,具体方法是: [0006] 步骤1.1、传感器故障、执行器故障以及外部干扰多重混杂不确定环境下无人驾驶系统进行描述 [0007] 无人驾驶系统在运行过程中往往面临着多重混杂不确定性,例如,传感器和执行器等物理组件存在物理故障现象以及外部干扰,从而使得无人驾驶系统面临严重的安全问题。考虑到无人驾驶系统中大量智能体的高度耦合的特点,因此可以利用多智能体系统来刻画无人驾驶系统。此外,本发明在领导‑跟随编队协议的基础上,不仅融入了滤波机制,还给出了L1性能指标,既确保了无人驾驶系统的安全稳定运行又避免了外部干扰的影响。说明书附图2展示了基于领导‑跟随多智能体系统L1滤波框架。 [0008] 步骤1.2、利用上述描述建立传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的多智能体系统状态空间模型,其构建形式如下: [0009] [0010] [0011] 其中,i=1,2,...,N表示无人驾驶系统中智能体的个数;和 分别是t时刻无人驾驶系统中第i个智能体的状态、控制输入和测量输出; 分别是t时刻无人驾驶系统中第i个智能体可能发生的传感器故障和执行器故 障; 是t时刻无人驾驶系统中第i个智能体可能遭受的外部干扰,属于l1[0,∞);A,B,C,D1,D2是已知的系统矩阵, 分别表示n维、m维、q维列向量, 表示d维非负列向量。 [0012] 步骤2、建立无人驾驶系统中领导者智能体的状态空间模型,其构建形式如下: [0013] [0014] y0(t)=C0x0(t), [0015] 其中, 和 分别是无人驾驶系统中领导者智能体的状态、控制输入和测量输出;A0,B0,C0是已知的系统矩阵。 [0016] 步骤3、构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队协议,其构建形式如下: [0017] [0018] [0019] 其中, 是编队协议的目标向量,和 是编队协议的 增益矩阵。 [0020] 步骤4、构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统中每个跟随者的滤波器,其构建形式如下: [0021] [0022] [0023] [0024] [0025] 其中, 和 分别是滤波器的状态、测量输出和残差信号, 是传感器故障的估计状态,矩阵 和 是滤波器增益矩阵。 [0026] 步骤5、构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的增广系统,其构建形式如下: [0027] [0028] [0029] 其中,e1(t)=x0(t)‑xv,0n*nN表示n 行nN列且元素全为0的矩阵,0Nq*n表示Nq行n列且元素全为0的矩阵,0Nq*nN表示Nq行nN列且元素全为0的矩阵,0nN*nN表示nN行nN列且元素全为0的矩阵,0nN*n表示nN行n列且元素全为0的矩阵,0nN*mN表示nN行mN列且元素全为0的矩阵,0n*mN表示n行mN列且元素全为0的矩阵,IN表示N行N列且元素全为1的单位阵, 表示 的转置,e1(t)表示领导者与目标向量之间的误差,e2i(t)表示观测误差,e3i(t)表示观测器与领导者之间的误差,e4i(t)表示传感器和执行器之间的误差,e2(t)表示由e21(t)到e2N(t)组成的向量,e3(t)表示由e31(t)到e3N(t)组成的向量,e4(t)表示由e41(t)到e4N(t)组成的向量, 表示由r1(t)到rN(t)组成的向量, 由e1(t),e2(t),e3(t),e4(t)组成的向量, 表示克罗内克积。 [0030] 步骤6、引入传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队性能指标,其形式如下: [0031] 考虑受到传感器故障、执行器故障以及外部干扰的无人驾驶系统,如果满足以下条件: [0032] [0033] 则无人驾驶系统成功编队。 [0034] 步骤7、引入传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的L1性能指标,其形式如下: [0035] 对于零初始条件下的给定正标量κ和d(t)∈L1[0,∞),如果以下不等式成立,则称传感器故障、执行器故障以及外部干扰多重混杂不确定环境下无人驾驶系统满足L1增益性能: [0036] (1)当外部扰动d(t)=0时传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队; [0037] [0039] 步骤8、设计传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队的条件如下: [0040] 设计常数κ>0,k1>1,k2>0,k3>0, ι1>0,ι2>0,ι3>0,ι4>0,q11<0,q12<0,q13<0, 向量和 向量 使得 [0041] [0042] [0043] [0044] [0045] [0046] [0047] [0048] [0049] [0050] [0051] [0052] [0053] [0054] [0055] [0056] [0057] [0058] [0059] [0060] [0061] [0062] [0063] [0064] [0065] [0066] 对任意i∈N成立,那么在滤波器增益矩阵 [0067] [0068] [0069] [0070] 下,无人驾驶系统在传感器故障、执行器故障以及外部干扰多重混杂不确定下达到一致性编队,其中,v1表示Lyapunov函数中的向量, 分别表示组成增益矩阵 的向量,q11,q12,q13是常数,表示向量。 [0071] 步骤9、传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队验证过程如下: [0072] 步骤9.1、构造一个余正Lyapunov函数 并计算其导数,则有 [0073] [0074] 其中, [0075] [0076] 步骤9.2、通过 则有 [0077] [0078] [0079] [0080] 步骤9.3、结合步骤9.1和9.2可以得出 [0081] [0082] 步骤9.4、通过 可得 [0083] [0084] 步骤9.5、结合 滤波器增益矩阵、步骤9.1、9.2以及9.3,显然有 [0085] [0086] 步骤9.6、结合 以及并通过使用与9.5类似的方法,有 [0087] [0088] [0089] 步骤9.7、结合步骤9.1、9.4、9.5和9.6,可得 [0090] [0091] 步骤9 .8、通过以及滤波器增益矩阵,不难得出 [0092] [0093] 步骤9.9、联立 [0094] 和步骤9.8,则有 [0095] [0096] [0097] 步骤9.10、考虑系统的L1性能,令d(t)≠0, 和va=0,容易得到 [0098] [0099] 步骤9.11、通过步骤8中的条件,可得 [0100] [0101] [0102] [0103] [0104] 步骤9.12、结合步骤9.10和9.11,则有 [0105] [0106] 步骤9.13、由Dynkin公式和步骤9.12的零条件,可得 [0107] [0108] 不难得出结论,传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统可以成功编队,并满足给定的L1性能指标。 [0109] 本发明的有益效果如下:无人驾驶系统是利用先进的计算机技术、通信技术以及控制技术,是对系统各个智能体中关键变量和状态进行实时监测监控的平台,具有高可靠性、高可预测性和高可持续性等优点,有助于解决实际交通系统建设中许多难题。在无人驾驶系统中,考虑其单个领导者智能体带领多个跟随者智能体组成所需队形(见说明书附图1)。无人驾驶系统中各个智能体之间的数据交互主要涉及传感器以及执行器等物理组件。 考虑到无人驾驶系统中大量智能体的高度耦合,上述无人驾驶系统可以用多智能体系统来刻画。在无人驾驶系统实际编队运行过程中,对于信息交互的实时性以及安全性往往要求维持在一定的阈值上,以满足多智能体之间的高可靠协同。传统的控制系统大多采用集中式控制器或滤波器来实现预期结果,而在无人驾驶系统中大规模智能体之间的协同需要为每一个智能体单独进行控制或者滤波。为了解决这一问题,本发明采用了基于领导‑跟随编队协议和L1滤波器。基于领导‑跟随编队协议就是通过合理、有效地利用各个智能体的位置以及速度信息,从而设计编队法则实现目标队形。另一方面,在长期行驶环境下,由于系统大量的传感设备以及智能终端易遭受物理故障以及外部环境不可控等不确定性,无人驾驶系统的安全面临多种多样的威胁与挑战:不仅需要面临外部干扰等不确定性,同时也需要面对物理故障等安全问题。由于外部环境不可控以及长时间驾驶等因素,在实际运行过程中,传感器故障、执行器故障和外部干扰具有不可预测等特点,将其分别建模为非线性输入模型更加符合实际。同时,由于传感器故障、执行器故障和外部干扰多重混杂不确定性会导致无人驾驶系统出现一定的安全问题,于是,提出一种可在基于领导‑跟随编队协议以及滤波器下实现的L1性能指标,可进一步提高系统抵抗非线性输入的能力。 [0110] 针对上述问题,本发明提供一种无人驾驶系统领导‑跟随编队的故障诊断方法,建立传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的多智能体系统状态空间模型;建立无人驾驶系统中领导者智能体的状态空间模型;构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队协议;构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统中每个跟随者的滤波器;构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的增广系统; 引入传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队性能指标;引入传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的L1性能指标;设计传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队的条件;传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队验证过程。利用多智能体系统建立无人驾驶系统的状态空间模型。借助线性规划方法和矩阵分解技术设计了基于领导‑跟随编队协议和L1滤波器,使得系统得到安全合理的队形。基于L1性能指标,降低了传感器故障、执行器故障和外部干扰多重混杂不确定性对系统的影响,确保无人驾驶系统安全稳定运行。 附图说明[0111] 图1是本发明所述的单个领导者智能体带领多个跟随者智能体组成所需队形示意图。 [0112] 图2是基于领导‑跟随多智能体系统L1滤波框架示意图。 具体实施方式[0113] 下面结合具体实例来对本发明作进一步地说明。 [0114] 本实发明提供了一种基于多智能体系统建模的无人驾驶系统领导‑跟随编队的故障检测方法。本发明方法的具体步骤包括如下: [0115] 步骤1、建立传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的多智能体系统状态空间模型,具体方法是: [0116] 1.1传感器故障、执行器故障以及外部干扰多重混杂不确定环境下无人驾驶系统进行描述 [0117] 无人驾驶系统在运行过程中往往面临着多重混杂不确定性,例如,传感器和执行器等物理组件存在物理故障现象以及外部干扰,从而使得无人驾驶系统面临严重的安全问题。考虑到无人驾驶系统中大量智能体的高度耦合的特点,因此可以利用多智能体系统来刻画无人驾驶系统。此外,本发明在领导‑跟随编队协议的基础上,不仅融入了滤波机制,还给出了L1性能指标,既确保了无人驾驶系统的安全稳定运行又避免了外部干扰的影响。说明书附图2展示了基于领导‑跟随多智能体系统L1滤波框架。 [0118] 1.2利用上述描述建立传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的多智能体系统状态空间模型,其构建形式如下: [0119] [0120] [0121] 其中,i=1,2,...,N表示无人驾驶系统中智能体的个数;和 分别是t时刻无人驾驶系统中第i个智能体的状态、控制输入和测量输出; 分别是t时刻无人驾驶系统中第i个智能体可能发生的传感器故障和执行器故 障; 是t时刻无人驾驶系统中第i个智能体可能遭受的外部干扰,属于l1[0,∞);A,B,C,D1,D2是已知的系统矩阵。在本发明专利中, 分别表示n维、m维、q维列向量,表示d维非负列向量, 表示向量x(t)的转置, 表示克罗内克积。 [0122] 步骤2、建立无人驾驶系统中领导者智能体的状态空间模型,其构建形式如下: [0123] [0124] y0(t)=C0x0(t), [0125] 其中, 和 分别是无人驾驶系统中领导者智能体的状态、控制输入和测量输出;A0,B0,C0是已知的系统矩阵。 [0126] 步骤3、构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队协议,其构建形式如下: [0127] [0128] [0129] 其中, 是编队协议的目标向量。和 是编队协议的增 益矩阵。 [0130] 步骤4、构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统中每个跟随者的滤波器,其构建形式如下: [0131] [0132] [0133] [0134] [0135] 其中, 和 分别是滤波器的状态、测量输出和残差信号。 是传感器故障的估计状态。矩阵 和 是滤波器增益矩阵。 [0136] 步骤5、构建传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的增广系统,其构建形式如下: [0137] [0138] [0139] 其中,e1(t)=x0(t)‑xv,0n*nN表示n 行nN列且元素全为0的矩阵,0Nq*n表示Nq行n列且元素全为0的矩阵,0Nq*nN表示Nq行nN列且元素全为0的矩阵,0nN*nN表示nN行nN列且元素全为0的矩阵,0nN*n表示nN行n列且元素全为0的矩阵,0nN*mN表示nN行mN列且元素全为0的矩阵,0n*mN表示n行mN列且元素全为0的矩阵,IN表示N行N列且元素全为1的单位阵, 表示 的转置,e1(t)表示领导者与目标向量之间的误差,e2i(t)表示观测误差,e3i(t)表示观测器与领导者之间的误差,e4i(t)表示传感器和执行器之间的误差,e2(t)表示由e21(t)到e2N(t)组成的向量,e3(t)表示由e31(t)到e3N(t)组成的向量,e4(t)表示由e41(t)到e4N(t)组成的向量, 表示由r1(t)到rN(t)组成的向量,由e1(t),e2(t),e3(t),e4(t)组成的向量。 [0140] 步骤6、引入传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的领导‑跟随编队性能指标,其形式如下: [0141] 考虑受到传感器故障、执行器故障以及外部干扰的无人驾驶系统,如果满足以下条件, [0142] [0143] 则无人驾驶系统成功编队。 [0144] 步骤7、引入传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统的L1性能指标,其形式如下: [0145] 对于零初始条件下的给定正标量κ和d(t)∈L1[0,∞),如果以下不等式成立,则称传感器故障、执行器故障以及外部干扰多重混杂不确定环境下无人驾驶系统满足L1增益性能: [0146] (1)当外部扰动d(t)=0时传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队; [0147] (2) 其中r(t)表示残差信号。 [0148] 步骤8、设计传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队的条件如下: [0149] 设计常数κ>0,k1>1,k2>0,k3>0, ι1>0,ι2>0,ι3>0,ι4>0,q11<0,q12<0,q13<0, 向量和 向量 使得 [0150] [0151] [0152] [0153] [0154] [0155] [0156] [0157] [0158] [0159] [0160] [0161] [0162] [0163] [0164] [0165] [0166] [0167] [0168] [0169] [0170] [0171] [0172] [0173] [0174] [0175] [0176] 对任意i∈N成立,那么在滤波器增益矩阵 [0177] [0178] [0179] [0180] 下,无人驾驶系统在传感器故障、执行器故障以及外部干扰多重混杂不确定下达到一致性编队,其中,v1表示Lyapunov函数中的向量, 分别表示组成增益矩阵 的向量,q11,q12,q13是常数,表示向量。 [0181] 步骤9、传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统成功编队验证过程如下: [0182] 9.1构造一个余正Lyapunov函数 并计算其导数。则有 [0183] [0184] 其中, [0185] [0186] 9.2通过 则有 [0187] [0188] [0189] [0190] 9.3综合考虑9.1和9.2可以得出 [0191] [0192] 9.4通过 可得 [0193] [0194] 9.5结合 滤波器增益矩阵、9.1、9.2以及9.3,显然有 [0195] [0196] 9.6结合 以及并通过使用与9.5类似的方法,有 [0197] [0198] [0199] 9.7综合考虑9.1、9.4、9.5和9.6,可得 [0200] [0201] 9.8通过以及滤波器增益矩阵,不难得出 [0202] [0203] 9.9联立和9.8,则有 [0204] [0205] [0206] 9.10考虑系统的L1性能,令d(t)≠0, 和va=0,容易得到 [0207] [0208] 9.11通过步骤8中的条件,可得 [0209] [0210] [0211] [0212] [0213] 9.12充分考虑9.10和9.11,则有 [0214] [0215] 9.13由Dynkin公式和9.12的零条件,可得 [0216] [0217] 不难得出结论,传感器故障、执行器故障以及外部干扰多重混杂不确定下无人驾驶系统可以成功编队,并满足给定的L1性能指标。 |