写在前面:
🌟 欢迎光临 清流君 的博客小天地,这里是我分享技术与心得的温馨角落。📝
个人主页:清流君_CSDN博客,期待与您一同探索 移动机器人 领域的无限可能。
🔍 本文系 清流君 原创之作,荣幸在CSDN首发🐒
若您觉得内容有价值,还请评论告知一声,以便更多人受益。
转载请注明出处,尊重原创,从我做起。
👍 点赞、评论、收藏,三连走一波,让我们一起养成好习惯😜
在这里,您将收获的不只是技术干货,还有思维的火花!
📚 系列专栏:【决策规划】系列,带您深入浅出,领略自动驾驶决策规划的魅力。🖊
愿我的分享能为您带来启迪,如有不足,敬请指正,让我们共同学习,交流进步!
🎭 人生如戏,我们并非能选择舞台和剧本,但我们可以选择如何演绎 🌟
感谢您的支持与关注,让我们一起在知识的海洋中砥砺前行~~~
文章目录
- 引言
- 一、仿真平台搭建
- 1.1 软件安装与配置
- 1.2 Prescan 与 Carsim 联合仿真设置
- (1) 找到联合仿真文件
- (2) 设置车辆位置
- (3) 设置仿真频率
- (4) 构建模型
- 1.3 Matlab 与 Prescan 联合仿真操作
- (1) 打开 Matlab
- (2) 配置接口
- (3) 编译 C++ 程序
- (4) 调整工作路径
- 1.4 适配算法与仿真平台搭建
- (1) 加载数据
- (2) 参数设置
- (3) 复制粘贴算法
- (4) 匹配输入输出接口
- 二、各模块算法概述
- 2.1 定位模块
- 2.2 决策规划模块
- 2.3 控制模块
- 三、仿真结果与分析
- 3.1 模型算法运行与调试
- 3.2 摄像头视角设置与可视化
- 3.3 轨迹跟踪效果分析
- 3.4 速度与加速度跟踪
- 四、总结
- 参考资料
引言
本篇博客是自动驾驶决策规划算法第二章的第一节,是正式第二章讲决策规划算法的开篇。内容整理自 B站知名up主 忠厚老实的老王 的视频,作为博主的学习笔记,分享给大家共同学习。
本系列将理论与代码实践结合,即边讲理论边写代码,就像搭积木一样,慢慢地把规划算法拼出来,这样对各位来说是更容易的学习方式。所以在 Githab 上传了一份代码,各位可以把它下载下来,作为整个规划系列的基础,可以把这份代码理解为地基,以后就拿这份代码作为基础不断地迭代。
每讲到新的知识,就写成代码,拼到基础的代码上去。随着学习的内容越来越丰富,代码也会随之变得越来越多、越来越丰富,直到最终完成决策规划的整个代码。
一、仿真平台搭建
本篇博客讲解如何使用这份代码,下载链接如下:
自动驾驶决策规划代码与模型Github地址
1.1 软件安装与配置
首先要下载这四个软件,缺一不可,而且版本也有严格要求。仿真平台是以 PreScan 为基础,即 PreScan +MATLAB + Carsim
三个软件联合仿真。
-
MATLAB R2020a
主要写算法和跑仿真的工具 -
Carsim 2019.1
提供车辆动力学习模型 -
PreScan 8.5
提供传感器感知环境信息,搭建道路环境 -
MinGW-64
PreScan 和 Matlab 联合仿真需要用的 C++ 编译器
下面讲解这三个软件的操作。
1.2 Prescan 与 Carsim 联合仿真设置
(1) 找到联合仿真文件
首先找到 PreScan 自带的和 Carsim 联合仿真的文件,如果装了 PreScan ,一定能找到,要用倒数第四个 Demo_prescanCarsim3D
文件:
点进去,就会找到 Demo_PreScanCarSim3D.cpar
文件:
找到文件后,打开 PreScan ,关于 PreScan 的具体操作就不细讲了, PreScan 的操作其实很简单,而且 B 站上也有相关教程,可以适当学一学。
下面直接讲怎么做。首先打开PreScan,先新建实验,起个名字:
首先点 Actors
,把 Audi A8 Sedan
车拖出来。
可以看到 Actors
里有很多车,但只能拖奥迪 A8 出来,不能拖别的车,必须是奥迪A8 。
(2) 设置车辆位置
拖出来之后在右边 Location
这把位置改一下,把车辆起点的 x , y x,y x,y 都改成 0 , 0 0,0 0,0。 z z z 不用改:
改完后按回车,车辆就移动到 ( 0 , 0 ) (0,0) (0,0) 位置上。
Prescan 先放一边,打开 Carsim ,选右下角最后的选项:
选择刚才所说的 Demo_PreScanCarSim3D.cpar
文件。
Demo_PreScanCarSim3D.cpar
文件其实就是 Prescan 自己做的和 Carsim 联仿的类似于接口的东西。 c part 它他打包了 Carsim 相关的数据,比如底盘数据、转向数据、轮胎数据,是类似于压缩包一样的东西,所以在这里就是选择案例, CarSim 软件要把压缩包里的东西提取出来,但压缩包只能用 CarSim 自带的软件提取。
选择文件后,提示要把压缩包里的动力学数据提取到哪个文件夹下面。理论上可以放在任何地方,但推荐最好放在 Prescan 的 Experiments
下面,比较方便,因为所有 Prescan 的工程新建文件都会放在 Experiments
,这样比较好找。
给文件夹起名字,最好不要用中文名,可能会遇到各种各样的 BUG,比如就起动力学模型的英文名 DynamicModel
。
点确定后, Carsim 就会把 .cpar
文件解压缩到 DynamicModel
文件夹里。
看一下 Carsim 的输入和输出,输入有很多个,输出也有很多个。
这样, Carsim 的动力学模型就弄好了。现在要用 Prescan 和 Carsim 一起仿真,所以在 Prescan 中也要做相应的设置。
回到 Prescan ,首先右键小车,在 Object configuration
里选 Dynamics
,勾选用户自定义,DynamicModel
里有 Extensions
,找到 Simulink
,选择CarSim_VehicleDynamics.mdl
文件。
(3) 设置仿真频率
再点最上面像时钟一样的按钮,设置仿真频率(或者叫迭代步长)。
对于 Carsim 的动力学模型来说要 1000 H z 1000Hz 1000Hz 才行,不然会不收敛。上面是 Prescan 自带的仿真频率,因为只提供环境传感器的信息,只要 20 H z 20Hz 20Hz 就可以,但动力学模型必须要以较快的频率运行,否则不会收敛。所以下面要改成 1000 H z 1000Hz 1000Hz。
频率过高的话计算量会变大,所以电脑可能计算不了,如果不能是 1000 H z 1000Hz 1000Hz 的话,至少也要是 200 H z 200Hz 200Hz 以上,最低也要 200 H z 200Hz 200Hz。同时 Carsim 的步长也得改成 200 H z 200Hz 200Hz。在本篇博客使用的是 1000 H z 1000Hz 1000Hz ,Carsim 也是 1000 H z 1000Hz 1000Hz,总之同步即可。
(4) 构建模型
最后要点屏幕上面的 Build
按钮,如果不点,所有工作都白做。
Build
的作用是什么呢?
Build
是把 Prescan 相关数据自动生成为 Simlink 模型。所以在 Prescan 里做过任何相关的改动,比如加了什么车,或者把车移到什么位置,哪怕就是把车移一下位置,做完后都得 Build
一下,因为会根据新的位置重新生成 Simlink 模型。
1.3 Matlab 与 Prescan 联合仿真操作
(1) 打开 Matlab
Build
完后就可以打开 Matlab 了。但如果想要 Prescan 和 Matlab 联合仿真的话, Matlab 不能直接双击打开,要按照以下操作去做。
(2) 配置接口
首先右键屏幕右下角 PreScan 的小图标,选择 open
,在这里有 Matlab ,点 Start
(3) 编译 C++ 程序
要在这里打开 Matlab,会配置跟 Prescan 相关的接口,不能直接在桌面上双击。
如果是第一次用 Prescan 和 Matlab 联仿,会调用 MinGW-64
编译器做一系列 C++ 相关程序的编译,过程会比较长,大概 5 − 10 5-10 5−10 分钟,此过程只做一次即可,第二次打开就很快,大概几秒钟就弄好了。
(4) 调整工作路径
当一切准备完毕后,Matlab 的工作路径会自动跳转到 Prescan Experience 路径下。
把工作路径改成 Prescan 刚建的工程 TestEMPlanner
文件夹下。
TestEMPlanner
文件夹里多了很多东西,首先有 TestEMPlanner_cs.slx
文件,这就是 Prescan Build
出来的 Simulink 模型。
1.4 适配算法与仿真平台搭建
打开模型后会先读取 TestEMPlanner.pb
文件,生成相关配置,模型如下图所示。
(1) 加载数据
模型左上角是 Prescan 图标,右上方的按钮叫 Regenerate
,当在 Prescan 里 Build
后,在 Simulink 里还要再点 Regenerate
重新生成一下,改动才能在 Simulink 里生效。
也就是说,无论在 Prescan 里做了什么改动,加了什么道路,加了什么障碍物之类的,首先在 Prescan 里要 Build
,在 Simulink 里要 Regenerate
。而且每次刚打开时,会自动 Regenerate
一下。
(2) 参数设置
双击到车的模块里看一下,里面有车辆动力学模型:
点向下的箭头就进去了
里面有 Casim 的 S S S 函数 CarSim S-Function2
。
若提示找不到模块,尝试把 S-Function2
中的 2 2 2 去掉。
点开 S S S 函数,需要给出 simfile
文件的具体路径。
simfile
文件目前还没有,所以要先生成 simfile
,打开 Carsim ,点击Send to Simulink
,Carsim就会自动调用 Matlab,在 DynamicModel
文件夹里就生成了 simfile
文件。按住 Shift
加右键,复制文件地址,粘到上面去就可以了。
注意:需要删除粘贴出来的引号。
最后再配置一下 Carsim 的输入和输出。
设置输入可以参考模板,因为 Prescan 有自带的 Prescan 和 Carsim 联仿的模型,参考模型的设置来设置自己的模型。在 .cpar
文件所在的位置,里面有 Simulink 模型,打开模型看一下。
打开车辆模型,里面有设置好的输入、输出,粘过来即可。
如果 Carsim S-Function
是错误的状态,可能是名字不对,尝试把 Carsim S-Function
改成 Carsim S-Function2
。
如果没问题,就不要动它,把输入和输出粘到自己的模型上去。
看一下输入。
是 [ 1 1 1 12 8 ] [1\ 1\ 1\ 12\ 8] [1 1 1 12 8],共有 23 23 23 个输入,正好对应 Carsim 输入也是 23 23 23 个。
前三个是方向盘油门、刹车。作为接口开放出来。
v x v_x vx 和 v y v_y vy 是现成的,都输出来,但 a x a_x ax 和 a y a_y ay 没有,所以要在 Carsim 中添加两个输出量接口 a x , a y a_x,a_y ax,ay。
点击Send to Simulink
,在 Simulink 中点击 CarSim2PreScanSTATE
模块,查看输出是 [ 333 − 1 ] [3 3 3 -1] [333−1] 也就是前面有 9 9 9 个了,一共是 37 37 37 个,所以后面应该还有 28 28 28 个,使用 Debux
模块设置 28 28 28 个输出,把最后两个接口引出来,就是 a x a_x ax 和 a y a_y ay。
注意单位换算,因为单位都是 g g g,所以要乘 9.8 9.8 9.8 变成 m / s 2 m/s^2 m/s2。
这样整个模型基本的 Carsim 和 Prescan 之间的相关接口就已经全部完成了。
(3) 复制粘贴算法
接下来开始适配算法,打开 GitHub 上下载的文件。
把这三个文件复制粘贴到 Prescan 的 TestEMPlanner
工程根根目录下。先在 Prescan 里 Regenerate
刷新一下。
看一下这三个文件到底是什么。
- emplanner_init.m
初始化文件,加载数据。
emplanner_init.m
%%%%%EM PLANNER初始化与配置文件,主要是加载全局路径,加载油门刹车标定表,设置规划和控制参数等等%%%%加载全局路径和油门刹车标定表
%加载油门刹车标定表,标定表是以前已经做好的,不用标,直接用就可以。
load('table_calibration.mat')%%%%%前轮转角与方向盘转角的映射关系
right_wheel_ground=[-70 ,-67.2 , -64.4 , -61.6 , -58.8 , -56 , -53.2 , -50.4 , -47.6 , -44.8 , -42 , ...-39.2 , -36.4 , -33.6 , -30.8 , -28 , -25.2 , -22.4 , -19.6 , -16.8 , -14 , -11.2 , -8.4 , -5.6 , ...-2.8 , 0 , 2.8 , 5.6 , 8.4 , 11.2 , 14 , 16.8 , 19.6 , 22.4 , 25.2 , 28 , 30.8 , 33.6 , 36.4 , ...39.2 , 42 , 44.8 , 47.6 , 50.4 , 53.2 , 56 , 58.8 , 61.6 , 64.4 , 67.2 , 70 ];rack_displacement=[-39.14 , -37.2 , -35.29 , -33.43 , -31.6 , -29.81 , -28.06 , -26.34 , -24.66 , ...-23.01 , -21.38 , -19.79 , -18.23 , -16.69 , -15.18 , -13.7 , -12.23 , -10.8 , -9.38 , -7.98 ,...-6.61 , -5.25 , -3.91 , -2.59 , -1.29 , 0 , 1.27 , 2.54 , 3.78 , 5.02 , 6.24 , 7.46 , 8.66 , ...9.86 , 11.05 , 12.24 , 13.41 , 14.59 , 15.76 , 16.92 , 18.09 , 19.25 , 20.42 , 21.59 , 22.76 , ...23.93 , 25.11 , 26.3 , 27.5 , 28.71 , 29.94];%转向系统特性
c_factor=43.75;%%单位: mm/rev
%%%%%
%%%参数设置%%%%%%
DEG2RAD=pi/180;
RAD2DEG=180/pi;
%%%%整车参数%%%%%
cf=-175016;
cr=-130634;
m=2020;
Iz=4095.0;
la=1.265;
lb=2.947-1.265;
%%%%%%%横向LQR参数
LQR_Q1=25;
LQR_Q2=3;
LQR_Q3=10;
LQR_Q4=4;
LQR_R=15;
%%%%纵向双PID参数
KP_PID_distance=0.5;
KI_PID_distance=0.0;
KD_PID_distance=0.0;
KP_PID_speed=1.8;
KI_PID_speed=0;
KD_PID_speed=0;
%%%%%LQR_OFFLINE
k=zeros(5000,4);
vx_break_point=zeros(1,5000);
for i=1:5000vx_break_point(i)=0.01*i;A=[0,1,0,0;0,(cf+cr)/(m*vx_break_point(i)),-(cf+cr)/m,(la*cf-lb*cr)/(m*vx_break_point(i));0,0,0,1;0,(la*cf-lb*cr)/(Iz*vx_break_point(i)),-(la*cf-lb*cr)/Iz,(la*la*cf+lb*lb*cr)/(Iz*vx_break_point(i))];B=[0;-cf/m;0;-la*cf/Iz];
LQR_Q=1*[LQR_Q1,0,0,0;0,LQR_Q2,0,0;0,0,LQR_Q3,0;0,0,0,LQR_Q4];k(i,:)=lqr(A,B,LQR_Q,LQR_R);
end
LQR_K1=k(:,1)';
LQR_K2=k(:,2)';
LQR_K3=k(:,3)';
LQR_K4=k(:,4)';
%%%%车辆初始位置
host_x_init=0;
host_y_init=0;
这些其实都是自动驾驶的控制算法所需要的参数,运行一下脚本。运行完毕后,工作区就有这些变量了,无论是油门、刹车和标定表,还是纵向的 PID 参数,以及横向的 LQR 参数,都已经标好了,直接用就可以,当然如果觉得标定不满意,也可自己标,就是用脚本修改相关参数,运行一遍即可。
(4) 匹配输入输出接口
脚本运行完后,把 GitHub 上的 Simulink 模型打开,把算法整个算法粘贴过来,把输入输出接口匹配上
这样整个仿真平台搭建完毕。
二、各模块算法概述
下面简要介绍一下算法。
2.1 定位模块
首先是定位模块。
定位模块也非常简单,就是直接把 Prescan 自身传感器的数据输出来。因为不做定位算法,所以定位算法直接用 Prescan 自带的定位传感器即可。但因为本篇博客做的是通用仿真平台,所以如果各位对定位算法有兴趣的话,可以直接在定位模块里写相关算法,在这里就不写定位模块了,因为本系列讲的是决策规划,不讲定位。
2.2 决策规划模块
再看决策规划模块。
决策规划模块是本系列的重点,但现在这里还没东西,目前规划算法是在自动驾驶控制算法 12 节里所写的规划。此处写的规划其实没什么用,大家也不用看规划,纯粹是为了验证控制算法,测试轨迹跟踪性能。以后此模块就是工作重点,会在模块里写相关算法,把 EM Planner
算法完成。
所以规划的 MATLAB Function 在测试完后把删掉即可。
2.3 控制模块
最后来看控制模块已经,已经写完了,输入是定位规划以及预瞄输出,就是方向、前轮转角、油门、刹车以及相关的 debug 调试信息。
首先是主函数 control main
主函数里分横向控制 LQR 以及纵向控制双 PID,还有因为转向不足所加入的积分补偿部分。
补偿没有开,目前是关着的。
以及从前端转角转化为方向盘转角相关的部分。
标定表为右前轮转向系统与齿条位移之间的映射关系,在 emplanner_init.m
文件中定义。齿条位移又和 c_factor
作用变成方向盘转角的映射关系。但这里 LQR_final_angle
,是 LQR 自己算出来的 angle
,是左前轮和右前轮合并出来的自行车模型的 angle
。但汽车毕竟不是自行车,所以自行车模型的 angle
要转化成左右前轮转角,所以自行车模型的转角并不等于右前轮的转角。这里还要使用阿克曼几何转化成右前轮转角。
刹车标定表已经弄好了,横向控制是离线 LQR 查表法。
离线 LQR 的标定表、油门刹车标定表,以及相关的 PID 的控制参数都在 emplanner_init.m
脚本文件里。所以运行模型前,要先运行 emplanner_init.m
,把这些参数都写到工作区里,这样 Simulink 就能读这些数据。
三、仿真结果与分析
3.1 模型算法运行与调试
下面运行模型算法,规划时间为 30 30 30 秒,所以仿真也设置为 30 30 30 秒。运行一下看看。
报错信息如下:
Invalid setting in
‘testemplanner_cs/Audi_A8_Sedan_1/Dynamics_UserSpecified/CarSim
S-Function2’ for parameter ‘vs_state’. Caused by: Error evaluating
parameter ‘vs_state’ in
‘testemplanner_cs/Audi_A8_Sedan_1/Dynamics_UserSpecified/CarSim
S-Function2’ 函数或变量 ‘vs_state’ 无法识别。 Variable ‘vs_state’ has been
deleted from base workspace.
在命令行中加上 vs_state =-1
和 StopMode=-1
可看到车辆运行。
3.2 摄像头视角设置与可视化
在 Prescan 里面设置跟随车的摄像头,点击倒数第二个Visu Aids
添加,选择 Custom
,添加视角,设置摄像机的视角位置。
先 Build
再 Regenerate
运行,在弹出的 VisServer
中将视角切换为HumanView_1
。
3.3 轨迹跟踪效果分析
怎么判断控制跟踪轨迹的好坏呢?
写个脚本 testctrl.m
plot(control_debug.LQR_debug.host_x.data,control_debug.LQR_debug.host_y.data,control_debug.xr_desire.data,control_debug.yr_desire.data);
首先运行一下模型, Simulink 模型运行完后有 Control debug
变量,testctrl.m
就会读取 Control debug
相关信息,把跟踪轨迹和车辆实际的轨迹画出来。
蓝色线是规划轨迹,黄色线是跟踪轨迹。如果最终 testctrl.m
运行的结果和上图差不多,就证明已经成功了,控制可以完美跟踪规划轨迹,这样仿真平台就已经搭建成功了。
如果没有跑出来这样的效果,相差比较大,那就要检查检查了,检查一下车辆初始位置是不是在 ( 0 , 0 ) (0,0) (0,0) 点,因为规划比较傻,只能在 ( 0 , 0 ) (0,0) (0,0) 点上规划才有用。车辆如果放在其他位置,规划就跟踪不了了。因为这只是测试,实际上的规划肯定不会像现在这样,如果车辆在 ( 0 , 0 ) (0,0) (0,0) 点位置上,跟踪的还是不理想,那就可能就是软件的版本问题。
或者再从头看一遍本篇博客,保证做的步骤和的本篇博客步骤一模一样,再看一看是不是漏了什么步骤。
如果是软件版本问题,换成推荐的软件版本,因为软件版本的问题没法解决。
最后看一下testctrl.m
脚本写了什么,其实就是画了两个图,host_x
和 host_y
是定位给出的车辆实际轨迹,xr_desire
, yr_desire
是规划轨迹。其实就画了两个图,如果这两条线贴得比较近,就像像刚才图一样,那就证明这可以完美的跟踪,就认为控制算法没问题。
3.4 速度与加速度跟踪
当然除了位置跟踪,还有速度跟踪和加速度跟踪,也可以把速度曲线、加速度速曲线都画出来,看一下贴的近不近。如果觉得自己不满意的话,也可以调控制参数,调成满意的结果。
四、总结
希望大家都要自己亲手做一遍,把仿真环境搭好,以后所有的规划算法都会在此模型上去运行。
没有仿真平台的话,后续的内容就没法学了。所以一定要亲手把仿真环境弄好,把参数调好,调成两条曲线贴近的样子才可以。
本篇博客到此结束,欢迎关注后续内容。
参考资料
自动驾驶决策规划算法第二章第一节 决策规划仿真平台搭建
后记:
🌟 感谢您耐心阅读这篇关于 决策规划仿真平台搭建 | Matlab + Prescan + Carsim 联合仿真基本操作 的技术博客。 📚
🎯 如果您觉得这篇博客对您有所帮助,请不要吝啬您的点赞和评论 📢
🌟您的支持是我继续创作的动力。同时,别忘了收藏本篇博客,以便日后随时查阅。🚀
🚗 让我们一起期待更多的技术分享,共同探索移动机器人的无限可能!💡
🎭感谢您的支持与关注,让我们一起在知识的海洋中砥砺前行 🚀