本发明属于无人驾驶控制领域，具体讲，涉及一种结合线性跟踪微分器和模型预测控制算法的无人驾驶车辆纵向控制方法。
背景技术：
近年来，电动汽车广泛应用于各种场景，如无人驾驶汽车、智慧城市等。与传统的内燃机汽车相比，电动汽车具有高效、节能、环保等优点。从理想的情况来看，电动汽车会逐渐取代传统汽车，有利于实现车辆尾气零排放。环境感知、运动规划、运动控制是无人驾驶技术中的三大核心技术。其中，由于道路状况复杂、行驶环境多样、执行器物理约束等因素的影响，运动控制对无人驾驶技术至关重要。目前，可以将运动控制分为横向控制与纵向控制，横向控制的目标是实现轨迹跟踪，纵向控制的目标是实现速度跟踪。在控制过程中，横向控制效果往往会受到纵向控制效果的影响，而纵向控制并不会受到横向控制因素的制约，这也是在很多纵向控制研究工作中，并没有考虑横向车辆系统的运动情况。
对于纵向控制，在能量优化、安全性和乘坐舒适性等多种指标要求下，经济速度控制和最优速度控制是两个重点研究内容。但是，一般来说，由于参考信号在大多数情况下是不连续的导致纵向控制性能很难得到稳定的保障。尤其是在缺少合理的速度规划功能的情况下，参考信号的加速度需要满足电动汽车的物理特性，但是在很多研究中，并没有给予考虑，导致参考信号并不恰当。此外，由于执行器物理约束所带来的控制输入约束以及输入增量约束导致最优速度控制变得较为困难。控制输入约束主要针对在纵向控制中执行环节受到的物理限制以及人为设定的限制。而为了避免由于控制输入的频繁变化和大幅度变化而导致执行器损坏，通常通过增加输入增量约束进行处理。然而，基于pid控制器或lqr等传统控制算法无法解决这两种约束。因此，在电动汽车的纵向控制中，考虑控制量约束和控制量增量约束并研究如何得到合理可靠的参考信号是具有重要意义的。
模型预测控制(modelpredictivecontrol，mpc)算法是可以主动处理多约束的代表算法之一，在无人驾驶规划和控制模块中已经得到广泛应用。尤其在大多数的纵向控制方案中，mpc除了用来处理基本物理约束以外，往往还用来实现低油耗、乘坐舒适性、平滑轨迹等人为指定性能。mpc在当前时刻根据被控对象的数学模型预测在未来一段时域内的误差状态，然后按照指定性能要求构造目标函数，最后通过优化算法求解出使目标函数值最小的控制量序列，并把控制序列的第一个分量作用在实际被控系统上。虽然近年关于mpc的研究具有大量的实验验证，但是在这些工作中并没有体现对mpc的迭代可行性和稳定性进行分析，导致这些结果缺乏理论支撑。除此以外，在实际控制中，不可靠的参考信号可能会导致mpc在终端约束较为保守的情况下丢失初始时刻的可行解，这种情况并不能通过整定mpc参数进行解决。跟踪微分器(trackingdifferentiator，td)常常用来处理不合理的参考信号，安排较为合理的过渡过程，从而改善跟踪效果。线性td主要基于一阶惯性环节对阶跃参考信号安排无超调的过渡过程，还可以获取参考信号的合理微分信号，基于td对阶跃参考信号进行过渡过程的安排是一种可行的处理方法。
技术实现要素：
(一)要解决的技术问题
有鉴于此，本发明提供了一种结合线性跟踪微分器和模型预测控制算法的无人驾驶车辆纵向控制器，以期解决上述提及的技术问题中的至少之一。
(二)技术方案
本公开提供了一种无人驾驶汽车纵向控制方法，包括：
操作s1：建立车辆纵向控制系统离散运动学模型，将状态期望加速度作为该纵向控制系统离散运动学模型的输入控制量；
操作s2：创建线性td并通过线性td安排参考速度信号和参考加速度信号的过渡过程，将阶跃的参考速度信号和参考加速度信号转换为连续的参考信号序列；以及
操作s3：创建mpc，与所述线性td相连，基于线性td输入的参考序号序列在存在控制量约束与控制量增量约束的情况下通过所述离散运动学模型得到最优控制序列，完成无人驾驶汽车纵向控制。
在本公开实施例中，所述离散运动学模型为：
其中，x(k)为状态变量，x(k)＝[v(k)，a(k)]t，u(k)为控制输入量，u(k)＝ades(k)，止为系统矩阵，b为控制矩阵，c为输出矩阵，具体形式如下：
其中，t为控制周期。
在本公开实施例中，所述线性td形式为：
xr(k 1)＝arxr(k) brv0(k)(3)
其中，xr(k)＝[vr(k)ar(k)]t，v0(k)为原始参考信号，属于阶跃信号，vr(k)为线性td输出的参考速度信号，ar(k)为线性td输出的参考加速度信号，另外，ar和br具体形式如下：
其中，当参数s满足
在本公开实施例中，所述mpc为：
其中，m代表着预测时域长度，u*(k)为在k时刻通过优化求解算法得到的最优控制序列，ke(k)为终端线性反馈控制器表达式，κ(e(k))表示闭环系统稳定性。
在本公开实施例中，所述操作s3中：
基于指定的阶跃速度信号，通过线性td得到合理的参考加速度信号以及参考速度信号，mpc根据线性td的输出进行优化问题的在线求解过程，得到每个时刻的最优控制量，并作用于实际系统中，使车辆纵向系统产生相应的动作，并不断重复该过程，能够使车辆对指定阶跃信号持续跟踪。
在本公开实施例中，将mpc和td相结合，通过td来安排如阶跃信号这类不合理参考信号的过渡过程，保证mpc优化求解过程的顺利进行。
在本公开实施例中，通过理论分析过程确定了td的参数s，在满足0≤s≤1/t范围内，能够保证td的收敛性。
在本公开实施例中，通过理论分析过程确定了mpc的参数q、r和p的选取方法和规则，保证闭环系统的迭代可行性以及稳定性。
(三)有益效果
从上述技术方案可以看出，本发明带有跟踪微分器的无人驾驶电动汽车模型预测纵向控制器，至少具有以下有益效果其中之一或其中一部分：
(1)改善了因传统方法无法处理由于物理因素限制，以及人为指定限制所带来的控制量增量约束和控制量约束，导致的只能通过额外增加饱和条件进行解决的方案；
(2)解决了在原始的mpc控制方案中参考信号在终端状态约束存在的情况下会影响车辆纵向控制初始时刻的可行解的计算问题；
(3)得到了基于基本的双模mpc保证系统的稳定性与迭代可行性，主动将控制量和控制量增量限制转换为优化问题的约束条件，并通过设计目标函数进行优化求解予以解决的优控制量；
(4)可以对阶跃速度信号进行稳定的跟踪，并且相比于pid控制器的控制，有调节时间短和稳态误差小的优势。
附图说明
图1为本公开实施例用于无人驾驶汽车纵向控制方法的实验平台的纵向控制系统的框架示意图。
图2为本公开实施例用于无人驾驶汽车纵向控制方法的实验平台的底层系统示意图。
图3为本公开实施例用于无人驾驶汽车纵向控制方法的纵向控制系统的控制结构示意图。
图4为本公开实施例用于无人驾驶汽车纵向控制方法的实验平台外观示意图。
图5为本公开实施例用于无人驾驶汽车纵向控制方法的实验平台内部设备示意图。
图6为本公开实施例用于无人驾驶汽车纵向控制方法的跟踪3.5m/s情况下油门开度作用曲线。
图7为本公开实施例用于无人驾驶汽车纵向控制方法的跟踪3.5m/s情况下速度跟踪曲线。
图8为本公开实施例用于无人驾驶汽车纵向控制方法的由跟踪3.5m/s过渡至5.5m/smpc控制下的油门开度作用曲线。
图9为本公开实施例用于无人驾驶汽车纵向控制方法的由跟踪3.5m/s过渡至5.5m/spid控制下的油门开度作用曲线。
图10为本公开实施例用于无人驾驶汽车纵向控制方法的由跟踪3.5m/s过渡至5.5m/s车速跟踪结果。
图11为本公开实施例用于无人驾驶汽车纵向控制方法的跟踪5.5m/s情况下，对齐时间坐标后的速度跟踪对比结果。
具体实施方式
本发明提供了一种无人驾驶汽车纵向控制方法，所述控制方法将mpc和线性td相结合，并考虑了控制量与控制量增量约束的影响。同时，该方案的各个部分的设计过程基于完整的理论分析过程进行参数范围确定，以保证各个部分的基本要求，包括线性td的收敛性、mpc的迭代可行性以及稳定性。
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
包括传感器、执行器、控制器在内的纵向控制(闭环)系统如图1所示，其工作流程将在设计方案后具体描述。针对这样一个纵向闭环系统，需要本工作主要进行了上层控制器的设计，为了处理类似阶跃参考信号的不可靠参考信号以及控制量约束和控制量增量约束，本发明将mpc和td相结合，将控制量和控制量增量受到的物理限制和人为设定限制转换为mpc优化求解中的约束条件，并设计了基本的性能指标函数，据此优化求解得到最优控制量。为此，本发明采取带有跟踪微分器的无人驾驶电动汽车模型预测纵向控制器，具体步骤包括：
首先，将底层控制器与车辆考虑为一整体——底层系统，对其进行建模：
这里v(t)表示主车的速度，a(t)表示主车的加速度，ades(t)表示车辆的期望加速度，作为系统的输入控制量，τ和km表示基于数据建模方法的得到的车辆纵向系统模型参数。
操作s1：建立车辆纵向控制系统离散运动学模型，
其中，x(k)为状态变量，x(k)＝[v(k)，a(k)]t，u(k)为输入控制量，u(k)＝ades(k)，ades(k)为状态期望加速度。a为系统矩阵，b为控制矩阵，c为输出矩阵，具体形式如下：
其中，t为控制周期。
为了便于后续控制器设计以及进行闭环系统的理论分析，对系统进行建立误差模型为：
其中，e(k)＝[v(k)-vr(k)，a(k)-ar(k)]t，ue(k)＝u(k)-ur(k)，ye(k)＝y(k)-yr(k)。vr(k)为线性td输出的参考速度信号，ar(k)为线性td输出的参考加速度信号，yr(k)为输出参考信号，ur(k)为参考控制信号。另外，考虑到控制量受到的限制，将其结合参考控制信号转换为对误差控制量的约束为umin≤ueumax和δumin≤δue≤δumax，umax和umin是误差控制量受到的上下界约束，δumax和δumin是误差控制量增量受到的上下界约束。
操作s3：设计线性td安排参考信号过渡过程
根据线性td的基本形式，设计得到实际使用的td形式如下：
xr(k 1)＝arxr(k) brv0(k)(4)
其中，xr(k)＝[vr(k)ar(k)]t，v0(k)为原始参考信号，一般为阶跃信号，另外，ar和br具体形式如下：
通过线性td满足收敛性的条件，确定参数s需要满足的条件。首先，根据线性td的基本形式公式(4)，表达为状态空间形式如下：
xr(k 1)＝arxr(k) brv0(k)
其中，xr(k)＝[vr(k)ar(k)]t。可以得到如下转换关系：
进一步可以得到
其中，i为单位矩阵。从式(4)推导得到
将式(5)代入上式中，得到如下推导
线性td的跟踪误差etd(k)为
由上式可以得到，当0≤s≤1/t时，ar的谱半径属于[0，1]，则可以保证
综上所述，当参数s满足0≤s≤1/t时，线性td能够保证收敛性。
操作s3：创建模型预测控制器(mpc)
在设计模型预测控制器具体形式前，首先给出两条引理支撑后续的理论分析过程。
引理1：对于带有控制量约束的能控的线性系统，一定存在一个反馈控制律ue(k)＝ke(k)使得闭环系统e(k 1)＝(a bk)e(k)在e(k)∈ω时是渐近稳定的，其中ω代表不变集同时也对应mpc控制策略中的终端集。
引理2：如下闭环离散系统的lyapunov方程可以保证一定存在唯一一个正定对称矩阵p。
p＝(a bk)tp(a bk) (ctqc ktrk)
进一步可以得到，一定存在一个正常数α对应一个邻域如下
ω＝{e(k)|et(k)pe(k)≤α}
使得约束umin≤ue(k)≤umax满足。那么可知，一条在集合ω内出发的状态轨迹未来一定不会超出集合ω且会收敛至原点。
为了对线性td提供的参考速度信号和参考加速度信号进行准确跟踪，并满足控制量和控制量增量约束以及迭代可行性和稳定性，构建如下的最优问题：
更具体地说，有如下的代价函数：
其中，i＝1，2，3…，m-1，m代表着预测时域长度。ye(k i|k)代表在第k时刻根据预测模型预测得到的第k i时刻的输出误差状态，ue(k i|k)代表在第k时刻根据优化求解计算得到的第k i时刻应该施加的误差控制量，e(k m|k)代表预测终端状态。umin、umax、δumin、δumax分别代表误差控制量的上下界限以及误差控制量增量的上下界限。ω为终端状态集合。另外，定义
其中，u*(k)为在k时刻通过优化求解算法得到的最优控制序列。
为了确定代价函数的形式、优化问题是否满足迭代可行性以及根据κ(e(k))得到的闭环系统是否满足稳定性要求，下面对该部分设计进行理论分析。
首先，进行关于mpc控制策略迭代可行性的理论分析。假设在k时刻优化问题存在最优解，记为
其中，k是终端线性反馈控制器的控制增益，一旦系统状态进入到终端域ω内后，系统控制器切换为终端线性反馈控制器ue(k)＝ke(k)，且有如下lyapunov方程成立
令
除了需要对mpc的迭代可行性进行分析外，还需要对系统的稳定性进行分析。在可行性的讨论中，可知在k 1时刻是存在一组可行的控制序列
则对应在[k 1，k m]区间内，系统对应的预测状态序列和输出状态序列记为
{e*(k 1|k)，e*(k 2|k)，…，e*(k m|k)}(10)
这时，最优代价函数可以表示为
其中，ye(k|k)＝ye(k)。将双模mpc控制器式(8)代入闭环系统式(3)中，可以推得在k 1时刻的预测状态
e(k 1)＝e*(k 1|k)
在k 1时刻更新优化问题，可以得到候选控制序列为
其中，前m-1个控制量为k时刻的最优解。由于e*(k m|k)∈ω，则根据终端状态反馈控制器得到的控制输入为ue(k m|k 1)＝ke*(k m|k)，由上述关于迭代可行性的分析可知该组控制量是满足系统约束(6b-6d)。在k m时刻的预测过程中，可以得到
通过引理2以及e*(k m|k)∈ω，可以得到
(a bk)e*(k m|k)∈ω
进一步把控制量式(13)带入式(12)中可以得到
其中，
由lyapunov方程(9)可以进一步推得
那么在k 1时刻，由代价函数可以推得
由于
由对mpc控制方案的迭代可行性分析可知，候选控制序列式(13)是一组在k 1时刻关于控制量的可行解，则可以得到
当闭环系统式(3)的误差状态均为0时，即e(k)＝[0，0]t，最优解为u*＝0，代表车辆实际控制量u(k)与参考控制输入量ur(k)相等，进一步指出代价函数的最优值为0。从式(14)中可以得到，闭环系统的代价函数最优值在mpc控制策略的作用下是递减的，并且当e(k)＝[0，0]t时，达到最小值。由于最优代价函数j*(k)，在k时刻是连续的，因此j*(k)可以作为闭环系统式(3)的lyapunov方程，当k＞0时，单调递减。当k→∞时，代价函数的值趋于0，且e(k)＝[0，0]t，则有y(k)→yr(k)。
基于以上分析，可以确定当
操作s3：创建mpc，与所述线性td相连，根据指定的阶跃速度信号，通过线性td得到合理的参考加速度信号以及参考速度信号，mpc根据线性td的输出进行优化问题的在线求解过程，得到每个时刻的最优控制量，并作用于实际系统中，使车辆纵向系统产生相应的动作，并不断重复该过程，可以实现车辆对指定阶跃信号的持续跟踪。
基于以上设计的控制策略，构建了如图1所示的控制结构。整个控制方案的执行过程为，首先将该控制策略以ros节点的形式部署到车载计算平台tx2上，作为上层控制器。除此以外，在tx2中还以同样方式部署了图1中的从控制器。从控制器负责根据上层控制器计算得到的控制量——期望加速度进行跟踪，并得到车辆的实际控制量油门开度与刹车开度。即上层控制器与包含从控制器、嵌入式控制器、电机控制器、刹车控制器、车辆在内的底层系统之间的关系可以简单地表示为图2，其中，上层控制器向底层系统输入期望加速度，而底层系统据此产生实际油门开度与刹车开度使车辆产生对应期望动作。在上层控制器中，与上述控制策略方案保持一致地部署了跟踪微分器与双模mpc控制器，如图3所示。在实际的控制过程中，首先基于图4与图5中所示的实验平台中的gps&imu与车辆轮胎侧方的脉冲编码器会分别将车辆速度信息与车轮转速信息通过rs-485和can总线信号传入tx2中，tx2的感知模块对两种信息进行融合，最终得到准确的车辆速度信息发送给上层控制器(节点)，上层控制器基于提出的控制策略进行上层控制量(期望加速度)的计算并发送给从控制器(节点)，从控制器基于该上层控制量产生合理的油门开度量与刹车开度量并以can信号的形式发送给嵌入式控制器，由嵌入式控制器根据can信号转换为对应的pwm电压，从而完成对刹车控制器和电机控制器的控制(如图1所示)，嵌入式控制器根据指定的油门开度与刹车开度分别向电机控制器与刹车控制器输入指定的pwm电平信号，而电机控制器根据pwm电平信号进行电机调速控制实现加减速，刹车控制器根据pwm电平信号控制刹车电机转动，使刹车踏板产生机械动作，对应制动的需求。在每个控制周期内，上层控制器均会根据车辆的实时位姿信息基于部署的控制策略更新上层控制量发送给底层系统，实现车辆速度的稳定调节。
以下给出了该套控制方案在发明人所在大学无人驾驶移动平台上的路测结果，如图4与图5所示。该无人驾驶移动平台上配有激光雷达、相机、接收机等车载传感器，在平台内部油门与刹车已经过改装，具有基本的线控功能。该移动平台以tx2作为控制器计算单元，具有轻量级、功率低、算力强等优点。在图5中，车载执行器对应油门踏板与刹车踏板。在成功部署上层控制器与从控制器后，对所提出的控制方案进行实际测试，其中图6为3.5m/s的阶跃速度时车辆油门开度的变化，图7为车辆跟踪3.5m/s的阶跃速度时车速跟踪结果。
进一步地，从数据指标方面衡量，该调整过程的调节时间为15.8s，稳态误差为0.0456m/s，标准差为0.0606m/s，验证了带有td的双模mpc控制方案的可行性。第二个工况为车辆首先对3.5m/s的阶跃信号进行跟踪，在跑道尽头将车辆参考速度增至5m/s继续跟踪。图8与图9分别为该工况下带有td的双模mpc控制方案与pid控制方案的控制量输入，图10为具体的跟踪结果对比。由图中可以看到带有td的双模mpc控制方案相比于pid控制方案的跟踪过程较好。图11为对齐时间坐标后两种控制器对5.5m/s速度信号的跟踪效果。另外，从数据指标方面衡量，在跟踪3.5m/s阶段，两种控制器的跟踪结果如表1所示，在跟踪5.5m/s阶段，两种控制器的跟踪结果如表2所示。
表1跟踪3.5m/s情况下的跟踪结果
表2跟踪5.5m/s情况下的跟踪结果
所应理解的是，以上所述仅为本发明的一般步骤而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
至此，已经结合附图对本发明实施例进行了详细描述。需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。
依据以上描述，本领域技术人员应当对本发明一种无人驾驶汽车纵向控制方法有了清楚的认识。
综上所述，本发明提供了一种无人驾驶汽车纵向控制方法，与已有技术相比，传统方法无法处理由于物理因素限制以及人为指定限制所带来的控制量增量约束和控制量约束，只能通过额外增加饱和条件进行解决。另外，不合理的参考信号在终端状态约束存在的情况下会影响车辆纵向控制初始时刻的可行解的计算，这个问题对于原始的mpc控制方案是无法解决的。除此以外，近年来一些关于无人驾驶mpc控制方案的研究工作中，对mpc的理论分析并不完整。而本发明提出的算法，基于基本的双模mpc保证系统的稳定性与迭代可行性，主动将控制量和控制量增量限制转换为优化问题的约束条件，并通过设计目标函数进行优化求解予以解决，得到最优控制量。在设计过程中，各个部分均考虑了理论上问题求解的可行性以及系统的收敛性，并给出了理论性分析和证明。
最终，该方案在一辆经过改装后的无人驾驶园区电动观光车上进行了验证，验证结果表明，该控制方案可以对阶跃速度信号进行稳定的跟踪，并且相比于pid控制器的控制效果在调节时间和稳态误差方面均有较为明显的提升。
还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本发明的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本发明的理解造成混淆时，将省略常规结构或构造。
并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本发明实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。
除非有所知名为相反之意，本说明书及所附权利要求中的数值参数是近似值，能够根据通过本发明的内容所得的所需特性改变。具体而言，所有使用于说明书及权利要求中表示组成的含量、反应条件等等的数字，应理解为在所有情况中是受到「约」的用语所修饰。一般情况下，其表达的含义是指包含由特定数量在一些实施例中±10％的变化、在一些实施例中±5％的变化、在一些实施例中±1％的变化、在一些实施例中±0.5％的变化。
再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。
说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序、或是制造方法上的顺序，该些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。
此外，除非特别描述或必须依序发生的步骤，上述步骤的顺序并无限制于以上所列，且可根据所需设计而变化或重新安排。并且上述实施例可基于设计及可靠度的考虑，彼此混合搭配使用或与其他实施例混合搭配使用，即不同实施例中的技术特征可以自由组合形成更多的实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中发明的所有特征以及如此发明的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中发明的每个特征可以由提供相同、等同或相似目的的替代特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该发明的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面发明的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种无人驾驶汽车纵向控制方法，包括：
操作s1：建立车辆纵向控制系统离散运动学模型，将状态期望加速度作为该纵向控制系统离散运动学模型的输入控制量；
操作s2：创建线性td并通过线性td安排参考速度信号和参考加速度信号的过渡过程，将阶跃的参考速度信号和参考加速度信号转换为连续的参考信号序列；以及
操作s3：创建mpc，与所述线性td相连，基于线性td输入的参考序号序列在存在控制量约束与控制量增量约束的情况下通过所述离散运动学模型得到最优控制序列，完成无人驾驶汽车纵向控制。
2.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，所述离散运动学模型为：
其中，x(k)为状态变量，x(k)＝[v(k)，a(k)]t，u(k)为控制输入量，u(k)＝ades(k)，a为系统矩阵，b为控制矩阵，c为输出矩阵，具体形式如下：
其中，t为控制周期。
3.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，所述线性td形式为：
xr(k 1)＝arxr(k) brv0(k)(3)
其中，xr(k)＝[vr(k)ar(k)]t，v0(k)为原始参考信号，属于阶跃信号，vr(k)为线性td输出的参考速度信号，ar(k)为线性td输出的参考加速度信号，另外，ar和br具体形式如下：
其中，当参数s满足
4.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，所述mpc为：
其中，m代表着预测时域长度，u*(k)为在k时刻通过优化求解算法得到的最优控制序列，ke(k)为终端线性反馈控制器表达式，κ(e(k))表示闭环系统稳定性。
5.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，所述操作s3中：
基于指定的阶跃速度信号，通过线性td得到合理的参考加速度信号以及参考速度信号，mpc根据线性td的输出进行优化问题的在线求解过程，得到每个时刻的最优控制量，并作用于实际系统中，使车辆纵向系统产生相应的动作，并不断重复该过程，能够使车辆对指定阶跃信号持续跟踪。
6.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，将mpc和td相结合，通过td来安排如阶跃信号这类不合理参考信号的过渡过程，保证mpc优化求解过程的顺利进行。
7.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，通过理论分析过程确定了td的参数s，在满足0≤s≤1/t范围内，能够保证td的收敛性。
8.根据权利要求1所述的一种无人驾驶汽车纵向控制方法，其中，通过理论分析过程确定了mpc的参数q、r和p的选取方法和规则，保证闭环系统的迭代可行性以及稳定性。
技术总结