The safety requirements for vehicles are today high and they will become more stringent in the future. The car companies test their products every day to ensure that safety requirements are met. These tests are often done by professional drivers. If the car is tested in an everyday traffic situation, a normal experienced driver is desired. A drawback is that a human will eventually learn the manoeuvre he/she is told to do. An artificial driver is therefore to prefer to make the test repeatable. This thesis’ purpose is to develop and implement an artificial driver as a controller in order to follow a predefined trajectory. The driver model’s performance driving a double lane change manoeuvre should be as close to a real driver’s as possible. Data was gathered by inviting people to drive in a simulator. The results from the simulator tests were used to implement three different drivers with different experiences. The gathered data was used to categorize the test drivers into different driver types for each specific velocity by using the vehicle position from thetest results. This thesis studies the driver from a controller’s perspective and it resulted in two implemented controllers for reference tracking. The first approach was a Model Predictive Controller with reference tracking and the other approach was to use a FIR-filter in order to describe the drivers’ characteristics. A vehicle model was implemented in order to do the double lane change manoeuvre in a simulation environment together with the implemented driver model. The results show that the two approaches can be used for reference tracking. The MPC showed good results with the recreation of the test runs that were made by the categorized drivers. The FIR-filter had problems to mimic the drivers’ test runs and their characteristics. The advantage with MPC is its robustness, while the advantages with the FIR-filter are its, in comparison, simplicity in the implementation and the algorithm’s low computational cost. In order to make the FIR-filter more robust, some improvements have to be made. One improvement is to use gain scheduling in order to adjust the filter coefficients depending on thevelocity. / De säkerhetskraven som idag ställs på fordon är höga och det kommer bli mer strikt i framtiden. Bilföretag testar sina bilar varje dag för att se om komponenterna och bilen klarar säkerhetskraven som ställs. Till dessa tester används professionella testförare. I en vardaglig trafiksituation är det önskvärt att en normalt erfaren bilförare utför testen. En mänsklig förare kommer använda sin inlärningsförmåga vid repeterande manöver, vilket inte är önskvärt. En artificiell förare är därför att föredra. Den artificiella föraren ska köra så likt en verklig förare som möjligt vid en "double lane change"- (DLC) manöver. Detta examensarbete har som avsikt att implementera en förare som en regulator för att kunna följa en förutbestämd trajektoria på samma sätt som en verklig förare. I detta examensarbete har "DLC"-manövern studerats. I examensarbetet har insamlad data från testförare använts för att kunna implementera tre olika förartyper med olika erfarenheter. Den insamlade datan användes till att kategorisera testförarna för varje särskild hastighet. Två tillvägagångssätt har gjorts med föraren, en där föraren är en modellbaserad prediktionsregulator med referensignalsföljning (MPC) och en där föraren implementeras som ett ändligt impulssvarsfilter (FIR-filter). En fordonsmodell har implementerats för att en "DLC"-manöver ska kunna testas i en simuleringsmiljö. Resultaten blev att de två metoderna klarade av referensföljningen. MPC:n var bra på att återskapa testförararnas körningar. FIR-filtret hade problem med att härma förarnas körningar och deras karaktäristik. Fördelen med MPC är dessrobusthet och fördelen med FIR-filtret är dess, i jämförelse, simplicitet vid implementering samt den låga beräkningskostnaden för algoritmen. För att göra FIR-filtret mer robust måste förbättringar göras. En förbättring är att använda gain scheduling för att anpassa filterkoefficienterna beroende på hastigheten.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:liu-102048 |
Date | January 2013 |
Creators | Jansson, Andreas, Olsson, Erik |
Publisher | Linköpings universitet, Reglerteknik, Linköpings universitet, Tekniska högskolan, Linköpings universitet, Reglerteknik, Linköpings universitet, Tekniska högskolan |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | English |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.1429 seconds