(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210944153.6 (22)申请日 2022.08.05 (71)申请人 厦门金龙联合汽车工业有限公司 地址 361000 福建省厦门市集美区金 龙路9 号 (72)发明人 蒋金　王岱安　周伟　刘志军　 苏亮　宋光吉　 (74)专利代理 机构 泉州市博一专利事务所(普 通合伙) 35213 专利代理师 方传榜 (51)Int.Cl. G05D 1/02(2020.01) G06V 10/84(2022.01) G06V 10/80(2022.01) G06T 7/73(2017.01)G06T 7/246(2017.01) (54)发明名称 基于SLAM的模型 预测控制车辆编队技 术 (57)摘要 本发明公开了一种基于SLAM的模型预测控 制车辆编队技术， 涉及车辆编队技术领域， 其巧 妙地将无人驾驶技术、 SLAM技术和MPC算法融合 于车辆编队控制中， 参与编队的领航车采用SLA M 技术实现同步定位与地图创建， 跟随车基于领航 车的同步位置轨迹， 采用MPC算法进行轨迹跟踪， 实现全过程无人化的车辆编队， 由此克服了现有 编队技术基于高精度定位和多传感器道路检测 所存在的缺陷， 显著地提高了编队的智能化程 度、 稳定性、 适用性和安全性。 权利要求书2页 说明书6页 附图1页 CN 115237138 A 2022.10.25 CN 115237138 A 1.基于SLAM的模型 预测控制车辆编队技 术， 其特征在于： 包括如下步骤： S1、 无人驾驶的领航车从指定地点出发， 在行进过程中采用SLAM技术创建环境地图， 并 获取自身的轨 迹参数， 由此进行避障、 定位和路径规划； S2、 无人驾驶的跟随车获取领航车每一时刻的环境地图和轨迹参数， 并采用MPC算法进 行轨迹跟踪。 2.如权利要求1所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 所述步骤 S1包括如下子步骤： S11、 领航车通过传感器采集每个时刻的周围环境信息， 并对各传感器所采集到的周围 环境信息进行 预处理； S12、 对预处理后的周围环境信息进行前端处理， 由此得到领航车的当前位姿和环境地 图； S13、 对前端处 理得到的当前位姿 进行回环检测； S14、 对领航车的当前位姿 进行后端优化， 从而得到全局一 致的轨迹参数和环境 地图。 3.如权利要求2所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 在步骤 S11中， 预 处理的内容包括传感器数据的无效值去除、 序列检查、 点云遮挡点与平行点去除、 坐标系处 理和点云去畸变处 理。 4.如权利要求2所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 在步骤 S11中， 所述传感器包括激光雷达和相机； 所述 步骤S12包括如下子步骤： S121、 根据相机所采集的信息进行视 觉SLAM建图， 从而建立 三维局部环境 地图； S122、 根据激光雷达采集的信息进行激光SLAM建图， 从而建立激光局部地图； S123、 将三维局部环境 地图和激光局部地图进行实时融合处 理， 以得到全局栅格地图。 5.如权利要求4所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 采用贝叶 斯估计融合法对三维局部环境 地图和激光局部地图进行融合处 理。 6.如权利要求4所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 所述相机 为单目测距相机、 双目测距相机或深度相机 。 7.如权利要求2所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 在步骤 S13中， 所述闭环检测方法包括帧 ‑帧匹配法、 帧 ‑图匹配法和图 ‑图匹配法。 8.如权利要求2所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 在步骤 S14中， 后端优化采用贝叶斯滤波法或图优化法。 9.如权利 要求1所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 在步骤S2 中， 所述轨 迹参数包括领航车的位置航向角信息 跟随车运动学 方程为： 式中： (x,y)为跟随车的中心坐标； 为跟随车的航向角； δ为跟随车的前轮转角， v为车权　利　要　求　书 1/2 页 2 CN 115237138 A 2速， l为轴距。 10.如权利要求1所述的基于SLAM的模型预测控制车辆编队技术， 其特征在于： 在步骤 S2中， 所述MPC算法的目标函数为： 其中， Q,R为权 重矩阵， Np为预测时域， Nc为控制时域， ρ 为权 重系数， ε松弛因子 。权　利　要　求　书 2/2 页 3 CN 115237138 A 3