CN103287406A - 一种基于精确惩罚优化的汽车自动制动装置 - Google Patents

Abstract

本发明公开了一种基于精确惩罚优化的汽车自动制动装置，由障碍物距离测量传感器、当前车速测量传感器、汽车中控MCU、制动器单元、紧急制动时的报警与状态显示设备构成，在中控MCU中输入对应于该车型的制动参数后，开启障碍物距离测量传感器和当前车速测量传感器实时测量前方障碍物距离和当前车速，当障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，中控MCU自动执行内部的精确惩罚优化算法，计算出最优制动力，并根据获得的最优制动力向制动器单元输出制动指令，使该汽车在接触障碍物之前停下来，并向驾驶员发出紧急制动报警信号；本发明避免驾驶过程中未能及时制动而导致的碰撞事故。

Description

一种基于精确惩罚优化的汽车自动制动装置

技术领域

本发明涉及汽车安全领域，主要是一种基于精确惩罚优化的汽车自动制动装置。在出现紧急状况时能使汽车自动减速或停止，同时使驾驶员获得最多的制动时间。

背景技术

汽车驾驶员在驾驶过程中，由于疲劳、接听电话、受其他事物吸引等原因，容易对突发性的紧急状况处理不及时，导致碰撞甚至酿成事故。

随着汽车科技的发展，人们对于更安全的用车要求变得日益强烈。目前国外例如英菲尼迪M系列、沃尔沃S60等一些高档次车型，已经开始配备自动制动控制装置，其原理各异。统计数据表明装备了汽车紧急自动制动（AutonomousEmergency Braking，简称AEB系统）系统的车型可以减少事故发生率达27%。面对激烈的国际竞争，国产车型同样需要开发自动制动技术和相关产品。

发明内容

为了避免汽车驾驶员在驾驶过程中未能及时制动而导致碰撞行人或障碍物、同时又保证驾驶员获得最多的制动时间/缓冲时间，本发明提供一种基于精确惩罚优化的汽车自动制动装置。

上述汽车制动过程问题可以描述为

$\min J\left[u\left(t\right)\right]={\∫}_0^{t_f}{u}^2\left(t\right)\mathrm{dt}$

$\begin{array}{cc}s.t.& \stackrel{\·}{s}\left(t\right)=v\left(t\right)\end{array}$

$\stackrel{\·}{v}\left(t\right)=u\left(t\right)$

s(t₀)=0

v(t₀)=v₀

s(t)≤s_f

v(t_f)=0

其中t表示时间，s(t)表示汽车行驶的距离，

表示s(t)的一阶导数，v(t)表示汽车的当前速度，表示v(t)的一阶导数，t₀表示汽车开始制动的时间点，v(t₀)为t₀时刻的速度，t_f表示汽车制动完成的时间点，在t_f时刻要求汽车停下来且行驶的距离不超过s_f，J[u(t)]表示问题的目标函数，由随时间变化的制动力u(t)决定。从该描述可以看出，汽车自动制动问题实际上是一个最优控制问题，求解得到的是制动力u(t)的最优值。但是约束s(t)≤s_f是无穷维约束，从数学上来说很难处理，这里采用精确惩罚函数将该问题转换为下面等价形式：

$\min J\left[u\left(t\right)\right]={\∫}_0^{t_f}{u}^2\left(t\right)\mathrm{dt}+\mathrm{\ρ}{\∫}_0^{t_f}\max \{s\left(t\right)-s_f,0\}\mathrm{dt}$

$\begin{array}{cc}s.t.& \stackrel{\·}{s}\left(t\right)=v\left(t\right)\end{array}$

$\stackrel{\·}{v}\left(t\right)=u\left(t\right)$

s(t₀)=0

v(t₀)=v₀

v(t_f)=0

其中ρ称为惩罚因子。在数学上已经证明：如果求解过程中将ρ的值不断增大，得到的解将与原问题的解精确相等，这种方法称为精确罚函数优化（ExactPenalty Optimization，简称EPO）法。

本发明解决其技术问题所采用的技术方案是：在汽车中控MCU中集成了精确惩罚优化算法，在需要紧急制动时由所述MCU自动输出制动指令给制动器单元，实现紧急减速或停车。所述MCU可以视为自动制动信号产生器，其完整系统如图2所示，包括障碍物距离测量传感器、当前车速测量传感器、汽车中控MCU、制动器单元、紧急制动警报与状态显示设备。所述系统内的各组成部分均由车内数据总线连接。由于不同汽车的制动性能不同，投入使用之前需要在所述MCU中输入对应于该车的制动参数。

所述系统的运行过程如下：

步骤A1：将所述系统安装在某型号车上，并在中控MCU中输入对应于该车的制动参数。例如该车行驶在60km/h的速度下最多能避免碰撞前方5m内的行人或障碍物，这里的60km/h、5m就是该车的一组制动参数，称5m是该车在60km/h车速下的建议制动距离。另外一个主要制动参数是该车的最大制动力；

步骤A2：该汽车在行驶过程中开启障碍物距离测量传感器，用于实时测量前方行人或障碍物距离；同时开启当前车速测量传感器，用于实时测量当前该汽车的行驶速度；

步骤A3：当障碍物距离测量传感器送入中控MCU的障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，中控MCU自动执行内部的精确惩罚优化算法，计算出最优制动力，并根据获得的最优制动力向制动器单元输出制动指令，使该汽车在接触障碍物之前停下来。中控MCU执行完精确惩罚优化算法的同时，向驾驶员发出紧急制动报警信号。

集成了精确惩罚优化算法的汽车中控MCU是本发明的核心，如图3所示，其内部包括信息采集模块、初始化模块、常微分方程组（Ordinary DifferentialEquation，简称ODE）求解模块、收敛性判断模块、ρ更新模块、非线性规划问题（Non-linear Programming，简称NLP）求解模块、控制指令输出模块。其中信息采集模块包括障碍物距离采集、当前车速采集、人为刹车动作采集三个子模块，NLP求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。

所述中控MCU自动产生制动信号的过程如下：

步骤B1：信息采集模块实时获取障碍物距离测量传感器、当前车速测量传感器送入中控MCU的当前值，并检测驾驶员是否有制动动作。当障碍物距离测量传感器测到的障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，执行从步骤B2开始的精确惩罚优化算法；

步骤B2：初始化模块开始运行，设置制动过程时间的分段数、惩罚因子初始值、制动力的初始猜测值u^(k)，设定精度要求tol，将迭代次数k置零；

步骤B3：通过ODE求解模块获取本次迭代的目标函数值J^(k)和约束函数值。当k=0时跳过步骤B4直接执行步骤B5；

步骤B4：如果J^(k)与上一次迭代的目标函数值J^(k-1)的绝对值之差小于精度要求tol，则判断收敛性满足，并将本次迭代的制动力作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤B5；

步骤B5：增大惩罚因子ρ，再用u^(k)的值覆盖u^(k-1)的值，并将迭代次数k增加1；

步骤B6：NLP求解模块利用在步骤B3中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比u^(k-1)更优的新制动力u^(k)。该步骤执行完成后再次跳转至步骤B3，直至收敛性判断模块满足为止。

所述的ODE正交配置模块，采用的方法为四步Adams方法，计算公式为：

$s\left(t_{i+1}\right)=s\left(t_i\right)+\frac{h}{24}[55v\left(t_i\right)-59v\left(t_{i-1}\right)+37v\left(t_{i-2}\right)-9v\left(t_{i-3}\right)]$

$v\left(t_{i+1}\right)=v\left(t_i\right)+\frac{h}{24}[55u\left(t_i\right)-59u\left(t_{i-1}\right)+37u\left(t_{i-2}\right)-9u\left(t_{i-3}\right)]$

其中t表示时间，t_i表示Adams方法选择的制动过程中某一时间点，t_i-1表示Adams方法选择的制动过程中t_i的前一时间点，t_i+1表示Adams方法选择的制动过程中t_i的后一时间点，以此类推。积分步长h为任意两相邻时间点之差。s(t_i)表示汽车在t_i时刻的行驶距离，v(t_i)表示汽车在t_i时刻的行驶速度，u(t_i)表示在t_i时刻的制动力。

所述的NLP求解模块，采用如下步骤实现：

步骤C1：将制动力u^(k-1)作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是J^(k-1)；

步骤C2：从点P₁出发，根据选用的NLP算法构造向量空间中的一个寻优方向d^(k-1)和步长α^(k-1)

步骤C3:通过式u^(k)=u^(k-1)+α^(k-1)d^(k-1)构造向量空间中对应u^(k)的另外一个点P₂，使得P₂对应的目标函数值J^(k)比J^(k-1)更优。

本发明的有益效果主要表现在：1、避免驾驶过程中未能及时制动而导致的碰撞事故；2、驾驶员可以获得最多的制动时间作为缓冲，避免出现急刹车的情况。

附图说明

图1是本发明的功能示意图；

图2是本发明的结构示意图；

图3是本发明中控MCU内部模块结构图；

图4是实施例1的自动制动信号图。

具体实施方式

实施例1

假设汽车在高速公路上行驶，车上的障碍物距离测量传感器以及当前车速测量传感器均已开启。在某时刻前方道路上突然出现障碍，且驾驶员由于疲劳驾驶并未意识到可能发生事故。

设当前车速测量传感器传入中控MCU的当前车速为80km/h，当前车速下的建议制动距离为18m，当障碍物距离测量传感器测到的障碍物距离等于或非常接近18m、且驾驶员没有任何制动动作时，中控MCU开始启动内部精确惩罚优化算法，并根据计算结果向制动器单元输出制动指令。

中控MCU中内部精确惩罚优化算法的执行过程如图3所示，为：

步骤D1：初始化模块32开始运行，设置制动过程时间的分段数为20、惩罚因子初始值为1、制动力的初始猜测值u^(k)为-0.5，设定数值计算的精度要求tol为0.01，将迭代次数k置零；

步骤D2：通过ODE求解模块33获取本次迭代的目标函数值J^(k)和约束函数值。当k=0时跳过步骤D3直接执行步骤D4；

步骤D3：如果J^(k)与上一次迭代的目标函数值J^(k-1)的绝对值之差小于精度要求0.01，则判断收敛性满足，并将本次迭代的制动力作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤D4；

步骤D4：将惩罚因子ρ的值增加10倍，再用u^(k)的值覆盖u^(k-1)的值，并将迭代次数k增加1；

步骤D5：NLP求解模块36利用在步骤D2中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比u^(k-1)更优的新制动力u^(k)。该步骤执行完成后再次跳转至步骤D2，直至收敛性判断模块34满足为止。

所述的ODE正交配置模块，采用的方法为四步Adams方法，计算公式为：

$s\left(t_{i+1}\right)=s\left(t_i\right)+\frac{h}{24}[55v\left(t_i\right)-59v\left(t_{i-1}\right)+37v\left(t_{i-2}\right)-9v\left(t_{i-3}\right)]$

$v\left(t_{i+1}\right)=v\left(t_i\right)+\frac{h}{24}[55u\left(t_i\right)-59u\left(t_{i-1}\right)+37u\left(t_{i-2}\right)-9u\left(t_{i-3}\right)]$

其中t表示时间，t_i表示Adams方法选择的制动过程中某一时间点，t_i-1表示Adams方法选择的制动过程中t_i的前一时间点，t_i+1表示Adams方法选择的制动过程中t_i的后一时间点，以此类推。积分步长取0.01已能满足精度要求。s(t_i)表示汽车在t_i时刻的行驶距离，v(t_i)表示汽车在t_i时刻的行驶速度，u(t_i)表示在t_i时刻的制动力。

所述的NLP求解模块，采用如下步骤实现：

步骤E1：将制动力u^(k-1)作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是J^(k-1)；

步骤E2：从点P₁出发，选用SQP算法构造向量空间中的一个寻优方向d^(k-1)和步长α^(k-1)

步骤E3:通过式u^(k)=u^(k-1)+α^(k-1)d^(k-1)构造向量空间中对应u^(k)的另外一个点P₂，使得P₂对应的目标函数值J^(k)比J^(k-1)更优。

以上步骤中t表示时间，s(t)表示汽车行驶的距离，v(t)表示汽车的当前速度，t₀表示汽车开始制动的时间点，v(t₀)为t₀时刻的速度，在这里为80km/h，t_f表示汽车制动完成的时间点，在t_f时刻要求汽车停下来且行驶的距离不超过建议制动距离18m。

精确惩罚优化算法的计算结果如图4所示。精确惩罚优化算法获得制动控制轨迹为最下方的细实线。坐标经过归一化处理，即：如果该车的最大制动力为4000N，则-1表示-4000N；同理，-0.75表示-4000N×0.75=-3000N。整条控制轨迹的值都不超过0，表明这是一条制动控制轨迹，而非加速控制轨迹。整条轨迹的值只在制动过程结束时才为0，表明尽量多的增加了制动时间，这在高速公路行驶时对驾驶员具有最大限度的保护作用，尽可能的增加了缓冲时间。

最后，中控MCU将获得的制动控制轨迹作为指令输出到制动器单元，完成机械上的制动操作，同时向驾驶员发出紧急制动报警信号。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (1)

1.一种基于精确惩罚优化的汽车自动制动装置，在出现紧急状况时能使汽车自动减速或停止，同时使驾驶员获得最多的制动时间。其特征在于：由车前方障碍物距离测量传感器、当前车速测量传感器、汽车中控MCU、制动器单元、紧急制动警报与状态显示设备构成，各组成部分均由车内数据总线连接。所述装置的运行过程包括：

步骤A1：在中控MCU中输入对应于该车的制动参数；

步骤A2：开启障碍物距离测量传感器和当前车速测量传感器用于实时测量前方障碍物距离和当前车速；

步骤A3：当障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，中控MCU自动执行内部的精确惩罚优化算法，计算出最优制动力，并根据获得的最优制动力向制动器单元输出制动指令，使该汽车在接触障碍物之前停下来；

步骤A4：中控MCU执行完精确惩罚优化算法的同时，向驾驶员发出紧急制动报警信号。

所述的汽车中控MCU部分，包括信息采集模块、初始化模块、常微分方程组（Ordinary differential equations，简称ODE）正交配置模块、非线性规划问题（Non-linear Programming，简称NLP）求解模块、控制指令输出模块。其中，信息采集模块包括障碍物距离采集、当前车速采集、人为刹车动作采集三个子模块；NLP求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。

所述的汽车中控MCU自动产生制动信号的精确惩罚优化算法运行步骤如下：

步骤B1：信息采集模块（31）实时获取障碍物距离测量传感器、当前车速测量传感器送入中控MCU的当前值，并检测驾驶员是否有制动动作。当障碍物距离测量传感器测到的障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，执行从步骤B2开始的精确惩罚优化算法；

步骤B2：初始化模块（32）开始运行，设置制动过程时间的分段数、惩罚因子初始值、制动力的初始猜测值u^(k)，设定精度要求tol，将迭代次数k置零；

步骤B3：通过ODE求解模块（33）获取本次迭代的目标函数值J^(k)和约束函数值。当k=0时跳过步骤B4直接执行步骤B5；

步骤B4：如果J^(k)与上一次迭代的目标函数值J^(k-1)的绝对值之差小于精度要求tol，则判断收敛性满足，并将本次迭代的制动力作为指令输出到制动器单元；如果收敛性不满足，则继续执行步骤B5；

步骤B5：增大惩罚因子ρ，再用u^(k)的值覆盖u^(k-1)的值，并将迭代次数k增加1；

步骤B6：NLP求解模块（36）利用在步骤B3中获得的目标函数值和约束函数值，通过计算寻优方向和寻优步长，获得比u^(k-1)更优的新制动力u^(k)。该步骤执行完成后再次跳转至步骤B3，直至收敛性判断模块（34）满足为止。

所述的ODE正交配置模块，采用的方法为四步Adams方法，计算公式为：

$s\left(t_{i+1}\right)=s\left(t_i\right)+\frac{h}{24}[55v\left(t_i\right)-59v\left(t_{i-1}\right)+37v\left(t_{i-2}\right)-9v\left(t_{i-3}\right)]$

$v\left(t_{i+1}\right)=v\left(t_i\right)+\frac{h}{24}[55u\left(t_i\right)-59u\left(t_{i-1}\right)+37u\left(t_{i-2}\right)-9u\left(t_{i-3}\right)]$

其中t表示时间，t_i表示Adams方法选择的制动过程中某一时间点，t_i-1表示Adams方法选择的制动过程中t_i的前一时间点，t_i+1表示Adams方法选择的制动过程中t_i的后一时间点，以此类推。积分步长h为任意两相邻时间点之差。s(t_i)表示汽车在t_i时刻的行驶距离，v(t_i)表示汽车在t_i时刻的行驶速度，u(t_i)表示在t_i时刻的制动力。

所述的NLP求解模块，采用如下步骤实现：

步骤C1：将制动力u^(k-1)作为向量空间中的某个点，记作P₁，P₁对应的目标函数值就是J^(k-1)；

步骤C2：从点P₁出发，根据选用的NLP算法构造向量空间中的一个寻优方向d^(k-1)和步长α^(k-1)

步骤C3:通过式u^(k)=u^(k-1)+α^(k-1)d^(k-1)构造向量空间中对应u^(k)的另外一个点P₂，使得P₂对应的目标函数值J^(k)比J^(k-1)更优。

Images