CN103754224B - 一种车辆多目标协调换道辅助自适应巡航控制方法 - Google Patents

Abstract

本发明涉及一种车辆多目标协调换道辅助自适应巡航控制方法，包括以下步骤：1）根据两前车跟踪性、多车运动安全性和纵向驾驶舒适性需求，设定LCACC综合性能指标，LCACC综合性能指标包括代价函数和I/O约束；①LCACC代价函数的设定：a）利用自车与两辆前车的车距误差和车速误差的二范数线性组合建立跟踪性代价函数；b）利用约束纵向加速度建立舒适性代价函数；②LCACC？I/O约束的设定：a）在跟踪性能方面，利用驾驶员实验数据统计得到用于限制车速误差和车距误差的驾驶员容许的跟车误差约束；b）在安全性能方面，从跟车和避撞的角度出发，约束自车与周边多车辆之间安全距离；c）在舒适性能方面，约束期望纵向加速度取值范围；2）建立多目标协调优化控制问题，采用滚动时域优化算法求解，得到最优控制量，实现优化控制。

Description

一种车辆多目标协调换道辅助自适应巡航控制方法

技术领域

本发明涉及一种车辆纵向动力学控制方法，特别是关于一种基于模型预测控制理论的车辆多目标协调换道辅助自适应巡航控制方法。

背景技术

作为驾驶辅助系统(DAS,DriverAssistanceSystems)的典型代表之一，自适应巡航控制系统(ACC,AdaptiveCruiseControlSystem)能够提升行驶安全、改善交通拥堵和缓解驾驶疲劳，已经得到研究机构和汽车企业的广泛认可与关注。但是现有ACC系统的研究主要基于直线行驶开展，在换道驾驶下，现有ACC系统表现出一定的局限性，甚至对车辆正常驾驶造成干扰。例如：在接近前车工况下，当驾驶员执行换道时，常规ACC系统无法识别换道意图，继续跟随原始车道前车行驶，从而对驾驶员的换道行为造成干扰，增加驾驶员对系统的干预频率。

换道过程存在自车与两辆前车之间的跟踪性、自车与周边多车辆之间的安全性和驾驶员纵向感受舒适性这三个方面的多目标协调优化问题，现有ACC无法满足这一需求，其中，跟踪性问题体现在：换道开始之前，常规ACC的跟车目标为原始车道前车；换道开始后，常规ACC仍以原始车道前车为唯一跟车目标，对驾驶员换道意图造成阻碍；跨道过程中，常规ACC突然改变跟车目标，不仅导致期望加速度发生突变，而且使驾驶员产生不舒适感；换道结束后，常规ACC由于较晚考虑与目标车道前车的跟车控制，需要较长时间调整与目标车道前车的跟车关系。安全性问题体现在：换道过程中，换道车辆本身的状态波动将对原始车道和目标车道的前车和后车造成一定干扰，有可能引发追尾事故。舒适性问题体现在：当ACC输出的加速度绝对值较大时，驾驶员会产生不舒适感。针对常规ACC阻碍换道的问题，已有学者提出为常规ACC系统增设自动换道功能，但是自动换道涉及横向动力学，需要对方向盘进行控制，与ACC的系统结构和控制算法差异较大；另外，自动换道仅仅是控制单车辆完成换道行为，缺乏考虑换道车辆与周边多车辆之间的运动协调，难以保障换道安全。

发明内容

针对上述问题，本发明的目的是提供一种能够实现换道过程中自车与两辆前车之间的跟踪性、自车与周边多车辆之间的安全性以及驾驶员纵向感受舒适性三个方面协调优化的车辆多目标协调换道辅助自适应巡航控制方法。

为实现上述目的，本发明采取以下技术方案：一种车辆多目标协调换道辅助自适应巡航控制方法，其包括以下步骤：1）建立自车动力学模型、旁车动力学模型以及驾驶员期望跟车模型；2）根据两前车跟踪性、多车运动安全性和纵向驾驶舒适性的需求目标，设定LCACC的综合性能指标，其中，LCACC的综合性能指标包括代价函数和I/O约束；①LCACC代价函数的设定：a）利用自车与两辆前车的车距误差和车速误差的二范数线性组合建立跟踪性代价函数；b）利用约束纵向加速度建立舒适性代价函数；②LCACCI/O约束的设定：a）在跟踪性能方面，利用驾驶员实验数据统计得到用于限制车速误差和车距误差的驾驶员容许的跟车误差约束；b）在安全性能方面，从跟车和避撞的角度出发，约束自车与周边多车辆之间的安全距离；c）在舒适性能方面，约束期望纵向加速度的取值范围；3）建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量，实现优化控制。

所述步骤3）建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量，包括以下步骤：①获得自车和周边车辆的运动状态信息，并将其发送到自车控制器；②利用线性加权和法将跟踪性代价函数和舒适性代价函数转化为整体代价函数：

L_index＝L_tra+L_com；

式中，L_tra表示跟踪性代价函，L_com表示舒适性代价函数；

③将所有I/O约束转化为与系统预测时域输入向量相关的约束条件；

A_UU≤b_U

式中，A_U为约束不等式的系数矩阵，U为系统预测时域输入向量，b_U为约束不等式的常数项矩阵；④结合LCACC代价函数和I/O约束的数学形式，建立多目标协调优化控制问题：

minL_index

Subj.to:

A_UU≤b_U

⑤采用约束管理法软化硬约束，选择Dantizig-wolfe有效集法，求解多目标协调优化控制问题，得到最优控制量为：

U＝argminL_index

Subj.to:

A_UU≤b_U

⑥提取最优控制量的首个元素U（0），将其输入自车的车辆模型中，得到期望的最优油门控制量和最优制动压力控制量并将其分别输入发动机电控ECU和电控辅助制动装置，实现对自车驱动和制动的优化控制。

跟踪性代价函数的表达式为：

$L_{\mathrm{tra}}=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{lo}}\left(k\right)L_{\mathrm{tralo}}(k+i+1|k)+\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{ld}}\left(k\right)L_{\mathrm{trald}}(k+i+1|k)$

L_tralo(k+i+1|k)＝w_ΔdΔd_loh(k+i+1|k)²+w_ΔvΔv_loh(k+i+1|k)²

L_trald(k+i+1|k)＝w_ΔdΔd_ldh(k+i+1|k)²+w_ΔvΔv_ldh(k+i+1|k)²

式中，L_tra表示跟踪性代价函数，k表示当前时刻，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，P表示预测时域；L_tralo表示基于原始车道前车的跟踪性代价函数，L_trald表示基于目标车道前车的跟踪性代价函数，λ_lo表示基于原始车道前车的跟车权重系数，λ_ld表示基于目标车道前车的跟车权重系数，Δd_loh表示基于原始车道前车的车距误差，Δd_ldh表示基于目标车道前车的车距误差，Δv_loh表示基于原始车道前车的车速误差，Δv_ldh表示基于目标车道前车的车速误差，w_Δd为Δd的权重系数，w_Δv为Δv的权重系数。

舒适性代价函数的表达式为：

$L_{\mathrm{com}}=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_u{a}_{\mathrm{xdes}}{(k+i+1|k)}^2$

式中，L_com表示舒适性代价函数，a_xdes表示期望纵向加速度，w_u为a_xdes的权重系数，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测。

跟踪性方面的I/O约束表达式为：

Δd_min≤Δd_loh(k+i|k)≤Δd_max

Δd_min≤Δd_ldh(k+i|k)≤Δd_max

Δv_min≤Δv_loh(k+i|k)≤Δv_max

Δv_min≤Δv_ldh(k+i|k)≤Δv_max

式中，(k+i|k)表示利用k时刻信息对k+i状态进行预测，d_min表示车距误差的最小值，d_max表示车距误差的最大值，v_min表示车速误差的最小值，v_max表示车速误差的最大值，Δd_loh表示基于原始车道前车的车距误差，Δd_ldh表示基于目标车道前车的车距误差，Δv_loh表示基于原始车道前车的车速误差，Δv_ldh表示基于目标车道前车的车速误差。

安全性方面的I/O约束的表达式为：

d_sloh(k+i+1|k)≥max(τ_THWlov_h(k+i+1|k),τ_TTClo(v_h(k+i+1|k)-v_lo(k+i+1|k)))

d_sldh(k+i+1|k)≥max(τ_THWldv_h(k+i+1|k),τ_TTCld(v_h(k+i+1|k)-v_ld(k+i+1|k)))

d_sroh(k+i+1|k)≥max(τ_THWrov_ro(k+i+1|k),τ_TTCro(v_ro(k+i+1|k)-v_h(k+i+1|k)))

d_srdh(k+i+1|k)≥max(τ_THWrdv_rd(k+i+1|k),τ_TTCrd(v_rd(k+i+1|k)-v_h(k+i+1|k)))

式中，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，d_sloh、d_sldh、d_sroh和d_srdh分别为自车与各车辆的安全跟车距离，τ_THWlo、τ_THWld、τ_THWro和τ_THWrd分别为基于各车辆的安全跟车时距，τ_TTClo、τ_TTCld、τ_TTCro和τ_TTCrd分别为基于各车辆的安全避撞时间，v_h、v_lo、v_ld、v_ro和v_rd分别为各车辆速度。

舒适性方面的I/O约束的表达式为：

u_min≤u(k+i+1|k)≤u_max

式中，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，u表示自车的纵向加速度，u_min表示加速度最小值，u_max表示加速度最大值。

本发明由于采取以上技术方案，其具有以下优点：1、本发明首先根据两前车跟踪性、多车运动安全性和纵向驾驶舒适性的需求目标，设定LCACC的综合性能指标，并建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量，实现自车优化控制，因此本发明通过建立多目标优化问题，很好解决了换道过程中两前车跟踪性、多车运动安全性和纵向驾驶舒适性三者之间的综合优化协调，有效保障自车换道安全，防止追尾事故的发生。2、本发明LCACC代价函数的设定首先利用自车与两辆前车的车距误差和车速误差的二范数线性组合建立跟踪性代价函数；然后利用约束纵向加速度建立舒适性代价函数，跟踪性代价函数用于实现换道过程中自车与原始车道前车、目标车道前车这两辆车之间的协调跟踪问题，通过提前优化期望纵向加速度，降低了换道后的跟车调整时间，通过设计双目标的连续切换方法，避免常规ACC中跟车目标突变引起的期望加速度突变。3、本发明LCACC的I/O约束的设定首先在跟踪性能方面，利用驾驶员实验数据统计得到用于限制车速误差和车距误差的驾驶员容许的跟车误差约束；其次在安全性能方面，从跟车和避撞的角度出发，约束自车与周边多车辆之间的安全距离；另外在舒适性能方面，约束期望纵向加速度的取值范围；因此跟踪性I/O约束保证了车距误差和车速误差在驾驶员期望误差范围以内，符合驾驶员跟车期望；安全性I/O约束，使得自车与周边多车辆之间的车距尽量保持在安全跟车范围以内，提升了驾驶安全性；舒适性I/O约束，通过约束期望纵向加速度的变化量和取值范围，保证加速和制动强度，使得自车纵向运动过程符合驾驶员纵向舒适性要求。本发明可以广泛应用于车辆换的换道过程中。

附图说明

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

图1是本发明的控制原理示意图；；

图2是本发明的加速度示意图，黑色实线为LCACC控制效果，灰色虚线为常规ACC控制效果，其中，横坐标为时间，单位为s，纵坐标为加速度，单位为m/s²；

图3是本发明的速度示意图，黑色实线为LCACC控制效果，灰色虚线为常规ACC控制效果，黑色点线为原始车道前车速度，黑色点划线为目标车道前车速度，其中，横坐标为时间，单位为s，纵坐标为速度，单位为km/h；

图4是本发明自车与原始车道前车的跟车效果相位图，黑色实线为LCACC控制效果，灰色虚线为常规ACC控制效果，其中，横坐标为相对速度，单位为m/s，纵坐标为车间间距，单位为m；

图5是本发明自车与目标车道前车的跟车效果相位图，黑色实线为LCACC控制效果，灰色虚线为常规ACC控制效果，其中，横坐标为相对速度，单位为m/s，纵坐标为车间间距，单位为m；

图6是本发明自车与原始车道后车的车间距离示意图，黑色实线为LCACC控制效果，灰色虚线为常规ACC控制效果，黑色点划线为安全车间距离，其中，横坐标为时间，单位为s，纵坐标为车间距离，单位为m；

图7是本发明自车与目标车道后车的车间距离示意图，黑色实线为LCACC控制效果，灰色虚线为常规ACC控制效果，黑色点划线为安全车间距离，其中，横坐标为时间，单位为s，纵坐标为车间距离，单位为m。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明以模型预测控制(MPC,ModelPredictiveControl)理论为基础，提出一种车辆多目标协调换道辅助自适应巡航控制方法（(LCACC,AdaptiveCruiseControlwithLaneChangeAssist），该方法以换道车辆的纵向动力学模型为控制对象，通过周边多车辆信息和驾驶员期望跟车模型，对未来时刻的自车状态、周边多车辆状态和驾驶员期望跟车状态进行预测，结合自车状态和周边多车辆状态调节跟车权重系数，建立兼顾跟踪性、安全性和舒适性的综合性能指标，以滚动时域优化算法求解最优控制量，包括以下步骤：

1、控制对象建模，在LCACC系统中，控制对象建模主要涉及三个方面：自车动力学模型、旁车动力学模型以及驾驶员期望跟车模型。

1）根据车辆对象纵向动力学和运动学分析建立自车动力学模型

建立自车动力学模型以一阶惯性迟滞传递函数描述实际纵向加速度与期望纵向加速度之间的数学关系：

$a_x=\frac{K_g}{T_{g}s+1}{a}_{\mathrm{xdes}}---\left(1\right)$

式中，a_x为实际纵向加速度，K_g为函数增益，T_gs为时间常数。

结合自车的纵向运动学特性，建立自车的纵向动力学模型为：

${\stackrel{\·}{x}}_h=A_{\mathrm{cont}}{x}_h+B_{\mathrm{cont}}u---\left(2\right)$

$A_{\mathrm{cont}}=\left[\begin{array}{ccc}0& 1& T\\ 0& 0& 1\\ 0& 0& -1/T_g\end{array}\right],B_{\mathrm{cont}}=\left[\begin{array}{c}0\\ 0\\ K_g/T_g\end{array}\right]$

式中，x_h=[s_hv_ha_h]^T表示状态变量，s_h、v_h和a_h分别表示自车纵向位置、纵向速度和纵向加速度，u=a_xdes为输入量，A_cont和B_cont分别为状态变量和输入量的系数矩阵。

2）旁车动力学模型的建立中，为简化起见，假设其在预测时域内以当前纵向加速度保持匀加速行驶，通过运动学求解其纵向运动状态。

3）驾驶员期望跟车模型的建立时选择线性跟车模型：

d_des＝τ·v_h+d_safe(3)

式中，d_des表示驾驶员期望跟车距离，τ表示期望跟车时距，d_safe表示安全停车距离。

2、根据车辆多目标协调换道辅助自适应巡航控制的两前车跟踪性、多车运动安全性和纵向驾驶舒适性的需求目标，设定LCACC的综合性能指标，其中，LCACC的综合性能指标包括代价函数和I/O约束；

1）LCACC的代价函数设定包括以下内容：

①利用自车与两辆前车的车距误差和车速误差的二范数线性组合建立跟踪性代价函数，保证跟车误差收敛以及跟车目标连续切换，其中，两辆前车分别是指自车所在车道的前方车辆和自车换道目标车道的前方车辆。

本发明的跟踪性代价函数以自车与两辆前车的车距误差和车速误差的二范数线性组合为评价标准，建立其离散型二次型跟踪性代价函数为：

$L_{\mathrm{tra}}=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{lo}}\left(k\right)L_{\mathrm{tralo}}(k+i+1|k)+\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{ld}}\left(k\right)L_{\mathrm{trald}}(k+i+1|k)$

L_tralo(k+i+1|k)＝w_ΔdΔd_loh(k+i+1|k)²+w_ΔvΔv_loh(k+i+1|k)²(4)

L_trald(k+i+1|k)＝w_ΔdΔd_ldh(k+i+1|k)²+w_ΔvΔv_ldh(k+i+1|k)²

式中，k表示当前时刻，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，P表示预测时域，L_tra表示跟踪性代价函数，L_tralo表示基于原始车道前车的跟踪性代价函数，L_trald表示基于目标车道前车的跟踪性代价函数，λ_lo表示基于原始车道前车的跟车权重系数，λ_ld表示基于目标车道前车的跟车权重系数，Δd_loh表示基于原始车道前车的车距误差，Δd_ldh表示基于目标车道前车的车距误差，Δv_loh表示基于原始车道前车的车速误差，Δv_ldh表示基于目标车道前车的车速误差，w_Δd为Δd的权重系数，w_Δv为Δv的权重系数。

②利用约束纵向加速度建立舒适性代价函数，使得自车纵向运动符合驾驶员舒适性要求；

本发明的舒适性能指标以约束纵向加速度来体现，建立其离散型二次型舒适性代价函数为：

$L_{\mathrm{com}}=\underset{i=1}{\overset{P}{\mathrm{\Σ}}}{w}_u{a}_{\mathrm{xdes}}{(k+i+1|k)}^2---\left(5\right)$

式中，L_com表示舒适性代价函数，a_xdes表示期望纵向加速度，w_u为a_xdes的权重系数。

2）LCACC的I/O约束设定包括以下内容：

①在跟踪性能方面，利用驾驶员容许的跟踪性能指标限制车速误差和车距误差范围，避免过大车距引起旁车切入，或者过小车距引起车间追尾；本发明利用驾驶员实验数据统计得到用于限制车速误差和车距误差的驾驶员容许的跟车误差约束，其数学表达形式为：

Δd_min≤Δd_loh(k+i|k)≤Δd_max

Δd_min≤Δd_ldh(k+i|k)≤Δd_max(6)

Δv_min≤Δv_loh(k+i|k)≤Δv_max

Δv_min≤Δv_ldh(k+i|k)≤Δv_max

式中，k+i|k表示利用k时刻信息对k+i状态进行预测，d_min表示车距误差的最小值，d_max表示车距误差的最大值，v_min表示车速误差的最小值，v_max表示车速误差的最大值，可以由驾驶员跟车过程的试验数据辨识得到。

②在安全性能方面，通过约束自车与周边多车辆之间的安全跟车距离，保证跟车安全；自车周边多车辆主要是指自车所在车道的前方车辆信息（原始车道前车）、自车所在车道的后方车辆信息（原始车道后车）、自车换道目标车道的前方车辆信息（目标车道前车）、自车换道目标车道的后方车辆信息（目标车道车）。

本发明从跟车和避撞的角度出发，约束自车与周边多车辆之间的安全距离，其数学表达形式为：

d_sloh(k+i+1|k)≥max(τ_THWlov_h(k+i+1|k),τ_TTClo(v_h(k+i+1|k)-v_lo(k+i+1|k)))

d_sldh(k+i+1|k)≥max(τ_THWldv_h(k+i+1|k),τ_TTCld(v_h(k+i+1|k)-v_ld(k+i+1|k)))(7)

d_sroh(k+i+1|k)≥max(τ_THWrov_ro(k+i+1|k),τ_TTCro(v_ro(k+i+1|k)-v_h(k+i+1|k)))

d_srdh(k+i+1|k)≥max(τ_THWrdv_rd(k+i+1|k),τ_TTCrd(v_rd(k+i+1|k)-v_h(k+i+1|k)))

式中，d_sloh、d_sldh、d_sroh和d_srdh分别为自车与各车辆的安全跟车距离，τ_THWlo、τ_THWld、τ_THWro和τ_THWrd分别为基于各车辆的安全跟车时距，τ_TTClo、τ_TTCld、τ_TTCro和τ_TTCrd分别为基于各车辆的安全避撞时间，v_h、v_lo、v_ld、v_ro和v_rd分别为各车辆速度。

③在舒适性能方面，通过约束期望纵向加速度的取值范围，保证纵向乘坐舒适性，其数学表达形式为：

u_min≤u(k+i+1|k)≤u_max(8)

式中，u表示自车的纵向加速度，u_min表示加速度最小值。u_max表示加速度最大值。

3、建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量实现优化控制，具体包括以下步骤：

1）通过现有有关设备获得自车和周边多车辆的运动状态信息，并将其发送到自车控制器；自车运动状态信息包括自车的纵向位置、纵向速度、节气门开度、制动主缸压力、方向盘转角和横向位置，自车运动状态信息包括周边多车辆的纵向位置、纵向速度、纵向加速度和横向位置；

2）利用线性加权和法将跟踪性代价函数和舒适性代价函数转化为整体代价函数；

L_index＝L_tra+L_com(9)

式中，L_index为整体代价函数。

3）将所有I/O约束转化为与系统预测时域输入向量相关的约束条件；

A_UU≤b_U(10)

式中，A_U为约束不等式的系数矩阵，U为系统预测时域输入向量，b_U为约束不等式的常数项矩阵。

4）结合代价函数和I/O约束的数学形式，建立多目标协调优化控制问题：

minL_index

Subj.to:(11)

A_UU≤b_U

5）采用约束管理法软化硬约束，选择Dantizig-wolfe有效集法，求解多目标协调优化控制问题，得到最优控制量为：

U＝argminL_index

Subj.to:(12)

A_UU≤b_U

6）提取最优控制量的首个元素U（0），将其输入自车的车辆动力学模型中，得到期望的最优油门控制量和最优制动压力控制量输入发动机电控ECU和电控辅助制动装置，从而对自车的驱动和制动进行控制。

如图1所示，下面将以动态驾驶模拟仪为实验平台，以某轿车为实验对象，详细说明本发明的车辆多目标协调换道辅助自适应巡航控制方法的巡航控制过程，以及对该方法的正确性和有效性进行论证。本实施例选用轿车的主要整车参数如表1所示：

表1实验轿车的主要整车参数

1、控制对象建模，本实施例中，根据公式（1）～（3）分别建立自车动力学模型、旁车动力学模型以及驾驶员期望跟车模型。

2、LCACC的代价函数设定

本实施例中，LCACC的代价函数设定采用公式（4）和公式（5），其中在参数取值时，采用模糊逻辑方法，根据自车横向位置调节跟车权重系数，其余参数的设计如表2所示：

表2代价函数的参数设计

3、LCACC的I/O约束设设定

本实施例中I/O约束设计在跟踪性能方面采用公式（6）、在安全性能方面采用公式（7）、在舒适性能方面采用公式（8），I/O约束中各公式的参数如表3所示。

表3约束条件的参数设计

4、建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量，该控制量即为换道车辆的期望纵向加速度。

LCACC控制律滚动时域具体求解过程采用公式（9）到公式（12）。如图2～图7所示，是本实施例以动态驾驶模拟仪为实验平台，以某轿车为实验对象，对LCACC控制进行仿真的效果图。为说明本实施例的控制效果，采用常规ACC为对比控制器。该工况中，实验开始时，自车以90km/h的速度巡航行驶，原始车道前车在自车前方35m处，目标车道前车在自车前方1m处，两车速度均为80km/h，两辆后车在自车后方40m处，速度与自车保持一致。从第60s开始，原始车道前车速度保持不变，目标车道前车速度变为85km/h，原始车道后车速度变为70km/h，目标车道后车速度变为75km/h。从第70s开始，原始车道前车以-1.5m/s2的减速度制动，制动时间持续10s，之后匀速行驶，其它车辆速度保持不变。该工况下，当前车开始制动时，驾驶员执行换道，截取换道前10s至换道后20s的实验数据进行分析。

如图2所示，其中，黑色实线为LCACC的控制效果，灰色虚线为常规ACC的控制效果，由图2可见，LCACC能够及时调整自车加速度，降低原始车道前车的制动影响，其调整时刻比常规ACC提前1.5s。同时，LCACC控制器对应的车辆制动减速度最大值小于常规ACC控制器的相应数值。如图3所示，其中，黑色实线为LCACC的控制效果，灰色虚线为常规ACC的控制效果，黑色点线为原始车道前车速度，黑色点划线为目标车道前车，由图3可见，LCACC控制器下车辆速度的最小值为58km/h，而常规ACC控制器下车辆速度的最小值为55km/h，因此LCACC控制器下车辆速度受原始车道前车制动的影响较小。如图4和图5所示，其中，黑色实线为LCACC的控制效果，灰色虚线为常规ACC的控制效果，由两图可以看到，LCACC控制器下自车与两辆前车的跟踪误差更加收敛。如图6和图7所示，其中，黑色实线为LCACC的控制效果，灰色虚线为常规ACC的控制效果，黑色点划线为安全车间距离，由两图可以看到，LCACC控制器下自车与两辆后车的车间距离均大于安全跟车距离，而常规ACC控制器下自车与目标车道后车的车距小于安全跟车距离。综上所述，LCACC控制器能够及时响应驾驶员意图，尽快调整自车速度，缩短自车受原始车道前车状态的影响时间，使得自车能够尽快跟踪目标车道前车，同时保障自车与其后方车辆的安全跟车关系。

上述各实施例仅用于说明本发明，其中方法的各实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (8)

1.一种车辆多目标协调换道辅助自适应巡航控制方法，其包括以下步骤：

1)建立自车动力学模型、旁车动力学模型以及驾驶员期望跟车模型，其中，旁车指的是自车所在的原始车道前车和后车以及目标车道的前车和后车；

2)根据两前车跟踪性、多车运动安全性和纵向驾驶舒适性的需求目标，设定LCACC的综合性能指标，两前车指的原始车道前车和目标车道前车，LCACC表示换道辅助自适应巡航控制；其中，LCACC的综合性能指标包括代价函数和I/O约束；

①LCACC代价函数的设定：a)利用自车与两前车的车距误差和车速误差的二范数线性组合建立跟踪性代价函数，两前车指的是原始车道前车和目标车道前车；b)利用约束纵向加速度建立舒适性代价函数；

②LCACCI/O约束的设定：a)在跟踪性能方面，利用驾驶员实验数据统计得到用于限制车速误差和车距误差的驾驶员容许的跟车误差约束；b)在安全性能方面，从跟车和避撞的角度出发，约束自车与周边多车辆之间的安全距离，其中，周边多车辆指的是原始车道前车和后车以及目标车道的前车和后车；c)在舒适性能方面，约束期望纵向加速度的取值范围；

3)建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量，实现优化控制。

2.如权利要求1所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：所述步骤3)建立多目标协调优化控制问题，采用滚动时域优化算法求解多目标协调优化控制问题，得到最优控制量，包括以下步骤：

①获得自车和周边车辆的运动状态信息，并将其发送到自车控制器；

②利用线性加权和法将跟踪性代价函数和舒适性代价函数转化为整体代价函数：

L_index＝L_tra+L_com；

式中，L_tra表示跟踪性代价函，L_com表示舒适性代价函数；

③将所有I/O约束转化为与系统预测时域输入向量相关的约束条件；

A_UU≤b_U

式中，A_U为约束不等式的系数矩阵，U为系统预测时域输入向量，b_U为约束不等式的常数项矩阵；

④结合LCACC代价函数和I/O约束的数学形式，建立多目标协调优化控制问题：

minL_index

Subj.to:

A_UU≤b_U

⑤采用约束管理法软化硬约束，选择Dantizig-wolfe有效集法，求解多目标协调优化控制问题，得到最优控制量为：

U＝argminL_index

Subj.to:

A_UU≤b_U

⑥提取最优控制量的首个元素U(0)，将其输入自车的车辆模型中，得到期望的最优油门控制量和最优制动压力控制量并将其分别输入发动机电控ECU和电控辅助制动装置，实现对自车驱动和制动的优化控制。

3.如权利要求1所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：跟踪性代价函数的表达式为：

$L_{tra}=\underset{i=1}{\overset{P}{\Σ}}{\mathrm{\λ}}_{lo}\left(k\right)L_{tralo}(k+i+1|k)+\underset{i=1}{\overset{P}{\Σ}}{\mathrm{\λ}}_{ld}\left(k\right)L_{trald}(k+i+1|k)$

L_tralo(k+i+1|k)＝w_ΔdΔd_loh(k+i+1|k)²+w_ΔvΔv_loh(k+i+1|k)²

L_trald(k+i+1|k)＝w_ΔdΔd_ldh(k+i+1|k)²+w_ΔvΔv_ldh(k+i+1|k)²

式中，L_tra表示跟踪性代价函数，k表示当前时刻，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，P表示预测时域；L_tralo表示基于原始车道前车的跟踪性代价函数，L_trald表示基于目标车道前车的跟踪性代价函数，λ_lo表示基于原始车道前车的跟车权重系数，λ_ld表示基于目标车道前车的跟车权重系数，Δd_loh表示基于原始车道前车的车距误差，Δd_ldh表示基于目标车道前车的车距误差，Δv_loh表示基于原始车道前车的车速误差，Δv_ldh表示基于目标车道前车的车速误差，w_Δd为Δd的权重系数，w_Δv为Δv的权重系数。

4.如权利要求2所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：跟踪性代价函数的表达式为：

$L_{tra}=\underset{i=1}{\overset{P}{\Σ}}{\mathrm{\λ}}_{lo}\left(k\right)L_{tralo}(k+i+1|k)+\underset{i=1}{\overset{P}{\Σ}}{\mathrm{\λ}}_{ld}\left(k\right)L_{trald}(k+i+1|k)$

L_tralo(k+i+1|k)＝w_ΔdΔd_loh(k+i+1|k)²+w_ΔvΔv_loh(k+i+1|k)²

L_trald(k+i+1|k)＝w_ΔdΔd_ldh(k+i+1|k)²+w_ΔvΔv_ldh(k+i+1|k)²

式中，L_tra表示跟踪性代价函数，k表示当前时刻，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，P表示预测时域；L_tralo表示基于原始车道前车的跟踪性代价函数，L_trald表示基于目标车道前车的跟踪性代价函数，λ_lo表示基于原始车道前车的跟车权重系数，λ_ld表示基于目标车道前车的跟车权重系数，Δd_loh表示基于原始车道前车的车距误差，Δd_ldh表示基于目标车道前车的车距误差，Δv_loh表示基于原始车道前车的车速误差，Δv_ldh表示基于目标车道前车的车速误差，w_Δd为Δd的权重系数，w_Δv为Δv的权重系数。

5.如权利要求1或2或3或4所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：舒适性代价函数的表达式为：

$L_{com}=\underset{i=1}{\overset{P}{\Σ}}{w}_u{a}_{xdes}{(k+i+1|k)}^2$

式中，L_com表示舒适性代价函数，a_xdes表示期望纵向加速度，w_u为a_xdes的权重系数，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测。

6.如权利要求1或2或3或4所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：跟踪性方面的I/O约束表达式为：

Δd_min≤Δd_loh(k+i|k)≤Δd_max

Δd_min≤Δd_ldh(k+i|k)≤Δd_max

Δv_min≤Δv_loh(k+i|k)≤Δv_max

Δv_min≤Δv_ldh(k+i|k)≤Δv_max

式中，(k+i|k)表示利用k时刻信息对k+i状态进行预测，d_min表示车距误差的最小值，d_max表示车距误差的最大值，v_min表示车速误差的最小值，v_max表示车速误差的最大值，Δd_loh表示基于原始车道前车的车距误差，Δd_ldh表示基于目标车道前车的车距误差，Δv_loh表示基于原始车道前车的车速误差，Δv_ldh表示基于目标车道前车的车速误差。

7.如权利要求1或2或3或4所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：安全性方面的I/O约束的表达式为：

d_sloh(k+i+1|k)≥max(τ_THWlov_h(k+i+1|k),τ_TTClo(v_h(k+i+1|k)-v_lo(k+i+1|k)))

d_sldh(k+i+1|k)≥max(τ_THWldv_h(k+i+1|k),τ_TTCld(v_h(k+i+1|k)-v_ld(k+i+1|k)))

d_sroh(k+i+1|k)≥max(τ_THWrov_ro(k+i+1|k),τ_TTCro(v_ro(k+i+1|k)-v_h(k+i+1|k)))

d_srdh(k+i+1|k)≥max(τ_THWrdv_rd(k+i+1|k),τ_TTCrd(v_rd(k+i+1|k)-v_h(k+i+1|k)))

式中，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，d_sloh、d_sldh、d_sroh和d_srdh分别为自车与各车辆的安全跟车距离，τ_THWlo、τ_THWld、τ_THWro和τ_THWrd分别为基于各车辆的安全跟车时距，τ_TTClo、τ_TTCld、τ_TTCro和τ_TTCrd分别为基于各车辆的安全避撞时间，v_h、v_lo、v_ld、v_ro和v_rd分别为自车及各车辆速度，其中，各车辆均指原始车道前车和后车以及目标车道的前车和后车。

8.如权利要求1或2或3或4所述的一种车辆多目标协调换道辅助自适应巡航控制方法，其特征在于：舒适性方面的I/O约束的表达式为：

u_min≤u(k+i+1|k)≤u_max

式中，(k+i+1|k)表示利用k时刻信息对k+i+1状态进行预测，u表示自车的纵向加速度，u_min表示加速度最小值，u_max表示加速度最大值。