CN106019938B - 基于数据驱动的acc系统离散二阶滑模控制系统的控制方法 - Google Patents

Abstract

基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法涉及混合动力汽车自适应巡航系统的控制技术领域，该方法利用子空间辨识的方法建立基于输入输出数据的ACC模型，并通过观测器和增广最小二乘的方法对模型中的参数进行辨识，最后采用自适应离散二阶滑模的车距跟随控制方法实现车辆的自适应巡航。本发明中由于子空间辨识的方法实时跟进车辆状态的变化，不断调整自身的模型参数，操作中对非线性不确定项进行拆分处理，减少了建模过程中外界干扰的影响，因此可以显著提高车辆的建模精度，自适应离散二阶滑模的应用有效改善了传统离散滑模的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。

Description

基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法

技术领域

本发明涉及混合动力汽车自适应巡航系统的控制技术领域，具体涉及一种基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法。

背景技术

在国内外汽车使用数量攀升的背景下，由于驾驶员操作不当而引发的交通事故、安全隐患及道路堵塞等问题逐渐增多，通过正确处理驾驶员与运行环境之间的高效互联可以从根本上减少上述事故的发生。为了有效解决因驾驶员判断失误和非正确操作而造成的交通事故，汽车行业加大了对具有主动安全的驾驶辅助系统(ADAS)的研发力度，其中汽车自适应巡航(Adaptive Cruise Control，ACC)系统以其在保证驾驶安全和乘坐舒适性方面的优越性能而得到普遍关注。目前ACC系统按照控制方式可分为定速巡航控制系统、自适应巡航控制系统、配备走-停功能的ACC系统三种类别，三种系统都可以有效提升汽车行驶过程中的安全性能、舒适性能及燃油消耗性能。

自适应巡航控制系统可以从环境感知模块中获取前车的行驶信息，从而可以实现对本车行驶策略的实时调整，确保了车辆在安全距离范围内跟随目标车辆，显著缓解驾驶员的驱车操作负担。由于自适应巡航控制系统需要实时采集前方道路的环境信息，因此当遇到突发事件时电子控制单元具有更加优越的反应性能，该系统可以及时有效的对本车进行制动，因此可以明显缩短车辆的刹车距离，提高了车辆的行车安全性能。在解决道路交通堵塞方面，自适应巡航控制系统可以与驾驶者进行有效的人机交互，并根据当前交通流量的密集程度设定合理的车间时距，控制好车流中各车之间的距离，显著提升道路的使用效率，缓解由于行车间距不均而造成的交通拥堵。

目前的自适应巡航控制系统多是基于理想状态下的汽车纵向动力学模型建立相应的控制策略，其控制效果在很大程度上依赖于被控对象数学模型的精确程度，但实际上汽车动力学模型具有强非线性、时变、大滞后和强干扰的特点，很难建立精确的数学模型，且车辆在使用的过程中汽车自身各机构的物理参数随着运行工况、行驶环境和使用年限的不同会发生相应变化，因此采用基于传统汽车纵向动力学建模方式设计的自适应巡航控制系统无法保证在全运行工况和全生命周期内达到最优的跟随、舒适及安全性能，尤其在一些极限工况下，甚至会引发整车控制器故障，这就为行车的安全性造成隐患。

自适应巡航控制系统在设计的过程中，被控对象数学模型的精确程度直接关系到系统的控制效果。传统的汽车动力学模型是通过各部件之间的物理关系进行建模，但由于工艺机理的高度复杂和各子系统之间的动力学强耦合特点，很难通过物理学的基本定律得到高精度的机理模型，或者得到的模型太复杂阶次太高，不利于控制系统的分析与设计。在此基础上发展起来的基于神经网络的车辆动力学建模方法在一定程度上减少了车辆动力学建模的困难，但同时神经网络在应用的过程中存在着收敛速度慢、局部最小化以及网络结构选择困难的缺点，因此仍不能满足汽车动力学建模的实际要求。

子空间模型辨识是直接通过对输入输出数据辨识得出系统线性状态空间模型，由于以线性代数作为工具使得该方法简单易于实现，在使用过程中不需要进行参数化，省去逐步迭代的优化方式，不必考虑预测误差法中存在一些约束条件、非线性寻优约束等，大大简化计算过程，且对于多个变量的系统也可以有效的估算出系统的状态空间模型，减少对被控对象机理模型的依赖，显著提高了车辆自适应巡航系统的控制能力，鉴于上述的优点本发明中利用子空间辨识的方法建立出基于数据驱动的ACC模型。

滑模控制对系统不确定性方面具有良好的鲁棒性能，同时该算法具有响应迅速、无需在线识别、对参数变化及扰动不敏感等优点。随着控制科学与理论的不断趋向成熟，滑模控制逐渐受到国内外研究专家的重视，由于计算机不能对连续时间的信号进行处理，由此产生离散二阶滑模控制，该方式将不连续的控制作用在滑模变量的二阶微分上，在保留了传统滑模控制的优势的同时削弱了抖振问题，因此本发明中采用自适应离散二阶滑模的车距跟随控制方法实现车辆的自适应巡航。

发明内容

为了解决基于传统车辆动力学模型设计的自适应巡航控制系统存在的在实际使用过程中由于机械部件老化而造成物理特性变化，以及在复杂行驶工况的环境下由不确定性等因素引发的模型失配，使得车辆驾驶过程中存在稳定性、安全性及舒适性变差的技术问题，本发明提供一种基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，其提高了控制器的抗干扰能力以及不确定性情况下巡航系统的跟随精度，有效改善了传统离散滑模的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。

本发明解决技术问题所采取的技术方案如下：

基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，所述控制系统包括车距计算模块、子空间模型辨识模块、离散二阶滑模控制器、人机交互界面和环境感知模块；车距计算模块的输入为人机交互界面提供的预设停车距离、环境感知模块检测到的前车速度和前车距离以及整车测得的本车实际车速，车距计算模块通过车间时距的方法计算出当前时刻与前车的实际车距和理想的期望车距，并通过对实际车距和理想的期望车距做差求出当前时刻的车距误差；子空间模型辨识模块的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器提供的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块首先通过子空间辨识的方法建立出基于数据驱动的ACC模型，然后通过最小二乘的方法对模型中的参数进行辨识；离散二阶滑模控制器的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、子空间模型辨识模块辨识出当前时刻的车辆模型、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，通过自适应离散二阶滑模的方法计算出下一时刻的整车需求转矩；

所述控制方法包括如下步骤：

步骤一、车距计算模块根据人机交互界面上驾驶员设定的停车距离、环境感知模块获取的前车与本车的实际车距以及本车的实际车速，通过车间时距的方法计算出当前时刻本车与前车之间理想的期望车距，并将实际车距与理想的期望车距做差得到当前时刻的车距误差，通过多次测量的结果获得车距误差的时间序列，并将车距误差的时间序列存储在存储器中，通过多次测量离散二阶滑模控制器模块的输出转矩，得到转矩的时间序列，并将转矩的时间序列存储在存储器中，车距误差的时间序列和转矩的时间序列各自的调用长度根据车辆的实际运行情况选取；

步骤二、子空间模型辨识模块将步骤一中得到的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器模块得到的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩作为输入，通过子空间辨识的方法建立出基于输入输出数据的ACC模型，然后通过观测器和增广最小二乘的方法辨识出模型中的参数；

步骤三、离散二阶滑模控制器将步骤一中得到的当前时刻的车距误差、过去一段时刻的车距误差、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩以及步骤二中建立的ACC模型的输出作为输入，采用自适应离散二阶滑模的车距跟随控制方法求出下一时刻的整车需求转矩，进而完成基于数据驱动的ACC系统离散二阶滑模控制方法。

本发明的有益效果如下：

1)本发明通过子空间辨识的方法将输入数据进行辨识建立出基于数据驱动的ACC模型，通过子空间辨识方法建立的整车模型有效解决了由于汽车动力学存在强非线性、时变、大滞后、强干扰特性而造成的建模精度不高问题，该方法通过对当前时刻和过去时刻输入值的实时辨识，可以解决车辆在复杂工况和变化环境中随时间增加而造成的由于机构物理参数变化而引发的模型失配问题。尤其在极限工况下，系统中存在诸多不确定因素，因此难以获得与真车相匹配的高精度模型，本发明中由于子空间辨识的方法实时跟进车辆状态的变化，不断调整自身的模型参数，因此可以显著提高车辆的建模精度。

2)车辆在自适应巡航的过程中，在不同的行驶工况下本车与前车的理想跟随距离也会发生相应变化，如速度变化量快的工况较速度变化量慢的工况而言要求更长的跟随距离，相同工况下不同的交通量密集程度使得车辆的理想跟随距离也会随之发生变化，为了实现对不同工况下车辆的理想跟随距离进行有效识别，本发明中考虑行驶工况的复杂变化，在车距计算模块中增加了车距计算的随机项，并通过三层BP神经网络进行估算。

3)子空间模型辨识模块在操作的过程，利用卡尔曼滤波器稳态特性将平稳白噪声信号进行滤除，并且操作中对非线性不确定项进行拆分处理，将V_f中与U_f无关的非线性不确定项进行约除，减少了建模过程中外界干扰的影响，显著提高了建模精度。

4)本发明自适应中离散二阶滑模自适应巡航控制器，利用滑模控制对系统不确定性具有良好鲁棒性的优点，有效缓解了由于汽车在行驶过程中易受到外界干扰而造成采集I/O信号污染以及极限工况下车辆运行环境的不确定性等问题，提高了控制器的抗干扰能力以及不确定性情况下巡航系统的跟随精度，另外二阶滑模的应用有效改善了传统离散滑模的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。

5)本发明的方法简单易于实现，适宜广泛推广应用。

附图说明

图1是本发明基于数据驱动的ACC系统离散二阶滑模控制系统的原理图。

具体实施方式

下面结合附图对本发明做进一步详细说明。

如图所示，本发明基于数据驱动的ACC系统离散二阶滑模控制系统包括车距计算模块、子空间模型辨识模块、离散二阶滑模控制器、人机交互界面和环境感知模块；车距计算模块的输入为人机交互界面提供的预设停车距离、环境感知模块检测到的前车速度和前车距离以及整车测得的本车实际车速，车距计算模块通过车间时距的方法计算出当前时刻与前车的实际车距和理想的期望车距，并通过对实际车距和理想的期望车距做差求出当前时刻的车距误差；子空间模型辨识模块的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器提供的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块首先通过子空间辨识的方法建立出基于数据驱动的ACC模型，然后通过最小二乘的方法对模型中的参数进行辨识；离散二阶滑模控制器的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、子空间模型辨识模块辨识出当前时刻的车辆模型、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，通过自适应离散二阶滑模的方法计算出下一时刻的整车需求转矩。

本发明基于数据驱动的ACC系统离散二阶滑模控制方法包括如下步骤：

1)车距计算模块

人机交互界面由驾驶员根据当前车辆行驶要求设定停车距离，环境感知模块通过传感器对前车速度与两车实际距离进行检测，车距计算模块将上述量作为输入通过车间时距的方法计算出本车理想的期望车距。

算法如下：

d_ideal(k)＝τ_hv(k)+d₀+m (1)

其中，τ_h为时间常数，该值可根据司机个人状况及道路交通情况进行调整，本发明中综合多种工况，取τ_h＝1.5；v为本车巡航过程中的车速；d_ideal为理想的期望车距；k为采样时刻；d₀为驾驶员设定的与前车最小间距，本发明中取d₀＝5米；m为车距计算随机项，本发明中m根据不同行驶工况条件，采用三层BP神经网络确定。

利用车速传感器获得式(1)中的车速，即可求出汽车巡航过程中与前车之间理想的期望车距。

2)子空间模型辨识模块

子空间模型辨识模块的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器提供的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块首先通过子空间辨识的方法建立出基于数据驱动的ACC模型，然后通过最小二乘的方法对模型中的参数进行辨识。

算法如下：

考虑系统中的未建模项、不确定项以及量测误差及噪声，k时刻车辆巡航的非线性状态空间模型如下：

式中，x＝[Δd,Δv]为系统的状态变量，x(k)＝[Δd(k),Δv(k)]为k时刻系统的状态变量，其中Δd(k)为k时刻实际车距与理想跟随车距的车距误差，Δv(k)为k时刻本车与前车的车速偏差；x(k+1)为k+1时刻系统的状态变量；T_re(k)为系统k时刻的输入变量即整车需求转矩；Δd(k)为k时刻系统的输出变量即车距误差；矩阵A、B、C、D、H(k)分别表示系统状态、输入、输出、反馈和Kalman增益矩阵，矩阵ΔA、ΔB、ΔC分别表示系统状态、输入和输出的参数摄动，f(k)为k时刻的系统不确定项，e(k)为k时刻的量测误差及噪声。

令V_f(k)＝ΔAx(k)+ΔBT_re(k)+f(k)，V_m(k)＝ΔCx(k)，则式(2)可以化简为如下形式：

式中，V_f表示非线性不确定性函数，即考虑到未建模动态系统间的耦合、系统的不确定性、测量中存在的误差以及未知扰动等。相比于传统的车辆巡航动态模型，式(3)中包含了更多的车辆运行信息(如力学特性、内在参数、噪声干扰等)，更能反映出车辆巡航过程的真实工况。

在实际的控制实现过程中，矩阵中只有第一列被用作系统的预测输出值，因此将系统过去的输入Hankel矩阵T_{re_p}、过去的输出Hankel矩阵Δd_p、未来的输入Hankel矩阵T_{re_f}、未来的输出Hankel矩阵Δd_f的第一列分别定义为：

T_{re_p}＝[T_re(k-M+1) T_re(k-M+2) ... T_re(k)]^T (4)

T_{re_f}＝[T_re(k+1) T_re(k+2) ... T_re(k+M)]^T (5)

Δd_p＝[Δd(k-M+1) Δd(k-M+2) ... Δd(k)]^T (6)

Δd_f＝[Δd(k+1) Δd(k+2) ... Δd(k+M)]^T (7)

其中：下标中p表示相对的过去时间序列；下标中f表示相对的未来时间序列；T_{re_p}为过去时刻的输入转矩；T_{re_f}为未来时刻输入转矩；Δd_p为过去时刻的输出数据；Δd_f为未来时刻的输出车距误差；M为数据序列个数，T_re(k-M+1)、T_re(k-M+2)，…，T_re(k)，T_re(k+1)，…，T_re(k+M)分别表示k-M+1，…，k，…，k+M时刻的整车需求转矩；Δd(k-M+1)、Δd(k-M+2)，…，Δd(k)，Δd(k+1)，…，Δd(k+M)分别表示k-M+1，…，k，…，k+M时刻的车距误差。

通过迭代，子空间辨识主要输入输出矩阵如下：

Δd_f＝L₁W_P+L₂T_{re_f}+H_fV_f+H_NE (8)

式中，L₁,L₂表示未来输入线性预测器系数矩阵，L₁＝[l₁₁,l₁₂,...l_1M×2M]，L₂＝[l₂₁,l₂₂,...l_2M×M]，其中l₁₁,l₁₂,...l_1M×2M，l₂₁,l₂₂,...l_2M×M为待计算参数；H_f为非线性不确定性函数的系数矩阵，H_f＝[I,C,CA,...,CA^M-2]；W_p表示系统过去时刻的输入、输出数据，W_p＝[T_{re_p} ^T,Δd_p ^T]^T；H_N＝[I,CH,CAH,...,CA^M-2H]，E为量测误差及噪声矩阵，E＝[e(k+1),e(k+2),...,e(k+M)]^T，e(k+1),e(k+2),...,e(k+M)分别表示k+1，k+2，…，k+M时刻的量测误差及噪声，T_{re_p}为过去时刻的输入转矩，Δd_p为过去时刻的输出数据，T_{re_f}为未来时刻输入转矩。

由于系统中模型输入T_{re_f}与非线性不确定函数V_f的相关性会造成模型预测存在偏差，为了提高建模精度就需要排除V_f中的T_{re_f}相关项，将式(8)中的V_f非线性不确定项在[V_f1 ^TV_f2 ^T]^T投影分解可得到：

H_fV_f＝D_fV_f1+V_f2 (9)

式中，D_f为非线性不确定项系数矩阵，其中V_f1为分解中与T_{re_f}平行的相关分量，予以保留；V_f2为分解中与T_{re_f}垂直的无关分量，予以去掉。

此外，模型输入T_{re_f}与量测误差及噪声矩阵E的相关性造成了辨识模型存在偏差，为了排除相关项，本发明中对量测误差及噪声矩阵按照行空间拆分，得到矩阵E的前M行数列E^M为：

H_NE^M＝H_dE^M-1+E^M (10)

式中，H_d为过去时刻量测误差及噪声序列的系数矩阵，E^M表示未来的量测误差及噪声序列且与T_{re_f}无关，因此可以合理化约去，E^M-1与T_{re_f}有关，因此需要对其进行估计。

根据式(9)、(10)，将式(8)改写为：

(11)

式中，未知矩阵L₁、Δd_f＝L₁W_P+L₂T_{re_f}+D_fV_f1+H_dE^M-1L₂、D_f、H_d和E^M-1应用增广最小二乘的方法，以车距误差最小为条件进行估计，而V_f1采用观测器进行估计。具体实现如下：

假定模阶次已经确定，令

θ＝[l₁₁,l₁₂,···,l_1(2M),l₂₁,l₂₂,···,l_2M,D_f1,D_f2,···,D_fM,H_d1,H_d2,···,H_dM]^T (12)

式中，分别为V_f1、E^M-1不同时刻的估计值；D_f1,D_f2,···,D_fM为矩阵D_f各元素，即D_f＝[D_f1,D_f2,···,D_fM]，H_d1,H_d2,···,H_dM为矩阵H_d各元素，即H_d＝[H_d1,H_d2,···,H_dM]。

不可测量量V_f1、E^M-1的估计如下：

式中，ε>0、q>0、Г>0为设计参数，C_s∈R^M×M为设计参数矩阵。

将模型(11)化为最小二乘格式：

Δd_f(k)＝h^T(k)θ+E^M (16)

最小二乘的优化条件选择车距误差最小：

则可通过如下的增广最小二乘递推算法求得

即控制器系数矩阵L₁、L₂、D_f和H_d可求得。

3)离散二阶滑模控制器模块

离散二阶滑模控制器将当前时刻的车距误差、过去一段时刻的车距误差、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩以及子空间模型辨识模块的输出Δd_f作为输入，通过自适应离散二阶滑模的方法计算出下一时刻的滑模控制率，即整车需求转矩。

算法如下：

考虑式(11)所示数据驱动子空间辨识模型中，Δd_f为系统实时预测车距误差值，由于巡航系统中理想车距误差本应为0，也就是实际车距与驾驶员人为设定的安全距离之差越接近，跟踪效果越理想，设计的目标是当系统存在不确定的情况下时，通过设计二阶滑模控制方法使得本车与前车的安全距离能够严格跟踪理想给定距离信号d_ideal。

首先设计系统的一阶滑模面如下：

s(k)＝C_s ^TΔd_f(k) (19)

式中，C_s∈R^M×M为设计参数矩阵，与式(14)中C_s定义相同，对于该值的选取本文基于极点配置法进行确定，确保系统运动到滑动模态时具备良好的离散二阶滑模面函数为：

λ(k+1)＝s(k+1)+βs(k) (20)

其中，0≤β≤1，以确保滑模面能够收敛。

由于滑模控制包括切换控制和等效控制两部分，当系统状态远离滑模面时切换控制起作用，即使系统出现偏差还是可以使其回到切换面上；当系统状态到达滑模面时，为避免切换控制抖振的存在，等效控制起作用。

求得离散二阶滑模等效控制T_{re_f_eq}：

设计自适应离散二阶滑模趋近律，求得切换控制T_{re_f_dis}：

T_{re_f_dis}(k+1)＝(C_s ^TL₂)-¹((1-qT_n)λ(k)-ξT_nsgn(λ(k))) (22)

式中，T_n表示采样时间，sgn为符号函数，ξ为自适应系数，选取ξ＝|λ(k)|/2。

根据式(21)和式(22)，基于离散二阶滑模控制方法求得整车需求转矩为：

T_{re_f}(k+1)＝T_{re_f_eq}(k+1)+T_{re_f_dis}(k+1) (23)。

Claims (3)

1.基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，所述控制系统包括车距计算模块、子空间模型辨识模块、离散二阶滑模控制器、人机交互界面和环境感知模块；车距计算模块的输入为人机交互界面提供的预设停车距离、环境感知模块检测到的前车速度和前车距离以及整车测得的本车实际车速，车距计算模块通过车间时距的方法计算出当前时刻与前车的实际车距和理想期望车距，并通过对实际车距和理想期望车距做差求出当前时刻的车距误差；子空间模型辨识模块的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器提供的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块首先通过子空间辨识的方法建立出基于数据驱动的ACC模型，然后通过最小二乘的方法对模型中的参数进行辨识；离散二阶滑模控制器的输入为车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、子空间模型辨识模块辨识出当前时刻的车辆模型、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，通过自适应离散二阶滑模的方法计算出下一时刻的整车需求转矩；

其特征在于，所述控制方法包括如下步骤：

步骤一、车距计算模块根据人机交互界面上驾驶员设定的停车距离、环境感知模块获取的前车与本车的实际车距以及本车的实际车速，通过车间时距的方法计算出当前时刻本车与前车之间理想的期望车距，并将实际车距与理想的期望车距做差得到当前时刻的车距误差，通过多次测量的结果获得车距误差的时间序列，并将车距误差的时间序列存储在第一存储器中，通过多次测量离散二阶滑模控制器的输出转矩，得到转矩的时间序列，并将转矩的时间序列存储在第二存储器中，车距误差的时间序列和转矩的时间序列各自的调用长度根据车辆的实际运行情况选取；

步骤二、子空间模型辨识模块将步骤一中得到的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器得到的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩作为输入，通过子空间辨识的方法建立出基于输入输出数据的ACC模型，然后通过观测器和增广最小二乘的方法辨识出模型中的参数，其过程如下：

k时刻车辆巡航的非线性状态空间模型如下：

式中，x＝[Δd,Δv]为系统的状态变量，x(k)＝[Δd(k),Δv(k)]为k时刻系统的状态变量，其中Δd(k)为k时刻实际车距与理想跟随车距的车距误差，Δv(k)为k时刻本车与前车的车速偏差；x(k+1)为k+1时刻系统的状态变量；T_re(k)为系统k时刻的输入变量即整车需求转矩；矩阵A、B、C、D、H(k)分别表示系统状态、输入、输出、反馈和Kalman增益矩阵，矩阵ΔA、ΔB、ΔC分别表示系统状态、输入和输出的参数摄动，f(k)为k时刻的系统不确定项，e(k)为k时刻的量测误差及噪声；

令V_f(k)＝ΔAx(k)+ΔBT_re(k)+f(k)，V_m(k)＝ΔCx(k)，则式(2)可以化简为如下形式：

式中，V_f表示非线性不确定性函数；

将系统过去的输入Hankel矩阵T_{re_p}、过去的输出Hankel矩阵Δd_p、未来的输入Hankel矩阵T_{re_f}、未来的输出Hankel矩阵Δd_f的第一列分别定义为：

T_{re_p}＝[T_re(k-M+1) T_re(k-M+2) ... T_re(k)]^T (4)

T_{re_f}＝[T_re(k+1) T_re(k+2) ... T_re(k+M)]^T (5)

Δd_p＝[Δd(k-M+1) Δd(k-M+2) ... Δd(k)]^T (6)

Δd_f＝[Δd(k+1) Δd(k+2) ... Δd(k+M)]^T (7)

式中：下标中p表示相对的过去时间序列；下标中f表示相对的未来时间序列；T_{re_p}为过去时刻的输入转矩；T_{re_f}为未来时刻输入转矩；Δd_p为过去时刻的输出数据；Δd_f为未来时刻的输出车距误差；M为数据序列个数，T_re(k-M+1)，T_re(k-M+2)，…，T_re(k)，T_re(k+1)，…，T_re(k+M)分别表示k-M+1，…，k，…，k+M时刻的整车需求转矩；Δd(k-M+1)，Δd(k-M+2)，…，Δd(k)，Δd(k+1)，…，Δd(k+M)分别表示k-M+1，…，k，…，k+M时刻的车距误差；

通过迭代，子空间辨识输入输出矩阵如下：

Δd_f＝L₁W_P+L₂T_{re_f}+H_fV_f+H_NE (8)

式中，L₁,L₂表示未来输入线性预测器系数矩阵，L₁＝[l₁₁,l₁₂,...l_1M×2M]，L₂＝[l₂₁,l₂₂,...l_2M×M]，其中l₁₁,l₁₂,...l_1M×2M，l₂₁,l₂₂,...l_2M×M为待计算参数；H_f为非线性不确定性函数的系数矩阵，H_f＝[I,C,CA,...,CA^M-2]；W_p表示系统过去时刻的输入、输出数据，W_p＝[T_{re_p} ^T,Δd_p ^T]^T；H_N＝[I,CH,CAH,...,CA^M-2H]，E为量测误差及噪声矩阵,E＝[e(k+1),e(k+2),...,e(k+M)]^T，e(k+1),e(k+2),...,e(k+M)分别表示k+1，k+2，…，k+M时刻的量测误差及噪声，T_{re_p}为过去时刻的输入转矩，Δd_p为过去时刻的输出数据，T_{re_f}为未来时刻输入转矩；

将式(8)中的V_f非线性不确定项在[V_f1 ^TV_f2 ^T]^T投影分解可得到：

H_fV_f＝D_fV_f1+V_f2 (9)

式中，D_f为非线性不确定项系数矩阵，其中V_f1为分解中与T_{re_f}平行的相关分量，予以保留；V_f2为分解中与T_{re_f}垂直的无关分量，予以去掉；

对量测误差及噪声矩阵E按照行空间拆分，得到矩阵E的前M行数列E^M为：

H_NE^M＝H_dE^M-1+E^M (10)

式中，H_d为过去时刻量测误差及噪声序列的系数矩阵，E^M表示未来的量测误差及噪声序列且与T_{re_f}无关，可以合理化约去，E^M-1与T_{re_f}有关，需要对其进行估计；

根据式(9)和式(10)，将式(8)改写为：

Δd_f＝L₁W_P+L₂T_{re_f}+D_fV_f1+H_dE^M-1 (11)

式中，未知矩阵L₁、L₂、D_f、H_d和E^M-1应用增广最小二乘的方法，以车距误差最小为条件进行估计，V_f1采用观测器进行估计；具体实现如下：

假定模阶次已经确定，令

θ＝[l₁₁,l₁₂,…,l_1(2M),l₂₁,l₂₂,…,l_2M,D_f1,D_f2,…,D_fM,H_d1,H_d2,…,H_dM]^T (12)

式中，分别为V_f1、E^M-1不同时刻的估计值；D_f1,D_f2,…,D_fM为矩阵D_f各元素，即D_f＝[D_f1,D_f2,…,D_fM]，H_d1,H_d2,…,H_dM为矩阵H_d各元素，即H_d＝[H_d1,H_d2,…,H_dM]；

不可测量量V_f1、E^M-1的估计如下：

式中，ε>0、q>0、Г>0为设计参数，C_s∈R^M×M为设计参数矩阵；

将模型(11)化为最小二乘格式：

Δd_f(k)＝h^T(k)θ+E^M (16)

最小二乘的优化条件选择车距误差最小：

则可通过如下的增广最小二乘递推算法求得

即控制器系数矩阵L₁、L₂、D_f和H_d可求得；

步骤三、离散二阶滑模控制器将步骤一中得到的当前时刻的车距误差、过去一段时刻的车距误差、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩以及步骤二中建立的ACC模型的输出作为输入，采用自适应离散二阶滑模的车距跟随控制方法求出下一时刻的整车需求转矩，进而完成基于数据驱动的ACC系统离散二阶滑模控制方法。

2.如权利要求1所述基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，其特征在于，所述步骤一中车距计算模块通过车间时距的方法计算出当前时刻本车与前车之间理想的期望车距的方法如下：

d_ideal(k)＝τ_hv(k)+d₀+m (1)

式中，τ_h为时间常数，该值可根据司机个人状况及道路交通情况进行调整，此处取τ_h＝1.5；v为本车巡航过程中的车速；d_ideal为理想的期望车距；k为采样时刻；d₀为驾驶员设定的与前车的最小间距，此处取d₀＝5米；m为车距计算随机项，根据不同行驶工况条件，采用三层BP神经网络确定；

利用车速传感器获得式(1)中的车速，即可求出汽车巡航过程中与前车之间理想的期望车距。

3.如权利要求1所述基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，其特征在于，所述步骤三中离散二阶滑模控制器采用自适应离散二阶滑模的车距跟随控制方法求出下一时刻的整车需求转矩的过程如下：

当系统存在不确定的情况下时，通过设计二阶滑模控制策略使得本车与前车的安全距离能够严格跟踪理想给定距离信号d_ideal；

首先设计系统的一阶滑模面如下：

s(k)＝C_s ^TΔd_f(k) (19)

C_s∈R^M×M为设计参数矩阵，与式(14)中C_s定义相同，对于该值的选取此处采用极点配置法进行确定，确保系统运动到滑动模态时具备良好的离散二阶滑模面函数为：

λ(k+1)＝s(k+1)+βs(k) (20)

其中，0≤β≤1，以确保滑模面能够收敛；

滑模控制包括切换控制和等效控制两部分，当系统状态远离滑模面时切换控制起作用，即使系统出现偏差还可以使其回到切换面上；当系统状态到达滑模面时，等效控制起作用；因此求得离散二阶滑模等效控制T_re__f__eq为：

设计自适应离散二阶滑模趋近律，求得切换控制T_{re_f_dis}为：

T_re__f__dis(k+1)＝(C_s ^TL₂)^-1((1-qT_n)λ(k)-ξT_nsgn(λ(k))) (22)

式中，T_n表示采样时间，sgn为符号函数，ξ为自适应系数，选取ξ＝|λ(k)|/2；

根据式(21)和式(22)基于离散二阶滑模控制策略求得整车需求转矩为：

T_{re_f}(k+1)＝T_{re_f_eq}(k+1)+T_{re_f_dis}(k+1) (23)。