CN107139923B - 一种acc决策方法及系统 - Google Patents
一种acc决策方法及系统 Download PDFInfo
- Publication number
- CN107139923B CN107139923B CN201710329656.1A CN201710329656A CN107139923B CN 107139923 B CN107139923 B CN 107139923B CN 201710329656 A CN201710329656 A CN 201710329656A CN 107139923 B CN107139923 B CN 107139923B
- Authority
- CN
- China
- Prior art keywords
- acc
- constraint condition
- cost function
- formula
- performance index
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000005096 rolling process Methods 0.000 claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000035939 shock Effects 0.000 claims description 8
- 230000036461 convulsion Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000005530 etching Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 239000000446 fuel Substances 0.000 abstract description 8
- 230000000452 restraining effect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 56
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种ACC决策方法及系统,该方法包括:建立ACC纵向跟车运动学的模型;基于MPC模型预测控制理论,在模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对代价函数进行滚动在线优化,以获取ACC的控制量;其中,代价函数的约束条件为跟车安全硬约束条件和线性不等式约束条件的组合;本发明通过对代价函数进行滚动在线优化,以获取ACC的控制量,可以采用二次型性能指标以及线性不等式约束条件的形式,综合协调如车辆的动态追踪性、燃油经济性、驾乘舒适性以及跟车安全性这些存在着一定冲突性的控制目标,将纵向期望加速度的决策问题转化成带约束的在线QP二次规划问题。
Description
技术领域
本发明涉及半自动驾驶领域,特别涉及一种ACC决策方法及系统。
背景技术
随着现代社会科技的发展,人们对于车辆的使用需求越来越大,这就使得车辆的各方面技术得到了广泛的发展。ACC(Adaptive Cruise Control,自适应巡航控制)是一种智能化的自动控制系统,它是在早已存在的巡航控制技术的基础上发展而来的。在车辆行驶过程中,安装在车辆前部的车距传感器(雷达)持续扫描车辆前方道路,同时轮速传感器采集车速信号。当与前车之间的距离过小时,ACC控制单元可以通过与制动防抱死系统、发动机控制系统协调动作,使车轮适当制动,并使发动机的输出功率下降,以使车辆与前方车辆始终保持安全距离,达到半自动化驾驶的效果。
现有技术中,作为一种先进的ADAS(Advanced Driver Assistant System,高级驾驶辅助系统),ACC自适应巡航控制旨在缓解驾驶疲劳,提升驾乘舒适性与安全性。然而对于ACC自适应巡航控制中ACC决策过程中的人性化设计问题,现有技术中往往只是针对跟车安全性或其他的一种控制目标进行控制,并不能对如车辆的动态追踪性、燃油经济性、驾乘舒适性以及跟车安全性这些存在着一定冲突性的控制目标的进行综合协调控制,不利于提高ACC的用户使用率和驾驶人员的接受度。因此,如何提供一种ACC自适应巡航控制的决策方法,可以综合协调存在着一定冲突多个控制目标,提高ACC的用户使用率和驾驶人员的接受度,是现今急需解决的问题。
发明内容
本发明的目的是提供一种ACC决策方法及系统,以综合协调存在着一定冲突多个控制目标,提高ACC的用户使用率和驾驶人员的接受度。
为解决上述技术问题,本发明提供一种ACC决策方法,包括:
建立ACC纵向跟车运动学的模型;
基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对所述代价函数进行滚动在线优化,以获取ACC的控制量;其中,所述代价函数的约束条件为跟车安全硬约束条件和所述线性不等式约束条件的组合。
可选的,所述二次型性能指标包括:动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标中至少一项。
可选的,所述动态追踪性能指标、所述燃油经济性能指标和所述驾乘舒适性能指标及各自对应的线性不等式约束条件分别为:
所述动态追踪性能指标为JT=ωΔdΔd2+ωΔvΔv2,所述动态追踪性能指标的线性不等式约束条件为
式中,期望车距误差Δd=d-ddes=(sp+d0-sf)-(τhvf+ds),相对车速Δv=vp-vf,vp为前车速度,vf为自车速度,d0为初始车距,sp为前车位移,sf为自车位移,τh为固定时距,ds为极限安全车距,ωΔd与ωΔv分别为期望车距误差Δd与相对车速Δv的权重系数;
所述燃油经济性能指标为所述动态追踪性能指标的线性不等式约束条件为
式中,ωa与ωj分别为自车期望加速度af,des与自车冲击度jerk的权重系数;
所述驾乘舒适性能指标为所述驾乘舒适性能指标的线性不等式约束条件为
式中,ωc为相应权重系数,af,ref=kvΔv+kdΔd为驾驶员参考加速度,kv和kd分别为相应的权重系数。
可选的,当所述模型的预测时域为[k,k+p-1]时,所述模型具体为:
式中,k为当前时刻,Xf为所述预测时域的状态序列,U为所述预测时域的控制序列,xf(k)为当前观察状态量,Ap为矩阵在所述预测时域迭代的系数矩阵,Bp为矩阵在所述预测时域迭代的系数矩阵,Cp=diag(C,C,…,C)为相应系数矩阵,Y为系统输出序列;
其中,KL为理想一阶系统增益,TL为下位控制器的时间常数,Ts为采样周期。
可选的,当所述二次型性能指标为所述动态追踪性能指标、所述燃油经济性能指标和所述驾乘舒适性能指标时,所述代价函数具体为:
式中,W1=Wt1+Wc1,W2=Wt2+Wc2,
Wt1=diag(ωt1,ωt1,…,ωt1),Wc1=diag(ωc1,ωc1,…,ωc1),
Wt2=[ωt2(k+1),…,ωt2(k+p)],Wc2=[ωc2(k+1),…,ωc2(k+p)],
ωt2=[-2ωΔdsp(k+i) -2(ωΔdτhsp(k+i)+ωΔvvp(k+i)) 0],
ωc2=ωc[-2kd(kdsp(k+i)+kvvp(k+i)) -2(kdτh+kv)(kdsp(k+i)+kvvp(k+i)) -2(kdsp(k+i)+kvvp(k+i))],
U=[af,des(k) af,des(k+i)…af,des(k+p-1)]T,
可选的,所述建立ACC纵向跟车运动学的模型,还包括:
引入误差修正项,建立闭环反馈校正机制。
可选的,所述误差修正项具体为:e(k)=x(k)-x(k|k-1);
式中,x(k)为k时刻系统实际状态,x(k|k-1)为k-1时刻对k时刻状态的预测;
其中,所述模型具体为
式中,λ=diag(λ1,λ2,λ3)为校正矩阵。
可选的,所述基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数之后,还包括:
对所述线性不等式约束条件进行松弛化,并在所述代价函数中增加二次型惩罚项。
可选的,所述通过对所述代价函数进行滚动在线优化,以获取ACC的控制量,包括:
根据获取的工况信息,选择所述工况信息对应的ACC工作模式对应的代价函数进行滚动在线优化,以获取所述ACC的控制量;
其中,每个ACC工作模式对应的代价函数的约束条件对应的约束界和/或松弛度和/或二次型性能指标中的权重不同。
此外,本发明还提供了一种ACC决策系统,包括:
建模模块,用于建立ACC纵向跟车运动学的模型;
决策模块,用于基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对所述代价函数进行滚动在线优化,以获取ACC的控制量;其中,所述代价函数的约束条件为跟车安全硬约束条件和所述线性不等式约束条件的组合。
本发明所提供的一种ACC决策方法,包括:建立ACC纵向跟车运动学的模型;基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对所述代价函数进行滚动在线优化,以获取ACC的控制量;其中,所述代价函数的约束条件为跟车安全硬约束条件和所述线性不等式约束条件的组合;
可见,本发明通过建立ACC纵向跟车运动学的模型,可以对ACC纵向跟车运动学的预测时域进行分析;通过基于MPC模型预测控制理论,在模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对代价函数进行滚动在线优化,以获取ACC的控制量,可以采用二次型性能指标以及线性不等式约束条件的形式,综合协调如车辆的动态追踪性、燃油经济性、驾乘舒适性以及跟车安全性这些存在着一定冲突性的控制目标,将纵向期望加速度的决策问题转化成带约束的在线QP(quadratic programming,二次规划)问题。此外,本发明还提供了一种ACC决策系统,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例所提供的一种ACC决策方法的流程图;
图2为本发明实施例所提供的另一种ACC决策方法的ACC纵向运动学示意图;
图3为本发明实施例所提供的另一种ACC决策方法的流程图;
图4为本发明实施例所提供的另一种ACC决策方法的约束空间的示意图;
图5为本发明实施例所提供的一种ACC决策系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1和图2,图1为本发明实施例所提供的一种ACC决策方法的流程图;图2为本发明实施例所提供的另一种ACC决策方法的ACC纵向运动学示意图。该方法可以包括:
步骤101:建立ACC纵向跟车运动学的模型。
可以理解的是,ACC系统的设计大多在用的是采用分层设计,主要可以包括决策层和控制层,由决策层根据自车状态参数、前车状态参数、环境参数等决定自车纵向期望加速度,而控制层通过控制油门开度、制动深度、档位切换使得自车的实际加速度收敛于决策层输出的期望加速度。本实施例所提供的ACC决策方法可以是决策层向控制层输出期望加速度的方法。
其中,建立ACC纵向跟车运动学的具体方式可以如下所示:
ACC系统的理想一阶系统传递函数满足
式中,KL为理想一阶系统增益,TL为下位控制器的时间常数。
如图2所示的ACC纵向跟车运动学特性,定义关系式可以如下:
式中,Δd为期望车距误差,d为实际车距,ddes为期望车距,Δv为相对车速,vp为前车速度,vf为自车速度,sf为自车位移,jerk为自车冲击度,af为自车实际加速度,af,des为自车期望加速度。
本实施例中,期望车距可以采用固定时距策略,即
ddes=(τhvf+ds) (3)
式中,τh为固定时距,ds为极限安全车距。
可以令xf(k)=[sf(k),vf(k),af(k)]T,以xf(k)作为状态量,u(k)作为控制量,y(k)作为系统输出量,采样周期为Ts,得到其离散状态空间方程:
式中,u(k)=af,des(k),各系数矩阵满足:
进一步,假设当前时刻为k,预测时域为[k,k+p-1],由式(4)逐步迭代可得
xf(k+1)=Axf(k)+Baf,des(k)
xf(k+2)=A2xf(k)+ABaf,des(k)+Baf,des(k+1)
xf(k+p)=Apxf(k)+Ap-1Baf,des(k)+…+Baf,des(k+p-1)
上述迭代方程组的矩阵表示式为:
可以简记为:
式中,为预测时域的状态序列,
为预测时域的控制序列,
xf(k)为当前观察状态量,
Cp=diag(C,C,…,C)为相应系数矩阵,Y为系统输出序列。
需要说明的是,对于建立ACC纵向跟车运动学的模型的具体方式,可以如上述方式建立如式(6)的预测时域为[k,k+p-1]的ACC纵向跟车运动学的模型,也可以采用其他方式建立其他预测时域的模型。对于建立ACC纵向跟车运动学的模型的具体方式,可以由设计人员根据实用场景和用户需求自行设置,只要可以建立出车辆跟车预测的模型,本实施例对此不做任何限制。
优选的,为了提高本实施例所提供方法的鲁棒性,可以在建立模型过程中引入误差修正项,建立闭环反馈校正机制,以补偿模型失配带来的预测误差,从而提高建立的模型的预测精度和抗干扰能力。对于引入误差修正项的具体方式,本实施例不做任何限制。
步骤102:基于MPC模型预测控制理论,在模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对代价函数进行滚动在线优化,以获取ACC的控制量;其中,代价函数的约束条件为跟车安全硬约束条件和线性不等式约束条件的组合。
可以理解的是,本实施例所提供的方法,是采用二次型性能指标以及线性不等式约束条件的形式,在确保行车安全的前提下,综合协调如ACC的动态追踪性能、燃油经济性能、驾乘舒适性能等控制目标。也就是综合协调如动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标的二次型性能指标,且将其对应的线性不等式约束条件与跟车安全硬约束条件组合。从而可以将纵向期望加速度的决策问题转化成带约束的在线QP二次规划问题。
具体的,二次型性能指标可以为动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标的组合。
其中,纵向跟车动态追踪性能评价目标可以为期望车距误差收敛和相对车速收敛。进而动态追踪性能指标可以为动态追踪性能的二次型表示:
JT=ωΔdΔd2+ωΔvΔv2 (7)
式中,期望车距误差Δd=d-ddes=(sp+d0-sf)-(τhvf+ds),相对车速Δv=vp-vf,d0为初始车距,sp为前车位移,sf为自车位移,ωΔd与ωΔv分别为期望车距误差与相对车速的权重系数。
线性不等式约束条件为:
燃油经济性能评价目标可以为期望加速度收敛和冲击度收敛。进而燃油经济性能指标可以为燃油经济性能的二次型表示:
式中,ωa与ωj分别为期望加速度与冲击度的权重系数。
线性不等式约束条件为:
良好驾乘体验评价目标可以为期望车距误差收敛、期望加速度与冲击度收敛和驾驶员主动干预(如操纵油门或制动踏板)使追踪误差收敛。进而驾乘舒适性能指标可以为驾乘舒适性能的二次型表示:
由于上式中第一项与第二项已在式(7)、式(9)中有体现,故式(11)的二次型表达式可以近似为:
JC≈ωc(af,ref-af)2 (12)
式中,ωc为相应权重系数,af,ref=kvΔv+kdΔd为驾驶员参考加速度。
线性不等式约束条件可以为:
跟车安全硬约束条件可以为:
d≥dsafe=max{tTTCΔv,ds} (14)
式中,碰撞时间tTTC用于表示制动过程的安全性[21],d为实际车距,dsafe为安全跟车车距,ds为极限安全车距。
综上,建立预测时域为[k,k+p-1]的矩阵型MO-ACC(多目标自适应巡航控制)代价函数可以为:
式中,W1=Wt1+Wc1,W2=Wt2+Wc2,
Wt1=diag(ωt1,ωt1,…,ωt1),Wc1=diag(ωc1,ωc1,…,ωc1),
Wt2=[ωt2(k+1),…,ωt2(k+p)],Wc2=[ωc2(k+1),…,ωc2(k+p)],
ωt2=[-2ωΔdsp(k+i) -2(ωΔdτhsp(k+i)+ωΔvvp(k+i)) 0],
ωc2=ωc[-2kd(kdsp(k+i)+kvvp(k+i)) -2(kdτh+kv)(kdsp(k+i)+kvvp(k+i)) -2(kdsp(k+i)+kvvp(k+i))],
U=[af,des(k) af,des(k+i)…af,des(k+p-1)]T,
将式(6)代入到式(15)中,可以得到预测时域的代价函数:
由式(8)、式(10)、式(13)可以建立系统I/O约束条件:
式中,(k+i|k)表示基于当前时刻k的信息对k+i时刻的预测,umin=af,min、为控制量下界,(k+i+1|k)表示基于当前时刻k的信息对k+i+1时刻的预测,umax=af,max、为控制量上界,ymin=[sp(k+i+1)+do-ds-τhvp(k+i+1)+τhΔvmin-Δdmax,vp(k+i+1)-Δvmax,af,min]为系统输出下界,ymax=[sp(k+i+1)+do-ds-τhvp(k+i+1)+τhΔvmax-Δdmin,vp(k+i+1)-Δvmin,af,max]为系统输出上界。
由式(14)建立跟车安全约束条件为:
qx(k+i+1|k)≤sp(k+i+1|k)+d0-dsafe(k+i),i∈[0,p-1] (18)
式中,q=[1 0 0]。
其中,式(17)和式(18)可以为预测时域为[k,k+p-1]的的代价函数的约束条件。
需要说明的是,对于二次型性能指标的具体类型,可以为动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标的组合,也可以为动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标中任意一项或任意两项的组合,还可以为其他的性能指标。本实施例对此不受任何限制。
可以理解的是,对于二次型性能指标的表达式和对应的线性不等式约束条件的具体设置方式,如上述动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标及各自对应的线性不等式约束条件,也可以采用其他方式设置。对于二次型性能指标的表达式和对应的线性不等式约束条件的具体设置方式,可以由设计人员根据实用场景和用户需求自行设置,本实施例对此不做任何限制。对于跟车安全硬约束条件的具体设置方式,可以如上述方式设置,也可以由设计人员使用其他方式设置,本实施例对此同样不做任何限制。
优选的,为了避免跟车安全硬约束条件导致求解可行域受限而无可行解的情况出现,可以在代价函数的约束条件中引入松弛向量法来解决非可行解问题。对于引入松弛向量法对代价函数的约束条件进行松弛化的具体方式,本实施例不做任何限制。
优选的,为了避免松弛因子的无限增大而致约束条件对系统I/O的限制作用失效,可以在代价函数中增加二次型惩罚项,以惩罚松弛因子扩展约束界的松弛程度,进而可以在硬约束问题求解可行性以及约束界的松弛程度之间寻求平衡。
优选的,由于各工况下所强化的性能指标与约束空间不同,可以通过调整二次型性能指标中的权重、代价函数的约束条件的约束界和松弛度,制定每个工况各自对应的ACC工作模式的代价函数(控制模式),以满足熟练驾驶群体的跟车习惯。
对于通过对代价函数进行滚动在线优化,以获取ACC的控制量的具体方式,可以为直接对代价函数进行滚动在线优化,如ACC系统中只有一种ACC工作模式,通过对该ACC工作模式的代价函数(控制模式)进行滚动在线优化,获取ACC系统控制层的输入量;也可以根据获取的工况信息,选择工况信息对应的ACC工作模式对应的代价函数进行滚动在线优化,以获取ACC的控制量,如ACC系统中有多种ACC工作模式,每个ACC工作模式对应一个或多个代价函数,通过工况信息选择对应的ACC工作模式对应的代价函数进行滚动在线优化,获取ACC系统控制层的输入量。
本实施例中,本发明实施例通过建立ACC纵向跟车运动学的模型,可以对ACC纵向跟车运动学的预测时域进行分析;通过基于MPC模型预测控制理论,在模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对代价函数进行滚动在线优化,以获取ACC的控制量,可以采用二次型性能指标以及线性不等式约束条件的形式,综合协调如车辆的动态追踪性、燃油经济性、驾乘舒适性以及跟车安全性这些存在着一定冲突性的控制目标,将纵向期望加速度的决策问题转化成带约束的在线QP二次规划问题。
基于上述实施例,请参考图3和图4,图3为本发明实施例所提供的另一种ACC决策方法的流程图;图4为本发明实施例所提供的另一种ACC决策方法的约束空间的示意图。该方法可以包括:
步骤201:建立ACC纵向跟车运动学的模型。
其中,本步骤与步骤101相似,在此不再赘述。
步骤202:在模型中引入误差修正项,建立闭环反馈校正机制。
为提高本实施例所提供的方法的鲁棒性,引入误差修正项e(k),建立闭环反馈校正机制,以补偿模型失配带来的预测误差,进而提高跟车预测模型的预测精度以及抗干扰能力。k时刻系统实际状态与预测状态之间的误差修正项e(k)可以为:
e(k)=x(k)-x(k|k-1) (19)
式中,x(k)为k时刻系统实际状态,x(k|k-1)为k-1时刻对k时刻状态的预测。
进而上一实施例中离散状态空间方程(4)可以演变成:
式中,λ=diag(λ1,λ2,λ3)为校正矩阵。
同理,通过迭代运算可得预测时域为[k,k+p-1]的离散状态空间方程的矩阵式可以为:
式中,
步骤203:基于MPC模型预测控制理论,在模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数;其中,代价函数的约束条件为跟车安全硬约束条件和线性不等式约束条件的组合。
其中,本步骤与步骤102相似,在此不再赘述。
步骤204:对线性不等式约束条件进行松弛化,并在代价函数中增加二次型惩罚项。
可以理解的是,为了避免跟车安全硬约束条件导致求解可行域受限而无可行解的情况出现,可以在预测时域的代价函数的约束条件中引入松弛向量法来解决非可行解问题。也就是采用松弛向量因子对硬约束条件进行松弛化以扩展求解可行域,进而确保可行解存在。
需要说明的是,为确保跟车安全避免追尾现象的发生,可以不对跟车安全硬约束条件式(18)进行松弛化,仅对式(17)进行约束条件的松弛化,整理可得:
式中,松弛因子ε1≥0、ε2≥0、ε3≥0,及分别为硬约束下界及上界的松弛系数,且满足
并且为避免松弛因子的无限增大而致约束不等式对系统I/O的限制作用失效,可以在代价函数中增加二次型惩罚项εTρε,以惩罚松弛因子扩展约束界的松弛程度,进而在硬约束问题求解可行性以及约束界的松弛程度之间寻求平衡。
也就是,联立式(15)、式(21),推导出预测时域为[k,k+p-1]的矩阵型MO-ACC代价函数为:
相比于上一实施例中的式(16)而言,式(23)中引入了松弛向量ε以及误差修正项e(k),进而确保模型预测优化问题约束条件范围内可解的同时也能够提升算法的鲁棒性。
从而,MO-ACC算法设计问题最终转化成带约束的在线QP二次规划问题,即:
式中,
ε=[ε1,ε2,ε3]T,ρ=diag(ρ1,ρ2,ρ3),
可以理解的是,在线QP二次规划过程中,当u、jerk、y未超出硬约束边界时,松弛因子为0,而当u、jerk、y超出硬约束边界时,滚动优化求解会自动正向增大松弛因子,以扩展求解可行域,确保最优解u(k+i|k)存在。
具体的,在每一个采样时刻,ACC系统根据当前自车与前车的状态信息,通过式(24)进行滚动优化求解以获得最优的控制输入与松弛因子序列接着选取中第一个分量u*(k),作为ACC控制层的最优输入。下一采样时刻重复上述过程,进而实现MO-ACC滚动在线控制。
需要说明的是,不对线性不等式约束条件进行松弛化,而是人工或自动调整线性不等式约束条件中的数值也可以达到本实施例的目的,本实施例对此不受任何限制。
步骤205:根据获取的工况信息,选择工况信息对应的ACC工作模式对应的代价函数进行滚动在线优化,以获取ACC的控制量;其中,每个ACC工作模式对应的代价函数的约束条件对应的约束界和/或松弛度和/或二次型性能指标中的权重不同。
可以理解的是,由于在确保行车安全的前提下,ACC本身需要是一个舒适性系统,故在本实施例所提供的方法中的决策层设计中需通过舒适性指标的考虑以提高驾乘人员的使用率。具体的,由于频繁加、减速会带来汽车零部件的机械磨损,缩短零部件的使用寿命,亦会降低驾乘舒适性与燃油经济性;期望车距误差Δd过快收敛会产生较大的超调量,尤其是在低速工况下可能会导致追尾现象;对Δd绝对值的合理约束既可保证跟车安全性,亦可避免邻道车辆的频繁切入。进一步的,随着工况紧急程度的增加,对期望控制af,des(k)和冲击度jerk的约束变宽,即对舒适性和经济性的要求降低,而对期望车距误差Δd和相对车速Δv的约束变窄,即对安全性的要求提高。
具体的,由于各工况下所强化的性能指标与约束空间不同,可以通过调整二次型性能指标中的权重、代价函数的约束条件的约束界和松弛度,制定每个工况各自对应的ACC工作模式的代价函数(控制模式),以满足熟练驾驶群体的跟车习惯。
其中,约束空间可以为二次型性能指标对应的线性不等式约束条件划分出的空间。
需要说明的是,对于工况信息获取方式,也就是前车的工况的确定方式,可以由设计人员根据实用场景和用户需求自行设置,本实施例对此不受任何限制。
现有技术中,稳态工况的评估为车辆加速度a∈[-0.6,0.6]m/s2。基于此,本实施例所提供的方法中稳态跟随工况、瞬态急加速工况、瞬态急减速工况、组合跟随工况,划分规则与相应工作模式可以见表1。
表1典型工况划分与ACC工作模式
如图4所示,式(24)中线性不等式组定义了正常驾驶时的约束空间R。图中0可以代表正常驾驶约束空间,1可以代表稳态跟随约束空间,2可以代表瞬态急加速约束空间,3可以代表瞬态急减速约束空间。由于各工况下所强化的性能指标与约束空间不同,可以通过调整二次型性能指标中的权重、滚动优化求解可行域的约束界和松弛度,制定每个工况各自对应的ACC工作模式的控制模式,以满足熟练驾驶群体的跟车习惯,进而改善量产ACC的使用率与接受度问题。
具体的,对于调整二次型性能指标中的权重、滚动优化求解可行域的约束界和松弛度的具体方式,可以由设计人员根据实用场景和用户需求自行设置,本实施例对此不受任何限制。
需要说明的是,对于各工况的划分方式以及划分的工况数量,可以如表1所示以前车加速划分,也可以采用其他方式划分,本实施例对此不做任何限制。对于以前车加速划分工况的具体数值的设置,可以如表1所示,也可以设置为其他的数值,本实施例对此同样不做任何限制。
需要说明的是,本步骤中可以调整二次型性能指标中的权重、滚动优化求解可行域的约束界和松弛度,也可以只调整其中一项如调整滚动优化求解可行域的约束界,或只调整其中两项,本实施例对此不受任何限制。
本实施例中,本发明实施例通过在模型中引入误差修正项,建立闭环反馈校正机制,可以补偿模型失配带来的预测误差;通过对线性不等式约束条件进行松弛化,并在代价函数中增加二次型惩罚项,可以采用松弛向量法扩展求解可行域,规避了硬约束而致的QP二次规划非可行解问题;通过根据获取的工况信息,选择工况信息对应的ACC工作模式对应的代价函数进行滚动在线优化,以获取ACC的控制量,可以满足熟练驾驶群体的跟驰习惯,增强了ACC系统对复杂道路交通环境的适应性。
请参考图5,图5为本发明实施例所提供的一种ACC决策系统的结构图。该系统可以包括:
建模模块100,用于建立ACC纵向跟车运动学的模型;
决策模块200,用于基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对所述代价函数进行滚动在线优化,以获取ACC的控制量;其中,所述代价函数的约束条件为跟车安全硬约束条件和所述线性不等式约束条件的组合。
本实施例中,本发明实施例通过建模模块100建立ACC纵向跟车运动学的模型,可以对ACC纵向跟车运动学的预测时域进行分析;通过决策模块200基于MPC模型预测控制理论,在模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对代价函数进行滚动在线优化,以获取ACC的控制量,可以采用二次型性能指标以及线性不等式约束条件的形式,综合协调如车辆的动态追踪性、燃油经济性、驾乘舒适性以及跟车安全性这些存在着一定冲突性的控制目标,将纵向期望加速度的决策问题转化成带约束的在线QP二次规划问题。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的ACC决策方法及系统进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (8)
1.一种ACC决策方法,其特征在于,包括:
建立ACC纵向跟车运动学的模型;
基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对所述代价函数进行滚动在线优化,以获取ACC的控制量;其中,所述代价函数的约束条件为跟车安全硬约束条件和所述线性不等式约束条件的组合;
其中,所述二次型性能指标包括:动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标中至少一项;
所述动态追踪性能指标、所述燃油经济性能指标和所述驾乘舒适性能指标及各自对应的线性不等式约束条件分别为:
所述动态追踪性能指标为JT=ωΔdΔd2+ωΔvΔv2,所述动态追踪性能指标的线性不等式约束条件为
式中,期望车距误差Δd=d-ddes=(sp+d0-sf)-(τhvf+ds),相对车速Δv=vp-vf,vp为前车速度,vf为自车速度,d0为初始车距,sp为前车位移,sf为自车位移,τh为固定时距,ds为极限安全车距,ωΔd与ωΔv分别为期望车距误差Δd与相对车速Δv的权重系数;
所述燃油经济性能指标为所述动态追踪性能指标的线性不等式约束条件为
式中,ωa与ωj分别为自车期望加速度af,des与自车冲击度jerk的权重系数;
所述驾乘舒适性能指标为所述驾乘舒适性能指标的线性不等式约束条件为
式中,ωc为相应权重系数,af,ref=kvΔv+kdΔd为驾驶员参考加速度,kv和kd分别为相应的权重系数,af为自车实际加速度。
2.根据权利要求1所述的ACC决策方法,其特征在于,当所述模型的预测时域为[k,k+p-1]时,所述模型具体为:
式中,k为当前时刻,Xf为所述预测时域的状态序列,U为所述预测时域的控制序列,xf(k)为当前观察状态量,Ap为矩阵在所述预测时域迭代的系数矩阵,Bp为矩阵在所述预测时域迭代的系数矩阵,Cp=diag(C,C,…,C)为相应系数矩阵,Y为系统输出序列;
其中,KL为理想一阶系统增益,TL为下位控制器的时间常数,Ts为采样周期。
3.根据权利要求2所述的ACC决策方法,其特征在于,当所述二次型性能指标为所述动态追踪性能指标、所述燃油经济性能指标和所述驾乘舒适性能指标时,所述代价函数具体为:
式中,W1=Wt1+Wc1,W2=Wt2+Wc2,
Wt1=diag(ωt1,ωt1,…,ωt1),Wc1=diag(ωc1,ωc1,…,ωc1),
Wt2=[ωt2(k+1),…,ωt2(k+p)],Wc2=[ωc2(k+1),…,ωc2(k+p)],
ωt2=[-2ωΔdsp(k+i) -2(ωΔdτhsp(k+i)+ωΔvvp(k+i)) 0],
ωc2=ωc[-2kd(kdsp(k+i)+kvvp(k+i)) -2(kdτh+kv)(kdsp(k+i)+kvvp(k+i)) -2(kdsp(k+i)+kvvp(k+i))],
U=[af,des(k) af,des(k+i)…af,des(k+p-1)]T,
4.根据权利要求1至3任一项所述的ACC决策方法,其特征在于,所述建立ACC纵向跟车运动学的模型,还包括:
引入误差修正项,建立闭环反馈校正机制。
5.根据权利要求4所述的ACC决策方法,其特征在于,所述误差修正项具体为:e(k)=x(k)-x(k|k-1);
式中,x(k)为k时刻系统实际状态,x(k|k-1)为k-1时刻对k时刻状态的预测;
其中,所述模型具体为
式中,λ=diag(λ1,λ2,λ3)为校正矩阵,λ1、λ2和λ3均为预设数值。
6.根据权利要求5所述的ACC决策方法,其特征在于,所述基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数之后,还包括:
对所述线性不等式约束条件进行松弛化,并在所述代价函数中增加二次型惩罚项。
7.根据权利要求6所述的ACC决策方法,其特征在于,所述通过对所述代价函数进行滚动在线优化,以获取ACC的控制量,包括:
根据获取的工况信息,选择所述工况信息对应的ACC工作模式对应的代价函数进行滚动在线优化,以获取所述ACC的控制量;
其中,每个ACC工作模式对应的代价函数的约束条件对应的约束界和/或松弛度和/或二次型性能指标中的权重不同。
8.一种ACC决策系统,其特征在于,包括:
建模模块,用于建立ACC纵向跟车运动学的模型;
决策模块,用于基于MPC模型预测控制理论,在所述模型下根据预设的二次型性能指标及其对应的线性不等式约束条件,建立代价函数,通过对所述代价函数进行滚动在线优化,以获取ACC的控制量;其中,所述代价函数的约束条件为跟车安全硬约束条件和所述线性不等式约束条件的组合;
其中,所述二次型性能指标包括:动态追踪性能指标、燃油经济性能指标和驾乘舒适性能指标中至少一项;
所述动态追踪性能指标、所述燃油经济性能指标和所述驾乘舒适性能指标及各自对应的线性不等式约束条件分别为:
所述动态追踪性能指标为JT=ωΔdΔd2+ωΔvΔv2,所述动态追踪性能指标的线性不等式约束条件为
式中,期望车距误差Δd=d-ddes=(sp+d0-sf)-(τhvf+ds),相对车速Δv=vp-vf,vp为前车速度,vf为自车速度,d0为初始车距,sp为前车位移,sf为自车位移,τh为固定时距,ds为极限安全车距,ωΔd与ωΔv分别为期望车距误差Δd与相对车速Δv的权重系数;
所述燃油经济性能指标为所述动态追踪性能指标的线性不等式约束条件为
式中,ωa与ωj分别为自车期望加速度af,des与自车冲击度jerk的权重系数;
所述驾乘舒适性能指标为所述驾乘舒适性能指标的线性不等式约束条件为
式中,ωc为相应权重系数,af,ref=kvΔv+kdΔd为驾驶员参考加速度,kv和kd分别为相应的权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710329656.1A CN107139923B (zh) | 2017-05-11 | 2017-05-11 | 一种acc决策方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710329656.1A CN107139923B (zh) | 2017-05-11 | 2017-05-11 | 一种acc决策方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107139923A CN107139923A (zh) | 2017-09-08 |
CN107139923B true CN107139923B (zh) | 2019-07-09 |
Family
ID=59777285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710329656.1A Active CN107139923B (zh) | 2017-05-11 | 2017-05-11 | 一种acc决策方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107139923B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022049428A1 (en) * | 2020-09-03 | 2022-03-10 | Vie Technology (Europe) Kft. | Method and arrangement to timely trigger automatic emergency braking operation and to control the longitudinal movement of a vehicle |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832517B (zh) * | 2017-11-01 | 2021-05-04 | 合肥创宇新能源科技有限公司 | 基于相对运动关系的acc纵向运动学建模方法 |
CN107856669A (zh) * | 2017-11-01 | 2018-03-30 | 合肥创宇新能源科技有限公司 | 基于跟随工况适应策略的acc控制方法 |
CN110015306B (zh) * | 2018-01-10 | 2020-12-04 | 华为技术有限公司 | 驾驶轨迹获取方法及装置 |
CN110320545B (zh) * | 2018-03-30 | 2021-09-28 | 昆山微电子技术研究院 | 一种急变速识别方法、装置、系统 |
CN111196275A (zh) * | 2018-11-16 | 2020-05-26 | 中科院微电子研究所昆山分所 | 一种多目标自适应巡航控制方法、装置及设备 |
CN109712421B (zh) | 2019-02-22 | 2021-06-04 | 百度在线网络技术(北京)有限公司 | 自动驾驶车辆的速度规划方法、装置和存储介质 |
CN111762158A (zh) * | 2019-03-29 | 2020-10-13 | 中科院微电子研究所昆山分所 | 集成式跟随控制方法、系统、装置及计算机可读存储介质 |
CN110539752B (zh) * | 2019-06-26 | 2020-12-18 | 江苏大学 | 一种智能汽车多预测范围模型预测轨迹跟踪控制方法及系统 |
CN110320916A (zh) * | 2019-07-24 | 2019-10-11 | 上海交通大学 | 考虑乘员感受的自动驾驶汽车轨迹规划方法及系统 |
CN112764347B (zh) * | 2021-01-07 | 2023-08-22 | 成都信息工程大学 | 一种基于最大相关熵准则的智能车辆路径跟踪方法 |
CN112896161B (zh) * | 2021-02-08 | 2022-06-21 | 杭州电子科技大学 | 一种基于强化学习的电动汽车生态自适应巡航控制系统 |
CN113650622B (zh) * | 2021-07-16 | 2023-06-20 | 东风柳州汽车有限公司 | 车速轨迹规划方法、装置、设备及存储介质 |
CN114212083B (zh) * | 2022-01-18 | 2024-02-27 | 浙江工业大学 | 一种在线优化调度的网联车辆多目标自适应巡航控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425106A (zh) * | 2008-11-06 | 2009-05-06 | 清华大学 | 车辆多目标协调式自适应巡航控制性能的数学量化方法 |
CN105857309A (zh) * | 2016-05-25 | 2016-08-17 | 吉林大学 | 一种考虑多目标的车辆自适应巡航控制方法 |
US9469300B1 (en) * | 2011-09-16 | 2016-10-18 | Robert J. Crawford | Automobile-speed control using terrain-based speed profile |
CN106143488A (zh) * | 2015-03-09 | 2016-11-23 | 重庆邮电大学 | 一种汽车自适应巡航分工况控制系统 |
-
2017
- 2017-05-11 CN CN201710329656.1A patent/CN107139923B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101425106A (zh) * | 2008-11-06 | 2009-05-06 | 清华大学 | 车辆多目标协调式自适应巡航控制性能的数学量化方法 |
US9469300B1 (en) * | 2011-09-16 | 2016-10-18 | Robert J. Crawford | Automobile-speed control using terrain-based speed profile |
CN106143488A (zh) * | 2015-03-09 | 2016-11-23 | 重庆邮电大学 | 一种汽车自适应巡航分工况控制系统 |
CN105857309A (zh) * | 2016-05-25 | 2016-08-17 | 吉林大学 | 一种考虑多目标的车辆自适应巡航控制方法 |
Non-Patent Citations (1)
Title |
---|
汽车自适应巡航跟车多目标鲁棒控制算法设计;吴光强等;《哈尔滨工业大学学报》;20160131;第48卷(第1期);第80-86页 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022049428A1 (en) * | 2020-09-03 | 2022-03-10 | Vie Technology (Europe) Kft. | Method and arrangement to timely trigger automatic emergency braking operation and to control the longitudinal movement of a vehicle |
Also Published As
Publication number | Publication date |
---|---|
CN107139923A (zh) | 2017-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107139923B (zh) | 一种acc决策方法及系统 | |
CN106740846B (zh) | 一种双模式切换的电动汽车自适应巡航控制方法 | |
CN102109821B (zh) | 车辆自适应巡航控制系统及方法 | |
He et al. | An intelligent braking system composed single-pedal and multi-objective optimization neural network braking control strategies for electric vehicle | |
CN108860148B (zh) | 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法 | |
CN106476806B (zh) | 基于交通信息的协同式自适应巡航系统算法 | |
KR101601889B1 (ko) | 규칙 및/또는 비용에 기초하여 차량 속도를 제어하기 위한 방법 및 모듈 | |
CN104859650B (zh) | 一种多时间尺度的车辆横摆稳定性滚动优化控制方法 | |
CN109484407A (zh) | 一种电动汽车辅助驾驶的自适应跟车方法 | |
CN106184207A (zh) | 四轮独立驱动电动汽车自适应巡航控制系统力矩分配方法 | |
SE535422C2 (sv) | Metod och modul för att styra ett fordons hastighet | |
KR20140107587A (ko) | 규칙 및/또는 비용에 기초하여 차량의 속도를 제어하기 위한 방법 및 모듈 | |
Zhai et al. | Cooperative look-ahead control of vehicle platoon for maximizing fuel efficiency under system constraints | |
Marzbanrad et al. | Self-tuning control algorithm design for vehicle adaptive cruise control system through real-time estimation of vehicle parameters and road grade | |
CN106314202A (zh) | 纯电动汽车的滑动能量回收方法、装置及纯电动汽车 | |
CN107856669A (zh) | 基于跟随工况适应策略的acc控制方法 | |
Zhang et al. | Study on adaptive cruise control strategy for battery electric vehicle | |
CN108749816B (zh) | 运用能量耗散理论进行智能车辆速度调控的方法 | |
Luo | Adaptive cruise control design with consideration of humans' driving psychology | |
JP2012030659A (ja) | 状況適合型運転支援装置 | |
Németh et al. | LPV-based control design of vehicle platoon considering road inclinations⋆ | |
CN113561976B (zh) | 基于反馈优化的车辆节能预测自适应巡航控制方法和装置 | |
CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
CN115571125A (zh) | 商用车pcc功能的模型预测控制算法 | |
CN114537419A (zh) | 一种考虑驾驶员活跃度及驾驶能力的辅助控制器设计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | "change of name, title or address" | ||
CP03 | "change of name, title or address" |
Address after: 215347 7th floor, IIR complex, 1699 Weicheng South Road, Kunshan City, Suzhou City, Jiangsu Province Patentee after: Kunshan Microelectronics Technology Research Institute Address before: 215347 7th floor, complex building, No. 1699, Zuchongzhi South Road, Kunshan City, Suzhou City, Jiangsu Province Patentee before: KUNSHAN BRANCH, INSTITUTE OF MICROELECTRONICS OF CHINESE ACADEMY OF SCIENCES |