CN107832517A

CN107832517A - 基于相对运动关系的acc纵向运动学建模方法

Info

Publication number: CN107832517A
Application number: CN201711059649.0A
Authority: CN
Inventors: 章军辉; 徐川; 赵枫
Original assignee: Hefei Chong Yu Amperex Technology Ltd
Current assignee: Hefei Hagong Huanyi New Energy Technology Co.,Ltd.
Priority date: 2017-11-01
Filing date: 2017-11-01
Publication date: 2018-03-23
Anticipated expiration: 2037-11-01
Also published as: CN107832517B

Abstract

本发明公开了一种基于相对运动关系的ACC纵向运动学建模方法，进行ACC纵向运动学建模时，综合考虑自车状态参数和前车状态参数，设定状态量x_f(k)＝[Δd(k),Δv(k),a_f(k)]^T，并引入系统扰动量a_p(k)，期望车距d_des采用固定时距策略、可变时距策略或拟合驾驶员跟随行为的二阶回归模型，将自车与前车的相对运动关系以及环境参数的影响纳入ACC纵向运动学建模过程中，提高模型计算的准确性，降低预测误差，进而提高跟车预测模型的预测精度以及抗干扰能力。

Description

基于相对运动关系的ACC纵向运动学建模方法

技术领域

本发明属于车辆控制技术领域，涉及一种ACC纵向运动学建模方法，具体是一种基于相对运动关系的ACC纵向运动学建模方法。

背景技术

作为一种先进的ADAS驾驶辅助系统，ACC(Adaptive Cruise Control)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。传统PID控制、LQR控制、模糊控制等控制策略多以车距控制作为主要目标，即主要考虑安全性而忽略舒适性等需求。近年来，对ACC的研究呈多元化态势，如全速ACC，改善交通流的协同CACC，ACC与LCA变道辅助，模拟驾驶员跟随行为ACC，面向燃油经济性ACC，多目标协调控制ACC等。为进一步提尚ACC的用户使用率与驾乘人员的接受度，对人性化ACC的研究受到了广泛关注。

中国申请公布的专利CN107139923A，提供了一种ACC决策方法及系统，其具体公开了建立ACC纵向跟车运动学模型的方法，采用固定时距策略，当所述模型的预测时域为[k，k+p-1]时，ACC纵向跟车运动学的模型具体为：

(1)式中，k为当前时刻，X_f为上述预测时域的状态序列，U为上述预测时域的控制序列，x_f(k)为当前观察状态量，A_p为矩阵在上述预测时域迭代的系数矩阵，B_p为矩阵在上述预测时域迭代的系数矩阵，C_p＝diag(C,C,…,C)为相应系数矩阵，Y为系统输出序列；

其中，K_L为理想一阶系统增益，T_L为下位控制器的时间常数，T_s为采样周期。

但是，该方法建模仅仅是从自车状态考虑，其当前观察状态量x_f(k)＝[s_f(k),v_f(k),a_f(k)]^T，仅包含自车状态参数(位移、自车速度和自车加速度)，缺少相对的运动关系，忽略了环境参数的影响，从而导致模型计算不准确，预测误差大，影响车辆自适应巡航控制的准确性。

发明内容

本发明的目的在于提供一种基于相对运动关系的ACC纵向运动学建模方法，将自车与前车的相对运动关系以及环境参数的影响纳入ACC纵向运动学建模过程中，提高跟车预测模型的预测精度以及抗干扰能力。

本发明的目的可以通过以下技术方案实现：

基于相对运动关系的ACC纵向运动学建模方法，具体包括以下步骤：

步骤S1，根据ACC系统分层设计，决策层根据自车状态参数、前车状态参数、环境参数决定自车纵向期望加速度，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，建立理想一阶系统传递函数

其中，K_L为理想一阶系统增益，T_L为时间常数；

步骤S2，根据ACC纵向跟车运动学特性，定义关系式如下：

其中，Δd为期望车距误差，d为实际车距，d_des为期望车距，Δv为相对车速，v_p为前车速度，v_f为自车速度，a_f为自车实际加速度，a_f,des为自车期望加速度，jerk为自车冲击度；

步骤S3，将x_f(k)作为状态量，u(k)作为控制量，a_p(k)作为系统扰动量，y(k)作为系统输出量，建立离散状态空间方程

其中，u(k)＝a_f,des(k)，T_s为采样周期，各系数矩阵分别满足

步骤S4，设当前时刻为k，预测时域为[k，k+p-1]，由步骤S3中的离散状态空间方程逐步迭代整理得

其中，

X＝[x(k+1),x(k+2)…x(k+p)]^T为预测时域的状态序列，

U＝[u(k),u(k+1)…u(k+p-1)]^T为预测时域的控制序列，

A_p＝[A,A²…A^p]^T

C_p＝diag(C,C,…,C)为相应的系数矩阵，Y为系统输出序列。

进一步地，所述步骤S2中的期望车距d_des采用固定时距策略、可变时距策略、拟合驾驶员跟随行为的二阶回归模型、二次车距策略或指数型车距策略。

进一步地，所述可变时距策略具体为：

其中，τ_h为可变时距、d₀为零速度车距，τ₀、c_v、c_a为正常数，前车加速度a_p的估算方法为

进一步地，对所述可变时距τ_h作边界约束，

其中，sat(·)为饱和函数，τ_{h_max}、τ_{h_min}分别为可变时距τ_h的上界和下界。

进一步地，所述正常数τ₀的取值通过离线参数标定在线学习更新的方法，利用危险感受度、制动习惯、应急反应时间来表征驾驶群体特性，将其划分成激进、谨慎、新手群体，借助BP神经网络进行学习与分类，实现差异化预警。

进一步地，所述零速度车间距d₀为2m，并进一步修正

其中，为路面附着系数，η为修正系数。

进一步地，所述拟合驾驶员跟随行为的二阶回归模型具体为：

其中，c₀、c₁为正数，c₂为负数。

进一步地，所述二次车距策略具体为：

其中，c₀、c₁、c₂均为正数。

进一步地，所述指数型车距策略具体为：

其中，d₀为零速度车距，a_max为最大制动减速度，M、γ为设计参数。

进一步地，综合考虑自车状态参数和前车状态参数，令所述步骤S3中的状态量x_f(k)＝[Δd(k),Δv(k),a_f(k)]^T。

本发明的有益效果：本发明提供的基于相对运动关系的ACC纵向运动学建模方法，进行ACC纵向运动学建模时，综合考虑自车状态参数和前车状态参数，设定状态量x_f(k)＝[Δd(k),Δv(k),a_f(k)]^T，并引入系统扰动量a_p(k)，期望车距d_des采用固定时距策略、可变时距策略或拟合驾驶员跟随行为的二阶回归模型，将自车与前车的相对运动关系以及环境参数的影响纳入ACC纵向运动学建模过程中，提高模型计算的准确性，降低预测误差，进而提高跟车预测模型的预测精度以及抗干扰能力。

附图说明

下面结合附图和具体实施例对本发明作进一步详细描述。

图1为ACC纵向运动学示意图。

具体实施方式

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，所描述的实施例仅仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明提供了一种基于相对运动关系的ACC纵向运动学建模方法，具体包括以下步骤：

步骤S1，根据ACC系统分层设计，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，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，建立理想一阶系统传递函数

(2)式中，K_L为理想一阶系统增益，T_L为时间常数。

步骤S2，如图1所示，根据ACC纵向跟车运动学特性，定义关系式如下：

(3)式中，Δd为期望车距误差，d为实际车距，d_des为期望车距，Δv为相对车速，v_p为前车速度，v_f为自车速度，a_f为自车实际加速度，a_f,des为自车期望加速度，jerk为自车冲击度。

其中，步骤S2中的期望车距d_des为ACC控制的参考跟车间距，采用固定时距策略、可变时距策略、拟合驾驶员跟随行为的二阶回归模型、二次车距策略或指数型车距策略。

其中，可变时距策略具体为：

(4)式中，τ_h为可变时距、d₀为零速度车距，τ₀、c_v、c_a为正常数，前车加速度a_p的估算方法为

为确保可变时距τ_h取值的合理性，以减少对交通流量的浪费、邻道车辆的频繁切入等现象，故对可变时距τ_h作边界约束，

(5)式中，sat(·)为饱和函数，τ_{h_max}、τ_{h_min}分别为可变时距τ_h的上界和下界。

τ₀的取值通过离线参数标定在线学习更新的方法，利用危险感受度、制动习惯、应急反应时间来表征驾驶群体特性，将其划分成激进、谨慎、新手群体，借助BP神经网络进行学习与分类，实现差异化预警。

零速度车间距d₀约为2m，并工程实际路面附着情况，对进一步修正以补偿路面湿滑所导致较长的制动距离，

(6)式中，为路面附着系数，η为修正系数。

其中，拟合驾驶员跟随行为的二阶回归模型具体为：

(7)式中，c₀、c₁为正数，c₂为负数，该策略中c₂为负数能更好地表征驾驶跟随行为特性。

其中，二次车距策略具体为：

(8)式中，c₀、c₁、c₂均为正数，该策略中c₂为正数，更具备交通流稳定性。

其中，指数型车距策略具体为：

(9)式中，d₀为零速度车距，a_max为最大制动减速度，M、γ为设计参数。

(10)式中，u(k)＝a_f,des(k)，T_s为采样周期，各系数矩阵分别满足

其中，综合考虑自车状态参数和前车状态参数，令步骤S3中的状态量x_f(k)＝[Δd(k),Δv(k),a_f(k)]^T。

步骤S4，设当前时刻为k，预测时域为[k，k+p-1]，由式(5)逐步迭代整理得

(11)式中，

X＝[x(k+1),x(k+2)…x(k+p)]^T为预测时域的状态序列，

U＝[u(k),u(k+1)…u(k+p-1)]^T为预测时域的控制序列，

A_p＝[A,A²…A^p]^T

C_p＝diag(C,C,…,C)为相应的系数矩阵，Y为系统输出序列。

本发明提供的基于相对运动关系的ACC纵向运动学建模方法，进行ACC纵向运动学建模时，综合考虑自车状态参数和前车状态参数，设定状态量x_f(k)＝[Δd(k),Δv(k),a_f(k)]^T，并引入系统扰动量a_p(k)，期望车距d_des采用固定时距策略、可变时距策略或拟合驾驶员跟随行为的二阶回归模型，将自车与前车的相对运动关系以及环境参数的影响纳入ACC纵向运动学建模过程中，提高模型计算的准确性，降低预测误差，进而提高跟车预测模型的预测精度以及抗干扰能力。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims

1.基于相对运动关系的ACC纵向运动学建模方法，其特征在于，具体包括以下步骤：

<mrow> <mi>G</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msub> <mi>K</mi> <mi>L</mi> </msub> <mrow> <msub> <mi>T</mi> <mi>L</mi> </msub> <mo>&CenterDot;</mo> <mi>s</mi> <mo>+</mo> <mn>1</mn> </mrow> </mfrac> </mrow>

其中，K_L为理想一阶系统增益，T_L为时间常数；

步骤S2，根据ACC纵向跟车运动学特性，定义关系式如下：

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>&Delta;</mi> <mi>d</mi> <mo>=</mo> <mi>d</mi> <mo>-</mo> <msub> <mi>d</mi> <mrow> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>&Delta;</mi> <mi>v</mi> <mo>=</mo> <msub> <mi>v</mi> <mi>p</mi> </msub> <mo>-</mo> <msub> <mi>v</mi> <mi>f</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>j</mi> <mi>e</mi> <mi>r</mi> <mi>k</mi> <mo>=</mo> <msub> <mover> <mi>a</mi> <mo>&CenterDot;</mo> </mover> <mrow> <mi>f</mi> <mo>,</mo> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>T</mi> <mi>L</mi> </msub> <msub> <mover> <mi>a</mi> <mo>&CenterDot;</mo> </mover> <mi>f</mi> </msub> <mo>+</mo> <msub> <mi>a</mi> <mi>f</mi> </msub> <mo>=</mo> <msub> <mi>K</mi> <mi>L</mi> </msub> <msub> <mi>a</mi> <mrow> <mi>f</mi> <mo>,</mo> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced>

其中，u(k)＝a_f,des(k)，T_s为采样周期，各系数矩阵分别满足

其中，

X＝[x(k+1),x(k+2)…x(k+p)]^T为预测时域的状态序列，

U＝[u(k),u(k+1)…u(k+p-1)]^T为预测时域的控制序列，

A_p＝[A,A²...A^p]^T

C_p＝diag(C,C,…,C)为相应的系数矩阵，Y为系统输出序列。

2.根据权利要求1所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述步骤S2中的期望车距d_des采用固定时距策略、可变时距策略、拟合驾驶员跟随行为的二阶回归模型、二次车距策略或指数型车距策略。

3.根据权利要求2所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述可变时距策略具体为：

4.根据权利要求3所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，对所述可变时距τ_h作边界约束，

5.根据权利要求3所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述正常数τ₀的取值通过离线参数标定在线学习更新的方法，利用危险感受度、制动习惯、应急反应时间来表征驾驶群体特性，将其划分成激进、谨慎、新手群体，借助BP神经网络进行学习与分类，实现差异化预警。

6.根据权利要求3所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述零速度车间距d₀为2m，并进一步修正

其中，为路面附着系数，η为修正系数。

7.根据权利要求2所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述拟合驾驶员跟随行为的二阶回归模型具体为：

其中，c₀、c₁为正数，c₂为负数。

8.根据权利要求2所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述二次车距策略具体为：

其中，c₀、c₁、c₂均为正数。

9.根据权利要求2所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，所述指数型车距策略具体为：

<mrow> <msub> <mi>d</mi> <mrow> <mi>d</mi> <mi>e</mi> <mi>s</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>d</mi> <mn>0</mn> </msub> <mo>+</mo> <mfrac> <mrow> <msubsup> <mi>&sigma;v</mi> <mi>f</mi> <mn>2</mn> </msubsup> </mrow> <mrow> <mn>2</mn> <msub> <mi>a</mi> <mi>max</mi> </msub> </mrow> </mfrac> <mo>+</mo> <mi>M</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mi>exp</mi> <mo>(</mo> <mrow> <mo>-</mo> <msub> <mi>v</mi> <mi>f</mi> </msub> <mo>/</mo> <mi>&gamma;</mi> </mrow> <mo>)</mo> <mo>)</mo> </mrow> </mrow>

10.根据权利要求1所述的基于相对运动关系的ACC纵向运动学建模方法，其特征在于，综合考虑自车状态参数和前车状态参数，令所述步骤S3中的状态量x_f(k)＝[Δd(k),Δv(k),a_f(k)]^T。