CN108528451B - 一种自适应巡航控制方法、装置及电动汽车 - Google Patents

Abstract

本发明提供一种自适应巡航控制方法、装置及电动汽车。该方法包括：获取电动汽车和目标跟踪车辆的车辆行驶状态信息；根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；根据所述目标输出扭矩，对所述电动汽车进行巡航控制。本发明通过获取电动汽车和目标跟踪车辆的车辆行驶状态信息，按照由车辆行驶状态信息确定出的电动汽车的目标输出扭矩，对电动汽车进行巡航控制。这样，在跟车过程中，驾驶员通过调节车辆的动力输出，在保证车辆安全行车的前提下，还能够保证车上人员的驾乘感受，达到了实现电动汽车的动态跟踪性以及驾乘舒适性的目的。

Description

一种自适应巡航控制方法、装置及电动汽车

技术领域

本发明涉及电动汽车技术领域，特别是涉及一种自适应巡航控制方法、装置及电动汽车。

背景技术

面对日趋严峻的能源与环境问题，节能与新能源汽车正成为当前研究的热点。作为节能与新能源汽车的一种，纯电动汽车在行驶过程中具有无尾气排放、能量效率高、噪声低、可回收利用能量等多项优点，因此大力发展纯电动汽车对能源安全、环境保护具有重大意义。

先进驾驶员辅助系统(Advanced Driver Assistant System，简称ADAS)目前已经成为国内外智能交通领域的研究热点。其中，自适应巡航控制(Adaptive Cruise Control，简称ACC)系统通过代替驾驶员调节车辆的输出动力，从而实现车辆的定速巡航或跟车行驶，有利于降低驾驶员工作强度。在汽车行驶过程中，通过安装在车辆前部的毫米波雷达传回的车距信息及自车速度、加速度等信息，控制车辆与前方车辆之间保持一定的相对距离及相对速度，整个过程无需驾驶员的干预，从而有效减轻驾驶员在驾驶过程中的操作强度，提高公共道路交通系统的效率，增强车辆行驶的主动安全性。

目前国际上关于自适应巡航系统的产品主要应用于传统燃油车中，研究基本都是针对传统燃油车中，鲜有专门针对电动汽车的自适应巡航控制的研究，实际上，就纯电动汽车而言，其整车模型、控制策略、驱动制动形式都与燃油车有着很大的不同，而纯电动汽车又是汽车产业未来发展的一大方向。因此，纯电动汽车自适应巡航的研究对于汽车安全性、经济型等方面具有深远的意义。

自适应巡航控制有两个重要的性能指标，分别为动态跟踪性与驾乘舒适性，它们之间相互制约。其中动态跟踪性用于表征巡航车辆对前车精确跟随的性能，而驾乘舒适性为车辆自适应巡航过程中车上人员的乘坐感受。一般来说，过于精确的跟踪性能会导致车辆加速度的剧烈变化，直接对驾乘感受造成巨大的负面影响影，同样过于追求驾乘舒适性，会大幅降低车辆的动态跟踪性。因此如何在自适应巡航控制中找到动态跟踪性与驾乘舒适性中的平衡点成为当前的研究热点。

发明内容

本发明的目的在于提供一种自适应巡航控制方法、装置及电动汽车，从而可以解决现有技术中电动汽车的动态跟踪性与驾乘舒适性二者无法兼得的问题。

为了实现上述目的，本发明实施例提供一种自适应巡航控制方法，应用于电动汽车，包括：

获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

根据所述目标输出扭矩，对所述电动汽车进行巡航控制。

其中，获取电动汽车和目标跟踪车辆的车辆行驶状态信息的步骤，包括：

获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

其中，所述根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩的步骤，包括：

获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩的试验样本数据[V_aa L_n ΔL ΔV T_q]；

根据试验样本数据[V_a a L_n ΔL ΔV T_q]，创建径向基函数神经网络；

根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

其中，根据试验样本数据[V_a a L_n ΔL ΔV T_q]，创建径向基函数神经网络的步骤，包括：

根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_a a L_n ΔL ΔV]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

根据所述试验样本数据[V_a a L_n ΔL ΔV T_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

其中，根据所述目标输出扭矩，对所述电动汽车进行巡航控制的步骤，包括：

在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

本发明实施例还提供一种自适应巡航控制装置，包括：

获取模块，用于获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

输出扭矩确定模块，用于根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

巡航控制模块，用于根据所述目标输出扭矩，对所述电动汽车进行巡航控制。

其中，所述获取模块包括：

第一获取子模块，用于获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

其中，所述输出扭矩确定模块包括：

第二获取子模块，用于获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩的试验样本数据[V_a a L_n ΔL ΔV T_q]；

神经网络创建子模块，用于根据试验样本数据[V_a a L_n ΔL ΔV T_q]，创建径向基函数神经网络；

输出扭矩确定子模块，用于根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

其中，所述神经网络创建子模块包括：

初始神经网络建立单元，用于根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_a a L_n ΔL ΔV]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

神经网络训练单元，用于根据所述试验样本数据[V_a a L_n ΔL ΔV T_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

其中，所述巡航控制模块包括：

驱动控制子模块，用于在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

制动控制子模块，用于在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

本发明实施例还提供一种电动汽车，包括如上述所述的自适应巡航控制装置。

本发明的上述技术方案的有益效果如下：

本发明实施例的上述方案中，通过获取电动汽车和目标跟踪车辆的车辆行驶状态信息，按照由车辆行驶状态信息确定出的电动汽车的目标输出扭矩，对电动汽车进行巡航控制。这样，在跟车过程中，驾驶员通过调节车辆的动力输出，在保证车辆安全行车的前提下，还能够保证车上人员的驾乘感受，达到了实现电动汽车的动态跟踪性以及驾乘舒适性的目的。

附图说明

图1为本发明实施例的自适应巡航控制方法的流程图；

图2为本发明纯电动汽车的自适应巡航控制系统架构示意图；

图3为本发明实施例的车辆自适应巡航示意图；

图4为图1中步骤102的具体流程图；

图5为本发明实施例的径向基函数神经网络的架构图；

图6为本发明实施例的自适应巡航控制装置的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

如图1所示，为本发明实施例的自适应巡航控制方法的流程图，应用于电动汽车。下面就该图具体说明该方法的实施过程。

这里，在具体阐述本方法的执行步骤之前，需要说明的是，本发明实施例的电动汽车具有自适应巡航功能，该功能属于舒适驾驶控制的功能。本发明实施例提供的自适应巡航控制方法适用于具有如图2所示的自适应巡航控制系统架构的纯电动汽车。

这里，如图2所示，该自适应巡航控制系统架构包括：加速踏板系统、制动踏板系统、自适应巡航传感器(包括摄像头、毫米波雷达等)、整车控制器(Vehicle Control Unit，简称VCU)、电池管理系统(Battery Management System，简称BMS)、电机控制器(MoterControl Unit，简称MCU)、驱动电机、单级减速器、液压制动控制单元、制动卡钳和车轮。

如图2所示，该架构中自适应巡航功能由电机控制器主导完成。其中，电机控制器接收加速踏板系统、制动踏板系统、整车控制器与电池管理系统的车辆状态信息，以及通过自适应巡航传感器获得目标跟踪车辆的信息，如相对车辆速度、相对距离等。

在自适应巡航控制模式下，电机控制器根据以上信息计算得到当前车辆扭矩命令，该命令可为“正”或者为“负”，命令为“正”表示车辆具有加速需求，命令为“负”则表示车辆具有制动需求。在获得当前车辆扭矩命令的基础上，电机控制器对该扭矩命令进行分配，其中，当扭矩命令为正，则该扭矩命令即为驱动电机输出扭矩命令；若扭矩命令为负，则根据当前车辆状态以及命令扭矩大小进行扭矩分配，分别通过驱动电机能量回收以及液压制动单元产生的制动扭矩实现车辆的减速。

这里，液压制动控制单元在接收到扭矩命令后通过控制制动卡钳的动作实现对车辆四个车轮的制动；而驱动电机能量回收产生的制动扭矩则通过单级减速器直接作用于车辆的驱动轮。

步骤101，获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

这里，电动汽车作为巡航车辆，模拟驾驶员的实际跟车巡航操作。

需要说明的是，电动汽车可通过电机控制器接收加速踏板系统、制动踏板系统、整车控制器与电池管理系统的有关于电动汽车自身的车辆状态信息，比如，电动汽车的当前车速、当前加速度等；以及通过自适应巡航传感器获取目标跟踪车辆的信息，比如，相对车辆速度、相对距离等。

步骤102，根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

需要说明的是，电动汽车的输出扭矩与车辆行驶状态信息中多个参数有关。

这里，本发明实施例中，车辆行驶状态信息包括：电动汽车的车速、电动汽车的加速度、电动汽车与目标跟踪车辆之间的实际距离、实际距离与预设安全距离的差值以及电动汽车与所述目标跟踪车辆之间的相对速度。

需要说明的是，如图3所示，为车辆自适应巡航示意图。其中，V_a表示巡航车辆的车速，V_b表示目标跟踪车辆的车速，理想状态下通过一定的控制方法应使巡航车辆的车速与目标跟踪车辆的车速保持一致，同时，巡航车辆与目标跟踪车辆间保证一定的安全距离，即预设安全距离。

需要说明的是，安全距离与车辆的车速有关，关于安全距离目前一般通过时距方法获得，即目标跟踪车辆与巡航车辆的车头依次通过同一截面的时间满足一定条件，一般来说时间间隔需要大于1.5s以上，该时间称为安全时间，以保证车辆的行车安全。可以看出，安全距离与巡航车辆的车速有密切关系，车速高时安全距离增大，车速低时安全距离减小，这与驾驶员的实际跟车行为相一致。

如图3所示，在巡航车辆以V_a的速度行驶，目标跟踪车辆以V_b的速度行驶的条件下，两车间的理想安全距离，即预设安全距离(巡航车辆的车头与目标跟踪车辆车尾的距离，即图中的L)为在目标车辆突然停止移动的状态下，巡航车辆在速度不变的条件下，经过时间t后撞击目标跟踪车辆的距离，出于行车安全考虑，本发明实施例取时间t为2s，此时两车间的预设安全距离为式(一)：L＝V_a×t。

公式(一)给出了预设安全距离L的概念，在实际的自适应巡航控制中，其对应着两车间实际距离的概念。本发明实施例定义自适应巡航控制中，巡航车辆车头距离目标车辆车尾的距离为两车间的实际距离，令其为L_n。定义实际距离与预设安全距离间的差值为ΔL，如式(二)：ΔL＝L_n－L。

在自适应巡航控制中，目标跟踪车辆的车速V_b为对于巡航车辆来说的理想车速，即在保持预设安全距离的状态下，巡航车辆的车速与目标跟踪车辆的车速一致。因此本发明实施例定义巡航车辆车速与目标车速间的偏差为式(三)：ΔV＝V_a－V_b。

根据式(二)、(三)可以看出，基于驾驶员模型(熟练驾驶员跟踪车辆的驾驶操作)，ΔL＜0表示两车间的距离小于预设安全距离；在ΔL＜0的情况下，若巡航车辆的车速大于目标跟踪车辆的车速(对应式(三)中的ΔV＞0)，这种情况处于安全考虑，需要对车辆实施制动操作，降低巡航车辆的车速；同理，在ΔL＞0，且ΔV＜0的条件下，则需要提高巡航车辆的车速。但以上两种情况为简单情况。

考虑复杂些的工况，当ΔL＜0，且ΔV＜0时(两车间的实际距离低于预设安全距离，但巡航车辆的车速低于目标跟踪车辆的车速)，此时对于实际驾驶员来说还需要参照其他标准来完成车辆驾驶，包括两车间的实际距离L_n，巡航车辆当前的车速值以及巡航车辆的加速度，其中定义巡航车辆的当前加速度为a。对于一名熟练驾驶员来说，在当ΔL＜0，且ΔV＜0时，若两车间的实际距离L_n较大(对应实际距离L_n与预设安全距离L相差较小)，巡航车辆的车速V_a与目标跟踪车辆的车速V_b相差较小时，则驾驶员很可能通过保持当前车速的方式使两车间的实际距离向预设安全距离靠拢。

但同样在ΔL＜0且ΔV＜0的条件下，若两车间的实际距离Ln较小，巡航车辆的车速V_a与目标车辆的车速V_b相差较小，此时驾驶员出于安全考虑很可能释放加速踏板并执行制动操作，来保证两车间的安全距离；但如果车辆当前的加速度a为负，则驾驶员根据经验很可能会保持加速踏板开度不变，通过车辆的负向加速度来达到降低车速，保持两车间安全距离的目的。

通过以上的分析可以看出，基于驾驶员模型，在纯电动汽车自适应巡航控制中，车辆输出扭矩与多方面的因素有关，包括ΔL、ΔV、L_n、V_a及a，它们之间存在着复杂的映射关系，而且车辆输出扭矩在保证车辆安全行车(巡航车辆与目标跟踪车辆保持一定的安全距离)的前提下，还保证车上人员的乘坐感受。

步骤103，根据所述目标输出扭矩，对所述电动汽车进行巡航控制。

本发明实施例提供的自适应巡航控制方法，通过获取电动汽车和目标跟踪车辆的车辆行驶状态信息，按照由车辆行驶状态信息确定出的电动汽车的目标输出扭矩，对电动汽车进行巡航控制。这样，在跟车过程中，驾驶员通过调节车辆的动力输出，在保证车辆安全行车的前提下，还能够保证车上人员的驾乘感受，达到了实现电动汽车的动态跟踪性以及驾乘舒适性的目的。

在上一实施例的基础上，作为一优选的实现方式，本发明实施例方法的步骤101可包括：

获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

进一步的，由于在纯电动汽车自适应巡航控制中，电动汽车的输出扭矩与多方面因素有关，包括：电动汽车的车速V_a、电动汽车的加速度a、电动汽车与目标跟踪车辆之间的实际距离L_n、实际距离L_n与预设安全距离L的差值ΔL、电动汽车与目标跟踪车辆之间的相对速度ΔV，它们之间存在复杂的映射关系，不能够通过精确的数学模型进行描述。于神经网络具有非线性的基本特性，对于解决非线性问题具有天然优势。其中，径向基(RadialBasis Function，简称RBF)神经网络作为一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且拓扑结构紧凑、具有全局逼近能力。为此本发明采用径向基神经网络，在给出V_a、a、L_n、ΔL及ΔV的条件下计算当前电动汽车的输出扭矩。

所以，作为一优选的实现方式，如图4所示，本发明实施例方法的步骤102可包括：

步骤1021，获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩T_q的试验样本数据[V_a a L_n ΔL ΔV T_q]；

本步骤中，利用富有经验的驾驶员实际模拟车辆的自适应巡航功能，即通过在不同环境、路面及车辆条件下(V_a、a、L_n、ΔL及ΔV)驾驶员对目标跟踪车辆进行跟踪，通过实车标定获得各种状态下理想的电动汽车输出扭矩T_q，得到大量的实验数据组，可表示为[V_a aL_n ΔL ΔV T_q]。

步骤1022，根据试验样本数据[V_a a L_n ΔL ΔV T_q]，创建径向基函数神经网络；

具体的，本步骤可具体包括：

步骤10221，根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_a a L_n ΔL ΔV]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

需要说明的是，本发明实施例中，优选的，L＝11。

步骤10222，根据所述试验样本数据[V_a a L_n ΔL ΔV T_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

这里，利用试验样本数据[V_a a L_n ΔL ΔV T_q]作为基础数据对初始径向基函数神经网络进行训练，能够得到收敛的径向基函数神经网络。

步骤1023，根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

这里需要说明的是，径向基函数神经网络是预先创建好的，如图5所示的径向基函数神经网络的架构图，在后续计算电动汽车的目标输出扭矩的过程中直接应用即可。也就是，将径向基函数神经网络以及电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、电动汽车与目标跟踪车辆之间的当前实际距离L_n0、当前实际距离L_n0与预设安全距离L的差值ΔL₀以及电动汽车与目标跟踪车辆之间的当前相对速度ΔV₀作为输入，通过该径向基函数神经网络得到电动汽车的目标输出扭矩T_q。

在图1所示的实施例的基础上，作为一优选的实现方式，本发明实施例方法的步骤103还可具体包括：

步骤1031，在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

需要说明的是，目标输出扭矩为正扭矩，表示电动汽车具有加速需求，此时，驱动电机以该目标输出扭矩进行扭矩输出。

步骤1032，在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

这里，目标输出扭矩为负扭矩，表示电动汽车具有制动需求，此时，根据电动汽车的当前状态以及目标输出扭矩的大小进行扭矩分配，分别通过驱动电机能量回收以及液压制动单元产生的制动扭矩实现车辆的减速。

需要说明的是，电动汽车的当前状态包括：电动汽车的当前车速、当前电机所产生的制动扭矩(即能量回收扭矩)、加速踏板开度状态、车轮的滑移率等。

这里，驱动电机通过进入到发电状态即能量回收来产生制动力，制动力的大小与能量回收扭矩大小相关；而液压制动单元则通过机械摩擦的方式产生制动力。

具体的，驱动电机所产生的制动力仅作用于车辆的驱动轮上，而液压制动单元的制动力作用在电动汽车的四个轮子上，因此，一般来说，在所需要的制动力不超过一定范围时，可以采用驱动电机能量回收的方式来产生所需的制动力，但是如果需要的制动扭矩较大，则液压制动单元必须要介入，防止电动汽车的车轮出现失控(如车轮抱死、打滑等)，即驱动电机所产生的制动扭矩小于液压制动单元产生的制动扭矩。

这里，步骤1031与步骤1032的两个独立的步骤，执行起来没有先后之分。

综上所述，本发明实施例提供的自适应巡航控制方法，通过获取电动汽车和目标跟踪车辆的车辆行驶状态信息，将车辆行驶状态信息通过预先创建好的径向基神经网络，得到电动汽车的目标输出扭矩，对电动汽车进行巡航控制。这样，在跟车过程中，驾驶员通过调节车辆的动力输出，在保证车辆安全行车的前提下，还能够保证车上人员的驾乘感受，达到了实现电动汽车的动态跟踪性以及驾乘舒适性的目的。

本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序(指令)，该程序(指令)被处理器执行时实现以下步骤：

获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

根据所述目标输出扭矩，对所述电动汽车进行巡航控制。

可选地，该程序(指令)被处理器执行时还可实现以下步骤：

获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

可选地，该程序(指令)被处理器执行时还可实现以下步骤：

获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩T_q的试验样本数据[V_aa L_n ΔL ΔV T_q]；

根据试验样本数据[V_a a L_n ΔL ΔV T_q]，创建径向基函数神经网络；

根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

可选地，该程序(指令)被处理器执行时还可实现以下步骤：

根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_a a L_n ΔL ΔV]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

根据所述试验样本数据[V_a a L_n ΔL ΔV T_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

可选地，该程序(指令)被处理器执行时还可实现以下步骤：

在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

如图6所示，本发明实施例还提供一种自适应巡航控制装置，包括：

获取模块201，用于获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

输出扭矩确定模块202，用于根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

巡航控制模块203，用于根据所述目标输出扭矩，对所述电动汽车进行巡航控制。

具体的，所述获取模块201可包括：

第一获取子模块，用于获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

具体的，所述输出扭矩确定模块202可包括：

第二获取子模块，用于获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩的试验样本数据[V_a a L_n ΔL ΔV T_q]；

神经网络创建子模块，用于根据试验样本数据[V_a a L_n ΔL ΔV T_q]，创建径向基函数神经网络；

输出扭矩确定子模块，用于根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

其中，网络创建子模块可包括：

初始神经网络建立单元，用于根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_a a L_n ΔL ΔV]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

神经网络训练单元，用于根据所述试验样本数据[V_a a L_n ΔL ΔV T_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

具体的，所述巡航控制模块203可包括：

驱动控制子模块，用于在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

制动控制子模块，用于在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

本发明实施例提供的自适应巡航控制装置，通过获取模块获取电动汽车和目标跟踪车辆的车辆行驶状态信息，巡航控制模块按照输出扭矩确定模块由车辆行驶状态信息确定出的电动汽车的目标输出扭矩，对电动汽车进行巡航控制。这样，在跟车过程中，驾驶员通过调节车辆的动力输出，在保证车辆安全行车的前提下，还能够保证车上人员的驾乘感受，达到了实现电动汽车的动态跟踪性以及驾乘舒适性的目的。

本发明实施例还提供一种电动汽车，包括如上述所述的自适应巡航控制装置。

本发明实施例还提供一种电动汽车，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述自适应巡航控制方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种自适应巡航控制方法，应用于电动汽车，其特征在于，包括：

获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

其中，所述目标跟踪车辆的车辆行驶状态信息通过自适应巡航传感器获取，所述电动汽车的车辆行驶状态信息由所述电动汽车的电机控制器获得；

所述车辆行驶状态信息包括：所述电动汽车的车速、所述电动汽车的加速度、所述电动汽车与所述目标跟踪车辆之间的实际距离、所述实际距离与预设安全距离的差值、所述电动汽车与所述目标跟踪车辆之间的相对速度；

根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

根据所述目标输出扭矩，对所述电动汽车进行巡航控制；

其中，所述根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩的步骤，包括：

获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩T_q的试验样本数据[V_aaL_nΔLΔVT_q]；

根据试验样本数据[V_aaL_nΔLΔVT_q]，创建径向基函数神经网络；

根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

2.根据权利要求1所述的自适应巡航控制方法，其特征在于，获取电动汽车和目标跟踪车辆的车辆行驶状态信息的步骤，包括：

获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

3.根据权利要求1所述的自适应巡航控制方法，其特征在于，根据试验样本数据[V_aaL_nΔLΔVT_q]，创建径向基函数神经网络的步骤，包括：

根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_aaL_nΔLΔVT_q]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

根据所述试验样本数据[V_aaL_nΔLΔVT_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

4.根据权利要求1所述的自适应巡航控制方法，其特征在于，根据所述目标输出扭矩，对所述电动汽车进行巡航控制的步骤，包括：

在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

5.一种自适应巡航控制装置，其特征在于，包括：

获取模块，用于获取电动汽车和目标跟踪车辆的车辆行驶状态信息；

其中，所述目标跟踪车辆的车辆行驶状态信息通过自适应巡航传感器获取，所述电动汽车的车辆行驶状态信息由所述电动汽车的电机控制器获得；

所述车辆行驶状态信息包括：所述电动汽车的车速、所述电动汽车的加速度、所述电动汽车与所述目标跟踪车辆之间的实际距离、所述实际距离与预设安全距离的差值、所述电动汽车与所述目标跟踪车辆之间的相对速度；

输出扭矩确定模块，用于根据所述车辆行驶状态信息，确定所述电动汽车的目标输出扭矩；

巡航控制模块，用于根据所述目标输出扭矩，对所述电动汽车进行巡航控制；

其中，所述输出扭矩确定模块包括：

第二获取子模块，用于获取所述电动汽车的车速V_a、所述电动汽车的加速度a、所述电动汽车与所述目标跟踪车辆之间的实际距离L_n、所述实际距离L_n与预设安全距离L的差值ΔL、所述电动汽车与所述目标跟踪车辆之间的相对速度ΔV以及所述电动汽车的输出扭矩的试验样本数据[V_aaL_nΔLΔVT_q]；

神经网络创建子模块，用于根据试验样本数据[V_aaL_nΔLΔVT_q]，创建径向基函数神经网络；

输出扭矩确定子模块，用于根据所述径向基函数神经网络以及所述电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀，得到所述电动汽车的目标输出扭矩T_q。

6.根据权利要求5所述的自适应巡航控制装置，其特征在于，所述获取模块包括：

第一获取子模块，用于获取电动汽车的当前车速V_a0、电动汽车的当前加速度a₀、所述电动汽车与所述目标跟踪车辆之间的当前实际距离L_n0、所述当前实际距离L_n0与预设安全距离L的差值ΔL₀以及所述电动汽车与所述目标跟踪车辆之间的当前相对速度ΔV₀。

7.根据权利要求5所述的自适应巡航控制装置，其特征在于，所述神经网络创建子模块包括：

初始神经网络建立单元，用于根据

建立初始径向基函数神经网络；

x为输入矢量，x＝[V_aaL_nΔLΔVT_q]^T；

为电动汽车的输出扭矩T_q的网络输出；

为权重；L为隐层神经元数量；

为中心矢量；

为输入矢量到中心矢量的距离；φ为径向基函数；

神经网络训练单元，用于根据所述试验样本数据[V_aaL_nΔLΔVT_q]，对所述初始径向基函数神经网络进行训练，得到径向基函数神经网络。

8.根据权利要求5所述的自适应巡航控制装置，其特征在于，所述巡航控制模块包括：

驱动控制子模块，用于在所述目标输出扭矩为正扭矩时，对所述电动汽车进行驱动控制；

制动控制子模块，用于在所述目标输出扭矩为负扭矩时，对所述电动汽车进行制动控制。

9.一种电动汽车，其特征在于，包括：如权利要求5～8任一项所述的自适应巡航控制装置。

Images