CN108919798A - 一种基于混合函数域的网联智能车辆编队行驶控制方法 - Google Patents

Abstract

本发明涉及一种基于混合函数域的网联智能车辆编队行驶控制方法，受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯，采集受控车辆的前车信息，在时间域中对受控车辆的加速及制动过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的动力系统及制动系统，在空间域中对受控车辆的转向过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的转向系统，利用最优化原理对车辆运行进行优化。本发明在时间域中优化纵向驾驶行为，在空间域中优化横向驾驶行为，提高控制精度，优化算法不需多次迭代，降低运算负荷。

Description

一种基于混合函数域的网联智能车辆编队行驶控制方法

技术领域

本发明涉及不同类型或不同功能的车辆子系统的联合控制；不与某一特定子系统的控制相关联的道路车辆驾驶控制系统的技术领域，特别涉及一种基于网联车辆间车车通信系统而对车辆的动力系统、制动系统和转向系统进行控制、使得车辆复制前车运行轨迹的基于混合函数域的网联智能车辆编队行驶控制方法。

背景技术

网联智能车是搭载先进的车载传感器、控制器、执行器等装置，并融合现代通信与网络技术，具备车车通信、车路通信、车载传感功能，实现自动驾驶的新一代汽车。网联智能车搭载的通信设备及传感器能实现全面的环境感知，环境感知的信息经控制系统进行决策，控制命令由对应的执行系统完成自动驾驶。

在编队行驶中，网联智能车横向贴近前方车辆的行驶轨迹驾驶，并与前方车辆保持相似的驾驶状态，如速度、航向等。在车辆编队行驶过程中，车辆的控制涉及纵向控制和横向控制两个过程，其中纵向控制是对车辆的加速和制动过程的控制，横向控制是对车辆转向过程的控制。为了实现这一驾驶任务，采用车联网技术传输前车的车辆状态信息及驾驶信息，采用控制优化算法，控制受控车辆的加速、制动及转向过程。

然而，现有的网联智能车编队行驶控制方法存在以下明显缺陷：

1.现有控制方法中，横向控制仅考虑车辆当前横向偏移或前方某一点车辆横向偏移，没有对车辆未来一段距离内的横向偏移进行综合考虑，导致控制精度降低，车辆可能出现偏移；

2.现有控制方法中，横向控制基于时间域，不利于模型求解；

3.现有控制方法在工作过程中需要对控制方案进行多次数的迭代计算，这将对计算系统造成较大压力；

4.现有控制方法中，计算时间具有不确定性，控制算法的计算延迟不能预先准确估计。

发明内容

本发明解决的技术问题是，现有技术中，网联智能车辆控制方法横向控制仅考虑车辆当前横向偏移或前方某一点车辆横线偏移，没有综合考虑车辆未来一段距离内的横向偏移，车辆的控制精度不能满足实际交通状况，基于时间域的横向控制不利于模型求解，高负荷运算会对车辆计算系统造成较大压力，不确定的计算时间使得计算延迟不能预先准确估计，导致现有的控制方法无法实现高精度且快速的车辆控制。为此，本发明提供了一种基于混合函数域的网联智能车辆编队行驶控制方法。

本发明所采用的技术方案是，一种基于混合函数域的网联智能车辆编队行驶控制方法，所述方法包括以下步骤：

步骤1：受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯；通讯失败，进行步骤2，否则，进行步骤3；

步骤2：出现数据包丢失，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作当前时刻的前车信息；

步骤3：受控车辆的控制系统保存前车信息至数据库中；

步骤4：控制系统计算受控车辆和前车在当前时刻的车头间距；

步骤5：控制系统结合受控车辆信息、前车信息、前车与受控车辆的相对信息，在时间域中对受控车辆的加速及制动过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的动力系统及制动系统；

步骤6：控制系统计算受控车辆和前车驶过受控车辆的车头位置时的相对横向偏移和航向角偏差；

步骤7：控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车轨迹曲率；

步骤8：控制系统结合受控车辆信息与前车信息、计算所得的前车与受控车辆相对信息，在空间域中对受控车辆的转向过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的转向系统；

步骤9：受控车辆的动力系统、制动系统及转向系统根据优化结果行驶距离S或时间T，返回步骤1或停止。

优选地，所述步骤1中，前车信息包括前车状态信息和前车驾驶信息，所述前车状态信息包括车辆航向角、车辆位置和车辆轴距，所述前车驾驶信息包括车辆速度和前轮转角。

优选地，所述步骤4中，计算车头间距包括以下步骤：

步骤4.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂，所述前车对应驶过两点的时间分别为t₁、t₂；

步骤4.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤4.3：计算前车驶过P₃的时间t₃，其中，||P₃P₂||、P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；

步骤4.4：车头间距其中h为车头间距，v_f(t)为前车在时刻t时的车辆速度，△t为前车相邻两次信息传输的时间差。

优选地，所述步骤5中，受控车辆信息包括受控车辆的速度信息，前车信息包括前车速度，前车与受控车辆的相对信息包括前车与受控车辆的车头间距；对受控车辆的加速及制动过程进行优化包括以下步骤：

步骤5.1：计算受控车辆纵向控制的控制初态其中，△v₀＝v_f,0-v₀，h^*为期望车头间距，h₀为实际车头间距，v_f,0为前车此刻速度，v₀为受控车辆的初态速度，a₀为受控车辆的初态加速度；

步骤5.2：计算动态矩阵： 其中，k为受控步数，为纵向控制控制计算总步数，τ_a为受控车辆的动力系统和制动系统的一阶惯性延迟常数，t_r为车辆控制的时间步长，a_f为前车在第k个控制时刻的预测加速度；

步骤5.3：计算成本函数矩阵： 其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{1,2,3,4}；

步骤5.4：计算末态伴随矩阵

步骤5.5：逆向计算伴随矩阵；

步骤5.6：顺向计算控制向量和状态向量。

优选地，所述步骤6中，计算相对横向偏移和航向角偏差包括以下步骤：

步骤6.1：计算数据库中前车位置与受控车辆的位置最近的两点P₁、P₂，其对应于前车驶过的时间分别为t₁、t₂；

步骤6.2：计算受控车辆的位置距线段P₁P₂最近的位置P₃；

步骤6.3：计算受控车辆的位置距离点P₃的距离△f₀，以△f₀为横向偏差，横向偏差以受控车辆位于前车轨迹的右侧为正、左侧为负；

步骤6.4：计算前车驶过P₃的航向角 其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；分别为数据库中记录的前车经过点P₁、P₂的历史航向角；

步骤6.5：计算受控车辆的航向角与前车在点P₃处的航向角的差值，得到航向角偏差其中，为受控车辆此刻的航向角。

优选地，所述步骤7中，计算前车轨迹曲率包括以下步骤：

步骤7.1：计算前车位于P₁、P₂点处的轨迹曲率：ρ_f,1＝δ_f,1/L_f、ρ_f,₂＝δ_f,2/L_f，其中，δ_f,1、δ_f,2分别为数据库中保存的前车经过P₁、P₂点处的前轮转角，L_f为前车轴距；

步骤7.2：期望控制位置处前车轨迹曲率其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离。

优选地，所述步骤8中，受控车辆信息包括受控车辆航向角信息，所述前车信息包括前车航向角、前车轨迹曲率，所述前车与受控车辆相对信息包括横向偏移和航向角偏差；计算方法包括以下步骤：

步骤8.1：计算受控车辆横向控制的控制初态其中，△f₀为受控车辆与前车经过受控车辆车头位置时的横向偏移，为受控车辆与前车经过受控车辆车头位置时的航向角偏差，δ₀为受控车辆的初态前轮偏角；

步骤8.2：计算动态矩阵： 其中，为横向控制计算总步数，τ_δ为受控车辆转向系统的一阶惯性延迟常数，L为受控车辆轴距，x_r为车辆控制的空间步长，v为前车在第k个控制步的速度，ρ_f为前车轨迹在第k个控制步的曲率；

步骤8.3：计算成本函数矩阵： 其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{5,6,7,8}；

步骤8.4：计算末态伴随矩阵

步骤8.5：逆向计算伴随矩阵；

步骤8.6：顺向计算控制向量和状态向量。

优选地，所述步骤5.5或步骤8.5中，逆向计算伴随矩阵包括以下步骤：

步骤A.1：令 S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，G_k、H_k分别为计算控制向量的一阶系数和常系数项，S_k、T_k分别为计算状态向量的一阶系数和常系数项；

步骤A.2：计算三个伴随矩阵：

优选地，所述步骤5.6中，顺向计算控制向量和状态向量包括以下步骤：

步骤5.6.1：根据庞特里雅金极大值原理计算控制向量，u(k)＝G_kx(k)+H_k，其中u(k)＝u_a，x(k)为第k个控制步的状态向量，初态控制向量已知；

步骤5.6.2：如果期望加速度u_a>u_a,max，则u_a＝u_a,max，如果u_a<u_a,min，则u_a＝u_a,min，其中，u_a,max为受控车辆的最大加速度，u_a,min为受控车辆的最小加速度；

步骤5.6.3：计算状态向量x(k+1)＝S_kx(k)+T_k。

优选地，步骤8.6中，顺向计算控制向量和状态向量包括以下步骤：

步骤8.6.1：根据庞特里雅金极大值原理计算控制向量，u(k)＝G_kx(k)+H_k，其中u(k)＝u_δ，x(k)为第k个控制步的状态向量，初态控制向量已知；

步骤8.6.2：如果期望转向轮转角u_δ>u_δ,max，则u_δ＝u_δ,max，如果u_δ<u_δ,min，则u_δ＝u_δ,min，其中，u_δ,max为转向轮最大转角，u_δ,min为转向轮最小转角；

步骤8.6.3：计算状态向量x(k+1)＝S_kx(k)+T_k。

本发明提供了一种优化的网联智能车辆编队行驶控制方法，通过采集受控车辆的前车信息，得到前车的运行状态，对受控车辆未来一段距离内的横向偏移进行综合考虑，进而对受控车辆的加速、制动及转向过程进行控制，将优化结果传输至受控车辆的动力系统、制动系统及转向系统，利用最优化原理对车辆运行进行优化。

本发明的有益效果在于：

1、在时间域中优化纵向驾驶行为，在空间域中优化横向驾驶行为，提高控制精度；

2、优化算法不需多次迭代，降低运算负荷。

具体实施方式

下面结合实施例对本发明做进一步的详细描述，但本发明的保护范围并不限于此。

本发明涉及一种基于混合函数域的网联智能车辆编队行驶控制方法，本发明中，混合函数域是指车辆纵向控制基于时间域、横向控制基于空间域。所述方法包括以下步骤。

步骤1：受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯；通讯失败，进行步骤2，否则，进行步骤3。

所述步骤1中，前车信息包括前车状态信息和前车驾驶信息，所述前车状态信息包括车辆航向角、车辆位置和车辆轴距，所述前车驾驶信息包括车辆速度和前轮转角。

本发明中，采用方法的整体系统包括置于前车的车辆信息采集装置、置于前车的通信装置、置于受控车辆的通信装置、置于受控车辆的控制装置、置于受控车辆的数据库，前车的通信装置连接至前车的车辆信息采集装置，受控车辆的通信装置通过前车的通信装置连接至前车的车辆信息采集装置，受控车辆的通信装置连接至受控车辆的控制装置，受控车辆的控制装置连接至受控车辆的数据库。

本发明中，在实际控制过程中，受控车辆的控制装置连接至受控车辆的动力系统、制动系统及转向系统。

本发明中，前车信息、前车状态信息和前车驾驶信息得到的车辆数据均为信息采集时刻的对应数据。

步骤2：出现数据包丢失，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作当前时刻的前车信息。

本发明中，当通讯失败时，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作此时刻前车信息与上一次进行通讯时的前车信息一致。

步骤3：受控车辆的控制系统保存前车信息至数据库中。

本发明中，本次数据传输结束后，保持受控车辆与前车的通讯，同时针对数据库中的信息进行处理。

步骤4：控制系统计算受控车辆和前车在当前时刻的车头间距。

所述步骤4中，计算车头间距包括以下步骤：

步骤4.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂，所述前车对应驶过两点的时间分别为t₁、t₂；

步骤4.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤4.3：计算前车驶过P₃的时间t₃，其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；

步骤4.4：车头间距其中h为车头间距，v_f(t)为前车在时刻t时的车辆速度，△t为前车相邻两次信息传输的时间差。

本发明中，前车是按照时间定位的，一般情况下每隔一定时间进行定位，故在计算车头间距时需要取两点P₁和P₂，即两次定位，需要的位置点P₃处于两次定位的点之间。一般情况下，默认t₁、t₂为按照时间顺序排列。

本发明中，以△t为前车相邻两次信息传输的时间差，通过速度对时间的积分离散计算得到车头间距(距离)，即使在通讯失败后的情况，由于车辆的驾驶状态不可能突变(时间间隔很小)，故控制系统仍可以直接取上一次传输的数据进行计算。

本发明中，步骤4主要用于计算车辆在初态下的车头间距。

步骤5：控制系统结合受控车辆信息、前车信息、前车与受控车辆的相对信息，在时间域中对受控车辆的加速及制动过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的动力系统及制动系统。

所述步骤5中，受控车辆信息包括受控车辆的速度信息，前车信息包括前车速度，前车与受控车辆的相对信息包括前车与受控车辆的车头间距；对受控车辆的加速及制动过程进行优化包括以下步骤：

步骤5.1：计算受控车辆纵向控制的控制初态其中，△v₀＝v_f,0-v₀，h^*为期望车头间距，h₀为实际车头间距，v_f,0为前车此刻速度，v₀为受控车辆的初态速度，a₀为受控车辆的初态加速度；

步骤5.2：计算动态矩阵： 其中，k为受控步数，为纵向控制控制计算总步数，τ_a为受控车辆的动力系统和制动系统的一阶惯性延迟常数，t_r为车辆控制的时间步长，a_f为前车在第k个控制时刻的预测加速度；

步骤5.3：计算成本函数矩阵： 其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{1,2,3,4}；

步骤5.4：计算末态伴随矩阵

步骤5.5：逆向计算伴随矩阵；

所述步骤5.5或步骤8.5中，逆向计算伴随矩阵包括以下步骤：

步骤A.1：令 S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，G_k、H_k分别为计算控制向量的一阶系数和常系数项，S_k、T_k分别为计算状态向量的一阶系数和常系数项；

步骤A.2：计算三个伴随矩阵：

步骤5.6：顺向计算控制向量和状态向量。

所述步骤5.6中，顺向计算控制向量和状态向量包括以下步骤：

步骤5.6.1：根据庞特里雅金极大值原理计算控制向量，u(k)＝G_kx(k)+H_k，其中u(k)＝u_a，x(k)为第k个控制步的状态向量，初态控制向量已知；

步骤5.6.2：如果期望加速度u_a>u_a,max，则u_a＝u_a,max，如果u_a<u_a,min，则u_a＝u_a,min，其中，u_a,max为受控车辆的最大加速度，u_a,min为受控车辆的最小加速度；

步骤5.6.3：计算状态向量x(k+1)＝S_kx(k)+T_k。

本发明中，步骤5.2中的预测加速度的预测方法包括但不限于：

a)前车加速度在预测时段内保持初态加速度；

b)前车加速度在预测时段内均为零；

c)前车加速度在预测时段内从初态加速度均匀变化至零。

本发明中，末态伴随矩阵中，和赋值为零矩阵。

本发明中，在步骤5.1中定义了初态状态向量，之后的状态向量通过步骤5.6.3进行计算，之后的状态向量和初态的状态向量定义相同，区别在于对应的控制步不一样，当控制步为零的时候就相当于是初态，控制向量同理。

步骤6：控制系统计算受控车辆和前车驶过受控车辆的车头位置时的相对横向偏移和航向角偏差。

所述步骤6中，计算相对横向偏移和航向角偏差包括以下步骤：

步骤6.1：计算数据库中前车位置与受控车辆的位置最近的两点P₁、P₂，其对应于前车驶过的时间分别为t₁、t₂；

步骤6.2：计算受控车辆的位置距线段P₁P₂最近的位置P₃；

步骤6.3：计算受控车辆的位置距离点P₃的距离△f₀，以△f₀为横向偏差，横向偏差以受控车辆位于前车轨迹的右侧为正、左侧为负；

步骤6.4：计算前车驶过P₃的航向角 其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；分别为数据库中记录的前车经过点P₁、P₂的历史航向角；

步骤6.5：计算受控车辆的航向角与前车在点P₃处的航向角的差值，得到航向角偏差其中，为受控车辆此刻的航向角。

本发明中，步骤6.1至6.5为横向控制的初态数据。

步骤7：控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车轨迹曲率。

所述步骤7中，计算前车轨迹曲率包括以下步骤：

步骤7.1：计算前车位于P₁、P₂点处的轨迹曲率：ρ_f,1＝δ_f,1/L_f、ρ_f,₂＝δ_f,2/L_f，其中，δ_f,1、δ_f,2分别为数据库中保存的前车经过P₁、P₂点处的前轮转角，L_f为前车轴距；

步骤7.2：期望控制位置处前车轨迹曲率其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离。

本发明中，令每隔0.1米进行一次横向控制，共控制10米，则步骤7.2中的期望控制位置为这共100个位置中每个位置的这些数据。

步骤8：控制系统结合受控车辆信息与计算所得的前车信息、前车与受控车辆相对信息，在空间域中对受控车辆的转向过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的转向系统。

所述步骤8中，受控车辆信息包括受控车辆航向角信息，所述前车信息包括前车航向角、前车轨迹曲率，所述前车与受控车辆相对信息包括横向偏移和航向角偏差；计算方法包括以下步骤：

步骤8.1：计算受控车辆横向控制的控制初态其中，△f₀为受控车辆与前车经过受控车辆车头位置时的横向偏移，为受控车辆与前车经过受控车辆车头位置时的航向角偏差，δ₀为受控车辆的初态前轮偏角；

步骤8.2：计算动态矩阵： 其中，为横向控制计算总步数，τ_δ为受控车辆转向系统的一阶惯性延迟常数，L为受控车辆轴距，x_r为车辆控制的空间步长，v为前车在第k个控制步的速度，ρ_f为前车轨迹在第k个控制步的曲率；

步骤8.3：计算成本函数矩阵： 其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{5,6,7,8}；

步骤8.4：计算末态伴随矩阵

步骤8.5：逆向计算伴随矩阵；

所述步骤5.5或步骤8.5中，逆向计算伴随矩阵包括以下步骤：

步骤A.1：令 S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，G_k、H_k分别为计算控制向量的一阶系数和常系数项，S_k、T_k分别为计算状态向量的一阶系数和常系数项；

步骤A.2：计算三个伴随矩阵：

步骤8.6：顺向计算控制向量和状态向量。

步骤8.6中，顺向计算控制向量和状态向量包括以下步骤：

步骤8.6.1：根据庞特里雅金极大值原理计算控制向量，u(k)＝G_kx(k)+H_k，其中u(k)＝u_δ，x(k)为第k个控制步的状态向量，初态控制向量已知；

步骤8.6.2：如果期望转向轮转角u_δ>u_δ,max，则u_δ＝u_δ,max，如果u_δ<u_δ,min，则u_δ＝u_δ,min，其中，u_δ,max为转向轮最大转角，u_δ,min为转向轮最小转角；

步骤8.6.3：计算状态向量x(k+1)＝S_kx(k)+T_k。

本发明中，当控制精度设置为0.1米时，即每0.1米确定一个控制量，则当k为50时，即是第50个控制步，则需要计算第5米处的动态矩阵，也包括后续的成本函数矩阵。

本发明中，首先计算受控车辆的纵向控制初态，设定动态矩阵和成本函数矩阵，确认末态伴随矩阵，逆向计算伴随矩阵后，经过再次顺向计算得到控制向量和状态向量，得到控制的期望加速度；其次计算受控车辆的横向控制初态，设定动态矩阵和成本函数矩阵，确认末态伴随矩阵，逆向计算伴随矩阵后，经过再次顺向计算得到控制向量和状态向量，得到控制的期望转向轮转角；整个过程考虑到受控车辆的初态和末态，以纵向控制和横向控制过程同时控制受控车辆在轨迹方向上的动向。

本发明中，车型确定后，受控车辆动力系统和制动系统的一阶惯性延迟常数及受控车辆转向系统的一阶惯性延迟参数可以通过实验得到，而车辆控制的空间步长x_r为主动设定，控制偏好β_i均为主动设定。

本发明中，末态伴随矩阵中，和赋值为零矩阵。

本发明中，状态向量包括车辆的状态信息和驾驶信息，如初态，步骤5.6.1和步骤8.6.1使用了状态向量，故只有步骤5.6.3和8.6.3更新了状态向量后，才能继续进行迭代。

步骤9：受控车辆的动力系统、制动系统及转向系统根据优化结果行驶距离S或时间T，返回步骤1或停止。

本发明通过采集受控车辆的前车信息，得到前车的运行状态，对受控车辆未来一段距离内的横向偏移进行综合考虑，进而对受控车辆的加速、制动及转向过程进行控制，将优化结果传输至受控车辆的动力系统、制动系统及转向系统，利用最优化原理对车辆运行进行优化。本发明在时间域中优化纵向驾驶行为，在空间域中优化横向驾驶行为，提高控制精度，优化算法不需多次迭代，降低运算负荷。

Claims (10)

1.一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述方法包括以下步骤：

步骤1：受控车辆的控制系统采集受控车辆的前车信息，受控车辆与前车通讯；通讯失败，进行步骤2，否则，进行步骤3；

步骤2：出现数据包丢失，受控车辆的控制系统从数据库中读取上一次采集存入的数据包，视作当前时刻的前车信息；

步骤3：受控车辆的控制系统保存前车信息至数据库中；

步骤4：控制系统计算受控车辆和前车在当前时刻的车头间距；

步骤5：控制系统结合受控车辆信息、前车信息、前车与受控车辆的相对信息，在时间域中对受控车辆的加速及制动过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的动力系统及制动系统；

步骤6：控制系统计算受控车辆和前车驶过受控车辆的车头位置时的相对横向偏移和航向角偏差；

步骤7：控制系统计算受控车辆与前车当前的车头间距下，道路上每隔一定距离的前车轨迹曲率；

步骤8：控制系统结合受控车辆信息与前车信息、计算所得的前车与受控车辆相对信息，在空间域中对受控车辆的转向过程进行优化，将优化得到的控制向量和状态向量传输至受控车辆的转向系统；

步骤9：受控车辆的动力系统、制动系统及转向系统根据优化结果行驶距离S或时间T，返回步骤1或停止。

2.根据权利要求1所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤1中，前车信息包括前车状态信息和前车驾驶信息，所述前车状态信息包括车辆航向角、车辆位置和车辆轴距，所述前车驾驶信息包括车辆速度和前轮转角。

3.根据权利要求1所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤4中，计算车头间距包括以下步骤：

步骤4.1：取数据库中前车位置与受控车辆位置最近的两点P₁、P₂，所述前车对应驶过两点的时间分别为t₁、t₂；

步骤4.2：计算受控车辆位置距线段P₁P₂最近的位置P₃；

步骤4.3：计算前车驶过P₃的时间t₃，其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；

步骤4.4：车头间距其中h为车头间距，v_f(t)为前车在时刻t时的车辆速度，△t为前车相邻两次信息传输的时间差。

4.根据权利要求1所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤5中，受控车辆信息包括受控车辆的速度信息，前车信息包括前车速度，前车与受控车辆的相对信息包括前车与受控车辆的车头间距；对受控车辆的加速及制动过程进行优化包括以下步骤：

步骤5.1：计算受控车辆纵向控制的控制初态其中，△v₀＝v_f,0-v₀，h^*为期望车头间距，h₀为实际车头间距，v_f,0为前车此刻速度，v₀为受控车辆的初态速度，a₀为受控车辆的初态加速度；

步骤5.2：计算动态矩阵：

其中，k为受控步数，为纵向控制控制计算总步数，τ_a为受控车辆的动力系统和制动系统的一阶惯性延迟常数，t_r为车辆控制的时间步长，a_f为前车在第k个控制时刻的预测加速度；

步骤5.3：计算成本函数矩阵：

其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{1,2,3,4}；

步骤5.4：计算末态伴随矩阵

步骤5.5：逆向计算伴随矩阵；

步骤5.6：顺向计算控制向量和状态向量。

5.根据权利要求1所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤6中，计算相对横向偏移和航向角偏差包括以下步骤：

步骤6.1：计算数据库中前车位置与受控车辆的位置最近的两点P₁、P₂，其对应于前车驶过的时间分别为t₁、t₂；

步骤6.2：计算受控车辆的位置距线段P₁P₂最近的位置P₃；

步骤6.3：计算受控车辆的位置距离点P₃的距离△f₀，以△f₀为横向偏差，横向偏差以受控车辆位于前车轨迹的右侧为正、左侧为负；

步骤6.4：计算前车驶过P₃的航向角 其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离；分别为数据库中记录的前车经过点P₁、P₂的历史航向角；

步骤6.5：计算受控车辆的航向角与前车在点P₃处的航向角的差值，得到航向角偏差其中，为受控车辆此刻的航向角。

6.根据权利要求1所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤7中，计算前车轨迹曲率包括以下步骤：

步骤7.1：计算前车位于P₁、P₂点处的轨迹曲率：ρ_f,1＝δ_f,1/L_f、ρ_f,2＝δ_f,2/L_f，其中，δ_f,1、δ_f,2分别为数据库中保存的前车经过P₁、P₂点处的前轮转角，L_f为前车轴距；

步骤7.2：期望控制位置处前车轨迹曲率其中，||P₃P₂||、||P₁P₂||、||P₁P₃||和||P₁P₂||分别为两点之间的距离。

7.根据权利要求5所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤8中，受控车辆信息包括受控车辆航向角信息，所述前车信息包括前车航向角、前车轨迹曲率，所述前车与受控车辆相对信息包括横向偏移和航向角偏差；计算方法包括以下步骤：

步骤8.1：计算受控车辆横向控制的控制初态其中，△f₀为受控车辆与前车经过受控车辆车头位置时的横向偏移，为受控车辆与前车经过受控车辆车头位置时的航向角偏差，δ₀为受控车辆的初态前轮偏角；

步骤8.2：计算动态矩阵： 其中，为横向控制计算总步数，τ_δ为受控车辆转向系统的一阶惯性延迟常数，L为受控车辆轴距，x_r为车辆控制的空间步长，v为前车在第k个控制步的速度，ρ_f为前车轨迹在第k个控制步的曲率；

步骤8.3：计算成本函数矩阵： 其中β_i对应车辆控制过程中的控制偏好，β_i为正数，i＝{5,6,7,8}；

步骤8.4：计算末态伴随矩阵

步骤8.5：逆向计算伴随矩阵；

步骤8.6：顺向计算控制向量和状态向量。

8.根据权利要求5或7所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤5.5或步骤8.5中，逆向计算伴随矩阵包括以下步骤：

步骤A.1：令 S_k＝A_k+B_kG_k，T_k＝B_kH_k+C_k，其中，G_k、H_k分别为计算控制向量的一阶系数和常系数项，S_k、T_k分别为计算状态向量的一阶系数和常系数项；

步骤A.2：计算三个伴随矩阵：

9.根据权利要求8所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：所述步骤5.6中，顺向计算控制向量和状态向量包括以下步骤：

步骤5.6.1：根据庞特里雅金极大值原理计算控制向量，u(k)＝G_kx(k)+H_k，其中u(k)＝u_a，x(k)为第k个控制步的状态向量，初态控制向量已知；

步骤5.6.2：如果期望加速度u_a>u_a,max，则u_a＝u_a,max，如果u_a<u_a,min，则u_a＝u_a,min，其中，u_a,max为受控车辆的最大加速度，u_a,min为受控车辆的最小加速度；

步骤5.6.3：计算状态向量x(k+1)＝S_kx(k)+T_k。

10.根据权利要求8所述的一种基于混合函数域的网联智能车辆编队行驶控制方法，其特征在于：步骤8.6中，顺向计算控制向量和状态向量包括以下步骤：

步骤8.6.1：根据庞特里雅金极大值原理计算控制向量，u(k)＝G_kx(k)+H_k，其中u(k)＝u_δ，x(k)为第k个控制步的状态向量，初态控制向量已知；

步骤8.6.2：如果期望转向轮转角u_δ>u_δ,max，则u_δ＝u_δ,max，如果u_δ<u_δ,min，则u_δ＝u_δ,min，其中，u_δ,max为转向轮最大转角，u_δ,min为转向轮最小转角；

步骤8.6.3：计算状态向量x(k+1)＝S_kx(k)+T_k。