CN109144107B - 自动跟车控制方法、装置及汽车 - Google Patents

Abstract

本发明公开一种自动跟车控制方法、装置及汽车，属于智能车控制领域。方法包括：根据前车的当前车速确定自动跟车的安全距离；获取本车与前车之间的实际距离，并根据实际距离及安全距离计算安全距离误差；根据安全距离误差生成滑模函数；通过预设的自组织模糊滑模车距控制器对滑模函数进行处理，将自组织模糊滑模车距控制器的输出作为自动跟车的控制信号；根据控制信号控制油门控制机构或制动控制机构动作。本发明能够较好地适应跟车时复杂的运行工况、路况、外部环境及前车车速的变化，不仅控制方式比较灵活，而且能够根据自组织模糊滑模车距控制器的输出对自动跟车距离进行精确控制，跟车控制效果好，能够满足现有智能车跟车的控制要求。

Description

自动跟车控制方法、装置及汽车

技术领域

本发明涉及智能车控制技术领域，特别涉及一种自动跟车控制方法、装置及汽车。

背景技术

随着汽车工业的快速发展和人们生活水平的不断提高，汽车保有量越来越多。由于道路上行驶的汽车越来越多，交通拥堵现象日益严重。在长时间拥堵的情况下，汽车行驶非常缓慢，需要驾驶员高度注意本车与前车之间的距离，使驾驶员始终处于精神紧张状态，容易造成精神疲劳，稍不注意则会造成追尾等交通事故，给人员的生命财产带来损坏。因此，自动跟车作为汽车安全辅助系统的关键技术受到了人们越来越多的关注，如何控制自动跟车也受到了广泛的关注。

相关技术在进行自动跟车控制时，采用摄像头、雷达等传感器检测本车与前车的距离，并通过相应的控制算法使本车自动跟随前车向前行驶。具体地，相关技术在进行自动跟车控制时，往往会人为预先设定固定距离，并将该固定距离作为安全距离。在自动跟车时，自动跟车控制方法使本车与前车保持该固定距离，并跟随前车向前行驶。在行驶过程中，当本车与前车的距离小于该固定距离时，控制本车执行减速或刹车动作，使本车与前车的距离延长至该固定距离；当本车与前车的距离大于该固定距离时，控制本车执行加速动作，使本车与前车的距离缩小至固定距离。

在实现本发明的过程中，发明人发现相关技术至少存在以下问题：

安全距离的取值与汽车的行驶速度是息息相关的，车速高安全距离大，车速低安全距离小，因而在行车过程中本车与前车之间的距离应随前车行驶速度的变化而相应变化，只是设定固定距离作为安全距离的方式并基于该固定距离进行自动跟车的方式不灵活。另外，由于汽车的动态特性随运行工况、路况和外部环境而时时变化，具有较强的非线性性和时变特性，相关技术中的自动跟车控制方法未考虑这些影响因素，导致对跟车距离的控制效果不理想，控制精度不高，容易造成危险。

发明内容

本发明实施例提供了一种自动跟车控制方法、装置及汽车，以解决相关技术中的自动跟车控制方法存在控制方式不灵活、效果不理想、控制精度不高及容易造成危险的问题。所述技术方案如下：

第一方面，提供了一种自动跟车控制方法，所述方法包括：

根据前车的当前车速确定自动跟车的安全距离；

获取本车与所述前车之间的实际距离，并根据所述实际距离及所述安全距离计算安全距离误差；

根据所述安全距离误差生成滑模函数；

通过预设的自组织模糊滑模车距控制器对所述滑模函数进行处理，将所述自组织模糊滑模车距控制器的输出作为自动跟车的控制信号；

根据所述控制信号控制油门控制机构或制动控制机构动作。

可选地，所述根据前车的当前车速确定自动跟车的安全距离，包括：

通过预先安装在本车前保险杠位置处的毫米波雷达测量前车的当前车速；

根据所述前车的当前车速通过如下公式确定自动跟车的安全距离：

公式中，D_A表示安全距离，V表示所述前车的当前车速。

可选地，所述根据所述实际距离及所述安全距离计算安全距离误差，包括：

根据所述实际距离及所述安全距离通过如下公式计算安全距离误差：

e＝D_S-D_A

公式中，e表示安全距离误差，D_S表示实际距离，D_A表示安全距离。

所述根据所述安全距离误差生成滑模函数，包括：

根据所述安全距离误差生成如下公式表示的滑模函数：

公式中，s表示滑模函数，

表示安全距离误差的导数；λ为斜率因子，其取值为常数。

可选地，所述通过预设的自组织模糊滑模车距控制器对所述滑模函数进行处理，将所述自组织模糊滑模车距控制器的输出作为自动跟车的控制信号，包括：

控制所述滑模函数作为预设的自组织模糊滑模控制器的输入，并对所述滑模函数进行模糊处理，得到模糊子集；

根据自组织学习得到的模糊规则库对所述模糊子集进行模糊推理，得到模糊输出量；

利用加权平均法对所述模糊输出量进行反模糊处理，并将反模糊处理得到的输出量作为自动跟车的控制信号。

可选地，所述根据自组织学习得到的模糊规则库对所述模糊子集进行模糊推理，得到模糊输出量之前，还包括：

通过如下公式对模糊规则库的隶属度参数进行自组织学习，得到模糊规则库：

公式中，u_i(k)和u_i(k+1)分别表示模糊规则库的第i个隶属度参数u_i在第k个和第k+1个采样时刻的值，Δu_i(k)表示对应的修正值，s(k)表示k个采样时刻的滑模函数值，i＝1，2，3，…，7；γ表示学习强度因子，0<γ<1，w_i表示被激发的模糊规则对应的隶属度值；λ为滑模函数s的斜率因子，其取值为常数。

可选地，所述利用加权平均法对所述模糊输出量进行反模糊处理，包括：

利用加权平均法通过如下公式对所述模糊输出量进行反模糊处理：

公式中，u表示反模糊处理得到的输出量，K_c表示比例因子，l表示激发的规则数，w_j表示被激发的模糊规则对应的隶属度值，u_j表示自组织学习得到的模糊规则库的第j个隶属度参数。

第二方面，提供了一种自动跟车控制装置，其特征在于，所述装置包括：

确定模块，用于根据前车的当前车速确定自动跟车的安全距离；

获取模块，用于本车与所述前车之间的实际距离；

计算模块，用于根据所述实际距离及所述安全距离计算安全距离误差；

生成模块，用于根据所述安全距离误差生成滑模函数；

处理模块，用于通过预设的自组织模糊滑模车距控制器对所述滑模函数进行处理，将所述自组织模糊滑模车距控制器的输出作为自动跟车的控制信号；

控制模块，用于根据所述控制信号控制油门控制机构或制动控制机构动作。

可选地，所述确定模块包括：

测量单元，用于通过预先安装在本车前保险杠位置处的毫米波雷达测量前车的当前车速；

确定单元，用于根据所述前车的当前车速通过如下公式确定自动跟车的安全距离：

公式中，D_A表示安全距离，V表示所述前车的当前车速。

可选地，所述计算模块用于：根据所述实际距离及所述安全距离通过如下公式计算安全距离误差：

e＝D_S-D_A

公式中，e表示安全距离误差，D_S表示实际距离，D_A表示安全距离。

所述生成模块用于：根据所述安全距离误差生成如下公式表示的滑模函数：

公式中，s表示滑模函数，

表示安全距离误差的导数；λ为斜率因子，其取值为常数。

可选地，所述处理模块包括：

模糊处理单元，用于控制所述滑模函数作为预设的自组织模糊滑模控制器的输入，并对所述滑模函数进行模糊处理，得到模糊子集；

模糊推理单元，用于根据自组织学习得到的模糊规则库对所述模糊子集进行模糊推理，得到模糊输出量；

反模糊处理单元，用于利用加权平均法对所述模糊输出量进行反模糊处理，并将反模糊处理得到的输出量作为自动跟车的控制信号。

可选地，所述处理模块还包括：

自组织学习单元，用于通过如下公式对模糊规则库的隶属度参数进行自组织学习，得到模糊规则库：

公式中，u_i(k)和u_i(k+1)分别表示模糊规则库的第i隶属度参数u_i在第k个和第k+1个采样时刻的值，Δu_i(k)表示对应的修正值，s(k)表示k个采样时刻的滑模函数值，i＝1，2，3，…，7；γ表示学习强度因子，0<γ<1，w_i表示被激发的模糊规则对应的隶属度值。

可选地，所述反模糊处理单元用于：利用加权平均法通过如下公式对所述模糊输出量进行反模糊处理：

公式中，u表示反模糊处理得到的输出量，K_c表示比例因子，l表示激发的规则数，w_j表示被激发的模糊规则对应的隶属度值，u_j表示自组织学习得到的模糊规则库的第j个隶属度参数。

第三方面，提供了一种汽车，所述汽车包括上述第二方面所述的自动跟车控制装置。

本发明实施例提供的技术方案带来的有益效果是：

通过根据前车的当前车速确定自动跟车的安全距离，使得确定的安全距离和滑模函数更加可靠。由于模糊滑模控制器能够适应过程复杂而多变的环境，自组织模糊控制方法是一种高性能、控制规则可调并能够在控制过程中自动获得和修改模糊规则库的模糊控制方式，因此，本发明实施例通过预设的自组织模糊滑模车距控制器对滑模函数进行处理，并将自组织模糊滑模车距控制器的输出作为自动跟车的控制信号，来控制信号控制油门控制机构或制动控制机构动作，使得本发明实施例提供的自动跟车控制方法能够较好地适应跟车时复杂的运行工况、路况、外部环境及前车车速的变化，不仅控制方式比较灵活，而且能够根据自组织模糊滑模车距控制器的输出对自动跟车距离进行精确控制，跟车控制效果好，不存在安全隐患，能够满足现有智能车跟车的控制要求。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的自动跟车控制方法的流程图；

图2为图1中步骤S4的实现方法流程图；

图3为本发明实施例中的三角隶属度函数的示意图；

图4为本发明实施例中的单值隶属度函数的示意图；

图5为本发明实施例提供的自组织模糊滑模车距控制器的组成结构示意图；

图6为本发明实施例提供的汽车跟车距离控制系统的结构示意图；

图7为本发明实施例提供的自动跟车控制装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

图1为本发明实施例提供的自动跟车控制方法的流程图，本发明实施例提供的自动跟车控制方法可以由汽车跟车距离控制系统来执行。如图1所示，本发明实施例提供的方法包括如下步骤S1至S5。

S1，根据前车的当前车速确定自动跟车的安全距离。

其中，前车是指与本车行驶在同一车道内且距离与本车相距最近的汽车。由于在汽车的跟车过程中，安全距离的取值与汽车的行驶速度是息息相关的，而前车的车速经常会不断变化，为确保跟车时本车与前车之间的距离能够绝对安全，本发明实施例在确定安全距离时，根据前车的当前车速确定。

可选地，本发明实施例可以预先在本车的前保险杠位置处安装毫米波雷达。在此基础上，本发明实施例在根据前车的当前车速确定自动跟车的安全距离时，可以先通过预先安装在本车前保险杠位置处的毫米波雷达测量前车的当前车速；然后，根据前车的当前车速通过如下公式(1)确定自动跟车的安全距离：

公式(1)中，D_A表示安全距离，V表示所述前车的当前车速。

例如，如果前车的当前车速为120km/h，则通过本发明实施例确定的安全距离为100m；如果前车的当前车速为80km/h，则通过本发明实施例确定的安全距离为74m。

S2，获取本车与前车之间的实际距离，并根据实际距离及安全距离计算安全距离误差。

其中，在获取本车与前车之间的实际距离时，也可以通过预先安装在本车前保险杠位置处的毫米波雷达来测量实现。

进一步地，本发明实施例在根据实际距离及安全距离计算安全距离误差时，可以根据实际距离及安全距离通过如下公式(2)计算安全距离误差：

e＝D_S-D_A (2)

公式(2)中，e表示安全距离误差，D_S表示实际距离，D_A表示安全距离。

S3，根据安全距离误差生成滑模函数。

具体地，本发明实施例在根据安全距离误差生成滑模函数时，可以根据安全距离误差生成如下公式(3)表示的滑模函数：

公式(3)中，s表示滑模函数，

表示安全距离误差的导数；λ为斜率因子，其取值为常数。

S4，通过预设的自组织模糊滑模车距控制器对滑模函数进行处理，将自组织模糊滑模车距控制器的输出作为自动跟车的控制信号。

如图2所示，本发明实施例在通过预设的自组织模糊滑模车距控制器对滑模函数进行处理时，可以通过如下步骤S41至S43来实现：

S41，控制滑模函数作为预设的自组织模糊滑模控制器的输入，并对滑模函数进行模糊处理，得到模糊子集。

具体地，该步骤S41在对滑模函数进行模糊处理时，可以通过如下步骤来实现：首先，将滑模函数s乘以量化因子K_s，以将模函数s转化到定义的模糊论域。优选地，定义的模糊论域为[-3 3]。然后，通过隶属度函数将转化到模糊论域的滑模函数模糊化，得到模糊子集。其中，隶属度函数可以为高斯隶属度函数，也可以为三角隶属度函数。优选地，本发明实施例通过三角隶属度函数将转化到模糊论域的滑模函数模糊化，三角隶属度函数如图3所示。

结合图3，本发明实施例通过三角隶属度函数将转化到模糊论域的滑模函数模糊化，得到的模糊子集为M(s)＝{NB、NM、NS、ZO、PS、PM、PB}，其中NB、NM、NS、ZO、PS、PM、PB分别表示“负大(Negative Big)”、“负中(Negative Medium)”、“负小(Negative Small)”、“零(Zero)”、“正小(Positive Small)”、“正中(Positive Medium)”和“正大(Positive Big)”。如图3所示，如当转化到模糊论域的滑模函数的值为-1.5时，对应的模糊子集为NM和NS，它们的隶属度值都为0.5。

S42，根据自组织学习得到的模糊规则库对模糊子集进行模糊推理，得到模糊输出量。

需要说明的是，在该步骤S42之前或自动跟车控制过程中，本发明实施例还需要通过自组织学习方式对模糊规则库的隶属度参数进行学习，得到模糊规则库。具体地，本发明实施例可以通过如下公式(4)对模糊规则库的隶属度参数进行自组织学习，得到模糊规则库：

公式(4)中，u_i(k)和u_i(k+1)分别表示模糊规则库的第i个隶属度参数u_i在第k个和第k+1个采样时刻的值，Δu_i(k)表示对应的修正值，s(k)表示k个采样时刻的滑模函数值，i＝1，2，3，…，7；γ表示学习强度因子，0<γ<1，w_i表示被激发的模糊规则对应的隶属度值；λ为滑模函数s的斜率因子，其取值为常数。其中，采样间隔时间可以根据需要设定，例如，设置采样间隔时间为4ms等。在自组织学习过程中，γ取值过大或λ取值过小，都会导致修正权重过大，从而使修正项过大，最终导致系统输出振荡，影响系统的动态过程，因此，在本发明实施过程中，优选地可以取γ＝0.5，λ＝20。

其中，通过自组织学习得到的模糊规则库的隶属函数为单值隶属函数，如图4所示。如表1所示，其为本发明实施例通过自组织学习得到的模糊规则库的示意表。

表1

s

NL

NM

NS

ZO

PS

PM

PL

u

NL

NM

NS

ZO

PS

PM

PL

本发明实施例中自组织学习得到的模糊控制规则库用语句可以表示为：

规则1：当输入s为NL时，输出u为NL；

规则2：当输入s为NM时，输出u为NM；

规则3：当输入s为NS时，输出u为NS；

规则4：当输入s为ZO时，输出u为ZO；

规则5：当输入s为PS时，输出u为PS；

规则6：当输入s为PM时，输出u为PM；

规则7：当输入s为PB时，输出u为PB。

本发明实施例通过自组织学习方式对模糊规则库的隶属度参数进行学习，使得得到的模糊规则库中的控制规则可调并能够在控制过程中自动获得和修改模糊规则库的模糊规则，确保模糊规则库中的控制规则能够实时更新，从而使模糊规则库中的隶属度参数能够不断随滑模函数的变化而调整更新，确保基于该模糊规则库进行模糊推理的结果更加准确。

在此基础上，本发明实施例在根据自组织学习得到的模糊规则库对模糊子集进行模糊推理，得到模糊输出量时，可以控制模糊子集去触发自组织学习得到的模糊规则库中的相应的规则，得到模糊输出量。

结合步骤S41中的举例，当转化到模糊论域的滑模函数的值为-1.5时，其对应的模糊子集为NM和NS，则进行模糊推理的输入为NM和NS，结合上述自组织学习得到的模糊规则库的内容，规则2和规则3被触发，产生模糊输出量，其触发强度即输入属于模糊子集NM和NS的隶属度值均为0.5。

S43，利用加权平均法对模糊输出量进行反模糊处理，并将反模糊处理得到的输出量作为自动跟车的控制信号。

具体地，本发明实施例可以利用加权平均法通过如下公式(5)对模糊输出量进行反模糊处理：

公式(5)中，u表示反模糊处理得到的输出量；K_c表示比例因子，其值为常数；l表示激发的规则数，w_j表示被激发的模糊规则对应的隶属度值，u_j表示自组织学习得到的模糊规则库的第j个隶属度参数。

结合该步骤S4中的上述内容，自组织模糊滑模车距控制器的组成结构如图5所示。

S5，根据控制信号控制油门控制机构或制动控制机构动作。

结合上述步骤4中的内容，本发明实施例在根据控制信号控制油门控制机构或制动控制机构动作时，由反模糊处理得到的输出量能够转化为精确的控制信号u。进一步地，由于制动和油门的控制量必须是正值，因此将反模糊处理得到的输出量u取绝对值后即可获得控制信号的控制值，而控制信号的符号用来作为制动和油门的切换控制信号。例如，若u>0，则控制油门控制机构动作；反之，控制输出取绝对值后控制制动控制机构动作。图5中控制信号的符号表示为sign(u)。

具体地，控制油门控制机构动作后，油门控制机构控制发动机传动系统进行动作，进而控制车辆动力学系统动作；控制制动控制机构动作后，制动控制机构控制制动油路进行动作，进而控制车辆动力学系统动作。本发明实施例中的汽车跟车距离控制系统结构示意图如图6所示，其中自组织模糊滑模车距控制器是其核心，其将完成油门、制动切换策略分析和控制量计算等工作，体现到汽车动力学系统上，构成闭环控制。由正常驾驶员的驾驶习惯可知，油门控制和制动控制在同一时间只能有一个产生作用，即：进行油门控制时，制动控制量必须为零，制动控制机构不工作；进行制动控制时，油门控制量必须为零，油门控制机构不动作，以免造成运动干涉。

本发明实施例提供的方法，通过根据前车的当前车速确定自动跟车的安全距离，使得确定的安全距离和滑模函数更加可靠。由于模糊滑模控制器能够适应过程复杂而多变的环境，自组织模糊控制方法是一种高性能、控制规则可调并能够在控制过程中自动获得和修改模糊规则库的模糊控制方式，因此，本发明实施例通过预设的自组织模糊滑模车距控制器对滑模函数进行处理，并将自组织模糊滑模车距控制器的输出作为自动跟车的控制信号，来控制信号控制油门控制机构或制动控制机构动作，使得本发明实施例提供的自动跟车控制方法能够较好地适应跟车时复杂的运行工况、路况、外部环境及前车车速的变化，不仅控制方式比较灵活，而且能够根据自组织模糊滑模车距控制器的输出对自动跟车距离进行精确控制，跟车控制效果好，能够满足现有智能车跟车的控制要求。

本发明实施例还提供一种自动跟车控制装置，如图7所示，该自动跟车控制装置包括：

确定模块701，用于根据前车的当前车速确定自动跟车的安全距离；

获取模块702，用于本车与前车之间的实际距离；

计算模块703，用于根据实际距离及安全距离计算安全距离误差；

生成模块704，用于根据安全距离误差生成滑模函数；

处理模块705，用于通过预设的自组织模糊滑模车距控制器对滑模函数进行处理，将自组织模糊滑模车距控制器的输出作为自动跟车的控制信号；

控制模块706，用于根据控制信号控制油门控制机构或制动控制机构动作。

可选地，确定模块701包括：

测量单元，用于通过预先安装在本车前保险杠位置处的毫米波雷达测量前车的当前车速；

确定单元，用于根据前车的当前车速通过如下公式(1)确定自动跟车的安全距离：

公式(1)中，D_A表示安全距离，V表示前车的当前车速。

可选地，计算模块703用于：根据实际距离及安全距离通过如下公式(2)计算安全距离误差：

e＝D_S-D_A (2)

公式(2)中，e表示安全距离误差，D_S表示实际距离，D_A表示安全距离。

生成模块704用于：根据安全距离误差生成如下公式(3)表示的滑模函数：

公式(3)中，s表示滑模函数，

表示安全距离误差的导数；λ为斜率因子，其取值为常数。

可选地，处理模块705包括：

模糊处理单元，用于控制滑模函数作为预设的自组织模糊滑模控制器的输入，并对滑模函数进行模糊处理，得到模糊子集；

模糊推理单元，用于根据自组织学习得到的模糊规则库对模糊子集进行模糊推理，得到模糊输出量；

反模糊处理单元，用于利用加权平均法对模糊输出量进行反模糊处理，并将反模糊处理得到的输出量作为自动跟车的控制信号。

可选地，处理模块705还包括：

自组织学习单元，用于通过如下公式(4)对模糊规则库的隶属度参数进行自组织学习，得到模糊规则库：

公式(4)中，u_i(k)和u_i(k+1)分别表示模糊规则库的第i个隶属度参数u_i在第k个和第k+1个采样时刻的值，Δu_i(k)表示对应的修正值，s(k)表示k个采样时刻的滑模函数值，i＝1，2，3，…，7；γ表示学习强度因子，0<γ<1，w_i表示被激发的模糊规则对应的隶属度值；λ为滑模函数s的斜率因子，其取值为常数。

可选地，反模糊处理单元用于：利用加权平均法通过如下公式(5)对模糊输出量进行反模糊处理：

公式(5)中，u表示反模糊处理得到的输出量，K_c表示比例因子，l表示激发的规则数，w_j表示被激发的模糊规则对应的隶属度值，u_j表示自组织学习得到的模糊规则库的第j个隶属度参数。

本发明实施例提供的装置，通过根据前车的当前车速确定自动跟车的安全距离，使得确定的安全距离和滑模函数更加可靠。由于模糊滑模控制器能够适应过程复杂而多变的环境，自组织模糊控制方法是一种高性能、控制规则可调并能够在控制过程中自动获得和修改模糊规则库的模糊控制方式，因此，本发明实施例通过预设的自组织模糊滑模车距控制器对滑模函数进行处理，并将自组织模糊滑模车距控制器的输出作为自动跟车的控制信号，来控制信号控制油门控制机构或制动控制机构动作，使得本发明实施例提供的自动跟车控制方法能够较好地适应跟车时复杂的运行工况、路况、外部环境及前车车速的变化，不仅控制方式比较灵活，而且能够根据自组织模糊滑模车距控制器的输出对自动跟车距离进行精确控制，跟车控制效果好，不存在安全隐患，能够满足现有智能车跟车的控制要求。

本发明实施例还提供一种汽车，该汽车包括上述自动跟车控制装置，并可以通过上述自动跟车控制方法进行自动跟车控制。关于自动跟车控制装置及自动跟车控制方法的具体内容已在上面的实施例中进行了详细说明，具体可参见上述实施例中的内容，此处不再赘述。

本发明实施例提供的汽车，通过采用上述自动跟车控制装置，使得本发明实施例提供的汽车能够较好地适应跟车时复杂的运行工况、路况、外部环境及前车车速的变化，不仅控制方式比较灵活，而且能够根据自组织模糊滑模车距控制器的输出对自动跟车距离进行精确控制，跟车控制效果好，不存在安全隐患，能够满足现有智能车跟车的控制要求。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

需要说明的是：上述实施例提供的自动跟车控制方法在进行自动跟车控制时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的自动跟车控制装置与自动跟车控制方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种自动跟车控制方法，其特征在于，所述方法包括：

根据前车的当前车速确定自动跟车的安全距离；

获取本车与所述前车之间的实际距离，并根据所述实际距离及所述安全距离计算安全距离误差；

根据所述安全距离误差生成滑模函数；

控制所述滑模函数作为预设的自组织模糊滑模控制器的输入，并对所述滑模函数进行模糊处理，得到模糊子集；根据自组织学习得到的模糊规则库对所述模糊子集进行模糊推理，得到模糊输出量；利用加权平均法对所述模糊输出量进行反模糊处理，并将反模糊处理得到的输出量作为自动跟车的控制信号；

根据所述控制信号控制油门控制机构或制动控制机构动作；

所述根据自组织学习得到的模糊规则库对所述模糊子集进行模糊推理，得到模糊输出量之前，还包括：

通过如下公式对模糊规则库的隶属度参数进行自组织学习，得到模糊规则库：

公式中，u_i(k)和u_i(k+1)分别表示模糊规则库的第i个隶属度参数u_i在第k个和第k+1个采样时刻的值，Δu_i(k)表示对应的修正值，s(k)表示k个采样时刻的滑模函数值，i＝1，2，3，…，7；γ表示学习强度因子，0<γ<1，w_i表示被激发的模糊规则对应的隶属度值；λ为滑模函数s的斜率因子，其取值为常数。

2.根据权利要求1所述的方法，其特征在于，所述根据前车的当前车速确定自动跟车的安全距离，包括：

通过预先安装在本车前保险杠位置处的毫米波雷达测量前车的当前车速；

根据所述前车的当前车速通过如下公式确定自动跟车的安全距离：

公式中，D_A表示安全距离，V表示所述前车的当前车速。

3.根据权利要求1或2所述的方法，其特征在于，所述根据所述实际距离及所述安全距离计算安全距离误差，包括：

根据所述实际距离及所述安全距离通过如下公式计算安全距离误差：

e＝D_S-D_A

公式中，e表示安全距离误差，D_S表示实际距离，D_A表示安全距离；

所述根据所述安全距离误差生成滑模函数，包括：

根据所述安全距离误差生成如下公式表示的滑模函数：

公式中，s表示滑模函数，

表示安全距离误差的导数；λ为斜率因子，其取值为常数。

4.根据权利要求1所述的方法，其特征在于，所述利用加权平均法对所述模糊输出量进行反模糊处理，包括：

利用加权平均法通过如下公式对所述模糊输出量进行反模糊处理：

公式中，u表示反模糊处理得到的输出量，K_c表示比例因子，l表示激发的规则数，w_j表示被激发的模糊规则对应的隶属度值，u_j表示自组织学习得到的模糊规则库的第j个隶属度参数。

5.一种自动跟车控制装置，其特征在于，所述装置包括：

确定模块，用于根据前车的当前车速确定自动跟车的安全距离；

获取模块，用于本车与所述前车之间的实际距离；

计算模块，用于根据所述实际距离及所述安全距离计算安全距离误差；

生成模块，用于根据所述安全距离误差生成滑模函数；

处理模块，用于通过预设的自组织模糊滑模车距控制器对所述滑模函数进行处理，将所述自组织模糊滑模车距控制器的输出作为自动跟车的控制信号；

控制模块，用于根据所述控制信号控制油门控制机构或制动控制机构动作；

所述处理模块包括：

模糊处理单元，用于控制所述滑模函数作为预设的自组织模糊滑模控制器的输入，并对所述滑模函数进行模糊处理，得到模糊子集；

模糊推理单元，用于根据自组织学习得到的模糊规则库对所述模糊子集进行模糊推理，得到模糊输出量；

反模糊处理单元，用于利用加权平均法对所述模糊输出量进行反模糊处理，并将反模糊处理得到的输出量作为自动跟车的控制信号；

所述装置还包括用于执行以下操作的模块：

通过如下公式对模糊规则库的隶属度参数进行自组织学习，得到模糊规则库：

公式中，u_i(k)和u_i(k+1)分别表示模糊规则库的第i个隶属度参数u_i在第k个和第k+1个采样时刻的值，Δu_i(k)表示对应的修正值，s(k)表示k个采样时刻的滑模函数值，i＝1，2，3，…，7；γ表示学习强度因子，0<γ<1，w_i表示被激发的模糊规则对应的隶属度值；λ为滑模函数s的斜率因子，其取值为常数。

6.根据权利要求5所述的装置，其特征在于，所述确定模块包括：

测量单元，用于通过预先安装在本车前保险杠位置处的毫米波雷达测量前车的当前车速；

确定单元，用于根据所述前车的当前车速通过如下公式确定自动跟车的安全距离：

公式中，D_A表示安全距离，V表示所述前车的当前车速。

7.一种汽车，其特征在于，所述汽车包括权利要求5至6中任一权利要求所述的自动跟车控制装置。

Images