CN109241674B - 一种智能网联车辆编队的多时延稳定性分析方法 - Google Patents
一种智能网联车辆编队的多时延稳定性分析方法 Download PDFInfo
- Publication number
- CN109241674B CN109241674B CN201811204184.8A CN201811204184A CN109241674B CN 109241674 B CN109241674 B CN 109241674B CN 201811204184 A CN201811204184 A CN 201811204184A CN 109241674 B CN109241674 B CN 109241674B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- delay
- subsystem
- formation
- equation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种智能网联车辆编队的多时延稳定性分析方法,首先利用含多时延的分布式控制器,建立车辆编队的闭环动力学模型,并对其进行解耦,得到若干小型子系统,极大地降低了后续稳定性分析的计算量,对子系统特征方程中任意两个含时延的指数项使用半角正切代换,将多时延稳定性分析简化为求解任意双时延域截面,并且固定第三个时延项,将无穷根求解问题转化为有限根求解问题,以获取双时延截面;使用两次Dixon结式,求解纯虚特征根的频率,并寻找频率集合的上界、下界;最后,对频率集合进行频率扫描,得到双时延截面,即子系统的精准时延稳定边界;综合考虑所有子系统,求解它们稳定区域的交集,得到整个车队完整、精确的时延稳定边界。
Description
技术领域
本发明属于智能网联汽车领域,涉及智能网联车辆编队稳定性分析方法,具体为一种智能网联车辆编队的多时延稳定性分析方法。
背景技术
一般而言,智能网联车辆编队是由一组自动驾驶车辆通过信息交互,保持相同的行驶速度并维持稳定的车间距离而形成的系统。从控制角度来看,车辆编队可视为由多个车辆个体通过信息交互进行独立控制,进而相互耦合成的一种动态系统,因而也可视为一种特殊的多智能体系统。对于车辆编队的研究开始于上世纪八九十年代,不少实验室和机构也开展一些实车实验项目来展示和验证车辆编队系统的性能,如美国加州大学的PATH项目对智能交通道路系统和车辆编队问题进行探索,之后日本的Energy ITS项目、欧洲的SARTRE项目、荷兰组织的GCDC项目、Google X实验室的Waymo项目、百度的Apollo项目等,都对车辆编队问题开展了研究。
然而,车联网无线通讯不可避免产生通信时延,会降低车辆编队的控制性能,甚至会导致车辆编队不稳定。同时,由于车载设备、车间距离的差异,车联网无线通讯会产生不一致的多时延,对车辆编队的稳定性会造成极其不利的影响。因此,对智能网联车辆编队的多时延稳定性分析尤为重要。分析时延稳定性的方法主要有:Lyapunov法、Nyquist稳定判据。这两种方法均只能得到车辆编队稳定的充分条件,即具有保守性的时延稳定边界,不能寻找到精准的时延稳定边界。也有研究针对带时延的车辆编队稳定性问题,建立了具有鲁棒性的比例积分微分控制器,但是对寻找精准的时延稳定边界并没有帮助。总之,目前缺乏智能网联车辆编队的精确时延稳定性分析技术,不能得到准确的时延稳定边界。
大多数智能网联车辆编队的时延研究是针对单时延开展的,缺乏多时延作用下车辆编队稳定性的精确分析方法。虽然极少数研究考虑了多时延稳定问题,但是只能给出保守的时延稳定边界,不能得到多时延作用下精确、完整的时延稳定边界,也没有给出解决此类问题的一般性通用方法。针对现有技术中存在的问题,本发明提供了一种智能网联车辆编队的多时延稳定性分析方法,并且通过这种方法确定出多时延作用下车辆编队的完整、精确时延稳定边界。
发明内容
本发明的目的在于提供一种智能网联车辆编队的多时延稳定性分析方法,以克服现有技术的不足。
为达到上述目的,本发明采用如下技术方案:
一种智能网联车辆编队的多时延稳定性分析方法,包括以下步骤:
步骤1)、基于车辆编队的四元素架构对车队进行建模,建立含多时延的分布式控制器,并构建车辆编队的闭环动力学模型;利用矩阵相似变换方法和克罗内克积理论,对车辆编队的闭环动力学模型进行解耦,分解成N+1个子系统;
步骤2)、对子系统特征方程中任意两个含时延的指数项使用半角正切代换并且固定第三个时延项,将无穷根求解问题转化为有限根求解问题,以获取双时延截面;然后对使用半角正切代换后的子系统特征方程进行修正,生成子系统修正特征方程;
步骤3)、将子系统的修正特征方程拆分为实部方程和虚部方程,然后使用两次Dixon结式,求解令Dixon结式为零的频率,随后返回实部方程和虚部方程进行检验,寻找表征纯虚特征根的频率集合的频率上界、下界;
步骤4)、采用较小的步长,对表征纯虚特征根的频率集合进行频率扫描,用实部方程和虚部方程作为约束条件,求解出子系统修正特征方程所有的纯虚根;得出双时延截面上的双时延组合,即获取到子系统的精准时延稳定边界;综合所有子系统的精准时延稳定边界,求解它们的交集以得到整个车辆编队的精准时延稳定边界。
进一步的,所述车辆编队的四元素包括通信拓扑结构、车辆纵向动力学模型、车辆间距策略和分布式控制器。
进一步的,分别对车辆编队的四元素进行建模:
(a)、通信拓扑结构建模:利用图论相关知识,将车辆编队的通信拓扑结构视为一个拓扑图,而每一辆车视为一个节点,该拓扑图表示为其中,是节点集合,0表示领航车,1,2,…,N表示跟随车;是通信拓扑中边的集合;拓扑图G的邻接矩阵:A=[aij](N+1)×(N+1),其中
拓扑图G的拉普拉斯矩阵为L=[lij](N+1)×(N+1),其中
(b)、车辆纵向动力学模型建立:每辆车的纵向动力学表示如下:
其中,ri(t)表示第i辆车t时刻的位置,vi(t)表示第i辆车t时刻的速度,ai(t)表示第i辆车t时刻的加速度,T表示车辆驱动机构的时间常数,T>0,ui(t)表示控制输入;
即建立了含驱动机构时间常数的三阶车辆纵向节点动力学模型,每辆车纵向动力学的三阶状态空间表达式:
式中,xi(t)为第i辆车的状态矢量,A为三阶车辆纵向动力学模型的系统矩阵,B为输入矩阵:
(c)、车辆间距策略确立:车辆编队的控制目标是跟踪领航车的速度和加速度,并实现预定的几何形状,使用恒定间距的车辆间距策略:
其中,dij是第i辆车和第j辆车的理想车辆间距,且有dji=-dij,车辆编队的几何形状由dij决定;采用恒定距离策略,将dij设置为一个定值:
其中,di-1,i是第i辆车和第i-1辆车的理想间距;
(d)、多时延的分布式控制器设计:设计含多时延的分布式控制器:
其中,为位置误差状态;为速度误差状态;为加速度误差状态,为相对于领航车的误差状态,kr>0,kv>0,ka>0是控制器增益,kr是位置增益,kv是速度增益,ka是加速度增益;τ1是位置检测通道的时延,τ2是速度检测通道的时延,τ3是加速度检测通道的时延;aij为第j辆车向第i辆车的通信权重。
则分布式控制器改写为:
其矩阵形式为:
其中,K1=[kr,0,0],K2=[0,kv,0],K3=[0,0,ka]。
进一步的,在对车队的四元素分别建模之后,使用矩阵克罗内克积,得到车辆编队的闭环状态空间表达式为:
对车辆编队的闭环动力学模型进行解耦;将整体车辆编队的闭环状态空间表达式分解为多个子系统,作线性变换:
其中,ξ为线性变换后的状态变量,T的选取需满足Λ=TTLT,Λ为对角阵,T为变换矩阵,通过线性变换可得到:
对线性变换后的状态方程进行分解,可得到
其中,λi为L的第i个特征值,ξi(t)为各个子系统;
解耦后子系统的特征方程为:
其中,τ=(τ1,τ2,τ3)∈R3+为时延向量。
进一步的,将解耦后子系统的特征方程重写为:
Ω为频率集合;Ω={ω|f(s,τ)=0,s=ωi,τ∈R3+,ω∈R+}
其中,ωi为纯虚特征根,ω∈R+为频率,i为虚数单位;
进而得到τk与zk的关系:
使用半角正切代换处理解耦后子系统的特征方程,得到半角正切代换后的子系统特征方程:
其中,ck=rank(BKk)≤N。
进一步的,将s=ωi代入修正后的子系统特征方程,得到由纯虚根组成的子系统特征方程:
分别定义子系统特征方程的实部方程和虚部方程:
R(ω,z1,z2)=0、I(ω,z1,z2)=0表示了(ω,z1,z2)∈R3空间中的两个不同的超曲面;
将R(ω,z1,z2)=0、I(ω,z1,z2)=0改写为关于z2的多项式,参数为ω和z1:
得到与z2中所有多项式αi(i=0,1,…,dmax-1)的系数对应的dmax个方程;存在如下关系:
若δ(z2,α)有解,则F(ω,z1)必须是奇异的,即:
det[F(ω,z1)]=0
det[F(ω,z1)]=0被称为Dixon结式多项式,将其定义为Rz2(ω,z1)=det[F(ω,z1)];并有
化简得:
进一步的,从步骤3)获得的Ω的上界、下界出发,执行以下步骤来获取子系统的精准时延稳定边界:
(a)用较小的步长在Ω的上界、下界内扫描ω,并求解令Rz2(ω,z1)=0的z1值;
(b)对于步骤(a)中的组合(ω,z1),检验是否存在z2满足R(ω,z1,z2)=0和I(ω,z1,z2)=0,如果存在,进入步骤(c);否则,返回步骤(a)并继续扫描下一个ω值;
(c)基于步骤(b)得到的(ω,z1,z2),确定出双时延截面上的双时延组合(τ1,τ2);
确定出双时延截面上的双时延组合后,即获取到单个子系统的精准时延稳定边界,逐个获取所有子系统的精准时延稳定边界,求解它们的交集以得到整个车辆编队的完整、精确时延稳定边界。
与现有技术相比,本发明具有以下有益的技术效果:
本发明一种智能网联车辆编队的多时延稳定性分析方法,首先利用含多时延的分布式控制器,建立车辆编队的闭环动力学模型,并对其进行解耦,得到若干小型子系统,极大地降低了后续稳定性分析的计算量,对子系统特征方程中任意两个含时延的指数项使用半角正切代换,将多时延稳定性分析简化为求解任意双时延域截面,并且固定第三个时延项,将无穷根求解问题转化为有限根求解问题,以获取双时延截面;使用两次Dixon结式,求解纯虚特征根的频率,并寻找频率集合的上界、下界;最后,对频率集合进行频率扫描,得到双时延截面,即子系统的精准时延稳定边界;综合考虑所有子系统,求解它们稳定区域的交集,得到整个车队完整、精确的时延稳定边界。本发明方法可实现智能网联车辆编队的多时延稳定性分析,能够找到使车辆编队稳定的完整、精确的时延边界。
进一步的,利用矩阵相似变换方法和克罗内克积理论,对车辆编队的闭环动力学模型进行解耦,子系统的维数大幅度降低,极大地降低了后续稳定性分析的计算量。
附图说明
图1为本发明实例中所述稳定性分析方法的流程框图。
图2为本发明实例中所述智能网联车辆编队的四元素架构图。
具体实施方式
下面结合附图对本发明做进一步详细描述:
本发明提出了一种智能网联车辆编队的多时延稳定性分析方法,旨在获取车辆编队的完整、精确的时延稳定边界,下面结合说明书附图对本发明进一步详细说明。
附图中图1是本发明的稳定性分析方法流程框图,本发明主要包含了车辆编队解耦、子系统特征方程修正、频率集合的界限确定、频率扫描步骤,具体实施方式如下:
步骤1:考虑由1辆领航车与N辆跟随车构成的智能网联车辆编队,该车队为同构车队,在位置、速度、加速度数据检测通道分别产生了位置、速度、加速度时延。基于四元素架构对车队进行建模,重点设计含多时延的分布式控制器,并构建车辆编队的闭环动力学模型;利用矩阵相似变换方法和克罗内克积理论,对车辆编队的闭环动力学模型进行解耦,分解成N+1个小型子系统,极大地降低了后续稳定性分析的计算量。
由于车辆编队的四元素包括通信拓扑结构、车辆纵向动力学模型、车辆间距策略、分布式控制器,拟使用无向通信拓扑结构、三阶车辆纵向动力学模型、恒定间距的车辆间距策略,并设计考虑多时延的分布式控制器,如附图中图2所示。接下来分别对这四个元素进行建模,然后进行车队的总体建模。
(a)无向通信拓扑结构建模。利用图论相关知识,将车辆编队的通信拓扑结构视为一个拓扑图,而每一辆车视为一个节点,该拓扑图可表示为其中,是节点集合,也是车辆的集合,0表示领航车,1,2,…,N表示跟随车;是通信拓扑中边的集合。图G的邻接矩阵用A=[aij](N+1)×(N+1)表示,其中若aij=1,表示第i辆车可以从第j辆车获得信息;若aij=0,表示第i辆车不能从第j辆车获得信息;此外,车辆的自通信是不允许的,即aii=0。无向通信拓扑结构是指:两辆跟随车之间如果发生通信,一定是双向通信。图G的拉普拉斯矩阵为L=[lij](N+1)×(N+1),其中
(b)三阶车辆纵向动力学模型建立。车辆编队为同构车队,即每辆车的动力学模型相同,每辆车的纵向动力学可用如下数学描述:
其中,ri(t)表示第i辆车t时刻的位置,vi(t)表示第i辆车t时刻的速度,ai(t)表示第i辆车t时刻的加速度,T>0表示车辆驱动机构的时间常数,ui(t)表示控制输入。这就建立了含驱动机构时间常数的三阶车辆纵向节点动力学模型,接下来给出每辆车纵向动力学的三阶状态空间表达式:
式中,xi(t)为第i辆车的状态矢量,A为三阶车辆纵向动力学模型的系统矩阵,B为输入矩阵。
(c)恒定间距的车辆间距策略确立。车辆编队的控制目标是跟踪领航车的速度和加速度,并实现预定的几何形状。拟使用恒定间距的车辆间距策略:
其中,dij是第i辆车和第j辆车的理想车辆间距,且有dji=-dij,车辆编队的几何形状由dij决定。采用恒定距离策略,将dij设置为一个定值:
其中,di-1,i是第i辆车和第i-1辆车的理想间距。
(d)多时延的分布式控制器设计。车辆的信息通过车载传感器主动采集获得,由于采集不同物理量时使用了不同种类的传感器,车辆编队在位置、速度、加速度数据检测通道分别产生了位置、速度、加速度时延,这三种时延互不相等,这就产生了多时延问题;为了便于研究分析含有多时延的车辆编队问题,考虑设计含多时延的分布式控制器:
其中,为位置误差状态;为速度误差状态;为加速度误差状态,为相对于领航车的误差状态,kr>0,kv>0,ka>0是控制器增益,kr是位置增益,kv是速度增益,ka是加速度增益;τ1是位置检测通道的时延,τ2是速度检测通道的时延,τ3是加速度检测通道的时延;aij为第j辆车向第i辆车的通信权重;若aij=1,表示第i辆车可以从第j辆车获得信息;若aij=0,表示第i辆车不能从第j辆车获得信息;此外,车辆的自通信是不允许的,即aii=0。
则分布式控制器可改写为:
其矩阵形式为:
其中,K1=[kr,0,0],K2=[0,kv,0],K3=[0,0,ka]。
在对车队的四元素分别建模之后,使用矩阵克罗内克积,得到车辆编队的闭环状态空间表达式为:
其中,IN为N阶的单位阵。车辆编队的闭环状态空间表达式即为闭环动力学模型,是3(N+1)维的。
接下来,利用矩阵相似变换方法和克罗内克积理论,对车辆编队的闭环动力学模型进行解耦。对于车辆编队的闭环状态空间表达式,依据矩阵的相似对角化性质和克罗内克积运算,做线性变换,将整体车辆编队的闭环状态空间表达式分解为多个子系统。作线性变换:
其中,ξ为线性变换后的状态变量,T的选取需满足Λ=TTLT,Λ为对角阵,T为变换矩阵。通过线性变换可得到
对线性变换后的状态方程进行分解,可得到
其中,λi为L的第i个特征值。这就对整个车辆编队实现了解耦,各个子系统ξi(t)之间唯一的区别是λi,每个子系统是3维的。相较于解耦前的车辆编队模型,子系统的维数大幅度降低,极大地降低了后续稳定性分析的计算量。
解耦后子系统的特征方程为:
其中,τ=(τ1,τ2,τ3)∈R3+为时延向量。
步骤2:如果整个车辆编队稳定,则需要每个解耦后的子系统均稳定;而子系统特征方程中含有带时延的指数项,因此直接求解必然会产生无穷根问题。为了解决这一问题,对子系统特征方程中任意两个含时延的指数项使用半角正切代换并且固定第三个时延项,将无穷根求解问题转化为有限根求解问题,以获取双时延截面;然后对使用半角正切代换后的子系统特征方程进行修正,生成子系统修正特征方程。这是本发明方法解决带时延项的车辆编队问题的一个改进。
接下来需要逐个对子系统进行稳定性分析,为了叙述方便,省略下标i,将解耦后子系统的特征方程重写为:
将车辆编队子系统特征方程的纯虚特征根用集合Ω表示,Ω为纯虚特征根s=ωi中的ω集合,简称Ω为频率集合,包含了时延向量τ的所有可能变化。
Ω={ω|f(s,τ)=0,s=ωi,τ∈R3+,ω∈R+}
其中,ωi为纯虚特征根,ω∈R+为频率,i为虚数单位。考虑ω∈Ω的所有可能变化,可以得到双延迟域(τ1,τ2)中的连续曲线。它们都是由最小双延迟组合(τ10,τ20)导出,(τ10,τ20)表示对应于纯虚特征根ωi的最小正延迟。
接下来,利用时延域的超曲线分析车队子系统的稳定性。超曲线包括核心超曲线和衍生超曲线(其定义可参考文献N.Olgac and R.Sipahi,“An exact method for thestability analysis of time delayed LTI systems,”IEEE Transactions onAutomatic Control,vol.47,no.5,pp.793–797,2002.),这两种超曲线是所有可能的子系统稳定性切换点(由稳定变为不稳定,或由不稳定变为稳定)。
为了简化超曲线的获取过程,将第三个时延τ3取为固定值,只求取在双时延域(τ1,τ2)中的二维交叉投影,即三维超曲线的双时延截面。
对于所有ω∈Ω并满足约束条件0<τkω<2π,k=1,2的点所组成的轨迹称为核心超曲线,核心超曲线上的点即为最小延迟组合(τ10,τ20)。衍生超曲线的点满足条件:
进而得到τk与zk的关系:
使用半角正切代换处理解耦后子系统的特征方程,得到半角正切代换后的子系统特征方程:
其中,ck=rank(BKk)≤N。
步骤3:将子系统的修正特征方程拆分为实部方程和虚部方程,然后使用两次Dixon结式,求解令Dixon结式为零的频率,随后返回实部方程和虚部方程进行检验,寻找表征纯虚特征根的频率集合的频率上界、下界。
将s=ωi代入修正后的子系统特征方程,得到由纯虚根组成的子系统特征方程:
根据由纯虚根组成的子系统特征方程,分别定义其实部方程和虚部方程:
R(ω,z1,z2)=0、I(ω,z1,z2)=0表示了(ω,z1,z2)∈R3空间中的两个不同的超曲面,它们的交点构成了以上两式的共同解,完全地表征了双时延截面的信息。
将R(ω,z1,z2)=0、I(ω,z1,z2)=0改写为关于z2的多项式,参数为ω和z1:
为了确定整个频率集合Ω,本发明先使用Dixon结式确定Ω的上界、下界。Dixon结式是求解多项式方程组的一个重要方法,其优点是计算效率高。下面求解的Dixon结式,以寻找解z2存在的充要条件,从给出z2的Dixon多项式开始
无论α如何取值,和的每个公共零点都是δ(z2,α)的零点,所以δ(z2,α)中α的所有次幂的系数在该公共零点处必须为零。这就得到了与z2中所有多项式αi(i=0,1,…,dmax-1)的系数对应的dmax个方程。这些dmax个方程的相应系数矩阵被称为Dixon矩阵,存在如下关系:
若δ(z2,α)有解,则F(ω,z1)必须是奇异的,即:
det[F(ω,z1)]=0
上式提供了δ(z2,α)有解的充分必要条件。det[F(ω,z1)]=0被称为Dixon结式多项式,将其定义为Rz2(ω,z1)=det[F(ω,z1)]。并有
化简可得
步骤4:采用较小的步长,对表征纯虚特征根的频率集合进行频率扫描,用实部方程和虚部方程作为约束条件,求解出子系统修正特征方程所有的纯虚根。进一步得出双时延截面上的双时延组合,即获取到子系统的精准时延稳定边界。综合考虑所有子系统的精准时延稳定边界,求解它们的交集以得到整个车辆编队的精准时延稳定边界。
从步骤3获得的Ω的上界、下界出发,执行以下步骤来获取子系统的精准时延稳定边界。
(a)用较小的步长(比如0.01)在Ω的上界、下界内扫描ω,并求解令Rz2(ω,z1)=0的z1值。
(b)对于步骤(a)中的组合(ω,z1),检验是否存在z2满足R(ω,z1,z2)=0和I(ω,z1,z2)=0。如果存在,进入步骤(c);否则,返回步骤(a)并继续扫描下一个ω值。
(c)基于步骤(b)得到的(ω,z1,z2),确定出双时延截面上的双时延组合(τ1,τ2)。
确定出双时延截面上的双时延组合后,即获取到单个子系统的精准时延稳定边界。最后,逐个获取所有子系统的精准时延稳定边界,求解它们的交集以得到整个车辆编队的完整、精确时延稳定边界。
本发明通过设计含多时延的分布式控制器,利用矩阵的相似对角化性质和克罗内克积运算,对整个车辆编队的闭环动力学模型进行解耦,将整个车队的稳定性分析问题分解为多个子系统稳定性分析问题,极大地降低了车队稳定性分析的计算量。然后对子系统特征方程中含时延的指数项进行半角正切变换,将无限根求解问题转化为有限根求解问题。利用Dixon结式求解子系统修正特征方程,再应用频率扫描技术进行检验,获取到子系统的精准时延稳定边界,逐个获取所有子系统的精准时延稳定边界,最终得出整个车辆编队精准、完整的时延稳定边界。本发明方法可实现智能网联车辆编队的多时延稳定性分析,能够找到使车辆编队稳定的完整、精确的时延边界。
Claims (9)
1.一种智能网联车辆编队的多时延稳定性分析方法,其特征在于,包括以下步骤:
步骤1)、基于车辆编队的四元素架构对车队进行建模,建立含多时延的分布式控制器,并构建车辆编队的闭环动力学模型;利用矩阵相似变换方法和克罗内克积理论,对车辆编队的闭环动力学模型进行解耦,分解成N+1个子系统;
步骤2)、对子系统特征方程中任意两个含时延的指数项使用半角正切代换并且固定第三个时延项,将无穷根求解问题转化为有限根求解问题,以获取双时延截面;然后对使用半角正切代换后的子系统特征方程进行修正,生成子系统修正特征方程;
步骤3)、将子系统的修正特征方程拆分为实部方程和虚部方程,然后使用两次Dixon结式,求解令Dixon结式为零的频率,随后返回实部方程和虚部方程进行检验,寻找表征纯虚特征根的频率集合的频率上界、下界;
步骤4)、采用较小的步长,对表征纯虚特征根的频率集合进行频率扫描,用实部方程和虚部方程作为约束条件,求解出子系统修正特征方程所有的纯虚根;得出双时延截面上的双时延组合,即获取到子系统的精准时延稳定边界;综合所有子系统的精准时延稳定边界,求解它们的交集以得到整个车辆编队的精准时延稳定边界。
2.根据权利要求1所述的一种智能网联车辆编队的多时延稳定性分析方法,其特征在于,所述车辆编队的四元素包括通信拓扑结构、车辆纵向动力学模型、车辆间距策略和分布式控制器。
3.根据权利要求2所述的一种智能网联车辆编队的多时延稳定性分析方法,其特征在于,分别对车辆编队的四元素进行建模:
(a)、通信拓扑结构建模:利用图论相关知识,将车辆编队的通信拓扑结构视为一个拓扑图,而每一辆车视为一个节点,该拓扑图表示为其中,是节点集合,0表示领航车,1,2,…,N表示跟随车;是通信拓扑中边的集合;拓扑图G的邻接矩阵:A=[aij](N+1)×(N+1),其中i,
拓扑图G的拉普拉斯矩阵为L=[lij](N+1)×(N+1),其中
(b)、车辆纵向动力学模型建立:每辆车的纵向动力学表示如下:
其中,ri(t)表示第i辆车t时刻的位置,vi(t)表示第i辆车t时刻的速度,ai(t)表示第i辆车t时刻的加速度,T表示车辆驱动机构的时间常数,T>0,ui(t)表示控制输入;
即建立了含驱动机构时间常数的三阶车辆纵向节点动力学模型,每辆车纵向动力学的三阶状态空间表达式:
式中,xi(t)为第i辆车的状态矢量,A为三阶车辆纵向动力学模型的系统矩阵,B为输入矩阵:
(c)、车辆间距策略确立:车辆编队的控制目标是跟踪领航车的速度和加速度,并实现预定的几何形状,使用恒定间距的车辆间距策略:
其中,dij是第i辆车和第j辆车的理想车辆间距,且有dji=-dij,车辆编队的几何形状由dij决定;采用恒定距离策略,将dij设置为一个定值:
其中,di-1,i是第i辆车和第i-1辆车的理想间距;
(d)、多时延的分布式控制器设计:设计含多时延的分布式控制器:
5.根据权利要求4所述的一种智能网联车辆编队的多时延稳定性分析方法,其特征在于,在对车队的四元素分别建模之后,使用矩阵克罗内克积,得到车辆编队的闭环状态空间表达式为:
对车辆编队的闭环动力学模型进行解耦;将整体车辆编队的闭环状态空间表达式分解为多个子系统,作线性变换:
其中,ξ为线性变换后的状态变量,T的选取需满足Λ=TTLT,Λ为对角阵,T为变换矩阵,通过线性变换可得到:
对线性变换后的状态方程进行分解,可得到
其中,λi为L的第i个特征值,ξi(t)为各个子系统;
解耦后子系统的特征方程为:
其中,τ=(τ1,τ2,τ3)∈R3+为时延向量。
7.根据权利要求1所述的一种智能网联车辆编队的多时延稳定性分析方法,其特征在于,将s=ωi代入修正后的子系统特征方程,得到由纯虚根组成的子系统特征方程:
分别定义子系统特征方程的实部方程和虚部方程:
R(ω,z1,z2)=0、I(ω,z1,z2)=0表示了(ω,z1,z2)∈R3空间中的两个不同的超曲面;
将R(ω,z1,z2)=0、I(ω,z1,z2)=0改写为关于z2的多项式,参数为ω和z1:
得到与z2中所有多项式αi(i=0,1,…,dmax-1)的系数对应的dmax个方程;存在如下关系:
若δ(z2,α)有解,则F(ω,z1)必须是奇异的,即:
det[F(ω,z1)]=0
det[F(ω,z1)]=0被称为Dixon结式多项式,将其定义为Rz2(ω,z1)=det[F(ω,z1)];并有
化简得:
9.根据权利要求1所述的一种智能网联车辆编队的多时延稳定性分析方法,其特征在于,从步骤3)获得的Ω的上界、下界出发,执行以下步骤来获取子系统的精准时延稳定边界:
(a)用较小的步长在Ω的上界、下界内扫描ω,并求解令Rz2(ω,z1)=0的z1值;
(b)对于步骤(a)中的组合(ω,z1),检验是否存在z2满足R(ω,z1,z2)=0和I(ω,z1,z2)=0,如果存在,进入步骤(c);否则,返回步骤(a)并继续扫描下一个ω值;
(c)基于步骤(b)得到的(ω,z1,z2),确定出双时延截面上的双时延组合(τ1,τ2);
确定出双时延截面上的双时延组合后,即获取到单个子系统的精准时延稳定边界,逐个获取所有子系统的精准时延稳定边界,求解它们的交集以得到整个车辆编队的完整、精确时延稳定边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204184.8A CN109241674B (zh) | 2018-10-16 | 2018-10-16 | 一种智能网联车辆编队的多时延稳定性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811204184.8A CN109241674B (zh) | 2018-10-16 | 2018-10-16 | 一种智能网联车辆编队的多时延稳定性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109241674A CN109241674A (zh) | 2019-01-18 |
CN109241674B true CN109241674B (zh) | 2022-10-25 |
Family
ID=65052919
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811204184.8A Active CN109241674B (zh) | 2018-10-16 | 2018-10-16 | 一种智能网联车辆编队的多时延稳定性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109241674B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110161854B (zh) * | 2019-05-21 | 2021-06-29 | 吉林大学 | 一种高速公路重型卡车编队纵向行驶控制方法 |
CN110798821B (zh) * | 2019-09-12 | 2023-04-07 | 腾讯科技(深圳)有限公司 | 车辆编队的方法、装置及电子设备 |
CN110989583B (zh) * | 2019-11-27 | 2021-12-21 | 南京航空航天大学 | 一种基于互联正系统理论的车辆编队方法 |
CN110930766A (zh) * | 2019-12-02 | 2020-03-27 | 武汉理工大学 | 一种基于图论与势场方法的无人车多车道护航编队方法 |
CN111524355A (zh) * | 2020-04-30 | 2020-08-11 | 江南大学 | 一种交通路口处基于802.11p的实时车队通信性能分析方法 |
CN111781945A (zh) * | 2020-06-09 | 2020-10-16 | 南京邮电大学 | 具有随机时延的多智能体编队控制方法 |
CN111665843B (zh) * | 2020-06-12 | 2022-04-29 | 湖南大学 | 一种考虑通信部分失效的车辆队列控制方法及系统 |
CN111967099B (zh) * | 2020-07-20 | 2021-04-27 | 居鹤华 | 多自由度机械臂矢量多项式系统最优求解方法 |
CN113034911B (zh) * | 2020-12-14 | 2022-06-14 | 湖南大学 | 一种兼具参数与结构异质性的车辆队列控制方法和系统 |
CN112606825B (zh) * | 2020-12-29 | 2021-12-28 | 合肥工业大学 | 考虑通信时延的智能网联汽车的鲁棒模型预测控制器 |
CN113110022A (zh) * | 2021-03-30 | 2021-07-13 | 武汉理工大学 | 一种基于非线性pid的多车列队纵向跟随控制方法及装置 |
CN113391548A (zh) * | 2021-04-27 | 2021-09-14 | 同济大学 | 一种用于网联车自动驾驶的交叉口引导方法、装置及介质 |
CN113485125B (zh) * | 2021-08-11 | 2024-01-30 | 长安大学 | 一种适用于任意通信拓扑的含时滞车辆队列稳定性控制方法及系统 |
CN113485124B (zh) * | 2021-08-11 | 2024-02-02 | 长安大学 | 一种考虑通信时滞的异构车辆队列稳定性控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016065055A1 (en) * | 2014-10-21 | 2016-04-28 | Ask Y, Llc | Platooning control via accurate synchronization |
CN107554524A (zh) * | 2017-09-12 | 2018-01-09 | 北京航空航天大学 | 一种基于主观危险感知的跟驰模型稳定性控制方法 |
CN107807521A (zh) * | 2017-09-20 | 2018-03-16 | 北京飞小鹰科技有限责任公司 | 面向固定时间的编队飞行器协同控制方法及系统 |
CN108447266A (zh) * | 2018-05-23 | 2018-08-24 | 清华大学 | 一种智能网联汽车协同换道入队控制方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8620517B2 (en) * | 2012-02-21 | 2013-12-31 | Toyota Mototr Engineering & Manufacturing North America, Inc. | Vehicular platooning using distributed receding horizon control |
-
2018
- 2018-10-16 CN CN201811204184.8A patent/CN109241674B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016065055A1 (en) * | 2014-10-21 | 2016-04-28 | Ask Y, Llc | Platooning control via accurate synchronization |
CN107554524A (zh) * | 2017-09-12 | 2018-01-09 | 北京航空航天大学 | 一种基于主观危险感知的跟驰模型稳定性控制方法 |
CN107807521A (zh) * | 2017-09-20 | 2018-03-16 | 北京飞小鹰科技有限责任公司 | 面向固定时间的编队飞行器协同控制方法及系统 |
CN108447266A (zh) * | 2018-05-23 | 2018-08-24 | 清华大学 | 一种智能网联汽车协同换道入队控制方法 |
Non-Patent Citations (2)
Title |
---|
具有时延的编队控制系统稳定性分析方法;张汝波等;《西南交通大学学报》;20111015(第05期);全文 * |
基于车载自组网通信终端和运动信息的容忍时延网络分簇路由算法;和何等;《计算机应用》;20180310(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109241674A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109241674B (zh) | 一种智能网联车辆编队的多时延稳定性分析方法 | |
Koo et al. | Decentralized fuzzy observer-based output-feedback control for nonlinear large-scale systems: an LMI approach | |
Viola et al. | Total energy shaping control of mechanical systems: simplifying the matching equations via coordinate changes | |
Tao et al. | Multiple model predictive control for large envelope flight of hypersonic vehicle systems | |
Chen et al. | Analysis of decomposability and complexity for design problems in the context of decomposition | |
CN112115419A (zh) | 系统状态估计方法、系统状态估计装置 | |
CN101701826A (zh) | 基于分层粒子滤波的被动多传感器目标跟踪方法 | |
CN105068421A (zh) | 多移动机器人的二自由度协同控制方法 | |
CN111445498A (zh) | 一种采用Bi-LSTM神经网络的目标跟踪方法 | |
CN115577436A (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
CN108181617B (zh) | 一种基于张量积模型变换的非线性调频系统的滤波方法 | |
Wang et al. | Continuous time-varying sliding mode based attitude control for reentry vehicle | |
CN116700327A (zh) | 一种基于连续动作优势函数学习的无人机轨迹规划方法 | |
Tang et al. | Novel solution framework for inverse problem considering interval uncertainty | |
CN110110475B (zh) | 基于在线学习渐消因子的扩展卡尔曼滤波方法 | |
CN106407932B (zh) | 基于分数阶微积分与广义逆神经网络的手写数字识别方法 | |
He et al. | Robust consensus braking algorithm for distributed EMUs with uncertainties | |
Qin et al. | Multi‐objective optimal motion control of a laboratory helicopter based on parallel simple cell mapping method | |
CN115439330A (zh) | 高精度局部三维坐标转换方法及其装置 | |
CN105373805A (zh) | 一种基于最大熵准则的多传感器机动目标跟踪方法 | |
CN115630566B (zh) | 一种基于深度学习和动力约束的资料同化方法和系统 | |
CN104898587A (zh) | 基于并行弥漫式智能搜索算法的工业过程建模系统与方法 | |
CN111678512B (zh) | 一种基于因子图的星敏感器和陀螺组合卫星姿态确定方法 | |
Wang et al. | Deep Reinforcement Learning-Based Periodic Earth Observation Scheduling for Agile Satellite Constellation | |
Cholia et al. | Integrating Models with Real-time Field Data for Extreme Events: From Field Sensors to Models and Back with AI in the Loop |
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 |