CN109606367B - 基于车联网的巡航控制系统的最优线性控制方法及装置 - Google Patents
基于车联网的巡航控制系统的最优线性控制方法及装置 Download PDFInfo
- Publication number
- CN109606367B CN109606367B CN201811315073.4A CN201811315073A CN109606367B CN 109606367 B CN109606367 B CN 109606367B CN 201811315073 A CN201811315073 A CN 201811315073A CN 109606367 B CN109606367 B CN 109606367B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- queue
- vehicles
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000011217 control strategy Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 230000001133 acceleration Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000005094 computer simulation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 3
- 238000004891 communication Methods 0.000 abstract description 20
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供一种基于车联网的巡航控制系统的最优线性控制方法及装置,其中方法包括:获取道路车辆的队列,包括有人驾驶车和自动控制车;建立队列系统模型;根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法及装置,通过分析车辆动态,构建整体队列系统的状态方程,并考虑离散系统采样时间和通信时延的影响,建立最优化问题,最终得到自动控制车辆的最优控制策略,能够使自动控制车辆达到理想车速,并与前车保持安全车距,同时保证了控制系统的稳定性。
Description
技术领域
本发明实施例涉及自动控制技术领域,尤其涉及一种基于车联网的巡航控制系统的最优线性控制方法及装置。
背景技术
巡航控制是一种车辆的自动控制方法,可以有效提高道路交通效率,减少交通事故,提升汽车燃油经济性。
目前应用较为广泛的有自适应巡航控制(Adaptive Cruise Control,ACC)方法和协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)方法等。自适应巡航控制方法通过传感器感知道路信息和其他车辆信息,从而调节控制车辆车速,以与前车保持安全的车距。然而,这种方法的稳定性较差,准确度低,当传感器受到干扰时,会影响整体控制系统的性能。
协同自适应巡航控制方法将ACC与车辆间(vehicle-to-vehicle,V2V)通信技术相结合,通过感知道路和前方车辆的速度、加速度和与前车距离等状态信息,对控制车辆的加速度进行控制,从而使控制车辆达到理想的速度和车距。然而,CACC方法中需要队列中的每辆车均配备有传感器和控制器,而且通信拓扑是固定的,在道路情况和车辆队列变化时无法保证系统的稳定性,在实际中难以应用。
目前,尚未有一种方法,能够适应实际中车辆队列和通信拓扑变化时,使控制车辆在保持安全车距的条件下,跟随前车的速度前进,并同时保证系统的稳定性。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基于车联网的巡航控制系统的最优线性控制方法及装置。
本发明实施例提供一种基于车联网的巡航控制系统的最优线性控制方法,包括:
获取道路车辆的队列,车辆包括有人驾驶车和自动控制车;根据队列建立队列系统模型;
根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;
对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。
本发明实施例提供一种基于车联网的巡航控制系统的最优线性控制装置,包括:
系统建模模块,用于获取道路车辆的队列,车辆包括有人驾驶车和自动控制车;根据队列建立队列系统模型;
问题构建模块,用于根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;
计算处理模块,用于对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。
本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法及装置,通过分析车辆动态,构建整体队列系统的状态方程,并考虑离散系统采样时间和通信时延的影响,建立最优化问题,最终得到自动控制车辆的最优控制策略,能够使自动控制车辆达到理想车速,并与前车保持安全车距,同时保证了控制系统的稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为根据本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法流程图;
图2为根据本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法场景示意图;
图3为根据本发明实施例提供的基于车联网的巡航控制系统的最优线性控制装置结构示意图;
图4为根据本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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他实施例,都属于本发明保护的范围。
图1为根据本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法流程图,如图1所示,包括:
S1、获取道路车辆的队列,车辆包括有人驾驶车和自动控制车;根据队列建立队列系统模型。
需要说明的是,本发明实施例中车辆队列包括两种车辆:有人驾驶车辆和CCC(Connected Cruise Control,基于车联网的巡航控制)自动控制车辆。CCC自动控制车辆可以通过车辆间(vehicle-to-vehicle,V2V)通信获取队列中其他车辆的状态信息,包括车距、车速和加速度信息,从而根据车辆队列中各车辆的车距、车速和加速度之间的关系,对整个车辆队列进行建模。车辆队列中可以有多辆车,包括多辆自动控制车辆和多辆有人驾驶车辆,两种车辆顺序可以随意安排,比如车辆队列从前到后依次为:头车-自动控制车-有人驾驶车-自动控制车-...-尾车,其中头车为队列头部的第一辆车,尾车为队列尾部的最后一辆车,头车和尾车可以为有人驾驶车辆,也可以为CCC自动控制车辆。
由于自动控制车辆无需考虑其后车辆的车辆状态,因此为了简单清楚地描述技术方案,本发明实施例以尾车为CCC自动控制车辆为例。可以理解的是,当队列模型改变时,可以使用本发明实施例提出的建模方法,按照队列的具体情况构建相应的状态方程,而且本发明实施例提供的最优线性控制策略同样适用于这些更复杂的模型中对于自动控制车辆的控制。
S2、根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题。
需要说明的是,在得到整个车辆队列的队列系统模型后,可以构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题。由于直接求解该最优化问题较为困难,一般来说,可引入一个新的状态变量,并将原先的最优化问题进行等价转换,然后再进行求解,从而得到车辆巡航控制系统的最优线性控制策略。
S3、对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。
需要说明的是,先将车辆巡航控制最优化问题进行等价转换,将最优化问题求解转换为最优线性控制策略的系数求解。本领域技术人员清楚的是,最优化问题的解即为最优线性控制策略,可以先写成例如uk=-Lkzk的通用形式,求解最优化问题即对系数Lk进行求解。然后结合网络化控制系统的最优控制理论,利用递归推导的方法,逐步求解得出基于车联网的巡航控制系统中最优线性控制策略的系数。在得到最优线性控制策略的系数后,CCC自动控制车辆通过获得各个时刻的各车辆的状态信息,根据最优线性控制策略的系数,实时产生最优控制信号,从而实现对CCC自动控制车辆的稳定控制。
本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法及装置,通过分析车辆动态,构建整体队列系统的状态方程,并考虑离散系统采样时间和通信时延的影响,建立最优化问题,最终得到自动控制车辆的最优控制策略,能够使自动控制车辆达到理想车速,并与前车保持安全车距,同时保证了控制系统的稳定性。
在上述实施例的基础上,作为一种可选的实施例,本发明实施例S1中根据队列建立队列系统模型,包括:
根据队列中各车辆的状态信息,建立各车辆的动态模型;
根据所述各车辆的动态模型,建立队列系统模型。
在上述实施例的基础上,作为一种可选的实施例,本发明实施例根据队列中各车辆的状态信息,建立各车辆的动态模型,包括:
分别获得各车辆的车速和加速度,以及头车外其余各车辆的车距;
根据车速、加速度和车距,建立队列中各车辆的动态模型;
在上述实施例的基础上,作为一种可选的实施例,本发明实施例根据各车辆的动态模型,建立队列系统模型,包括:
根据头车获得理想车速,根据理想车速和各车辆的动态模型,利用车距策略,获得各车辆的理想车距;
根据理想车速和理想车距,建立各车辆的状态误差方程;
联立各车辆的状态误差方程,获得连续时间系统状态方程,离散化连续时间系统状态方程,获得离散时间系统状态方程。
需要说明的是,分别对车辆队列中的有人驾驶车辆和CCC自动控制车辆进行动态分析,通过V2V通信获得各车辆的动态信息,其中,动态信息包括车距、车速和加速度。根据车距、车速和加速度之间的关系,可以建立车辆动态模型。容易理解的是,车距指的是后一辆车与前一辆车之间的距离,由于头车位于队列之首,因此对于头车,仅获取其车速和加速度信息。在获得各个车辆的车辆动态模型后,可以获得各个车辆的理想车速,以及除头车外各个车辆的理想车距。在获得理想车速和理想车距之后,可以获得各车辆的状态误差方程。其中,理想车距和理想车速满足车距策略,具体公式如下:
其中,V(h)表示所述车距策略,h表示车距,hmin表示预设的最小车距,hmax表示预设的最大车距,vmax表示车辆最大速度。
车辆队列中的车辆均可以进行V2V通信,从而使其他车辆可以将状态信息共享给CCC自动控制车辆。通过分析网络中时延特性对CCC自动控制车辆动态方程的影响,得到有时延的车辆动态方程。然后将队列中所有车辆的状态误差方程联立,从而得到连续时间系统状态方程,为了后续的处理,一般将连续时间系统状态方程转化为矩阵的形式。然后,考虑到采样时间的影响,本发明实施例将连续时间系统状态方程离散化,获得最终的离散时间系统状态方程模型。
本发明实施例通过对车辆队列进行整体建模,同时考虑通信中时延特性的影响,利用网络化控制系统的最优控制理论,得到基于车联网的巡航控制系统的最优控制策略,从而实现对CCC自动控制车辆的稳定控制。本发明的优势在于把V2V通信应用于车辆自动巡航控制系统中,分析了时延对控制系统的影响,进而设计了最优线性控制策略,采用递归推导方法,减小了计算量,提高了自动巡航控制系统的稳定性。
图2为根据本发明实施例提供的基于车联网的巡航控制系统的最优线性控制方法场景示意图,为了便于理解,本发明实施例的车辆队列由3辆车组成,其中两辆车为有人驾驶车辆,一辆车为CCC自动控制车辆,如图2所示,1号车为CCC自动控制车辆,2号车和3号车均为有人驾驶车辆,3号车为头车。队列中的各车辆配备有通信设备,位于队列尾部的CCC自动控制车辆可以使用V2V通信技术,接收其他车辆的状态信息,包括车距、车速和加速度。为了清楚地阐述本发明实施例的技术方案,本发明实施例中位于队列头部的车辆(即3号车)以恒定速度前进,作为CCC自动控制车辆的跟踪目标,其状态信息为方程中已知的量。
对于CCC自动控制车辆,可以建立如下动态模型:
其中,h1(t)表示t时刻CCC自动控制车辆与前一辆车的车距,v1(t)表示t时刻CCC自动控制车辆的车速,和分别表示车距和车速对时间的微分运算,角标表示各车辆的编号,与图2对应。u(t)表示t时刻作用于CCC车辆的控制信号,τ表示通信时延。
对于有人驾驶车辆,可以建立如下动态模型:
其中,α表示绝对速度误差系数,β表示相对速度误差系数;系数α和β与驾驶员对车辆当前车速与理想车速之间误差的感知有关,并且满足:α>0,α+β>0;V(·)表示车距策略。
根据所述各车辆的动态模型,利用车距策略,可以获得各车辆的理想车速和理想车距。在图2中,理想车速v*由队列头部的车辆,即3号车确定,理想车距h*由车距策略确定,二者满足v*=V(h*)。控制目标是使自动控制车辆达到理想车速和理想车距(v*,h*)。
在获得理想车速v*和理想车距h*后,可以对各个车辆建立状态误差方程,具体公式如下:
V(h)=V(h*)+V′(h*)(h-h*)
从而可以得到该辆车的状态误差方程:
其中f*=V′(h*),是车距策略V(h)在h*处的导数值。
同理,对于CCC自动控制的1号车,其状态误差方程为:
式中系数矩阵给定如下:
将得到的矩阵形式的连续时间系统状态方程离散化,获得队列系统模型。令采样周期为T,假设通信时延τ小于采样周期T,可以认为输入的u(t)为分段常数,在采样间隔为[kT,(k+1)T]的范围内,可以获得离散时间系统模型如下:
xk+1=Akxk+Bk1uk+Bk2uk-1;
为了实现系统的最优化控制,选择二次函数作为代价函数:
因此,本领域技术人员应当清楚,V2V通信每隔T时间进行通信,CCC自动控制车辆得到的其他车辆状态信息是离散的,即对其他车辆状态的采样。可以构建基于离散时间域闭环控制状态方程的最优化控制问题为:
s.t.xk+1=Akxk+Bk1uk+Bk2uk-1;
其中,JN表示代价函数,xN表示N时刻的状态变量,T表示采样周期,N表示总时间点数,k表示当前时间点。
由于直接求解以上优化问题比较困难,可将其等价转换:
s.t.zk+1=Ckzk+Dkuk;
根据最优控制理论,对于线性二次最优化问题,可以把控制信号写成以下形式:
uk=-Lkzk;
其中:
Lk=[Dk TSk+1Dk+R]-1Dk TSk+1Ck
即,将车辆巡航控制最优化问题,转化为对最优控制策略的系数Lk进行求解的问题。
按照上述步骤,可从后向前迭代求解最优控制策略的系数,即j=N时,得到SN;根据SN,求得LN-1,进而得到SN-1;根据SN-1,求得LN-2,进而得到SN-2;以此类推,可求解得到所有的最优控制策略的系数Lk。由此计算得到每一时刻对应的Lk,根据每一时刻得到的状态信息,可以利用uk=-Lkzk按时间顺序(从k=0到k=N-1)实时计算uk,从而获得实时控制信号,进而根据实时控制信号,对CCC自动控制车辆进行自动控制。
图3为根据本发明实施例提供的基于车联网的巡航控制系统的最优线性控制装置结构示意图,如图3所示,包括:系统建模模块310、问题构建模块320和计算处理模块330,其中:系统建模模块310用于获取道路车辆的队列,车辆包括有人驾驶车和自动控制车;根据队列建立队列系统模型;问题构建模块320用于根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;计算处理模块330用于对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。
本发明实施例是用于执行上述各方法实施例的,具体流程和详细内容请参照上述方法实施例,此处不再赘述。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
举个例子如下:
图4示例了一种服务器的实体结构示意图,如图4所示,该服务器可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行如下方法:获取道路车辆的队列,车辆包括有人驾驶车和自动控制车;根据队列建立队列系统模型;根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。
此外,上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行上述实施例所提供的基于车联网的巡航控制系统的最优线性控制方法,例如包括:获取道路车辆的队列,车辆包括有人驾驶车和自动控制车;根据队列建立队列系统模型;根据队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;对车辆巡航控制最优化问题进行求解,获得最优线性控制策略。
另外,本领域内的技术人员应当理解的是,在本发明的申请文件中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明的说明书中,说明了大量具体细节。然而应当理解的是,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。类似地,应当理解,为了精简本发明公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。
然而,并不应将该公开的方法解释呈反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于车联网的巡航控制系统的最优线性控制方法,其特征在于,包括:
获取道路车辆的队列,所述车辆包括有人驾驶车和自动控制车;根据所述队列建立队列系统模型;
根据所述队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;
对所述车辆巡航控制最优化问题进行求解,获得最优线性控制策略;
所述构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题,具体公式为:
s.t.xk+1=Akxk+Bk1uk+Bk2uk-1;
2.根据权利要求1所述的方法,其特征在于,所述根据所述队列建立队列系统模型,包括:
根据队列中各车辆的状态信息,建立各车辆的动态模型;
根据所述各车辆的动态模型,建立队列系统模型。
3.根据权利要求2所述的方法,其特征在于,所述根据队列中各车辆的状态信息,建立各车辆的动态模型,包括:
分别获得各车辆的车速和加速度,以及头车外其余各车辆的车距;
根据所述车速、加速度和车距,建立队列中各车辆的动态模型。
4.根据权利要求2所述的方法,其特征在于,所述根据所述各车辆的动态模型,建立队列系统模型,包括:
根据头车获得理想车速,根据所述理想车速和各车辆的动态模型,利用车距策略,获得各车辆的理想车距;
根据所述理想车速和理想车距,建立各车辆的状态误差方程;
联立所述各车辆的状态误差方程,获得车辆队列的连续时间系统状态方程,离散化所述连续时间系统状态方程,获得车辆队列的离散时间系统状态方程。
6.根据权利要求1所述的方法,其特征在于,所述对所述车辆巡航控制最优化问题进行求解,获得最优线性控制策略,包括:
根据网络化控制系统的最优控制理论,将所述车辆巡航控制最优化问题转化为对最优线性控制策略的系数进行求解;
利用递归推导方法,求解最优控制策略的系数,从而获得基于车联网的巡航控制系统中的最优线性控制策略。
7.一种基于车联网的巡航控制系统的最优线性控制装置,其特征在于,包括:
系统建模模块,用于获取道路车辆的队列,所述车辆包括有人驾驶车和自动控制车;根据所述队列建立队列系统模型;
问题构建模块,用于根据所述队列系统模型,构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题;
计算处理模块,用于对所述车辆巡航控制最优化问题进行求解,获得最优线性控制策略;
所述构建基于离散时间域闭环控制状态方程的车辆巡航控制最优化问题,具体公式为:
s.t.xk+1=Akxk+Bk1uk+Bk2uk-1;
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述基于车联网的巡航控制系统的最优线性控制方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述基于车联网的巡航控制系统的最优线性控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811315073.4A CN109606367B (zh) | 2018-11-06 | 2018-11-06 | 基于车联网的巡航控制系统的最优线性控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811315073.4A CN109606367B (zh) | 2018-11-06 | 2018-11-06 | 基于车联网的巡航控制系统的最优线性控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109606367A CN109606367A (zh) | 2019-04-12 |
CN109606367B true CN109606367B (zh) | 2020-04-17 |
Family
ID=66002221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811315073.4A Active CN109606367B (zh) | 2018-11-06 | 2018-11-06 | 基于车联网的巡航控制系统的最优线性控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109606367B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725639B (zh) * | 2018-12-13 | 2021-12-07 | 北京工业大学 | 巡航系统的线性控制方法及装置 |
CN113114712A (zh) * | 2020-01-10 | 2021-07-13 | 阿里巴巴集团控股有限公司 | 一种车辆数据处理方法及其装置 |
CN111223323B (zh) * | 2020-01-13 | 2021-06-15 | 深圳大学 | 车辆队列协同行驶方法及相关装置 |
CN113291304B (zh) * | 2020-02-24 | 2022-12-02 | 北京图森智途科技有限公司 | 自动驾驶车辆的控制方法、装置及系统 |
CN111897321B (zh) * | 2020-06-19 | 2023-08-11 | 中国煤炭科工集团太原研究院有限公司 | 一种井下特种车辆的无人驾驶系统 |
CN113335277A (zh) * | 2021-04-27 | 2021-09-03 | 北京工业大学 | 智能巡航控制方法、装置、电子设备和存储介质 |
CN114179802A (zh) * | 2021-12-01 | 2022-03-15 | 中国科学院计算技术研究所 | 一种车辆协作自适应巡航控制的方法 |
CN114489067B (zh) * | 2022-01-21 | 2023-09-12 | 东南大学 | 智能网联车辆队列协同驾驶模型预测控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101417655A (zh) * | 2008-10-14 | 2009-04-29 | 清华大学 | 一种车辆多目标协调式自适应巡航控制方法 |
CN106004875A (zh) * | 2015-03-30 | 2016-10-12 | 通用汽车环球科技运作有限责任公司 | 自适应巡航控制系统 |
CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
DE102017005173A1 (de) * | 2017-05-31 | 2017-12-14 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeuges |
CN108153259A (zh) * | 2017-12-21 | 2018-06-12 | 北京工业大学 | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10286913B2 (en) * | 2016-06-23 | 2019-05-14 | Honda Motor Co., Ltd. | System and method for merge assist using vehicular communication |
US10821976B2 (en) * | 2017-01-30 | 2020-11-03 | Telenav, Inc. | Navigation system with dynamic speed setting mechanism and method of operation thereof |
-
2018
- 2018-11-06 CN CN201811315073.4A patent/CN109606367B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101417655A (zh) * | 2008-10-14 | 2009-04-29 | 清华大学 | 一种车辆多目标协调式自适应巡航控制方法 |
CN106004875A (zh) * | 2015-03-30 | 2016-10-12 | 通用汽车环球科技运作有限责任公司 | 自适应巡航控制系统 |
CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
DE102017005173A1 (de) * | 2017-05-31 | 2017-12-14 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeuges |
CN108153259A (zh) * | 2017-12-21 | 2018-06-12 | 北京工业大学 | 一种基于卡尔曼滤波的多控制器最优状态估计控制策略设计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109606367A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109606367B (zh) | 基于车联网的巡航控制系统的最优线性控制方法及装置 | |
CN107203134B (zh) | 一种基于深度卷积神经网络的前车跟随方法 | |
US11919518B2 (en) | Vehicle lane change control method and device | |
CN110703761B (zh) | 一种基于事件触发的网络化自主车队调度与协同控制方法 | |
US10471967B2 (en) | Optimization of a vehicle to compensate for water contamination of a fluid of a vehicle component | |
CN110888322B (zh) | 基于加速度前馈的异构车队协同自适应巡航控制方法 | |
CN112249032B (zh) | 一种自动驾驶决策方法、系统、设备及计算机存储介质 | |
WO2017138664A1 (en) | Method for controlling motion of vehicle and control system of vehicle | |
CN113219962B (zh) | 一种面向混行队列跟驰安全的控制方法、系统及存储介质 | |
CN112904852B (zh) | 一种自动驾驶控制方法、装置及电子设备 | |
Ure et al. | Enhancing situational awareness and performance of adaptive cruise control through model predictive control and deep reinforcement learning | |
CN109725639B (zh) | 巡航系统的线性控制方法及装置 | |
CN113335277A (zh) | 智能巡航控制方法、装置、电子设备和存储介质 | |
CN113655794A (zh) | 基于鲁棒模型预测控制的多车协同控制方法 | |
Flores et al. | Enabling cooperative adaptive cruise control on strings of vehicles with heterogeneous dynamics and powertrains | |
CN112124310A (zh) | 一种车辆的路径变换方法和装置 | |
CN115257736A (zh) | 一种基于模糊推理真值演进的车距保持速度规划方法 | |
Xin et al. | Safe and sub-optimal CAV platoon longitudinal control protocol accounting for state constraints and uncertain vehicle dynamics | |
CN114117739A (zh) | 基于真实数据的交通流仿真场景构建方法和系统 | |
CN113421444A (zh) | 一种基于车辆路径信息的城市道路网信号控制方法与装置 | |
Hegedűs et al. | Implementation and design of ultra-local model-based control strategy for autonomous vehicles | |
Lambert et al. | Cooperative Adaptive Cruise Control in a Heterogeneous Vehicle Platoon | |
CN115123227A (zh) | 变道决策方法、装置以及车辆 | |
CN114137831B (zh) | 一种智能网联汽车队列系统中纵向控制方法和装置 | |
CN117930665B (zh) | 考虑车辆异质性的多自动驾驶矿卡同步控制方法及系统 |
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 |