CN110703761A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110703761A CN110703761A CN201911046770.9A CN201911046770A CN110703761A CN 110703761 A CN110703761 A CN 110703761A CN 201911046770 A CN201911046770 A CN 201911046770A CN 110703761 A CN110703761 A CN 110703761A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- fleet
- controller
- acceleration
- formula
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 230000001133 acceleration Effects 0.000 claims abstract description 49
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 4
- 230000001788 irregular Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0295—Fleet control by at least one leading vehicle of the fleet
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了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。所述方法包括:自主车队中的车辆控制器接收经无线网络传输的领头车及前车的相关状态信息以产生控制信号;对车辆进行力学分析以建立车辆纵向动态学模型;考虑领头车加速度扰动并基于领头车‑前车跟随策略以建立初步的车队纵向结构模型;考虑车辆发动机参数不确定性并进行离散化,建立最终的车队纵向结构模型;引入事件触发机制,建立控制器结构模型并求解车辆控制器增益;根据车辆的控制器增益和接收的状态信息以求解该的车任一时刻的加速度,进而控制整个纵向车队。本发明提高了网络化自主车队的鲁棒性,有效抑制车辆的频繁加减速以增加乘客舒适度并减少油耗。
Description
技术领域
本发明涉及交通控制技术领域,具体涉及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。
背景技术
随着经济增长,交通拥挤的问题也日益严重。交通拥挤不仅带来环境的污染,同时还导致很多人在交通事故中受伤,甚至于失去生命。通过自动控制车辆以较小车间距离安全行驶是增加交通流量,减少交通事故的首选方法(Sadayuki T.A cooperative drivingsystem with automated vehicles and intervehicle communications in demo 2000[J].IEEE Proc of Intelligent Transportation Systems.Oakland,2001,10(3):918-923.)。通过自主车队控制系统来保持车队的较小车间距离并使其稳定行驶,不仅可以极大地缓解交通拥挤的问题,亦可以降低交通事故的发生率。在自主车队控制系统中,若仅仅满足渐近稳定性是不够的,还要求车辆的瞬时误差不能沿着车队向后传递并扩大,否则将可能会导致车队队列的解散,甚至导致前车与后车相互碰撞,从而酿成严重的交通事故,这种现象称之为Slinky-Effects。因此保持车队的队列稳定性是极为重要的。
目前,对于车辆控制器设计的研究,则大多数是通过基于相邻车辆状态信息的反馈控制器来实现车队的全局稳定性,然后通过求解最优的LMI以获得车队渐近稳定性和队列稳定性的条件。
然而,目前大多数的自主车队控制方法是基于连续时间条件下使用模型,或者采用固定周期采样的策略,因此存在几个主要的问题:由于车辆的状态信息是离散的,网络数据的传输也是离散的,这使得在连续时间条件下使用的模型可能表现出不兼容。而固定周期采样的策略使得车辆频繁加减速,会造成能源浪费和环境污染,亦使乘客不舒适。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供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,该方法可克服现有技术中自主车队的稳定性差以及车辆频繁加减速的问题。
本发明的目的至少通过如下技术方案之一实现。
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,包括以下步骤:
S1、自主车队中的车辆控制器接收经无线网络传输的领头车及前车的相关状态信息以产生控制信号;
S2、对车辆进行力学分析以建立线性化的车辆纵向动态学模型,考虑领头车的加速度扰动并基于领头车-前车跟随策略以建立初步的车队纵向结构模型;
S3、考虑车辆发动机参数不确定性并进行离散化,建立最终的车队纵向结构模型;
S4、在考虑不确定性的车队纵向结构模型基础上,引入事件触发机制,建立控制器结构模型;
S5、引入自主车队模型的时延系统,求解车辆控制器增益,根据车辆的控制器增益和接收的状态信息以求解该车任一时刻的加速度,根据任一时刻的所求得的加速度控制整个纵向车队。
进一步地,步骤S1中,领头车及前车的相关状态信息包括前车位置、领头车与前车的相对速度和加速度。
进一步地,步骤S2中,包括以下步骤:
S2.1、对于非线性车辆的动力学模型,描述为一阶微分方程组:
其中q0为领头车的位置,qi为第i辆车相对于参考点的位置,vi为第i辆车的速度,ai为第i辆车的加速度,分别为qi、vi、ai的导数,mi为第i辆车的质量,ci为第i辆车的发动机输入,σ为空气质量密度,Ai为第i辆车的横截面积,cdi为第i辆车的拽力系数,dmi为第i辆车的机械拽力,Fi为第i辆车的发动机动力,为第i辆车的空气阻力,ξi为第i(i=1,2,...,n)辆车的发动机时间常数,n为车队中车的数量;
S2.2、记ui为第i辆车的额外控制输入量,则对于非线性车辆模型使用反馈线性化方法,将
代入所述非线性车辆的动力学模型得到第i辆车线性化的车辆纵向动态学模型:
S2.3、自主车队的期望车间距与实际距离的误差可描述为:
S2.4、令xi(t)=[δi,vi-1-vi,ai-1-ai]T,yi(t)=[δi,vi-1-vi,ai-1-ai,v0-vi,a0-ai]T,其中v0、a0分别为领头车的速度和加速度,令ui(t)为第i辆车t时刻额外控制输入量;定义状态变量、测量输出量和控制量分别为:
假定发动机常数ξi=ξ(i=1,2,...,n),则由式(3)可知:
令:
其中,
由分析可知,若i=1,则有:
令可得:
因此,初步的车队纵向结构模型即未引入发动机常数不确定性时自主车队纵向结构模型可用状态空间表达式初步表示为:
其中,G=[g 0 … 0]T,
进一步地,步骤S3中,考虑车辆发动机参数不确定性并进行离散化,根据车辆纵向动态学模型和初步的车队纵向结构模型,建立最终的车队纵向结构模型,包括:
若考虑发动机参数的不确定性,引入时变的不确定性因子Δξ,则第i辆车的动态模型可描述为:
式中|Δξ|=fi(t),且fi(t)为Lebesgue连续可测函数,并满足fi 2(t)≥Di,Di>0,Di为已知矩阵,且表示不确定性因子绝对值|Δξ|的下确界,此时时变因子Δξ能对系统产生影响;
此时,在状态空间表达式(9)的基础上,考虑发动机常数不确定性,则自主车队纵向结构模型可用状态空间表达式进一步表示为:
式中,
将表示考虑发动机常数不确定性时自主车队纵向结构模型的状态空间表达式(11)进行离散化,得到最终的自主车队纵向结构模型如下:
进一步地,步骤S4中,包括:
记当前时刻的车辆状态为x(k),最新的传输状态为x(sj),其中sj表示当前事件触发的时刻,则事件触发机制下控制器在sj(j=0,1,2,…)时刻更新控制命令,当x(k)以及x(sj)满足:
[x(k)-x(sj)]TΩ[x(k)-x(sj)]>μxT(k)Ωx(k); (13)
式中Ω为正定加权矩阵,k、sj为正整数,μ∈[0,1);对所述车辆构建输出反馈控制器:
自主车队的控制器结构模型如下:
进一步地,步骤S5中,自主车队模型的时延系统表达式如下:
进一步地,步骤S5具体包括以下步骤:
S5.1、根据步骤S3建立的最终的车队纵向结构模型选取Lyapunov-Krasovskii函数:
式中δ(l)=x(l+1)-x(l),P、Q、R为待求解的正定对称矩阵;
S5.2、对选取的Lyapunov-Krasovskii函数求前向差分,使ΔV<0,并引入保性能指标和H∞性能指标,则系统具有渐近稳定性的条件为:给定参数μ>0和已知的时延τM,以及正定加权矩阵W>0、V>0,存在ε>0、γ>0、及适维矩阵使LMI即
S5.3、由式(3)得:
对式(4)求三阶导数,得到下式:
根据自主车队的控制器结构模型(15),得:
联立(18)、(19)以及(20)得:
将上述的等式进行采样周期为T的离散化,得到:
假设自主车队控制系统的初始状态条件为δi(0)=0,联立式(21)及式(22)并进行Z-变换,则第i辆车与其前车的车间距误差传递函数表示为:
其中,
S5.5、通过对(18)进行代数运算和Schur定理,并将(24)中队列稳定性代入(18)中的渐近稳定性条件得:控制器的控制增益满足结合经由无线通讯网络传输的领头车及前车的相关状态信息,求解所述车辆任一时刻的加速度,进而控制整个纵向车队。
本发明相对于现有技术具有如下的优点及有益效果:
(1)本发明提出了一种新的网络化自主车队调度与协同控制的有效方法。在传统的自主车队控制方法中,大多是基于连续系统的模型来进行研究的,但车辆之间状态信息的传递一般是通过数据包形式的,即数据的交换是离散化的,使得传统的基于连续模型的控制算法的应用效果并不好。本发明提出的网络化自主车队调度与协同控制方法基于离散时间模型,与实际的网络数据传输情况更加契合。
(2)本发明在网络化自主车队中引入了事件触发机制。所述车辆要接收领头车和前车的状态信息,如位置、速度和加速度等信息,则需要通过无线网络,而通讯网络存在其固有的时延、丢包或者乱序等问题,并非完全可靠的,甚至还会破坏系统的稳定性。此外,基于时间策略的传输易对网络资源造成浪费,若车辆的状态变化不大时,则不必将自身的信息传输到网络中,以减少对网络资源的要求。因此引入基于事件触发的机制可节约网络资源,使得车辆的通讯更加可靠,亦抑制了车辆的频繁加减速,使得乘客更加舒适。
(3)本发明引入了保性能指标和H∞性能指标,有效抑制了作用于网络化自主车队中的干扰,提高了自主车队控制系统的鲁棒性。
附图说明
图1为本发明实施例中一种基于事件触发的网络化自主车队控制方法流程示意图;
图2为本发明实施例中网络化自主车队中某辆车的纵向动力学模型示意图;
图3为本发明实施例中引入事件触发机制的网络化自主车队纵向结构模型示意图;
图4(a)为本发明实施例中领头车突然加速时的车间距示意图;
图4(b)为本发明实施例中领头车突然加速时的加速度示意图;
图4(c)为本发明实施例中图4(b)的局部放大示意图;
图5(a)为本发明实施例中某不规则加速度干扰示意图;
图5(b)为本发明实施例中领头车受到该不规则加速度干扰时的车间距示意图;
图5(c)为本发明实施例中领头车受到该不规则加速度干扰时的加速度示意图;
图5(d)为本发明实施例中图5(c)的局部放大示意图。
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,下面将结合实施例以及附图,对本发明的具体实施进行清楚、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做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。
如图1所示,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,包括以下步骤:
S1、自主车队中的车辆控制器接收经无线网络传输的领头车及前车的相关状态信息以产生控制信号;领头车及前车的相关状态信息包括前车位置、领头车与前车的相对速度和加速度。
S2、对车辆进行力学分析以建立线性化的车辆纵向动态学模型,考虑领头车的加速度扰动并基于领头车-前车跟随策略以建立初步的车队纵向结构模型;包括以下步骤:
S2.1、对于非线性车辆的动力学模型,描述为一阶微分方程组:
其中q0为领头车的位置,qi为第i辆车相对于参考点的位置,vi为第i辆车的速度,ai为第i辆车的加速度,分别为qi、vi、ai的导数,mi为第i辆车的质量,ci为第i辆车的发动机输入,σ为空气质量密度,Ai为第i辆车的横截面积,cdi为第i辆车的拽力系数,dmi为第i辆车的机械拽力,Fi为第i辆车的发动机动力,为第i辆车的空气阻力,ξi为第i(i=1,2,...,n)辆车的发动机时间常数,n为车队中车的数量;
S2.2、记ui为第i辆车的额外控制输入量,则对于非线性车辆模型使用反馈线性化方法,将
代入所述非线性车辆的动力学模型得到第i辆车线性化的车辆纵向动态学模型:
S2.3、自主车队的期望车间距与实际距离的误差可描述为:
S2.4、令xi(t)=[δi,vi-1-vi,ai-1-ai]T,yi(t)=[δi,vi-1-vi,ai-1-ai,v0-vi,a0-ai]T,其中v0、a0分别为领头车的速度和加速度,令ui(t)为第i辆车t时刻额外控制输入量;定义状态变量、测量输出量和控制量分别为:
假定发动机常数ξi=ξ(i=1,2,...,n),则由式(3)可知:
令:
其中,
由分析可知,若i=1,则有:
因此,初步的车队纵向结构模型即未引入发动机常数不确定性时自主车队纵向结构模型可用状态空间表达式初步表示为:
其中,G=[g 0 … 0]T,
具体来说,图2和图3分别为网络化自主车队中某辆车的纵向动力学模型和引入事件触发机制的网络化自主车队纵向结构模型,如图2和图3所示,本实施例中,自主车队控制系统共有一辆领头车和四辆跟随的后车,对非线性车辆的动力学模型(1)进行线性化处理,并考虑领头车的加速度扰动和车辆发动机参数不确定性,进一步完善车辆模型。
S3、考虑车辆发动机参数不确定性并进行离散化,根据车辆纵向动态学模型和初步的车队纵向结构模型,建立最终的车队纵向结构模型,包括:
若考虑发动机参数的不确定性,引入时变的不确定性因子Δξ,则第i辆车的动态模型可描述为:
此时,在状态空间表达式(9)的基础上,考虑发动机常数不确定性,则自主车队纵向结构模型可用状态空间表达式进一步表示为:
式中,
将表示考虑发动机常数不确定性时自主车队纵向结构模型的状态空间表达式(11)进行离散化,得到最终的自主车队纵向结构模型如下:
具体来说,将线性化的模型转化为特殊形式的自主车队纵向结构模型,为解决依赖状态信息保证车队渐进稳定的控制器难度较大的问题提供了方便。
S4、在考虑不确定性的车队纵向结构模型基础上,引入事件触发机制,建立控制器结构模型,包括:
记当前时刻的车辆状态为x(k),最新的传输状态为x(sj),其中sj表示当前事件触发的时刻,则事件触发机制下控制器在sj(j=0,1,2,…)时刻更新控制命令,当x(k)以及x(sj)满足:
[x(k)-x(sj)]TΩ[x(k)-x(sj)]>μxT(k)Ωx(k); (13)
式中Ω为正定加权矩阵,k、sj为正整数,μ∈[0,1);对所述车辆构建输出反馈控制器:
自主车队的控制器结构模型如下:
具体来说,在网络化自主车队控制系统中引入了事件触发机制并给出了控制器的结构模型。
S5、引入自主车队模型的时延系统,求解车辆控制器增益,根据车辆的控制器增益和接收的状态信息以求解该车任一时刻的加速度,根据任一时刻的所求得的加速度控制整个纵向车队;
自主车队模型的时延系统表达式如下:
式中,当(13)式成立时,βk=k-sj,ej(k)=0,当(13)式不成立时,记τM=τm+1,τm为信息通过无线网络传输的时延上界,则有:
步骤S5具体包括以下步骤:
S5.1、根据步骤S3建立的最终的车队纵向结构模型选取Lyapunov-Krasovskii函数:
式中δ(l)=x(l+1)-x(l),P、Q、R为待求解的正定对称矩阵;
S5.2、对所述的Lyapunov-Krasovskii函数求前向差分:
ΔV=ΔV1+ΔV2+ΔV3+ΔV4 (18)
由自由权矩阵法和事件触发机制不等式可得,存在对称矩阵S>0使:
从而可得
式中
当H1+H2+τMΨTR-1Ψ+ΦTP-1Φ<0时,ΔV(k)≤-α||η||2<0,α>0。由Schur定理可得
式中H2=Λ+ΛT+τMS+diag{-P,0,0,0},
式中
式(26)又可表示为
由(27)可知存在常数ε>0,使得
由Schur定理得,式(28)可等价于:
对式(29)引入保性能指标得:
由Schur定理得,式(30)可等价于:
式中对ΔV+xT(k)Wx(k)+uT(k)Vu(k)<0在k从0到+∞上进行累加,易知J≤J*,即满足成本函数J有上界J*,其中J*=ΔV(0)。
对式(31)引入H∞性能指标得:
由Schur定理得,式(32)可等价于:
由于ΔV+xT(k)Wx(k)+uT(k)Vu(k)+yT(k)y(k)-γ2ωT(k)ω(k)<0,在k从0到+∞上累加可得由此及ω∈l2[0,+∞)可得||y||2≤γ2||ω||2,系统满足H∞性能。
S5.3、由式(3)可知:
对式(4)求三阶导数,可得到下式:
根据自主车队的控制器结构模型(15),可知:
联立(33)、(34)以及(35)可得:
将上述的等式进行采样周期为T的离散化,可得到:
不妨假设自主车队控制系统的初始状态条件为δi(0)=0,联立式(36)及式(37)并进行Z-变换,则第i辆车与其前车的车间距误差传递函数可表示为:
其中,
S5.5、通过对(33)进行代数运算和Schur定理,并将(39)中队列稳定性代入(33)中的渐近稳定性条件得:控制器的控制增益满足结合经由无线通讯网络传输的领头车及前车的相关状态信息,求解所述车辆任一时刻的加速度,进而控制整个纵向车队。
实施例:
本实施例中,采用Matlab/Simulink对一个由1辆领头车以及n辆后车所组成的车队进行仿真。
本实施例中,时延上限τm=1.0,W=V=I,发动机时间常数ξi=0.2,其不确定性因子|Δξ|=F(k)=D/sink,D=3.6,事件触发参数μ=0.2,采样时间h=0.01s。仿真中其余参数设置为σ=1.2kg/m3,Ai=2.2m2,cdi=0.35,mi=1450kg,dmi=5N。
车况①:当自主车队以12m/s匀速行驶后,若领头车突然以14m/s行驶。如图4a所示,车间距误差最大0.9m,自主车队满足渐近稳定性和队列稳定性。如图4b和图4c所示,自主车队最大加速度为4.8m/s2,满足燃油经济的特性。
车况②:若自主车队以12m/s匀速行驶,领头车突然受到如图5a所示的不规则加速度干扰动,如图5b所示,车间距误差最大0.1m,自主车队控制系统满足渐近稳定性和队列稳定性,且车间距离始终保持在较小范围内,不会发生碰撞等。如图5c和图5d所示,车队最大加速度为2m/s2,满足燃油经济的特性。至此完成了本发明的数字仿真,验证了其有效性。
本发明用于在基于事件触发的网络化自主车队中存在领头车加速度扰动、发动机参数的不确定性以及时变时延问题时对车队稳定性进行控制,所构建的基于Lyapunov-Krasovskii函数和LMI的保性能H∞控制器能够获得良好的控制效果,提高了网络化自主车队的鲁棒性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包括在本发明的保护范围之内。
Claims (7)
1.一种基于事件触发的网络化自主车队调度与协同控制方法,其特征在于,包括以下步骤:
S1、自主车队中的车辆控制器接收经无线网络传输的领头车及前车的相关状态信息以产生控制信号;
S2、对车辆进行力学分析以建立线性化的车辆纵向动态学模型,考虑领头车的加速度扰动并基于领头车-前车跟随策略以建立初步的车队纵向结构模型;
S3、考虑车辆发动机参数不确定性并进行离散化,建立最终的车队纵向结构模型;
S4、在考虑不确定性的车队纵向结构模型基础上,引入事件触发机制,建立控制器结构模型;
S5、引入自主车队模型的时延系统,求解车辆控制器增益,根据车辆的控制器增益和接收的状态信息以求解该车任一时刻的加速度,根据任一时刻的所求得的加速度控制整个纵向车队。
2.根据权利要求1所述的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,其特征在于,步骤S1中,领头车及前车的相关状态信息包括前车位置、领头车与前车的相对速度和加速度。
3.根据权利要求1所述的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,其特征在于,步骤S2中,包括以下步骤:
S2.1、对于非线性车辆的动力学模型,描述为一阶微分方程组:
其中q0为领头车的位置,qi为第i辆车相对于参考点的位置,vi为第i辆车的速度,ai为第i辆车的加速度,分别为qi、vi、ai的导数,mi为第i辆车的质量,ci为第i辆车的发动机输入,σ为空气质量密度,Ai为第i辆车的横截面积,cdi为第i辆车的拽力系数,dmi为第i辆车的机械拽力,Fi为第i辆车的发动机动力,为第i辆车的空气阻力,ξi为第i(i=1,2,...,n)辆车的发动机时间常数,n为车队中车的数量;
S2.2、记ui为第i辆车的额外控制输入量,则对于非线性车辆模型使用反馈线性化方法,将
代入所述非线性车辆的动力学模型得到第i辆车线性化的车辆纵向动态学模型:
S2.3、自主车队的期望车间距与实际距离的误差可描述为:
S2.4、令xi(t)=[δi,vi-1-vi,ai-1-ai]T,yi(t)=[δi,vi-1-vi,ai-1-ai,v0-vi,a0-ai]T,其中v0、
a0分别为领头车的速度和加速度,令ui(t)为第i辆车t时刻额外控制输入量;定义状态变量、测量输出量和控制量分别为:
假定发动机常数ξi=ξ(i=1,2,...,n),则由式(3)可知:
令:
其中,
由分析可知,若i=1,则有:
因此,初步的车队纵向结构模型即未引入发动机常数不确定性时自主车队纵向结构模型可用状态空间表达式初步表示为:
其中,G=[g 0…0]T,
4.根据权利要求1所述的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,其特征在于,步骤S3中,考虑车辆发动机参数不确定性并进行离散化,根据车辆纵向动态学模型和初步的车队纵向结构模型,建立最终的车队纵向结构模型,包括:
若考虑发动机参数的不确定性,引入时变的不确定性因子Δξ,则第i辆车的动态模型可描述为:
此时,在状态空间表达式(9)的基础上,考虑发动机常数不确定性,则自主车队纵向结构模型可用状态空间表达式进一步表示为:
式中,
将表示考虑发动机常数不确定性时自主车队纵向结构模型的状态空间表达式(11)进行离散化,得到最终的自主车队纵向结构模型如下:
5.根据权利要求1所述的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,其特征在于,步骤S4中,包括:
记当前时刻的车辆状态为x(k),最新的传输状态为x(sj),其中sj表示当前事件触发的时刻,则事件触发机制下控制器在sj(j=0,1,2,…)时刻更新控制命令,当x(k)以及x(sj)满足:
[x(k)-x(sj)]TΩ[x(k)-x(sj)]>μxT(k)Ωx(k); (13)
式中Ω为正定加权矩阵,k、sj为正整数,μ∈[0,1);对所述车辆构建输出反馈控制器:
自主车队的控制器结构模型如下:
7.根据权利要求1所述的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,其特征在于,步骤S5具体包括以下步骤:
S5.1、根据步骤S3建立的最终的车队纵向结构模型选取Lyapunov-Krasovskii函数:
式中δ(l)=x(l+1)-x(l),P、Q、R为待求解的正定对称矩阵;
S5.2、对选取的Lyapunov-Krasovskii函数求前向差分,使ΔV<0,并引入保性能指标和H∞性能指标,则系统具有渐近稳定性的条件为:给定参数μ>0和已知的时延τM,以及正定加权矩阵W>0、V>0,存在ε>0、γ>0、及适维矩阵使LMI即
S5.3、由式(3)得:
对式(4)求三阶导数,得到下式:
根据自主车队的控制器结构模型(15),得:
联立(18)、(19)以及(20)得:
将上述的等式进行采样周期为T的离散化,得到:
假设自主车队控制系统的初始状态条件为δi(0)=0,联立式(21)及式(22)并进行Z-变换,则第i辆车与其前车的车间距误差传递函数表示为:
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911046770.9A CN110703761B (zh) | 2019-10-30 | 2019-10-30 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911046770.9A CN110703761B (zh) | 2019-10-30 | 2019-10-30 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110703761A true CN110703761A (zh) | 2020-01-17 |
CN110703761B CN110703761B (zh) | 2021-09-21 |
Family
ID=69202878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911046770.9A Active CN110703761B (zh) | 2019-10-30 | 2019-10-30 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110703761B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443714A (zh) * | 2020-04-17 | 2020-07-24 | 江苏大学 | 一种严格避撞的车辆队列分布式鲁棒控制方法及系统 |
CN111736473A (zh) * | 2020-08-13 | 2020-10-02 | 东北大学秦皇岛分校 | 基于非线性终端滑模方法的车队有限时间制动控制方法 |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
CN112537340A (zh) * | 2020-12-18 | 2021-03-23 | 北京交通大学 | 基于离散通信数据的多列车分散事件触发控制的方法 |
CN112731937A (zh) * | 2020-12-29 | 2021-04-30 | 苏州科技大学 | 含噪声干扰的事件触发车辆队列控制系统设计方法 |
CN113012459A (zh) * | 2021-02-08 | 2021-06-22 | 杭州电子科技大学 | 一种基于分布式切换控制的异构车队协同安全控制方法 |
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 |
CN113485329A (zh) * | 2021-07-01 | 2021-10-08 | 西北工业大学 | 一种车辆多队列协同控制方法 |
CN113848896A (zh) * | 2021-09-17 | 2021-12-28 | 华东师范大学 | 一种基于事件触发扩张状态观测器的分布式车辆队列控制方法 |
CN114137831A (zh) * | 2021-10-13 | 2022-03-04 | 清华大学 | 一种智能网联汽车队列系统中纵向控制方法和装置 |
CN115128956A (zh) * | 2022-07-13 | 2022-09-30 | 昆明理工大学 | 一种周期型控制结构车辆队列 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9475491B1 (en) * | 2015-06-08 | 2016-10-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Lane changing for autonomous vehicles |
CN107941228A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种车辆组队行驶的方法、装置、设备和操作系统 |
CN109002058A (zh) * | 2018-09-10 | 2018-12-14 | 北京航空航天大学 | 基于事件触发的航天器编队飞行相对位置协同控制方法 |
CN109460027A (zh) * | 2018-11-16 | 2019-03-12 | 中国人民解放军海军大连舰艇学院 | 基于事件图的编队防空调度方法和系统 |
CN110262484A (zh) * | 2019-06-10 | 2019-09-20 | 同济人工智能研究院(苏州)有限公司 | 基于自适应事件触发的轮式机器人匀速直线编队控制方法 |
-
2019
- 2019-10-30 CN CN201911046770.9A patent/CN110703761B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9475491B1 (en) * | 2015-06-08 | 2016-10-25 | Toyota Motor Engineering & Manufacturing North America, Inc. | Lane changing for autonomous vehicles |
CN107941228A (zh) * | 2016-10-13 | 2018-04-20 | 阿里巴巴集团控股有限公司 | 一种车辆组队行驶的方法、装置、设备和操作系统 |
CN109002058A (zh) * | 2018-09-10 | 2018-12-14 | 北京航空航天大学 | 基于事件触发的航天器编队飞行相对位置协同控制方法 |
CN109460027A (zh) * | 2018-11-16 | 2019-03-12 | 中国人民解放军海军大连舰艇学院 | 基于事件图的编队防空调度方法和系统 |
CN110262484A (zh) * | 2019-06-10 | 2019-09-20 | 同济人工智能研究院(苏州)有限公司 | 基于自适应事件触发的轮式机器人匀速直线编队控制方法 |
Non-Patent Citations (3)
Title |
---|
吴利刚: "网络化自主车队的建模与控制", 《中国博士学位论文全文数据库(电子期刊) 工程科技Ⅱ辑》 * |
吴利刚等: "基于SDP处理机制下的网络化车队控制研究", 《控制工程》 * |
吴利刚等: "基于事件触发的自主车队控制", 《控制工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111443714A (zh) * | 2020-04-17 | 2020-07-24 | 江苏大学 | 一种严格避撞的车辆队列分布式鲁棒控制方法及系统 |
CN111736473A (zh) * | 2020-08-13 | 2020-10-02 | 东北大学秦皇岛分校 | 基于非线性终端滑模方法的车队有限时间制动控制方法 |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
CN112034859B (zh) * | 2020-09-14 | 2022-08-02 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
CN112537340B (zh) * | 2020-12-18 | 2022-03-25 | 北京交通大学 | 基于离散通信数据的多列车分散事件触发控制的方法 |
CN112537340A (zh) * | 2020-12-18 | 2021-03-23 | 北京交通大学 | 基于离散通信数据的多列车分散事件触发控制的方法 |
CN112731937B (zh) * | 2020-12-29 | 2022-06-03 | 苏州科技大学 | 含噪声干扰的事件触发车辆队列控制系统设计方法 |
CN112731937A (zh) * | 2020-12-29 | 2021-04-30 | 苏州科技大学 | 含噪声干扰的事件触发车辆队列控制系统设计方法 |
CN113012459B (zh) * | 2021-02-08 | 2021-12-28 | 杭州电子科技大学 | 一种基于分布式切换控制的异构车队协同安全控制方法 |
CN113012459A (zh) * | 2021-02-08 | 2021-06-22 | 杭州电子科技大学 | 一种基于分布式切换控制的异构车队协同安全控制方法 |
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 |
CN113485329A (zh) * | 2021-07-01 | 2021-10-08 | 西北工业大学 | 一种车辆多队列协同控制方法 |
CN113485329B (zh) * | 2021-07-01 | 2022-07-01 | 西北工业大学 | 一种车辆多队列协同控制方法 |
CN113848896A (zh) * | 2021-09-17 | 2021-12-28 | 华东师范大学 | 一种基于事件触发扩张状态观测器的分布式车辆队列控制方法 |
CN113848896B (zh) * | 2021-09-17 | 2024-05-28 | 华东师范大学 | 一种基于事件触发扩张状态观测器的分布式车辆队列控制方法 |
CN114137831A (zh) * | 2021-10-13 | 2022-03-04 | 清华大学 | 一种智能网联汽车队列系统中纵向控制方法和装置 |
CN114137831B (zh) * | 2021-10-13 | 2022-06-14 | 清华大学 | 一种智能网联汽车队列系统中纵向控制方法和装置 |
CN115128956A (zh) * | 2022-07-13 | 2022-09-30 | 昆明理工大学 | 一种周期型控制结构车辆队列 |
Also Published As
Publication number | Publication date |
---|---|
CN110703761B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Zhai et al. | A switched control strategy of heterogeneous vehicle platoon for multiple objectives with state constraints | |
Ntousakis et al. | On microscopic modelling of adaptive cruise control systems | |
CN111746539B (zh) | 一种智能网联汽车严格安全换道入队控制方法 | |
CN111679668B (zh) | 一种基于新的时距策略的网络化自主车队的跟随控制方法 | |
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 | |
CN112083719B (zh) | 一种基于预设性能函数的有限时间车队控制方法 | |
CN105160870B (zh) | 双向自主车队控制方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN108717264B (zh) | 一种设计基于事件触发的磁悬浮系统模糊控制器的方法 | |
CN112034859B (zh) | 抗干扰的cacc系统的自适应动态规划方法 | |
CN107832517A (zh) | 基于相对运动关系的acc纵向运动学建模方法 | |
Cai et al. | Adaptive traffic signal control using vehicle-to-infrastructure communication: a technical note | |
He et al. | Gaussian learning‐based fuzzy predictive cruise control for improving safety and economy of connected vehicles | |
Wang et al. | Lookup table-based consensus algorithm for real-time longitudinal motion control of connected and automated vehicles | |
CN115743117A (zh) | 一种基于扰动观测的智能网联电动车队协同生态驾驶方法 | |
CN115718425A (zh) | 一种虚拟编组列车队形控制方法、系统、电子设备及介质 | |
CN113341722B (zh) | 一种通信拓扑无约束情形下的车辆队列协同最优控制方法 | |
Gu et al. | Memory-event-triggered tracking control for intelligent vehicle transportation systems: A leader-following approach | |
CN110456790B (zh) | 基于自适应权重的智能网联电动汽车队列优化控制方法 | |
CN115237118B (zh) | 一种v2v车辆队列队形策略优化方法 | |
CN116893681A (zh) | 基于场景风格迁移与sac网络协同的单车控制方法 | |
CN116088530A (zh) | 基于模型预测控制引导的强化学习自动驾驶车队控制方法 | |
Caruntu et al. | Chance-constrained model predictive control for vehicle drivetrains in a cyber-physical framework | |
Lan | Data‐driven cooperative adaptive cruise control for unknown nonlinear vehicle platoons |
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 |