CN111016893A - 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法 - Google Patents

Abstract

本发明提供了一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法，建立车道保持自适应巡航控制系统，包括摄像头、毫米波雷达、车道保持控制器和自适应巡航控制器；摄像头检测车道线和前方车辆图片，获取前方车辆位置和车道线品质；车道线品质差时，结合毫米波雷达检测可行区域宽度和本车宽度，求解可行区域横向距离偏差；建立车辆动力学模型和车道保持预瞄偏差模型；设计车道保持控制器包括外环可拓控制和内环博弈控制，得到方向盘转角和四轮力矩；设计自适应巡航控制器，使得智能车辆在拥堵环境下更好的车道保持和自适应巡航控制，并提高车辆运行的稳定性。

Description

一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制 系统与控制方法

技术领域

本发明属于智能驾驶车辆高级辅助驾驶技术领域，特别涉及一种拥堵环境下智能车辆车道保持自适应巡航控制系统与控制方法。

背景技术

随着智能化发展的迅速进步，车辆产业正面临着新的机遇和挑战，车辆产业迎来“新四化”发展时代，“电动化”、“网连化”、“智能化”、“共享化”成为车辆产业发展的重要趋势和时代需求。目前“智能化”车辆成为提高车辆市场竞争力的主要方式，各大车辆厂商大力研发和布局。SAE将车辆智能化程度分为6个等级：L0～L5，目前主要量产车型达到的智能化程度为L2/L2+，我们称之为高级辅助驾驶(ADAS)，即可以实现车辆的部分自动化，某些操作可以由车辆自我完成，但仍然需要驾驶员的全程监控和在车辆无法完成运动控制任务时接管车辆驾驶。高级辅助驾驶(ADAS)重要的辅助功能是车道保持(LKA)和自适应巡航(ACC)协同控制，实现在适当的工况下，车辆自身能够完成保持车道行驶和自适应巡航功能，解放驾驶员双手和双脚。

目前市场中主要的L2/L2+级别的量产车型主要有奥迪A8人工智能交通拥堵导航系统(traffic jam pilot)，实现在拥堵环境下的车道保持和自适应巡航功能。凯迪拉克CT6搭载的Super Cruise超级智能驾驶系统，实现了在高速公路上的车道保持功能，在一定程度上解放驾驶员双手。同样，宝马3系中搭载的智能辅助驾驶系统，实现在0～210km/h全车速范围内的车道保持/自适应巡航功能，驾驶员只需轻扶方向盘和在0～60km/h车速范围内的完全脱手驾驶。然而，上述的各大量产车型高级辅助驾驶功能均是基于标准道路并且在车道线完整无遮挡工况下，除奥迪A8 traffic jam pilot是针对拥堵路况下的脱手高级辅助驾驶外，其余主要针对的仍是在中高车速和高速路行驶工况，是对传统车道保持和自适应巡航的环境适应性的提升。但是，针对拥堵环境下，尤其是中国道路条件复杂，道路车辆运动不确定性因素较大，常常会出现加塞或是在红绿灯路口车道狭窄、车辆骑轧车道线的情况，导致车道线不完整，在这种拥堵环境下基于车道线拥堵环境下的车道保持和自适应巡航功能将难以实现精确控制。

发明内容

针对现有技术中存在不足，本发明针对拥堵环境下，车道线被周边车辆骑轧情况时，通过前方车辆位置信息和可行区域作为车道保持的偏差输入，结合可拓博弈控制方法提出一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制方法。

本发明是通过以下技术手段实现上述技术目的的。

一种拥堵环境下智能车辆车道保持自适应巡航控制系统，包括摄像头、毫米波雷达、车道保持控制器和自适应巡航控制器；

所述摄像头检测车道线以及前方车辆图片，处理后获取本车当前车道的车道线以及前方车辆与本车横向距离偏差y_e、航向角偏差φ_e；

所述毫米波雷达检测本车与前方车辆、周边车辆的距离，并获取本车可行区域的范围；

所述车道保持控制器由当前车道的车道线、横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围，获取方向盘转角δ_wheel和四轮驱动力/制动力的力矩

控制方向盘和电子稳定系统ESP；

所述自适应巡航控制器由本车与前方车辆的纵向距离x和本车可行区域的范围，获取加速度控制量和减速度控制量，控制油门和刹车。

上述技术方案中，所述车道保持控制器包括外环控制和内环控制，外环控制基于横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围，通过可拓控制器获取前轮转角δ_f；内环控制：利用二自由度动力学模型优化横向稳定性，博弈控制方法优化前轮转角

和横摆力矩M^*，得到控制量纳什均衡解，横摆力矩通过力矩分配模块获得四轮驱动力/制动力的力矩

实现横摆力矩控制，i＝1、2、3、4，分别表示左前、右前、左后、右后车轮。

上述技术方案中，所述博弈控制方法的目标函数为

其中博弈对象u_i(t)＝[δ_f，M]^T；状态量x＝[β，γ]^T，β为本车质心侧偏角，γ为本车质心横摆角速度；Q_i、R_ii均为权重矩阵；i＝1，2。

上述技术方案中，所述纳什均衡解

其中：i＝1，2，P_i为黎卡提方程解，传递函数的解Φ(t，0)满足：

且

A、B_i均为系数矩阵，I_n为单位对角矩阵。

一种拥堵环境下智能车辆车道保持自适应巡航控制方法，在车道线检测反馈正常时，基于前方车辆位置信息，得到本车与前方车辆的横向距离偏差y_e、航向角偏差φ_e，输入车道保持控制器，获得方向盘转角δ_wheel和四轮驱动力/制动力的力矩

控制方向盘和电子稳定系统ESP；同时，利用毫米波雷达检测本车与前方车辆纵向距离x和本车可行区域的范围作为自适应巡航控制器的偏差输入，获取加速度控制量和减速度控制量，控制油门和刹车；拥堵环境下，且车道线被周边车辆骑轧情况时，结合本车可行区域的范围、本车宽度，求解实际车辆在前方可行域内的横向距离偏差y′_e，横向距离偏差y′_e、航向角偏差φ_e和本车可行区域的范围作为车道保持控制器的输入。

进一步，所述横向距离偏差y′_e的获取过程为：

当d_v＜d_p时，

其中d_p为当前可行区域的宽度，d_v为车辆宽度，d_pL为本车与左侧车辆最大可行驶域宽度，d_pR为本车与右侧车辆最大可行驶域宽度；

当d_p≤d_v时，前方可行区域小于车辆车身宽度，车辆无法正常通过。

进一步，所述可拓控制器包括提取特征量、可拓域划分、关联函数计算、测度模式识别和输出决策。

进一步，所述提取的特征量为横向距离偏差可拓集合

以及航向角偏差集合

其中

和

分别是横向距离和航向角偏差微分；所述横向距离偏差可拓集合

和航向角偏差可拓集合

均划分为经典域、可拓域和非域。

更进一步，所述横向距离偏差可拓集合

与最优点S₀(0，0)的关联函数为：

航向角偏差可拓集合

均与最优点S₀(0，0)的关联函数为：

其中R_ec为横向距离偏差经典域，R_φc为航向角偏差经典域界，M_e0为横向距离偏差经典域界可拓距，M_e1为横向距离偏差可拓域界可拓距，M_φ0为航向角偏差经典域界可拓距，M_φ1为航向角偏差可拓域界可拓距，|S_eS₀|为横向距离偏差可拓集合与最优点的加权可拓距，|S_φS₀|为航向角偏差可拓集合与最优点的加权可拓距；所述测度模式识别的规则为：如果关联函数大于等于0，偏差可拓集合属于经典域；若关联函数小于0、且大于等于-1，偏差可拓集合属于可拓域；否则测度模式为非域。

更进一步，所述输出决策具体为：

对于特征量y_e，前轮转角输出值为：

对于特征量φ_e，前轮转角输出值为：

其中：k_CMe1为经典域测度模式时基于特征量y_e的状态反馈系数，k_CMe2为可拓域测度模式下附加输出项控制系数，k_CMφ1为经典域测度模式时基于特征量φ_e的状态反馈系数，k_CMφ2为可拓域测度模式下附加输出项控制系数，符号函数

本发明的有益效果为：

(1)本发明通过摄像头检测到的前方车辆位置信息、毫米波雷达检测周边车辆可行区域，通过判断可行区域宽度和车辆宽度相对大小，在可行区域宽度大于车辆宽度时，通过可行区域、本车横向距离偏差和前方车辆航向偏差作为车道保持控制偏差输入，利用可拓博弈控制方法实现了在城市拥堵环境下，车道线被骑轧或不清晰工况时，智能汽车车道保持和自适应巡航控制功能。推动了智能车辆高级辅助驾驶功在拥堵复杂环境下智能化发展，有益于缓解拥堵环境下疲劳驾驶问题。

(2)为了保证车辆在弯道运动过程中的控制精度和横向稳定性，利用博弈控制方法求解方向盘转角和横摆力矩纳什均衡解，协调均衡控制精度和横向稳定性双方指标，将原本车辆横纵向控制利用博弈控制耦合协调，优化车道保持所需的方向盘转角和四轮运动力矩，最终达到提高智能车辆车道保持控制精度的同时，也提高了车辆在弯道运动过程中的横向稳定性。

附图说明

图1为本发明拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统示意图；

图2为本发明车道线骑轧情况下车道保持预瞄误差示意图；

图3为本发明车道线骑轧情况下可行区域检测示意图；

图4为本发明拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制方法流程图；

图5为本发明车辆横向二自由度动力学模型示意图；

图6为本发明轨迹跟踪预瞄模型示意图；

图7为本发明两个可拓集合区域划分图，图7(a)为横向距离偏差可拓集合区域划分图，图7(b)为航向角偏差可拓集合区域划分图；

图8为本发明车辆平面运动学模型示意图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统，包括摄像头、毫米波雷达、车道保持控制器和自适应巡航控制器，摄像头、毫米波雷达安装在本车上；摄像头(MiniEye X1)用于检测车道线以及前方车辆图片，获取本车当前车道的车道线以及前方车辆与本车横向距离偏差y_e、航向角偏差φ_e；毫米波雷达用于检测本车与前方车辆、周边车辆的距离，由本车与周边车辆的距离，得到本车可行区域的范围；当前车道的车道线、横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围传输给车道保持控制器，获取方向盘转角δ_wheel和四轮驱动力/制动力的力矩

控制方向盘和电子稳定系统ESP；本车与前方车辆的纵向距离x和本车可行区域的范围传输给自适应巡航控制器，获取加速度控制量和减速度控制量，控制油门和刹车。

如图2所示，车道保持控制器包括外环控制和内环控制两部分，外环控制基于横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围，通过可拓控制器获取前轮转角δ_f；然后进行内环控制：利用二自由度动力学模型，以优化横向稳定性为控制目标，博弈控制方法优化前轮转角

和横摆力矩M^*，得到控制量纳什均衡解

横摆力矩通过力矩分配模块获得四轮驱动力/制动力的力矩

来实现横摆力矩控制，其中，i＝1、2、3、4，分别表示左前、右前、左后、右后车轮。

本发明提出的拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制方法，在车道线检测反馈正常时，基于前方车辆位置信息，得到本车与前方车辆的横向距离偏差y_e、航向角偏差φ_e，输入车道保持控制器，获得方向盘转角δ_wheel和四轮驱动力/制动力的力矩

控制方向盘和电子稳定系统ESP；利用毫米波雷达检测本车与前方车辆纵向距离x和本车可行区域的范围作为自适应巡航控制器的偏差输入，获取加速度控制量和减速度控制量，控制油门和刹车。针对拥堵环境下，且车道线被周边车辆骑轧情况时，通过检测前方车辆与本车横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围，结合可行区域和本车宽度，求解实际车辆在前方可行域内的横向距离偏差y′_e和航向角偏差φ_e，作为车道保持控制器的偏差输入，利用毫米波雷达检测本车与前方车辆纵向距离x和本车可行区域的范围作为自适应巡航控制器的偏差输入，获取加速度控制量和减速度控制量，控制油门和刹车。

拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制方法，包括以下步骤：

S1，摄像头车道线检测

车道线检测主要作用是检测本车当前车道的车道线，并且对车道线品质进行评价，判断当前状态下车道线检测信息的可靠性，从而决定车道保持采取的控制方法。在车道线检测过程中，摄像头根据车道线的品质高低程度，反馈一个品质变量q(quality)(q＝0，1，2，3)，品质变量q与车道保持控制方法的对应关系如下：

当q＝3时，当前车道线品质较好，车道线没有遮挡，摄像头准确检测出本车与车道线两侧的距离，检测方程如下：

y＝C₃·Z³+C₂·Z²+C₁·Z+C₀ (1)

其中，y为车辆与车道线的横向距离，m；Z为预瞄距离，m；C₀为当Z＝0时车道线位置参数，m；C₁为当Z＝0时航向角度参数，rad；C₂为当Z＝0时车道曲率参数，1/m；C₃为当Z＝0时车道曲率微分参数，1/m²。

当q≤2时，车道线品质差，车道线存在遮挡，此时，需要结合摄像头和毫米波雷达检测的前方车辆与本车横向距离偏差y_e、前方车辆与本车航向角偏差φ_e(如图3所示)以及本车可行区域的范围。可行区域的获取过程为：由于在拥堵环境下，周边车辆存在骑轧车道线或是部分占道情况，导致前方车道部分被占用，为避免本车在行驶过程中与周边车辆发生擦碰，利用毫米波雷达检测周边车辆与本车的相对位置和相对速度，确定前方可行区域的宽度d_p，本车与左侧车辆最大可行驶域宽度为d_pL，与右侧车辆最大可行驶域宽度为d_pR，如图4所示。

S2，车道保持控制量输出计算

车道线遮挡时偏差和可行区域宽度，通过比较当前可行区域的宽度d_p和车辆宽度d_v决定车道保持控制输出量。

当d_v＜d_p时，此时前方存在侧方车辆骑轧车道线或是加塞部分占道现象，但是可行驶区域仍然大于车辆宽度，车辆可以正常通过，但需要保证不与侧方车辆发生擦碰，此时方向盘转角可以表示为：

δ_wheel＝f(y′_e，φ_e) (2)

其中，

为该情况下可拓控制器对应的横向距离偏差和航向角偏差，f(t)为车道保持控制器控制率；

当d_p≤d_v时，前方可行区域小于车辆车身宽度，此时本车正常通过必然会发生擦碰，纵向运动采取制动本车，方向盘转角回正，方向盘转角为：

δ_wheel＝0 (3)

所以，拥堵环境下，智能汽车车道保持控制过程中方向盘转角δ_wheel为：

S3，建立车辆动力学模型

本发明横向动力学模型采用简化的二自由度动力学模型，即不考虑车辆的俯仰以及垂向运动，仅考虑车辆侧向运动和横摆运动。如图5所示为二自由度动力学模型，其中，v₁、v₂分别为前、后轮的运动速度，v_x、v_y分别为车辆质心处沿车体坐标系x、y方向的速度，v为车辆质心处的速度。

根据牛顿第二定律和横摆力矩平衡可以得到：

其中，m为本车质量，F_y1、F_y2分别为前后轮侧向力，β为本车质心侧偏角，γ为本车质心横摆角速度，a、b分别为本车前后轴距，M为本车质心横摆力矩，I_z为本车转动惯量。

前后轮侧向力F_y1、F_y2与前后轮侧偏角α₁、α₂相关，表达式为：

F_y1＝C₁α₁，F_y2＝C₂α₂ (6)

其中，C₁、C₂分别为前后轮侧偏刚度，在本发明中，假设前后轮转角均为小角度，可认为前后轮侧偏刚度C₁、C₂均为常数。

将(6)式和(7)式代入到(5)式中可以得到状态空间方程，选取状态量x[β，γ]^T，控制量u₁＝δ_f，u₂＝M：

其中，

车道保持预瞄偏差模型如图6所示，图中给出了车辆运动的参考轨迹，y_e为预瞄点(距离本车前方某一距离处的点)处到参考轨迹的横向距离，定义为横向距离偏差；L为本车质心CG到预瞄点的距离；φ_d为参考轨迹预瞄点处航向角，φ为本车航向角，定义φ_e＝φ_d-φ为航向角偏差。基于车道保持预瞄偏差模型，可以得到航向角偏差和横向距离偏差为：

其中，ρ为参考轨迹的曲率，是道路弯曲半径的倒数；

和

分别是横向距离和航向角偏差微分。

S4，可拓控制器的设计

基于可拓理论的控制器包括五个部分：特征量提取、可拓域划分、关联函数计算、测度模式识别和输出决策。

(1)特征量提取域界划分

根据可拓控制基本原理，可拓控制器优先选择偏差为特征量，并由偏差和偏差微分构建二维可拓集合。对于智能驾驶汽车横向控制而言，控制目标为保证车辆在既定轨迹上保持车辆与目标轨迹之间横向距离偏差和航向角偏差为零，因此，可拓控制器特征量优先考虑选择横向距离偏差y_e和航向角偏差φ_e，并由两者偏差和偏差微分构建两个可拓集合，分别为横向距离偏差可拓集合

以及航向角偏差集合

(2)此外，为定义车辆-道路系统中横向控制性能，此处将横向距离偏差可拓集合

和航向角偏差可拓集合

划分为三个区域，分别为经典域、可拓域和非域，各自区域分别表示该特征量在实时状态中所处的位置，并定义车辆-道路系统处于可控状态、可调节状态和不可控制状态，定义两个可拓集合域界为：

横向距离偏差经典域界为：

其中，y_eom是横向距离偏差经典域域界，

为横向距离偏差微分经典域域界。

横向距离偏差可拓域界为：

其中，y_em是横向距离偏差可拓域域界，

为横向距离偏差微分可拓域域界。

横向距离偏差非域为整个可拓集合除去经典域和可拓域以外的区域。

航向角偏差经典域界为：

其中，φ_eom是航向角偏差经典域域界，

为航向角偏差微分经典域域界。

航向角偏差可拓域界为：

其中，φ_em是航向角偏差可拓域域界，

为航向角偏差微分可拓域域界。

航向角偏差非域为整个可拓集合除去经典域和可拓域以外的区域。

两个可拓集合划分为如图7(a)、(b)所示。

(3)关联函数

关联函数值表征了特征量状态距离最优状态点的远近，即体现了系统特征状态量转变为最优状态的困难程度，对于系统控制过程具有监控稳定性程度的作用。

智能驾驶车辆横向控制目标要求横向距离偏差和航向角偏差为零，因此，最优状态为横向距离偏差y_e和航向角偏差φ_e尽可能小，可选择两特征量最优状态点均为原点S₀(0，0)，此处关联函数值即表征了横向距离偏差和航向角偏差调节为0的难易程度，计算过程如下：

横向距离偏差

与最优点S₀(0，0)的加权可拓距为：

同理，航向角偏差

与与最优点S₀(0，0)的加权可拓距为：

横向距离偏差经典域界可拓距为：

横向距离偏差可拓域界可拓距为：

同理，航向角偏差经典域界可拓距为：

航向角偏差可拓域界可拓距为：

根据实时状态下横向距离偏差可拓集合

航向角偏差可拓集合

与最优点S₀(0，0)的可拓距|S_eS₀|、|S_φS₀|，以及经典域界和可拓域界可拓距可以计算两者关联函数，即为：

(4)测度模式识别

根据上述关联函数值对系统特征量y_e、φ_e模式识别，模式识别规则如下所示：

如果K_e(S_e)≥0，那么

测度模式为经典域；

如果-1≤K_e(S_e)＜0，那么

测度模式为可拓域；

否则测度模式为非域。

K_φ(S_φ)判断方式与上述相同。

(5)控制输出

基于对实时特征量的模式识别，在对应的测度模式下采用对应的前轮转角输出值，此处主要针对特征量y_e详细介绍输出值计算过程，特征量φ_e与其类似。

当测度模式为经典域时，车辆-道路系统处于稳定状态，此时前轮转角输出值为：

δ_e＝-k_CMe1y_e (23)

其中，k_CMe1为经典域测度模式时基于特征量y_e的状态反馈系数，本发明采用极点配置方法选择状态反馈系数。

当测度模式为可拓域时，车辆-道路系统处于轻度失稳状态，属于可调范围内，可以通过增加控制器附加输出项，将车辆-道路系统重新调节到稳定状态，前轮转角输出值为：

δ_e＝-k_CMe1y_e+k_CMe2K_e(S_e)[-sgn(y_e)] (24)

其中，k_CMe2为可拓域测度模式下附加输出项控制系数，该系数主要基于经典域测度模式下前轮转角输出值人工整定(多次离线仿真)，保证附加输出项能够使得车辆-道路系统在此回到稳定状态。

其中，符号函数：

k_CMe2K_e(S_e)[-sgn(y_e)]为控制器附加输出项，该项结合了关联函数值K_e(S_e)，关联函数体现了车辆-道路系统距离稳定区域的调节难度，通过关联函数值的变化，实时改变控制器附加输出项的值。

当测度模式为非域时，车辆-道路模型由于偏差较大，无法及时调节到稳定状态，为保证车辆安全，此时控制器前轮转角输出值为：

δ_e＝0 (26)

因此，对于特征量y_e，前轮转角输出值为：

同理，可以求解特征量φ_e，前轮转角输出值为：

其中，k_CMφ1为经典域测度模式时基于特征量φ_e的状态反馈系数，本发明采用极点配置方法选择状态反馈系数；k_CMφ2为可拓域测度模式下附加输出项控制系数，该系数主要基于经典域测度模式下前轮转角输出值人工整定(多次离线仿真)，保证附加输出项能够使得车辆-道路系统在此回到稳定状态。

基于上述特征量y_e和特征量φ_e所决定的前轮转角输出值，将其通过权重协调相加方式得到车辆动力学模型的前轮转角输入δ_f。

δ_f＝k_eδ_e+k_φδ_φ (29)

其中，k_e为特征量y_e前轮转角输出值协调系数，k_φ为特征量φ_e前轮转角输出值协调系数。

S5，设计博弈目标函数

博弈协调控制器主要在可拓控制器决策前轮转角的基础上，将前轮转角与车辆横摆力矩看做博弈控制器的两个博弈对象，通过反馈车辆实际状态进行内环博弈优化控制。

本发明博弈优化控制将博弈双方转化为一个无限区间的线性二次微分博弈(Infinite Horizon Linear Quadratic Differential Game)问题，假设初始转态x(t₀)＝x₀，其中状态量x＝[β，γ]^T，博弈对象为公式(8)表述的状态空间方程：

将前轮转角和横摆力矩作为两个博弈对象u_i(t)＝[δ_f，M]^T，i＝1，2；对于两个博弈对象，可建立以下二次型代价函数：

其中权重矩阵Q_i≥0、R_ii＞0均为正对称矩阵。

S6，纳什均衡解

根据纳什均衡原理，博弈双方最优解

对于所有的可能解(u₁，u₂)必须满足：

对于二次型代价函数可以求解出一个特有的开环纳什均衡解：

其中，黎卡提方程解P_i满足：

传递函数的解Φ(t，0)满足：

其中I_n为单位对角矩阵；

纳什均衡解在初始条件下存在的必然条件为：

1)黎卡提方程组(34)存在强稳定解；

2)黎卡提代数方程有对称稳定解：

P_iA+A^TP_i+Q_i-P_iS_iP_i＝0(i＝1，2) (37)

S7，横摆力矩分配

上述博弈控制求解到纳什均衡解u_i(t)＝[δ_f，M]^T(i＝1，2)车辆对于横摆力矩M^*响应通过四轮力矩T_i(i＝1，2，3，4)体现，i＝1，2，3，4分别表示左前轮、右前轮、左后轮、右后轮。当力矩T_i＞0时表示该车轮为驱动状态，当力矩T_i＜0时表示该车轮为制动状态，如图8所示为车辆平面运动学模型。

四轮力矩满足以下约束条件：

|T_i|≤min(λrF_zi，T_max) (40)

其中，d为前后轮轮距，m；r为轮胎名义半径，m；F_zi为每个轮胎的名义载荷，N；λ为道路附着系数，T_max为每个轮胎可提供的最大驱动力，T_t为总的轮胎力矩。

每个轮胎在运动过程中垂直载荷分配可以表示为：

其中，h为本车质心距离地面的高度，m；a_x为本车纵向加速度，m/s²。

那么，四个车轮的转动力矩满足以下比例关系：

联合公式(38)-(42)，可以得到四个轮胎的转动力矩的纳什博弈均衡解

S8，自适应巡航控制输出计算

自适应巡航控制模块基于本车与前方车辆的纵向距离x和本车可行区域的范围，从而决定本车的加速前进与减速制动。

本发明定义车辆行驶过程中安全距离为：

x_d＝T_L·v_x+x_p (46)

其中，T_L为安全时距，取值范围1.8～2.5；v_x为本车行驶速度，m/s；x_p为停车距离，取值范围2～5m。

自适应巡航控制器的输出量包括油门控制量和自动控制量，但两者不会同时工作输出。这主要取决于车辆在运动过程中的纵向距离x与安全距离x_d的关系，具体如下：

当x＞x_d时，此时车辆实际距离大于安全距离，车辆前进方向足够安全，此时加速行驶，制动控制量Δ_b＝0，油门控制量Δ_a为：

Δ_a＝h₁(t)·|x-x_d| (47)

其中，h₁(t)为油门控制控制率，其与速度呈线性关系。

当x≤x_d时，此时车辆实际距离小于安全距离，车辆将会出现碰撞风险，此时应减速行驶，油门控制量Δ_a＝0，制动控制量Δ_b为：

Δ_b＝h₂(t)·|x-x_d| (48)

其中，h₂(t)为制动控制控制率，其与速度呈线性关系。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。

Claims (10)

1.一种拥堵环境下智能车辆车道保持自适应巡航控制系统，其特征在于：包括摄像头、毫米波雷达、车道保持控制器和自适应巡航控制器；

所述摄像头检测车道线以及前方车辆图片，获取本车当前车道的车道线以及前方车辆与本车横向距离偏差y_e、航向角偏差φ_e；

所述毫米波雷达检测本车与前方车辆、周边车辆的距离，并获取本车可行区域的范围；

所述车道保持控制器由当前车道的车道线、横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围，获取方向盘转角δ_wheel和四轮驱动力/制动力的力矩

控制方向盘和电子稳定系统ESP；

所述自适应巡航控制器由本车与前方车辆的纵向距离x和本车可行区域的范围，获取加速度控制量和减速度控制量，控制油门和刹车。

2.根据权利要求1所述的拥堵环境下智能车辆车道保持自适应巡航控制系统，其特征在于：所述车道保持控制器包括外环控制和内环控制，外环控制基于横向距离偏差y_e、航向角偏差φ_e和本车可行区域的范围，通过可拓控制器获取前轮转角δ_f；内环控制：利用二自由度动力学模型优化横向稳定性，博弈控制方法优化前轮转角

和横摆力矩M^*，得到控制量纳什均衡解，横摆力矩通过力矩分配模块获得四轮驱动力/制动力的力矩

实现横摆力矩控制，i＝1、2、3、4，分别表示左前、右前、左后、右后车轮。

3.根据权利要求1所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述博弈控制方法的目标函数为

其中博弈对象u_i(t)＝[δ_f，M]^T；状态量x＝[β，γ]^T，β为本车质心侧偏角，γ为本车质心横摆角速度；Q_i、R_ii均为权重矩阵；i＝1，2。

4.根据权利要求3所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述纳什均衡解

其中：i＝1，2，P_i为黎卡提方程解，传递函数的解Φ(t，0)满足：

Φ(t，t)＝I_n，且

A、B_i均为系数矩阵，I_n为单位对角矩阵。

5.一种根据权利要求1-4任意一项权利要求所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：在车道线检测反馈正常时，基于前方车辆位置信息，得到本车与前方车辆的横向距离偏差y_e、航向角偏差φ_e，输入车道保持控制器，获得方向盘转角δ_wheel和四轮驱动力/制动力的力矩

控制方向盘和电子稳定系统ESP；同时，利用毫米波雷达检测本车与前方车辆纵向距离x和本车可行区域的范围作为自适应巡航控制器的偏差输入，获取加速度控制量和减速度控制量，控制油门和刹车；拥堵环境下，且车道线被周边车辆骑轧情况时，结合本车可行区域的范围、本车宽度，求解实际车辆在前方可行域内的横向距离偏差y′_e，横向距离偏差y′_e、航向角偏差φ_e和本车可行区域的范围作为车道保持控制器的输入。

6.根据权利要求5所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述横向距离偏差y′_e的获取过程为：

当d_v＜d_p时，

其中d_p为当前可行区域的宽度，d_v为车辆宽度，d_pL为本车与左侧车辆最大可行驶域宽度，d_pR为本车与右侧车辆最大可行驶域宽度；

当d_p≤d_v时，前方可行区域小于车辆车身宽度，车辆无法正常通过。

7.根据权利要求5所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述可拓控制器包括提取特征量、可拓域划分、关联函数计算、测度模式识别和输出决策。

8.根据权利要求5所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述提取的特征量为横向距离偏差可拓集合

以及航向角偏差集合

其中

和

分别是横向距离和航向角偏差微分；所述横向距离偏差可拓集合

和航向角偏差可拓集合

均划分为经典域、可拓域和非域。

9.根据权利要求8所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述横向距离偏差可拓集合

与最优点S₀(0，0)的关联函数为：

航向角偏差可拓集合

均与最优点S₀(0，0)的关联函数为：

其中R_ec为横向距离偏差经典域，R_φc为航向角偏差经典域界，M_e0为横向距离偏差经典域界可拓距，M_e1为横向距离偏差可拓域界可拓距，M_φ0为航向角偏差经典域界可拓距，M_φ1为航向角偏差可拓域界可拓距，|S_eS₀|为横向距离偏差可拓集合与最优点的加权可拓距，|S_φS₀|为航向角偏差可拓集合与最优点的加权可拓距；所述测度模式识别的规则为：如果关联函数大于等于0，偏差可拓集合属于经典域；若关联函数小于0、且大于等于-1，偏差可拓集合属于可拓域；否则测度模式为非域。

10.根据权利要求9所述的拥堵环境下智能车辆车道保持自适应巡航控制方法，其特征在于：所述输出决策具体为：

对于特征量y_e，前轮转角输出值为：

对于特征量φ_e，前轮转角输出值为：

其中：k_CMe1为经典域测度模式时基于特征量y_e的状态反馈系数，k_CMe2为可拓域测度模式下附加输出项控制系数，k_CMφ1为经典域测度模式时基于特征量φ_e的状态反馈系数，k_CMφ2为可拓域测度模式下附加输出项控制系数，符号函数

Images