CN111273547B - 集成车速规划和预瞄半主动悬架的无人车舒适性控制方法 - Google Patents

Abstract

本发明公开了一种集成车速规划和预瞄半主动悬架的无人车舒适性控制方法，所述方法包括如下步骤：步骤一：预瞄路面信息的处理；步骤二：设计预瞄半主动悬架控制器；步骤三：保证舒适性的车速规划；步骤四：悬架与车速协调。本发明的方法利用来自网络系统和前视传感器的道路信息，给出了一种协调车速与半主动悬架的舒适性控制策略，可以实现：1)抑制车辆垂向振动，2)缩短驾驶时间，3)减少车辆纵向加减速的多目标性能。

Description

集成车速规划和预瞄半主动悬架的无人车舒适性控制方法

技术领域

本发明属于车辆减震技术领域，涉及一种汽车半主动悬架控制方法和车速规划方法，具体涉及一种集成车速规划和预瞄半主动悬架的无人驾驶车辆舒适性控制方法。

背景技术

传感和控制技术的发展正迅速将汽车工业推向智能化和无人化，并带来了一系列新的技术创新与挑战。当前，无人汽车研究主要关注环境特征的识别以及驾驶轨迹规划与跟踪，并由此诞生了诸多复杂交通环境下的安全性解决方案。然而，几乎所有的方案均在平坦的路面环境下给出，很少有研究关注不平路面下的无人车辆舒适性问题。众所周知，对于传统车辆来说，舒适性的提升不仅依赖悬架系统的振动吸收，有经验的驾驶人员通常会根据道路状况来调节车速从而改善舒适性。然而，无人驾驶车辆缺乏主观的评估能力，这使得依据舒适性需求调整驾驶行为变得非常困难。

发明内容

针对现有技术存在的上述问题，本发明提供了一种集成车速规划和预瞄半主动悬架的无人车舒适性控制方法。该方法利用来自网络系统和前视传感器的道路信息，给出了一种协调车速与半主动悬架的舒适性控制策略，可以实现：1)抑制车辆垂向振动，2)缩短驾驶时间，3)减少车辆纵向加减速的多目标性能。

本发明的目的是通过以下技术方案实现的：

一种集成车速规划和预瞄半主动悬架的无人车舒适性控制方法，包括如下步骤：

步骤一：预瞄路面信息的处理

(1)当预瞄距离为L_p，且光学传感器对路面的扫描精度为Δl时，得到某时刻t获得的预瞄路面信息为集合Ω(t)，且

其中，h_i(t)为与车轮相聚i·Δl的路面高度数据点，i表示数据点的索引，N_sp为数据点的总个数且满足

(2)根据车速v对Ω(t)进行处理，从而获得可以被悬架控制系统利用的信息，具体步骤如下：

a、悬架控制系统的采样周期为T_s，那么在每个采样周期，车辆通过的道路距离为l_s＝vT_s，基于此，得到单个采样周期内，车辆通过的空间数据点数量为：

其中，k代表第k时刻；

b、假设数据点h_i(t)和h_i+1(t)之间的路面高度符合零阶保持且等于h_i(t)，那么，如果路面在kT_s时的高度为h_i，那么在(k+1)T_s时车辆将抵达高度为h_i+n(1,v)+1处，基于此，得到车速为v且采样时间为kT_s时的可利用路面高度数据集合Θ如下：

其中，H_i(v,k)＝h_n(i-1,v)+1(kT_s)，

步骤二：设计预瞄半主动悬架控制器

(1)设定符号z_s表示车身的垂直振动位移，z_u为车轮的垂直振动位移，z_r为路面高度，F为阻尼力，m_s为四分之一车身质量，m_u为单个车轮的集中质量，k_s为弹簧刚度，c_s为固定阻尼系数，k_t为等效的轮胎垂向刚度系数；

(2)选择状态向量

控制变量u＝F，干扰变量w＝z_r，根据牛顿定律得到如下半主动悬架的状态空间模型：

其中，

和

为参数矩阵并满足

同时考虑到半主动悬架的能量耗散约束，存在如下阻尼力约束条件：

(x₂-x₄)u≥0，|u|≤σ，u(x₂-x₄)≤κ(x₂-x₄)² (5)；其中，σ和κ为根据可调阻尼器特性得到的常值参数，

(3)定义悬架性能输出向量为

根据表达式(4)以及采样周期T_s，得离散系统状态方程为：

x(k+1)＝Ax(k)+Bu(k)+B_dw(k)，y(k)＝Cx(k)+Du(k)+D_dw(k) (6)；其中A，B，C，D，B_d和D_d为离散时间的系统参数矩阵；

(4)定义两个布尔型变量δ_v，δ_F以及一个辅助变量z如下：

据此，将表达式(5)中的非线性约束写成如下线性不等式和等式约束：

其中δ＝[δ_v δ_F]^T，且E₁，E₂，E₃，E₄，E₅和E₆为参数矩阵；

(5)融合表达式(6)和表达式(8)，并分别定义N_c和N_tp为控制时域和预测时域长度以及δ，z和u为决策变量，得到如下系统状态预测方程：

X(k)＝Σ₁x(k)+Σ₂U(k)+Σ₃W(k) (9)；其中，Σ₁，Σ₂和Σ₃为预测矩阵，且

其中，x_k+i|k表示在第k时刻所预测的k+i时刻的系统状态，w_k+i，u_k+i，δ_k+i和z_k+i分别表示第k+i时刻的干扰量、控制量、布尔型变量和辅助变量；

(6)拟定W(k)中的元素依次等于Θ(v,k)中的元素，定义正定矩阵

及

那么控制目标写成如下形式：

(7)采用下述变预测时域的控制方法，在每一时刻得到速度自适应的预瞄控制变量u(k)：

a)在k时刻，读取当前悬架状态x(k)和车速v(k)；

b)计算N_tp和W(k)，其中，N_tp计算方式如下：

其中，v^*为一个指定的速度值；

c)求解如下混合逻辑二次规划问题：

s.t.(8)for all predictive steps

d)选取求解序列U(k)中的第一个元素作为控制变量；

e)在k+1时刻，重复步骤a)至步骤d)；

步骤三：保证舒适性的车速规划

(1)路面类型划分：

将车辆前方路面分为粗糙路面R_i和一般路面G_i两种类型，两种路面的基本信息如下：

其中，ss_i和tt_i分别表示R_i路段的起止点位置经纬度；

和

为通过每个路段的最小和最大允许速度；f_i表示R_i路段的长度和路面高度函数；

(2)路面舒适性评估：

定量的性能评价表达式如下：

其中，

为粗糙路段的长度，

为路面高度函数，v为车速，τ₁、τ₂和τ₃为性能指标的权重系数，

y₂＝z_s-z_u，y₃＝z_u-z_r；

(3)路面信息整备：

a、将相关的G_i路段划分成调整路段和正常路段；

b、将调整路段等分成若干段，并假定各路段的车速只能匀速变化，那么得到若干需要确定速度的位置点P_i；

c、假定车辆总是以恒定速度通过R_i路段，那么每个R_i路段均看成一个位置点P_i，设定每个P_i的特征参数如下：

其中，

和

表示P_i的起点和终点距离车辆的距离，当P_i为一个点时，

和

表示P_i允许的速度范围；G_i表示不同车速通过P_i的舒适性能集合，其形式如下：

当P_i表示一个R_i路段时，

通过运行仿真器并计算表达式(13)得到；反之，若P_i表示一个位置点时，原则上

如果P_i是一个粗糙路段，那么人为地设置其周围的位置点的舒适性能为非零，并具有如下形式：

该设置将为粗糙路段提供车速调整的预警区域；

(4)车速规划计算：

a、根据动态规划原理，通过求解如下极小化问题获得最优的车速轨迹：

其中，J_i(v_i)表示以速度v_i开始从i点到N点的代价函数，

表示允许的速度区间；

b、定义从i到i+1的传输代价函数如下：

其中，

据此，即得到最优速度轨迹

步骤四：悬架与车速协调

(1)按照步骤三的最优速度轨迹运行车辆，在每个时刻得到实际速度v^*(k)；

(2)持续运行步骤二中的悬架控制算法，并以实际速度v^*(k)指导预测时域的切换。

本发明解决了如下难点问题：

(1)半主动悬架控制器对于时变车速的适应问题。安装在车身上的前视光学传感器能够对车辆前方一段距离的道路起伏进行测量，获取的道路信息一般称为预瞄信息。由于路面的预瞄信息是在空间域上分布的，而控制系统的设计和调控依据的是时间域定义的信息。因此，当车速变化时，空间域和时间域的信息是难以直接对应的。传统预瞄控制方法在解决这一问题时，往往采用固定预瞄时间而牺牲预瞄距离的方法。对于高速行驶的汽车，该预瞄距离的缩短是非常严重的，并可能导致预瞄悬架控制性能的恶化。为此，本发明创新性地给出一种固定预瞄距离的路面信息处理方法，并相应地给出一种变预测时域的混合模型预测控制方法，从而使得悬架控制器能够适应车速在大范围内的变化，并最大限度地利用测量范围内的路面起伏信息。

(2)利用前方路面的起伏信息进行保证舒适性的车速规划。对于无人驾驶汽车来说，不仅能够获得短距的预瞄信息，还能基于物联网系统获得前方数百米范围内的路面起伏信息。虽然理论上来说，只要车速足够低，车辆的垂向振动就会越小，舒适性就会越好(例如当车速为零时，则车辆根本不会因为路面的起伏发生振动)。但是，对于车辆需要尽可能快的通过某一路段的情况，是否有可能通过调整车速实现舒适性能优化？该问题属于全新的探索，目前没有相关的理论和技术。因此，本发明利用未来长距离的路面信息，创新性地给出一种同时保证舒适性与车辆通过性能的车速规划方法。

(3)融合车速规划与预瞄半主动悬架控制。通过将速度自适应的预瞄半主动悬架控制方法和规划的车速应用在无人驾驶汽车上，本发明给出一种全新的舒适性控制方法。

相比于现有技术，本发明具有如下优点：

(1)本发明的路面信息处理方法能够有效反映车速变化对路面激励的影响。当车速较低时，处理后的数据点在单位长度范围内较密集，那么体现在时间域上则是一个频率相对低的路面扰动；当车速较高时，处理后的数据点在单位长度范围内较稀疏，那么体现在时间域上则是一个频率相对高的路面扰动。

(2)本发明的变预测时域的半主动悬架控制方法能够有效处理执行机构的非线性约束特性，即保证输出的阻尼力在执行器的能力范围内。此外，变化的预测时域能够与获得的路面激励数据相匹配，从而充分利用车辆光学传感器所测得的路面信息。

(3)本发明的车速规划方法能够利用舒适性仿真器对粗糙道路下的舒适性能进行定量评价。在此基础上，通过路面类型划分和路面信息整备，能够将空间域上的车速规划问题转化为针对指定位置点上的速度规划问题，并进一步给出了基于动态规划的最优车速轨迹计算方法。该方法能够在缩短车辆通过时间的同时，减小车辆在粗糙道路下的垂向振动，提高舒适性能。

(4)本发明的悬架和车速并行运行方法能够有效协调纵向和垂向的舒适性控制，从而在两个维度上对车辆的舒适性进行同步优化。

附图说明

图1为基于车载光学传感器的前方短距道路起伏信息获取方式；

图2为基于网络的前方长距道路起伏信息获取方式；

图3为路面数据处理方式原理图；

图4为路面信息整备方式原理图；

图5为一段包含不同粗糙路段的示例路面；

图6为按照不同的速度轨迹行驶时的车辆垂向振动加速度；

图7为在指定速度下采用不同控制方法时的车辆垂向振动加速度。

具体实施方式

下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。

本发明提供了一种集成车速规划和预瞄半主动悬架的无人驾驶车辆舒适性控制方法，所述方法包括如下步骤：

步骤一：预瞄路面信息的处理。

当预瞄距离为L_p，且光学传感器对路面的扫描精度为Δl时，可以得到某时刻t可获得的预瞄路面信息为集合Ω(t)，且

其中，h_i(t)为与车轮相聚i·Δl的路面高度数据点，N_sp为数据点的总个数且满足

下面，本步骤将根据车速v对Ω(t)进行处理，从而获得可以被悬架控制系统利用的信息。

悬架控制系统的采样周期为T_s，那么在每个采样周期，车辆通过的道路距离为l_s＝vT_s。基于此，可以得到单个采样周期内，车辆通过的空间数据点数量为：

进一步，假设数据点h_i(t)和h_i+1(t)之间的路面高度符合零阶保持且等于h_i(t)。那么，如果路面在kT_s时的高度为h_i，那么在(k+1)T_s时车辆将抵达高度为h_i+n(1,v)+1处。也就是说，在h_i和h_i+n(1,v)+1之间的路面数据将无法被悬架控制系统利用。基于此，我们可以得到车速为v且采样时间为kT_s时的可利用路面高度数据集合Θ如下：

其中，H_i(v,k)＝h_n(i-1,v)+1(kT_s)，

至此，我们将空间域下的路面数据转化为了时间域下的路面数据，且N_tpT_s即为预瞄时间。可以看出，由该方案得出的预瞄时间是与车速相关的，而预瞄距离是固定的。

步骤二：设计预瞄半主动悬架控制器

设定符号z_s表示车身的垂直振动位移，z_u为车轮的垂直振动位移，z_r为路面高度，F为阻尼力，m_s为四分之一车身质量，m_u为单个车轮的集中质量，k_s为弹簧刚度，c_s为固定阻尼系数，k_t为等效的轮胎垂向刚度系数。进一步，通过选择状态向量

控制变量u＝F，干扰变量w＝z_r，可以根据牛顿定律得到半主动悬架的状态空间模型如下：

其中，

和

为参数矩阵并满足

同时考虑到半主动悬架的能量耗散约束，存在如下阻尼力约束条件：

(x₂-x₄)u≥0，|u|≤σ，u(x₂-x₄)≤κ(x₂-x₄)² (5)；其中，σ和κ为根据可调阻尼器特性得到的常值参数。

定义悬架性能输出向量为

即降低车身振动加速度，减小悬架动态行程和车轮动态压缩量。那么，根据表达式(4)以及采样周期T_s，可得离散系统状态方程为：

x(k+1)＝Ax(k)+Bu(k)+B_dw(k)，y(k)＝Cx(k)+Du(k)+D_dw(k) (6)；其中A，B，C，D，B_d和D_d为离散时间的系统参数矩阵。进一步，定义两个布尔型变量δ_v，δ_F以及一个辅助变量z如下：

据此，可以将表达式(5)中的非线性约束写成如下线性不等式和等式约束：

其中δ＝[δ_v δ_F]^T，且E₁，E₂，E₃，E₄，E₅和E₆为参数矩阵。融合表达式(6)和表达式(8)，并分别定义N_c和N_tp为控制时域和预测时域长度以及δ，z和u为决策变量，那么可以得到如下系统状态预测方程：

X(k)＝Σ₁x(k)+Σ₂U(k)+Σ₃W(k) (9)；其中，Σ₁，Σ₂和Σ₃为预测矩阵，且

为了充分利用前方路面高度数据，我们拟定W(k)中的元素依次等于Θ(v,k)中的元素。定义正定矩阵

及

那么控制目标可以写成如下形式：

由于车速v(k)是变化的，因此这里采用一种变预测时域的控制方法。具体步骤如下：

1)在k时刻，读取当前悬架状态x(k)和车速v(k)；

2)计算N_tp和W(k)；

3)求解如下混合逻辑二次规划问题：

s.t.(8)for all predictive steps

4)选取求解序列U(k)中的第一个元素作为控制变量；

5)在k+1时刻，重复步骤1)至4)。

由于车速过低时，上述方法可能导致预测时域N_tp过大，从而造成较大的计算负担，因此，本发明采用如下的N_tp计算方式：

其中，v^*为一个指定的速度值。根据表达式(11)，当速度低于v^*时采用固定时间的预瞄控制，以降低计算负担；当速度高于v^*时则采用固定距离的预瞄控制，以最大程度的利用预瞄信息。

根据上述方式，我们可以在每一时刻均得到速度自适应的预瞄控制变量u(k)。

步骤三：保证舒适性的车速规划。

(1)路面类型划分。将车辆前方路面分为粗糙路面(用符号R_i表示)和一般路面(用符号G_i表示)两种类型。R_i表示起伏较大的路面，例如减速带、路面坑包等，G_i表示相对平坦的路面。本发明认为适当调整车速可有效改善车辆经过R_i时的舒适性，而G_i仅通过悬架控制即可达到较优的舒适性。两种路面的基本信息如下：

其中，ss_i和tt_i分别表示R_i路段的起止点位置经纬度；

和

为通过每个路段的最小和最大允许速度；f_i表示R_i路段的长度和路面高度函数。针对上述路面信息，下面将给出一种速度规划方法。

(2)路面舒适性评估。首先，为了解决舒适性评价问题，本发明给出一种仿真器来评估车辆行驶通过任意R_i路段的垂向振动性能。定量的性能评价表达式如下：

其中，

为粗糙路段的长度，

为路面高度函数。仿真器的具体设置如下：1)按照步骤一中的路面数据处理方式，得到时域下的路面激励数据；2)按照指定的车速运行表达式(4)的悬架模型，即可得到悬架的响应数据，进而得到表示式(13)中的

需要指出的是，这里采用一个被动悬架来运行表达式(4)，即

且

(3)路面信息整备。鉴于速度调整路段集中在起始点、终点以及粗糙路段周围，因为将相关的G_i路段划分成调整路段和正常路段。进一步，将调整路段等分成若干段，并假定各路段的车速只能匀速变化，那么可以得到若干需要确定速度的位置点P_i。另外，我们假定车辆总是以恒定速度通过R_i路段，那么每个R_i路段均可以看成一个位置点P_i。设定每个P_i的特征参数如下：

其中，

和

表示P_i的起点和终点距离车辆的距离(当P_i为一个点时，

)。另外，

和

表示P_i允许的速度范围。表达式(14)中，G_i表示不同车速通过P_i的舒适性能集合，其形式如下：

当P_i表示一个R_i路段时，

可以通过运行仿真器并计算表达式(13)得到；反之，若P_i表示一个位置点时，原则上

然而，如果P_i是一个粗糙路段，那么我们人为地设置其周围的位置点的舒适性能为非零，并具有如下形式：

该设置将为粗糙路段提供车速调整的预警区域。

(4)车速规划计算。根据动态规划原理，通过求解如下极小化问题获得最优的车速轨迹：

其中，J_i(v_i)表示以速度v_i开始从i点到N点的代价函数，

表示允许的速度区间。为了达到最优的性能，定义从i到i+1的传输代价函数如下：

其中，

据此，即可得到最优速度轨迹

步骤四：悬架与车速协调。按照步骤三的最优速度轨迹运行车辆，在每个时刻可得到实际速度v^*(k)。持续运行步骤二中的悬架控制算法，并以实际速度v^*(k)指导预测时域的切换。由于悬架控制只受实际车速影响，与具体规划车速无关，因此悬架控制与车速规划可并列协调运行。

实施例：

1)参照图1中的光学传感器安装方式，可以对前方距离为L_p的路面进行测量，当光学传感器对路面的扫描精度为Δl时，可以在任意时刻t获得前方路面起伏数据信息。将该集合定义为Ω(t)，且：

其中，h_i(t)即为图1中每个格点对应的路面高度数据，N_sp为数据点的总个数且满足

2)设定悬架控制系统的采样周期为T_s，得到单个采样周期内，车辆通过的空间数据点数量为：

进一步，计算得到车速为v且采样时间为kT_s时的可利用路面高度数据集合Θ如下：

其中，H_i(v,k)＝h_n(i-1,v)+1(kT_s)，

至此，我们将原始路面数据转化为了控制系统可利用的预瞄路面数据，且N_tpT_s即为预瞄时间。图3所示为某段原始路面信息，在不同车速下处理得到的可利用数据。图3中，从空间域视角来看，处理后的数据随着车速的增大而变稀疏，对应的时间域视角则表现为干扰频率增大。

3)设定符号z_s为车身的垂直振动位移，z_u为车轮的垂直振动位移，z_r为路面高度，F为阻尼力。根据实际悬架系统特性，获得如下参数：四分之一车身质量m_s，单个车轮的集中质量m_u，弹簧刚度k_s，固定阻尼系数c_s，等效轮胎垂向刚度k_t。

进一步，选择状态向量

控制变量u＝F和干扰变量w＝z_r，得到状态空间模型如下：

定义悬架性能输出向量

并根据采样周期T_s，获得离散时间系统方程：

x(k+1)＝Ax(k)+Bu(k)+B_dw(k)，y(k)＝Cx(k)+Du(k)+D_dw(k)。

4)根据可调阻尼器特性，获得阻尼力的约束特征参数σ和κ。定义布尔型变量δ_v，δ_F以及辅助变量z如下：

进一步，将阻尼力的非线性约束写成如下线性不等式和等式约束：

5)根据离散时间系统方程和布尔型变量δ_v，δ_F以及辅助变量z的关系，获得系统状态预测方程：

X(k)＝Σ₁x(k)+Σ₂U(k)+Σ₃W(k)。

定义正定矩阵

及

并设置相应参数，列写目标函数如下：

具体运行过程中，按照如下步骤计算控制量：

a)在k时刻，读取当前悬架状态x(k)和车速v(k)；

b)按照如下表达式计算N_tp：

c)按照可利用路面高度数据集合Θ表达式计算Θ(v,k)，并令W(k)＝Θ(v,k)；

d)求解如下混合逻辑二次规划问题：

s.t.(8)for all predictive steps

e)选取求解序列U(k)中的第一个元素作为控制变量；

f)在k+1时刻，重复步骤a)至e)。

6)如图2所示，针对获取的前方长距道路信息，按照路面起伏程度不同，将路面划分为粗糙路面R_i和一般路面G_i两种类型。获取两种路面的基本信息如下：

其中ss_i和tt_i分别表示R_i路段的起止点位置经纬度；

和

为通过每个路段的最小和最大允许速度；f_i表示R_i路段的长度和路面高度函数。

7)按照图4所示原理，将相关的G_i路段划分成调整路段和正常路段。进一步，将调整路段等分成若干段，获得若干需要确定速度的位置点P_i。另外，将每个R_i路段也视为一个位置点P_i。设定每个P_i的特征参数如下：

其中，

和

表示P_i的起点和终点距离车辆的距离(当P_i为一个点时，

)。另外，

和

表示P_i允许的速度范围。

8)选取速度评估的区间值δv，按照步骤三中的路面舒适性评估方法，定量计算每个R_i路段在有限个速度点(v₁，v₂，…，v_M)的如下舒适性指标：

从而每个表示粗糙路段的P_i的舒适性参数集合：

按照如下方式设置每个粗糙路段P_i附近的位置点对应的G_i：

并令其余位置点的G_i参数集合均为零。

9)根据动态规划方法求解如下极小化问题：

其中，

表示允许的速度区间，且：

其中

据此，即可得到最优速度轨迹

10)车辆行驶过程中，跟踪期望速度轨迹V^*并得到实时的实际速度轨迹v(k)。根据当前的v(k)计算半主动悬架的阻尼力u(k)进行悬架控制。

将上述具体实施过程应用到具体车辆控制和车速控制中进行仿真举例。选择的道路如图5所示。图6所示为汽车按照不同的规划速度行驶，并均按照所发明的悬架控制方式调节时的车身振动加速度。可以看出，本发明给出的多目标最优速度轨迹能够在三种粗糙路段均实现较低的振动幅值。图7所示为将不同的悬架控制方式应用到本发明给出的多目标最优速度轨迹下时的车身振动加速度。可以看出，本发明给出的悬架控制方法相比于天棚控制算法和无控制情况，能够明显抑制车身的振动。图6和图7的结果表明，本发明的方法能够有效协调速度控制和半主动悬架控制，达到改善车辆舒适性的目的。

Claims (3)

1.一种集成车速规划和预瞄半主动悬架的无人车舒适性控制方法，其特征在于所述方法包括如下步骤：

步骤一：预瞄路面信息的处理

(1)当预瞄距离为L_p，且光学传感器对路面的扫描精度为Δl时，得到某时刻t获得的预瞄路面信息为集合Ω(t)，且

其中，h_i(t)为与车轮相聚i·Δl的路面高度数据点，i表示数据点的索引，N_sp为数据点的总个数且满足

(2)根据车速v对Ω(t)进行处理，从而获得可以被悬架控制系统利用的信息；

步骤二：设计预瞄半主动悬架控制器

(1)设定符号z_s表示车身的垂直振动位移，z_u为车轮的垂直振动位移，z_r为路面高度，F为阻尼力，m_s为四分之一车身质量，m_u为单个车轮的集中质量，k_s为弹簧刚度，c_s为固定阻尼系数，k_t为等效的轮胎垂向刚度系数；

(2)选择状态向量

控制变量u＝F，干扰变量w＝z_r，根据牛顿定律得到如下半主动悬架的状态空间模型：

其中，

和

为参数矩阵并满足

同时考虑到半主动悬架的能量耗散约束，存在如下阻尼力约束条件：

(x₂-x₄)u≥0，|u|≤σ，u(x₂-x₄)≤κ(x₂-x₄)² (5)；

其中，σ和κ为根据可调阻尼器特性得到的常值参数，

(3)定义悬架性能输出向量为

根据表达式(4)以及采样周期T_s，得离散系统状态方程为：

x(k+1)＝Ax(k)+Bu(k)+B_dw(k)，y(k)＝Cx(k)+Du(k)+D_dw(k) (6)；

其中A，B，C，D，B_d和D_d为离散时间的系统参数矩阵；

(4)定义两个布尔型变量δ_v，δ_F以及一个辅助变量z如下：

据此，将表达式(5)中的非线性约束写成如下线性不等式和等式约束：

其中δ＝[δ_v δ_F]^T，且E₁，E₂，E₃，E₄，E₅和E₆为参数矩阵；

(5)融合表达式(6)和表达式(8)，并分别定义N_c和N_tp为控制时域和预测时域长度以及δ，z和u为决策变量，得到如下系统状态预测方程：

X(k)＝Σ₁x(k)+Σ₂U(k)+Σ₃W(k) (9)；

其中，Σ₁，Σ₂和Σ₃为预测矩阵，且

其中，x_k+i|k表示在第k时刻所预测的k+i时刻的系统状态，w_k+i，u_k+i，δ_k+i和z_k+i分别表示第k+i时刻的干扰量、控制量、布尔型变量和辅助变量；

(6)拟定W(k)中的元素依次等于Θ(v,k)中的元素，定义正定矩阵Q＝Q^T＞0及R＝R^T＞0，那么控制目标写成如下形式：

(7)采用变预测时域的控制方法，在每一时刻得到速度自适应的预瞄控制变量u(k)；

步骤三：保证舒适性的车速规划

(1)路面类型划分：

将车辆前方路面分为粗糙路面R_i和一般路面G_i两种类型，两种路面的基本信息如下：

其中，ss_i和tt_i分别表示R_i路段的起止点位置经纬度；

和

为通过每个路段的最小和最大允许速度；f_i表示R_i路段的长度和路面高度函数；

(2)路面舒适性评估：

定量的性能评价表达式如下：

其中，

为粗糙路段的长度，

为路面高度函数，v为车速，τ₁、τ₂和τ₃为性能指标的权重系数，

y₂＝z_s-z_u，y₃＝z_u-z_r；

(3)路面信息整备：

a、将相关的G_i路段划分成调整路段和正常路段；

b、将调整路段等分成若干段，并假定各路段的车速只能匀速变化，那么得到若干需要确定速度的位置点P_i；

c、假定车辆总是以恒定速度通过R_i路段，那么每个R_i路段均看成一个位置点P_i，设定每个P_i的特征参数如下：

其中，

和

表示P_i的起点和终点距离车辆的距离，当P_i为一个点时，

和

为通过每个路段的最小和最大允许速度；G_i表示一般路面，其形式如下：

当P_i表示一个R_i路段时，

通过运行仿真器并计算表达式(13)得到；反之，若P_i表示一个位置点时，原则上

如果P_i是一个粗糙路段，那么人为地设置其周围的位置点的舒适性能为非零，并具有如下形式：

该设置将为粗糙路段提供车速调整的预警区域；

(4)车速规划计算：

a、根据动态规划原理，通过求解如下极小化问题获得最优的车速轨迹：

其中，J_i(v_i)表示以速度v_i开始从i点到N点的代价函数，

表示允许的速度区间；

b、定义从i到i+1的传输代价函数如下：

其中，

据此，即得到最优速度轨迹

步骤四：悬架与车速协调

(1)按照步骤三的最优速度轨迹运行车辆，在每个时刻得到实际速度v^*(k)；

(2)持续运行步骤二中的悬架控制算法，并以实际速度v^*(k)指导预测时域的切换。

2.根据权利要求1所述的集成车速规划和预瞄半主动悬架的无人车舒适性控制方法，其特征在于所述步骤一中，获得可以被悬架控制系统利用的信息的具体步骤如下：

a、悬架控制系统的采样周期为T_s，那么在每个采样周期，车辆通过的道路距离为l_s＝vT_s，基于此，得到单个采样周期内，车辆通过的空间数据点数量为：

其中，k代表第k时刻；

b、假设数据点h_i(t)和h_i+1(t)之间的路面高度符合零阶保持且等于h_i(t)，那么，如果路面在kT_s时的高度为h_i，那么在(k+1)T_s时车辆将抵达高度为h_i+n(1,v)+1处，基于此，得到车速为v且采样时间为kT_s时的可利用路面高度数据集合Θ如下：

其中，H_i(v,k)＝h_n(i-1,v)+1(kT_s)，

3.根据权利要求1所述的集成车速规划和预瞄半主动悬架的无人车舒适性控制方法，其特征在于所述步骤二中，变预测时域的控制方法的具体步骤如下：

a)在k时刻，读取当前悬架状态x(k)和车速v(k)；

b)计算N_tp和W(k)，其中，N_tp计算方式如下：

其中，v^*为一个指定的速度值；

c)求解如下混合逻辑二次规划问题：

s.t.(8)for all predictive steps

d)选取求解序列U(k)中的第一个元素作为控制变量；

e)在k+1时刻，重复步骤a)至步骤d)。

Images