CN111703418A - 一种基于车车通信的多车分布式协同避撞方法及装置 - Google Patents

一种基于车车通信的多车分布式协同避撞方法及装置 Download PDF

Info

Publication number
CN111703418A
CN111703418A CN202010554836.1A CN202010554836A CN111703418A CN 111703418 A CN111703418 A CN 111703418A CN 202010554836 A CN202010554836 A CN 202010554836A CN 111703418 A CN111703418 A CN 111703418A
Authority
CN
China
Prior art keywords
vehicle
collision avoidance
queue
braking
communication
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
Application number
CN202010554836.1A
Other languages
English (en)
Other versions
CN111703418B (zh
Inventor
胡满江
李俊妮
边有钢
秦兆博
谢国涛
王晓伟
徐彪
秦洪懋
秦晓辉
孙宁
丁荣军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202010554836.1A priority Critical patent/CN111703418B/zh
Publication of CN111703418A publication Critical patent/CN111703418A/zh
Application granted granted Critical
Publication of CN111703418B publication Critical patent/CN111703418B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W30/17—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle with provision for special action when the preceding vehicle comes to a halt, e.g. stop and go

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种基于车车通信的多车分布式协同避撞方法，包括如下步骤：步骤1，在行驶的车辆队列中，各车通过自车感知单元监测自车运动状态；步骤2，设定制动阈值，判断车辆队列中是否有某一辆车的制动工况超过设定制动阈值，若有则将该辆车记为头车，与其后的跟随车辆组成新的车辆队列，否则，返回步骤1；步骤3，在基于车车通信条件的基础上；步骤4，基于模型预测控制方法，以车辆队列总相对动能最小为优化目标；步骤5，各车得到自车的期望加速度后，按照此期望加速度对自车进行制动控制；步骤6，若车辆停止行驶。本发明的基于车车通信的多车分布式协同避撞方法，便可有效的实现车辆行驶中的避撞效果。

Description

一种基于车车通信的多车分布式协同避撞方法及装置
技术领域
本发明涉及智能网联车辆领域，特别是关于一种基于车车通信的多车分布式协同避撞方法及装置。
背景技术
近年来，随着车车通信(V2V)与远程通信技术的融合与发展，为多车协同避撞技术发展带来了新的契机。通过V2V通信与邻近车辆和道路基础设施共享本地信息，多车可以协调行动，提高交通安全和效率，从而产生了网联车辆(CV)技术。
CV技术可用来提高驾驶安全性。网联车辆通过车车通信接收相邻车辆的位置和速度信息，可以检测到潜在的碰撞，并提前采取行动来避免碰撞或减轻损害。这种新型的汽车安全应用被称为协同避碰(CCA)，近年来引起了广泛的关注。
CCA技术的现有研究主要集中在相邻两车间的避碰问题上。但在生活实践中，时常会发生多车连环碰撞，如高速公路上的多车追尾事故。在这种情况下，随着队列顺序进行的通信传输不可避免地会涉及到时间延迟问题，这很有可能会恶化队列整体的避碰性能。因此，CCA技术的研究必须考虑到队列中多车碰撞的影响。
关于车车通信条件下的多车分布式协同避撞策略及装置的相关专利尚不存在。与之类似的已有技术主要是针对以集中式算法为优化策略，以车距为优化目标的多车协同避撞策略。清华大学提出的多车协同避撞方法及装置(CN201510690360.3)中首车通过车载通信条件可接收所有后车的车况信息，并在首车计算模块中求解所有车辆的期望加速度。此方法是将首车作为中心节点，依赖首车进行集中式优化求解，需要高昂的通信代价和计算代价，可扩展性、鲁棒性和适应性较差。清华大学提出的混合车辆队列中车辆间的碰撞缓解方法及装置(CN201610182368.3)通过云计算平台接收网联车的车况信息，并规划后车中各网联车的期望加速度。此方法将云计算平台作为中心节点，虽然计算载体不同但仍然是集中式优化求解。江苏大学提出的基于车车通信的多车协同避撞系统及其方法(CN201610099057.0)通过对当前车距与安全距离的比较判断两车是否需要进行协同避撞。此发明虽分布式求解各车避撞时间和期望速度，但没有考虑到不同重量级别车辆的避撞能力不同，而以相对动能为优化目标的避撞策略则考虑了车重的影响。南京航空航天大学提出的基于功能分配与多目标模糊决策的协同避撞方法(CN201710426097.6)以自车与前车的距离判断是否需要进行避撞，且协同控制转向与制动来达到避撞目的，但仍未考虑不同车重的车辆避撞能力不同。
因此，需要提出一种基于车车通信的多车分布式协同避撞策略及装置来解决上述问题。此策略及装置无需收集所有的车辆状态信息进行集中计算，而是以分布式优化方法实现多车协同避撞，具有很重要的现实意义。
发明内容
针对现有技术存在的不足，本发明的目的在于提供一种基于车车通信的多车分布式协同避撞方法及装置，分布式优化网联车辆的制动力，降低了对V2V通信的要求，提高队列整体的安全性。
为实现上述目的，本发明提供了如下技术方案：一种基于车车通信的多车分布式协同避撞方法，包括如下步骤：
步骤1，在行驶的车辆队列中，各车通过自车感知单元监测自车运动状态；
步骤2，设定制动阈值，判断车辆队列中是否有某一辆车的制动工况超过设定制动阈值，若有则将该辆车记为头车，与其后的跟随车辆组成新的车辆队列，否则，返回步骤1；
步骤3，在基于车车通信条件的基础上，各车将车辆状态信息通过车载通信设备进行广播，而该车的邻近车辆接收此车辆状态信息；
步骤4，基于模型预测控制方法，以车辆队列总相对动能最小为优化目标，利用提出的分布式协同避撞策略优化求解各车期望加速度；
步骤5，各车得到自车的期望加速度后，按照此期望加速度对自车进行制动控制；
步骤6，若车辆停止行驶，则停止对该车的控制，否则返回步骤3。
作为本发明的进一步改进，所述步骤4中的模型为运动学模型，具体如下：
Figure BDA0002543848270000031
其中，mi为第i辆车的质量，pi(t)，vi(t)和Fi(t)分别为t时刻第i辆车的车头位置、速度和实际制动力，Fi,des为t时刻第i辆车的期望制动力，τ是一阶惯性延迟的时间常数。
作为本发明的进一步改进，所述步骤4中模型的目标函数如下：取N为制动车辆队列中的车辆总数，各辆车的序号由前往后依次为0，1，2，…，N，mi为第i辆车的质量，vi(t)为t时刻第i辆车的速度；
基于以上假设，定义t时刻第i-1辆车与第i辆车之间的相对动能Ji(t)为：
Figure BDA0002543848270000032
i＝1,2,…,N
基于相对动能的定义，定义t时刻制动车辆队列的总相对动能J(t)为：
Figure BDA0002543848270000033
作为本发明的进一步改进，所述步骤4中车辆期望制动力的约束条件如下：
Fi,min≤Fi,des(t)≤Fi,max
其中，Fi,min和Fi,max分别为第i辆车的最小和最大制动力。
作为本发明的进一步改进，所述步骤4中，以车辆队列总相对动能最小为优化目标，利用提出的分布式协同避撞策略优化求解各车期望加速度的具体步骤如下：
步骤41，结合目标函数和约束条件，可得基于总相对动能最小的协同避撞策略对应的优化问题；
步骤42，对步骤41中获得的问题进行离散化，进行数值求解；
步骤43，再将离散化的优化问题转化为一个分布式QP问题；
步骤44，将车辆队列总相对动能最小问题分解成关于每辆车相对动能最小的N个子问题；
步骤45，通过分布式优化求解算法求解各车期望加速度。
本发明另一方面提供了一种装置，包括：
感知单元：实现对自车和他车运动状态信息、车辆属性信息的采集；
通信单元：基于车车通信条件，可以发送和接收车辆状态信息；
决策单元：用于进行车载计算，输入车辆状态信息后计算出期望加速度；
控制执行单元：接收决策单元输出的期望加速度后，通过期望的控制量对车辆进行纵向控制，实现多车协同纵向避撞。
作为上述装置的进一步改进，所述感知单元包括感知邻居车辆状态信息的环境感知模块以及感知自车状态的状态观测器。
作为上述装置的进一步改进，所述决策单元中，将各车车辆状态信息作为车载计算模块的输入量，则输出量为各车的期望加速度。
作为上述装置的进一步改进，所述控制执行单元的执行结构包括发动机转矩控制、电子加速/制动输入量控制。
本发明的有益效果，1、本发明提出的多车分布式协同避撞策略只需获取邻居车辆的车辆状态信息，无需获取全局信息，因此无需进行全局通信，降低了通信代价，进一步提高网联车辆在实际应用中的行驶安全性，实现多车协同避撞目的。2、本发明提出的多车分布式协同避撞策略只需局部信息，减少了全局信息交互，更好地保护了个体的隐私。3、本发明以车辆队列总相对动能最低为控制优化目标，能够有效避免车队中多车连环碰撞，或在碰撞不可避免时减轻碰撞强度。4、基于车车通信条件，车辆可实现大范围的主动信息交互，可提前对前方紧急情况进行感知，并做出合理的控制决策，弥补了因传统传感器信息采集范围小造成的制动减速度过大、制动空间利用不充分等不足。
本发明可以广泛应用于基于车车通信条件下的车辆队列跟驰场景。
附图说明
图1是本发明所提供的基于车车通信的多车分布式协同避撞策略流程图；
图2是本发明所提供的基于BD通信拓扑的多车分布式协同避撞策略的示意图；
图3是本发明所提供的基于BD2通信拓扑的多车分布式协同避撞策略的示意图；
图4是本发明所提供的基于FC通信拓扑的多车分布式协同避撞策略的示意图。
具体实施方式
下面将结合附图所给出的实施例对本发明做进一步的详述。
参照图1至4所示，本实施例的一种基于车车通信的多车分布式协同避撞方法，包括以下步骤：
1)在行驶的车辆队列中，各车通过自车感知单元监测自车运动状态；
2)当某一辆车的制动工况超过设定制动阈值-3m/s2时，该车被记为头车，与其后的跟随车辆组成新的车辆队列；否则，返回步骤1)；
3)基于车车通信条件，各车将车辆状态信息(位置、速度、加速度、质量等)通过车载通信设备进行广播，而该车的邻居车辆接收此车辆状态信息；
4)基于模型预测控制方法，以车辆队列总相对动能最小为优化目标，利用提出的分布式协同避撞策略优化求解各车期望加速度；
5)各车得到自车的期望加速度后，按照此期望加速度对自车进行制动控制；
6)若车辆停止行驶，则停止对该车的控制，否则返回步骤3)。
上述步骤4)中，基于车车通信的多车分布式协同避撞策略的具体实施如下：
①目标函数
取N为制动车辆队列中的车辆总数，各辆车的序号由前往后依次为0，1，2，…，N。mi为第i辆车的质量，vi(t)为t时刻第i辆车的速度。
基于以上假设，定义t时刻第i-1辆车与第i辆车之间的相对动能Ji(t)为：
Figure BDA0002543848270000051
i＝1,2,…,N
基于相对动能的定义，定义t时刻制动车辆队列的总相对动能J(t)为：
Figure BDA0002543848270000061
②约束条件
选取运动学模型作为车辆模型，并假设车辆实际加速度与期望加速度输入为一阶惯性环节。网联车辆期望加速度由控制系统决定，得到预测时域内的车辆模型如下：
Figure BDA0002543848270000062
其中，mi为第i辆车的质量，pi(t)，vi(t)和Fi(t)分别为t时刻第i辆车的车头位置、速度和实际制动力，Fi,des为t时刻第i辆车的期望制动力，τ是一阶惯性延迟的时间常数。
考虑车辆期望制动力的约束条件如下：
Fi,min≤Fi,des(t)≤Fi,max
其中，Fi,min和Fi,max分别为第i辆车的最小和最大制动力。
③优化问题
结合以上目标函数和约束条件，可得基于总相对动能最小的协同避撞策略对应的优化问题：
Figure BDA0002543848270000063
s.t.:
Figure BDA0002543848270000064
④离散优化问题
对上述问题进行离散化，进行数值求解。设采样时间为ΔT，每次仅针对当前时刻(记为k时刻)之后的Np＝Δt/ΔT步时间间隔内进行优化问题求解，即MPC模型的模型预测步数为Np。为此，得到离散优化问题：
Figure BDA0002543848270000071
s.t.:
Figure BDA0002543848270000072
其中，xi(k+j|k)、vi(k+j|k)、Fi(k+j|k)和Fi,des(k+j|k)分别为在k时刻预测的k+j时刻第i辆车的车头位置、速度、实际制动力和期望制动力，k+j+1|k表示从当前时间k开始得到的k+j+1时刻的预测状态，而Np表示预测时域长度。
⑤分布式QP问题
为了进行分布式优化求解，将上述离散优化问题转化为一个分布式QP问题，定义第i辆车的加速度和优化控制输入量如下：
Figure BDA0002543848270000073
Figure BDA0002543848270000081
其中ui为优化控制输入量，其上下限分别为：
Figure BDA0002543848270000082
因为车辆队列中节点在某一时刻的自车状态如下：
xi(k+1)＝Axi(k)+Bui(k)
其中，xi(k)＝[pi(k),vi(k),ai(k)]T，
Figure BDA0002543848270000083
Figure BDA0002543848270000084
并将第i辆车的预测状态定义为Xi＝[xi(k+1|k)T,xi(k+2|k)T,…,xi(k+Np|k)T1T。
进一步可得第i辆车在预测时域内的自车状态为：
Xi＝APxi(k)+BPUi
其中，
Figure BDA0002543848270000085
Figure BDA0002543848270000086
Ui＝[ui(k|k),ui(k+1|k),…,ui(k+Np-1|k)]T，Ui为第i辆车的累计预测控制输入。
基于上述分析，得到第i辆车的代价函数为：
Figure BDA0002543848270000087
其中，
Figure BDA0002543848270000091
将自车三阶状态空间模型代入代价函数，经化简后可得：
Figure BDA0002543848270000092
其中，Qi＝miqqT。
令车辆队列的总控制输入Us为：
Figure BDA0002543848270000093
因此可将上述内容进一步化简为：
Figure BDA0002543848270000094
其中，
Figure BDA0002543848270000095
令Hi＝Ri TBP TQiBPRi，
Figure BDA0002543848270000096
Pi T＝(xi-1(k)-xi(k))TAP TQiBPRi，可将上式改写成如下形式：
Figure BDA0002543848270000097
根据以上分析，可将集中式NMPC问题等价改写为：
Figure BDA0002543848270000101
s.t.:AconUZ-bcon≤0
其中，
Figure BDA0002543848270000102
Figure BDA0002543848270000103
Figure BDA0002543848270000104
令Ei T＝U0 THi12+Pi21 T，
Figure BDA0002543848270000105
将上式更直观地表示为：
Figure BDA0002543848270000106
s.t.:AconUZ-bcon≤0
为了分布式求解此QP问题，我们将车辆队列总相对动能最小问题分解成关于每辆车相对动能最小的N个子问题，如下所示：
Figure BDA0002543848270000107
s.t.:gi(UZ,i)＝AconUZ,i-bcon≤0
Figure BDA0002543848270000108
其中，
Figure BDA0002543848270000109
UZ,i为第i辆车对队列中每一辆车UZ的最优解估计，最后一个等式约束保证了车辆估计的一致性。
⑥分布式优化求解算法
因为双向跟随式(BD),前后两车双向跟随式(BD2),…,全联通式(FC)的通信拓扑图是无向连通的，所以可以采用以下分布式优化算法求解:
Figure BDA0002543848270000111
Figure BDA0002543848270000112
Figure BDA0002543848270000113
其中，zi是局部约束gi(UZ,i)对应的Lagrange乘子，
Figure BDA0002543848270000114
为向量值函数gi(UZ,i)的Jacobi矩阵转置，
Figure BDA0002543848270000115
表示依向量元素进行如下投影计算：当gi(UZ,i)l>0或zi l>0时，
Figure BDA0002543848270000116
否则
Figure BDA0002543848270000117
l＝1,…,2Np×N，
Figure BDA0002543848270000118
为第i辆车的邻居集合。
将每辆车的QP模型代入上述分布式优化算法，可得该最小化车辆队列总相对动能的分布式算法形式如下：
Figure BDA0002543848270000119
Figure BDA00025438482700001110
Figure BDA00025438482700001111
基于上述方法，本发明还提供一种基于车车通信的多车分布式协同避撞装置，该装置包括环境感知模块、状态观测器、通信模块、计算模块、下层控制器以及EVB和电子油门，其中：
环境感知模块在车车通信环境下，感知邻居车辆的状态信息(位置、速度、加速度、质量等)，并将采集到的信息发送给计算模块。
状态观测器可感知自车状态信息，由惯性传感器、定位模块和车载信息采集模块组成。其中，惯性传感器可采集加速度信息，且在本实施例中的更新频率不低于10HZ，以保证信息更新的实时性。定位模块采集车辆队列中各车的实时位置信息并传送给计算模块。在本实施例中的定位模块是北斗卫星导航系统(BDS)，其更新频率需大于10HZ，定位精度不低于3m，保证各车车辆位置的准确性，避免采集的数据产生误差。车载信息采集模块内置CAN通信芯片，可从CAN总线中采集所需的车辆状态信息。在本实施例中，车载信息采集模块的采样频率同样要求不低于10HZ。
通信模块发送和接收自车和邻居车辆感知模块采集的车辆状态信息和环境信息。在本实施例中，通信模块采用4G/5G无线通信，是基于TD-LTE技术自主研发的LTE-V通讯模块。
决策单元的车载计算模块接收到来自通信模块的车辆状态信息后，根据本发明提出的多车分布式协同避撞策略计算得到各车的期望加速度，再将此期望加速度通过CAN总线发送给控制执行单元。
控制执行单元接收到来自决策单元的期望加速度后，可通过电子油门以及车身稳定系统中的制动执行器来控制车辆加速度，实现车辆的制动避撞。
综上所述，本发明所提供的多车分布式协同避撞装置的各个单元有序协作，依据提出的多车协同避撞策略实现车辆队列总相对动能的最小化，进而达到多车协同避撞的目的，提高了队列整体的安全性。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于车车通信的多车分布式协同避撞方法，其特征在于：包括如下步骤：
步骤1，在行驶的车辆队列中，各车通过自车感知单元监测自车运动状态；
步骤2，设定制动阈值，判断车辆队列中是否有某一辆车的制动工况超过设定制动阈值，若有则将该辆车记为头车，与其后的跟随车辆组成新的车辆队列，否则，返回步骤1；
步骤3，在基于车车通信条件的基础上，各车将车辆状态信息通过车载通信设备进行广播，而该车的邻近车辆接收此车辆状态信息；
步骤4，基于模型预测控制方法，以车辆队列总相对动能最小为优化目标，利用提出的分布式协同避撞策略优化求解各车期望加速度；
步骤5，各车得到自车的期望加速度后，按照此期望加速度对自车进行制动控制；
步骤6，若车辆停止行驶，则停止对该车的控制，否则返回步骤3。
2.根据权利要求1所述的基于车车通信的多车分布式协同避撞方法，其特征在于：所述步骤4中的模型为运动学模型，具体如下：
Figure FDA0002543848260000011
其中，mi为第i辆车的质量，pi(t)，vi(t)和Fi(t)分别为t时刻第i辆车的车头位置、速度和实际制动力，Fi,des为t时刻第i辆车的期望制动力，τ是一阶惯性延迟的时间常数。
3.根据权利要求2所述的基于车车通信的多车分布式协同避撞方法，其特征在于：所述步骤4中模型的目标函数如下：取N为制动车辆队列中的车辆总数，各辆车的序号由前往后依次为0，1，2，…，N，mi为第i辆车的质量，vi(t)为t时刻第i辆车的速度；
基于以上假设，定义t时刻第i-1辆车与第i辆车之间的相对动能Ji(t)为：
Figure FDA0002543848260000021
基于相对动能的定义，定义t时刻制动车辆队列的总相对动能J(t)为：
Figure FDA0002543848260000022
4.根据权利要求3所述的基于车车通信的多车分布式协同避撞方法，其特征在于：所述步骤4中车辆期望制动力的约束条件如下：
Fi,min≤Fi,des(t)≤Fi,max
其中，Fi,min和Fi,max分别为第i辆车的最小和最大制动力。
5.根据权利要求4所述的基于车车通信的多车分布式协同避撞方法，其特征在于：所述步骤4中，以车辆队列总相对动能最小为优化目标，利用提出的分布式协同避撞策略优化求解各车期望加速度的具体步骤如下：
步骤41，结合目标函数和约束条件，可得基于总相对动能最小的协同避撞策略对应的优化问题；
步骤42，对步骤41中获得的问题进行离散化，进行数值求解；
步骤43，再将离散化的优化问题转化为一个分布式QP问题；
步骤44，将车辆队列总相对动能最小问题分解成关于每辆车相对动能最小的N个子问题；
步骤45，通过分布式优化求解算法求解各车期望加速度。
6.一种应用权利要求1至5任意一项所述方法的装置，其特征在于：包括：
感知单元：实现对自车和他车运动状态信息、车辆属性信息的采集；
通信单元：基于车车通信条件，可以发送和接收车辆状态信息；
决策单元：用于进行车载计算，输入车辆状态信息后计算出期望加速度；
控制执行单元：接收决策单元输出的期望加速度后，通过期望的控制量对车辆进行纵向控制，实现多车协同纵向避撞。
7.根据权利要求6所述的装置，其特征在于：所述感知单元包括感知邻居车辆状态信息的环境感知模块以及感知自车状态的状态观测器。
8.根据权利要求6或7所述的装置，其特征在于：所述决策单元中，将各车车辆状态信息作为车载计算模块的输入量，则输出量为各车的期望加速度。
9.根据权利要求6或7所述的装置，其特征在于：所述控制执行单元的执行结构包括发动机转矩控制、电子加速/制动输入量控制。
CN202010554836.1A 2020-06-17 2020-06-17 一种基于车车通信的多车分布式协同避撞方法及装置 Active CN111703418B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010554836.1A CN111703418B (zh) 2020-06-17 2020-06-17 一种基于车车通信的多车分布式协同避撞方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010554836.1A CN111703418B (zh) 2020-06-17 2020-06-17 一种基于车车通信的多车分布式协同避撞方法及装置

Publications (2)

Publication Number Publication Date
CN111703418A true CN111703418A (zh) 2020-09-25
CN111703418B CN111703418B (zh) 2022-09-16

Family

ID=72541132

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010554836.1A Active CN111703418B (zh) 2020-06-17 2020-06-17 一种基于车车通信的多车分布式协同避撞方法及装置

Country Status (1)

Country Link
CN (1) CN111703418B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112590871A (zh) * 2020-12-23 2021-04-02 交控科技股份有限公司 列车安全防护方法、装置和系统
CN113327457A (zh) * 2021-06-04 2021-08-31 中山大学 一种基于车路协同技术的车辆避碰系统及方法
CN114489067A (zh) * 2022-01-21 2022-05-13 东南大学 智能网联车辆队列协同驾驶模型预测控制方法
CN115131959A (zh) * 2022-04-09 2022-09-30 哈尔滨工业大学（威海） 车辆队列防追尾主动避撞协同控制方法
CN115285120A (zh) * 2022-07-07 2022-11-04 东南大学 一种基于模型预测控制的车辆跟随分层式控制系统及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130325306A1 (en) * 2012-06-01 2013-12-05 Toyota Motor Eng. & Mftg. N. America, Inc. (TEMA) Cooperative driving and collision avoidance by distributed receding horizon control
CN105313891A (zh) * 2015-10-22 2016-02-10 清华大学 一种多车协同避撞方法及装置
CN105679093A (zh) * 2016-02-23 2016-06-15 江苏大学 一种基于车车通信的多车协同避撞系统及其方法
CN105774800A (zh) * 2016-03-28 2016-07-20 清华大学 一种混合车辆队列中车辆间的碰撞缓解方法及装置
CN110329257A (zh) * 2019-06-24 2019-10-15 武汉理工大学 一种基于车-车通信的多车列队纵向控制方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130325306A1 (en) * 2012-06-01 2013-12-05 Toyota Motor Eng. & Mftg. N. America, Inc. (TEMA) Cooperative driving and collision avoidance by distributed receding horizon control
CN105313891A (zh) * 2015-10-22 2016-02-10 清华大学 一种多车协同避撞方法及装置
CN105679093A (zh) * 2016-02-23 2016-06-15 江苏大学 一种基于车车通信的多车协同避撞系统及其方法
CN105774800A (zh) * 2016-03-28 2016-07-20 清华大学 一种混合车辆队列中车辆间的碰撞缓解方法及装置
CN110329257A (zh) * 2019-06-24 2019-10-15 武汉理工大学 一种基于车-车通信的多车列队纵向控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈柯: "基于车联网的高速追尾预警系统研究", 《中国优秀硕士学位论文全文数据库》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112590871A (zh) * 2020-12-23 2021-04-02 交控科技股份有限公司 列车安全防护方法、装置和系统
CN112590871B (zh) * 2020-12-23 2022-09-02 交控科技股份有限公司 列车安全防护方法、装置和系统
CN113327457A (zh) * 2021-06-04 2021-08-31 中山大学 一种基于车路协同技术的车辆避碰系统及方法
CN114489067A (zh) * 2022-01-21 2022-05-13 东南大学 智能网联车辆队列协同驾驶模型预测控制方法
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
CN115131959A (zh) * 2022-04-09 2022-09-30 哈尔滨工业大学（威海） 车辆队列防追尾主动避撞协同控制方法
CN115285120A (zh) * 2022-07-07 2022-11-04 东南大学 一种基于模型预测控制的车辆跟随分层式控制系统及方法
CN115285120B (zh) * 2022-07-07 2023-08-18 东南大学 一种基于模型预测控制的车辆跟随分层式控制系统及方法

Also Published As

Publication number Publication date
CN111703418B (zh) 2022-09-16

Similar Documents

Publication Publication Date Title
CN111703418B (zh) 一种基于车车通信的多车分布式协同避撞方法及装置
Wen et al. Event-triggered cooperative control of vehicle platoons in vehicular ad hoc networks
CN113788021B (zh) 一种结合前车速度预测的自适应跟车巡航控制方法
CN108973998B (zh) 一种基于mpc的异质车辆队列分布式节能控制方法
CN110794851B (zh) 车辆远程控制安全防护方法、装置和无人驾驶车辆
US8660723B2 (en) Method for determining run-curves for vehicles in real-time subject to dynamic travel time and speed limit constraint
CN111462481A (zh) 包含多功能无人车的云大脑智能交通系统
JP2019537414A (ja) 車両制動エネルギー回収方法および装置
CN105774800A (zh) 一种混合车辆队列中车辆间的碰撞缓解方法及装置
CN111443714B (zh) 一种严格避撞的车辆队列分布式鲁棒控制方法及系统
CN110435655B (zh) 一种考虑再生制动的电动汽车车队自适应巡航优化方法
CN111332283A (zh) 用于控制机动车的方法和系统
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
CN109941211A (zh) 一种汽车智能驾驶系统结构共用型架构及构建方法
CN115662131B (zh) 网联环境下道路事故路段的多车道协同换道方法
CN108919799B (zh) 一种网联智能车辆协作换道方法
CN113642177A (zh) 数字孪生虚实多车混行仿真方法及装置
Zhang et al. Predictive eco-driving application considering real-world traffic flow
CN107478238A (zh) 一种新能源汽车无人驾驶系统及控制方法
CN113112022A (zh) 智能汽车队列人-车-路系统多智能体联合建模方法
CN110723207B (zh) 基于模型重构的智能汽车模型预测转向控制器及其控制方法
Cao et al. Analysis and synthesis of cooperative adaptive cruise control against the hetero-integration poly-net loop delays
CN113635900B (zh) 一种预测巡航过程中基于能量管理的换道决策控制方法
CN113327457B (zh) 一种基于车路协同技术的车辆避碰系统及方法
CN109977148A (zh) 一种基于端云协同的驾驶激情指数识别装置和识别方法

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