CN112590789B - 一种电动汽车自适应巡航控制方法 - Google Patents

Abstract

本发明公开了一种电动汽车自适应巡航控制方法，其包括以下步骤：采用多遗忘因子递推最小二乘算法估算滑行加速度；建立前车和本车的运动状态预测模型；基于步骤一估算的滑行加速度和步骤二建立的两车运动状态预测模型，设计自适应巡航上层控制器；根据车辆逆纵向动力学模型设计自适应巡航下层控制器。本发明通过多遗忘因子递推最小二乘算法在线估算滑行加速度，并将估算的滑行加速度引入基于模型预测控制理论建立的上层控制器中，在满足车辆跟随性、安全性和经济性的同时，以加速度波动和驱动制动切换频率最小作为舒适性目标，可显著降低自适应巡航控制过程中的驱动制动切换频率，提升整车舒适性。

Description

一种电动汽车自适应巡航控制方法

技术领域

本发明属于智能驾驶辅助技术领域，具体涉及一种电动汽车自适应巡航控制方法。

背景技术

自适应巡航控制(ACC)系统是在传统的巡航控制系统的基础上结合安全车距保持系统演化而来。通过位于车身前部的雷达传感器检测在雷达的可视范围内是否存在前车，当道路前方无车辆时，ACC系统会按照事先设定的速度行驶，一旦车载传感器检测到前方有车辆时，ACC系统通过调整本车车速，使之与前车保持一个安全的跟车间距。该系统设计的目的旨在减少因驾驶员的错误操作引发的交通事故，提高行驶安全性、乘坐舒适性等。

目前电动汽车ACC系统设计时主要针对安全性、经济性以及跟车性三大目标进行优化，对舒适性的研究较少，尤其是没有考虑汽车驱动、制动频繁切换造成的一系列问题，诸如乘坐舒适性降低、能耗增加以及机械寿命减少等。因此本发明提出一种考虑驱动制动切换优化的电动汽车自适应巡航控制方法，旨在改善电动汽车自适应巡航系统的舒适性和经济型。

发明内容

针对上述问题，本发明提供了一种考虑驱动制动切换优化的电动汽车自适应巡航控制方法，采用分层的控制策略：上层控制根据前车以及本车当前的状态，综合考虑车辆行驶过程中的多个目标决策出期望的纵向加速度，下层控制通过逆推的方法实现对期望纵向加速度的跟踪。

本发明是采用如下技术方案实现的：

一种考虑驱动制动切换优化的电动汽车自适应巡航控制方法，其包括以下步骤：

步骤一、采用多遗忘因子递推最小二乘算法估算滑行加速度；

步骤二、建立前车和本车的运动状态预测模型；

步骤三、基于步骤一估算的滑行加速度和步骤二建立的两车运动状态预测模型，设计自适应巡航上层控制器；上层控制器采用模型预测控制算法建立，以车辆跟随性、安全性、经济性和舒适性为优化指标，决策出期望的纵向加速度；

步骤四、根据车辆逆纵向动力学模型设计自适应巡航下层控制器，下层控制器输入为步骤一估算的滑行加速度和步骤三计算的期望加速度，期望加速度通过车辆逆纵向动力学模型转变为期望的电机驱动力矩或期望的制动力，完成对期望加速度的精确控制。

更进一步地，所述步骤一的滑行加速度估算过程具体包括以下步骤：

1)建立滑行加速度估算的数学模型：

式中：m为汽车质量；f为滚动阻力系数；β为路面坡度；ρ为空气密度；C_d为空气阻力系数；S为车辆迎风面积；v_h为本车车速；v_wind为纵向风速；δ为旋转质量换算系数；a_s为滑行加速度；A是二次项系数；B是一次项系数；C为常数项系数；

2)计算等效滑行加速度：

驱动和制动过程的等效滑行加速度如下：

式中：a_esd(k)、a_esb(k)为k时刻车辆驱动、制动等效滑行加速度；a_h(k)为k时刻本车加速度；a_d(k)、a_b(k)为k时刻驱动力和制动力单独作用下产生的车辆加速度；T_d(k)、T_b(k)为k时刻电机驱动和制动力矩；i_t为车辆传动比；η为传动效率；r_w为车轮滚动半径；D_f、D_r为前后轴轮缸直径；p_f(k)、p_r(k)为k时刻前后轴轮缸压力；R_f、R_r为前后轮有效作用半径；K_bf、K_br为前后轴制动效能因数；

将驱动过程和制动过程的等效滑行加速度统一为等效滑行加速度，代入滑行加速度估算的数学模型，可得：

a_es(k)-Av_h(k)²＝Bv_h(k)+C

式中：a_es(k)为k时刻车辆等效滑行加速度；v_h(k)为k时刻本车车速；

3)采用多遗忘因子递推最小二乘算法估算参数B和C：

在递推最小二乘算法中，测量值和系统参数间有如下关系：

式中：m(k)为测量值；

为系数矩阵；θ(k)为待估计参数；

将遗忘因子引入递推最小二乘算法，选取测量值与估计值之间的残差平方和，建立适应度函数如下:

式中：λ₁、λ₂分别为系统估计参数

和

的遗忘因子；

为了确定参数估计值，使适应度函数最小化，分别令

和

可得：

式中：L₁(k)、L₂(k)为增益矩阵；P₁(k)、P₂(k)为协方差矩阵。

更进一步地，所述步骤二的预测模型建立过程具体包括以下步骤：

1)建立前车预测模型：

假设前车在k时刻保持匀加速行驶，则前车k+i时刻的离散预测模型可表示为:

式中：s_f(k),v_f(k),a_f(k)分别为前车k时刻的实际行驶距离、车速和加速度；s_f(k+i|k)，v_f(k+i|k)，a_f(k+i|k)分别为预测前车k+i时刻的行驶距离、车速和加速度；T_s为采样时间间隔；i∈[1,P]，P为预测时域；

2)建立本车预测模型：

由于车辆传动系统具有时滞性，可用一阶惯性环节描述本车的加速度响应特性：

式中：a_h为本车实际加速度；a_u为期望加速度；K为系统增益；T_g为时间常数；

选取本车行驶距离s_h、车速v_h和加速度a_h作为状态变量x_h，即x_h＝[s_h v_h a_h]^T；期望加速度a_u为系统输入，建立主车预测模型如下:

将上述状态空间方程进行离散化，可得下式：

式中：x_h(k+1|k)为k时刻模型预测k+1时刻的本车运动状态。

更进一步地，所述步骤三的上层控制器设计过程具体包括以下步骤：

1)提出优化问题：

ACC控制系统设计时，主要考虑舒适性、跟随性、经济性和安全性四项性能指标的优化，在模型预测控制的框架下，ACC系统的控制可以总结成如下的优化问题：

minJ(a_u(k|k),…,a_u(k+p-1|k))

其中，

l_ce(k+i|k)＝w_ξ(ξ(k+i|k)-ξ(k+i-1|k))²+w_a(a_u(k+i|k))²

l_track(k+i|k)＝w_Δd(Δd(k+i|k))²+w_Δv(Δv(k+i|k))²

式中：l_ce(k+i|k)为k+i时刻经济舒适性综合指标；w_ξ为驱动制动切换权重；w_a为加速度权重；ξ(k)为驱动制动状态，1代表驱动状态，0代表制动状态；l_track(k+i|k)为k+i时刻跟随性指标；Δd(k+i|k)为k+i时刻距离跟随误差；Δv(k+i|k)为k+i时刻速度跟随误差；w_Δd为距离误差权重；w_Δv为速度误差权重；d_des(k+i|k)为k+i时刻期望跟随距离；τ为车间时距；d₀为最小安全车距；Δd_max为距离误差上限；Δv_min和Δv_max分别为速度误差的上下限；

2)求解优化问题：

对步骤1)提出的优化问题进行整理，其可转化为：

minJ(a_u(k|k),…,a_u(k+p-1|k))

s.t.A_r(k+i|k)x_h(k+i|k)≤B_r(k+i|k)

其中，

上述方程可采用内点法进行求解，求解的第一个分量输入给下层控制器，然后进入下一个采样周期的预测与优化求解。

更进一步地，所述步骤四的下层控制器设计过程具体包括以下步骤：

1)判定驱动制动状态：

若步骤三求得的期望加速度a_u(k)大于或等于步骤一估算的滑行加速度a_s(k)，则ACC系统进入驱动状态，系统将期望加速度转化为期望的电机驱动力矩，输出给电机控制器，完成对期望加速度的精确控制，其中期望加速度与期望电机驱动力矩的转化由步骤2)完成；

若步骤三求得的期望加速度a_u(k)小于步骤一估算的滑行加速度a_s(k)，则ACC系统进入制动状态，系统将期望加速度转化为期望的车辆制动力，输出给制动控制器，完成对期望加速度的精确控制，其中期望加速度与期望制动力的转化由步骤3)完成；

2)加速度与电机驱动力矩的转化：

当ACC系统进入驱动状态时，根据车辆逆纵向动力学模型，可得期望加速度与电机驱动力矩间存在如下关系：

根据上式可得电机驱动力矩T_d为：

3)加速度与车辆制动力的转化：

当ACC系统进入制动状态时，根据车辆逆纵向动力学模型，可得期望加速度与车辆制动力间存在如下关系：

根据上式可得车辆制动力F_b为：

F_b＝-(a_u-a_s)δm

获得期望制动力后，制动控制器可根据制动力分配策略将期望制动力转化为制动压力和电机制动力矩，实现制动工况的减速控制。

与现有技术相比本发明的有益效果是：

1.本发明通过多遗忘因子递推最小二乘算法在线估算滑行加速度，并将估算的滑行加速度引入基于模型预测控制理论建立的上层控制器中，在满足车辆跟随性、安全性和经济性的同时，以加速度波动和驱动制动切换频率最小作为舒适性目标，可显著降低自适应巡航控制过程中的驱动制动切换频率，提升整车舒适性。

2.本发明采用的分层结构的设计思想上下层功能集中且控制目标明确，模块间只传递必要的有限信号且互不影响，利于对系统的调试并在一定程度上能提高系统的鲁棒性及可靠性。

附图说明

图1是本发明所述的一种电动汽车自适应巡航控制方法的流程示意图。

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阐述。

结合图1，本发明提供了一种电动汽车自适应巡航控制方法，其步骤为：

步骤一、采用多遗忘因子递推最小二乘算法估算滑行加速度。滑行加速度估算的具体步骤如下：

1)建立滑行加速度估算的数学模型

根据汽车行驶方程式，可建立滑行加速度估算的数学模型,如下式所示：

式中：m为汽车质量；f为滚动阻力系数；β为路面坡度；ρ为空气密度；C_d为空气阻力系数；S为车辆迎风面积；v_h为本车车速；v_wind为纵向风速；δ为旋转质量换算系数；a_s为滑行加速度；A是二次项系数，与车辆设计参数相关；B是一次项系数，与外界风速和车辆设计参数相关；C为常数项系数，与风速、车辆设计参数和道路状况相关。因此，对于特定电动车，A为固定值，B和C为时变值。如果能实时估计出B和C的值，则任何车速下的滑行加速度都能被准确估算。

2)计算等效滑行加速度

车辆行驶过程中，驱动系统和制动系统需要实时工作，车辆不能完全进入滑行状态来获得滑行加速度，这给滑行加速度估算带来很大困难。为了消除驱动和制动系统的影响，引入等效滑行加速度概念，即去除驱动和制动系统影响后车辆的滑行加速度。

根据车辆驱动力与行驶阻力平衡方程，可得驱动和制动过程的等效滑行加速度如下：

式中：a_esd(k)、a_esb(k)为k时刻车辆驱动、制动等效滑行加速度；a_h(k)为k时刻本车加速度；a_d(k)、a_b(k)为k时刻驱动力和制动力单独作用下产生的车辆加速度；T_d(k)、T_b(k)为k时刻电机驱动和制动力矩；i_t为车辆传动比；η为传动效率；r_w为车轮滚动半径；D_f、D_r为前后轴轮缸直径；p_f(k)、p_r(k)为k时刻前后轴轮缸压力；R_f、R_r为前后轮有效作用半径；K_bf、K_br为前后轴制动效能因数。

将驱动过程和制动过程的等效滑行加速度统一为等效滑行加速度，代入滑行加速度估算的数学模型，可得：

a_es(k)-Av_h(k)²＝Bv_h(k)+C

式中：a_es(k)为k时刻车辆等效滑行加速度；v_h(k)为k时刻本车车速。

3)采用多遗忘因子递推最小二乘算法估算参数B和C

获得等效滑行加速度后，通过建立模型结果与实际结果之间的误差函数，以误差函数最小为目标，可对数学模型中的未知参数B和C进行连续估计。

在递推最小二乘算法中，测量值和系统参数间有如下关系：

式中：m(k)为测量值；

为系数矩阵；θ(k)为待估计参数。

将遗忘因子引入递推最小二乘算法，选取测量值与估计值之间的残差平方和，建立适应度函数如下:

式中：λ₁、λ₂分别为系统估计参数

和

的遗忘因子。

为了确定参数估计值，使适应度函数最小化，分别令

和

可得：

式中：L₁(k)、L₂(k)为增益矩阵；P₁(k)、P₂(k)为协方差矩阵。

步骤二、建立前车和本车的运动状态预测模型。该过程的具体步骤如下：

1)建立前车预测模型

由于模型预测控制算法具有在线滚动优化的特点，对运算效率要求较高，因此应尽量简化预测模型。假设前车在k时刻保持匀加速行驶，则前车k+i时刻的离散预测模型可表示为:

式中：s_f(k),v_f(k),a_f(k)分别为前车k时刻的实际行驶距离、车速和加速度；s_f(k+i|k)，v_f(k+i|k)，a_f(k+i|k)分别为预测前车k+i时刻的行驶距离、车速和加速度；T_s为采样时间间隔；i∈[1,P]，P为预测时域。

2)建立本车预测模型

由于车辆传动系统具有时滞性，可用一阶惯性环节描述本车的加速度响应特性：

式中：a_h为本车实际加速度；a_u为期望加速度；K为系统增益；T_g为时间常数。

选取本车行驶距离s_h、车速v_h和加速度a_h作为状态变量x_h，即x_h＝[s_h v_h a_h]^T；期望加速度a_u为系统输入，建立主车预测模型如下:

将上述状态空间方程进行离散化，可得下式：

式中：x_h(k+1|k)为k时刻模型预测k+1时刻的本车运动状态。

步骤三、基于步骤一估算的滑行加速度和步骤二建立的两车运动状态预测模型，设计自适应巡航上层控制器；上层控制器采用模型预测控制算法建立，以车辆跟随性、安全性、经济性和舒适性为优化指标，决策出期望的纵向加速度。该设计过程的具体步骤如下：

1)提出优化问题

ACC控制系统设计时，主要考虑舒适性、跟随性、经济性和安全性四项性能指标的优化。

首先，对于乘坐舒适性和经济性的要求，在汽车行驶过程中，乘坐舒适性与车辆的纵向加速度和驱动制动切换频率有关，加速度绝对值和驱动制动切换频率越小，则乘坐舒适性就越高，同时平滑的动态响应曲线也有利于经济性的提高。因此经济舒适性指标可表示为：

l_ce(k+i|k)＝w_ξ(ξ(k+i|k)-ξ(k+i-1|k))²+w_a(a_u(k+i|k))²

式中：l_ce(k+i|k)为k+i时刻经济舒适性综合指标；w_ξ为驱动制动切换权重；w_a为加速度权重；ξ(k)为驱动制动状态，1代表驱动状态，0代表制动状态。

其次，对于跟随性要求，ACC系统需要稳定地跟随前车，包括速度跟随和距离跟随。选取速度误差和距离误差作为跟随指标，跟随指标计算如下:

l_track(k+i|k)＝w_Δd(Δd(k+i|k))²+w_Δv(Δv(k+i|k))²

式中：l_track(k+i|k)为k+i时刻跟随性指标；Δd(k+i|k)为k+i时刻距离跟随误差；Δv(k+i|k)为k+i时刻速度跟随误差；w_Δd为距离误差权重；w_Δv为速度误差权重；d_des(k+i|k)为k+i时刻期望跟随距离，由定时距车间距算法求得；τ为车间时距；d₀为最小安全车距。

最后，对于安全性要求，为避免两车相撞风险，本车应与前车保持安全的车距。同时，车辆跟踪过程中的速度误差应控制在合理的范围内。因此，k+i时刻的车速误差和车间距误差应满足如下约束：

式中：Δd_max为距离误差上限；Δv_min和Δv_max分别为速度误差的上下限。

结合舒适性、经济性和跟随性指标，设计成本函数如下：

综上所述，在模型预测控制的框架下，ACC系统的控制可以总结成如下的优化问题：

minJ(a_u(k|k),…,a_u(k+p-1|k))

2)求解优化问题

对步骤1)提出的优化问题进行整理，其可转化为：

minJ(a_u(k|k),…,a_u(k+p-1|k))

s.t.A_r(k+i|k)x_h(k+i|k)≤B_r(k+i|k)

其中，

上述方程可采用内点法进行求解，求解的第一个分量输入给下层控制器，然后进入下一个采样周期的预测与优化求解。

步骤四、根据车辆逆纵向动力学模型设计自适应巡航下层控制器，下层控制器输入为步骤一估算的滑行加速度和步骤三计算的期望加速度，期望加速度通过车辆逆纵向动力学模型转变为期望的电机驱动力矩或期望的制动力，完成对期望加速度的精确控制。该设计过程的具体步骤如下：

1)判定驱动制动状态

若步骤三求得的期望加速度a_u(k)大于或等于步骤一估算的滑行加速度a_s(k)，则ACC系统进入驱动状态，系统将期望加速度转化为期望的电机驱动力矩，输出给电机控制器，完成对期望加速度的精确控制，其中期望加速度与期望电机驱动力矩的转化由步骤2)完成；

若步骤三求得的期望加速度a_u(k)小于步骤一估算的滑行加速度a_s(k)，则ACC系统进入制动状态，系统将期望加速度转化为期望的车辆制动力，输出给制动控制器，完成对期望加速度的精确控制，其中期望加速度与期望制动力的转化由步骤3)完成。

2)加速度与电机驱动力矩的转化

当ACC系统进入驱动状态时，根据车辆逆纵向动力学模型，可得期望加速度与电机驱动力矩间存在如下关系：

根据上式可得电机驱动力矩T_d为：

3)加速度与车辆制动力的转化

当ACC系统进入制动状态时，根据车辆逆纵向动力学模型，可得期望加速度与车辆制动力间存在如下关系：

根据上式可得车辆制动力F_b为：

F_b＝-(a_u-a_s)δm

获得期望制动力后，制动控制器可根据制动力分配策略将期望制动力转化为制动压力和电机制动力矩，实现制动工况的减速控制。

以上通过对所列实施方式的介绍，阐述了本发明的基本构思和基本原理。但本发明绝不限于上述所列实施方式。凡是基于本发明的技术方案所作的等同变化、改进及故意变劣行为，均应属于本发明的保护范围。

Claims (3)

1.一种电动汽车自适应巡航控制方法，其特征在于，包括以下步骤：

步骤一、采用多遗忘因子递推最小二乘算法估算滑行加速度；所述滑行加速度估算过程具体包括以下步骤：

1)建立滑行加速度估算的数学模型：

m为汽车质量；g为重力加速度；f为滚动阻力系数；β为路面坡度；ρ为空气密度；C_d为空气阻力系数；S为车辆迎风面积；v_h为本车车速；v_wind为纵向风速；δ为旋转质量换算系数；a_s为滑行加速度；A是二次项系数；B是一次项系数；C为常数项系数；

2)计算等效滑行加速度：

驱动和制动过程的等效滑行加速度如下：

a_esd(k)、a_esb(k)为k时刻车辆驱动、制动等效滑行加速度；a_h(k)为k时刻本车加速度；a_d(k)、a_b(k)为k时刻驱动力和制动力单独作用下产生的车辆加速度；T_d(k)、T_b(k)为k时刻电机驱动和制动力矩；i_t为车辆传动比；η为传动效率；r_w为车轮滚动半径；D_f、D_r为前后轴轮缸直径；p_f(k)、p_r(k)为k时刻前后轴轮缸压力；R_f、R_r为前后轮有效作用半径；K_bf、K_br为前后轴制动效能因数；

将驱动过程和制动过程的等效滑行加速度统一为等效滑行加速度，代入滑行加速度估算的数学模型，可得：

a_es(k)-Av_h(k)²＝Bv_h(k)+C

a_es(k)为k时刻车辆等效滑行加速度；v_h(k)为k时刻本车车速；

3)采用多遗忘因子递推最小二乘算法估算参数B和C：

在递推最小二乘算法中，测量值和系统参数间有如下关系：

m(k)为测量值；

为系数矩阵；

为

的第一系数；

为

的第二系数；θ(k)为待估计参数矩阵；θ₁(k)为θ(k)的第一待估计参数；θ₂(k)为θ(k)的第二待估计参数；

将遗忘因子引入递推最小二乘算法，选取测量值与估计值之间的残差平方和，建立适应度函数如下:

为适应度函数；λ₁、λ₂分别为系统估计参数

和

的遗忘因子；

为i时刻

第一系数的值；

为i时刻

第二系数的值；θ₁(i)为i时刻θ(k)第一系数的值；θ₁(i)为i时刻θ(k)第二系数的值；

为了确定参数估计值，使适应度函数最小化，分别令

和

可得：

L₁(k)、L₂(k)为增益矩阵；P₁(k)、P₂(k)为协方差矩阵；

步骤二、建立前车和本车的运动状态预测模型；

步骤三、基于步骤一估算的滑行加速度和步骤二建立的两车运动状态预测模型，设计自适应巡航上层控制器；上层控制器采用模型预测控制算法建立，以车辆跟随性、安全性、经济性和舒适性为优化指标，决策出期望的纵向加速度；所述上层控制器设计过程具体包括以下步骤：

1)提出优化问题：

ACC控制系统设计时，主要考虑舒适性、跟随性、经济性和安全性四项性能指标的优化，在模型预测控制的框架下，ACC系统的控制总结成如下的优化问题：

minJ(a_u(k|k),…,a_u(k+p-1|k))

s.t.

其中，

l_track(k+i|k)＝w_Δd(Δd(k+i|k))²+w_Δv(Δv(k+i|k))²

J(a_u(k|k),…,a_u(k+p-1|k))为优化问题的成本函数；a_u(k)为本车k时刻的期望加速度；a_u(k+p-1)为本车k+p-1时刻的期望加速度；l_ce(k+i|k)为k+i时刻经济舒适性综合指标；w_ξ为驱动制动切换权重；w_a为加速度权重；ξ(k)为驱动制动状态，1代表驱动状态，0代表制动状态；ξ(k+i|k)为本车k+i时刻的驱动制动状态；ξ(k+i-1|k)为本车k+i-1时刻的驱动制动状态；a_s(v_h(k))为本车车速为v_h(k)时的滑行加速度，v_h(k)为本车k时刻的车速；l_track(k+i|k)为k+i时刻跟随性指标；Δd(k+i|k)为k+i时刻距离跟随误差；s_f(k+i|k)为前车k+i时刻的行驶距离；s_h(k+i|k)为本车k+i时刻的行驶距离；Δv(k+i|k)为k+i时刻速度跟随误差；v_f(k+i|k)为前车k+i时刻的车速；v_h(k+i|k)为本车k+i时刻的车速；w_Δd为距离误差权重；w_Δv为速度误差权重；d_des(k+i|k)为k+i时刻期望跟随距离；τ为车间时距；d₀为最小安全车距；Δd_max为距离误差上限；Δv_min和Δv_max分别为速度误差的上下限；

2)求解优化问题：

对步骤1)提出的优化问题进行整理，其可转化为：

min J(a_u(k|k),…,a_u(k+p-1|k))

s.t.A_r(k+i|k)x_h(k+i|k)≤B_r(k+i|k)

x_h(k+i|k)为系统k+i时刻的状态变量；

上述方程可采用内点法进行求解，求解的第一个分量输入给下层控制器，然后进入下一个采样周期的预测与优化求解；

步骤四、根据车辆逆纵向动力学模型设计自适应巡航下层控制器，下层控制器输入为步骤一估算的滑行加速度和步骤三计算的期望加速度，期望加速度通过车辆逆纵向动力学模型转变为期望的电机驱动力矩或期望的制动力，完成对期望加速度的精确控制。

2.根据权利要求1所述的一种电动汽车自适应巡航控制方法，其特征在于，所述步骤二的预测模型建立过程具体包括以下步骤：

1)建立前车预测模型：

假设前车在k时刻保持匀加速行驶，则前车k+i时刻的离散预测模型可表示为:

s_f(k),v_f(k),a_f(k)分别为前车k时刻的实际行驶距离、车速和加速度；s_f(k+i|k)，v_f(k+i|k)，a_f(k+i|k)分别为预测前车k+i时刻的行驶距离、车速和加速度；T_s为采样时间间隔；i∈[1,P]，P为预测时域；

2)建立本车预测模型：

由于车辆传动系统具有时滞性，可用一阶惯性环节描述本车的加速度响应特性：

a_h为本车实际加速度；a_u为期望加速度；K为系统增益；T_g为时间常数；

选取本车行驶距离s_h、车速v_h和加速度a_h作为状态变量x_h，即x_h＝[s_h v_h a_h]^T；期望加速度a_u为系统输入，建立主车预测模型如下:

将上述状态空间方程进行离散化，可得下式：

x_h(k+1|k)为k时刻模型预测k+1时刻的本车运动状态。

3.根据权利要求1所述的一种电动汽车自适应巡航控制方法，其特征在于，所述步骤四的下层控制器设计过程具体包括以下步骤：

1)判定驱动制动状态：

若步骤三求得的期望加速度a_u(k)大于或等于步骤一估算的滑行加速度a_s(k)，则ACC系统进入驱动状态，系统将期望加速度转化为期望的电机驱动力矩，输出给电机控制器，完成对期望加速度的精确控制，其中期望加速度与期望电机驱动力矩的转化由步骤2)完成；

若步骤三求得的期望加速度a_u(k)小于步骤一估算的滑行加速度a_s(k)，则ACC系统进入制动状态，系统将期望加速度转化为期望的车辆制动力，输出给制动控制器，完成对期望加速度的精确控制，其中期望加速度与期望制动力的转化由步骤3)完成；

2)加速度与电机驱动力矩的转化：

当ACC系统进入驱动状态时，根据车辆逆纵向动力学模型，可得期望加速度与电机驱动力矩间存在如下关系：

T_d为电机驱动力矩；i_t为车辆传动比；η为传动效率；δ为旋转质量换算系数；m为汽车质量；r_w为车轮滚动半径；

根据上式可得电机驱动力矩T_d为：

3)加速度与车辆制动力的转化：

当ACC系统进入制动状态时，根据车辆逆纵向动力学模型，可得期望加速度与车辆制动力间存在如下关系：

根据上式可得车辆制动力F_b为：

F_b＝-(a_u-a_s)δm

获得期望制动力后，制动控制器可根据制动力分配策略将期望制动力转化为制动压力和电机制动力矩，实现制动工况的减速控制。

Images