CN112606825B - 考虑通信时延的智能网联汽车的鲁棒模型预测控制器 - Google Patents
考虑通信时延的智能网联汽车的鲁棒模型预测控制器 Download PDFInfo
- Publication number
- CN112606825B CN112606825B CN202011589367.3A CN202011589367A CN112606825B CN 112606825 B CN112606825 B CN 112606825B CN 202011589367 A CN202011589367 A CN 202011589367A CN 112606825 B CN112606825 B CN 112606825B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- representing
- model
- control
- optimization
- 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.)
- Active
Links
- 238000004891 communication Methods 0.000 title claims abstract description 24
- 230000006855 networking Effects 0.000 title abstract description 10
- 239000000446 fuel Substances 0.000 claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000013459 approach Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 230000000052 comparative effect Effects 0.000 claims 1
- 238000013461 design Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0062—Adapting control system settings
- B60W2050/0075—Automatic parameter input, automatic initialising or calibrating means
-
- 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
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
- B60W2556/65—Data transmitted between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种考虑通信时延的智能网联汽车的鲁棒模型预测控制器,包括如下步骤:构建车辆动力学模型,依据交通流畅性、安全性和燃油经济性的综合优化,构造二次优化性能指标,为使得闭环系统渐进稳定,设计状态反馈控制律。本发明在智能网联的环境下,车辆可通过V2V、V2I通信获得其他车辆的位置、速度、加速度等信息,以及交通信号信息,为解决存在通信时延的情况下车队通过城市信号灯交叉口的多车协同优化问题,首先建立单车道上车队的离散时滞模型,以燃油经济性、交通流畅性和安全性为优化目标,然后利用线性矩阵不等式技术和min‑max模型预测控制方法,求解鲁棒模型预测控制器,保证系统的鲁棒稳定以及对目标性能的优化。
Description
技术领域
本发明涉及智能网联技术领域,尤其涉及一种考虑通信时延的智能网联汽车的鲁棒模型预测控制器。
背景技术
智能网联汽车是智能车和网联车的结合,能为人们带来更加安全、节能、环保和便捷的交通体验,是现阶段国际上广泛认可的未来发展方向,智能网联汽车的研究已成为不可避免的大趋势,在智能网联的环境下,车辆可与其他车辆通过V2V通信交换位置、速度、加速度等信息,也可与路测单元通过V2I通信,获取交通信号等信息。
在城市交通环境下,路口处出于安全考虑设置的交通信号灯会导致交通流的频繁中断,当遇到信号变化时,移动车辆被迫加速或减速,这样的驾驶行为无疑会导致油耗的增加,于燃油经济性不利,Kamal等通过当前道路和交通信息,提出了一种交通预测框架,使用模型预测控制计算最优控制输入,提高了燃油经济性,Baisravan等提出了一种适用于城市拥堵交通环境下的燃油经济性的控制策略,并进一步提出了一种快速模型预测控制策略,减少了计算时间。
然而,大部分研究均是在理想环境中,没有考虑到系统的各种不确定性,而真实环境里在网联化环境下通信时延是固有存在的,可能导致CAV的控制性能下降,甚至会危害到行车安全,在现有的考虑通信时延的研究中,主要的研究场景还是基本的车队巡航控制,考虑的只是车辆的跟踪性能,很少考虑到对车队燃油经济性和交通流畅性的优化。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的一个目的在于提出一种考虑通信时延的智能网联汽车的鲁棒模型预测控制器,能够保证车队的安全,并且提高燃油经济性和交通流畅性。
根据本发明实施例的一种考虑通信时延的智能网联汽车的鲁棒模型预测控制器,包括如下步骤:
S1、构建车辆动力学模型,所述车辆动力学模型为:
xi(k+1)=A(k)xi(k)+Ad(k)xi(k-1)+Bui(k)+B1w'+fi(xi(k),xi(k-1))
其中xi表示第i辆车的状态变量,A、Ad表示具有凸多面体不确定性的系统矩阵,B表示控制变量系数,ui表示控制变量即第i辆车的加速度,fi表示非线性扰动;
S2:依据交通流畅性、安全性和燃油经济性的综合优化,构造二次优化性能指标,所述二次性能指标如式所示:
其中x表示状态变量,R1表示状态变量的加权矩阵,u表示控制变量,R2表示控制量的加权矩阵;
S3:为使得闭环系统渐进稳定,设计状态反馈控制律:
u(k+j|k)=Fx(k+j|k)
若在k时刻,存在矩阵X>0,S>0,U>0,E、Y和标量γ>0,ρ>0,满足以下LMI优化问题:
Subject to
其中,σ=1,2,
η(k|k)=[xT(k|k),xT(k-1|k),yT(k-1|k)],
Λ=diag{P1,P2,P3}
则增益矩阵F=YX-1,鲁棒模型预测控制律u(k+j|k)=Fx(k+j|k),能使鲁棒性能指标上界γ在最坏情况下最小化。
优选的,步骤S1中所述车辆动力学模型构建方法步骤如下:
S11、构建整车纵向动力学模型如下:
xi=[si,vi]T
其中,xi表示第i辆车的状态变量,si表示第i辆车的位置,vi表示第i辆车的速度,ui表示第i辆车的加速度,Mi表示第i辆车的整车装备质量,CD表示空气阻力系数,ρa表示空气密度,Afi表示第i辆车的挡风面积,f表示滚动阻力系数,g表示重力加速度,θ表示道路坡度,假设道路坡度很小,所以sin(θ)=θ,cos(θ)=1;
S12、通过将动力学模型近似线性化离散化,得到任意一辆车的状态空间方程:
xi(k+1)=Ai(k)xi(k)+Bui(k)+B1w
B1=[0 -g]T w=θ+f
其中,Δt表示MPC的步长;
S13、在状态变量中引入车间距Δsi,除第一辆车外,即当i>2时
Δsi(k)=si(k)-si-1(k)+s0
其中s0为安全跟车距离;
S14、引入车速与目标车速的差值,定义为Δvi=vi-vitarget,其中vitarget为第i辆车的目标车速,得到新的状态变量xi'=[Δsi,Δvi]T;
S15、依据燃油经济性,取新的控制变量
其中,为总燃油消耗率(单位:毫升/秒),和分别为巡航时和加速时的燃油消耗率,是制动和怠速时产生的固定的燃油消耗率,取0.1,η1、η2、η3、η4、β1、β2、β3为校准参数。此模型适合估算在无道路坡度情况下车辆的燃油消耗。从模型中可以看出,当趋近于0时,也趋近于0,即当ui(k)趋近于时,燃油消耗率更小。考虑到燃油经济性,取新的控制变量ui'(k)=ui(k)-uid(k),其中
S16、确定新的状态空间方程:
xi'(k+1)=Ai(k)xi'(k)+Bui'(k)+B1w'+f(k)
xi'=[Δsi,Δvi]T ui'(k)=ui(k)-uid(k)
为了便于描述,下文的xi'、ui'均简化为xi、ui;
S17、取通信状态时延为150ms,假设在一个步长内,系统的状态变量是均匀线性变化的,通过计算得到:
x(t-0.15)=0.7x(t)+0.3x(t-0.5);
S18、综合考虑安全性、通行效率、燃油经济性与通信时延,得到如下凸多面体时滞非线性系统:
xi(k+1)=A(k)xi(k)+Ad(k)xi(k-1)+Bui(k)+B1w'+fi(xi(k),xi(k-1))。
优选的,步骤S2中对鲁棒模型预测控制优化问题的描述如下:
对于不确定离散时滞系统的模型预测控制问题,通过min-max优化问题解决:
xi(k+j+1|k)=Axi(k+j|k)+Adxi(k+j-1|k)+Bui(k+j|k)+B1w'+fi(k+j|k)(1b)
|u(k+j|k)|≤umax,k=0,1,…(1c)
在min-max优化问题中,式(1b)表示系统的状态预测模型,式(1c)表示控制变量约束,umax为城市道路环境下的最大加速度;
依据交通流畅性、安全性和燃油经济性的综合优化,构造二次性能指标对RMPC优化,所述二次性能指标如式所示:
优选的,步骤S2中R1表示状态变量的加权矩阵,R2表示控制量的加权矩阵:
w2=10+500e(-0.07v_range)
w3=2000+1000e(-0.1v_range)
其中,w1、w2、w3分别是安全距离、车速与目标车速差值、加速度的加权系数,v_range表示目标车速的范围。
本发明中,针对智能网联环境下通信时延带来的控制性能问题,建立了队列协同控制系统的时滞离散模型,对安全性、燃油经济性和交通流畅性进行优化,提出了一种鲁棒模型预测控制方法。采用状态反馈控制结构,利用LMI技术和min-max模型预测方法,计算状态反馈增益矩阵,设计鲁棒模型预测控制器。控制方法在通信时延的情况下,能保证系统的鲁棒稳定,同时提高城市环境下队列的交通流畅性和燃油经济性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明提出的一种考虑通信时延的智能网联汽车的鲁棒模型预测控制器的原理示意图;
图2为本发明提出的鲁棒模型预测控制算法流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
参照图1,本发明考虑的是智能网联车队在城市环境下通过一系列交通信号灯的场景。为了简便,我们选取的是单行道。同时,在智能网联环境下,车辆可以通过V2V和V2I通信获得前方信号灯的信号定时信息和相邻车辆的速度位置信息。如图1所示,一种考虑通信时延的城市道路环境下智能网联汽车的鲁棒模型预测控制方法,包括如下步骤:
S1构建车辆动力学模型
S1.1在队列中,第i辆车的纵向动力学模型如下:
xi=[si,vi]T
其中,xi表示第i辆车的状态变量,si表示第i辆车的位置,vi表示第i辆车的速度,ui表示第i辆车的加速度,Mi表示第i辆车的整车装备质量,CD表示空气阻力系数,ρa表示空气密度,Afi表示第i辆车的挡风面积,f表示滚动阻力系数,g表示重力加速度,θ表示道路坡度,假设道路坡度很小,所以sin(θ)=θ,cos(θ)=1。
S1.2为了基于线性矩阵不等式(LMI)设计鲁棒模型预测控制器,将动力学模型近似线性化离散化,得到任意一辆车的状态空间方程:
xi(k+1)=Ai(k)xi(k)+Bui(k)+B1w
B1=[0 -g]T w=θ+f
其中,Δt表示MPC的步长,取0.5s.
S1.3安全性考虑
为了保证每辆车的安全行驶,在状态变量中引入车间距Δsi,除第一辆车外,即当i>2时,Δsi(k)=si(k)-si-1(k)+s0,其中s0为安全跟车距离。为防止系统超调引发安全事故,当前后车辆距离达到临界安全距离时,设定其车速减小0.25m/s,当达到极限距离时等于前车车速。
S1.4通行效率考虑
在智能网联汽车队列协同控制研究中,常用的汽车巡航控制或者跟车模型,都无法避免车辆在路口处因为红灯而停车。在联网的环境下,根据即将到来的交通信号灯的信号定时信息,可计算出目标车速的范围。当车速位于这一范围内时,车辆可以有效的避免红灯停车,减少停车次数和怠速时间,从而提高交通效率和燃油经济性。
tcycle=tred+tgreen
其中,vtmax表示最大目标车速;vtmin表示最小目标车速;vmax表示城市道路条件下最大允许车速;sia表示第i辆车与第a个交通信号灯之间的距离;Kw表示交通信号灯的周期数,当t=Kwtcycle时,周期数Kw加1;tred,tgreen分别表示红灯和绿灯持续时间;tcycle表示一个红灯加绿灯的总持续时间即一个循环周期;t表示汽车行驶时间;函数mod()表示求余数即求t除以tcycle的余数。
考虑到车速与目标车速之间的差值,定义Δvi=vi-vitarget,其中vitarget为第i辆车的目标车速。得到新的状态变量xi'=[Δsi,Δvi]T
S1.5燃油经济性考虑
在城市道路环境下,因为交通堵塞而引起车辆频繁的加减速会消耗大量的能耗。为了估算燃油的消耗量,引入一个燃油消耗估算模型。
其中,为总燃油消耗率(单位:毫升/秒),和分别为巡航时和加速时的燃油消耗率,是制动和怠速时产生的固定的燃油消耗率,取0.1,η1、η2、η3、η4、β1、β2、β3为校准参数。此模型适合估算在无道路坡度情况下车辆的燃油消耗。从模型中可以看出,当趋近于0时,也趋近于0,即当ui(k)趋近于时,燃油消耗率更小。同时当时,燃油消耗率最小。因此考虑到燃油经济性,取新的控制变量ui'(k)=ui(k)-uid(k),其中同时目标车速发生变化。如由最小燃油消耗率算得的vc在S1.4计算的目标车速范围内,则取vc,,如不在,则取范围内最接近的值。
S1.6由于状态变量和控制变量的变化,状态空间方程也随之改变,新的方程如下式:
xi'(k+1)=Ai(k)xi'(k)+Bui'(k)+B1w'+f(k)
xi'=[Δsi,Δvi]T ui'(k)=ui(k)-uid(k)
为了便于描述,下文的xi'、ui'均简化为xi、ui。
S1.7时延考虑
由于通信时延通常在100ms到200ms之间,小于MPC的一个步长0.5s,因此假设在一个步长内,系统的状态变量是均匀线性变化的。本文取状态时延为150ms,通过计算得到x(t-0.15)=0.7x(t)+0.3x(t-0.5)
S1.8综合考虑安全性、通行效率、燃油经济性与通信时延,得到如下凸多面体时滞非线性系统。
xi(k+1)=A(k)xi(k)+Ad(k)xi(k-1)+Bui(k)+B1w'+fi(xi(k),xi(k-1))
其中系统矩阵是变化的,且可以表现成凸组合形式
[A(k),Ad(k)]∈Ω=Co{[A1,Ad1],[A2,Ad2]},Co表示由2个顶点构成的凸多面体集,每个顶点对应变量中的一个具体数值。同时存在两个位于0和1之间的系数λi,使得
A1=0.7A{vmin}、Ad1=0.3A{vmin}、A2=0.7A{vmax}、Ad2=0.3A{vmax}
其中,A1=0.7A{vmin}代表A1为0.7乘以当矩阵A中参数v(k)=vmin时的系数矩阵,其他以此类推。vmin、vmax分别为城市交通环境下允许的最小车速,最大车速。
fi(k):=fi(xi(k),xi(k-1))是Lipschitz非线性函数,满足
S2 RMPC(鲁棒模型预测控制)优化问题的描述
对于不确定离散时滞系统的模型预测控制问题,可以描述为min-max优化问题
xi(k+j+1|k)=Axi(k+j|k)+Adxi(k+j-1|k)+Bui(k+j|k)+B1w'+fi(k+j|k)(1b)
|u(k+j|k)|≤umax,k=0,1,…(1c)
在min-max优化问题(1)中,式(1b)表示系统的状态预测模型,式(1c)表示控制变量约束,umax为城市道路环境下的最大加速度。
考虑到交通流畅性、安全性和燃油经济性的综合优化,构造二次性能指标如式所示。
R1、R2分别为状态变量与控制量的加权矩阵,权值系数表达式如式所示。
w2=10+500e(-0.07v_range)
w3=2000+1000e(-0.1v_range)
其中,w1、w2、w3分别是安全距离、车速与目标车速差值、加速度的加权系数,v_range表示目标车速的范围。w1可以根据前后两辆车之间的距离,速度差实时调整,保障车辆安全性。当目标车速范围很小时,w2、w3可以取适当的常数。
S3鲁棒模型预测控制器
为了使得闭环系统渐进稳定,需设计状态反馈控制律:
u(k+j|k)=Fx(k+j|k)
如果在k时刻,存在矩阵X>0,S>0,U>0,E、Y和标量γ>0,ρ>0,满足以下LMI优化问题:
Subject to
其中,σ=1,2,
Λ=diag{P1,P2,P3}
则增益矩阵F=YX-1,鲁棒模型预测控制律u(k+j|k)=Fx(k+j|k),能使鲁棒性能指标上界γ在最坏情况下最小化。
如图2所示,本发明设计的鲁棒模型预测控制算法如下:
step1:输入模型参数和定义初始状态,包括初始位置和速度
Step2:在k时刻,利用MATLAB中的LMI工具箱求解S3中的优化问题,得到增益矩阵F;
Step3:将k时刻的控制律作用于S1.8中的被控系统,得到下一时刻的状态;
Step4:如果k<kN,重复step2和step3,否则算法终止。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种考虑通信时延的智能网联汽车的鲁棒模型预测控制器,其特征在于,包括如下步骤:
S1、构建车辆动力学模型,所述车辆动力学模型为:
xi(k+1)=A(k)xi(k)+Ad(k)xi(k-1)+Bui(k)+B1w'+fi(xi(k),xi(k-1))
其中xi表示第i辆车的状态变量,A、Ad表示具有凸多面体不确定性的系统矩阵,B表示控制变量系数,ui表示控制变量即第i辆车的加速度,fi表示非线性扰动,w’表示第一阻力常数项,B1表示常数项系数;
S2:依据交通流畅性、安全性和燃油经济性的综合优化,构造二次优化性能指标,所述二次性能指标如式所示:
其中x表示状态变量,R1表示状态变量的加权矩阵,u表示控制变量,R2表示控制量的加权矩阵,j表示预测步数;
S3:为使得闭环系统渐进稳定,设计状态反馈控制律:
u(k+j|k)=Fx(k+j|k)
若在k时刻,存在矩阵X>0,S>0,U>0,E、Y和标量γ>0,ρ>0,满足以下LMI优化问题:
Subject to
其中,σ=1,2,
η(k|k)=[xT(k|k),xT(k-1|k),yT(k-1|k)],
Λ=diag{P1,P2,P3}
则增益矩阵F=YX-1,鲁棒模型预测控制律u(k+j|k)=Fx(k+j|k),能使鲁棒性能指标上界γ在最坏情况下最小化;
其中X、S、U、E、Y表示LMI优化问题中的待求矩阵,ρ表示待求标量,I表示单位矩阵,P1、P2、P3表示李雅普诺夫函数系数,Λ表示P1、P2、P3构成的对角矩阵,α2表示f(k)满足的有界性系数;
步骤S1中所述车辆动力学模型构建方法步骤如下:
S11、构建整车纵向动力学模型如下:
xi=[si,vi]T
其中,xi表示第i辆车的状态变量,si表示第i辆车的位置,vi表示第i辆车的速度,ui表示第i辆车的加速度,Mi表示第i辆车的整车装备质量,CD表示空气阻力系数,ρa表示空气密度,Afi表示第i辆车的挡风面积,f表示滚动阻力系数,g表示重力加速度,θ表示道路坡度,假设道路坡度很小,所以sin(θ)=θ,cos(θ)=1;
S12、通过将动力学模型近似线性化离散化,得到任意一辆车的状态空间方程:
xi(k+1)=Ai(k)xi(k)+Bui(k)+B1w
B1=[0 -g]T w=θ+f
其中,Δt表示MPC的步长,w表示第二阻力常数项;
S13、在状态变量中引入车间距Δsi,除第一辆车外,即当i>2时
Δsi(k)=si(k)-si-1(k)+s0
其中s0为安全跟车距离;
S14、引入车速与目标车速的差值,定义为Δvi=vi-vitarget,其中vitarget为第i辆车的目标车速,得到新的状态变量xi'=[Δsi,Δvi]T;
S15、依据燃油经济性,取新的控制变量
其中,为总燃油消耗率(单位:毫升/秒),和分别为巡航时和加速时的燃油消耗率,是制动和怠速时产生的固定的燃油消耗率,取0.1,η1、η2、η3、η4、β1、β2、β3为校准参数,此模型适合估算在无道路坡度情况下车辆的燃油消耗,从模型中可以看出,当趋近于0时,也趋近于0,即当ui(k)趋近于时,燃油消耗率更小,考虑到燃油经济性,取新的控制变量ui'(k)=ui(k)-uid(k),其中uid表示根据燃油消耗模型得到的对比加速度;
S16、确定新的状态空间方程:
xi'(k+1)=Ai(k)xi'(k)+Bui'(k)+B1w'+f(k)
xi'=[Δsi,Δvi]T ui'(k)=ui(k)-uid(k)
为了便于描述,下文的xi'、ui'均简化为xi、ui;
S17、取通信状态时延为150ms,假设在一个步长内,系统的状态变量是均匀线性变化的,通过计算得到:
x(t-0.15)=0.7x(t)+0.3x(t-0.5);
S18、综合考虑安全性、通行效率、燃油经济性与通信时延,得到如下凸多面体时滞非线性系统:
xi(k+1)=A(k)xi(k)+Ad(k)xi(k-1)+Bui(k)+B1w'+fi(xi(k),xi(k-1))。
2.根据权利要求1所述的考虑通信时延的智能网联汽车的鲁棒模型预测控制器,其特征在于:步骤S2中对鲁棒模型预测控制优化问题的描述如下:
对于不确定离散时滞系统的模型预测控制问题,通过min-max优化问题解决:
xi(k+j+1|k)=Axi(k+j|k)+Adxi(k+j-1|k)+Bui(k+j|k)+B1w'+fi(k+j|k) (1b)
|u(k+j|k)|≤umax,k=0,1,… (1c)
在min-max优化问题中,式(1b)表示系统的状态预测模型,式(1c)表示控制变量约束,umax为城市道路环境下的最大加速度;
依据交通流畅性、安全性和燃油经济性的综合优化,构造二次性能指标对RMPC优化,所述二次性能指标如式所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589367.3A CN112606825B (zh) | 2020-12-29 | 2020-12-29 | 考虑通信时延的智能网联汽车的鲁棒模型预测控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011589367.3A CN112606825B (zh) | 2020-12-29 | 2020-12-29 | 考虑通信时延的智能网联汽车的鲁棒模型预测控制器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112606825A CN112606825A (zh) | 2021-04-06 |
CN112606825B true CN112606825B (zh) | 2021-12-28 |
Family
ID=75248695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011589367.3A Active CN112606825B (zh) | 2020-12-29 | 2020-12-29 | 考虑通信时延的智能网联汽车的鲁棒模型预测控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112606825B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113495518B (zh) * | 2021-08-02 | 2022-07-26 | 清华大学 | 双向网络时延及通信量化影响下的网联车辆控制方法及装置 |
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 |
CN114038199B (zh) * | 2021-11-26 | 2022-12-27 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种考虑车车通信不确定的混行队列稳定性控制方法 |
CN114415523B (zh) * | 2022-03-30 | 2022-08-26 | 北京理工大学 | 一种车辆协同运动控制方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733955A (zh) * | 2018-05-30 | 2018-11-02 | 厦门大学 | 一种智能电动汽车纵向运动控制系统及方法 |
CN109241674A (zh) * | 2018-10-16 | 2019-01-18 | 长安大学 | 一种智能网联车辆编队的多时延稳定性分析方法 |
CN109591804A (zh) * | 2018-11-22 | 2019-04-09 | 湖南大学 | 考虑通信时延的车辆队列稳定性控制方法 |
CN111497841A (zh) * | 2020-05-15 | 2020-08-07 | 清华大学 | 一种随机通信时延下的网联车辆巡航控制方法 |
CN111572554A (zh) * | 2019-02-15 | 2020-08-25 | 福特全球技术公司 | 车辆检测系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11145197B2 (en) * | 2019-03-13 | 2021-10-12 | Mitsubishi Electric Research Laboratories, Inc. | Joint control of vehicles traveling on different intersecting roads |
-
2020
- 2020-12-29 CN CN202011589367.3A patent/CN112606825B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108733955A (zh) * | 2018-05-30 | 2018-11-02 | 厦门大学 | 一种智能电动汽车纵向运动控制系统及方法 |
CN109241674A (zh) * | 2018-10-16 | 2019-01-18 | 长安大学 | 一种智能网联车辆编队的多时延稳定性分析方法 |
CN109591804A (zh) * | 2018-11-22 | 2019-04-09 | 湖南大学 | 考虑通信时延的车辆队列稳定性控制方法 |
CN111572554A (zh) * | 2019-02-15 | 2020-08-25 | 福特全球技术公司 | 车辆检测系统和方法 |
CN111497841A (zh) * | 2020-05-15 | 2020-08-07 | 清华大学 | 一种随机通信时延下的网联车辆巡航控制方法 |
Non-Patent Citations (1)
Title |
---|
基于 H∞的车辆横向运动鲁棒控制;钱立军,胡伟龙,辛付龙,邱利宏;《吉林大学学报(工学版)》;20151130;第45卷(第6期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112606825A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112606825B (zh) | 考虑通信时延的智能网联汽车的鲁棒模型预测控制器 | |
Fu et al. | A decision-making strategy for vehicle autonomous braking in emergency via deep reinforcement learning | |
CN106828493B (zh) | 一种自动驾驶车辆分层式纵向规划控制系统及方法 | |
Gao et al. | Robust control of heterogeneous vehicular platoon with uncertain dynamics and communication delay | |
Ke et al. | Optimization of train-speed trajectory and control for mass rapid transit systems | |
Shao et al. | Eco-approach with traffic prediction and experimental validation for connected and autonomous vehicles | |
Zhai et al. | Ecological cooperative look-ahead control for automated vehicles travelling on freeways with varying slopes | |
Lai et al. | A generic simulation platform for cooperative adaptive cruise control under partially connected and automated environment | |
Li et al. | Ecological adaptive cruise control for vehicles with step-gear transmission based on reinforcement learning | |
CN107577234B (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
Liu et al. | Reducing greenhouse effects via fuel consumption-aware variable speed limit (FC-VSL) | |
Mynuddin et al. | Distributed predictive cruise control based on reinforcement learning and validation on microscopic traffic simulation | |
He et al. | Gaussian learning‐based fuzzy predictive cruise control for improving safety and economy of connected vehicles | |
Zhang et al. | A cruise control method for connected vehicle systems considering side vehicles merging behavior | |
Wen et al. | A longitudinal velocity CF-MPC model for connected and automated vehicle platooning | |
CN109064760B (zh) | 一种数据驱动的智能鲁棒车速实时规划方法及系统 | |
Chen et al. | Hierarchical eco‐driving control strategy for hybrid electric vehicle platoon at signalized intersections under partially connected and automated vehicle environment | |
Peng et al. | V2V‐enabled cooperative adaptive cruise control strategy for improving driving safety and travel efficiency of semi‐automated vehicle fleet | |
Sivakumar et al. | Ensemble hill climbing optimization in adaptive cruise control for safe automated vehicle transportation | |
Wu et al. | An optimal longitudinal control strategy of platoons using improved particle swarm optimization | |
CN114913684B (zh) | 一种融合多模型与数据驱动的瓶颈路段交通流控制方法 | |
Dong et al. | Effect of adaptive cruise control on mixed traffic flow: a comparison of constant time gap policy with variable time gap policy | |
Makridis et al. | Rule-based on-off traffic control strategy for cavs on motorway networks: Assessing cooperation level and driving homogeneity | |
Mynuddin et al. | Reinforcement learning for multi-agent systems with an application to distributed predictive cruise control | |
Caiazzo et al. | Energy-Oriented Inter-Vehicle Distance Optimization for Heterogeneous E-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 |