CN112731806B

CN112731806B - 智能网联汽车随机模型预测控制实时性优化方法

Info

Publication number: CN112731806B
Application number: CN202011440827.6A
Authority: CN
Inventors: 钱立军; 陈亮亮; 陈健; 刘峰
Original assignee: Hefei University of Technology
Current assignee: Hefei University of Technology
Priority date: 2020-12-08
Filing date: 2020-12-08
Publication date: 2022-05-31
Anticipated expiration: 2040-12-08
Also published as: CN112731806A

Abstract

本发明公开了一种智能网联汽车随机模型预测控制实时性优化方法，智能网联环境下，采用马尔可夫(Markov)决策表征驾驶员误差转移过程并随机生成概率转移矩阵，通过信号灯相位和定时(SPAT)计算目标车速，考虑汽车通行效率和燃油经济性建立目标函数，基于随机模型预测控制(SMPC)处理驾驶员误差得到最优预测车速序列，为提高算法实时性，采用蒙特卡罗(Monte Carlo)算法简化场景树，减少随机误差场景路径的总数，缩短计算时间，仿真结果表明，采用蒙特卡罗算法简化场景树的方法与基准法相比，在最优预测车速,行驶轨迹和百公里油耗仅有微小波动，即不影响SMPC优化效率前提下，每一步长的计算时间成本可缩短到基准法的2.53％。

Description

智能网联汽车随机模型预测控制实时性优化方法

技术领域

本发明涉及智能网联技术领域，尤其涉及一种智能网联汽车随机模型预测控制实时性优化方法。

背景技术

随着汽车保有量的持续增长，道路交通拥堵、人车安全和环境污染等问题已经成为人们最为关心的问题，采用智能网联技术可以改善当前交通系统中车辆走走停停的行驶状态，大幅度的提高交通流畅性，因而减少驾驶员行驶时间，提高汽车的燃油经济性，并减轻环境污染。

在智能网联环境下，车与车之间可实现实时通信，并能实时获取车辆的车速和位置信息，通过模型预测控制算法优化下一段时间的经济车速。Homchaudhuri等考虑SPAT信息，以车辆队列为对象建立了综合考虑燃油经济性、通行效率、前后车距以及驾驶平稳性的MPC优化模型。但若针对有人驾驶的网联车辆，当驾驶员直接参与或者干涉自动驾驶时，由于驾驶员并不能完全跟随最优的建议车辆状态，驾驶员的实际输出与最优值之间存在一定的随机误差，如果控制系统不做出相应的处理，将会直接影响优化的结果，这是目前MPC模型尚未能解决的问题。Cairano在此基础上考虑了驾驶员误差，生成场景树用来描述随机误差传递路径，建立随机模型预测控制(SMPC)模型，但是由于优化模型中随机因素的存在，优化的目标函数将转化为复杂的期望问题，这样势必会增加优化的时间成本，考虑到汽车处理器的运算能力，SMPC算法的计算时间较长，实时性较差。

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智能网联汽车随机模型预测控制实时性优化方法，通过简化场景树以提高随机模型预测控制算法实时性。

根据本发明实施例的一种智能网联汽车随机模型预测控制实时性优化方法，应用于网联汽车实时控制，包括如下步骤：

S1：通过实验数据分析法得到服从统计规律的驾驶员误差和对应的概率转移矩阵，通过加速或制动踏板传感器采集驾驶员误差信号；

S2：基于车联网环境进行车车通信及车与周边交通设施通信，采集跟车距离信息与红绿灯信号信息；

S3：通过交通信号灯正时获取车辆的目标车速；

S4：通过控制器的随机模型预测控制(SMPC)算法，应用步骤S1中采集到的驾驶员误差和得到的概率转移矩阵以及步骤S3获取的车辆目标车速预测给定时间窗口的最优目标车速序列，并将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标序列车速进行加速或者制动；

S5：在一个预测窗口内，利用蒙特卡罗算法确定下一时刻的随机误差，简化SMPC求解，得到最优车速预测序列并自动将当前SMPC时间窗口的控制变量更新为下一个SMPC时间窗口的预设变量，之后返回步骤S1继续执行，直至全时段所有的目标车辆的对应的最优目标车速计算完毕。

优选的，步骤S1中以汽车的纵向加速度误差表征驾驶员误差，在实验场采集服从统计规律的驾驶员误差Us，如公式1)，以及误差转移的概率，并生成概率转移矩阵Te，如公式2)。

优选的，步骤S3中获取汽车目标车速，包括如下步骤：

S31：建立考虑驾驶员误差的汽车纵向动力学模型，如公式3)；

式3)中，u_i ^a为汽车实际加速度；u_i ⁱ为汽车理想加速度；u_i ^e为考虑驾驶员误差的系统随机加速度；v_i为第i辆车的车速；M_i为第i辆车的整车质量；A_fi为第i辆车的迎风面积；u_i为第i辆车单位质量的牵引力或制动力，即加速度；x_i为第i辆车的状态变量，即控制变量；Δt为一个仿真时间步长；

S32：为避免汽车在红灯停车,根据交通信号灯正时获取目标车速，基于交通信号灯正时，建立汽车目标车速求解模型，如公式4)，式4)中，v_ihb为目标车速范围上限；v_ilb为目标车速范围下限；t为汽车行驶的总时间；t_r为红灯持续时间；t_g为绿灯持续时间；t_c为一个信号灯循环的周期；d_ia为第i辆车到前方交通信号灯a的距离；K_w为t_c的整数倍；在这里交通信号灯以红灯开始，且当t为t_c的整数倍时，K_w的数值增加1。

优选的，步骤S4预测给定时间窗口的最优目标车速序列，包括以下步骤：

S41：基于马尔可夫决策过程建立驾驶员误差转移模型，若当前时刻的随机误差为u(k)，对应概率转移矩阵中的概率为τ_i,j，则由马尔可夫决策可知下一时刻的随机误差U(k+1)如公式(5)所示，式中τ_i,j为概率转移矩阵中第i行第j列的元素；

u(k+1)＝u(k)·τ_i,j 5)

S42：根据公式5)所述的基于马尔可夫决策过程获得的下一时刻的随机误差以及公式4)所述的基于交通信号灯正时获取的汽车目标车速，采用随机模型预测算法预测给定时间窗口的最优目标车速序列，目标函数如公式6)所示，式中，ω_i(i＝1,2,3,4)为权值系数；

为第i辆车的燃油消耗率；s_i为第i辆车的实时位置；s_j为第j辆车的实时位置；t_h为保证辆车安全跟车距离的时距；s₀为两车理想的跟车距离；S_ij为两辆汽车真实车距与理想车距的差值；T为一个时间窗口；L为时间步长；车辆j在前，车辆i在后。N_sc为为离散的随机误差的个数；p_l为一个时间窗口T内，初始随机误差到窗口终点时刻的随机误差的转移概率；

在一个时间窗口内，由于驾驶员误差转移的随机性，使得下一时刻的随机误差不止一种，进而使得初始时刻到时间窗口终点存在多条随机误差转移路径，在这里用场景树描述随机误差的转移过程。

于是当确定驾驶误差数量N_sc和步长l后，在一个时间周期T内，随机误差的场景路径总数便有N_sc ^l条。对应于P_l便有N_sc ^l个值。

当离散的驾驶员误差数量N_sc ^l和仿真步长l增加时，目标函数所示的期望的计算量呈指数级增加，这很难实现在线实时求解。而蒙特卡罗算法以概率统计理论为基础，利用随机数解决随机事件问题，大幅度减少随机误差传递路径，从而减少P_l的值大幅度降低目标函数计算量，从而提高算法实时性。

优选的，采用蒙特卡罗算法确定下一时刻的随机误差，具体步骤如下：

确定初始时刻随机误差u(k)后，利用均匀分布产生一个01区间内的随机数，若生成的随机数在概率转移矩阵的∑τ_i(j-1)和∑τ_ij之间，则将第j个误差等级作为u(k+1)时刻的随机误差，此过程仍服从马尔可夫决策；由此可见在场景树中，确定某时刻随机误差后，蒙特卡罗算法决定下一时刻的随机误差只有一个，而与离散的随机误差数量N_sc无关，而为了平衡求解精度和计算时间，选择路径总数等于离散的随机误差数N_sc。所以对应目标函数的P_l个数等于N_sc，远小于基准法中的N_sc ^l，其中∑τ_i(j-1)为概率转移矩阵T_e第i行中第1至j-1个元素之和，∑τ_ij为概率转移矩阵T_e第i行中第1至j个元素之和，公式6)的目标函数采用通用算法SQP求解。

本发明中，考虑了汽车行驶中的驾驶员误差，并基于SMPC处理随机误差，预测最优车速，有效的解决了由于驾驶员操作误差导致的加速度波动；

同时基于SPAT求解目标车速的上下限，可以有效的避免混合汽车红灯停车，根据本优选实施例的试验方案，汽车队列在经过所有的红绿灯时，均未遇到红灯；

通过目标函数公式6)中，考虑了一个汽车队列中，纵向汽车队列之间的相互距离并加以约束，得到的最优车速序列可以有效的避免汽车发生碰撞；

并且相比于基准法，本发明提出的一种考虑驾驶员误差的智能网联汽车随机模型预测控制实时性优化方法在基本不改变车速序列预测的基础上，每一步长的执行时间为基准法的2.53％。

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为本发明实施例提供的一种智能网联汽车随机模型预测控制实时性优化方法的原理图；

图2为基于SPAT目标车速计算原理图；

图3为采用本发明的智能网联汽车随机模型预测控制实时性优化方法的蒙特卡罗算法简化场景树的示意图；

图4为三辆车的运动轨迹示意图；

图5为一号车、二号车、三号车的跟车距离示意图；

图6(a)-图6(c)分别是一号车、二号车、三号车采用本发明的考虑驾驶员误差的智能网联汽车模型预测控制实时性优化方法的跟踪车速示意图。

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，图1是本发明的智能网联汽车随机模型预测控制实时性优化方法的原理图。智能网联汽车随机模型预测控制实时性优化方法，包括如下步骤：

步骤1)，通过实验数据分析法得到服从统计规律的驾驶员误差和对应的概率转移矩阵，通过加速或制动踏板传感器采集驾驶员误差信号；

步骤2)，基于车联网环境进行车车通信及车与周边交通设施通信，采集跟车距离信息与红绿灯信号信息；

步骤3)，通过交通信号灯正时获取车辆的目标车速；

步骤4)，通过控制器的随机模型预测控制算法，步骤1)采集到的驾驶员误差和得到的概率转移矩阵以及步骤3)获取的车辆目标车速预测给定时间窗口的最优目标车速序列，并将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标序列车速进行加速或者制动；

步骤5)，自动将当前SMPC时间窗口的控制变量更新为下一个SMPC时间窗口的预设变量并返回步骤(1)继续执行，直至全时段所有的目标车辆的对应的最优目标车速计算完毕。

如图2、图3所示，步骤1)中以汽车的纵向加速度误差表征驾驶员误差，在实验场采集服从统计规律的驾驶员误差Us，这里选择出现概率较大的驾驶员误差作为随机的离散误差，如公式1)：

记录驾驶员误差转移的概率，并生成概率转移矩阵Te，如公式2)：

步骤3)中获取汽车目标车速，包括如下步骤：

步骤31)，建立考虑驾驶员误差的汽车纵向动力学模型，如公式3)：

式3)中，u_i ^a为汽车实际加速度；u_i ⁱ为汽车理想加速度；u_i ^e为考虑驾驶员误差的系统随机加速度；v_i为第i辆车的车速；M_i为第i辆车的整车质量；A_fi为第i辆车的迎风面积；u_i为第i辆车单位质量的牵引力或制动力，即加速度；x_i为第i辆车的状态变量，即控制变量；Δt为一个仿真时间步长。

步骤32)，为避免汽车在红灯停车,根据交通信号灯正时获取目标车速，基于交通信号灯正时，建立汽车目标车速求解模型，如公式4)：

式中，v_ihb为目标车速范围上限；v_ilb为目标车速范围下限；t为汽车行驶的总时间；t_r为红灯持续时间；t_g为绿灯持续时间；t_c为一个信号灯循环的周期；d_ia为第i辆车到前方交通信号灯a的距离；K_w为t_c的整数倍；在这里交通信号灯以红灯开始，且当t为t_c的整数倍时，K_w的数值增加1。

由公式4)可知，如果当前的信号灯为红灯，则车辆需在红灯结束时到达路口，目标车速的上限为d_ia除以红灯的剩余时间。如果当前信号灯为绿灯，则目标车速为最大允许车速，使其尽快通过红绿灯路口，但是需满足城市道路限速要求。然而，若超出目标车速范围上限，为了避免违反交通规则，则需等待一个红绿灯周期，目标车速的下限取值为d_ia除以当前绿灯所剩时间加上红灯窗口时间，即到下一个红灯结束时所需要的时间。

根据基于SPAT计算的目标车速，便可按照步骤4)预测给定时间窗口的最优目标车速序列，包括以下步骤：

步骤41)，基于马尔可夫决策过程建立驾驶员误差转移模型。若当前时刻的随机误差为u(k)，对应概率转移矩阵中的概率为τ_i,j，由于马尔可夫决策的无后效性，下一时刻的系统误差的取值取决于当前时刻的误差和对应的概率转移矩阵。则由马尔可夫决策可知下一时刻的随机误差U(k+1)如公式5)所示：

u(k+1)＝u(k)·τ_i,j 5)

式中τ_i,j为概率转移矩阵中第i行第j列的元素。

步骤42)，根据公式5)所述的基于马尔可夫决策过程获得的下一时刻的随机误差以及公式(4)所述的基于交通信号灯正时获取的汽车目标车速，采用随机模型预测算法预测给定时间窗口的最优目标车速序列，目标函数如公式6)所示：

式中，ω_i(i＝1,2,3,4)为权值系数；

为第i辆车的燃油消耗率；s_i为第i辆车的的实时位置；s_j为第j辆车的实时位置；t_h为保证辆车安全跟车距离的时距；s₀为两车理想的跟车距离；S_ij为两辆汽车真实车距与理想车距的差值；T为一个时间窗口；L为时间步长；车辆j在前，车辆i在后。N_sc为为离散的随机误差的个数；p_l为一个时间窗口T内，初始随机误差到窗口终点时刻的随机误差的转移概率。

在式6)的目标函数中，第一项优化的是车辆的燃油消耗率；第二项优化的是两车的跟车距离，使其更接近预设的理想车距；第三项优化的是基于SMPC求解的最优预测车速与基于SPAT求得的目标车速上限的差值，优化此项是为了提高车辆在红绿灯路口的通行效率；第四项优化的是车辆的加速度，优化此项是为了避免车辆频繁的加减速，减小汽车行驶中的车速波动，从而降低油耗，减轻环境污染，同时提高汽车乘坐的舒适性。

SMPC目标函数中对应的权值系数表达式如式(7)所示：

由式7)可知，ω₁,ω₂，ω₃和ω₄均为车速范围的函数，随着车速范围长度的增大，燃油经济性约束的权值系数ω₁会增大，而目标车速跟随和加速度波动约束的权值系数ω₃和ω₄会减小。这就意味着，当车速范围很大时，优化的重点会倾向于燃油经济性，反之同理。另外，ω₂主要是安全时间的函数，依据相邻车辆的位置、车速实时调整安全性系数，可以最大限度的保证车辆的安全。值得指出的是，当车速范围的长度很小时ω₁,ω₃和ω₄，均可取值为合理的常数。

在一个时间窗口内，由于驾驶员误差转移的随机性，使得下一时刻的随机误差不止一种，进而使得初始时刻到时间窗口终点存在多条随机误差转移路径；

标准SMPC的求解，是一个求解当前状态下可能出现的所有方案对应的期望值的过程，这里采用基于场景树的SMPC来建立考虑驾驶员误差的MPC问题；

作为上述方案的进一步优化，在一个时间窗口内，随着驾驶员离散误差数量以及步长的增加，公式6)求的时间复杂度会大幅度增加，这里采用蒙特卡罗算法确定下一时刻的随机误差，进而减少随机误差转移路径数量，简化场景树，减少求解时间。

具体内容为，确定初始时刻随机误差U(k)后，利用均匀分布产生一个0～1区间内的随机数，若生成的随机数在概率转移矩阵的∑τ_i(j-1)和∑τ_ij之间，则将第j个误差等级作为U(k+1)时刻的随机误差，此过程仍服从马尔可夫决策；

∑τ_i(j-1)为概率转移矩阵Te第i行中第1至j-1个元素之和；

∑τ_ij为概率转移矩阵Te第i行中第1至j个元素之和；

公式(6)的目标函数采用通用算法SQP求解，具体在实际应用中，可以在云端服务器执行控制代码的远程计算试验，进一步保证控制算法的实时性。

此次仿真，设置离散随机误差数量为N_sc为5，在-0.1～0.1上均匀分布，与系统随机误差对应的概率转移矩阵T_e由MATLAB随机生成，时间窗口T为3s，仿真步长为0.5s，总仿真时间为400s。设置3辆车在单车道上运行，汽车速度范围在0-20km/h，共15个红绿灯，其中红灯时间40s，绿灯时间15s，两个红绿灯间相距500米，汽车的初始速度和初始位置给定，分别为[12.1788，11.3730，10.0473]m/s，[30.2293，15.9196，0.8724]m，每辆车的整车整备质量为990kg，滚动阻力系数为0.015，空气阻力系数为0.3，迎风面积为2.25，道路坡度为0。

对比的基准法为遍历场景树所有的随机误差传递路径；

为了验证本发明的一种考虑驾驶员误差的智能网联汽车随机模型预测控制实时性优化方法，试验结果分别从图4-图6c以及表1-表2所示的几个方面进行论述。

表1为此次仿真计算的时间成本，对于总仿真时间或者一个步长，当SMPC目标函数采用本发明中提出的蒙特卡罗算法简化场景树的方法求解时，其计算的时间成本大幅度降低，仅为采用基准法求解目标函数方法的2.53％。从而验证了本发明中提出的蒙特卡罗算法可SMPC目标函数求解时大幅缩短计算的时间成本，提升控制效果的实时性。

表1计算时间比较

方法	一个步长计算时间	总仿真计算时间
			基准法	49.01s	39258.26s
蒙特卡罗算法	1.26s	1007.37s

图4为本发明实施例提供的三辆车轨迹图，其中红线代表红灯时域，水平方向两条红线间的空白区域代表绿灯，长度代表时长，曲线代表汽车轨迹。从图中可以看出三辆小车均在绿灯时间段通个各个路口，且全程未停车，避免了走走停停的情况，可知采用蒙特卡罗算法简化场景树并没有改变SMPC对通行效率的控制效果。

图5为三辆汽车间距图，由图中可以看出全程车间距离均大于6米，有理想的安全车距，避免出现汽车碰撞，保证了队列的安全行驶。

图6(a)-图6(c)分别为三辆汽车的实时速度对比图，包含采用蒙特卡罗算法简化场景树后的最优车速控制和采用基准法遍历场景树的最优车速控制。由图可见，两种方法下三辆汽车的速度曲线大致相同，最优预测车速相近，仅有微小差别，说明采用蒙特卡罗算法简化场景树后并不改变SMPC对车速的优化效果，三辆车仍然可以高度协同工作。

表2为两种计算方法下三辆车的百公里油耗对比。由表2可知，本发明提出方法与基准法的百公里油耗基本相近,、平均值分别为6.98L和6.95L。证明本发明采取的计算方法在降低计算时间的同时并没有影响SMPC对燃油经济性的优化。

表2百公里油耗对比

汽车序号	基准法	本发明方法
			1	6.83	6.76
2	6.97	6.95
			3	7.13	7.15
平均值	6.98	6.95

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

1.一种智能网联汽车随机模型预测控制实时性优化方法，其特征在于，包括如下步骤：

S3：通过交通信号灯正时获取车辆的目标车速；

S4：通过控制器的随机模型预测控制算法，应用所述步骤S1中采集到的驾驶员误差和得到的概率转移矩阵以及步骤S3获取的车辆目标车速预测给定时间窗口的最优目标车速序列，并将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标序列车速进行加速或者制动；

S5：在一个预测窗口内，利用蒙特卡罗算法确定下一时刻的随机误差，简化SMPC求解，得到最优车速预测序列并自动将当前SMPC时间窗口的控制变量更新为下一个SMPC时间窗口的预设变量，之后返回步骤S1继续执行，直至全时段所有的目标车辆的对应的最优目标车速计算完毕；

步骤S3中获取汽车目标车速，包括如下步骤：

S32：为避免汽车在红灯停车,根据交通信号灯正时获取目标车速，基于交通信号灯正时，建立汽车目标车速求解模型，如公式4)，式4)中，v_ihb为目标车速范围上限；v_ilb为目标车速范围下限；t为汽车行驶的总时间；t_r为红灯持续时间；t_g为绿灯持续时间；t_c为一个信号灯循环的周期；d_ia为第i辆车到前方交通信号灯a的距离；K_w为t_c的整数倍；在这里交通信号灯以红灯开始，且当t为t_c的整数倍时，K_w的数值增加1；

步骤S4预测给定时间窗口的最优目标车速序列，包括以下步骤：

S41：基于马尔可夫决策过程建立驾驶员误差转移模型，若当前时刻的随机误差为u(k)，对应概率转移矩阵中的概率为τ_i,j，则由马尔可夫决策可知下一时刻的随机误差u(k+1)如公式5)所示，式中τ_i,j为概率转移矩阵中第i行第j列的元素；

u(k+1)＝u(k)·τ_i,j 5)

S42：根据公式(5)所述的基于马尔可夫决策过程获得的下一时刻的随机误差以及公式(4)所述的基于交通信号灯正时获取的汽车目标车速，采用随机模型预测算法预测给定时间窗口的最优目标车速序列，目标函数如公式6)所示，式中，ω_i其中i＝1,2,3,4为权值系数；

为第i辆车的燃油消耗率；s_i为第i辆车的实时位置；s_j为第j辆车的实时位置；t_h为保证辆车安全跟车距离的时距；s₀为两车理想的跟车距离；S_ij为两辆汽车真实车距与理想车距的差值；T为一个时间窗口；l为时间步长；车辆j在前，车辆i在后；N_sc为为离散的随机误差的个数；p_l为一个时间窗口T内，初始随机误差到窗口终点时刻的随机误差的转移概率；

在一个时间窗口内，由于驾驶员误差转移的随机性，使得下一时刻的随机误差不止一种，进而使得初始时刻到时间窗口终点存在多条随机误差转移路径，在这里用场景树描述随机误差的转移过程；

于是当确定驾驶误差数量N_sc和步长l后，在一个时间周期T内，随机误差的场景路径总数便有N_sc ^l条；对应于P_l便有N_sc ^l个值；

当离散的驾驶员误差数量N_sc ^l和仿真步长l增加时，目标函数所示的期望的计算量呈指数级增加，这很难实现在线实时求解；而蒙特卡罗算法以概率统计理论为基础，利用随机数解决随机事件问题，大幅度减少随机误差传递路径，从而减少P_l的值大幅度降低目标函数计算量，从而提高算法实时性。

2.根据权利要求1所述的智能网联汽车随机模型预测控制实时性优化方法，其特征在于，步骤S1中以汽车的纵向加速度误差表征驾驶员误差，在实验场采集服从统计规律的驾驶员误差u_s，如公式1)，以及误差转移的概率，并生成概率转移矩阵T_e，如公式2)

3.根据权利要求1所述的智能网联汽车随机模型预测控制实时性优化方法，其特征在于，采用蒙特卡罗算法确定下一时刻的随机误差，具体步骤如下：

确定初始时刻随机误差u(k)后，利用均匀分布产生一个0～1区间内的随机数，若生成的随机数在概率转移矩阵的∑τ_i(j-1)和∑τ_ij之间，则将第j个误差等级作为u(k+1)时刻的随机误差，此过程仍服从马尔可夫决策；由此可见在场景树中，确定某时刻随机误差后，蒙特卡罗算法决定下一时刻的随机误差只有一个，而与离散的随机误差数量N_sc无关，而为了平衡求解精度和计算时间，选择路径总数等于离散的随机误差数N_sc，所以对应目标函数的P_l个数等于N_sc，远小于基准法中的N_sc ^l，其中∑τ_i(j-1)为概率转移矩阵T_e第i行中第1至j-1个元素之和，∑τ_ij为概率转移矩阵T_e第i行中第1至j个元素之和，公式6)的目标函数采用通用算法SQP求解。