CN112758105A - 一种自动驾驶车队跟车行驶控制方法、装置及系统 - Google Patents

一种自动驾驶车队跟车行驶控制方法、装置及系统 Download PDF

Info

Publication number
CN112758105A
CN112758105A CN202011624624.2A CN202011624624A CN112758105A CN 112758105 A CN112758105 A CN 112758105A CN 202011624624 A CN202011624624 A CN 202011624624A CN 112758105 A CN112758105 A CN 112758105A
Authority
CN
China
Prior art keywords
vehicle
acceleration
prediction
head
current moment
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
CN202011624624.2A
Other languages
English (en)
Other versions
CN112758105B (zh
Inventor
梁伟铭
邹清全
高吉
汪忠
吕吉冬
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.)
Shanghai Automobile Industry Group Co Ltd
SAIC Motor Corp Ltd
Original Assignee
SAIC Motor Corp Ltd
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 SAIC Motor Corp Ltd filed Critical SAIC Motor Corp Ltd
Priority to CN202011624624.2A priority Critical patent/CN112758105B/zh
Publication of CN112758105A publication Critical patent/CN112758105A/zh
Application granted granted Critical
Publication of CN112758105B publication Critical patent/CN112758105B/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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供了一种自动驾驶车队跟车行驶控制方法、装置及系统，通过依据预先获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，得到当前时刻对应的加速度模型预测序列；依据预先获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，得到当前时刻对应的前轮转角模型预测序列；从而依据当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成本车在当前时刻对应的加速度指令以及方向盘指令，向本车下发运行控制指令。本发明能够实现在车辆运行的纵向以及横向两个方面控制车队中车辆的运行，以提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率。

Description

一种自动驾驶车队跟车行驶控制方法、装置及系统
技术领域
本发明涉及车辆自动化控制技术领域，更具体的说，是涉及一种自动驾驶车队跟车行驶控制方法、装置及系统。
背景技术
随着经济的发展，目前汽车的保有量越来越多，随着汽车数量的增多，相继出现了道路拥堵的问题，而单车智能不能在系统层面解决道路拥堵的问题，基于此，目前提出了一种车辆编队行驶方案，以期解决目前存在的道路拥堵问题，车辆编队行驶方案也就是将数量大于等于两辆的车辆组成自动驾驶车队，车头采用自动驾驶，后面的车辆跟随车头进行自动驾驶，在行进过程中车队保持编队形式。
然而目前的车辆编队行驶方案存在行驶稳定性差的问题，导致自动驾驶车队的通行效率低，无法从根本解决道路拥堵的问题，基于此，如何提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率，成为目前需要解决的技术问题。
发明内容
有鉴于此，本发明提供了一种自动驾驶车队跟车行驶控制方法、装置及系统，以提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率。
为实现上述目的，本发明提供如下技术方案：
一种自动驾驶车队跟车行驶控制方法，所述方法包括：
实时获取头车、前车以及本车的车辆运行相关信息；
依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列，所述纵向为车辆的行驶方向；
依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列，所述横向为与车辆行驶方向垂直的方向；
依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
优选的，所述依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列包括：
将获取的头车、前车以及本车的车辆运行相关信息，输入到纵向预测模型中；
所述纵向预测模型至少基于获取的头车、前车以及本车的车辆运行相关信息，构建纵向预测模型的成本函数；所述纵向预测模型的成本函数至少是关于加速度模型预测序列的函数；
所述纵向预测模型利用动态规划算法，通过多次迭代运算对所述纵向预测模型的成本函数进行优化，直到得到所述纵向预测模型的成本函数呈现收敛状况时的加速度模型预测序列，作为当前时刻对应的加速度模型预测序列。
优选的，所述纵向预测模型包括：
Figure BDA0002872906490000021
约束条件：
Figure BDA0002872906490000022
Figure BDA0002872906490000023
Figure BDA0002872906490000031
其中，minL1为纵向预测模型的成本函数，t为时间，T为规划时域，
Figure BDA0002872906490000032
为t时刻本车的纵向运行状态序列，
Figure BDA0002872906490000033
为
Figure BDA0002872906490000034
的转置，
Figure BDA0002872906490000035
为t时刻对应的加速度模型预测序列，
Figure BDA0002872906490000036
为
Figure BDA0002872906490000037
的转置，
Figure BDA0002872906490000038
为t+Δt时刻本车的纵向运行状态序列，Qt为
Figure BDA0002872906490000039
的权重矩阵，Rt为
Figure BDA00028729064900000310
的权重矩阵，
Figure BDA00028729064900000311
Figure BDA00028729064900000312
Figure BDA00028729064900000313
Figure BDA00028729064900000314
其中，h*为本车分别与头车或前车的期望空间间距，h为本车分别与头车或前车的实际空间间距，Δv为本车分别与头车或前车的实际速度差，Δa为本车分别与头车或前车的实际加速度差，I3*3为单位矩阵，τa为加减速的一阶惯性延迟参数，al为头车或前车的未来轨迹预测加速度，Δt为控制的时间步长。
优选的，所述头车或前车的未来轨迹预测加速度的获取过程包括：
依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图；
对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度；
或，
依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图；
对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度。
优选的，所述依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图包括：
依据传感器实时采集到的头车的车辆运行相关信息，结合运动规律，对头车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻头车在纵向上的传感器预测加速度，作为当前时刻对应的头车加速度传感器预测序列；
相应的，所述对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度包括：
将当前时刻对应的头车加速度传感器预测序列与获取的当前时刻对应的头车加速度模型预测序列进行比对，依据比对结果得到头车的未来轨迹预测加速度。
优选的，所述依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图包括：
依据传感器实时采集到的前车的车辆运行相关信息，结合运动规律，对前车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻前车在纵向上的传感器预测加速度，作为当前时刻对应的前车加速度传感器预测序列；
相应的，所述对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度包括：
将当前时刻对应的前车加速度传感器预测序列与获取的当前时刻对应的前车加速度模型预测序列进行比对，依据比对结果得到前车的未来轨迹预测加速度。
优选的，所述依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列包括：
将获取的头车、前车以及本车的车辆运行相关信息，输入到横向预测模型中；
所述横向预测模型至少基于获取的头车、前车以及本车的车辆运行相关信息，构建横向预测模型的成本函数；所述横向预测模型的成本函数至少是关于前轮转角模型预测序列的函数；
所述横向预测模型利用动态规划算法，通过多次迭代运算对所述横向预测模型的成本函数进行优化，直到得到所述横向预测模型的成本函数呈现收敛状况时的前轮转角模型预测序列，作为当前时刻对应的前轮转角模型预测序列。
优选的，所述横向预测模型包括：
Figure BDA0002872906490000051
约束条件：
Figure BDA0002872906490000052
Figure BDA0002872906490000053
Figure BDA0002872906490000054
其中，minL2为横向预测模型的成本函数，t为时间，T为规划时域，
Figure BDA0002872906490000055
为t时刻本车的横向运行状态序列，
Figure BDA0002872906490000056
为
Figure BDA0002872906490000057
的转置，
Figure BDA0002872906490000058
为t时刻对应的前轮转角模型预测序列，
Figure BDA0002872906490000059
为
Figure BDA00028729064900000510
的转置，
Figure BDA00028729064900000511
为t+Δt时刻本车的横向运行状态序列，Q* t为
Figure BDA00028729064900000512
的权重矩阵，R* t为
Figure BDA00028729064900000513
的权重矩阵，
Figure BDA00028729064900000514
Figure BDA00028729064900000515
Figure BDA00028729064900000516
Figure BDA00028729064900000517
其中，Δf为本车当前时刻所在纵向位置分别与头车或前车在该纵向位置处的横向偏移误差；
Figure BDA00028729064900000518
为头车或前车在本车当前时刻所在位置处时的航向角，
Figure BDA00028729064900000519
为本车当前时刻的航向角，δ为本车当前时刻的前轮转角，I3*3为单位矩阵，τδ为转向系统的一阶惯性延迟参数，L为本车轴距，v为本车当前时刻的速度，Δt为控制的时间步长。
一种自动驾驶车队跟车行驶控制装置，所述装置包括：
车辆运行信息获取单元，用于实时获取头车、前车以及本车的车辆运行相关信息；
加速度预测单元，用于依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列，所述纵向为车辆的行驶方向；
前轮转角预测单元，用于依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列，所述横向为与车辆行驶方向垂直的方向；
指令生成单元，用于依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
指令下发单元，用于依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
一种自动驾驶车队跟车行驶控制系统，所述自动驾驶车队跟车行驶控制系统至少用于执行如上所述的自动驾驶车队跟车行驶控制方法。
经由上述的技术方案可知，与现有技术相比，本发明提供了一种自动驾驶车队跟车行驶控制方法、装置及系统，通过实时获取头车、前车以及本车的车辆运行相关信息；依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列；依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列；从而依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。由此可知，本发明能够分别利用纵向预测模型以及横向预测模型预测得到纵向上的加速度模型预测序列以及横向上的前轮转角模型预测序列，从而依据加速度模型预测序列以及前轮转角模型预测序列，生成本车纵向上的加速度指令以及横向上的方向盘指令，并向本车下发运行控制指令，从而实现在车辆运行的纵向以及横向两个方面控制车队中车辆的运行，以提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种自动驾驶车队跟车行驶控制方法流程图；
图2为本发明实施例提供的另一种自动驾驶车队跟车行驶控制方法流程图；
图3为本发明实施例提供的自动驾驶车队跟车行驶控制装置的结构框图。
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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
随着经济的发展，目前汽车的保有量越来越多，随着汽车数量的增多，相继出现了道路拥堵的问题，而单车智能不能在系统层面解决道路拥堵的问题，基于此，目前提出了一种基于V2X(vehicle to everything，车用无线通信技术)的车辆编队行驶方案，以期解决目前存在的道路拥堵问题，车辆编队行驶方案也就是将数量大于等于两辆的车辆组成自动驾驶车队，车头采用自动驾驶，后面的车辆跟随车头进行自动驾驶，在行进过程中车队保持编队形式。
然而目前的车辆编队行驶方案存在行驶稳定性差的问题，导致自动驾驶车队的通行效率低，无法从根本解决道路拥堵的问题，基于此，如何提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率，成为目前需要解决的技术问题。
为了解决上述技术问题，本发明公开一种自动驾驶车队跟车行驶控制方法，通过实时获取头车、前车以及本车的车辆运行相关信息；依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列；依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列；从而依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。由此可知，本发明能够分别利用纵向预测模型以及横向预测模型预测得到纵向上的加速度模型预测序列以及横向上的前轮转角模型预测序列，从而依据加速度模型预测序列以及前轮转角模型预测序列，生成本车纵向上的加速度指令以及横向上的方向盘指令，并向本车下发运行控制指令，从而实现在车辆运行的纵向以及横向两个方面控制车队中车辆的运行，以提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率。缩短编队中车辆的间距，提高交通通行能力。并且，通过自动控制车队中车辆的运行，降低因驾驶员疲劳驾驶引发交通事故的概率，提高车队行驶的安全性。
下面以对本发明实施例提供的自动驾驶车队跟车行驶控制方法进行介绍。
图1为本发明实施例提供的自动驾驶车队跟车行驶控制方法的流程图，该方法可应用于自动驾驶车队中的任何一辆车，参照图1，所述方法可以包括：
步骤S100、实时获取头车、前车以及本车的车辆运行相关信息；
需要说明的是，本车为自动驾驶车队中的任何一辆车，头车指的是在自动驾驶车队中行驶在最前面的一辆车，前车指的是在自动驾驶车队中与本车前后相邻并且行驶在本车前面的车辆。
可选的，当本车为头车的时候，其不存在对应的前车以及头车，当本车为自动驾驶车队中的第二辆车的时候，其前车即为头车。
自动驾驶车队中的任何一辆车都会实时将车辆运行相关信息上传至系统中，车辆运行相关信息指的是与车辆运行状况相关的信息，例如：GPS(Global PositioningSystem，全球定位系统)数据、车速、刹车信息、方向盘转角、加速度、轴距、航向、前轮转角、轨迹线曲率等，本发明实施例不做具体限定。
步骤S110、依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列；
需要说明的是，所述纵向为车辆的行驶方向。纵向预测模型是用来对当前时刻对应的加速度模型预测序列进行预测的。
本发明可以预先设置控制的时间步长Δt，当当前时刻为t时刻的情况下，与当前时刻对应的未来至少一个时刻例如为：t+Δt时刻、t+2Δt时刻、t+3Δt时刻...t+nΔt时刻，n为大于等于1的整数。相应的，预测的与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，可以指的是在t+Δt时刻、t+2Δt时刻、t+3Δt时刻...t+nΔt时刻本车在纵向上的加速度。加速度模型预测序列中包含有在t+Δt时刻、t+2Δt时刻、t+3Δt时刻...t+nΔt时刻本车在纵向上的加速度预测值。
本车在纵向上的加速度指的是本车在车辆行驶方向上的加速度。
步骤S120、依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列；
需要说明的是，所述横向为与车辆行驶方向垂直的方向。
需要说明的是，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角步骤中与当前时刻对应的未来至少一个时刻与上述预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度步骤中与当前时刻对应的未来至少一个时刻对应。
当当前时刻为t时刻的情况下，本发明可以预测在t+Δt时刻、t+2Δt时刻、t+3Δt时刻...t+nΔt时刻本车在横向上的车辆前轮转角，并将预测得到的本车在t+Δt时刻、t+2Δt时刻、t+3Δt时刻...t+nΔt时刻本车在横向上的车辆前轮转角作为当前时刻对应的前轮转角模型预测序列。前轮转角模型预测序列中包含有在t+Δt时刻、t+2Δt时刻、t+3Δt时刻...t+nΔt时刻本车在横向方向上的车辆前轮转角预测值。
可选的，本发明中的上述步骤S110以及步骤S120的执行不分先后顺序，可以先执行步骤S110，再执行步骤S120；也可以先执行步骤S120，再执行步骤S110；还可以步骤S110以与步骤S120同时执行，本发明不做具体限定。
步骤S130、依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
可选的，本发明实施例可以从当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列中分别选取排列在前m位(m小于等于n)的加速度预测值以及前轮转角预测值作为目标加速度预测值以及目标前轮转角预测值，并依据目标加速度预测值以及目标前轮转角预测值生成所述本车在当前时刻对应的加速度指令以及方向盘指令。
可选的，本发明实施例从当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列中分别选取排列在第一位(即t+Δt时刻)的加速度预测值以及前轮转角预测值作为目标加速度预测值以及目标前轮转角预测值，并依据目标加速度预测值以及目标前轮转角预测值生成所述本车在当前时刻对应的加速度指令以及方向盘指令。
本发明中的加速度指令例如可以包括：电机转速、节气门开度等信息指令，本发明中的方向盘指令例如可以包括：方向盘转角角度等信息指令，本发明不做具体限定。
步骤S140、依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
具体的，本发明实施例可以依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令，例如向电机下发电机控制指令、向节气门下发节气门控制指令、向方向盘下发方向盘控制指令等，本发明不做具体限定。
本发明通过实时获取头车、前车以及本车的车辆运行相关信息；依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列；依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列；从而依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。由此可知，本发明能够分别利用纵向预测模型以及横向预测模型预测得到纵向上的加速度模型预测序列以及横向上的前轮转角模型预测序列，从而依据加速度模型预测序列以及前轮转角模型预测序列，生成本车纵向上的加速度指令以及横向上的方向盘指令，并向本车下发运行控制指令，从而实现在车辆运行的纵向以及横向两个方面控制车队中车辆的运行，以提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率。
其中，车队行驶稳定性是指车队在行驶过程中不会出现跟驰误差向后逐渐变大的现象，也不会出现头车制动时多车链式制动的现象。跟驰误差指实际跟驰目标与期望跟驰目标之间的差距，其中，跟驰目标即横向和纵向的空间距离。多车链式制动是指当头车制动时，后车因为无法及时获取头车的消息导致制动有延迟，在车队中越靠后的车辆制动延迟越高。
由于本发明中自动驾驶车队中的每辆车都是根据头车以及前车的车辆运行相关信息预测加速度以及前轮转角的，也就是说，对自动驾驶车队中的每辆车下发的运行控制指令都是参考头车以及前车的车辆运行相关信息而生成的，因此，对自动驾驶车队中的每辆车下发的运行控制指令能够保证车队在行驶过程中不会出现跟驰误差向后逐渐变大的现象，也不会出现头车制动时多车链式制动的现象，从而保证车队行驶稳定性。
另外，本发明通过上述方式生成加速度指令以及方向盘指令缩短编队中车辆的间距，使自动驾驶车队之中的车辆能够保持一定的间距稳定跟车行驶，并能覆盖转弯、换道、掉头等场景，从而提高交通通行能力，降低燃油消耗，减少排放。并且，通过自动控制车队中车辆的运行，降低因驾驶员疲劳驾驶引发交通事故的概率，提高车队行驶的安全性。
优选的，本发明还提供了另外一种自动驾驶车队跟车行驶控制方法，图2示出了本发明实施例提供的另一种自动驾驶车队跟车行驶控制方法流程图，参照图2，该方法可以包括：
步骤S200、实时获取头车、前车以及本车的车辆运行相关信息；
步骤S210、将获取的头车、前车以及本车的车辆运行相关信息，输入到纵向预测模型中；
步骤S220、所述纵向预测模型至少基于获取的头车、前车以及本车的车辆运行相关信息，构建纵向预测模型的成本函数；所述纵向预测模型的成本函数至少是关于加速度模型预测序列的函数；
所述纵向预测模型包括：
Figure BDA0002872906490000121
约束条件：
Figure BDA0002872906490000122
Figure BDA0002872906490000123
Figure BDA0002872906490000124
其中，minL1为纵向预测模型的成本函数，t为时间(假设当前时刻为t时刻)，T为规划时域，即算法预测的是未来T时间内的车辆状态，
Figure BDA0002872906490000125
为t时刻本车的纵向运行状态序列，
Figure BDA0002872906490000126
为
Figure BDA0002872906490000127
的转置，
Figure BDA0002872906490000128
为t时刻对应的加速度模型预测序列，
Figure BDA0002872906490000131
与
Figure BDA0002872906490000132
在时刻上一一对应，当
Figure BDA0002872906490000133
为
Figure BDA0002872906490000134
Figure BDA0002872906490000135
组成的序列的时候，相应的，
Figure BDA0002872906490000136
为
Figure BDA0002872906490000137
Figure BDA0002872906490000138
组成的序列，n为大于等于1的整数。
Figure BDA0002872906490000139
为
Figure BDA00028729064900001310
所能取到的最小值，
Figure BDA00028729064900001311
为
Figure BDA00028729064900001312
所能取到的最大值，
Figure BDA00028729064900001313
为
Figure BDA00028729064900001314
所能取到的最小值，
Figure BDA00028729064900001315
为
Figure BDA00028729064900001316
所能取到的最大值，Qt为
Figure BDA00028729064900001317
的权重矩阵，Rt为
Figure BDA00028729064900001318
的权重矩阵，
Figure BDA00028729064900001319
Figure BDA00028729064900001320
Figure BDA00028729064900001321
Figure BDA00028729064900001322
其中，At、Bt、Ct分别为公式中的相关参数，h*为本车分别与头车或前车的期望空间间距，h*为预先设置的值，h为本车分别与头车或前车的当前时刻的实际空间间距，Δv为本车分别与头车或前车的当前时刻的实际速度差，Δa为本车分别与头车或前车的当前时刻的实际加速度差，I3*3为单位矩阵，τa为加减速的一阶惯性延迟参数，τa为预先设置的值，al为头车或前车的未来轨迹预测加速度，Δt为控制的时间步长。
可选的，minL1作为纵向预测模型中MPC(Model Predictive Control，模型预测控制)优化目标的成本函数。
所述头车或前车的未来轨迹预测加速度al的获取过程包括：
依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图；对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度；或，依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图；对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度。
可选的，所述依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图包括：
依据传感器实时采集到的头车的车辆运行相关信息，结合运动规律，对头车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻头车在纵向上的传感器预测加速度，作为当前时刻对应的头车加速度传感器预测序列；
当前时刻对应的头车加速度传感器预测序列为传感器依据头车的车辆运行相关信息，结合运动规律进行预测得到的预测结果。
相应的，所述对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度包括：将当前时刻对应的头车加速度传感器预测序列与获取的当前时刻对应的头车加速度模型预测序列进行比对，依据比对结果得到头车的未来轨迹预测加速度。
本发明通过将传感器预测得到的头车加速度传感器预测序列，与纵向预测模型预测得到的头车加速度模型预测序列进行比对，按照预设规则从中选取一个预测序列作为头车的未来轨迹预测加速度。
同理，依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图包括：
依据传感器实时采集到的前车的车辆运行相关信息，结合运动规律，对前车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻前车在纵向上的传感器预测加速度，作为当前时刻对应的前车加速度传感器预测序列；
当前时刻对应的加速度传感器预测序列为传感器依据前车的车辆运行相关信息，结合运动规律进行预测得到的预测结果。
相应的，对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度包括：
将当前时刻对应的前车加速度传感器预测序列与获取的当前时刻对应的前车加速度模型预测序列进行比对，依据比对结果得到前车的未来轨迹预测加速度。
本发明通过将传感器预测得到的前车加速度传感器预测序列，与纵向预测模型预测得到的前车加速度模型预测序列进行比对，按照预设规则从中选取一个预测序列作为前车的未来轨迹预测加速度。
步骤S230、所述纵向预测模型利用动态规划算法，通过多次迭代运算对所述纵向预测模型的成本函数进行优化，直到得到所述纵向预测模型的成本函数呈现收敛状况时的加速度模型预测序列，作为当前时刻对应的加速度模型预测序列；
可选的，本步骤主要是利用动态规划算法，求解该MPC优化问题，得到最优控制序列，纵向预测模型的成本函数呈现收敛状况时的加速度模型预测序列即为纵向预测模型的最优解。
可选的，本发明会基于头车的相关参数，利用纵向预测模型预测得到一个与头车对应的加速度模型预测序列，然后基于前车的相关参数，利用纵向预测模型预测得到一个与前车对应的加速度模型预测序列，然后将头车对应的加速度模型预测序列与前车对应的加速度模型预测序列进行比较，取两者中小的一个作为最终的加速度模型预测序列。
步骤S240、将获取的头车、前车以及本车的车辆运行相关信息，输入到横向预测模型中；
步骤S250、所述横向预测模型至少基于获取的头车、前车以及本车的车辆运行相关信息，构建横向预测模型的成本函数；所述横向预测模型的成本函数至少是关于前轮转角模型预测序列的函数；
所述横向预测模型包括：
Figure BDA0002872906490000151
约束条件：
Figure BDA0002872906490000152
Figure BDA0002872906490000153
Figure BDA0002872906490000154
其中，minL2为横向预测模型的成本函数，t为时间(假设当前时刻为t时刻)，T为规划时域，
Figure BDA0002872906490000155
为t时刻本车的横向运行状态序列，
Figure BDA0002872906490000156
为
Figure BDA0002872906490000157
的转置，
Figure BDA0002872906490000158
为t时刻对应的前轮转角模型预测序列，
Figure BDA0002872906490000159
为
Figure BDA00028729064900001510
的转置，
Figure BDA0002872906490000161
为t+Δt时刻本车的横向运行状态序列，
Figure BDA0002872906490000162
与
Figure BDA0002872906490000163
在时刻上一一对应，当
Figure BDA0002872906490000164
为
Figure BDA0002872906490000165
组成的序列的时候，相应的，
Figure BDA0002872906490000166
为
Figure BDA0002872906490000167
组成的序列，n为大于等于1的整数。
Figure BDA0002872906490000168
为
Figure BDA0002872906490000169
所能取到的最小值，
Figure BDA00028729064900001610
为
Figure BDA00028729064900001611
所能取到的最大值，
Figure BDA00028729064900001612
为
Figure BDA00028729064900001613
所能取到的最小值，
Figure BDA00028729064900001614
为
Figure BDA00028729064900001615
所能取到的最大值，Q* t为
Figure BDA00028729064900001616
的权重矩阵，R* t为
Figure BDA00028729064900001617
的权重矩阵，
Figure BDA00028729064900001618
Figure BDA00028729064900001619
Figure BDA00028729064900001620
Figure BDA00028729064900001621
其中，Ak、Bk、Ck为上述公式中的相关参数，Δf为本车当前时刻所在纵向位置分别与头车或前车在该纵向位置处的横向偏移误差，假如当前时刻本车所在纵向位置为A，从头车的车辆运行相关历史信息中提取头车在纵向位置A处的相关信息，并比较本车在纵向位置A处与头车在纵向位置A处的横向偏移误差，即两者在与行驶方向垂直的方向上的偏移距离。同理，从前车的车辆运行相关历史信息中提取前车在纵向位置A处的相关信息，并比较本车在纵向位置A处与前车在纵向位置A处的横向偏移误差，即两者在与行驶方向垂直的方向上的偏移距离。
纵向位置指的是在车辆行驶方向上所在的位置。
Figure BDA00028729064900001622
为头车或前车在本车当前时刻所在位置处时的航向角，此处的位置指的是横纵两个方向的位置。
Figure BDA0002872906490000171
为本车当前时刻的航向角，δ为本车当前时刻的前轮转角，τδ为转向系统的一阶惯性延迟参数，I3*3为单位矩阵，τδ为预先设置的值，L为本车轴距，v为本车当前时刻的速度，Δt为控制的时间步长。
可选的，minL2作为横向预测模型中MPC优化目标的成本函数。
步骤S260、所述横向预测模型利用动态规划算法，通过多次迭代运算对所述横向预测模型的成本函数进行优化，直到得到所述横向预测模型的成本函数呈现收敛状况时的前轮转角模型预测序列，作为当前时刻对应的前轮转角模型预测序列；
可选的，本步骤主要是利用动态规划算法，求解该MPC优化问题，得到最优控制序列，横向预测模型的成本函数呈现收敛状况时的前轮转角模型预测序列即为横向预测模型的最优解。
可选的，本发明会基于头车的相关参数，利用横向预测模型预测得到一个与头车对应的前轮转角模型预测序列，然后基于前车的相关参数，利用横向预测模型预测得到一个与前车对应的前轮转角模型预测序列，然后将头车对应的前轮转角模型预测序列与前车对应的前轮转角模型预测序列进行比较，按照预设选取规则从中选取一个作为最终的前轮转角模型预测序列。
步骤S270、依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
步骤S280、依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
通过实时获取头车、前车以及本车的车辆运行相关信息；依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列；依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列；从而依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。由此可知，本发明能够分别利用纵向预测模型以及横向预测模型预测采用滚动优化的思想得到纵向上的加速度模型预测序列以及横向上的前轮转角模型预测序列，从而依据加速度模型预测序列以及前轮转角模型预测序列，生成本车纵向上的加速度指令以及横向上的方向盘指令，并向本车下发运行控制指令，从而实现在车辆运行的纵向以及横向两个方面控制车队中车辆的运行，以提高整个自动驾驶车队的行驶稳定性，进而提高自动驾驶车队的通行效率。缩短编队中车辆的间距，提高交通通行能力。并且，通过自动控制车队中车辆的运行，降低因驾驶员疲劳驾驶引发交通事故的概率，提高车队行驶的安全性。
并且，本发明在计算加速度模型预测序列以及前轮转角模型预测序列的过程中，分别参考了头车的相关运行信息以及前车的相关运行信息，使得最终生成的加速度指令以及方向盘指令既参考了头车的相关运行信息又参考了前车的相关运行信息，从而从系统层面保证整个自动驾驶车队的行驶稳定性。同时，本发明中的纵向预测模型以及横向预测模型都是基于运动学建模，适用于大部分乘用车，避免了因为更换车型而导致的模型失配问题，应用更加广泛。
本发明通过在纵向预测模型中添加了头车或前车的未来轨迹预测加速度，使整个车队在纵向跟踪上达到了联动的效果，更能保证队列行驶过程中的安全性。
下面对本发明实施例提供的自动驾驶车队跟车行驶控制装置进行介绍，下文描述的自动驾驶车队跟车行驶控制装置可与上文自动驾驶车队跟车行驶控制方法相互对应参照。
图3为本发明实施例提供的自动驾驶车队跟车行驶控制装置的结构框图，该自动驾驶车队跟车行驶控制装置具体可以为服务器，参照图3，该自动驾驶车队跟车行驶控制装置可以包括：
车辆运行信息获取单元300，用于实时获取头车、前车以及本车的车辆运行相关信息；
加速度预测单元310，用于依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列，所述纵向为车辆的行驶方向；
前轮转角预测单元320，用于依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列，所述横向为与车辆行驶方向垂直的方向；
指令生成单元330，用于依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
指令下发单元340，用于依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
可选的，所述加速度预测单元包括：
第一车辆运行信息输入单元，用于将获取的头车、前车以及本车的车辆运行相关信息，输入到纵向预测模型中；
第一成本函数构建单元，用于至少基于获取的头车、前车以及本车的车辆运行相关信息，构建纵向预测模型的成本函数；所述纵向预测模型的成本函数至少是关于加速度模型预测序列的函数；
第一成本函数优化单元，用于利用动态规划算法，通过多次迭代运算对所述纵向预测模型的成本函数进行优化，直到得到所述纵向预测模型的成本函数呈现收敛状况时的加速度模型预测序列，作为当前时刻对应的加速度模型预测序列。
所述纵向预测模型包括：
Figure BDA0002872906490000191
约束条件：
Figure BDA0002872906490000201
Figure BDA0002872906490000202
Figure BDA0002872906490000203
其中，minL1为纵向预测模型的成本函数，t为时间，T为规划时域，
Figure BDA0002872906490000204
为t时刻本车的纵向运行状态序列，
Figure BDA0002872906490000205
为
Figure BDA0002872906490000206
的转置，
Figure BDA0002872906490000207
为t时刻对应的加速度模型预测序列，
Figure BDA0002872906490000208
为
Figure BDA0002872906490000209
的转置，
Figure BDA00028729064900002010
为t+Δt时刻本车的纵向运行状态序列，Qt为
Figure BDA00028729064900002011
的权重矩阵，Rt为
Figure BDA00028729064900002012
的权重矩阵，
Figure BDA00028729064900002013
Figure BDA00028729064900002014
Figure BDA00028729064900002015
Figure BDA00028729064900002016
其中，h*为本车分别与头车或前车的期望空间间距，h为本车分别与头车或前车的实际空间间距，Δv为本车分别与头车或前车的实际速度差，Δa为本车分别与头车或前车的实际加速度差，I3*3为单位矩阵，τa为加减速的一阶惯性延迟参数，al为头车或前车的未来轨迹预测加速度，Δt为控制的时间步长。
可选的，还包括：未来轨迹预测加速度获取单元，用于：获取头车或前车的未来轨迹预测加速度，所述未来轨迹预测加速度获取单元包括：
头车预测加速度获取单元，用于依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图；对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度；
或，
前车预测加速度获取单元，用于依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图；对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度。
可选的，所述头车预测加速度获取单元具体用于：
依据传感器实时采集到的头车的车辆运行相关信息，结合运动规律，对头车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻头车在纵向上的传感器预测加速度，作为当前时刻对应的头车加速度传感器预测序列；
将当前时刻对应的头车加速度传感器预测序列与获取的当前时刻对应的头车加速度模型预测序列进行比对，依据比对结果得到头车的未来轨迹预测加速度。
可选的，所述前车预测加速度获取单元具体用于：
依据传感器实时采集到的前车的车辆运行相关信息，结合运动规律，对前车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻前车在纵向上的传感器预测加速度，作为当前时刻对应的前车加速度传感器预测序列；
将当前时刻对应的前车加速度传感器预测序列与获取的当前时刻对应的前车加速度模型预测序列进行比对，依据比对结果得到前车的未来轨迹预测加速度。
可选的，所述前轮转角预测单元包括：
第而车辆运行信息输入单元，用于将获取的头车、前车以及本车的车辆运行相关信息，输入到横向预测模型中；
第二成本函数构建单元，用于至少基于获取的头车、前车以及本车的车辆运行相关信息，构建横向预测模型的成本函数；所述横向预测模型的成本函数至少是关于前轮转角模型预测序列的函数；
第二成本函数优化单元，用于利用动态规划算法，通过多次迭代运算对所述横向预测模型的成本函数进行优化，直到得到所述横向预测模型的成本函数呈现收敛状况时的前轮转角模型预测序列，作为当前时刻对应的前轮转角模型预测序列。
所述横向预测模型包括：
Figure BDA0002872906490000221
约束条件：
Figure BDA0002872906490000222
Figure BDA0002872906490000223
Figure BDA0002872906490000224
其中，minL2为横向预测模型的成本函数，t为时间，T为规划时域，
Figure BDA0002872906490000225
为t时刻本车的横向运行状态序列，
Figure BDA0002872906490000226
为
Figure BDA0002872906490000227
的转置，
Figure BDA0002872906490000228
为t时刻对应的前轮转角模型预测序列，
Figure BDA0002872906490000229
为
Figure BDA00028729064900002210
的转置，
Figure BDA00028729064900002211
为t+Δt时刻本车的横向运行状态序列，Q* t为
Figure BDA00028729064900002212
的权重矩阵，R* t为
Figure BDA00028729064900002213
的权重矩阵，
Figure BDA00028729064900002214
Figure BDA00028729064900002215
Figure BDA00028729064900002216
Figure BDA00028729064900002217
其中，Δf为本车当前时刻所在纵向位置分别与头车或前车在该纵向位置处的横向偏移误差；
Figure BDA00028729064900002218
为头车或前车在本车当前时刻所在位置处时的航向角，
Figure BDA00028729064900002219
为本车当前时刻的航向角，δ为本车当前时刻的前轮转角，I3*3为单位矩阵，τδ为转向系统的一阶惯性延迟参数，L为本车轴距，v为本车当前时刻的速度，Δt为控制的时间步长。
可选的，本发明还公开一种自动驾驶车队跟车行驶控制系统，所述自动驾驶车队跟车行驶控制系统至少用于执行如上所述的自动驾驶车队跟车行驶控制方法。
本说明书中各个实施例中记载的技术特征可以相互替换或组合，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种自动驾驶车队跟车行驶控制方法，其特征在于，所述方法包括：
实时获取头车、前车以及本车的车辆运行相关信息；
依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列，所述纵向为车辆的行驶方向；
依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列，所述横向为与车辆行驶方向垂直的方向；
依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
2.根据权利要求1所述的方法，其特征在于，所述依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列包括：
将获取的头车、前车以及本车的车辆运行相关信息，输入到纵向预测模型中；
所述纵向预测模型至少基于获取的头车、前车以及本车的车辆运行相关信息，构建纵向预测模型的成本函数；所述纵向预测模型的成本函数至少是关于加速度模型预测序列的函数；
所述纵向预测模型利用动态规划算法，通过多次迭代运算对所述纵向预测模型的成本函数进行优化，直到得到所述纵向预测模型的成本函数呈现收敛状况时的加速度模型预测序列，作为当前时刻对应的加速度模型预测序列。
3.根据权利要求2所述的方法，其特征在于，所述纵向预测模型包括：
Figure FDA0002872906480000011
约束条件：
Figure FDA0002872906480000021
Figure FDA0002872906480000022
Figure FDA0002872906480000023
其中，minL1为纵向预测模型的成本函数，t为时间，T为规划时域，
Figure FDA0002872906480000024
为t时刻本车的纵向运行状态序列，
Figure FDA0002872906480000025
为
Figure FDA0002872906480000026
的转置，
Figure FDA0002872906480000027
为t时刻对应的加速度模型预测序列，
Figure FDA0002872906480000028
为
Figure FDA0002872906480000029
的转置，
Figure FDA00028729064800000210
为t+Δt时刻本车的纵向运行状态序列，Qt为
Figure FDA00028729064800000211
的权重矩阵，Rt为
Figure FDA00028729064800000212
的权重矩阵，
Figure FDA00028729064800000213
Figure FDA00028729064800000214
Figure FDA00028729064800000215
Figure FDA00028729064800000216
其中，h*为本车分别与头车或前车的期望空间间距，h为本车分别与头车或前车的实际空间间距，Δv为本车分别与头车或前车的实际速度差，Δa为本车分别与头车或前车的实际加速度差，I3*3为单位矩阵，τa为加减速的一阶惯性延迟参数，al为头车或前车的未来轨迹预测加速度，Δt为控制的时间步长。
4.根据权利要求3所述的方法，其特征在于，所述头车或前车的未来轨迹预测加速度的获取过程包括：
依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图；
对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度；
或，
依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图；
对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度。
5.根据权利要求4所述的方法，其特征在于，所述依据获取的头车的车辆运行相关信息，对头车的未来驾驶意图进行预测，得到头车的未来驾驶意图包括：
依据传感器实时采集到的头车的车辆运行相关信息，结合运动规律，对头车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻头车在纵向上的传感器预测加速度，作为当前时刻对应的头车加速度传感器预测序列；
相应的，所述对所述头车的未来驾驶意图进行分析，得到头车的未来轨迹预测加速度包括：
将当前时刻对应的头车加速度传感器预测序列与获取的当前时刻对应的头车加速度模型预测序列进行比对，依据比对结果得到头车的未来轨迹预测加速度。
6.根据权利要求4所述的方法，其特征在于，所述依据获取的前车的车辆运行相关信息，对前车的未来驾驶意图进行预测，得到前车的未来驾驶意图包括：
依据传感器实时采集到的前车的车辆运行相关信息，结合运动规律，对前车的未来加速度进行预测，得到当前时刻对应的未来至少一个时刻前车在纵向上的传感器预测加速度，作为当前时刻对应的前车加速度传感器预测序列；
相应的，所述对所述前车的未来驾驶意图进行分析，得到前车的未来轨迹预测加速度包括：
将当前时刻对应的前车加速度传感器预测序列与获取的当前时刻对应的前车加速度模型预测序列进行比对，依据比对结果得到前车的未来轨迹预测加速度。
7.根据权利要求1所述的方法，其特征在于，所述依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列包括：
将获取的头车、前车以及本车的车辆运行相关信息，输入到横向预测模型中；
所述横向预测模型至少基于获取的头车、前车以及本车的车辆运行相关信息，构建横向预测模型的成本函数；所述横向预测模型的成本函数至少是关于前轮转角模型预测序列的函数；
所述横向预测模型利用动态规划算法，通过多次迭代运算对所述横向预测模型的成本函数进行优化，直到得到所述横向预测模型的成本函数呈现收敛状况时的前轮转角模型预测序列，作为当前时刻对应的前轮转角模型预测序列。
8.根据权利要求7所述的方法，其特征在于，所述横向预测模型包括：
Figure FDA0002872906480000041
约束条件：
Figure FDA0002872906480000042
Figure FDA0002872906480000043
Figure FDA0002872906480000044
其中，minL2为横向预测模型的成本函数，t为时间，T为规划时域，
Figure FDA0002872906480000045
为t时刻本车的横向运行状态序列，
Figure FDA0002872906480000046
为
Figure FDA0002872906480000047
的转置，
Figure FDA0002872906480000048
为t时刻对应的前轮转角模型预测序列，
Figure FDA0002872906480000049
为
Figure FDA00028729064800000410
的转置，
Figure FDA00028729064800000411
为t+Δt时刻本车的横向运行状态序列，Q* t为
Figure FDA00028729064800000412
的权重矩阵，R* t为
Figure FDA00028729064800000413
的权重矩阵，
Figure FDA00028729064800000414
Figure FDA00028729064800000415
Figure FDA00028729064800000416
Figure FDA0002872906480000051
其中，Δf为本车当前时刻所在纵向位置分别与头车或前车在该纵向位置处的横向偏移误差；
Figure FDA0002872906480000052
为头车或前车在本车当前时刻所在位置处时的航向角，
Figure FDA0002872906480000053
为本车当前时刻的航向角，δ为本车当前时刻的前轮转角，I3*3为单位矩阵，τδ为转向系统的一阶惯性延迟参数，L为本车轴距，v为本车当前时刻的速度，Δt为控制的时间步长。
9.一种自动驾驶车队跟车行驶控制装置，其特征在于，所述装置包括：
车辆运行信息获取单元，用于实时获取头车、前车以及本车的车辆运行相关信息；
加速度预测单元，用于依据获取的头车、前车以及本车的车辆运行相关信息，基于纵向预测模型，预测与当前时刻对应的未来至少一个时刻本车在纵向上的加速度，得到当前时刻对应的加速度模型预测序列，所述纵向为车辆的行驶方向；
前轮转角预测单元，用于依据获取的头车、前车以及本车的车辆运行相关信息，基于横向预测模型，预测与当前时刻对应的未来至少一个时刻本车在横向上的车辆前轮转角，得到当前时刻对应的前轮转角模型预测序列，所述横向为与车辆行驶方向垂直的方向；
指令生成单元，用于依据所述当前时刻对应的加速度模型预测序列以及前轮转角模型预测序列，生成所述本车在当前时刻对应的加速度指令以及方向盘指令；
指令下发单元，用于依据所述本车在当前时刻对应的加速度指令以及方向盘指令，向所述本车下发运行控制指令。
10.一种自动驾驶车队跟车行驶控制系统，其特征在于，所述自动驾驶车队跟车行驶控制系统至少用于执行如上权利要求1-8任意一项所述的自动驾驶车队跟车行驶控制方法。
CN202011624624.2A 2020-12-30 2020-12-30 一种自动驾驶车队跟车行驶控制方法、装置及系统 Active CN112758105B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011624624.2A CN112758105B (zh) 2020-12-30 2020-12-30 一种自动驾驶车队跟车行驶控制方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011624624.2A CN112758105B (zh) 2020-12-30 2020-12-30 一种自动驾驶车队跟车行驶控制方法、装置及系统

Publications (2)

Publication Number Publication Date
CN112758105A true CN112758105A (zh) 2021-05-07
CN112758105B CN112758105B (zh) 2022-03-22

Family

ID=75698915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011624624.2A Active CN112758105B (zh) 2020-12-30 2020-12-30 一种自动驾驶车队跟车行驶控制方法、装置及系统

Country Status (1)

Country Link
CN (1) CN112758105B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113734183A (zh) * 2021-09-17 2021-12-03 京东鲲鹏(江苏)科技有限公司 基于转向迟滞的车辆控制方法、装置、设备及存储介质
CN113859236A (zh) * 2021-09-07 2021-12-31 中汽创智科技有限公司 一种跟车控制系统、车辆、方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110488840A (zh) * 2019-08-31 2019-11-22 武汉理工大学 一种无人车编队控制方法
US20200250848A1 (en) * 2019-01-31 2020-08-06 StradVision, Inc. Method and device for short-term path planning of autonomous driving through information fusion by using v2x communication and image processing
CN111696339A (zh) * 2019-03-15 2020-09-22 上海图森未来人工智能科技有限公司 一种自动驾驶车队的跟车控制方法、系统及车辆
CN111768616A (zh) * 2020-05-15 2020-10-13 重庆大学 混合交通场景下基于车路协同的车队一致性控制方法
US10829149B1 (en) * 2017-03-01 2020-11-10 Zoox, Inc. Steering control for vehicles
CN112148001A (zh) * 2020-08-31 2020-12-29 江苏大学 一种基于模糊模型预测控制的智能车队纵向跟随控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10829149B1 (en) * 2017-03-01 2020-11-10 Zoox, Inc. Steering control for vehicles
US20200250848A1 (en) * 2019-01-31 2020-08-06 StradVision, Inc. Method and device for short-term path planning of autonomous driving through information fusion by using v2x communication and image processing
CN111696339A (zh) * 2019-03-15 2020-09-22 上海图森未来人工智能科技有限公司 一种自动驾驶车队的跟车控制方法、系统及车辆
CN110488840A (zh) * 2019-08-31 2019-11-22 武汉理工大学 一种无人车编队控制方法
CN111768616A (zh) * 2020-05-15 2020-10-13 重庆大学 混合交通场景下基于车路协同的车队一致性控制方法
CN112148001A (zh) * 2020-08-31 2020-12-29 江苏大学 一种基于模糊模型预测控制的智能车队纵向跟随控制方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113859236A (zh) * 2021-09-07 2021-12-31 中汽创智科技有限公司 一种跟车控制系统、车辆、方法、装置、设备及存储介质
CN113734183A (zh) * 2021-09-17 2021-12-03 京东鲲鹏(江苏)科技有限公司 基于转向迟滞的车辆控制方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112758105B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN110015306B (zh) 驾驶轨迹获取方法及装置
CN108919795B (zh) 一种自动驾驶汽车换道决策方法及装置
US9714023B2 (en) System and method for controlling hybrid vehicle
Kamal et al. Efficient driving on multilane roads under a connected vehicle environment
CN111688663A (zh) 使用操纵临界用于交通工具路线规划和模式适应的自动驾驶系统和控制逻辑
US20210086798A1 (en) Model-free reinforcement learning
CN112292646A (zh) 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器
CN112046484B (zh) 一种基于q学习的车辆变道超车路径规划方法
CN112758105B (zh) 一种自动驾驶车队跟车行驶控制方法、装置及系统
US11714418B2 (en) Method for the automated control of a motor vehicle
CN111332283B (zh) 用于控制机动车的方法和系统
US11657251B2 (en) System and method for multi-agent reinforcement learning with periodic parameter sharing
CN112660126B (zh) 用于自适应巡航的车辆协同控制方法、装置及车辆
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划系统及方法
CN113722835B (zh) 拟人化随机换道驾驶行为建模方法
CN116259185B (zh) 停车场场景下融合预测算法的车辆行为决策方法及装置
CN111891116A (zh) 一种提升自动驾驶横向控制稳定性的方法
CN115320596A (zh) 一种智能网联车队插入式协同换道控制方法
CN114368368B (zh) 车辆控制系统和方法
US20230041192A1 (en) Operating method of intelligent vehicle driving control system
CN113844446A (zh) 融合长短程的车辆轨迹预测方法
CN113840762B (zh) 用于操作自主车辆的方法
CN116300970B (zh) 车辆自主编队方法及装置
US20240043006A1 (en) Method and apparatus for generating virtual stop line
Song et al. Letter from the Focus Issue Editors

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220518

Address after: No. 203, Shanghai Songjiang Road, No. 201563, Pudong New Area

Patentee after: SAIC Motor Corp.,Ltd.

Patentee after: Shanghai automobile industry (Group) Co., Ltd

Address before: Room 509, building 1, 563 Songtao Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai, 201203

Patentee before: SAIC Motor Corp.,Ltd.