CN113064423A - 基于优化传输信息的跟驰控制模型、方法和系统 - Google Patents

基于优化传输信息的跟驰控制模型、方法和系统 Download PDF

Info

Publication number
CN113064423A
CN113064423A CN202110281513.4A CN202110281513A CN113064423A CN 113064423 A CN113064423 A CN 113064423A CN 202110281513 A CN202110281513 A CN 202110281513A CN 113064423 A CN113064423 A CN 113064423A
Authority
CN
China
Prior art keywords
vehicle
following control
speed
time
following
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
CN202110281513.4A
Other languages
English (en)
Other versions
CN113064423B (zh
Inventor
彭光含
汤瑞
王可可
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.)
Guangxi Normal University
Original Assignee
Guangxi Normal 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 Guangxi Normal University filed Critical Guangxi Normal University
Priority to CN202110281513.4A priority Critical patent/CN113064423B/zh
Publication of CN113064423A publication Critical patent/CN113064423A/zh
Application granted granted Critical
Publication of CN113064423B publication Critical patent/CN113064423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0295—Fleet control by at least one leading vehicle of the fleet

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种基于优化传输信息的跟驰控制模型、方法和系统，在车辆跟驰控制模型中考虑预估优化速度差信息无线传输对交通流的影响，运用现代控制理论，以控制论思想实现控制模型的稳定性分析，确定控制的反馈增益的参数，从而解决现有的车辆跟驰控制模型由于没有考虑到预估优化速度差信息对车辆运行的影响而导致对车辆的跟驰控制稳定性较差的问题。

Description

基于优化传输信息的跟驰控制模型、方法和系统
技术领域
本发明涉及车辆跟驰控制技术领域，具体涉及一种基于优化传输信息的跟驰控制模型、方法和系统。
背景技术
随着经济的高速发展，国内车辆保有量也在逐年增加，导致交通系统面临着越来越严重的拥堵问题。交通拥堵不仅会增加社会成本，并造成能源与资源的浪费，而且会加重环境的污染[1]。城市交通尾气排放成为城市大气污染的最大污染源，不断危害人们的健康，严重影响居民生活。为研究交通系统内在运行的机理，国内外学者[1-10]做了大量的研究工作。
1961年，Newell通过运用一阶微分方程描述的车辆跟驰模型首次定义了优化速度函数。1995年，Bando通过构建优化速度模型来模拟实际道路中车辆发生拥堵时产生的时走时停的现象。紧接着，很多专家学者利用优化速度模型建模的思想，构建了一系列改进的模型。众多研究成果中，CM跟驰模型在研究拥堵控制方面有着重要的影响，它不仅可用来揭示多种交通现象，而且在数值模拟中算法简洁，适用于描述复杂的交通控制问题。1999年，Konishi等利用CM跟驰模型，通过设置时滞反馈控制项，研究了开放边界条件下单车道交通流的车辆运行控制问题，提出了抑制交通拥堵的方案，并进行了数值模拟。2006年，赵小梅和高自友提出了更为简单有效的交通拥堵控制方法，设置反馈控制项为正比于当前车与其前方最近邻车辆的相对速度，利用稳定性理论求出反馈增益，用单个反馈参数取代了四个反馈参数，进行了严格的数学分析，而且通过数值模拟发现这种控制后车流量更大，从而起到了很好的交通拥堵控制效果。
在目前的车辆跟驰控制时，由于没有考虑到预估优化速度差信息对车辆运行的影响，导致对车辆的跟驰控制稳定性较差。
发明内容
本发明的目的是提供一种基于优化传输信息的跟驰控制模型、方法和系统，以解决现有技术中由于没有考虑到预估优化速度差信息对车辆运行的影响而导致对车辆的跟驰控制稳定性较差的问题。
为实现上述目的，本发明的采用如下技术方案：
一种基于优化传输信息的车辆跟驰控制模型，该模型为：
Figure BDA0002978672930000011
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure BDA0002978672930000021
分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure BDA0002978672930000022
Figure BDA0002978672930000023
Figure BDA0002978672930000024
式中
Figure BDA0002978672930000025
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数，η为最大安全距离；k是交通控制系统的反馈增益，
Figure BDA0002978672930000026
表饱和函数，且为：
Figure BDA0002978672930000027
一种基于优化传输信息的车辆跟驰控制方法，包括如下步骤：
步骤一：建立基于优化传输信息的车辆跟驰控制模型；
步骤二：根据所述车辆跟驰控制模型对车辆的行驶状态进行控制；
其特征在于，所述车辆跟驰控制模型为：
Figure BDA0002978672930000028
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure BDA0002978672930000029
分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure BDA00029786729300000210
Figure BDA00029786729300000211
Figure BDA0002978672930000031
式中
Figure BDA0002978672930000032
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数，η为最大安全距离；k是交通控制系统的反馈增益，
Figure BDA0002978672930000033
表饱和函数，且为：
Figure BDA0002978672930000034
进一步的，所述步骤二中车辆的控制方法为：
对所述跟驰控制模型进行线性化处理，得到
Figure BDA0002978672930000035
Figure BDA0002978672930000036
其中：
Figure BDA0002978672930000037
Figure BDA0002978672930000038
Figure BDA0002978672930000039
对线性化处理后的车辆跟驰控制模型进行z变换，得到车辆系统的传递函数：
Figure BDA00029786729300000310
进一步的，当αit＜1时，k的取值范围为
Figure BDA00029786729300000311
当1＜αit＜2时，k的取值范围为
Figure BDA00029786729300000312
当2＜αit＜3时，k的取值范围为
Figure BDA0002978672930000041
当αit＞3且αirit2-2rit＜0时，k的取值范围为
Figure BDA0002978672930000042
进一步的，在任意时步第一辆车的行驶速度不大于车队中车辆的最大行驶速度。
进一步的，当有车辆与其前方车辆质检的距离小于最小安全距离时，该车辆停止前进。
一种基于优化传输信息的车辆跟驰控制系统，包括处理器和存储器，所述存储器存储有用于在所述处理器上执行的计算机程序；所述处理器执行所述计算机程序时，实现如下基于优化传输信息的车辆跟驰控制方法：
步骤一：建立基于优化传输信息的车辆跟驰控制模型；
步骤二：根据所述车辆跟驰控制模型对车辆的行驶状态进行控制；
其特征在于，所述车辆跟驰控制模型为：
Figure BDA0002978672930000043
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure BDA0002978672930000044
分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure BDA0002978672930000045
Figure BDA0002978672930000046
Figure BDA0002978672930000047
式中
Figure BDA0002978672930000048
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数，η为最大安全距离；k是交通控制系统的反馈增益，
Figure BDA0002978672930000049
表饱和函数，且为：
Figure BDA0002978672930000051
进一步的，所述步骤二中车辆的控制方法为：
对所述跟驰控制模型进行线性化处理，得到
Figure BDA0002978672930000052
Figure BDA0002978672930000053
其中：
Figure BDA0002978672930000054
Figure BDA0002978672930000055
Figure BDA0002978672930000056
对线性化处理后的车辆跟驰控制模型进行z变换，得到车辆系统的传递函数：
Figure BDA0002978672930000057
进一步的，当αit＜1时，k的取值范围为
Figure BDA0002978672930000058
当1＜αit＜2时，k的取值范围为
Figure BDA0002978672930000059
当2＜αit＜3时，k的取值范围为
Figure BDA00029786729300000510
当αit＞3且αirit2-2rit＜0时，k的取值范围为
Figure BDA00029786729300000511
进一步的，在任意时步第一辆车的行驶速度不大于车队中车辆的最大行驶速度。
进一步的，当有车辆与其前方车辆质检的距离小于最小安全距离时，该车辆停止前进。
本发明的有益效果：
本发明所提供的技术方案，在建立车辆跟驰控制模型时充分考虑预估优化速度差信息无线传输对交通流的影响，使车辆跟驰控制模型更加稳定，从而解决现有的车辆跟驰控制模型由于没有考虑到预估优化速度差信息对车辆运行的影响而导致对车辆的跟驰控制稳定性较差的问题。
附图说明
图1是本发明方法实施例中基于优化传输信息的跟驰控制方法的流程图；
图2是现有CM跟驰模型中车队一次停车的第1、25、50辆车随时间变化的速度的一维演化图；
图3是现有CM跟驰模型中车队一次停车的第1、25、50辆车随时间变化的速度的三维演化图；
图4是本发明方法实施例所提供车辆跟驰控制模型中车队一次停车的第1、25、50辆车随时间变化的速度的一维演化图；
图5是本发明方法实施例所提供车辆跟驰控制模型中车队一次停车的第1、25、50辆车随时间变化的速度的三维演化图；
图6是现有CM跟驰模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量的一维示意图；
图7是现有CM跟驰模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量的三维示意图；
图8是本发明方法实施例所提供车辆跟驰控制模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量的一维示意图；
图9是本发明方法实施例所提供车辆跟驰控制模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量的三维示意图；
图10是现有CM跟驰模型中一次停车车辆前后间距随时间变化的演化情况的示意图；
图11是本发明方法实施例所提供车辆跟驰控制模型中一次停车车辆前后间距随时间变化的演化情况的示意图；
图12是现有CM跟驰模型中四次停车的第1、100辆车随时间变化的速度的一维演化图；
图13是现有CM跟驰模型中四次停车的第1、100辆车随时间变化的速度的三维演化图；
图14是本发明方法实施例所提供车辆跟驰控制模型中四次停车的第1、100辆车随时间变化的速度的一维演化图；
图15是本发明方法实施例所提供车辆跟驰控制模型中四次停车的第1、100辆车随时间变化的速度的三维演化图；
图16是现有CM跟驰模型中车队四次停车的第1、100辆车随时间变化的CO2排放量的一维示意图；
图17是现有CM跟驰模型中车队四次停车的第1、100辆车随时间变化的CO2排放量的三维示意图；
图18是本发明方法实施例所提供车辆跟驰控制模型中车队四次停车的第1、100辆车随时间变化的CO2排放量的一维示意图；
图19是本发明方法实施例所提供车辆跟驰控制模型中车队四次停车的第1、100辆车随时间变化的CO2排放量的三维示意图；
图20是现有CM跟驰模型中四次停车车辆前后间距随时间变化的演化示意图；
图21是本发明方法实施例所提供车辆跟驰控制模型中四次停车车辆前后间距随时间变化的演化示意图。
具体实施方式
模型实施例：
本实施例提供一种基于优化传输信息的跟驰控制模型，该模型为：
Figure BDA0002978672930000071
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的位置和速度，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure BDA0002978672930000072
分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure BDA0002978672930000073
Figure BDA0002978672930000074
Figure BDA0002978672930000075
上公式中参数有改动，请发明人审阅是否合理，如果不合理请修改。
式中
Figure BDA0002978672930000081
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数；距离参数为常数，本实施例中距离参数设为23.3米，η为最大安全距离；k是交通控制系统的反馈增益，
Figure BDA0002978672930000082
表饱和函数，且为：
Figure BDA0002978672930000083
方法实施例：
本实施例提供一种基于优化传输信息的跟驰控制方法，该方法的流程如图1所示，包括如下步骤：
步骤一：建立基于优化传输信息的车辆跟驰控制模型；
步骤二：根据车辆跟驰控制模型对车辆的行驶状态进行控制。
在步骤一中，建立的基于优化传输信息的车辆跟驰控制模型为：
Figure BDA0002978672930000084
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure BDA0002978672930000085
分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure BDA0002978672930000086
Figure BDA0002978672930000087
Figure BDA0002978672930000088
式中
Figure BDA0002978672930000089
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数，η为最大安全距离；k是交通控制系统的反馈增益，
Figure BDA00029786729300000810
表饱和函数，且为：
Figure BDA0002978672930000091
在步骤二中对车辆的行驶状态进行控制时，为保证车队可以长时间保持队形，在任意时步第一辆车的行驶速度不大于车队中车辆的最大行驶速度，即：
Figure BDA0002978672930000092
在步骤二中对车辆的行驶状态进行控制时，为了防止车队出现碰撞甚至倒退的现象，当有车辆与其前方车辆质检的距离小于最小安全距离时，该车辆停止前进。
在步骤二中对车辆的行驶状态进行控制时，为了保证车辆运行的稳态，设
Figure BDA0002978672930000093
Figure BDA0002978672930000094
其中
Figure BDA0002978672930000095
在稳态附近对所建立的车辆跟驰控制模型进行线性化：
Figure BDA0002978672930000096
Figure BDA0002978672930000097
其中：
Figure BDA0002978672930000098
Figure BDA0002978672930000099
对线性化处理后的车辆跟驰控制模型进行z变换，得到车辆系统的传递函数：
Figure BDA00029786729300000910
设
Figure BDA0002978672930000101
其中
Figure BDA0002978672930000102
Figure BDA0002978672930000103
根据系统控制理论，满足以下条件时跟驰控制模型处于稳定状态：
Figure BDA0002978672930000104
是稳定的，且
Figure BDA0002978672930000105
根据如上条件可得，当反馈增益k满足以下5种条件时，采用车辆跟驰控制模型控制的车队处于稳定状态：
当αit＜1时，k的取值范围为
Figure BDA0002978672930000106
当1＜αit＜2时，k的取值范围为
Figure BDA0002978672930000107
当2＜αit＜3时，k的取值范围为
Figure BDA0002978672930000108
当αit＞3且αirit2-2rit＜0时，k的取值范围为
Figure BDA0002978672930000109
道路与交通情况会影响车辆CO2的排放量：针对不同的路况，车辆会产生不同的CO2的排放量，即使路况很好，不同的交通状态对车辆CO2的排放量影响很大，交通拥堵状态会产生更多的CO2，其中Oguchi给出了估算CO2排放量的公式为：
Ei(n)＝Kc(β1Ti(n)+β2Li(n)+β2Acci(n))
Figure BDA00029786729300001010
其中，E表示产生的CO2总量，Kc表示汽油消耗量与CO2排放量的排放系数，T表示车辆行驶的时间，L表示在这段时间内车辆行驶的距离，β1、β2、β3表示距离系数，δk表示Heaviside函数，且
Figure BDA0002978672930000111
实验验证：
为验证理论推导是否正确，在开放的边界条件下，对新模型进行数值模拟仿真，设置参数的初始值为
η＝25.0m，ξ＝23.3m，
Figure BDA0002978672930000112
v0＝20m/s,t＝0.1s，ymin＝7.02m，
β1＝0.3，β2＝0.028，β3＝0.056。
其中ξ表示初始车间距，v0表示车队各车辆的初始速度，
Figure BDA0002978672930000113
表示最大行驶速度，T表示采样时间，ymin表示最小安全车间距。
车队初始状态为：
Figure BDA0002978672930000114
Figure BDA0002978672930000115
Figure BDA0002978672930000116
设置模拟场景：分别在车队行驶100s时，头车停止行驶，持续时间为3s及在车队行驶100s、120s、140s、160s时，头车停止行驶，持续时间为3s，观察整个车队运行的状态演化情况。在验证新模型对交通系统稳定性的作用之前，通过参数确定新模型的反馈增益范围，综合计算，得到反馈增益的取值范围为0.0737<k<0.2，这里k＝0.115。
图2从一维的角度给出了CM跟驰模型中车队一次停车的第1、25、50辆车随时间变化的速度演化图，横轴为时间，纵轴为车辆的行驶速度；图3从三维的角度给出了CM跟驰模型中车队一次停车的第1、25、50辆车随时间变化的速度演化图，其中横轴为时间，纵轴为车辆数量，竖坐标为车辆的行驶速度。图4从一维的角度给出了本实施例所提供车辆跟驰控制模型中车队一次停车的第1、25、50辆车随时间变化的速度演化图，横轴为时间，纵轴为车辆的行驶速度；。图5从一维的角度给出了本实施例所提供车辆跟驰控制模型中车队一次停车的第1、25、50辆车随时间变化的速度演化图，其中横轴为时间，纵轴为车辆数量，竖坐标为车辆的行驶速度。从仿真图中可以看出车辆的速度在20m/s处上下波动。通过对比，可以很明显地看出本实施例所提供车辆跟驰控制模型由于增加了反馈控制项，车速上下波动明显减小，车流运行更加平稳。
图6从一维的角度给出了CM跟驰模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量，其中横轴为时间，纵轴为CO2排放量；图7从三维的角度给出了CM跟驰模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量，其中横轴为时间，纵轴为车辆数量，竖坐标为CO2排放量。图8从一维的角度给出了本实施例所提供车辆跟驰控制模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量，其中横轴为时间，纵轴为CO2排放量；图9从三维的角度给出了本实施例所提供车辆跟驰控制模型中车队一次停车的第25、50、100辆车随时间变化的CO2排放量，其中横轴为时间，纵轴为车辆数量，竖坐标为车辆的CO2排放量。通过对比，可以明显地从仿真图中看出本实施例所提供车辆跟驰控制模型由于增加了反馈控制项，效果更好，CO2排放量更低。
图10和图11分别给出了CM跟驰模型和本实施例所提供车辆跟驰控制模型中一次停车车辆前后间距随时间变化的演化情况，其横轴坐标为车间距变化量，纵轴坐标为时间。通过对比可以明显地看出新模型由于增加了反馈控制项，头车与后续车辆车头间距的振荡幅度较为平缓，交通系统稳定性变好。
图12从一维的角度给出了CM跟驰模型中车队四次停车的第1、100辆车随时间变化的速度演化图，其中横轴为时间，纵轴为车辆的行驶速度；图13从三维的角度给出了CM跟驰模型中车队四次停车的第1、100辆车随时间变化的速度演化图，其中横轴为时间，纵轴为车辆数量，竖坐标为车辆的行驶速度。
图14从一维的角度给出了本实施例所提供车辆跟驰控制模型中车队四次停车的第1、100辆车随时间变化的速度演化图，其中横轴为时间，纵轴为车辆的行驶速度；图15从三维的角度给出了本实施例所提供车辆跟驰控制模型中车队四次停车的第1、100辆车随时间变化的速度演化图，中横轴为时间，纵轴为车辆数量，竖坐标为车辆的行驶速度。
通过对比，可以很明显地看出本实施例所提供车辆跟驰控制模型由于增加了反馈控制项，车速上下波动明显减小，车流运行更加平稳。
图16从一维的角度给出了CM跟驰模型中车队四次停车的第1、100辆车随时间变化的CO2排放量，其横轴坐标为时间，纵轴坐标为CO2排放量；图17从三维的角度给出了CM跟驰模型中车队四次停车的第1、100辆车随时间变化的CO2排放量，其横轴坐标为时间，纵轴坐标为车辆的数量，竖轴坐标为CO2排放量；图18从一维的角度给出了本实施例所提供车辆跟驰控制模型中车队四次停车的第1、100辆车随时间变化的CO2排放量，其横轴坐标为时间，纵轴坐标为CO2排放量；图19从三维的角度给出了本实施例所提供车辆跟驰控制模型中车队四次停车的第1、100辆车随时间变化的CO2排放量，其横轴坐标为时间，纵轴坐标为车辆的数量，竖轴坐标为CO2排放量。
图20和图21分别给出了CM跟驰模型和本实施例所提供车辆跟驰控制模型中四次停车车辆前后间距随时间变化的演化情况，其横轴坐标为车间距变化量，纵轴坐标为时间。通过对比可以明显地看出本实施例所提供车辆跟驰控制模型由于增加了反馈控制项，头车与后续车辆车头间距的振荡幅度较为平缓，交通系统稳定性变好。
系统实施例：
本实施例提供一种基于优化传输信息的跟驰控制系统，包括处理器和存储器，存储器上存储有用于在处理器上执行的计算机程序，处理器执行该计算机程序时实现如上述方法实施例中所提供的基于优化传输信息的跟驰控制方法。
以上公开的本发明的实施例只是用于帮助阐明本发明的技术方案，并没有尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于优化传输信息的车辆跟驰控制模型，其特征在于，该模型为：
Figure FDA0002978672920000011
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure FDA00029786729200000110
(yi(n))分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure FDA0002978672920000012
Figure FDA0002978672920000013
Figure FDA0002978672920000014
式中
Figure FDA0002978672920000015
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数，η为最大安全距离；k是交通控制系统的反馈增益，
Figure FDA0002978672920000016
表饱和函数，且为：
Figure FDA0002978672920000017
2.一种基于优化传输信息的车辆跟驰控制方法，包括如下步骤：
步骤一：建立基于优化传输信息的车辆跟驰控制模型；
步骤二：根据所述车辆跟驰控制模型对车辆的行驶状态进行控制；
其特征在于，所述车辆跟驰控制模型为：
Figure FDA0002978672920000018
yi(n+1)＝vi-1(n)t-vi(n)t+yi(n)
其中：vi(n)和yi(n)分别表示n时步第i辆车的速度和位置，设车队中共有N辆车，i的取值为1到N-1；t表示松弛时间，ui(n)和
Figure FDA0002978672920000019
分别表示在n时步第i辆车的优化传输信息的反馈控制项和优化速度项，其计算方法分别为：
Figure FDA0002978672920000021
Figure FDA0002978672920000022
Figure FDA0002978672920000023
式中
Figure FDA0002978672920000024
ηi(n)、ζi(n)分别表示在n时步车队中速度最大的车辆的速度值、第i辆车与第i-1辆车之间的间距、第i辆车的距离参数，η为最大安全距离；k是交通控制系统的反馈增益，
Figure FDA0002978672920000025
表饱和函数，且为：
Figure FDA0002978672920000026
3.根据权利要求2所述的基于优化传输信息的车辆跟驰控制方法，其特征在于，所述步骤二中车辆的控制方法为：
对所述跟驰控制模型进行线性化处理，得到
Figure FDA0002978672920000027
Figure FDA0002978672920000028
其中：
Figure FDA0002978672920000029
Figure FDA00029786729200000210
Figure FDA00029786729200000211
对线性化处理后的车辆跟驰控制模型进行z变换，得到车辆系统的传递函数：
Figure FDA00029786729200000212
4.根据权利要求3所述的基于优化传输信息的车辆跟驰控制方法，其特征在于，
当αit＜1时，k的取值范围为
Figure FDA0002978672920000031
当1＜αit＜2时，k的取值范围为
Figure FDA0002978672920000032
当2＜αit＜3时，k的取值范围为
Figure FDA0002978672920000033
当αit＞3且αirit2-2rit＜0时，k的取值范围为
Figure FDA0002978672920000034
5.根据权利要求2所述的基于优化传输信息的车辆跟驰控制方法，其特征在于，在任意时步第一辆车的行驶速度不大于车队中车辆的最大行驶速度。
6.根据权利要求2或5所述的基于优化传输信息的车辆跟驰控制方法，其特征在于，当有车辆与其前方车辆质检的距离小于最小安全距离时，该车辆停止前进。
7.一种基于优化传输信息的车辆跟驰控制系统，包括处理器和存储器，所述存储器存储有用于在所述处理器上执行的计算机程序；其特征在于，所述处理器执行所述计算机程序时，实现如权利要求2-6任意一项所述的基于优化传输信息的车辆跟驰控制方法。
CN202110281513.4A 2021-03-16 2021-03-16 基于优化传输信息的跟驰控制模型、方法和系统 Active CN113064423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110281513.4A CN113064423B (zh) 2021-03-16 2021-03-16 基于优化传输信息的跟驰控制模型、方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110281513.4A CN113064423B (zh) 2021-03-16 2021-03-16 基于优化传输信息的跟驰控制模型、方法和系统

Publications (2)

Publication Number Publication Date
CN113064423A true CN113064423A (zh) 2021-07-02
CN113064423B CN113064423B (zh) 2022-06-21

Family

ID=76560661

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110281513.4A Active CN113064423B (zh) 2021-03-16 2021-03-16 基于优化传输信息的跟驰控制模型、方法和系统

Country Status (1)

Country Link
CN (1) CN113064423B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113561976A (zh) * 2021-08-19 2021-10-29 湖南大学无锡智能控制研究院 基于反馈优化的车辆节能预测自适应巡航控制方法和装置
CN115988013A (zh) * 2022-06-17 2023-04-18 广西师范大学 车联网环境下抵制网络攻击的控制模型、控制方法及储存介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761371A (zh) * 2014-01-06 2014-04-30 同济大学 一种基于模型参考的车辆跟驰系统自适应控制方法
CN105788238A (zh) * 2016-01-07 2016-07-20 南京航空航天大学 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法
US9633560B1 (en) * 2016-03-30 2017-04-25 Jason Hao Gao Traffic prediction and control system for vehicle traffic flows at traffic intersections
US20190071084A1 (en) * 2017-09-05 2019-03-07 Arizona Board Of Regents On Behalf Of Arizona State University Model predictive adaptive cruise control for reducing rear-end collision risk with follower vehicles
CN109656255A (zh) * 2019-01-28 2019-04-19 湖南大学 考虑通信拓扑时变下的车辆队列跟驰稳定性控制方法
CN110435654A (zh) * 2019-07-11 2019-11-12 浙江吉利汽车研究院有限公司 一种用于智能领航系统的跟车方法、装置和设备
CN111341104A (zh) * 2020-03-04 2020-06-26 北京理工大学 一种交通流跟驰模型的速度时滞反馈控制方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103761371A (zh) * 2014-01-06 2014-04-30 同济大学 一种基于模型参考的车辆跟驰系统自适应控制方法
CN105788238A (zh) * 2016-01-07 2016-07-20 南京航空航天大学 基于量子门和自适应控制的类弹簧车辆跟驰模型建立方法
US9633560B1 (en) * 2016-03-30 2017-04-25 Jason Hao Gao Traffic prediction and control system for vehicle traffic flows at traffic intersections
US20190071084A1 (en) * 2017-09-05 2019-03-07 Arizona Board Of Regents On Behalf Of Arizona State University Model predictive adaptive cruise control for reducing rear-end collision risk with follower vehicles
CN109656255A (zh) * 2019-01-28 2019-04-19 湖南大学 考虑通信拓扑时变下的车辆队列跟驰稳定性控制方法
CN110435654A (zh) * 2019-07-11 2019-11-12 浙江吉利汽车研究院有限公司 一种用于智能领航系统的跟车方法、装置和设备
CN111341104A (zh) * 2020-03-04 2020-06-26 北京理工大学 一种交通流跟驰模型的速度时滞反馈控制方法

Non-Patent Citations (16)

* Cited by examiner, † Cited by third party
Title
CHEN ZHAO 等: "《A Study on an Anthropomorphic Car-Following Strategy Framework of the Autonomous Coach in Mixed Traffic Flow》", 《IEEE》 *
CHEN ZHAO 等: "《A Study on an Anthropomorphic Car-Following Strategy Framework of the Autonomous Coach in Mixed Traffic Flow》", 《IEEE》, 6 June 2020 (2020-06-06), pages 64653 - 64665 *
DONGLI MENG 等: "《Modification of Newell’s car-following model incorporating multidimensional stochastic parameters for emission estimation multidimensional stochastic parameters for emission estimation》", 《TRANSPORTATION RESEARCHPARTD91》 *
DONGLI MENG 等: "《Modification of Newell’s car-following model incorporating multidimensional stochastic parameters for emission estimation multidimensional stochastic parameters for emission estimation》", 《TRANSPORTATION RESEARCHPARTD91》, 18 January 2021 (2021-01-18), pages 1 - 20 *
GUANG-HAN PENG 等: "《A new car-following model with the consideration of anticipation optimal velocity》", 《PHYSICA A》 *
GUANG-HAN PENG 等: "《A new car-following model with the consideration of anticipation optimal velocity》", 《PHYSICA A》, 22 April 2013 (2013-04-22), pages 3563 - 3569, XP028556081, DOI: 10.1016/j.physa.2013.04.011 *
PENG GUANG-HAN 等: "《CO2 emission control in new CM car-following model with feedback control of the optimal estimation of velocity difference under V2X environment》", 《CPB》 *
PENG GUANG-HAN 等: "《CO2 emission control in new CM car-following model with feedback control of the optimal estimation of velocity difference under V2X environment》", 《CPB》, 31 October 2021 (2021-10-31), pages 108901 - 1 *
SONG TAO 等: "《Study on state feedback control strategy for car-following system》", 《PHYSICA A》 *
SONG TAO 等: "《Study on state feedback control strategy for car-following system》", 《PHYSICA A》, 21 July 2020 (2020-07-21), pages 1 - 15 *
张洪海 等: "《终端区进场交通流广义跟驰行为与复杂相变分析》", 《航空学报》 *
张洪海 等: "《终端区进场交通流广义跟驰行为与复杂相变分析》", 《航空学报》, 17 July 2014 (2014-07-17), pages 949 - 961 *
彭光含: "《考虑多倍驾驶员预测效应的交通流格子模型与数值模拟》", 《四川大学学报（自然科学版）》 *
彭光含: "《考虑多倍驾驶员预测效应的交通流格子模型与数值模拟》", 《四川大学学报（自然科学版）》, 31 January 2014 (2014-01-31), pages 137 - 141 *
秦严严 等: "《智能网联车辆交通流优化对交通安全的改善》", 《中国公路学报》 *
秦严严 等: "《智能网联车辆交通流优化对交通安全的改善》", 《中国公路学报》, 30 April 2018 (2018-04-30), pages 202 - 210 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113561976A (zh) * 2021-08-19 2021-10-29 湖南大学无锡智能控制研究院 基于反馈优化的车辆节能预测自适应巡航控制方法和装置
CN113561976B (zh) * 2021-08-19 2022-04-19 湖南大学无锡智能控制研究院 基于反馈优化的车辆节能预测自适应巡航控制方法和装置
CN115988013A (zh) * 2022-06-17 2023-04-18 广西师范大学 车联网环境下抵制网络攻击的控制模型、控制方法及储存介质
CN115988013B (zh) * 2022-06-17 2024-02-23 广西师范大学 车联网环境下抵制网络攻击的控制模型、控制方法及储存介质

Also Published As

Publication number Publication date
CN113064423B (zh) 2022-06-21

Similar Documents

Publication Publication Date Title
CN113064423B (zh) 基于优化传输信息的跟驰控制模型、方法和系统
Yao et al. Reducing gasoline consumption in mixed connected automated vehicles environment: A joint optimization framework for traffic signals and vehicle trajectory
Davila et al. Making the best out of aerodynamics: Platoons
Othman et al. Ecological traffic management: A review of the modeling and control strategies for improving environmental sustainability of road transportation
CN111267830B (zh) 一种混合动力公交车能量管理方法、设备和存储介质
CN106777752A (zh) 一种高速列车追踪运行曲线优化设定方法
Liu et al. Adaptive speed planning of connected and automated vehicles using multi-light trained deep reinforcement learning
CN106529023A (zh) 一种基于迭代学习的地铁列车自动运行速度控制方法
Hu et al. Eco-platooning for cooperative automated vehicles under mixed traffic flow
Baker et al. V2V communication based real-world velocity predictions for improved HEV fuel economy
Yang et al. Eco-driving of general mixed platoons with CAVs and HDVs
Xu et al. Decentralized optimal merging control with optimization of energy consumption for connected hybrid electric vehicles
CN103879414A (zh) 一种基于自适应A-Star算法的铁路机车优化操纵方法
CN116513273A (zh) 基于深度强化学习的列车运行调度优化方法
CN112507464A (zh) 基于改进多目标灰狼算法的货运列车运行曲线优化方法
Zhao et al. Fuel consumption and traffic emissions evaluation of mixed traffic flow with connected automated vehicles at multiple traffic scenarios
Sun et al. An eco-driving approach with flow uncertainty tolerance for connected vehicles against waiting queue dynamics on arterial roads
CN115520188A (zh) 节能型车辆速度规划方法、系统、电子设备、存储介质
CN113256972A (zh) 基于优化预估信息差反馈传输的控制系统及控制方法
CN113341722B (zh) 一种通信拓扑无约束情形下的车辆队列协同最优控制方法
Wang et al. Stochastic Velocity Prediction for Connected Vehicles Considering V2V Communication Interruption
CN110070222B (zh) 一种交通低排放的演化调控方法及系统
CN105809740A (zh) 基于三维场景下事故驾驶员模型的建立方法
Ren et al. An intersection platoon speed control model considering traffic efficiency and energy consumption in cvis
Gao et al. Control of a heterogeneous vehicular platoon with uniform communication delay

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