CN113327457B - 一种基于车路协同技术的车辆避碰系统及方法 - Google Patents

Abstract

本发明公开一种基于车路协同技术的车辆避碰系统及方法，系统包括有车辆模型建立模块、多车辆耦合交互模型建立模块、轮胎路面摩擦力估算模型建立模块、多车安全交互系统、车辆上层控制器、车辆底层执行控制器。本发明通过车路协同、模型估算及交互优化控制，保证多车安全行驶，可提高智能交通及复杂的驾驶条件下多车纵向避撞能力，增加道路上的交通吞吐量，从而增加单位里程道路容纳的车辆数量。

Description

一种基于车路协同技术的车辆避碰系统及方法

技术领域

本发明涉及车辆控制技术领域，特别是涉及一种基于车路协同技术的车辆避碰系统及方法。

背景技术

对于传统的交通系统，车辆主动安全主要是针对车辆本身的主动控制。例如，ABS用于提供轮胎和道路之间的最大摩擦力，并保持车辆的制动稳定性。电子稳定控制(ESC)是在现有ABS控制不同车轮制动力的基础上提出的一种提高车辆横摆稳定性的方法。此外，还建立了四轮转向系统，以同时控制前后轮，提高车辆转向稳定性。然而，现有的主动控制系统大多集中在单个或部分功能上，没有协调它们之间的冲突。

随着道路行驶速度的提高和车间距的缩短，多车与道路的耦合特性成为研究的热点。例如公开号为CN109144076A、公开日为2019.1.4的中国专利：一种多车辆横纵向耦合协同控制系统及控制方法，该专利通过检测环境后进行路径规划，再实时进行修正和跟踪，其能在一定程度上对车辆进行耦合协同控制，但考虑的因素较少，并没有对车况和路况作出详细的解耦分析，在复杂的驾驶条件下多车纵向避撞能力较差。目前智能车辆技术、自动驾驶技术、V2X通信技术正在加速推进到车辆控制以及人、车和周围环境之间的数据交换，基于先进的无线车载通信技术(包括V2V、V2X)、巡航控制技术有效地利用协作自适应方法提高道路交通容量，多个车辆和交通信息融合应用于主动避碰的通信技术，例如道路上的车辆碰撞警告、转向辅助控制等。故此，现有的高级驾驶员辅助系统(ADAS)正快速发展到高水平自动化智能车辆无人驾驶系统，亟需设计一种利用多信息融合的协同技术实现车辆网联车智能控制、智能交通控制，提升车辆智能避碰的全面性。

发明内容

本发明提供一种基于车路协同技术的车辆避碰系统及方法，通过车路协同、模型估算及交互优化控制，保证多车安全行驶，可提高智能交通及复杂的驾驶条件下多车纵向避撞能力，增加道路上的交通吞吐量，从而增加单位里程道路容纳的车辆数量。

本发明的技术方案为：

一种基于车路协同技术的车辆避碰系统，该系统采用分层式控制结构，包括有车辆模型建立模块、多车辆耦合交互模型建立模块、轮胎路面摩擦力估算模型建立模块、多车安全交互系统、车辆上层控制器、车辆底层执行控制器；

所述车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型的建立模块均通过车路通信网络与所述多车安全交互系统进行数据通讯，所述多车安全交互系统与所述车辆上层控制器进行数据通讯，所述车辆上层控制器与所述车辆底层执行控制器电性连接。

本发明还提供一种基于车路协同技术的车辆避碰方法，包括以下步骤：

S1、搭建一种基于车路协同技术的分层式车辆避碰系统；建立车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型；

S2、通过车辆模型得到多辆车辆的运动状态及行驶信息；通过多车辆耦合交互模型得到每辆车辆到惯性坐标系的纵向距离，及前后车之间的相对速度和距离；通过V2I设备将车辆模型、多车辆耦合交互模型得到的车辆数据传递到轮胎路面摩擦力估算模型，通过轮胎路面摩擦力估算模型估算得到各车的轮胎路面摩擦力；

S3、将步骤S2中车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型得到的车辆和道路的综合信息通过车路通信网络传输到云端的多车安全交互系统；

S4、多车安全交互系统根据采集到的信息，分析并优化各车之间的安全距离和速度，并下达对每一辆被控车辆的控制信息至车辆上层控制器；

S5、车辆上层控制器根据多车安全交互系统的控制信息计算出各对应车辆的行驶安全控制指令，并将控制指令传输到车辆底层执行控制器；

S6、车辆底层执行控制器根据行驶安全控制指令对车辆进行跟踪控制，从而对车队中的每一辆被控车辆实现目标控制。

进一步，车辆模型的建立过程如下：

假设车辆在平坦道路上行驶，不考虑车辆的行驶阻力、垂直力和侧向力，车辆建模为：

上式中，S_Long,i为第i辆车的纵向距离；u_i为纵向车速；F_j,i为第i辆车的第j个轮的垂向力；m_i为第i辆车的质量。

进一步，多车辆耦合交互模型的建立过程如下：

为保障系统各车辆的安全行驶，需要得到每架车辆到惯性坐标系的纵向距离，以及每一控制时间周期前后车之间的速度和距离，建立的模型如下：

上式中，Spd_Dif,i为前后车的速度差；Dist_Dif,i为前后车距离；Sld_i为第i辆车的位置。

进一步，轮胎路面摩擦力估算模型的建立过程如下：

选择Magic公式作为估算模型，模型的数学方程如下：

u_L＝D_L sin[C_L arctan{B_Lλ-E_L(B_Lλ-arctan(B_Lλ))}]

上式中，u_L为摩擦系数，λ为滑移率，B_L为刚度系数，C_L为形状因子，D_L为峰值，E_L为曲率系数；由于B_L、C_L、D_L和E_L随着车辆和道路状况而变化，需要对其进行动态估计和更新，性能指标PI_i-tyre是B_L、C_L、D_L和E_L的加权误差的均方指数；考虑到变量的物理约束，基于约束混合遗传算法对其进行优化估计，如下所示：

上式中，ω_i为加权因子；

表示第i辆车的地面摩擦力估计值；F_Zμ表示地面摩擦力的法向力；

表示第i辆车的地面滑移率估计值；x_max，x_min分别为B_L、C_L、D_L和E_L的最大和最小约束边界值。

进一步，对于遗传算法，B_L、C_L、D_L和E_L的最优变量通过固定长度的数据类型编码成GA二进制字符串，如下式：

假设B_L由N1位表示，C_L由N2位表示，D_L由N3位表示，E_L由N4位表示，则B_L、C_L、D_L和E_L的染色体GA位之和为N1+N2+N3+N4，得到：

将上式的二进制值转换为相应的十进制值，则用下面的形式表示：

上式中，

和

对应为B_L、C_L、D_L和E_L的二进制值。

进一步，多车安全交互系统的建立过程如下：

多车安全交互系统根据车辆间的纵向距离与轮胎路面摩擦力估算结果，进行车辆行驶的安全分析，由两个关键变量来评估；

一种是碰撞时间TTC，它是两辆耦合车辆之间的间隔时间指标；TTC规定如下：

式中：S_Long,Dif,i为第i辆车的纵向相对距离；u_Dif,i为第i辆车的纵向相对速度；

另一个是警告指数WI，这是两辆相关车辆之间的间隔时间指数；WI描述为：

上式中，S_Long,Bk,i为第i辆车的制动距离之和；S_Long,Wr,i为第i辆车到目标碰撞车辆的距离；u_Long,0为纵向初速度；u_Long,i为制动操作后的纵向最终速度；

为制动加速度最大平均值的当量值；T_Bk,Delay为制动系统操作机构引起的延时；T_Bk,Cmd为车辆制动系统延时；T_Resp,Delay为驾驶员生理结构引起的人体生理系统延时；

由

能够得到：

为了便于分析，TTC标准化为：

上式中，

是TTC^-1的阈值；

同理，WI标准化为：

上式中，WI_max为WI的最大值，WI_Thrd为WI的阈值。

进一步，车辆上层控制器的建立过程如下：

车辆上层控制器包括由一个主回路控制器及若干个伺服回路控制器组成的协同控制器，并为协同控制器建立多车路优化交互控制系统，并将其离散化为：

上式中，Spd_i为第i辆车的速度；Spd_i,lim为第i辆车速度的极限值；Dist_i为第i辆车与第i-1辆车的纵向距离；

分别为第i辆车的S_Long,i、Dist_i和Spd_i的目标误差；S_des,Long,i、Dist_des,i和Spd_des,i为目标值；F_i(k)为第i辆车的控制节点力；ψ_i,1、ψ_i,2和ψ_i,3为加权因子；△t为离散采样时间；Sld_i,0表示第0辆车的位置。

进一步，车辆上层控制器用于优化多车路交互控制，优化的因素包括驾驶员因素、交通环境因素、驾驶因素和车辆因素，根据上述因素建立车辆上层控制器的优化性能指标，从而计算出各对应车辆的行驶安全控制指令；

其中指标包括WI和TTC的耦合作用，考虑上述因素的物理约束，将多目标因素的优化问题描述为：

s.t.u_Con,Lim,min≤u_Con,i≤u_Con,Lim,max

上式中，Q_x>0，Q_x为输入控制变量的加权矩阵；u_Con是车辆控制输入向量；F_L1,F_L2,F_L3,F_L4分别是第i辆车的四个车轮纵向力；u_Con,Lim,max和u_Con,Lim,min为基于V2I的车路通信系统输入估计约束；ξ为惩罚向量,

Q_PI为动态可变惩罚矩阵；w_TTC,i是Idx_Norm,TTC的加权因子；w_WI,i、δ_WI,i是Idx_Norm,WI的加权因子；w_α,i、δ_TTC,i是权重系数；α_Long,i是第i辆车的纵向加速度，α_Lim,i是第i辆车的纵向加速度极限值；

其中：

式中：T_WI是预警时间；T_WI,Thrd是预警阈值时间。

进一步，车辆底层执行控制器的建立过程如下：

车辆底层执行控制器采用非奇异分式终端滑模对车辆进行跟踪控制，并采用非线性终端吸引子减小滑模的抖振收敛；

滑模面表示为：

上式中，e为跟踪误差；α为系数，且α>0；β为系数；p、q为正奇数，且p<q<2p；

滑移率λ在工作值和参考值之间的跟踪误差e表示为：

e＝λ-λ_Ref

然后得到：

上式中，r_b是车轮半径；m_ijg为车辆重量；μ(B_ij,C_ij,D_ij,E_ij,λ)为车轮魔术公式；J是车轮转动惯量；u是车速；λ是滑移率；λ_Ref为滑移率的参考值；T_b为控制率；

然后将分数阶控制变量为e^p/q的非线性终端吸引子设计为：

上式中，φ为系数，φ∈R⁺；γ为系数，γ∈R⁺；m、n均为正奇变量，且有0<m/n<1；

结合上述方程，非奇异分式终端滑模的控制率表示为：

车辆底层执行控制器根据得到的控制率T_b对车辆进行跟踪控制。

本发明的有益效果为：

本发明对包含交通状况和车辆状态的车路耦合系统进行解耦建模，包括有车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型、多车安全交互系统、车辆上层控制器、车辆底层执行控制器。通过上述的三个模型获取多车辆的运动状态、行驶信息及车辆之间的交互信息等，并将这些信息传输到云端的多车安全交互系统进行综合分析各车之间的安全距离及速度，多车安全交互系统下达对每一辆车辆的控制信息至车辆上层控制器，上层控制器计算出车辆行驶安全车速、加速度或制动减速度等，并将控制指令传输到各车的车辆底层执行控制器，底层控制器采用基于EBS的鲁棒底层执行控制器来跟踪上层控制目标，从而对车队中的每一辆车实现目标控制，避免发生各车辆之间的碰撞。本发明通过模型估算及交互优化控制，保证多车安全行驶，可提高智能交通及复杂的驾驶条件下多车纵向避撞能力，增加道路上的交通吞吐量，从而增加单位里程道路容纳的车辆数量。

附图说明

图1为本发明车辆避碰方法的流程示意图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

实施例1：

一种基于车路协同技术的车辆避碰系统，该系统采用分层式控制结构，包括有车辆模型建立模块、多车辆耦合交互模型建立模块、轮胎路面摩擦力估算模型建立模块、多车安全交互系统、车辆上层控制器、车辆底层执行控制器；

车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型的建立模块均通过车路通信网络与多车安全交互系统进行数据通讯，多车安全交互系统与车辆上层控制器进行数据通讯，车辆上层控制器与车辆底层执行控制器电性连接。

如图1所示，本发明还提供一种基于车路协同技术的车辆避碰方法，包括以下步骤：

S1、搭建一种基于车路协同技术的分层式车辆避碰系统；建立车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型；

S2、通过车辆模型得到多辆车辆的运动状态及行驶信息；通过多车辆耦合交互模型得到每辆车辆到惯性坐标系的纵向距离，及前后车之间的相对速度和距离；通过V2I设备将车辆模型、多车辆耦合交互模型得到的车辆数据传递到轮胎路面摩擦力估算模型，通过轮胎路面摩擦力估算模型估算得到各车的轮胎路面摩擦力；

S3、将步骤S2中车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型得到的车辆和道路的综合信息通过车路通信网络传输到云端的多车安全交互系统；

S4、多车安全交互系统根据采集到的信息，分析并优化各车之间的安全距离和速度，并下达对每一辆被控车辆的控制信息至车辆上层控制器；

S5、车辆上层控制器根据多车安全交互系统的控制信息计算出各对应车辆的行驶安全控制指令，并将控制指令传输到车辆底层执行控制器；

S6、车辆底层执行控制器根据行驶安全控制指令对车辆进行跟踪控制，从而对车队中的每一辆被控车辆实现目标控制。

在本实施例中，车辆模型的建立过程如下：

纵向运动的车辆模型描述车辆状态、行驶环境信息和多车辆之间的动力学。通过对系统中单车建立车辆模型，可实现车辆纵横向控制。假设车辆在平坦道路上行驶，不考虑车辆的行驶阻力、垂直力和侧向力，相关车辆可建模为：

上式中，S_Long,i为第i辆车的纵向距离；u_i为纵向车速；F_j,i为第i辆车的第j个轮的垂向力；m_i为第i辆车的质量。

在本实施例中，多车辆耦合交互模型的建立过程如下：

考虑V2I网络和多车辆耦合交互系统的特性，在零(停车)和极限(最大和最小安全值)之间建立前后车辆之间的速度和距离模型。为保障系统各车辆的安全行驶，需要得到每架车辆到惯性坐标系的纵向距离，以及每一控制时间周期前后车之间的速度和距离，建立的模型如下：

上式中，Spd_Dif,i为前后车的速度差；Dist_Dif,i为前后车距离；Sld_i为第i辆车的位置。

在本实施例中，轮胎路面摩擦力估算模型的建立过程如下：

轮胎-路面摩擦力不仅会影响车辆制动距离，而且是影响协同控制器(CIC)的重要因素。不同的车辆在不同的驾驶环境下，其摩擦力会有所不同。采用基于模型的估算方法，利用EBS中安装的压力传感器估算轮胎与地面的摩擦力。选择Magic公式作为估算模型，模型的数学方程如下：

u_L＝D_L sin[C_L arctan{B_Lλ-E_L(B_Lλ-arctan(B_Lλ))}]

上式中，u_L为摩擦系数，λ为滑移率，B_L为刚度系数，C_L为形状因子，D_L为峰值，E_L为曲率系数；由于B_L、C_L、D_L和E_L随着车辆和道路状况而变化，需要对其进行动态估计和更新，性能指标PI_i-tyre是B_L、C_L、D_L和E_L的加权误差的均方指数；考虑到变量的物理约束，基于约束混合遗传算法(CHGA)对其进行优化估计，如下所示：

上式中，ω_i为加权因子；

表示第i辆车的地面摩擦力估计值；F_Zμ表示地面摩擦力的法向力；

表示第i辆车的地面滑移率估计值；x_max，x_min分别为B_L、C_L、D_L和E_L的最大和最小约束边界值。

将约束混合遗传算法(CHGA)作为PI_i-tyre的一种优化算法，实现了遗传算法和主动集序列二次规划优化算法的优势互补。

在本实施例中，对于遗传算法(CHGA)，B_L、C_L、D_L和E_L的最优变量通过固定长度的数据类型编码成GA二进制字符串，如下式：

假设B_L由N1位表示，C_L由N2位表示，D_L由N3位表示，E_L由N4位表示，则B_L、C_L、D_L和E_L的染色体GA位之和为N1+N2+N3+N4，得到：

将上式的二进制值转换为相应的十进制值，则用下面的形式表示：

上式中，

和

对应为B_L、C_L、D_L和E_L的二进制值。

在本实施例中，多车安全交互系统的建立过程如下：

多车安全交互系统根据车辆间的纵向距离与轮胎路面摩擦力估算结果，进行车辆行驶的安全分析，基于协同控制器(CIC)的多车系统的交互性能由两个关键变量来评估；

一种是碰撞时间TTC，它是两辆耦合车辆之间的间隔时间指标；TTC规定如下：

式中：S_Long,Dif,i为第i辆车的纵向相对距离；u_Dif,i为第i辆车的纵向相对速度；

另一个是警告指数WI，这是两辆相关车辆之间的间隔时间指数；WI描述为：

上式中，S_Long,Bk,i为第i辆车的制动距离之和；S_Long,Wr,i为第i辆车到目标碰撞车辆的距离；u_Long,0为纵向初速度；u_Long,i为制动操作后的纵向最终速度；

为制动加速度最大平均值的当量值；T_Bk,Delay为制动系统操作机构引起的延时；T_Bk,Cmd为车辆制动系统延时；T_Resp,Delay为驾驶员生理结构引起的人体生理系统延时；

由

能够得到：

为了便于分析，TTC标准化为：

上式中，

是TTC^-1的阈值；

同理，WI标准化为：

上式中，WI_max为WI的最大值，WI_Thrd为WI的阈值。

在本实施例中，车辆上层控制器的建立过程如下：

根据各车辆距离、地面摩擦力、安全行车距离等信息，车辆上层控制器估算出车辆行驶安全车速，加速度或制动减速度等。车辆上层控制器包括由一个主回路控制器及若干个伺服回路控制器组成的协同控制器(CIC)，并为协同控制器建立多车路优化交互控制系统，并将其离散化为：

上式中，Spd_i为第i辆车的速度；Spd_i,lim为第i辆车速度的极限值；Dist_i为第i辆车与第i-1辆车的纵向距离；

分别为第i辆车的S_Long,i、Dist_i和Spd_i的目标误差；S_des,Long,i、Dist_des,i和Spd_des,i为目标值；F_i(k)为第i辆车的控制节点力；ψ_i,1、ψ_i,2和ψ_i,3为加权因子；△t为离散采样时间；Sld_i,0表示第0辆车的位置。

在本实施例中，车辆上层控制器用于优化多车路交互控制，优化的因素包括驾驶员因素、交通环境因素、驾驶因素和车辆因素，根据上述因素建立车辆上层控制器的优化性能指标，从而计算出各对应车辆的行驶安全控制指令；

其中指标包括WI和TTC的耦合作用，考虑上述因素的物理约束，将多目标因素的优化问题描述为：

s.t.u_Con,Lim,min≤u_Con,i≤u_Con,Lim,max

上式中，Q_x>0，Q_x为输入控制变量的加权矩阵；u_Con是车辆控制输入向量；F_L1,F_L2,F_L3,F_L4分别是第i辆车的四个车轮纵向力；u_Con,Lim,max和u_Con,Lim,min为基于V2I的车路通信系统输入估计约束；ξ为惩罚向量,

Q_PI为动态可变惩罚矩阵；w_TTC,i是Idx_Norm,TTC的加权因子；w_WI,i、δ_WI,i是Idx_Norm,WI的加权因子；w_α,i、δ_TTC,i是权重系数；α_Long,i是第i辆车的纵向加速度，α_Lim,i是第i辆车的纵向加速度极限值；

其中：

式中：T_WI是预警时间；T_WI,Thrd是预警阈值时间。

在本实施例中，车辆底层执行控制器的建立过程如下：

本发明提出一种基于EBS的鲁棒底层执行控制器来跟踪上层控制目标，车辆底层执行控制器采用非奇异分式终端滑模(NFTSM)对车辆进行跟踪控制，减少控制系统的收敛稳定时间；并采用非线性终端吸引子减小滑模的抖振收敛；

滑模面表示为：

上式中，e为跟踪误差；α为系数，且α>0；β为系数；p、q为正奇数，且p<q<2p；

滑移率λ在工作值和参考值之间的跟踪误差e表示为：

e＝λ-λ_Ref

然后得到：

上式中，r_b是车轮半径；m_ij g为车辆重量；μ(B_ij,C_ij,D_ij,E_ij,λ)为车轮魔术公式；J是车轮转动惯量；u是车速；λ是滑移率；λ_Ref为滑移率的参考值；T_b为控制率；

采用非线性终端吸引子作为分数阶终端滑模控制器，使系统在有限的时间内收敛到平衡点，提高系统的跟踪精度和鲁棒性，然后将分数阶控制变量为e^p/q的非线性终端吸引子设计为：

上式中，φ为系数，φ∈R⁺；γ为系数，γ∈R⁺；m、n均为正奇变量，且有0<m/n<1；

结合上述方程，非奇异分式终端滑模(NFTSM)的控制率表示为：

车辆底层执行控制器根据得到的控制率T_b对车辆进行跟踪控制。

在本实施例中，为了分析所提出的估计模型利用车辆联网基础设施对车路相互作用关键参数的估计能力，系统根据滑移率将轮胎-道路粘着系数分为Ⅰ区、II区和Ⅲ区；

Ⅰ区为低滑移率区，该区域的制动力较小，应用较多；

Ⅱ区为高滑移率区，通常发生在紧急制动情况下，一般ABS都会工作；

Ⅲ区为滑动不稳定区，通常发生在没有ABS系统的车辆上，在本发明中忽略不计。

本发明提出一种基于车路协同技术的多车辆纵向紧急制动避碰系统及方法，进行车辆及交通状态的车路解耦建模；对于每一控制时间周期，一方面，从单车车辆模型出发，分别建立起描述车辆的运动状态、行驶环境信息和多车辆之间的车辆模型，且利用EBS中安装的压力传感器等传感器设计的轮胎路面摩擦力估算模型实现各车轮胎路面最大摩擦力估算；另一方面，利用V2I网络和多车辆耦合交互系统的特性，在零(停车)和极限(最大和最小安全值)之间建立前后车辆之间的多车辆耦合交互模型，并将各车车辆速度、距离、最大摩擦力等信息通过车路通信网络传输到云端的多车安全交互系统，多车安全交互系统对多车辆进行综合分析各车之间的安全距离及速度，及下达对每一辆车的控制信息至车辆上层控制器，车辆上层控制器计算出车辆行驶安全车速、加速度或制动减速度等，并将控制指令传输到各车的车辆底层执行控制器,底层控制器采用基于EBS的鲁棒底层执行控制器来跟踪上层控制目标，从而对车队中的每一辆车实现目标控制，避免发生各车辆之间的碰撞。

本发明利用车辆网络获取关键的车路交互数据，采用约束混合遗传算法(CHGA)对车路交互系统进行解耦，建立低阶非奇异分数阶终端滑模控制器，实现高阶控制器的控制目标；本发明可提高智能交通及复杂的驾驶条件下多车纵向避撞能力，增加道路上的交通吞吐量，从而增加单位里程道路容纳的车辆数量；本发明利用基于车辆网络的智能计算和预测技术，可以捕捉到不同车辆的动态交互特性。

显然，本发明的上述实施例仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种基于车路协同技术的车辆避碰方法，其特征在于，包括以下步骤：

S1、搭建一种基于车路协同技术的分层式车辆避碰系统；建立车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型；

S2、通过车辆模型得到多辆车辆的运动状态及行驶信息；通过多车辆耦合交互模型得到每辆车辆到惯性坐标系的纵向距离，及前后车之间的相对速度和距离；通过V2I设备将车辆模型、多车辆耦合交互模型得到的车辆数据传递到轮胎路面摩擦力估算模型，通过轮胎路面摩擦力估算模型估算得到各车的轮胎路面摩擦力；

S3、将步骤S2中车辆模型、多车辆耦合交互模型、轮胎路面摩擦力估算模型得到的车辆和道路的综合信息通过车路通信网络传输到云端的多车安全交互系统；

S4、多车安全交互系统根据采集到的信息，分析并优化各车之间的安全距离和速度，并下达对每一辆被控车辆的控制信息至车辆上层控制器；

S5、车辆上层控制器根据多车安全交互系统的控制信息计算出各对应车辆的行驶安全控制指令，并将控制指令传输到车辆底层执行控制器；

S6、车辆底层执行控制器根据行驶安全控制指令对车辆进行跟踪控制，从而对车队中的每一辆被控车辆实现目标控制；

车辆模型的建立过程如下：

假设车辆在平坦道路上行驶，不考虑车辆的行驶阻力、垂直力和侧向力，车辆建模为：

上式中，S_Long,i为第i辆车的纵向距离；u_i为纵向车速；F_j,i为第i辆车的第j个轮的垂向力；m_i为第i辆车的质量；

多车辆耦合交互模型的建立过程如下：

为保障系统各车辆的安全行驶，需要得到每架车辆到惯性坐标系的纵向距离，以及每一控制时间周期前后车之间的速度和距离，建立的模型如下：

上式中，Spd_Dif,i为前后车的速度差；Dist_Dif,i为前后车距离；Sld_i为第i辆车的位置；S_Long,0为初始纵向距离；

轮胎路面摩擦力估算模型的建立过程如下：

选择Magic公式作为估算模型，模型的数学方程如下：

u_L＝D_Lsin[C_Larctan{B_Lλ-E_L(B_Lλ-arctan(B_Lλ))}]

上式中，u_L为摩擦系数，λ为滑移率，B_L为刚度系数，C_L为形状因子，D_L为峰值，E_L为曲率系数；由于B_L、C_L、D_L和E_L随着车辆和道路状况而变化，需要对其进行动态估计和更新，性能指标PI_i-tyre是B_L、C_L、D_L和E_L的加权误差的均方指数；考虑到变量的物理约束，基于约束混合遗传算法对其进行优化估计，如下所示：

x＝[B_L,C_L,D_L,E_L]^T

s.t.x_min≤x≤x_max

上式中，ω_i为加权因子；

表示第i辆车的地面摩擦力估计值；F_Z表示地面摩擦力的法向力；μ表示摩擦力系数；

表示第i辆车的地面滑移率估计值；x_max，x_min分别为B_L、C_L、D_L和E_L的最大和最小约束边界值；

对于遗传算法，B_L、C_L、D_L和E_L的最优变量通过固定长度的数据类型编码成GA二进制字符串，如下式：

假设B_L由N1位表示，C_L由N2位表示，D_L由N3位表示，E_L由N4位表示，则B_L、C_L、D_L和E_L的染色体GA位之和为N1+N2+N3+N4，得到：

……

将上式的二进制值转换为相应的十进制值，则用下面的形式表示：

……

上式中，

和

对应为B_L、C_L、D_L和E_L的二进制值；

多车安全交互系统的建立过程如下：

多车安全交互系统根据车辆间的纵向距离与轮胎路面摩擦力估算结果，进行车辆行驶的安全分析，由两个关键变量来评估；

一种是碰撞时间TTC，它是两辆耦合车辆之间的间隔时间指标；TTC规定如下：

式中：S_Long,Dif,i为第i辆车的纵向相对距离；u_Dif,i为第i辆车的纵向相对速度；

另一个是警告指数WI，这是两辆相关车辆之间的间隔时间指数；WI描述为：

上式中，S_Long,Bk,i为第i辆车的制动距离之和；S_Long,Wr,i为第i辆车到目标碰撞车辆的距离；

表示纵向加速度；u_Long,0为纵向初速度；u_Long,i为制动操作后的纵向最终速度；

为制动加速度最大平均值的当量值；T_Bk,Delay为制动系统操作机构引起的延时；T_Bk,Cmd为车辆制动系统延时；T_Resp,Delay为驾驶员生理结构引起的人体生理系统延时；

由

能够得到：

为了便于分析，TTC标准化为：

上式中，

是TTC^-1的阈值；

同理，WI标准化为：

上式中，WI_max为WI的最大值，WI_Thrd为WI的阈值。

2.根据权利要求1所述的车辆避碰方法，其特征在于，车辆上层控制器的建立过程如下：

车辆上层控制器包括由一个主回路控制器及若干个伺服回路控制器组成的协同控制器，并为协同控制器建立多车路优化交互控制系统，并将其离散化为：

上式中，Spd_i为第i辆车的速度；Spd_i,lim为第i辆车速度的极限值；Dist_i为第i辆车与第i-1辆车的纵向距离；

分别为第i辆车的S_Long,i、Dist_i和Spd_i的目标误差；S_des,Long,i、Dist_des,i和Spd_des,i为目标值；F_i(k)为第i辆车的控制节点力；ψ_i,1、ψ_i,2和ψ_i,3为加权因子；△t为离散采样时间；Sld_i,0表示第0辆车的位置。

3.根据权利要求2所述的车辆避碰方法，其特征在于，车辆上层控制器用于优化多车路交互控制，优化的因素包括驾驶员因素、交通环境因素、驾驶因素和车辆因素，根据上述因素建立车辆上层控制器的优化性能指标，从而计算出各对应车辆的行驶安全控制指令；

其中指标包括WI和TTC的耦合作用，考虑上述因素的物理约束，将多目标因素的优化问题描述为：

u_Con＝[F_L1,F_L2,F_L3,F_L4]^T

s.t.u_Con,Lim,min≤u_Con,i≤u_Con,Lim,max

上式中，Q_x>0，Q_x为输入控制变量的加权矩阵；u_Con是车辆控制输入向量；F_L1,F_L2,F_L3,F_L4分别是第i辆车的四个车轮纵向力；u_Con,Lim,max和u_Con,Lim,min为基于V2I的车路通信系统输入估计约束；ξ为惩罚向量,

Q_PI为动态可变惩罚矩阵；w_TTC,i是Idx_Norm,TTC的加权因子；w_WI,i、δ_WI,i是Idx_Norm,WI的加权因子；w_α,i、δ_TTC,i是权重系数；α_Long,i是第i辆车的纵向加速度，α_Lim,i是第i辆车的纵向加速度极限值；

其中：

式中：T_WI是预警时间；T_WI,Thrd是预警阈值时间。

4.根据权利要求3所述的车辆避碰方法，其特征在于，车辆底层执行控制器的建立过程如下：

车辆底层执行控制器采用非奇异分式终端滑模对车辆进行跟踪控制，并采用非线性终端吸引子减小滑模的抖振收敛；

滑模面表示为：

上式中，e为跟踪误差；α为系数，且α>0；β为系数；p、q为正奇数，且p<q<2p；

滑移率λ在工作值和参考值之间的跟踪误差e表示为：

e＝λ-λ_Ref

然后得到：

上式中，r_b是车轮半径；m_ijg为车辆重量；μ(B_ij,C_ij,D_ij,E_ij,λ)为车轮魔术公式；J是车轮转动惯量；u是车速；λ是滑移率；λ_Ref为滑移率的参考值；T_b为控制率；

然后将分数阶控制变量为e^p/q的非线性终端吸引子设计为：

上式中，φ为系数，φ∈R⁺；γ为系数，γ∈R⁺；m、n均为正奇变量，且有0<m/n<1；

结合上述方程，非奇异分式终端滑模的控制率表示为：

车辆底层执行控制器根据得到的控制率T_b对车辆进行跟踪控制。

Images