CN113391553B - 具有执行器饱和的异构cacc系统的自适应最优控制方法 - Google Patents
具有执行器饱和的异构cacc系统的自适应最优控制方法 Download PDFInfo
- Publication number
- CN113391553B CN113391553B CN202110658769.2A CN202110658769A CN113391553B CN 113391553 B CN113391553 B CN 113391553B CN 202110658769 A CN202110658769 A CN 202110658769A CN 113391553 B CN113391553 B CN 113391553B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- time
- gamma
- control
- iteration
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
本发明提供一种具有执行器饱和的异构CACC系统的自适应最优控制方法,首先建立领队车的纵向动力学模型和每辆跟随车的纵向动力学模型,建立整个车队的控制模型,建立控制器模型并求解开工至增益的最优解,通过最优控制器控制整个车队的运行,可以防止车辆过大加速、减速造成车辆碰撞现象,基于低增益自适应动态规划算法设计自适应巡航控制系统的最优控制器,确保控制器的控制信号控制在约束范围以内,解决了执行器延迟、外部干扰以及执行器饱和同时存在下的车队稳定性问题,不仅能够保证每辆车的稳定性,同时也能确保车队的串稳定性。
Description
技术领域
本发明涉及车队的协同自适应巡航系统的控制领域,具体涉及一种具有执行器饱和的异构CACC系统的自适应最优控制方法。
背景技术
实际生活中,车辆过大的加速与减速会降低乘客乘坐时的舒适度以及执行器的加速和减速器具有一定的范围,因此需要在控制器设计时考虑到执行器饱和的问题,避免给出过大的加速、减速信号,以免造成车队系统的不稳定和损耗执行器的情况,基于执行器约束问题的车队协同自适应巡航控制系统的研究具有重要的实际意义。
对于车队的协同自适应巡航控制(cooperative adaptive cruise control,CACC)系统的研究目前尚处于起步阶段。Shladover等在文献Longitudinal control ofautomotive vehicles in close-formation platoons中提出了基于PID的车队系统控制器设计方法,PID控制器控制效果依赖于车辆模型建立的准确性,并且PID参数的选择需要大量的数据进行测算,不符合实际情况的使用。由于PID控制参数的选择需要大量的数据,并且现实环境中存在的不确定性(如模型误差)和外在干扰。为了改善以上问题,Guo和Yue等在文献Hierarchical platoon control with heterogeneous information feedback中为车队的纵向运动建立了一种新颖的混合模型,该模型首次综合考虑了来自领头车辆加速度、外界风速和参数不确定性的干扰(如时间延迟,量化和数据包丢失);采用上、下层控制框架,其中下层的H∞控制器对车队系统的延时具有良好的鲁棒性。针对具有不确定动态特性和一致通信延时的异质车队,Gao等在文献Robust control of heterogeneousvehicular platoon with uncertain dynamics and communication delay中提出了H∞控制方法,在随机参数和外部扰动下仍具有很好的控制性能。Zheng等人在文献Platooningof connected vehicles with undirected topologies:robustness analysis anddistributed H-infinity controller synthesis中针对动态拓扑等问题提出分布式控制器,并证明了控制器的鲁棒性。Mc Mahon等在文献Longitudinal vehicle controllerdesign for IVHS:theory and experiment中利用改进的滑模控制方法开发了车队控制系统的控制算法,补偿了车辆本身固有的非线性特性,可以实现令人满意的跟踪效果,但是没有考虑到车辆执行器饱和的问题,与实际情况存在差异。Liu和Goldsmith等在文献Effectsof communication delay on string stability in vehicle platoons中研究了纵向滑模控制器对通信延迟的鲁棒性。上述研究提出的控制策略主要依赖于精确地车辆模型建立或依赖于已知的模型结构,而现实情况下车队中的车辆具有不同的动力学模型,因此在异质车队中使用存在难度。同时,滑模控制方法未考虑到执行器约束的问题,与现实情况存在差异。
发明内容
针对现有技术的不足,本发明提出一种具有执行器饱和的异构CACC系统的自适应最优控制方法,包括:
步骤1:根据车辆的动态性能,构造固定时间间距策略,采用单向通信结构建立车队中每辆车的纵向动力学模型,整个车队由1辆领队车和n辆跟随车组成,分别建立领队车的纵向动力学模型和每辆跟随车的纵向动力学模型;
步骤2:建立整个车队的控制模型;
步骤4:求解控制器中控制增益K*(γ)的最优解;
步骤1中所述领队车的纵向动力学模型为:
式中,δ0(t)=v*(t)t-p*(t)-p0(t),v*(t)是领队车在t时刻的期望速度,M0是赫尔维兹矩阵,p*(t)是领队车的期望位置,p0(t)是领队车的实际位置,是δ0(t)的一阶导函数,是δ0(t)的二阶导函数,是a0(t)的一阶导函数,δ0(t)、a0(t)分别是领队车在t时刻的位置误差、加速度;
所述跟随车的纵向动力学模型构建过程如下:
步骤1.1:建立第i辆跟随车的车间距误差为δi(t):
δi(t)=pi-1(t)-pi(t)-ds-L,i=1,2,...,n (2)
其中,ds为期望车间距离,ds=hivi(t)+ri,hi是恒定车头时距,vi(t)是第i辆跟随车在t时刻的速度,ri是跟随车之间的固定车间距,pi(t)是第i辆跟随车在t时刻的位置,L是车辆长度;
步骤1.2:建立第i辆跟随车的动力学模型的非线性微分方程:
其中,ai(t)是第i辆跟随车在t时刻的加速度,ci(t)是反馈线性化控制律,fi(vi,ai)是车辆的非线性动态模型,gi是常量,τi是机械时间常数,mi是第i辆车的质量,是vi(t)的一阶导函数,是ai(t)的一阶导函数,是δi(t)的一阶导函数,其中fi(vi,ai)表示为:
其中,σ是空气质量,Ai、cdi、dmi和mi分别是第i辆跟随车的横截面积、阻力系数、机械阻力和质量;
步骤1.3:为了将非线性化微分方程线性化,建立反馈线性化控制率ci(t)为:
其中,ui(t)为附加控制输入信号,τi为机械时间常数,μi(t)是带有饱和约束的执行器输入信号,umaxi、umini分别为执行器的上下界值,i=1,2,...,n;
将反馈线性化控制律带入公式(3),得到每辆跟随车的纵向动力学模型的线性化模型:
步骤1.4:根据执行器的约束条件,建立跟随车的纵向动力学模型的约束线性化模型为:
所述步骤2包括:
步骤2.1:将公式(7)重写为闭环控制系统的状态空间方程为:
其中,是x(t)的一阶导函数,Col为列向量的符号表示, δi(t)是第i辆车在t时刻与目标位置的位置误差,Ki(γ)=[ki1(γ) ki2(γ) ki3(γ)],其中ki1(γ)、ki2(γ)、ki3(γ)分别是第i辆跟随车的位置、速度、加速度的反馈控制律,δ0(t)是领队车在t时刻与目标位置的位置误差,a0(t)是领队车在t时刻的加速度;
步骤2.2:建立整个车队的控制模型为:
所述步骤3包括:
其中,Q=blockdiag(Q0,Q1,…,Qn),R=blockdiag(R0,R1,…,Rn), blockdiag表示生成斜矩阵,dt是单位时间长度,Ri是控制输入的权重矩阵,Qi是状态变量的权重矩阵,是所有车辆t时刻状态的集合,x(t)表示所有跟随车辆t时刻状态的集合,所有车辆的控制增益为K*(γ)=R-1BTP*(γ),其中,P*(γ)由公式(11)表示的代数黎卡提方程解得:
步骤3.2:计算时刻[t,t+δt]之间的差值作为最小损失函数:
其中,δ是信号采样间隔时间;
根据克罗内克积以及公式(13)
将公式(12)化简得到:
其中,vec(·)表示一种运算,vecs(·)表示一种运算,为第j次迭代时的过程矩阵且满足列满秩,为第j次迭代时的过程矩阵,为第j次迭代时的结果矩阵,为第j次迭代时的结果矩阵,为第j次迭代时的结果矩阵,I3n+3为单位矩阵。
所述步骤4包括:
步骤4.1:为车队选择初始控制器增益K0(γ)和期望阈值ε>0,初始化低增益参数γ0和低增益的更新系数α<1;
步骤4.2:更新低增益参数γ,即γ←αγ;
步骤4.3:初始的控制器输入包含有干扰信息,令时间间隔为[tj,0,tj,l],其中K0表示初始控制增益,e(t)表示激励信号,tj,0表示第j次迭代的初始时间,tj,s表示第j次迭代的第s次采样时间;
步骤4.5:利用公式(14)对Pj(γ)、Kj+1(γ)进行求解;
步骤4.6:迭代次数加1,即j←j+1,直到|Pj(γ)-Pj-1(γ)|<ε,其中ε表示期望阈值;
本发明的有益效果是:
本发明提出了一种具有执行器饱和的异构CACC系统的自适应最优控制方法,基于低增益自适应动态规划方法设计自适应巡航控制系统的最优控制器,确保控制器的控制信号控制在约束范围以内,解决了执行器延迟、外部干扰以及执行器饱和同时存在下的车队稳定性问题,不仅能够保证每辆车的稳定性,同时也能确保车队的串稳定性。
附图说明
图1为本发明中的具有执行器饱和的异构CACC系统的自适应最优控制方法流程图。
图2为本发明中构建的包含通讯拓扑结构的车队模型示意图;
图3为本发明中领队车的期望加速度示意图;
图4为本发明实施例优化迭代过程图,其中(a)为第一辆跟随车反馈增益Kj(γ)的优化迭代过程图(b)为第二辆跟随车的Kj(γ)优化迭代过程图,(c)为第三辆跟随车的Kj(γ)优化迭代过程图,(d)为第四辆跟随车的Kj(γ)优化迭代过程图,(e)为第一辆跟随车Pj(γ)的优化迭代过程图,(f)为第二辆跟随车Pj(γ)的优化迭代过程图,(g)为第三辆跟随车的Pj(γ)的优化迭代过程图,(h)为第四辆跟随车Pj(γ)的优化迭代过程图;
图5为本发明实施例考虑执行器约束时直线车道车队中每辆车的行驶情况,(a)为直线车道车辆行驶时每辆车的行驶距离过程图,(b)为直线车道车辆行驶时每辆车的速度变化过程图,(c)为直线车道车辆行驶时跟随车的加速度变化过程图,(d)为车队中跟随车与前车的误差过程图;
图6为本发明实施例无执行器约束时直线车道车队中每辆车的行驶情况;(a)为直线车道车辆行驶时每辆车的行驶距离过程图,(b)为直线车道车辆行驶时每辆车的速度变化过程图,(c)为直线车道车辆行驶时跟随车的加速度变化过程图,(d)为车队中跟随车与前车的误差过程图。
具体实施方式
下面结合附图和具体实施实例对发明做进一步说明。
如图1~2所示,一种具有执行器饱和的异构CACC系统的自适应最优控制方法,包括:
步骤1:根据车辆的动态性能,构造固定时间间距策略,采用单向通信结构建立车队中每辆车的纵向动力学模型,整个车队由1辆领队车和n辆跟随车组成,分别建立领队车的纵向动力学模型和每辆跟随车的纵向动力学模型,所述领队车的纵向动力学模型为:
式中,δ0(t)=v*(t)t-p*(t)-p0(t),v*(t)是领队车在t时刻的期望速度,M0是赫尔维兹矩阵,p*(t)是领队车的期望位置,p0(t)是领队车的实际位置,是δ0(t)的一阶导函数,是δ0(t)的二阶导函数,是a0(t)的一阶导函数,δ0(t)、a0(t)分别是领队车在t时刻的位置误差、加速度;
所述跟随车的纵向动力学模型构建过程如下:
步骤1.1:建立第i辆跟随车的车间距误差为δi(t):
δi(t)=pi-1(t)-pi(t)-ds-L,i=1,2,...,n (2)
其中,ds为期望车间距离,ds=hivi(t)+ri,hi是恒定车头时距,vi(t)是第i辆跟随车在t时刻的速度,ri是跟随车之间的固定车间距,pi(t)是第i辆跟随车在t时刻的位置,L是车辆长度;
步骤1.2:建立第i辆跟随车的动力学模型的非线性微分方程:
其中,ai(t)是第i辆跟随车在t时刻的加速度,ci(t)是反馈线性化控制律,fi(vi,ai)是车辆的非线性动态模型,gi是常量,τi是机械时间常数,mi是第i辆车的质量,是vi(t)的一阶导函数,是ai(t)的一阶导函数,是δi(t)的一阶导函数,其中fi(vi,ai)表示为:
其中,σ是空气质量,Ai、cdi、dmi和mi分别是第i辆跟随车的横截面积、阻力系数、机械阻力和质量;
步骤1.3:为了将非线性化微分方程线性化,建立反馈线性化控制率ci(t),由于车辆自身性能的原因,执行器存在约束范围,为此定义了ui(t),
其中,ui(t)为附加控制输入信号,也就是被控车辆的期望加速度,τi为机械时间常数,μi(t)是带有饱和约束的执行器输入信号,umaxi、umini分别为执行器的上下界参数值,i=1,2,...,n;
将反馈线性化控制律带入公式(3),得到每辆跟随车的纵向动力学模型的线性化模型:
步骤1.4:根据执行器的约束条件,建立跟随车的纵向动力学模型的约束线性化模型为:
步骤2:建立整个车队的控制模型,包括:
步骤2.1:跟随车的纵向动力学模型的约束线性化模型公式(7)重写为闭环控制系统的状态空间方程为:
其中,是x(t)的一阶导函数,Col为列向量的符号表示, δi(t)是第i辆车在t时刻与目标位置的位置误差,Ki(γ)=[ki1(γ) ki2(γ) ki3(γ)],其中ki1(γ)、ki2(γ)、ki3(γ)分别是第i辆跟随车的位置、速度、加速度的反馈控制律,δ0(t)是领队车在t时刻与目标位置的位置误差,a0(t)是领队车在t时刻的加速度;
步骤2.2:建立整个车队的控制模型为:
由以上公式得到车队的整体模型:
由于涉及未知参数的系统矩阵是未知的,因此无法直接在线使用,我们的目标是通过在线数据迭代求解满足代数黎卡提方程的对称正定矩阵,并获得更新的反馈增益矩阵。为此,将整体模型重写为
其中,Q=blockdiag(Q0,Q1,…,Qn),R=blockdiag(R0,R1,…,Rn), blockdiag表示生成斜矩阵,dt是单位时间长度,Ri是控制输入的权重矩阵,Qi是状态变量的权重矩阵,是所有车辆t时刻状态的集合,x(t)表示所有跟随车辆t时刻状态的集合,所有车辆的控制增益为K*(γ)=R-1BTP*(γ),其中,P*(γ)由公式(11)表示的代数黎卡提方程解得:
其中,δ是信号采样间隔时间;
根据克罗内克积以及公式(13)
将公式(12)化简得到:
其中,vec(·)表示一种运算,表示第n辆车第j次迭代时的反馈增益值,vecs(·)表示一种运算,表示第n辆车在第j次迭代时的中间值,为第j次迭代时的过程矩阵且满足列满秩,为第j次迭代时的过程矩阵,为第j次迭代时的结果矩阵,为第j次迭代时的结果矩阵,为第j次迭代时的结果矩阵,I3n+3为单位矩阵。
根据基于数据驱动的低增益控制器优化算法,得到数据驱动的CACC低增益控制方法:
步骤4:求解控制器中控制增益K*(γ)的最优解,包括:
步骤4.1:为车队选择初始控制器增益K0(γ)和期望阈值ε>0,初始化低增益参数γ0和低增益的更新系数α<1;
步骤4.2:更新低增益参数γ,即γ←αγ;
步骤4.3:初始的控制器输入包含有干扰信息,令时间间隔为[tj,0,tj,l],其中K0表示系统的初始反馈控制增益,e(t)表示激励信号,tj,0表示第j次迭代的初始时间,tj,s表示第j次迭代的第s次采样时间;
步骤4.5:利用公式(14)对Pj(γ)、Kj+1(γ)进行求解;
步骤4.6:迭代次数加1,即j←j+1,直到|Pj(γ)-Pj-1(γ)|<ε,其中ε表示期望阈值;
下面根据车辆动态性能,构建跟随车微分方程,证明控制器的稳定性:
1)首先构建跟随车车辆动力学方程:
2)构建李雅普诺夫方程
4)由以上不等式化简李雅普诺夫方程得到:
因此,闭环系统的全局渐进稳定性证明完毕。
5)在频域下,分析车队的队列稳定性并给出限制条件;
根据车队队列稳定性条件,‖Gi(jω)‖≤1,也就是对于任意ω>0,Gi(s)=ai(s)/ai-1(s)。由车队闭环系统进行拉普拉斯变化可以得到:
sai(s)=-ai(s)/τi+(kpiδi(s)+kvisδi(s)+kaiai(s))/τi
(τis+1-kai)ai(s)=(kpi+kvis)δi(s)
δi(s)=s-2(ai-1(s)-ai(s))+his-1ai(s)
进一步化简可以得到:
令s=jω,根据||ai(jω)/ai-1(jω)||≤1可以推导得到
最终可以得到车队队列稳定性条件:
本发明提出了一种考虑执行器约束的CACC系统的低增益自适应动态规划方法,构建模型并提出的基于数据驱动的低增益ADP(Adaptive dynamic programming,自适应动态规划)车队协同控制算法,解决了执行器延迟、外部干扰以及执行器饱和同时存在下的车队稳定性问题,并且本方法可以使车队快速达到稳定状态。在车辆稳定性分析上,通过分析在控制器更新后的代价函数大小,来证明车辆的稳定性。通过分析得到,代价函数有界,并且小于极小值,可以证明车辆的状态以及控制输入达到了稳定状态。
本实施例中假设有一辆领队车和4辆跟随车在车道上直线行驶,为了研究分析执行器饱和对于性能的影响,考虑了两种情况:执行器无约束,执行器有约束,两种情况中领队车的速度是不断变化的。采样间隔其中设置成0.2s。初始位置设置为[50 36 20 5]m,初始速度为[7.5 5 8 5.5]m/s。
执行器输出具体可以分为以下两种形式:
情况1:无执行器输出约束
情况2:考虑执行器约束-3m/s2≤μ(t)≤3m/s2
采用Matlab软件仿真,在仿真中,车队动力学参数设置如下:发动机时间常数τi=[0.26 0.24 0.18 0.31],时间常数hi=[0.8 0.8 0.75 0.91],初始反馈控制增益设置为K0=[-0.5,-0.5,0]。在仿真中,车辆的长度被忽略。
基于上述参数,对本发明提出的基于数据驱动的低增益ADP控制理论的车队协同制动控制方法进行仿真验证如3-6所示。其中,图3给出了领队车的期望加速度轨迹,图4显示了在提出的控制器下的Kj(γ),Pj(γ)迭代过程。从图4可以看出,中间值Pj(γ)和反馈控制增益Kj(γ)都达到了稳定。图5显示了车队的位置信息,速度信息、加速度的变化情况以及间距误差;从图5可以看出车队中的各车辆在领队车加速度为零时,位置误差可以慢慢地顺滑地收敛到零。这个过程用时大概在13s左右。可以明显看到误差在跟随车中没有被逐渐放大,车队能够保持稳定状态。图6显示了车队中头车执行器约束时车队的位置信息、速度信息、加速度的变化情况以及间距误差。从图6可以看出在无执行器约束的情况下,车辆之间的距离始终保持合理的安全间距,从而避免了追尾事故的发生。此外,加速度存在逐级放大的情况。这表明本发明提出的车队基于数据驱动的低增益ADP协同制动控制器不仅能够保证每辆车的稳定性,同时也能确保车队的串稳定性。
本发明提出了一种考虑执行器约束的的CACC系统的低增益自适应动态规划方法,构建模型并提出了基于数据驱动的低增益ADP车队协同控制方法,设计出了协同控制器,能使得车队在整个制动过程中实现各车辆的收敛性,并且实现了整个车队的队列稳定性,解决了执行器延迟、外部干扰以及执行器饱和同时存在下的车队稳定性问题,并且本方法可以使车队快速达到稳定状态。在车辆稳定性分析上,通过分析在控制器更新后的代价函数大小,来证明车辆的稳定性。通过分析得到,代价函数有界,并且小于极小值,可以证明车辆的状态以及控制输入达到了稳定状态。
传统互联车辆的协同制动控制采用的都为二阶的车队模型,本发明在此基础上建立了三阶线性化车队动力学模型。相比于二阶车队模型,三阶模型可以更好地捕捉到车辆内部的动态特征。针对异构车队系统环境下存在扰动的情况,分别设计了领队车的控制器和跟随车的协同控制器,并设计了基于数据驱动的ADP自适应协同控制方法,解决了多种扰动同时存在下的车队稳定性问题。本发明提出一种基于数据驱动的车队协同制动控制方法,使用代价函数对车辆的收敛性进行评估。仿真结果验证了所提方法的有效性。
Claims (2)
1.一种具有执行器饱和的异构CACC系统的自适应最优控制方法,其特征在于,包括:
步骤1:根据车辆的动态性能,构造固定时间间距策略,采用单向通信结构建立车队中每辆车的纵向动力学模型,整个车队由1辆领队车和n辆跟随车组成,分别建立领队车的纵向动力学模型和每辆跟随车的纵向动力学模型;
所述领队车的纵向动力学模型为:
式中,δ0(t)=v*(t)t-p*(t)-p0(t),v*(t)是领队车在t时刻的期望速度,M0是赫尔维兹矩阵,p*(t)是领队车的期望位置,p0(t)是领队车的实际位置,是δ0(t)的一阶导函数,是δ0(t)的二阶导函数,是a0(t)的一阶导函数,δ0(t)、a0(t)分别是领队车在t时刻的位置误差、加速度;
所述跟随车的纵向动力学模型构建过程如下:
步骤1.1:建立第i辆跟随车的车间距误差为δi(t):
δi(t)=pi-1(t)-pi(t)-ds-L,i=1,2,...,n (2)
其中,ds为期望车间距离,ds=hivi(t)+ri,hi是恒定车头时距,vi(t)是第i辆跟随车在t时刻的速度,ri是跟随车之间的固定车间距,pi(t)是第i辆跟随车在t时刻的位置,L是车辆长度;
步骤1.2:建立第i辆跟随车的动力学模型的非线性微分方程:
其中,ai(t)是第i辆跟随车在t时刻的加速度,ci(t)是反馈线性化控制律,fi(vi,ai)是车辆的非线性动态模型,gi是常量,τi是机械时间常数,mi是第i辆车的质量,是vi(t)的一阶导函数,是ai(t)的一阶导函数,是δi(t)的一阶导函数,其中fi(vi,ai)表示为:
其中,σ是空气质量,Ai、cdi、dmi和mi分别是第i辆跟随车的横截面积、阻力系数、机械阻力和质量;
步骤1.3:为了将非线性化微分方程线性化,建立反馈线性化控制率ci(t)为:
其中,ui(t)为附加控制输入信号,τi为机械时间常数,μi(t)是带有饱和约束的执行器输入信号,umaxi、umini分别为执行器的上下界值,i=1,2,…,n;
将反馈线性化控制律带入公式(3),得到每辆跟随车的纵向动力学模型的线性化模型:
步骤1.4:根据执行器的约束条件,建立跟随车的纵向动力学模型的约束线性化模型为:
步骤2:建立整个车队的控制模型;包括:
步骤2.1:将公式(7)重写为闭环控制系统的状态空间方程为:
其中,是x(t)的一阶导函数,Col为列向量的符号表示, δi(t)是第i辆车在t时刻与目标位置的位置误差,Ki(γ)=[ki1(γ) ki2(γ) ki3(γ)],其中ki1(γ)、ki2(γ)、ki3(γ)分别是第i辆跟随车的位置、速度、加速度的反馈控制律,δ0(t)是领队车在t时刻与目标位置的位置误差,a0(t)是领队车在t时刻的加速度;
步骤2.2:建立整个车队的控制模型为:
其中, blockdiag表示生成斜矩阵,dt是单位时间长度,Ri是控制输入的权重矩阵,Qi是状态变量的权重矩阵, 是所有车辆t时刻状态的集合,x(t)表示所有跟随车辆t时刻状态的集合,所有车辆的控制增益为K*(γ)=R-1BTP*(γ),其中,P*(γ)由公式(11)表示的代数黎卡提方程解得:
步骤3.2:计算时刻[t,t+δt]之间的差值作为最小损失函数:
其中,δ是信号采样间隔时间;
根据克罗内克积以及公式(13)
将公式(12)化简得到:
其中,vec(·)表示一种运算, 表示第n辆车第j次迭代时的反馈增益值,vecs(·)表示一种运算, 表示第n辆车在第j次迭代时的中间值,为第j次迭代时的过程矩阵且满足列满秩,为第j次迭代时的过程矩阵,为第j次迭代时的结果矩阵,为第j次迭代时的结果矩阵,为第j次迭代时的结果矩阵,I3n+3为单位矩阵;
步骤4:求解控制器中控制增益K*(γ)的最优解;
2.根据权利要求1所述的一种具有执行器饱和的异构CACC系统的自适应最优控制方法,其特征在于,所述步骤4包括:
步骤4.1:为车队选择初始控制器增益K0(γ)和期望阈值ε>0,初始化低增益参数γ0和低增益的更新系数α<1;
步骤4.2:更新低增益参数γ,即γ←αγ;
步骤4.3:初始的控制器输入包含有干扰信息,令时间间隔为[tj,0,tj,l],其中K0表示初始控制增益,e(t)表示激励信号,tj,0表示第j次迭代的初始时间,tj,s表示第j次迭代的第s次采样时间;
步骤4.5:利用公式(14)对Pj(γ)、Kj+1(γ)进行求解;
步骤4.6:迭代次数加1,即j←j+1,直到|Pj(γ)-Pj-1(γ)|<ε,其中ε表示期望阈值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658769.2A CN113391553B (zh) | 2021-06-15 | 2021-06-15 | 具有执行器饱和的异构cacc系统的自适应最优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110658769.2A CN113391553B (zh) | 2021-06-15 | 2021-06-15 | 具有执行器饱和的异构cacc系统的自适应最优控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113391553A CN113391553A (zh) | 2021-09-14 |
CN113391553B true CN113391553B (zh) | 2022-04-01 |
Family
ID=77620827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110658769.2A Active CN113391553B (zh) | 2021-06-15 | 2021-06-15 | 具有执行器饱和的异构cacc系统的自适应最优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391553B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115981166B (zh) * | 2023-03-20 | 2023-07-07 | 青岛大学 | 车队安全运行控制方法、系统、计算机设备以及存储介质 |
CN116118822B (zh) * | 2023-04-13 | 2023-07-28 | 江西科骏实业有限公司 | 一种列车编组运行时的主动避碰控制方法、系统及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0828071A2 (en) * | 1996-09-05 | 1998-03-11 | Toyota Jidosha Kabushiki Kaisha | Acceleration control apparatus for a diesel engine provided with supercharger |
CN108791290A (zh) * | 2018-08-20 | 2018-11-13 | 中国人民解放军国防科技大学 | 基于在线增量式dhp的双车协同自适应巡航控制方法 |
CN110333728A (zh) * | 2019-08-02 | 2019-10-15 | 大连海事大学 | 一种基于变时间间距策略的异构车队容错控制方法 |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
CN112660124A (zh) * | 2020-11-30 | 2021-04-16 | 吉林大学 | 一种用于换道场景的协同自适应巡航控制方法 |
-
2021
- 2021-06-15 CN CN202110658769.2A patent/CN113391553B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0828071A2 (en) * | 1996-09-05 | 1998-03-11 | Toyota Jidosha Kabushiki Kaisha | Acceleration control apparatus for a diesel engine provided with supercharger |
CN108791290A (zh) * | 2018-08-20 | 2018-11-13 | 中国人民解放军国防科技大学 | 基于在线增量式dhp的双车协同自适应巡航控制方法 |
CN110333728A (zh) * | 2019-08-02 | 2019-10-15 | 大连海事大学 | 一种基于变时间间距策略的异构车队容错控制方法 |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
CN112660124A (zh) * | 2020-11-30 | 2021-04-16 | 吉林大学 | 一种用于换道场景的协同自适应巡航控制方法 |
Non-Patent Citations (6)
Title |
---|
Cooperative Adaptive Cruise Control with Communication Constraints;Ligang Wu,等;《Proceedings of the 34th Chinese Control Conference》;20150730;第8015-8020页 * |
Optimal control based CACC: problem formulation, solution, and stability analysis;Yu Bai,等;《2019 IEEE Intelligent Vehicles Symposium》;20190612 * |
Rolling horizon stochastic optimal control strategy for ACC and CACC under uncertainty;Yang Zhou,等;《Transportation Research Part C》;20171231;第61-76页 * |
基于扰动观测器的AUVs固定时间编队控制;高振宇,郭戈;《自动化学报》;20190630;第45卷(第6期);第1094-1102页 * |
车辆协同巡航控制系统设计改进与试验评价;华雪东,等;《交通运输系统工程与信息》;20191231;第19卷(第6期);第52-60页 * |
车队控制中的一种通用可变时距策略;于晓海,郭戈;《自动化学报》;20190731;第45卷(第7期);第1335-1343页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113391553A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108944930B (zh) | 一种基于lstm的模拟驾驶员特性的自动跟车方法及系统 | |
CN107808027B (zh) | 基于改进模型预测控制的自适应跟车方法 | |
CN113391553B (zh) | 具有执行器饱和的异构cacc系统的自适应最优控制方法 | |
CN112162555A (zh) | 混合车队中基于强化学习控制策略的车辆控制方法 | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
CN112034859B (zh) | 抗干扰的cacc系统的自适应动态规划方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN110861651B (zh) | 一种前车纵侧向运动状态估计方法 | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
CN113220021B (zh) | 基于虚拟领导者的飞行编队协同自适应跟踪控制方法 | |
Yang et al. | Longitudinal tracking control of vehicle platooning using DDPG-based PID | |
CN114253274B (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
Li et al. | Combining local trajectory planning and tracking control for autonomous ground vehicles navigating along a reference path | |
CN113791615A (zh) | 一种混合车辆队列分布式模型预测控制方法 | |
CN113655794A (zh) | 基于鲁棒模型预测控制的多车协同控制方法 | |
Wang et al. | Design and implementation of an adaptive cruise control system based on supervised actor-critic learning | |
Abdullahi et al. | Adaptive cruise control: A model reference adaptive control approach | |
CN110103960B (zh) | 车辆自适应巡航控制方法、系统及车辆 | |
CN112937551B (zh) | 一种考虑驾驶员输入特征的车辆控制方法及系统 | |
Zhu et al. | Reinforcement learning based throttle and brake control for autonomous vehicle following | |
CN114987511A (zh) | 模拟人类驾驶行为以训练基于神经网络的运动控制器的方法 | |
US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
CN116176654A (zh) | 一种场景自适应的轨道交通ato控制系统 | |
CN115826583A (zh) | 一种基于点云地图的自动驾驶车辆编队方法 | |
Tiganasu et al. | Comparative analysis of advanced cooperative adaptive cruise control algorithms for vehicular cyber physical systems |
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 |