CN113655794B - 基于鲁棒模型预测控制的多车协同控制方法 - Google Patents

基于鲁棒模型预测控制的多车协同控制方法 Download PDF

Info

Publication number
CN113655794B
CN113655794B CN202110929789.9A CN202110929789A CN113655794B CN 113655794 B CN113655794 B CN 113655794B CN 202110929789 A CN202110929789 A CN 202110929789A CN 113655794 B CN113655794 B CN 113655794B
Authority
CN
China
Prior art keywords
vehicle
following
control
constraint condition
parameters
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
Application number
CN202110929789.9A
Other languages
English (en)
Other versions
CN113655794A (zh
Inventor
徐颖
唐文涛
朱建辉
蔡大森
郑润晓
庾名星
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.)
Shenzhen University
Original Assignee
Shenzhen 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 Shenzhen University filed Critical Shenzhen University
Priority to CN202110929789.9A priority Critical patent/CN113655794B/zh
Publication of CN113655794A publication Critical patent/CN113655794A/zh
Application granted granted Critical
Publication of CN113655794B publication Critical patent/CN113655794B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05D1/0287—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
    • 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
    • G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface

Landscapes

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

Abstract

本发明公开了基于鲁棒模型预测控制的多车协同控制方法，其中，上述基于鲁棒模型预测控制的多车协同控制方法包括：分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。与现有技术相比，本发明方案对于车辆跟驰队列中的各个跟随车辆，结合其当前状态参数、安全性约束条件和内稳定性约束条件对其进运动状态进行控制，有利于保证各车辆的安全性，且有利于维持车辆队列中的车辆稳定行驶，从而提高驾驶员或乘客的舒适性。

Description

基于鲁棒模型预测控制的多车协同控制方法
技术领域
本发明涉及智能交通技术领域，尤其涉及的是一种基于鲁棒模型预测控制的多车协同控制方法。
背景技术
随着人们生活水平的提高，车辆已经成为人们出行的重要交通工具。而随着科学技术的发展，如何对车辆进行智能控制以实现智能交通控制也受到越来越多的关注。
现有技术中，通常通过传统的控制理论(如PID控制理论)对车辆进行编队控制。现有技术的问题在于，传统的控制理论不利于保证各车辆的安全性，且不利于维持车辆队列中的车辆稳定行驶，从而影响驾驶员或乘客的舒适性。
因此，现有技术还有待改进和发展。
发明内容
本发明的主要目的在于提供一种基于鲁棒模型预测控制的多车协同控制方法，旨在解决现有技术中基于PID等传统的控制理论对车辆进行编队控制时不利于保证用户的安全性，且不利于保证各车辆的安全性，且不利于维持车辆队列中的车辆稳定行驶，从而影响驾驶员或乘客的舒适性的问题。
为了实现上述目的，本发明第一方面提供一种基于鲁棒模型预测控制的多车协同控制方法，其中，上述方法包括：
分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；
基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；
基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。
可选的，上述车辆跟驰队列是基于前车跟随结构的车辆队列。
可选的，上述跟随车辆是上述车辆跟驰队列中除领头车辆以外的车辆，上述当前状态参数包括上述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度。
可选的，上述分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件，包括：
分别获取上述车辆跟驰队列中各上述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度，作为各上述跟随车辆的当前状态参数；
分别获取上述车辆跟驰队列中各上述跟随车辆的安全性约束条件和各上述跟随车辆的内稳定性约束条件，其中，上述安全性约束条件用于限制上述跟随车辆的期望控制参数的范围和期望状态参数的范围，上述内稳定性约束条件用于限制上述跟随车辆在存在扰动的情况下的行驶状态。
可选的，上述基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数，包括：
基于各上述跟随车辆的当前状态参数分别建立各上述跟随车辆的状态方程，其中，各上述状态方程体现各上述跟随车辆的当前状态参数、期望控制参数以及期望状态参数之间的关系；
基于各上述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数。
可选的，上述基于各上述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数，包括：
基于各上述跟随车辆的安全性约束条件和内稳定性约束条件对各上述跟随车辆的状态方程进行约束，构建优化目标方程并求解，获取各上述跟随车辆的期望控制参数，其中，上述期望控制参数包括期望加速度。
可选的，上述基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制，包括：
将各上述跟随车辆的期望加速度输入各上述跟随车辆的底层加速度跟随控制器；
通过各上述跟随车辆的底层加速度跟随控制器控制各上述跟随车辆的加速度。
本发明第二方面提供一种基于鲁棒模型预测控制的多车协同控制装置，其中，上述装置包括：
数据获取模块，用于分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；
计算模块，用于基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；
控制模块，用于基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。
本发明第三方面提供一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于鲁棒模型预测控制的多车协同控制程序，上述基于鲁棒模型预测控制的多车协同控制程序被上述处理器执行时实现任意一项上述基于鲁棒模型预测控制的多车协同控制方法的步骤。
本发明第四方面提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于鲁棒模型预测控制的多车协同控制程序，上述基于鲁棒模型预测控制的多车协同控制程序被处理器执行时实现任意一项上述基于鲁棒模型预测控制的多车协同控制方法的步骤。
由上可见，本发明方案中，分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。与现有技术中仅基于PID等传统的控制理论对车辆进行编队控制的方案相比，本发明方案对于车辆跟驰队列中的各个跟随车辆，结合其当前状态参数、安全性约束条件和内稳定性约束条件对其进运动状态进行控制，有利于保证各车辆的安全性，且有利于维持车辆队列中的车辆稳定行驶，从而提高驾驶员或乘客的舒适性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种基于鲁棒模型预测控制的多车协同控制方法的流程示意图；
图2是本发明实施例图1中步骤S100的具体流程示意图；
图3是本发明实施例图1中步骤S200的具体流程示意图；
图4是本发明实施例图1中步骤S300的具体流程示意图；
图5是本发明实施例提供的一种基于鲁棒模型预测控制的多车协同控制整体框架示意图；
图6是本发明实施例提供的车队中每一辆车的实际速度示意图；
图7是本发明实施例提供的车队中每一辆车的跟驰误差示意图；
图8是本发明实施例提供的车队中每一辆车的实际加速度示意图；
图9是本发明实施例提供的车队中每一辆车的实际加速度变化量示意图；
图10是本发明实施例提供的车队中每一辆车的实际车间距示意图；
图11是本发明实施例提供的一种基于鲁棒模型预测控制的多车协同控制装置的结构示意图；
图12是本发明实施例提供的一种智能终端的内部结构原理框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况下，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当…时”或“一旦”或“响应于确定”或“响应于检测到”。类似的，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述的条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合本发明实施例的附图，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的一部分实施例，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它实施例，都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其它不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
随着人们生活水平的提高，车辆已经成为人们出行的重要交通工具。目前，全球车辆保有量不断增加，道路拥堵等问题也随之出现。而随着科学技术的发展，如何对车辆进行智能控制以实现智能交通控制也受到越来越多的关注。将交通环境中的车辆组成编队，通过合适的控制算法，可以实现车辆编队的协同控制，从而使得交通控制更智能。现有技术中，通常通过传统的控制理论(如PID控制理论)对车辆进行编队控制。现有技术的问题在于，传统的控制理论不利于保证各车辆的安全性，且不利于维持车辆队列中的车辆稳定行驶，从而影响驾驶员或乘客的舒适性。
进一步的，在本发明中提出，对车辆跟驰队列中的各个跟随车辆进行控制时，对应的控制方案(或控制算法)应当符合稳定性要求。具体的，控制方案的稳定性也叫内稳定性，该稳定性要求设计的控制策略可以使得车辆跟驰队列中的每一辆跟随车辆的状态在有界的扰动下最终趋于一致；其次是队列稳定性问题，该稳定性要求设计的控制策略可以使得车队中的车辆可以衰减前车的状态扰动，比如前车发生加速运动时，后面的车辆的最大跟驰误差(后车与前车的实际车间距与期望车间距之差)不得超过前车允许的最大跟驰误差。而传统的控制理论比如PID或动态反馈控制策略在对车辆队列进行控制时，无法对驾驶员或乘客的舒适性、驾驶安全性、各车辆行驶和跟驰的稳定性、驾驶安全性、鲁棒性等进行优化。现有技术中也存在部分关于基于模型预测控制的车辆编队控制策略，但现有技术中的基于模型预测控制的车辆编队策略需要对整个车辆编队模型的数据进行处理和计算，从而实现集中式控制，存在开销大、计算处理效率低、鲁棒性差且很难保证车辆队列的稳定性等问题。
为了解决现有技术的问题，本发明方案中，分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。与现有技术中仅基于PID等传统的控制理论对车辆进行编队控制的方案相比，本发明方案对于车辆跟驰队列中的各个跟随车辆，结合其当前状态参数、安全性约束条件和内稳定性约束条件对其进运动状态进行控制，有利于保证各车辆的安全性，且有利于维持车辆队列中的车辆稳定行驶，从而提高驾驶员或乘客的舒适性。同时，本发明方案中分别对各个跟随车辆进行分布式控制，把车队整体的控制量计算任务分配到了每一辆单独的车上，有利于降低开销、提高处理效率和控制的实时性。
示例性方法
如图1所示，本发明实施例提供一种基于鲁棒模型预测控制的多车协同控制方法，具体的，上述方法包括如下步骤：
步骤S100，分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件。
其中，上述车辆跟驰队列是需要进行控制的车辆队列，具体的，上述车辆跟驰队列中包括至少一辆领头车辆和至少一辆跟随车辆。领头车辆是车辆跟驰队列中的第一辆车辆，其运动状态可以根据实际需求进行控制，但领头车辆的运动状态不会受到其后的跟随车辆的影响。各个跟随车辆可以跟随领头车辆和/或该跟随车辆的前一跟随车辆进行运动。上述各跟随车辆的当前状态参数是体现对应跟随车辆的当前运动状态的参数，可以通过对各跟随车辆的运动情况进行测量获得，其中，上述当前状态参数可以包括当前跟随车辆的速度、加速度、与前一车辆的跟驰误差、与前一车辆的相对速度等，还可以包括其它参数(例如行进方向、角度等)，在此不做具体限定。上述安全性约束条件是对跟随车辆的安全性进行约束的条件，例如限定跟随车辆的速度不能超过预设阈值、与前车的距离不能低于预设阈值等。上述内稳定性约束条件是对跟随车辆在扰动的作用下的运动状态的约束，例如限定跟随车辆在出现扰动时加速度变化率不能过大等。具体的约束条件可以根据实际应用场景进行设置和调整，在此不做具体限定。
步骤S200，基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数。
其中，上述跟随车辆的期望控制参数是用于对跟随车辆的运动状态进行控制的参数，例如，可以包括上述跟随车辆对应的期望加速度、期望速度、期望行进方向等。
步骤S300，基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。
具体的，获取到上述跟随车辆的期望控制参数之后，根据上述期望控制参数控制上述跟随车辆的运动状态。例如，当上述期望控制参数是跟随车辆的期望加速度时，则控制对应跟随车辆的油门和/或刹车，使得上述跟随车辆达到对应的期望加速度。本实施例中，上述跟随车辆对应的期望控制参数是通过跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件结合获得的，因此获得的期望控制参数既能符合对跟随车辆的运动状态的要求，又能使得跟随车辆的运动状态满足安全性约束和内稳定性约束。
由上可见，本发明实施例提供的基于鲁棒模型预测控制的多车协同控制方法分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。与现有技术中仅基于PID等传统的控制理论对车辆进行编队控制的方案相比，本发明方案对于车辆跟驰队列中的各个跟随车辆，结合其当前状态参数、安全性约束条件和内稳定性约束条件对其进运动状态进行控制，有利于保证各车辆的安全性，且有利于维持车辆队列中的车辆稳定行驶，从而提高驾驶员或乘客的舒适性。
本实施例中，基于上述基于鲁棒模型预测控制的多车协同控制方法对于车辆跟驰队列中的每一辆跟随车辆的运动状态进行控制，从而实现对整个车辆跟驰队列的运动状态的控制。本实施例中的具体说明中，以对某一辆跟随车辆的具体控制操作为例进行具体说明，实际使用过程中，可以参照本实施例中的具体说明对每一辆跟随车辆都进行运动状态控制。
具体的，本实施例中，上述车辆跟驰队列是基于前车跟随结构(PF结构)的车辆队列。前车跟随结构中每一辆车只需考虑其前面那一辆车的运动信息，因此每一辆车只需要与其前面那一辆车建立通信关系，可以减少通信的不确定性，同时也减少每一辆跟随车辆需要分析和处理的数据量。
其中，上述跟随车辆是上述车辆跟驰队列中除领头车辆以外的车辆，上述当前状态参数包括上述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度。具体的，本实施例的前车跟随结构中，包括一辆领头车辆和多辆依次排列的跟随车辆，第一辆跟随车辆跟随领头车辆，其它跟随车辆跟随其前一辆跟随车辆，即所有跟随车辆都分别跟随该跟随车辆对应的前一辆车(可能是领头车辆，也可能是前一辆跟随车辆)，实现对所有车辆的编对控制。其中，上述当前状态参数包括跟随车辆在当前时刻测量获得的车辆跟驰误差、相对速度以及加速度，车辆跟驰误差是当前时刻该跟随车辆与前车的实际车间距与期望车间距的差(实际车间距减去期望车间距)，相对速度是当前时刻该跟随车辆与前车的速度之差(前车速度减去当前跟随车辆的速度)。具体的，上述期望车间距可以根据实际需求进行设置和调整，在此不做具体限定。
具体的，如图2所示，本实施例中，上述步骤S100包括：步骤S101，分别获取上述车辆跟驰队列中各上述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度，作为各上述跟随车辆的当前状态参数。
步骤S102，分别获取上述车辆跟驰队列中各上述跟随车辆的安全性约束条件和各上述跟随车辆的内稳定性约束条件，其中，上述安全性约束条件用于限制上述跟随车辆的期望控制参数的范围和期望状态参数的范围，上述内稳定性约束条件用于限制上述跟随车辆在存在扰动的情况下的行驶状态。
具体的，当前时刻即当前进行数据采样的时刻，本实施例中，实际上是对各跟随车辆持续进行数据采样，根据当前时刻(如k时刻)的车辆跟驰误差、相对速度以及加速度，以及各跟随车辆对应的安全性约束条件和内稳定性约束条件，计算获得当前时刻的期望控制参数，例如当前时刻的期望加速度，从而对跟随车辆进行运动控制，使得跟随车辆在下一时刻(如第k+1时刻)的加速度与当前时刻的期望加速度相同，实现对跟随车辆的运动状态的控制。其中，上述期望状态参数是当前时刻跟随车辆的期望状态参数，即进行运动控制以后，希望下一时刻该跟随车辆能到达的运动状态对应的参数。上述扰动是跟随车辆的前车的运动状态变化对该跟随车辆的影响。
具体的，如图3所示，本实施例中，上述步骤S200包括：步骤S201，基于各上述跟随车辆的当前状态参数分别建立各上述跟随车辆的状态方程，其中，各上述状态方程体现各上述跟随车辆的当前状态参数、期望控制参数以及期望状态参数之间的关系。
步骤S202，基于各上述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数。
具体的，本实施例中，基于上述前车跟随结构建立车辆跟驰队列的运动学模型，并根据实际需求设置各跟随车辆的动态自适应间距策略，上述动态自适应间距策略用于限制各跟随车辆对应的期望车间距，如下公式(1)所示：
Δdi，des(t)＝τhvi(t)+d0 (1)
其中，上述Δdi，des(t)表示在t时刻(即当前时刻)第i辆跟随车辆(视为当前的跟随车辆)的期望车间距，具体为t时刻第i辆跟随车辆与第i-1辆车之间的跟车距离(第i-1辆车车尾到第i辆车车头之间期望的距离)，其中，第i-1辆车可能是一领头车辆或一跟随车辆，在本实施例中以第i-1辆车是一跟随车辆为例进行说明，但不做具体限定。且本实施例中，上述i的取值取决于具体的车辆跟驰队列的序号设置，具体的，车辆跟驰队列中从领头车辆开始序号逐渐增大，i大于领头车辆对应的序号，即第i车为跟随车辆。τh是动态自适应间距策略时间常数，可以预先设置或根据实际需求进行设置和调整，本实施例中，预先通过实验测试获得上述τh的最小阈值为0.8秒。vi(t)表示在t时刻第i辆跟随车辆的实际速度，d0表示最小安全距离，其中，d0必须大于车辆的车身长度。具体的，本实施例中，以上述各车辆跟驰队列中的所有车辆的车身长度都一致为例进行说明，实际使用过程中，若各个车辆的车身长度不一致，则分别为各个跟随车辆设置对应的最小安全距离。基于上述公式(1)对应的动态自适应间距策略可以使各跟随车辆对应的期望车间距随着各跟随车辆对应的速度的变化而自适应调整，提高行驶的安全性。同时考虑到：
Δδi(t)＝Δdi(t)-Δdi，des(t) (2)
Δvi(t)＝vi-1(t)-vi(t) (3)
其中，Δdi(t)、Δδi(t)和Δvi(t)分别表示t时刻第i辆车(跟随车辆)与第i-1辆车之间的实际车间距、跟驰误差(实际车间距减去期望车间距)与相对速度，具体的，本实施例中，以Δdi(t)为例，Δdi代表第i辆车对应的实际车间距，Δdi(t)表示t时刻对应的Δdi，Δdi(k)表示k时刻对应的Δdi，其它相似形式的参数代表的含义与此类似，且本实施例不同公式中完全相同的参数符号代表相同的含义。本实施例中，上述期望控制参数是期望加速度，即当前时刻期望下一时刻跟随车辆能达到的加速度大小。因此，本实施例中最终的优化问题就是求解出各跟随车辆对应的最优的实际期望的加速度。进一步的，期望加速度与各跟随车辆的实际加速度之间满足如下公式(4)：
其中，ai(t)代表t时刻第i车(即第i辆跟随车辆)的实际加速度，代表ai(t)的导数，即t时刻第i车的加加速度，ζi表示第i车的车辆底层的执行机构的迟滞时间常数，上述迟滞时间常数是车辆内部参数，取值根据各车辆的实际情况确定，可以由车辆厂商提供，本实施中可以为0.4秒。ai，des(t)代表t时刻第i车的期望加速度。
进一步的，将上述公式(1)到公式(4)转化为采样系统的差分形式，可以获得如下公式(5)所示的离散运动学关系：
其中，k代表当前对应的采样时刻，k+1代表下一时刻，是离散系统的采样时刻表示方式。将上述跟随车辆(第i车)在k时刻对应的状态参数定义为xi(k)＝[Δδi(k) Δvi(k)ai(k)]T，Δδi(k)、Δvi(k)和ai(k)分别代表k时刻的跟驰误差、相对速度以及实际加速度，体现当前跟随车辆的运动学状态，可以用于评估获取期望控制参数。本实施例中，是通过测量获取各跟随车辆对应的状态参数，因此将测量输出量(即对跟随车辆进行实际测量获得的状态参数)定义为yi(k)＝[Δδi(k) Δvi(k) ai(k)]T，其中，yi(k)与xi(k)的实际含义是相同的，其中对应的跟驰误差、相对速度以及实际加速度都是可以直接测量的，因此通过测量输出量yi(k)进行表示，用于反应跟随车辆的当前状态。具体的，定义k时刻的控制变量(期望控制参数)为ui(k)，则有ui(k)＝ai，des(k)，其中ai，des(k)是k时刻第i车的期望加速度，控制变量是去要求解的用于作用于各跟随车辆的控制执行机构的变量。即最终的控制策略就是为每一辆跟随车辆规划出当前最优的期望加速度，将期望加速度作为控制信号作用到各跟随车辆的控制系统的底层加速度跟随控制器中。
具体的，本实施例中还考虑外部扰动的影响，一些控制系统中会存在外部扰动，这些扰动会影响系统的稳定性，因此本实施例中结合鲁棒控制理论分析和控制外部扰动量对车辆跟驰队列的稳定性的影响。本实施例中，将前车的加速度作为当前跟随车辆的扰动量，定义其中，是k时刻第i车(即当前跟随车辆)的扰动量，ai-1(k)是k时刻第i-1车的加速度。因为前车的加速度与前车的当前控制量(即前车的期望加速度)有关，但是本实施例中采用分布式控制框架(即对各个跟随车辆单独进行控制，无需进行整体控制的框架)，所以后车无法直接获取前车在当前时刻的期望加速度，无法描述车辆的相对加速度，而前车的加速又确实会影响后车的跟驰性能。在一种应用场景中，如果采用集中式控制策略(即将车辆跟驰队列中的所有车辆作为整体进行整体调度和控制，需要对所有车辆的数据进行集中分析，如设置一个中央控制器获取所有车辆的状态)，则可直接获取各跟随车辆对应的前车的加速度，从而获取相对加速度，基于相对加速度进行扰动分析。而本实施例中采用的是分布式的控制策略，为了减少前车加速度的影响，在优化问题中考虑系统在有扰动情况下的鲁棒性，实现对车队中的车辆状态解耦。具体的，车队的运动学模型往往是一个整体，每一辆车的状态受其他车辆的状态以及控制量的影响，解耦可以实现独分析每一辆车的运动状态并单独控制，这样可以减少对通信准确性的依赖，同时减少计算耗时。具体的，本实施例中，将前车的加速度当成一个扰动量，单独分析这个扰动量的影响，实现状态解耦，使得在本实施例提供的分别对每一辆车进行控制的分布式控制策略中，将车队的每一辆车的期望加速度规划问题的求解分配到了每一辆单独的车上，以减少控制器计算耗时，最终基于公式(5)表示的车辆跟驰队列的运动学模型获取各跟随车辆的状态方程，如下公式(6)所示：
上述公式(6)将上述公式(5)对应的离散运动学关系转化为状态空间方程的形式。其中，Ai，Bi，Ci以及Gi分别表示系统状态矩阵，控制矩阵，测量矩阵以及扰动矩阵，可以通过上述公式(5)推导而来。具体的，本实施例中，上述Ci＝I3×3，其中，Ts表示采样时间，-τh是动态自适应间距策略时间常数，-ζi表示第i车的车辆底层的执行机构的迟滞时间常数，I3×3表示三阶单位矩阵。
具体的，本实施例中，上述步骤S202包括：基于各上述跟随车辆的安全性约束条件和内稳定性约束条件对各上述跟随车辆的状态方程进行约束，构建优化目标方程并求解，获取各上述跟随车辆的期望控制参数，其中，上述期望控制参数包括期望加速度。
上述优化目标方程是基于安全性约束条件和内稳定性约束条件对状态方程进行约束后获得的需要求目标控制参数(即期望加速度)最优解的方程。具体的，将对车辆跟驰队列(即运动系统)的安全性约束以及物理约束转化为状态方程中各项的约束。本实施例中，安全性约束条件用于限制上述跟随车辆的期望控制参数的范围和期望状态参数的范围，例如，限制跟随车辆的期望加速度、加速度变化率和期望状态参数(包括下一时刻的跟驰误差、相对速度以及实际加速度)不能超过预设的范围。进一步的，本实施例中，还对各约束项设置相应的松弛因子，防止优化求解的不可行。由于实际处理过程中，是针对每一个离散时刻对跟随车辆进行控制的，根据离散数学的相关理论，对于不同时刻的限制条件实际上是相似的，则获得的具体安全性约束条件如下公式(7)所示：
其中，ui(k)是k时刻的控制变量(期望控制参数)，Δui(k)是k时刻的控制增量(当前时刻的控制变量相对于上一时刻的控制变量的变化)，且有Δui(k)＝ui(k)-ui(k-1)，yi(k)是k时刻的测量输出量，表示期望的测量输出量始终受到约束。其中，k可以认为是普遍意义的时刻，也可以理解为任意时刻都要受到约束。ii，min，ui，max，Δui，min和Δui，max分别表示上述控制变量ui(k)和控制增量Δui(k)的最小与最大约束边界，可以根据实际需求进行设置和调整；yi，min＝[δi，min Δvi.min ai，min]T，yi，max＝[δi，max Δvi.max ai，max]T，分别表示各期望状态参数的最小与最大边界值，具体数值也可以根据实际需求进行设置和调整。和分别是上述期望状态参数、控制增量以及控制变量对应的松弛项；∈1，∈2以及∈3表示松弛因子；具体的松弛项和松弛因子可以根据实际需求进行设置和调整，在此不做具体限定。
具体的，推导预测方程，以跟驰目标、舒适性等作为优化目标设计优化代价函数。结合H无穷鲁棒控制理论，为车辆跟驰队列对应的模型预测控制设计了保持控制稳定的终端二次鲁棒约束域，从而获得用于体现内稳定性约束条件的终端二次鲁棒约束：xi(k+p|k)∈Ωi。其中，p代表预测时域，xi(k+p|k)代表最后一个采样时刻(k+p时刻)的状态参数，Ωi代表预设的鲁棒不变集，即强制预测时域的最后一个采样时刻的状态进入一个鲁棒不变集，保证整个车辆跟驰队列对应的系统的稳定，且可加速优化的收敛速度，基于lyapunov稳定性定理也可证明根据上述方案设计的基于鲁棒模型预测控制的多车协同控制方法的稳定性，最终可获得如下公式(8)所示的优化求解问题(即优化目标方程)：
minΔUJ(xi，Δui，QI，RI，PI，m，p，∈) (8)
以下是公式(8)的约束条件：
ui(k-1|k)＝ui(k-1)
xi(k+p|k)∈Ωi
∈＝[∈1 ∈2 ∈3]T
其中，QI，RI是两个正定的矩阵，是用于约束状态参数的约束矩阵，直接影响车辆跟驰队列控制系统的性能，为可调参数，可以根据实际需求进行调整(例如根据实际需求调整各状态参数的最小、最大值)；p和m分别预测时域和控制时域；ΔUi(k)＝[Δui(k|k)Δui(k+1|k)…Δui(k+m)]T，ΔUi(k)是优化问题对应的公式(8)在第k时刻求解的控制变量预测序列；∈表示松弛变量，是各松弛因子组成的矩阵，∈是认为添加的，用于防止公式(8)无解导致处理器崩溃，与上述松弛约束项对应；j代表预测时域内的任意一个时刻；Pi，Ωi为终端代价约束以及终端对应的鲁棒不变集，PI是所有Pi的统称(集合)。
具体的，为了分析扰动量对系统稳定性的影响，将上述状态方程对应的公式(6)转化为H∞控制理论标准形式，如下公式(9)所示：
其中，Bi，1＝Gi，Bi，u＝Bi，Di，1＝0， 上述各矩阵中的I代表相应维度的单位矩阵，0代表相应维度的零矩阵(加粗，区别于常规的0)，维度可以通过公式自行推算。zi，1是输出性能评价指标，由需要评估的指标决定。zi，2约束输出由上述公式(7)中的变量决定，这里就是状态参数以及控制变量的组合，上述各矩阵均由上述公式推导获得。
进一步的，获取如下公式(10)和公式(11)所示的LMI线性矩阵不等式，(γ，Qi，h，Y)为下述不等式需要求解的变量，如果下面的LMI矩阵不等式(10)和(11)有解(γ，Qi，h，Y)，那么令则存在反馈控制增益uf＝Kx使得系统(9)在有界扰动ωi干扰下仍然保持稳定：
其中，Bi，1＝Gi，Bi，u＝Bi，Di，1＝0，ev是一个标准向量基，z2，max表示被控输出zi，2(k)的上界，(可以测量的并且可以被控制的状态量，因为速度、位置、加速度本身可控，而控制变量是需要求解的，自然也可以被控制，此处将控制变量放在被控输出状态中，是为了分析的方便)，可以由上述公式(7)导出。公式(10)和(11)中的矩阵为对称矩阵，*表示对称矩阵对称项的省略。如果上述LMI矩阵不等式有可行解(γ，Qi，h，Y)，那么即可求得上述优化问题对应的终端代价约束矩阵PI，对于PI中的每一个Pi，有Pi＝Qi，h -1，还可求得终端鲁棒不变集其中符号“：＝”代表“定义为”，其中，r是一个大于0的可调参数，可以根据实际需求进行设定，在此不做具体限定。
在一种应用场景中，基于上述基于鲁棒模型预测控制的多车协同控制方法对车辆跟驰队列中的各个车辆进行运动状态控制。具体的，领头车辆采用自适应巡航控制或者定速巡航算法，基于本实施例中的基于鲁棒模型预测控制的多车协同控制方法对所有跟随车辆进行控制。具体的，对于每一量跟随车辆，分别单独执行如下流程。
具体的控制流程是一个时间相关的控制流程，分为离线计算过程与实时在线计算过程，当k≤0代表离线计算，k＞0代表在线计算(实时计算)过程。当采样时刻k≤0时(k＝0代表离线一次性求解)：第一步，初始化基本参数如τh，d0以及需要设定的安全约束的边界及其松弛因子的相关项等；第二步，根据实际需求设定可调参数如QI，RI，r等；第三步，求解LMI矩阵不等式(10)(11)，得到Qh，Y，进而获得PI，PI与当前时刻的状态就决定了终端代价约束，因为xi(k+p|k)∈Ωi，(PI是Pi的统称)。当采样时刻k＞0时，进行在线实时求解。具体的，第四步，求解公式(8)对应的优化问题，获取预测控制序列上述的实际含义与ΔUi(k)相同，采用不同的表示符号是因为实际的模型误差与外部扰动的影响，优化问题的求解并不是实际最优，所以采用了代替ΔUi(k)；第五步，将求得的预测控制序列的第一个元素作为当前时刻的控制量，作用于底层加速度跟随控制系统，其中，上述当前时刻的控制量即为当前跟随车辆(第i车)在当前时刻(k时刻)对应的期望加速度。第六步，若对于车辆跟驰队列的控制结束，或者出现无解的情况则退出，否则令k＝k+1，并返回第四步，在下一时刻重复第四步到第六步的步骤(即获取下一时刻对应的各数据进行计算和控制)。
进一步的，如果整体的控制效果不佳，则回到上述第二步，重新调整可调参数，对于QI，RI，r进行调节以改善整体控制效果。具体的，可以通过评判跟驰误差、相对速度以及加速等状态量评估控制效果，比如，跟驰误差、相对速度过大超出安全约束，这样都不利于车队的稳定性，具体的标准可以根据实际需求进行设定，可调参数的调整也可以根据实际需求进行设置，在此不做具体限定。
具体的，通过分析上述基于鲁棒模型预测控制的多车协同控制方法中对应的鲁棒模型预测控制策略解的形式，可知只需要满足τh＞τ0，即可保证上述基于鲁棒模型预测控制的多车协同控制方法及其对应的鲁棒模型预测控制(R-MPC)策略的队列稳定性。其中，τ0是一个大于0的整数，在本发明实施例中τ0＝0.8秒，其值因具体车辆的内部参数不同而不同，可以通过实验测出。
具体的，本实施例中，如图4所示，上述步骤S300包括：
步骤S301，将各上述跟随车辆的期望加速度输入各上述跟随车辆的底层加速度跟随控制器。
步骤S302，通过各上述跟随车辆的底层加速度跟随控制器控制各上述跟随车辆的加速度。
其中，各跟随车辆的底层加速度跟随控制器采用基于PID的油门刹车控制方法对各跟随车辆的运动状态进行控制，因此本实施例中只需将计算获得的期望加速度输入各底层加速度跟随控制器即可实现自动控制。
本发明实施例中，还基于一种应用场景对上述基于鲁棒模型预测控制的多车协同控制方法进行具体说明，并进行具体实验验证。具体的，图5是本发明实施例提供的一种基于鲁棒模型预测控制的多车协同控制整体框架示意图，如图5所示，车辆跟驰队列中的每一辆被控制车辆(即每一辆跟随车辆，也即图5中的本车)只获取前车的状态信息，然后根据预测方程以及优化问题(8)，为本车规划出当前的期望加速度，本实施例中的底层加速度跟随控制器采用基于PID的油门刹车控制方法。图5中vp，xp以及ap分别表示前车的速度、位置以及加速度，Δx，Δv以及αe分别表示本车与前车的相对位置、相对速度以及本车的速度，ddes表示期望的跟车距离，ades是需要求解的期望加速度，其它未进行说明的变量与上文意义相同。图5中，自适应间距策略与上述公式(1)对应，状态预测与上述公式(6)对应，带松弛因子的线性约束与上述公式(7)对应，鲁棒二次约束与上述xi(k+p|k)∈Ωi对应，二次约束二次规划求解器用于对上述公式(8)进行求解，获得期望加速度。
在一种应用场景中，以Carsim和Simulink为验证平台，首先在Carsim上搭建车辆仿真模型以及仿真工况，其中，仿真工况即仿真环境设置，本例仿真是一个10车车队行驶在平直的高速公路上，前车以一定的速度行驶，后面车辆跟随，这整个环境就可以称为一个工况。在Simulink中搭建上述的R-MPC控制器(基于上述基于鲁棒模型预测控制的多车协同控制方法的控制器)，然后Carsim以每一辆车辆的位置、速度和加速状态作为输出量发送给Simulink。Simulink中的R-MPC控制器计算出实时的控制量然后发送给Carsim，形成一个软件在环仿真实验。具体的验证工况为：车队行驶在一条平直的高速公路上，领头的车辆(车辆状态可控，但是其运行状态不受车队中其他车辆的影响)在平稳的运行一段时间后会进行一个加速运动，从初始的80km/h在5s内加速到115km/h，15s后在5s内回到80km/h，之后进行减速运动，与加速动作相似。图6是本发明实施例提供的车队中每一辆车的实际速度示意图，图7是本发明实施例提供的车队中每一辆车的跟驰误差示意图，图8是本发明实施例提供的车队中每一辆车的实际加速度示意图，图9是本发明实施例提供的车队中每一辆车的实际加速度变化量示意图，图10是本发明实施例提供的车队中每一辆车的实际车间距示意图。根据图6至图10可以对仿真实验结果进行分析，具体的，由图10可知，整个跟驰过程中，车辆之间的相对距离，均值约为27.22m，而达到最大的速度115km/h时的最大跟车距离也仅仅为36.94m，在满足本申请限制的安全距离的基础上，已经远远的小于人类驾驶员的最小安全距离，可以在实现自动安全驾驶的同时增大道路流量，从而可以极大的增大道路通行效率。而由图8可知，当领头车辆的最大加速度于接近设定的加速度约束边界±3m/s2时，后面的车辆的加速过程的极限始终没有超过其前面那一辆车的加速极限，说明提出的控制方法可以衰减前面车辆的加速行为(即后面车辆的加速度幅值没有前车大，这样可以防止队列的发散，从而维持队列的稳定性)。根据图7可知，最大的跟驰误差发生在第一辆车，具体为±0.53m，该值远低于设定的安全约束(±5m)，并且之后的每一辆的最大跟驰误差均小于其前面的那一辆车，即提出的控制策略可以保证队列稳定性。图9中显示的是车辆的加速度变化量(即加加速度)，该指标可以衡量驾驶员的舒适性，当加速度变化量出现较大幅值变化时，说明出现剧烈的加减速运动，此时驾驶员的体验感较差；同样，当加速度变化量出现大幅高频波动时，说明车辆抖动的厉害，此时驾驶员的体验感极差。而本实施例中，根据图9可知，加加速度的变化幅值没有超过为1.5m/s3，并且没有出现大幅高频振动，说明该控制策略产生的控制信号较为平滑，可以保障驾驶员的乘坐体验感。最后根据图6至图10进行整体分析，当领头的车辆状态趋于稳定时(如第10s，30s，50s以及70s)，后续的车辆状态会逐渐趋于一致，说明提出的R-MPC控制策略跟驰性能较好，也说明其可以保证车辆队列的内稳定性。
如此，本实施例中提供的基于鲁棒模型预测控制的多车协同控制方法(即R-MPC控制策略)解决了传统控制方法难以处理多目标优化以及带约束的优化问题以及模型预测鲁棒性不足、集中式控制耗时的弊端。本实施例中设计了一个多目标优化问题，以跟驰误差、加速度量以及加速度变化量最小为目标设计了一个优化代价函数，用于解决跟驰稳定性、驾驶员舒适性问题，同时考虑到安全性问题，我们对跟驰误差量、速度量、加速度量设定了合理的线性约束，并且利用鲁棒控制理论设计了一个可以使车辆队列在存在前车加速度不确定性扰动的情况下也可以保持稳定行驶的终端二次鲁棒约束，使得内稳定性可以得到保证。同时所提出的控制策略几乎不增加计算量，使得控制的实时性可以得到保证，通过仿真实验验证了该控制策略的有效性。具体的，本发明实施例中的基于鲁棒模型预测控制的多车协同控制方法是一种可以保证车辆队列协同控制稳定的多目标优化鲁棒模型预测控制方法，基于鲁棒H无穷控制策略的二次约束域可以加速车辆跟驰状态的收敛，保证了车辆跟驰队列的内稳定性，同时，通过分析优化求解的形式，证明了提出的控制策略可以保证车辆队列的队列稳定性，同时采用的分布式控制策略(将车队的整体控制规划分摊到每一辆单独车辆上进行，这是因为采用了加速度解耦才可以实现的)可以大大的减轻计算负担，使得提出的优化控制策略可以在实时的环境下运行。具体的，上述分布式控制策略即把车队整体的控制量计算任务分配到每一辆单独的车上，车队是一个整体，但是整体集中控制，对运算通信的要求都极高。本实施例中，通过将前车的加速度当成扰动实现解耦，可以避免集中式运算带来的高通信可靠性要求以及计算量大的问题，并通过鲁棒约束防止这个扰动量造成系统的不稳定。进一步的，通过H无穷鲁棒控制策略，设计了一个可以保证MPC控制策略在协同车队控制中稳定的一个终端二次鲁棒约束集，使得车辆跟驰队列控制既可以具有稳定性，又可以进行多目标优化以及处理约束，且采用了H∞为模型预测控制设置了附加鲁棒约束，增强了鲁棒性。
本实施例中采用的是PF结构建立的跟驰模型，同样的采用其它的跟驰模型，比如同时跟随前车与领头车，或者考虑前后车辆的状态等其他的方案也可以采用与该发明类似的方法使得车辆队列的控制在保证稳定的前提下具有多目标优化的优点。
示例性设备
如图11中所示，对应于上述基于鲁棒模型预测控制的多车协同控制方法，本发明实施例还提供一种基于鲁棒模型预测控制的多车协同控制装置，上述基于鲁棒模型预测控制的多车协同控制装置包括：
数据获取模块410，用于分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件。
其中，上述车辆跟驰队列是需要进行控制的车辆队列，具体的，上述车辆跟驰队列中包括至少一辆领头车辆和至少一辆跟随车辆。领头车辆是车辆跟驰队列中的第一辆车辆，其运动状态可以根据实际需求进行控制，但领头车辆的运动状态不会受到其后的跟随车辆的影响。各个跟随车辆可以跟随领头车辆和/或该跟随车辆的前一跟随车辆进行运动。上述各跟随车辆的当前状态参数是体现对应跟随车辆的当前运动状态的参数，可以通过对各跟随车辆的运动情况进行测量获得，其中，上述当前状态参数可以包括当前跟随车辆的速度、加速度、与前一车辆的跟驰误差、与前一车辆的相对速度等，还可以包括其它参数(例如行进方向、角度等)，在此不做具体限定。上述安全性约束条件是对跟随车辆的安全性进行约束的条件，例如限定跟随车辆的速度不能超过预设阈值、与前车的距离不能低于预设阈值等。上述内稳定性约束条件是对跟随车辆在扰动的作用下的运动状态的约束，例如限定跟随车辆在出现扰动时加速度变化率不能过大等。具体的约束条件可以根据实际应用场景进行设置和调整，在此不做具体限定。
计算模块420，用于基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数。
其中，上述跟随车辆的期望控制参数是用于对跟随车辆的运动状态进行控制的参数，例如，可以包括上述跟随车辆对应的期望加速度、期望速度、期望行进方向等。
控制模块430，用于基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。
具体的，获取到上述跟随车辆的期望控制参数之后，根据上述期望控制参数控制上述跟随车辆的运动状态。例如，当上述期望控制参数是跟随车辆的期望加速度时，则控制对应跟随车辆的油门和/或刹车，使得上述跟随车辆达到对应的期望加速度。本实施例中，上述跟随车辆对应的期望控制参数是通过跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件结合获得的，因此获得的期望控制参数既能符合对跟随车辆的运动状态的要求，又能使得跟随车辆的运动状态满足安全性约束和内稳定性约束。
由上可见，本发明实施例提供的基于鲁棒模型预测控制的多车协同控制装置通过数据获取模块410分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；通过计算模块420基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；通过控制模块430基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。与现有技术中仅基于PID等传统的控制理论对车辆进行编队控制的方案相比，本发明方案对于车辆跟驰队列中的各个跟随车辆，结合其当前状态参数、安全性约束条件和内稳定性约束条件对其进运动状态进行控制，有利于保证各车辆的安全性，且有利于维持车辆队列中的车辆稳定行驶，从而提高驾驶员或乘客的舒适性。
本实施例中，基于上述基于鲁棒模型预测控制的多车协同控制装置对于车辆跟驰队列中的每一辆跟随车辆的运动状态进行控制，从而实现对整个车辆跟驰队列的运动状态的控制。本实施例中的具体说明中，以对某一辆跟随车辆的具体控制操作为例进行具体说明，实际使用过程中，可以参照本实施例中的具体说明对每一辆跟随车辆都进行运动状态控制。具体的，上述基于鲁棒模型预测控制的多车协同控制装置及其各模块的具体功能可以参照上述方法实施例中的描述，在此不再赘述。
基于上述实施例，本发明还提供了一种智能终端，其原理框图可以如图12所示。上述智能终端包括通过系统总线连接的处理器、存储器、网络接口以及显示屏。其中，该智能终端的处理器用于提供计算和控制能力。该智能终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和基于鲁棒模型预测控制的多车协同控制程序。该内存储器为非易失性存储介质中的操作系统和基于鲁棒模型预测控制的多车协同控制程序的运行提供环境。该智能终端的网络接口用于与外部的终端通过网络连接通信。该基于鲁棒模型预测控制的多车协同控制程序被处理器执行时实现上述任意一种基于鲁棒模型预测控制的多车协同控制方法的步骤。该智能终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解，图12中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的智能终端的限定，具体的智能终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种智能终端，上述智能终端包括存储器、处理器以及存储在上述存储器上并可在上述处理器上运行的基于鲁棒模型预测控制的多车协同控制程序，上述基于鲁棒模型预测控制的多车协同控制程序被上述处理器执行时进行以下操作指令：
分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件；
基于各上述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各上述跟随车辆的期望控制参数；
基于各上述跟随车辆的期望控制参数分别对各上述跟随车辆进行运动控制。
本发明实施例还提供一种计算机可读存储介质，上述计算机可读存储介质上存储有基于鲁棒模型预测控制的多车协同控制程序，上述基于鲁棒模型预测控制的多车协同控制程序被处理器执行时实现本发明实施例提供的任意一种基于鲁棒模型预测控制的多车协同控制方法的步骤。
应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是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。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
上述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，上述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。上述计算机可读介质可以包括：能够携带上述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，上述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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，并不是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，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于鲁棒模型预测控制的多车协同控制方法，其特征在于，所述方法包括：
分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件，所述内稳定性约束条件用于限制所述跟随车辆在存在扰动的情况下的行驶状态，所述扰动包括跟随车辆的前车的运动状态变化；
基于各所述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数；
基于各所述跟随车辆的期望控制参数分别对各所述跟随车辆进行运动控制；
所述车辆跟驰队列是基于前车跟随结构的车辆队列，所述车辆跟驰队列中各跟随车辆只与其前一辆车建立通信关系；
所述跟随车辆是所述车辆跟驰队列中除领头车辆以外的车辆，所述当前状态参数包括所述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度；
所述安全性约束条件的各项均包括松弛因子；
所述基于各所述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数，包括：
基于各所述跟随车辆的当前状态参数分别建立各所述跟随车辆的状态方程，其中，各所述状态方程体现各所述跟随车辆的当前状态参数、期望控制参数以及期望状态参数之间的关系；
基于各所述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数；
所述基于各所述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数，包括：
基于各所述跟随车辆的安全性约束条件和内稳定性约束条件对各所述跟随车辆的状态方程进行约束，构建优化目标方程并求解，获取各所述跟随车辆的期望控制参数，其中，所述期望控制参数包括期望加速度；
所述构建优化目标方程并求解包括：各跟随车辆基于自车的当前状态参数、安全性约束条件、内稳定性约束条件和前一辆车的加速度构建自车期望控制参数的优化目标方程。
2.根据权利要求1所述的基于鲁棒模型预测控制的多车协同控制方法，其特征在于，所述分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件，包括：
分别获取所述车辆跟驰队列中各所述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度，作为各所述跟随车辆的当前状态参数；
分别获取所述车辆跟驰队列中各所述跟随车辆的安全性约束条件和各所述跟随车辆的内稳定性约束条件，其中，所述安全性约束条件用于限制所述跟随车辆的期望控制参数的范围和期望状态参数的范围。
3.根据权利要求1所述的基于鲁棒模型预测控制的多车协同控制方法，其特征在于，所述基于各所述跟随车辆的期望控制参数分别对各所述跟随车辆进行运动控制，包括：
将各所述跟随车辆的期望加速度输入各所述跟随车辆的底层加速度跟随控制器；
通过各所述跟随车辆的底层加速度跟随控制器控制各所述跟随车辆的加速度。
4.一种基于鲁棒模型预测控制的多车协同控制装置，其特征在于，所述装置包括：
数据获取模块，用于分别获取车辆跟驰队列中各跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件，所述车辆跟驰队列是基于前车跟随结构的车辆队列，所述车辆跟驰队列中各跟随车辆只与其前一辆车建立通信关系；
计算模块，用于基于各所述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数，所述内稳定性约束条件用于限制所述跟随车辆在存在扰动的情况下的行驶状态，所述扰动包括跟随车辆的前车的运动状态变化；
所述跟随车辆是所述车辆跟驰队列中除领头车辆以外的车辆，所述当前状态参数包括所述跟随车辆在当前时刻的车辆跟驰误差、相对速度以及加速度；
所述安全性约束条件的各项均包括松弛因子；
所述基于各所述跟随车辆的当前状态参数、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数，包括：
基于各所述跟随车辆的当前状态参数分别建立各所述跟随车辆的状态方程，其中，各所述状态方程体现各所述跟随车辆的当前状态参数、期望控制参数以及期望状态参数之间的关系；
基于各所述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数；
所述基于各所述跟随车辆的状态方程、安全性约束条件以及内稳定性约束条件分别获取各所述跟随车辆的期望控制参数，包括：
基于各所述跟随车辆的安全性约束条件和内稳定性约束条件对各所述跟随车辆的状态方程进行约束，构建优化目标方程并求解，获取各所述跟随车辆的期望控制参数，其中，所述期望控制参数包括期望加速度；
所述构建优化目标方程并求解包括：各跟随车辆基于自车的当前状态参数、安全性约束条件、内稳定性约束条件和前一辆车的加速度构建自车期望控制参数的优化目标方程；
控制模块，用于基于各所述跟随车辆的期望控制参数分别对各所述跟随车辆进行运动控制。
5.一种智能终端，其特征在于，所述智能终端包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的基于鲁棒模型预测控制的多车协同控制程序，所述基于鲁棒模型预测控制的多车协同控制程序被所述处理器执行时实现如权利要求1-3任意一项所述基于鲁棒模型预测控制的多车协同控制方法的步骤。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有基于鲁棒模型预测控制的多车协同控制程序，所述基于鲁棒模型预测控制的多车协同控制程序被处理器执行时实现如权利要求1-3任意一项所述基于鲁棒模型预测控制的多车协同控制方法的步骤。
CN202110929789.9A 2021-08-13 2021-08-13 基于鲁棒模型预测控制的多车协同控制方法 Active CN113655794B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110929789.9A CN113655794B (zh) 2021-08-13 2021-08-13 基于鲁棒模型预测控制的多车协同控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110929789.9A CN113655794B (zh) 2021-08-13 2021-08-13 基于鲁棒模型预测控制的多车协同控制方法

Publications (2)

Publication Number Publication Date
CN113655794A CN113655794A (zh) 2021-11-16
CN113655794B true CN113655794B (zh) 2024-05-28

Family

ID=78479722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110929789.9A Active CN113655794B (zh) 2021-08-13 2021-08-13 基于鲁棒模型预测控制的多车协同控制方法

Country Status (1)

Country Link
CN (1) CN113655794B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114200835B (zh) * 2021-12-03 2023-04-25 广东工业大学 一种基于Tube MPC的异构车队稳定性分布式控制方法
CN114212083B (zh) * 2022-01-18 2024-02-27 浙江工业大学 一种在线优化调度的网联车辆多目标自适应巡航控制方法
CN114415523B (zh) * 2022-03-30 2022-08-26 北京理工大学 一种车辆协同运动控制方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110992677A (zh) * 2019-11-20 2020-04-10 北方工业大学 一种应对通信异常的智能网联汽车编队控制方法及系统
CN111762158A (zh) * 2019-03-29 2020-10-13 中科院微电子研究所昆山分所 集成式跟随控制方法、系统、装置及计算机可读存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111762158A (zh) * 2019-03-29 2020-10-13 中科院微电子研究所昆山分所 集成式跟随控制方法、系统、装置及计算机可读存储介质
CN110992677A (zh) * 2019-11-20 2020-04-10 北方工业大学 一种应对通信异常的智能网联汽车编队控制方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
A Model Predictive Control with Preview-Follower Theory Algorithm for Trajectory Tracking Control in Autonomous Vehicles;Ying Xu .etal;Symmetry;第1-16页 *

Also Published As

Publication number Publication date
CN113655794A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN113655794B (zh) 基于鲁棒模型预测控制的多车协同控制方法
CN106476806B (zh) 基于交通信息的协同式自适应巡航系统算法
CN107808027B (zh) 基于改进模型预测控制的自适应跟车方法
Ntousakis et al. On microscopic modelling of adaptive cruise control systems
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
Kuutti et al. End-to-end reinforcement learning for autonomous longitudinal control using advantage actor critic with temporal context
Wang et al. Optimal connected cruise control with arbitrary communication delays
CN110027547B (zh) 车辆横向控制方法和装置
US11579574B2 (en) Control customization system, control customization method, and control customization program
US9821804B2 (en) Enhanced vehicle speed control
US12084073B2 (en) Method and device for optimum parameterization of a driving dynamics control system for vehicles
CN113791615A (zh) 一种混合车辆队列分布式模型预测控制方法
CN114253274A (zh) 基于数据驱动的网联混合车辆编队滚动优化控制方法
CN110103960B (zh) 车辆自适应巡航控制方法、系统及车辆
CN114771574A (zh) 一种应用于自动驾驶汽车的人机共驾决策与控制系统
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
JP2012030659A (ja) 状況適合型運転支援装置
CN116252790A (zh) 一种提高自适应巡航舒适度的方法和装置
CN115782918A (zh) 自动驾驶纵向控制方法、装置、设备及存储介质
Karapınar et al. Laguerre MPC Formulation for Automotive Adaptive Cruise Control Application and Performance Analysis
Tzortzoglou et al. Performance-sensitive potential functions for efficient flow of connected and automated vehicles
CN108839655A (zh) 一种基于最小安全车距的协同式自适应控制方法
Abdollahi et al. Cooperative adaptive cruise control: PDE modeling and stability analysis
Mehraban et al. Fuzzy adaptive cruise control with model predictive control responding to dynamic traffic conditions for automated driving
CN118379905B (zh) 车辆控制方法、装置、设备及介质

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