CN113734175B - 一种变时条件下两交叉口间节能驾驶策略实时寻优方法 - Google Patents

Abstract

本发明提供了一种变时条件下两交叉口间节能驾驶策略的实时寻优方法，属于汽车驾驶辅助系统技术领域；基于双状态动态规划算法构建了以混合动力车辆轮端耗能为目标函数的最优节能驾驶策略离线计算模型，求解满足不同行驶时间、两交叉口驶入车速、两交叉口驶出车速和交口间行驶里程的边界下最优节能车速轨迹和驾驶策略，建立不同边界条件下的最优节能车速轨迹和驾驶策略库；基于人工神经网络算法构建了近最优驾驶策略实时计算模型，其中以构建的最优节能车速轨迹和驾驶策略库为训练样本，具有较高的计算精度、短的计算时间以及较强的节能能力。

Description

一种变时条件下两交叉口间节能驾驶策略实时寻优方法

技术领域

本发明属于汽车驾驶辅助系统技术领域，尤其是涉及一种变时条件下两交叉口间节能驾驶策略实时寻优方法。

背景技术

目前我国化石能源相对短缺且机动车排放物是大气污染物主要来源之一，节能减排是汽车行业健康发展的迫切需求。根据国家标准化管理委员会发布的GB 27999-2019《乘用车燃料消耗量评价方法及指标》标准，在WLTC法规工况下，乘用车平均燃料消耗量在2025年降低至4.6L/100km,其中WLTC工况相比于NEDC工况覆盖的工况范围更加广泛，更加接近真实用户工况，驱动汽车生产厂商不断提高整车的综合效率，有利于降低车辆在实际用户下的燃料消耗率。实际上，实际用户下的车辆燃料消耗量一方面受整车的综合效率影响，另一方面受车辆在行驶过程中整车需求功率的影响，后者与驾驶员的驾驶策略密切相关。研究表明，不同用户下车辆的燃料消耗量差异可达到10％至20％，这是由于不同用户的驾驶策略存在较大差异，导致整车需求功率差异较大。因此，探索节能驾驶策略对降低实际用户整车能量消耗具有积极意义。

目前，国内学者开展了车辆在实际行驶下的节能驾驶策略相关研究，基于车辆相关模型建立最优控制问题，求解优化的节能驾驶策略。徐少兵等采用伪谱法研究了装备挡位连续型变速器传统车辆的节能加速策略，表明过于平缓或激烈的加速策略均增加油耗，主要受发动机运行效率和整车风阻的综合影响，但是该种方法的求解速度难以满足工程化应用的要求。李升波等针对两交叉口间的车辆行驶提出了加速-匀速-减速三段式节能驾驶模式，同时结合变分法提出通用的数值求解方法，具有较快的计算速度。然而，该模式采用车辆在匀速行驶百公里油耗最低下所对应的车速与道路限速中低的车速作为匀速行驶车速，进而确定加速和减速过程，使得长行驶距离下对应的行驶时间增加，未能考虑在相同行驶距离下变驾驶时间的情况，而在实际驾驶过程中驾驶员需要兼顾行驶时间和能耗两个因素。

国外学者针对车辆信号交叉口优化行驶策略也开展了相关研究，亦存在主要仅考虑节油而未能兼顾行驶时间要求的问题。Henry X.Liu等发表的学术论文中采用多段控制法求解交叉口间对应最节能的车速控制问题，其中假设车辆在行驶过程中尽可能以经济性车速行驶，未能兼顾行驶时间成本。Galpin Thomas等采用最短路径算法获取信号交叉口间的油耗最低的行驶车速轨迹，仍然仅采用油耗作为评价函数。Padilla等采用全局优化算法构建车速优化模型，能够获取不同时间要求下对应对低油耗的最优车速轨迹，但是该种方法的求解速度难以满足工程化应用的需求。

综上可知，在考虑工程应用背景下，目前如何兼顾车辆能耗和行驶时间成本是车速轨迹优化迫切需要解决的问题。

本发明的目的是解决现阶段车辆节能驾驶策略未能兼顾车辆能耗和行驶时间的问题，提出了一种变时条件下两交叉口间节能驾驶策略实时寻优方法。本发明在考虑车辆变化驾驶时间的条件下基于双状态动态规划与神经网络算法实时计算节能驾驶策略，合理地分配整车驱动功率和制动功率，使得在不同驾驶时间下整车驱动功率和制动功率之和均为极小值。与已公开发布的节能驾驶策略计算方法相比，本方法兼顾整车能耗和驾驶时间，同时具有较高的计算精度、低的计算量、短的计算时间和较强的节能能力。

发明内容

有鉴于此，本发明旨在提出一种变时条件下两交叉口间节能驾驶策略实时寻优方法，以解决现阶段车辆节能驾驶策略未能兼顾车辆能耗和行驶时间的问题。

为达到上述目的，本发明的技术方案是这样实现的：

一种变时条件下两交叉口间节能驾驶策略实时寻优方法，包括以下步骤：

S1、基于汽车行驶方式建立车辆纵向动力学模型；

S2、根据车辆纵向动力学模型，采用双状态动态规划算法得到最优节能驾驶策略模型；

S3、根据最优节能驾驶策略模型，构建最优节能驾驶策略场景库；

S4、根据最优节能驾驶策略场景库，构建近最优节能驾驶策略实时计算模型；

步骤S4中构建最优节能驾驶策略实时计算模型：以不同的行驶里程、行驶时间、驶入车速、驶出车速下最优节能驾驶策略场景库作为训练数据、验证数据和测试数据，通过人工神经网络算法进行学习，构建近最优节能驾驶策略实时计算模型。

进一步的，步骤S1中建立车辆纵向动力学模型包括以下步骤：

第一步，根据滑行能量变化法计算得到车辆道路滑行阻力曲线，滑行能量变化法公式为滚动阻力F_f、空气阻力F_w和传动系阻力F_t之和，具体如下：

F_f+F_w+F_t＝C₀+C₁υ+C₂υ²；

式中，C₀、C₁和C₂为由滑行数据通过最小二乘法拟合得到的待定系数，υ为车辆速度；

第二步，根据车辆道路滑行阻力曲线，建立车辆纵向动力学模型；

车辆纵向动力学模型公式如：ma＝F_d-(F_f+F_w+F_t)；

其中m为车辆质量、a为车辆纵向加速度、F_d为车辆轮端纵向驱动力或制动力。

进一步的，步骤S2中双状态动态规划算法包括以下内容：

建立动态规划方程：

以车速的加速度a为决策变量，车速和行驶里程分别为双状态变量、驾驶时间为阶段变量、驱动能量和制动能量之和Q_d为目标函数；将行驶时间划分为n个阶段[1，2，3...k-1，k，k+1，....，n-1，n]，阶段间的时间间隔Δt为1s，n等于车辆行驶的两交叉口间预设行驶时间t；

v_n＝v_ed；

v₀＝v_st；

a_min≤a_k≤a_max；

Δs_k＝v_k×Δt+0.5×a_k×(Δt)²；

式中，k为第k个阶段；Δs_k为k阶段的行驶里程；s为两交叉口间的总行驶里程；v_k为k阶段车速；a_k为k阶段加速度；

为k阶段车辆轮端纵向驱动力或制动力；/>

为k阶段滚动阻力；/>

为k阶段空气阻力；/>

为k阶段传动系阻力；a_min和a_max分别为最小加速度和最大加速度，/>

为k阶段最高车速限值，v_st和v_ed分别为车辆行驶的两交叉口的驶入车速和驶出车速。

进一步的，步骤S2中采用双状态动态规划算法得到最优节能驾驶策略模型包括以下步骤：

S201、从第n阶段逐步逆向计算到第1阶段，获取每个阶段的每个状态的目标函数值，建立相关于阶段和状态的目标函数值矩阵；

S202、根据已经构建的目标函数值矩阵从第1阶段逐步正向寻优计算到第n阶段，获取在满足给定车辆行驶的两交叉口的驶入车速v_st、车辆行驶的两交叉口的驶出车速v_ed、行驶里程s和行驶时间t且满足行驶最小加速度a_min、车辆行驶最大加速度a_max和车辆行驶的最高车速限值

限制的最优节能车速轨迹和驾驶策略。

进一步的，步骤S3中构建最优节能驾驶策略场景库包括以下内容：

将里程s、行驶时间t、两交叉口的驶入车速v_st和两交叉口驶出车速v_ed分别取值：[s₁，s₂，...，s_k-1，s_k，s_k+1，..，s_n-1，s_n]、[t₁，t₂，...，t_L-1，t_L，t_L+1，...，t_n-1，t_n]、

采用双状态动态规划算法建立的最优节能驾驶策略模型，分别求解不同情况行驶里程S_K，行驶时间t_L，车辆行驶的两交叉口的驶入车速/>

车辆行驶的两交叉口的驶出车速/>

为一组的最优节能车速轨迹和驾驶策略，以构成相关于行驶里程、驾驶时间、两交叉口的驶入车速和车辆行驶的两交口的驶出车速的最优节能驾驶策略场景库。

进一步的，步骤S4中构建最优节能驾驶策略实时计算模型包括以下内容：

将相关行驶里程、驾驶时间和初始车速和结束车速的最优节能驾驶策略场景库中略场景库中的70％数据作为训练数据，15％作为验证数据和15％作为测试数据，采用人工神经网络算法对相关数据进行学习，建立近最优节能驾驶策略实时计算模型。

相对于现有技术，本发明所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法具有以下有益效果：

(1)本发明所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法，基于近最优节能驾驶策略模型实时计算的节能驾驶策略和车速实时提示给驾驶员，驾驶员在交通状况允许的情况下跟随节能驾驶策略和车速；

(2)本发明所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法，动态提示的节能驾驶策略和车速是在满足s、t、v_st和v_ed下具有最低车辆轮端需求能量驾驶策略和车速，驶员跟随节能驾驶策略和车速后可明显降低汽车能耗；

(3)本发明所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法，在保证实际道路行驶安全下，驾驶员跟随动态提示的节能驾驶策略会有较明显的节能效果。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的最优节能车速轨迹和驾驶策略示意图；

图2为本发明实施例所述的节能驾驶和自由驾驶下车速轨迹示意图；

图3为本发明实施例所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法流程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

如图1至图3所示，一种变时条件下两交叉口间节能驾驶策略实时寻优方法，根据汽车纵向动力学特征和双状态动态规划算法建立最优节能驾驶策略模型，其中以整车驱动功率和制动功率之和为目标函数，以驾驶时间和行驶里程为双状态变量，加速度和减速度为决策变量，两交叉口间驶入车速和驶出车速为边界，通过全局寻优离线计算最优节能车速轨迹和驾驶模式；基于采用神经网络算法建立近最优节能驾驶策略实时寻优模型，以不同两交叉口间行驶里程和驾驶时间下最优节能车速轨迹和驾驶模式为训练、测试和验证样本，获取隐含层的参数。综合上述阶段，建立驾驶时间可动态调整的汽车节能驾驶策略实时寻优方法。

具体包括以下步骤：

S1、基于汽车行驶方式建立车辆纵向动力学模型；

S2、根据车辆纵向动力学模型，采用双状态动态规划算法得到最优节能驾驶策略模型；

S3、根据最优节能驾驶策略模型，构建最优节能驾驶策略场景库；

S4、根据最优节能驾驶策略场景库，构建近最优节能驾驶策略实时计算模型。

S1：基于汽车行驶方程式建立车辆纵向动力学模型：

在水平路上车辆以不低于125km/h的初始速度开始滑行，速度每隔5km/h记录该速度间隔所经历的时间及行驶的距离，根据滑行能量变化法计算得到车辆道路滑行阻力曲线，滑行能量变化法公式为滚动阻力F_f、空气阻力F_w和传动系阻力F_t之和，具体如下：

F_f+F_w+F_t＝C₀+C₁υ+C₂υ²；

式中，C₀、C₁和C₂为待定系数，由滑行数据通过最小二乘法拟合得到，υ为车辆速度；

其中滑行能量变化计算法包括以下内容：道路滑行阻力计算

公式由标准GB18351.3-2005得到，如下：

F＝f₀+f₁v+f₂v²；

式中，f0代表与速度无关的常数项阻力(如道路摩擦力等)；f1代表与速度一次项有关的阻力(如传动系阻力)；f2代表与速度二次项有关的阻力(如风阻等)；

第二步，根据车辆道路滑行阻力曲线，建立车辆纵向动力学模型；

车辆纵向动力学模型公式如：ma＝F_d-(F_f+F_w+F_t)；

车辆纵向动力学模型公式如：ma＝F_d-(F_f+F_w+F_t)，其中m为车辆质量、a为车辆纵向加速度、F_d为车辆轮端纵向驱动力或制动力。该模型中无重力相关项，这是由于本方法针对水平道路，暂未考虑坡道。

S2：根据动力学模型，采用双状态动态规划算法得到最优节能驾驶策略模型：以车速度的加速度a为决策变量，车速和行驶里程分别为双状态变量、驾驶时间为阶段变量、驱动能量和制动能量之和Q_d为目标函数。将行驶时间划分为n个阶段[1，2，3...k-1，k，k+1，....，n-1，n]，阶段间的时间间隔Δt为1s，n等于两交叉口间预设行驶时间t。建立如下双状态动态规划方程：

v_n＝v_ed；

v₀＝v_st；

a_min≤a_k≤a_max；

Δs_k＝v_k×Δt+0.5×a_k×(Δt)²；

式中，k为第k个阶段；Δs_k为k阶段的行驶里程；s为两交叉口间的总行驶里程；v_k为k阶段车速；a_k为k阶段加速度；

为k阶段车辆轮端纵向驱动力或制动力；/>

为k阶段滚动阻力；/>

为k阶段空气阻力；/>

为k阶段传动系阻力；a_min和a_max分别为最小加速度和最大加速度，/>

为k阶段最高车速限值，v_st和v_ed分别为两交叉口的驶入车速和驶出车速。

在给定v_st、v_ed、s和t下最优节能车速轨迹和驾驶策略的计算过程：

第一步从第n阶段逐步逆向计算到第1阶段，获取每个阶段的每个状态的目标函数值，建立相关于阶段和状态的目标函数值矩阵；

第二步根据已经构建的目标函数值矩阵从第1阶段逐步正向寻优计算到第n阶段，获取在满足给定车辆行驶的两交叉口的驶入车速v_st、车辆行驶的两交叉口的驶出车速v_ed、行驶里程s和行驶时间t且满足行驶最小加速度a_min、车辆行驶最大加速度a_max和车辆行驶的最高车速限值

限制的最优节能车速轨迹和驾驶策略。在v_st＝20km/h、v_ed＝20km/h、s＝1000m和t＝100s下最优节能车速轨迹和驾驶策略如图1所示。

S3：根据最优节能驾驶策略模型，构建最优节能驾驶策略场景库：在实际道路下不同两交叉口间的里程在一定范围内变化，同时不同驾驶员对通过两交叉口的行驶时间、两交叉口的驶入车速和两交叉口的驶出车速也存在差异。为此，需要建立相关于里程、行驶时间、两交叉口的驶入车速和两交叉交口的驶出车速的最优节能车速轨迹和驾驶策略场景库；

最优节能车速轨迹和驾驶策略场景库的构建过程：将里程、行驶时间、两交叉口的驶入车速和两交叉口驶出车速分别取值：[s₁，s₂，...，s_k-1，s_k，s_k+1，..，s_n-1，s_n]、[t₁，t₂，...，t_L-1，t_L，t_L+1，...，t_n-1，t_n]、

采用双状态动态规划算法建立的最优节能驾驶策略模型，分别求解不同情况行驶里程S_K，行驶时间t_L，车辆行驶的两交叉口的驶入车速/>

车辆行驶的两交叉口的驶出车速/>

为一组的最优节能车速轨迹和驾驶策略，其中某些情况可能无解，这是由于某些t、v_st和v_ed下车辆不能行驶s；以存在最优解的(s_k，t_k，/>

)情况建立相关于行驶里程、驾驶时间、两交叉口的驶入车速和两交口的驶出车速的最优节能驾驶策略场景库。

S4：根据最优节能驾驶策略场景库，构建近最优节能驾驶策略实时计算模型：将相关行驶里程、驾驶时间和驶入车速和驶出车速的最优节能驾驶策略场景库中的70％数据作为训练数据，15％作为验证数据和15％作为测试数据，采用前馈神经网络算法进行学习，建立近最优节能驾驶策略实时计算模型，确定该模型中隐含层的参数，以误识别率为评价参数。

具体实施方式：

应用安装GPS仪的车辆采集路谱，建立某区域的数字地图，嵌入到快速原型控制器；

在车上安装GPS仪、快速原型控制器和车载显示屏，GPS仪通过CAN总线将车辆实时经纬度和车速发送至加载近最优节能驾驶策略模型的快速原型控制器，车载显示器显示快速原型控制器输出结果；

驾驶员选取经过两交叉口驶出车速(υ_ed)和两交叉口间的预期平均车速(υ_m),通过数字地图获取两交叉口间里程(s)和经纬度轨迹，根据υ_m和s计算两交口间的预期行驶时间(t)；

车辆刚驶入某两交叉口时，基于驶入两交叉口的车速(υ_st)、υ_ed、t和s，根据近最优节能驾驶策略模型实时求解近相关于里程的节能驾驶策略和车速；

基于两交叉口的经纬度轨迹将相关于里程的节能驾驶策略和车速转换为相关于GPS轨迹的节能驾驶策略和车速；

车辆驶入某两交叉口后，根据车辆当前经纬度位置求取相关于经纬度轨迹节能驾驶策略和车速中最近距离的节能驾驶策略和车速，作为动态节能驾驶策略和车速提示；

节能驾驶策略和车速提示通过车载显示屏显示；

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种变时条件下两交叉口间节能驾驶策略实时寻优方法，其特征在于包括以下步骤：

S1、基于汽车行驶方式建立车辆纵向动力学模型；

S2、根据车辆纵向动力学模型，采用双状态动态规划算法得到最优节能驾驶策略模型；

S3、根据最优节能驾驶策略模型，构建最优节能驾驶策略场景库；

S4、根据最优节能驾驶策略场景库，构建近最优节能驾驶策略实时计算模型；

步骤S4中构建近最优节能驾驶策略实时计算模型：以不同的行驶里程、行驶时间、驶入车速、驶出车速下最优节能驾驶策略场景库作为训练数据、验证数据和测试数据，通过人工神经网络算法进行学习，构建近最优节能驾驶策略实时计算模型；

步骤S1中建立车辆纵向动力学模型包括以下步骤：

第一步，根据滑行能量变化法计算得到车辆道路滑行阻力曲线，滑行能量变化法公式为滚动阻力F_f、空气阻力F_w和传动系阻力F_t之和，具体如下：

F_f+F_w+F_t＝C₀+C₁υ+C₂υ²；

式中，C₀、C₁和C₂为由滑行数据通过最小二乘法拟合得到的待定系数，υ为车辆速度；

第二步，根据车辆道路滑行阻力曲线，建立车辆纵向动力学模型；

车辆纵向动力学模型公式如：ma＝F_d-(F_f+F_w+F_t)；

其中m为车辆质量、a为车辆纵向加速度、F_d为车辆轮端纵向驱动力或制动力；

步骤S2中双状态动态规划算法包括以下内容：

建立动态规划方程：

以车速的加速度a为决策变量，车速和行驶里程分别为双状态变量、驾驶时间为阶段变量、驱动能量和制动能量之和Q_d为目标函数；将行驶时间划分为n个阶段[1,2,3...k-1,k,k+1,....,n-1,n]，阶段间的时间间隔Δt为1s，n等于车辆行驶的两交叉口间预设行驶时间t；

ν_n＝ν_ed；

ν₀＝ν_st；

ν_k≤ν_kmax；

a_min≤a_k≤a_max；

Δs_k＝v_k×Δt+0.5×a_k×(Δt)²；

式中，k为第k个阶段；Δs_k为k阶段的行驶里程；s为两交叉口间的总行驶里程；ν_k为k阶段车速；a_k为k阶段加速度；

为k阶段车辆轮端纵向驱动力或制动力；/>

为k阶段滚动阻力；/>

为k阶段空气阻力；/>

为k阶段传动系阻力；a_min和a_max分别为最小加速度和最大加速度，/>

为k阶段最高车速限值，ν_st和ν_ed分别为车辆行驶的两交叉口的驶入车速和驶出车速。

2.根据权利要求1所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法，其特征在于：步骤S2中采用双状态动态规划算法得到最优节能驾驶策略模型包括以下步骤：

S201、从第n阶段逐步逆向计算到第1阶段，获取每个阶段的每个状态的目标函数值，建立相关于阶段和状态的目标函数值矩阵；

S202、根据已经构建的目标函数值矩阵从第1阶段逐步正向寻优计算到第n阶段，获取在满足给定车辆行驶的两交叉口的驶入车速ν_st、车辆行驶的两交叉口的驶出车速ν_ed、行驶里程s和行驶时间t且满足行驶最小加速度a_min、车辆行驶最大加速度a_max和车辆行驶的最高车速限值

限制的最优节能车速轨迹和驾驶策略。

3.根据权利要求1所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法，其特征在于：步骤S3中构建最优节能驾驶策略场景库包括以下内容：

将里程s、行驶时间t、两交叉口的驶入车速ν_st和两交叉口驶出车速ν_ed分别取值：[s₁,s_2,...,s_k-1,s_k,s_k+1,..,s_n-1,s_n]、[t₁,t₂,...,t_L-1,t_L,t_L+1,...,t_n-1,t_n]、

采用双状态动态规划算法建立的最优节能驾驶策略模型，分别求解不同情况行驶里程S_K,行驶时间t_L,车辆行驶的两交叉口的驶入车速/>

车辆行驶的两交叉口的驶出车速/>

为一组的最优节能车速轨迹和驾驶策略，以构成相关于行驶里程、驾驶时间、两交叉口的驶入车速和车辆行驶的两交口的驶出车速的最优节能驾驶策略场景库。

4.根据权利要求1所述的一种变时条件下两交叉口间节能驾驶策略实时寻优方法，其特征在于：步骤S4中构建最优节能驾驶策略实时计算模型包括以下内容：

将相关行驶里程、驾驶时间和初始车速和结束车速的最优节能驾驶策略场景库中略场景库中的70％数据作为训练数据，15％数据作为验证数据和15％数据作为测试数据采用人工神经网络算法对相关数据进行学习，建立近最优节能驾驶策略实时计算模型。

Images