CN113805570A - 车辆行驶路径和行驶速度协同规划方法、系统及存储介质 - Google Patents

车辆行驶路径和行驶速度协同规划方法、系统及存储介质 Download PDF

Info

Publication number
CN113805570A
CN113805570A CN202010466501.4A CN202010466501A CN113805570A CN 113805570 A CN113805570 A CN 113805570A CN 202010466501 A CN202010466501 A CN 202010466501A CN 113805570 A CN113805570 A CN 113805570A
Authority
CN
China
Prior art keywords
path
speed
population
optimal
vehicle
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
CN202010466501.4A
Other languages
English (en)
Other versions
CN113805570B (zh
Inventor
苗成生
卜祥津
修彩靖
郭继舜
尹杨
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.)
Guangzhou Automobile Group Co Ltd
Original Assignee
Guangzhou Automobile Group Co Ltd
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 Guangzhou Automobile Group Co Ltd filed Critical Guangzhou Automobile Group Co Ltd
Priority to CN202010466501.4A priority Critical patent/CN113805570B/zh
Priority claimed from CN202010466501.4A external-priority patent/CN113805570B/zh
Publication of CN113805570A publication Critical patent/CN113805570A/zh
Application granted granted Critical
Publication of CN113805570B publication Critical patent/CN113805570B/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
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Hybrid Electric Vehicles (AREA)

Abstract

本发明提供一种车辆行驶路径和行驶速度协同规划方法、系统及存储介质，其中，该方法基于驾驶员需求、交通路网信息和车辆纵向动力学特性，建立耦合路径和速度的全局优化问题，并提出了基于遗传算法的路径、速度和动力传动系统控制的多变量协同优化方法，可为驾驶员提供经济型行驶路径和参考车速，此外通过全局功率分配策略和滚动线性二次型跟踪控制相结合的混合动力系统实时优化控制策略对所述行驶路径和参考车速进行跟踪，从而实现经济型自适应巡航控制。该方法可有效的改善车辆燃油经济性，降低运输成本和污染。

Description

车辆行驶路径和行驶速度协同规划方法、系统及存储介质
技术领域
本发明涉及车辆行驶路径和行驶速度协同规划技术领域，尤其涉及一种车辆行驶路径和行驶速度协同规划方法、系统及存储介质。
背景技术
现有导航系统具有定位和导航两个功能，可根据驾驶员给定的起点-终点和当前路网信息给出最短、最快等行驶路径。行驶路径一般由以下方法得到：根据电子地图，定义交通网络有向权图，最短(或最快)路径可表示为节点的有序数列，该数列对应的路程(时间)是最小的。节点间的权重(距离或时间)是相互独立的，并可由交通网络数据和交通流数据(如车辆限速、交通流速等)计算得到。利用Dijkstra’s算法、BellmanFord算法、A*搜索算法等算法可求解得到最佳路径。
自适应巡航控制系统一般需要车辆装配有雷达、激光传感器或相机，利用车载传感器检测前方车距，当车距过小时，车辆会自动减速；当车距足够时，车辆会加速到目标车速行驶。该模式下，驾驶员无需操控油门踏板，车辆可自行控制车速以保持安全车距或跟踪期望车速。
协同自适应巡航控制系统是随车联网技术的不断发展而提出的，将车辆信息通讯与ACC相结合使多个车辆协同控制、编队行驶。它可提高交通的承载容量并可通过减小空气阻力来降低油耗，如定间距跟踪准则。
然而，上述现有技术无法满足驾驶员对车辆燃油经济性的需求，未能考虑路径、车速及动力传动系统控制对车辆性能的影响以及人-车-路多维约束对车辆驾驶及行驶性能的影响。
发明内容
本发明所要解决的技术问题在于，提供一种车辆行驶路径和行驶速度协同规划方法、系统及计算机可读存储介质，以解决现有技术中没有对规划路径和规划速度进行协同优化，并且没有考虑车辆燃油消耗的缺陷。
为了解决上述技术问题，本发明一方面提供一种车辆行驶路径和行驶速度协同规划方法，包括如下步骤：获取规划路径的起点位置信息、终点位置信息、从所述起点位置行驶至所述终点位置的期望时间、以及所述起点位置至所述终点位置的交通路网信息和实时交通数据；
根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度；
控制车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置。
其中，所述根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度具体包括：
根据所述交通路网信息获得所述起点位置和所述终点位置之间的网络支路，确定任意两条网络支路之间的可通行性，并设定所述网络支路上的观测点；
根据所述实时交通数据获取所述网络支路上的观测点处的最小可行驶速度、最大行驶速度以及实时车流的平均速度；
根据车辆的燃油消耗率和所述车辆的规划行驶速度建立目标函数，所述目标函数使得所述车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置的燃油消耗最小；
根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件；
根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度。
其中，所述根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件具体包括：
建立第一约束条件，所述第一约束条件使得所述规划路径上的任意一条网络支路最多只通过一次；
建立第二约束条件，所述第二约束条件使得规划路径的初始网络支路，有其他网络支路与所述初始支路相连通，其中所述初始网络支路为所述起点所在的网络支路；
建立第三约束条件，所述第三约束条件使得规划路径的终端网络支路，有其他网络支路与所述终端网络支路相连通，所述终端网络支路为所述终点所在的网络支路；
建立第四约束条件，所述第四约束条件使得规划路径上的除了所述初始网络支路和终端网络支路之外的其他网络支路，有输入支路和输出支路与其相连通；
建立第五约束条件，所述第五约束条件使得车辆按照所述规划路径从所述起点位置行驶至所述终点位置的行驶时间不大于所述期望行驶时间；
建立第六约束条件，所述第六约束条件使得所述规划行驶速度不小于所述最小可行驶速度，并且不大于所述最大可行驶速度和所述实时车流的平均速度的两者中的较小值。
其中，所述根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度具体包括：
根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群；
从当代路径种群中随机选择一条路径为随机路径，并根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的所述随机路径对应的最优规划速度；
根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值；
计算所述当代路径种群的路径代价函数值与上一代路径种群的路径代价函数值之间的第一差值，并判断所述第一差值是否小于第一设定阈值以及所述当代路径种群的路径函数值是否等于上一代路径种群的路径函数值，若是，则所述当代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述最优行驶路径对应的最优规划速度为最优行驶速度，否则，按照第一设定的规则从所述当代路径种群中选择个体，对所述选择的个体进行基因突变和交叉变异，生成下一代路径种群，从所述下一代路径种群中随机选择一条路径为随机路径，根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定所述下一代路径种群中的所述随机路径对应的最优规划速度；根据所述最优规划速度计算下一代路径种群中的随机路径的路径代价函数值，根据下一代路径种群中的随机路径的路径代价函数值获得所述下一代路径种群的路径代价函数值；计算所述下一代路径种群的路径代价函数值与所述当代路径种群的路径代价函数值之间的第二差值，并判断所述第二差值是否小于所述第一设定阈值以及所述下一代路径种群的路径值是否等于所述当代路径种群的路径函数值，若是，则所述下一代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述下一代路径种群中的最优行驶路径对应的最优规划速度为最优行驶速度，否则继续生成路径种群，直至所述路径种群的迭代次数达到路径种群的最大迭代次数。
其中，所述根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的所述随机路径对应的最优规划速度具体包括：
根据第五约束条件和第六约束条件生成速度初始种群并设定速度种群的最大迭代次数，所述速度初始种群中包括至少一个速度序列，所述速度序列由规划路径上的观测点处的随机速度构成；
根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为当代速度种群的最优油耗值；
计算所述当代速度种群的最优油耗值和上一代速度种群的最优油耗值之间的第三差值，判断所述第三差值是否小于第二设定值，若是，则所述当代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，按照第二设定的规则从所述当代速度种群中选择速度个体，对所述选择的速度个体进行基因突变和交叉变异，生成下一代速度种群，根据下一代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为下一代速度种群的最优油耗值，计算所述下一代速度种群的最优油耗值和所述当代速度种群的最优油耗值之间的第四差值，判断所述第四差值是否小于第二设定值，若是，则所述下一代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，继续生成速度种群，直至所述速度种群的迭代次数达到速度种群的最大迭代次数。
其中，所述根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值具体包括：
根据车辆纵向动力学模型和当代速度种群中的速度序列计算所述随机路径的观测点处的车辆驱动需求功率；
根据所述驱动需求功率确定所述观测点处车辆发动机需输出的功率；
根据车辆燃油消耗率、所述发动机需输出的功率以及所述当代速度种群中的速度序列确定所述路径油耗值。
其中，所述根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值具体包括：
获取所述当代路径种群的所述随机路径的最优规划速度对应的路径油耗值，将所述最优规划速度对应的路径油耗值记为所述当前随机路径的路径代价函数值；
比较所述当代路径种群中的所述随机路径的路径代价函数值，将最小的路径代价函数值记为所述当代路径种群的路径代价函数值。
其中，所述控制车辆以所述最优规划行驶速度按照所述最优规划行驶路径从所述起点位置行驶至所述终点位置具体包括：
根据所述最优规划速度和车辆纵向动力学模型计算获得所述观测点处的参考输出扭矩序列和参考状态参数序列，所述参考输出扭矩序列包括发动机的参考输出扭矩、第一电机的第二输出扭矩和第三电机的第三输出扭矩，所述参考状态参数序列包括所述发动机的第一输出角速度、第二电机的第三输出角速度以及车辆电池的荷电状态系数，其中，所述第一电机和第二电机通过功率分配器与所述发动机连接；
计算所述参考输出扭矩系列和跟踪输出扭矩序列的和值，并将所述和值输入建立的车辆动力控制模型中，输出实时状态参数序列
将所述实时状态参数序列和所述参考状态参数序列输入滚动线性二次型跟踪模型中，输出所述跟踪输出扭矩序列。
其中，所述根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群具体包括：
设定路径种群的规模和路径种群的最大循环迭代次数，并对所述起点位置和所述终点位置之间的交通网络支路进行编号；
随机选择一条网络支路为当前网络支路，分别生成所述初始支路至当前网络支路之间的第一局部路径和所述当前网络支路至所述终端支路的第二局部路径，根据所述第一局部路径和所述第二局部路径生成从所述起点位置至所述终点位置之间的当前随机路径；
计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第一行驶时间，判断所述第一行驶时间是否满足第五约束条件，若满足，则将所述当前随机路径保存于所述路径初始种群中，否则，随机选择另一网络支路为下一网络支路，分别生成所述初始支路至所述下一网络支路之间的第三局部路径和所述下一网络支路至所述终端支路的第四局部路径，根据所述第三局部路径和所述第四局部路径生成从所述起点位置至所述终点位置之间的下一随机路径，计算车辆按照所述下一随机路径从所述起点位置行驶至所述终点位置的第二行驶时间，判断所述第二行驶时间是否满足第五约束条件，若满足，则将所述下一随机路径保存于所述路径初始种群中，否则，继续生成随机路径，直至所述路径初始种群中的随机路径个体数达到所述路径种群的规模数。
其中，所述根据第五约束条件和第六约束条件生成速度初始种群具体包括：
设定速度种群的规模；
根据第六约束条件随机生成所述随机路径对应的当前随机速度序列；
根据所述当前随机速度序列计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第三行驶时间，判断所述第三行驶时间是否满足第五约束条件，若满足，则将所述随机速度序列保存于所述速度初始种群中，否则，根据第六约束条件随机生成所述随机路径对应的下一随机速度序列，根据所述下一随机速度序列计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第四行驶时间，判断所述第四行驶时间是否满足第五约束条件，若满足，则将所述下一随机速度序列保存于所述速度初始种群中，否则，继续生成随机速度序列，直至所述速度初始种群中的随机速度序列个体数达到所述速度种群的规模。
本发明第二方面提供一种车辆行驶路径和行驶速度协同规划系统，包括：
获取单元，用于获取规划路径的起点位置信息、终点位置信息、从所述起点位置行驶至所述终点位置的期望时间、以及所述起点位置至所述终点位置的交通路网信息和实时交通数据；
最优行驶路径和最优行驶速度确定单元，用于根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度；
控制单元，用于控制车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置。
其中，所述最优行驶路径和最优行驶速度确定单元具体包括：
网络支路确定单元，用于根据所述交通路网信息获得所述起点位置和所述终点位置之间的网络支路，确定任意两条网络支路之间的可通行性，并设定所述网络支路上的观测点；
观测点设定单元，用于设定所述网络支路上的观测点；
可行驶速度确定单元，用于根据所述实时交通数据获取所述网络支路上的观测点处的最小可行驶速度、最大行驶速度以及实时车流的平均速度；
目标函数建立单元，用于根据车辆的燃油消耗率和所述车辆的规划行驶速度建立目标函数，所述目标函数使得所述车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置的燃油消耗最小；
约束条件建立单元，用于根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件；
协同优化单元，用于根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度。
其中，所述约束条件建立单元包括：
第一约束条件建立单元，用于建立第一约束条件，所述第一约束条件使得所述规划路径上的任意一条网络支路最多只通过一次；
第二约束条件建立单元，用于建立第二约束条件，所述第二约束条件使得规划路径的初始网络支路，有其他网络支路与所述初始支路相连通，其中所述初始网络支路为所述起点所在的网络支路；
第三约束条件建立单元，用于建立第三约束条件，所述第三约束条件使得规划路径的终端网络支路，有其他网络支路与所述终端网络支路相连通，所述终端网络支路为所述终点所在的网络支路；
第四约束条件建立单元，用于建立第四约束条件，所述第四约束条件使得规划路径上的除了所述初始网络支路和终端网络支路之外的其他网络支路，有输入支路和输出支路与其相连通；
第五约束条件建立单元，用于建立第五约束条件，所述第五约束条件使得车辆按照所述规划路径从所述起点位置行驶至所述终点位置的行驶时间不大于所述期望行驶时间；
第六约束条件，用于建立第六约束条件，所述第六约束条件使得所述规划行驶速度不小于所述最小可行驶速度，并且不大于所述最大可行驶速度和所述实时车流的平均速度的两者中的较小值。
其中，所述协同优化单元具体包括：
路径初始种群确定单元，用于根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群；
最优规划速度确定单元，用于从当代路径种群中随机选择一条路径为随机路径，并根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的随机路径对应的最优规划速度；
路径代价函数值确定单元，用于根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值；
最优行驶路径确定单元，用于计算所述当代路径种群的路径代价函数值与上一代路径种群的路径代价函数值之间的第一差值，并判断所述第一差值是否小于第一设定阈值以及所述当代路径种群的路径函数值是否等于上一代路径种群的路径函数值，若是，则所述当代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述最优行驶路径对应的最优规划速度为最优行驶速度，否则，按照设定的规则从所述当代路径种群中选择个体，对所述选择的个体进行基因突变和交叉变异，生成下一代路径种群，从所述下一代路径种群中随机选择一条路径为随机路径，根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定所述下一代路径种群中的随机路径对应的最优规划速度；根据所述最优规划速度计算下一代路径种群中的随机路径的路径代价函数值，根据下一代路径种群中的随机路径的路径代价函数值获得所述下一代路径种群的路径代价函数值；计算所述下一代路径种群的路径代价函数值与所述当代路径种群的路径代价函数值之间的第二差值，并判断所述第二差值是否小于所述第一设定阈值以及所述下一代路径种群的路径值是否等于所述当代路径种群的路径函数值，若是，则所述下一代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述下一代路径种群中的最优行驶路径对应的最优规划速度为最优行驶速度，否则继续生成路径种群，直至所述路径种群的迭代次数达到路径种群的最大迭代次数。
其中，所述最优规划速度确定单元具体包括：
速度初始种群确定单元，用于根据第五约束条件和第六约束条件生成速度初始种群并设定速度种群的最大迭代次数，所述速度初始种群中包括至少一个速度序列，所述速度序列由规划路径上的观测点处的随机速度构成；
速度种群最优油耗值确定单元，用于根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为当代速度种群的最优油耗值；
最优规划速度计算单元，用于计算所述当代速度种群的最优油耗值和上一代速度种群的最优油耗值之间的第三差值，判断所述第三差值是否小于第二设定值，若是，则所述当代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，按照第二设定的规则从所述当代速度种群中选择速度个体，对所述选择的速度个体进行基因突变和交叉变异，生成下一代速度种群，根据下一代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为下一代速度种群的最优油耗值，计算所述下一代速度种群的最优油耗值和所述当代速度种群的最优油耗值之间的第四差值，判断所述第四差值是否小于第二设定值，若是，则所述下一代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，继续生成速度种群，直至所述速度种群的迭代次数达到速度种群的最大迭代次数。
其中，所述路径代价函数值确定单元具体包括：
当前随机路径的路径代价函数值确定单元，用于获取所述当代路径种群的所述随机路径的最优规划速度对应的路径油耗值，将所述最优规划速度对应的路径油耗值记为所述当前随机路径的路径代价函数值；
当代路径种群的路径代价函数值确定单元，用于比较所述当代路径种群中的所述随机路径的路径代价函数值，将最小的路径代价函数值记为所述当代路径种群的路径代价函数值。
其中，所述控制单元包括：
参考输出扭矩序列和参考状态参数序列计算单元，用于根据所述最优规划速度和车辆纵向动力学模型计算获得所述观测点处的参考输出扭矩序列和参考状态参数序列，所述参考输出扭矩序列包括发动机的参考输出扭矩、第一电机的第二输出扭矩和第三电机的第三输出扭矩，所述参考状态参数序列包括所述发动机的第一输出角速度、第二电机的第三输出角速度以及车辆电池的荷电状态系数，其中，所述第一电机和第二电机通过功率分配器与所述发动机连接；
和值计算单元，用于计算所述参考输出扭矩系列和跟踪输出扭矩序列的和值；
车辆动力控制模型单元，用于根据所述和值输出实时状态参数序列；
二次型跟踪模型单元，用于获取所述车辆的实时状态参数序列，并将所述实时状态参数序列和所述参考状态参数序列进行滚动线性二次型跟踪，输出所述跟踪输出扭矩序列。
本发明第三方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
本发明实施例的有益效果在于：基于遗传算法对规划行驶路径和规划行驶速度进行协同优化，并在协同优化的过程中结合车辆混合动力系统的全局功率分配策略获得车辆对应的状态参数，将所述状态参数输入车辆控制模型，并采用滚动线性二次型跟踪对车辆输出的实际参数进行跟踪，从而使得车辆从所述起点位置行驶至所述终点位置的油耗最小。该方法可有效的改善车辆燃油经济性，降低运输成本和污染，并且该方法可提升现有高级辅助驾驶功能，实现经济型导航和自适应巡航控制，为驾驶员提供更多的选择；此外，该方法可用于不同级别的自动驾驶需求，路径和速度的优化结果可显示给驾驶员，使经济型驾驶变得简单可行，满足L2及以下级别的使用要求，结合混合动力系统实时优化控制策略，可实现车速的自动规划和控制，满足L3级别的使用要求，可直接输出到自动驾驶车辆的控制端，实现L4、L5级别的自动驾驶。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一种车辆行驶路径和行驶速度协同规划方法的车辆功率分流混合动力系统的简化模型示意图；
图2是本发明实时例一种车辆行驶路径和行驶速度协同规划方法的流程示意图；
图3是本发明实施例一种车辆行驶路径和行驶速度协同规划方法的步骤S2的具体的流程示意图；
图4是本发明实施例一种车辆行驶路径和行驶速度协同规划方法的步骤S25的具体的流程示意图；
图5是本发明实施例一种车辆行驶路径和行驶速度协同规划方法的步骤S252的具体的流程示意图；
图6是本发明实施例一种车辆行驶路径和行驶速度协同规划方法的步骤S3的流程示意图；
图7是本发明实施例的一种车辆行驶路径和行驶速度协同规划系统的结构示意图。
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
如图1所示，为本发明实施例一的车辆功率分流混合动力系统的简化模型，该模型为前向仿真模型，其驾驶员模型由两个PID控制器构成。动力传动系统模块包含发动机17、电池11、换流器12、功率分配器16、主减速器15、第一电机A14和第二电机B15。发动机功率可通过机械和电力两种形式传递到驱动轮，电功率和机械功率通过功率分配器汇流。该HEV的纵向动力学模型可简化为：
Figure BDA0002512821850000131
其中，Je为发动机的转动惯量，JA为发电机A的转动惯量，JB为发电机B的转动惯量，we为发动机输出角速度，wA为发电机A的输出角速度，wB为发电机B的输出角速度，Te为发动机输出扭矩，TA为发电机A的输出扭矩，TB为发电机B的输出扭矩，M为整车质量，g为重力加速度，f为车轮的滚动阻力系数，TC、TR和TS分别为功率分配器行星排的行星架、齿圈和太阳轮的扭矩，θ为坡度，Cd为风阻系数，ρ为空气密度，A为迎风面积，i0为主减速器传动比。
功率分配器16是HEV的重要组成部件，由行星齿轮组成，发动机、第一电机A和第二电机B分别与行星架C、太阳轮S和齿圈R相连，速度和扭矩关系表示为：
Figure BDA0002512821850000132
其中，ωC为行星架的角速度，ωR为齿圈的角速度、ωS为太阳轮的角速度，K为行星排系数，其值等于太阳轮到齿圈的传动比。
SOC为电池荷电状态，也称为剩余电量，表示电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示，最常用的SOC估计模型如下所示：
Figure BDA0002512821850000133
其中，R0表示电池内阻，Qnom为电池容量；Pbat为电池功率，正值代表放电，负值代表充电。
Pbat＝TAωAηA+TBωBηB 公式4
其中，ηA为发动机A的发电效率，ηB发电机B的发电效率，满足：
Figure BDA0002512821850000141
其中，ηGM是发动机/电机效率，可由其特性图得到。
如图2所示，本发明实施例一提供一种车辆行驶路径和行驶速度协同规划方法，包括如下步骤：
S1、获取规划路径的起点位置信息、终点位置信息、从所述起点位置行驶至所述终点位置的期望时间、以及所述起点位置至所述终点位置的交通路网信息和实时交通数据。
S2、根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度。
如图3所示，在一具体实施方式中，所述步骤S2具体包括：
S21、根据所述交通路网信息获得所述起点位置和所述终点位置之间的网络支路，确定任意两条网络支路之间的可通行性，并设定每一所述网络支路上的观测点。
具体地，i和j分别为网络支路，φij为二进制变量，表示支路i到支路j的通过性：如果支路i和支路j相连，并且车辆可以直接由i行驶至j则φij等于1，否则φij等于0。
具体地，对于某一网络支路，可按照设定的规则设定该网络支路上的观测点个数。假设其长度为1000米，如果按照10米一个观测点进行设置，则设置100个观测点。
S22、根据所述实时交通数据获取所述网络支路上的观测点处的最小可行驶速度、最大行驶速度以及实时车流的平均速度。
需要说明的是，步骤S21和步骤S22之间没有先后顺序之分。
S23、根据车辆的燃油消耗率和所述车辆的规划行驶速度建立目标函数，所述目标函数使得所述车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置的燃油消耗最小。
具体地，所述目标函数为：
Figure BDA0002512821850000151
其中，J为规划路径对应的规划速度的燃油消耗，N为交通网络中的网络支路总数，ge为燃油消耗率；Mi是网络支路i上观测点的数目，we为发动机的输出角速度，Te为发动机的输出扭矩，Pe(k)为发动机在第k个观测点时的输出功率，Δs(k)表示第k个观测点和第k-1个观测点之间的距离，v(k)表示第k个观测点的速度。
S24、根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件。
其中，建立第一约束条件，所述第一约束条件使得规划路径上的任意一条网络支路最多只通过一次。具体地：
Figure BDA0002512821850000152
Figure BDA0002512821850000153
其中，建立第二约束条件，所述第二约束条件使得规划路径的初始网络支路，有其他网络支路与所述初始支路相连通，其中所述初始网络支路为所述起点所在的支路。具体地：
Figure BDA0002512821850000154
其中，建立第三约束条件，所述第三约束条件使得规划路径的终端网络支路，有其他网络支路与所述终端网络支路相连通，所述终端支路为所述终点所在的支路。具体地：
Figure BDA0002512821850000155
其中，建立第四约束条件，所述第四约束条件使得规划路径上的除了所述初始网络支路和终端网络支路之外的其他网络支路，有输入支路和输出支路与其相连通。具体地：
Figure BDA0002512821850000161
其中，建立第五约束条件，所述第五约束条件使得车辆按照所述规划路径从所述起点行驶至所述终点的时间不大于所述期望行驶时间。具体地：
Figure BDA0002512821850000162
其中，建立第六约束条件，所述第六约束条件使得所述规划行驶速度不小于所述最小可行驶速度，并且不大于所述最大可行驶速度。具体地：
vL(k)≤v(k)≤min(vC(k),vU(k))
其中，其中，TE为所述期望行驶时间，vL(k)表示观测点k处的最小可行驶速度，vU(k)表示观测点k处的最大可行驶速度，vC(k)表示观测点k处的车流平均行驶速度。
需要说明的是，步骤S23和步骤S24之间没有先后顺序之分。
S25、根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度。
如图4所示，在一具体实施方式中，所述步骤S25具体包括：
S251、根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群。
具体地，设定所述路径种群的规模lr_p和路径种群的最大循环迭代次数lr_i。对所述起点位置和所述终点位置之间的交通网络支路进行编号，随机选择一条网络支路为当前网络支路，分别生成所述初始网络支路至当前网络支路之间的第一局部路径和所述当前网络支路至所述终端网络支路的第二局部路径，将所述第一局部路径和所述第二局部路径连接起来并去掉重复的网络支路从而形成所述起点位置至所述终点位置之间的当前随机路径。根据所述当前随机路径的平均车辆速度计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第一行驶时间，判断所述第一行驶时间是否满足第五约束条件，若满足，则将所述当前随机路径保存于所述路径初始种群中，否则，随机选择另一网络支路为下一网络支路，分别生成所述初始支路至所述下一网络支路之间的第三局部路径和所述下一网络支路至所述终端支路的第四局部路径，根据所述第三局部路径和所述第四局部路径生成从所述起点位置至所述终点位置之间的下一随机路径，计算车辆按照所述下一随机路径从所述起点位置行驶至所述终点位置的第二行驶时间，判断所述第二行驶时间是否满足第五约束条件，若满足，则将所述下一随机路径保存于所述路径初始种群中，否则，继续选择另一网络支路并生成随机路径，直至所述路径初始种群中的随机路径个体数达到所述路径种群的规模数。
S252、从当代路径种群中随机选择一条路径为随机路径，并根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的所述随机路径对应的最优规划速度。
如图5所示，在一具体实施方式中，所述步骤S252包括如下步骤：
S252a、根据第五约束条件和第六约束条件生成速度初始种群并设定速度种群的最大循环迭代次数，所述速度初始种群中包括至少一个速度序列，所述速度序列由路径上的观测点对应的随机速度构成。
具体地，设定速度种群的规模lv_p以及速度种群的最大循环迭代次数lv_i，根据第六约束条件随机生成所述当前随机路径上的每一观测点的速度，从而形成所述当前随机路径对应的当前随机速度序列，根据所述当前随机速度序列计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第三行驶时间，判断所述第三行驶时间是否满足第五约束条件，若满足，则将所述随机速度序列保存于所述速度初始种群中，否则，根据第六约束条件随机生成所述随机路径对应的下一随机速度序列，根据所述下一随机速度序列计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第四行驶时间，判断所述第四行驶时间是否满足第五约束条件，若满足，则将所述下一随机速度序列保存于所述速度初始种群中，否则，继续生成随机速度序列，直至所述速度初始种群中的随机速度序列个体数达到所述速度种群的规模。
S252b、根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为当代速度种群的最优油耗值。
全局功率分配策略为基于规则的全局优化方法，用于优化发动机、第一电机A和第二电机B三者之间的功率分配，使所给速度工况实现最小油耗。
根据车辆纵向动力学模型公式1，可以得到功率平衡方程为：
Pe+PA+PB-(Pein+PAin+PBin)-Pt＝0 公式6其中，
Figure BDA0002512821850000181
为发动机惯性功率，当发动机加速时为正值，当发动机减速时为负值；
Figure BDA0002512821850000182
Pt为车辆驱动功率。对于给定的循环工况或速度曲线，Pt可由下式计算得到：
Figure BDA0002512821850000183
其中，v(k)为观测点k的速度，Δt为观测点k和观测点k-1两点之间的时间差。由于观测点的速度可以根据随机速度序列获得，因而可计算随机路径上的每一观测点处的所需要的驱动需求功率。
根据观测点处的所需要的驱动需求功率，可分为不同的功率模式，进而可得到不同模式下的发动机的输出功率。
a、功率回收模式，即找去驱动需求功率为负的点，Nr＝{k∈N|Pt(k)<0}，该模式下的可回收能量总和Wr：
Figure BDA0002512821850000184
其中，|Pt *|为第二电机B的最大回收功率，由第二电机B特性参数和转速决定。该模式下，车辆无需提供驱动力，发动机的输出功率为0，即
Figure BDA0002512821850000185
b、高负荷模式，即找出驱动需求功率大于发动机高负荷功率的观测点，
Figure BDA0002512821850000186
并计算该模式下所需要的电能Wh
Figure BDA0002512821850000191
该模式下，车辆驱动功率右发动机和电池共同提供，其中发动机提供的功率为
Figure BDA0002512821850000192
c、低速模式，经过a和b后剩余的回收能量将用于车辆低速驱动，即纯电能模式。从剩余工况点中找出满足下式的低速点，即
Figure BDA0002512821850000193
Figure BDA0002512821850000194
其中，σ为给定的阈值。该模式下，发动机无需提供动力，
Figure BDA0002512821850000195
d、功率平衡模式，经过a、b、c后的剩余观测形点，其可通过电池的控制使发动机尽可能工作在高效区。具体做法为：将剩余工作点的Pt由小到大排序，找到低功率点Pt(i)<Plow,i∈[1,kl]和功率平衡点kb，满足：
Figure BDA0002512821850000196
然后，剩余工况点的功率可划分为3组：纯电模式(i∈[1,kb])、混合驱动模型(i∈[kb+1,kl])和发动机单独驱动模式(i>kl)。三种模式下发动机提供的功率可归结为下式：
Figure BDA0002512821850000197
其中，Νb1、Νb2和Νb3为原工况点集合，分别对应集合i∈[1,kb]、i∈[kb+1,kl]和i>kl。Phigh和Plow由发动机特性图决定，在Plow-Phigh范围内，ge较小且随发动机功率的变化幅度也比较小。
经过全局功率分配策略，可以得到发动机输出功率，车辆燃油消耗量Jv
Figure BDA0002512821850000198
其中，H为所述随机路径上的观测点的个数。
采用上式可以根据每一速度序列获得一对应的车辆燃油消耗量，因而可以计算获得所述当代速度种群中的每一速度序列对应的车辆燃油消耗量，将最小燃油消耗量值确定为所述当代速度种群的最优油耗值。
S252c、计算所述当代速度种群的最优油耗值和上一代速度种群的最优油耗值之间的第三差值，判断所述第三差值是否小于第二设定值，若是，则所述当代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，按照第二设定的规则从所述当代速度种群中选择速度个体，对所述选择的速度个体进行基因突变和交叉变异，生成下一代速度种群，根据下一代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为下一代速度种群的最优油耗值，计算所述下一代速度种群的最优油耗值和所述当代速度种群的最优油耗值之间的第四差值，判断所述第四差值是否小于第二设定值，若是，则所述下一代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，继续生成速度种群，直至所述速度种群的迭代次数达到速度种群的最大迭代次数。
其中，下一代速度种群由随机选择的速度个体、父代个体以及基因突变和交叉变异形成的子代个体组成。其中通过基因突变和交叉变异形成子代个体具体包括：设定突变个体数lv_m、交叉变异个体数lv_c和随机选择的速度个体数lv_r，从父代个体的速度序列中随机选择两个观测点k1和k2，根据第六约束条件产生当前路径下的观测点k1和k2观测点之间的随机速度序列，并用其取代原父本个体的相应位置的速度值，得到一组新的速度序列，即子代个体，选择两个父代个体的速度序列v1和v2，在速度序列v1或v2中随机选择两个观测点k1和k2，将两个父代个体的上述两个观测点之间的速度值进行相互替换，得到两组新的速度序列，检查子代个体和父代个体是否相同，若相同，则舍弃所述子代个体，在确定子代个体和父代个体不同后，分别计算车辆以所述子代速度序列按当前路径从所述起点位置行驶至所述终点位置的行驶时间，并判断所述行驶时间是否满足第五预设条件，若满足，则将所述子代速度个体保存于所述下一代速度种群中。重复前述的步骤，直至所述下一代速度种群中的个体数达到(lv_p-lv_r-lv_s)。
在生成子代速度个体后，按照前述的速度初始种群的生成方法产生lv_r个随机个体，再加上父代个体即可生成新一代路径种群。
S253、根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值。
具体地，获取所述随机路径的最优规划速度对应的路径油耗值，将所述最优规划速度对应的路径油耗值记为所述当前随机路径的路径代价函数值，比较所述当代路径种群中的路径代价函数值，将最小的路径代价函数值记为所述当代路径种群的路径代价函数值。
S254、计算所述当代路径种群的路径代价函数值与上一代路径种群的路径代价函数值之间的第一差值，并判断所述第一差值是否小于第一设定阈值以及所述当代路径种群的路径函数值是否等于上一代路径种群的路径函数值，若是，则所述当代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述最优行驶路径对应的最优规划速度为最优行驶速度，否则，按照第一设定的规则从所述当代路径种群中选择个体，对所述选择的个体进行基因突变和交叉变异，生成下一代路径种群，从所述下一代路径种群中随机选择一条路径为随机路径，根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定所述下一代路径种群中的所述随机路径对应的最优规划速度；根据所述最优规划速度计算下一代路径种群中的随机路径的路径代价函数值，根据下一代路径种群中的随机路径的路径代价函数值获得所述下一代路径种群的路径代价函数值；计算所述下一代路径种群的路径代价函数值与所述当代路径种群的路径代价函数值之间的第二差值，并判断所述第二差值是否小于所述第一设定阈值以及所述下一代路径种群的路径值是否等于所述当代路径种群的路径函数值，若是，则所述下一代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述下一代路径种群中的最优行驶路径对应的最优规划速度为最优行驶速度，否则继续生成路径种群，直至所述路径种群的迭代次数达到路径种群的最大迭代次数。
其中，下一代路径种群个体由从当代路径种群中选出的优选父代个体、由优选父代个体通过基因突变和交叉变异得到的子代个体以及随机产生的个体组成。
其中，由优选父代个体通过基因突变和交叉变异得到子代个体具体包括：设定随机个体数lr_r，父代个体数lr_s，则子代个体数为lr_p-lr_r-lr_s。从父代个体的支路向量中随机选择两个支路n1和n2，根据第一至第三约束条件产生由支路n1至n2的随机局部路径，并用所述随机局部路径取代父本个体的相应位置处的局部路径，得到一条新的路径，即子代个体。选择两个父代个体r1和r2，并找出其中相同的支路Ψ，从Ψ随机选择一条支路n进行前后交叉或选择两条支路进行局部交叉。前后交叉即将父代个体r1的局部路径(支路1到n)和父代个体r2的局部路径(支路n到N)组合，注意去除重复支路。检查子代个体的相异性和行驶时间约束，如果子代个体和父代个体相同，则舍弃所述子代个体，在确定所述子代个体和父代个体不同后，计算车辆按照所述子代个体路径从所述起点位置行驶至所述终点位置的行驶时间，并判断所述行驶时间是否满足第五约束条件，若满足，则将所述子代路径个体保存于所述下一代路径种群中。重复前述步骤，直至所述路径种群中的子代路径个体数达到lr_p-lr_r-lr_s。
然后按照路径种群的路径个体的生成办法生成lr_r个随机路径个体，从而形成下一代路径种群。
其中，在一具体实施方式中，所述步骤S3具体包括：
S31、根据所述最优规划速度和车辆纵向动力学模型计算获得所述观测点处的参考输出扭矩序列和参考状态参数序列，所述参考输出扭矩序列包括发动机的参考输出扭矩、第一电机的第二输出扭矩和第三电机的第三输出扭矩，所述参考状态参数序列包括所述发动机的第一输出角速度、第二电机的第三输出角速度以及车辆电池的荷电状态系数，其中，所述第一电机和第二电机通过功率分配器与所述发动机连接。
具体地，根据车辆混合动力系统的全局功率分配策略可以获得车辆的最优规划行驶速度，还能够得到发动机对应的输出角速度
Figure BDA0002512821850000221
和输出扭矩
Figure BDA0002512821850000222
再将发动机的输出角速度和输出扭矩代入车辆的动力学模型中，可以得到第一电机的输出角速度、第一电机的输出扭矩值、第二电机的输出角速度和第二电机的输出扭矩值以及SOC值。
S32、计算所述参考输出扭矩系列和跟踪输出扭矩序列的和值，并将所述和值输入建立的车辆动力控制模型中，输出实时状态参数序列。
具体他，根据公式(1)和公式(2)车辆纵向动力学模型可简化为：
Figure BDA0002512821850000231
其中，
Figure BDA0002512821850000232
Figure BDA0002512821850000233
ΔJ＝J11J22-J12J21
发动机的燃油消耗率
Figure BDA0002512821850000234
可表示为：
Figure BDA0002512821850000235
其中，γ为常系数
Figure BDA0002512821850000236
定义x＝[x1 x2 x3]T＝[we wB SOC]T，u＝[u1 u2 u3]T＝[me T.A TB]T，y＝[we wB]T，可得到HEV动力传动系统的3阶非线性模型：
Figure BDA0002512821850000237
Figure BDA0002512821850000238
通常情况下，非线性模型要比线性模型复杂，为此，对所述非线性模型进行线性化，转换为线性模型，常用的线性化方法是在平衡点e(xe,ue,ψe)附近使用泰勒级数展开式进行近似：
Figure BDA0002512821850000241
在平衡点e处满足
Figure BDA0002512821850000242
且当各输入变量偏差值(Δx,Δu,Δψ)较小时，上式中的高阶项(HOT(Δx,Δu,Δψ))可以忽略。由此，可得到平衡点e附近的线性化模型。
Figure BDA0002512821850000243
其中，
Figure BDA0002512821850000244
Figure BDA0002512821850000245
Figure BDA0002512821850000246
Figure BDA0002512821850000247
如果线性化作用点o(xo,uo,ψo)不是平衡点，非线性模型仍可通过该方法进行线性化，但是结果略有差别。
Figure BDA0002512821850000248
其中，f(xo,uo,ψo)为作用点o相关的常数。上式的最后两项可合并为一项BwΔw，其中，Bw＝I3×3，Δw＝BψΔψ+f(xo,uo,ψo)。
由此，可得到工作点o(xo,uo,ψo)处的线性模型：
Figure BDA0002512821850000249
平衡点e和工作点o最大不同在于控制变量u。对于平衡点e，ue满足f(xe,ue,ψe)＝0，其控制变量偏差Δu＝u-ue不能保证在很小范围，其中，u为实际控制量。而工作点o线性化可保证Δu始终在较小值范围。为此，在该实施例中采用工作点线性化，所使用工作点为GPD的优化结果。
在实时应用中，多采用离散模型进行控制，上述所示的线性连续模型可以T＝10ms的离散步长进行离散化。
Figure BDA0002512821850000251
Figure BDA0002512821850000252
其中，
Figure BDA0002512821850000253
S33、将所述实时状态参数序列和所述参考状态参数序列输入滚动线性二次型跟踪模型中，输出所述跟踪输出扭矩序列。
滚动线性二次型跟踪模型(LQT)就是为了寻找最优控制
Figure BDA0002512821850000254
使油耗和跟踪误差最小。代价函数J可表示为：
Figure BDA0002512821850000255
其中，
Figure BDA0002512821850000256
为GPD优化结果与线性化工作点的偏差；F2×2为半正定矩阵，F＝FT；Q2×2为半正定矩阵，Q＝QT；R3×3为正定矩阵，R＝RT，kf为规划路径上的最后一个观测点。
哈密尔顿函数为
Figure BDA0002512821850000257
状态、协态及控制方程为
Figure BDA0002512821850000258
Figure BDA0002512821850000259
Figure BDA00025128218500002510
其中，λ＝[λ1 λ2 λ3]T为拉格朗日因子，其终端状态满足：
Figure BDA00025128218500002511
反馈过程最优控制为
Figure BDA00025128218500002512
为得到黎卡提(Riccati)方程，做如下假设：
Figure BDA0002512821850000261
Figure BDA0002512821850000262
其中，矩阵P3×3和向量g3×1为待定变量。
联立上式可求得最优控制
Figure BDA0002512821850000263
Figure BDA0002512821850000264
其中，
Figure BDA0002512821850000265
进而得到最优状态轨迹
Figure BDA0002512821850000266
Figure BDA0002512821850000267
Tr为LQT的作用时间长度，但只使用其中第一步的优化结果
Figure BDA0002512821850000268
Tr的值越大，LQT的跟踪效果越好，但线性系统和非线性系统的差异越大，跟踪实际误差也会增大。因此，Tr应选择适中，优选为Tr＝1s。需要注意的是由LQT控制方法得到的最优控制信号
Figure BDA0002512821850000269
需要转化为所需要的控制输入信号
Figure BDA00025128218500002610
本发明实施例的车辆行驶路径和行驶速度的协同规划方法，基于遗传算法对规划行驶路径和规划行驶速度进行协同优化，并在协同优化的过程中结合车辆混合动力系统的全局功率分配策略获得车辆的最优行驶速度、最优行驶路径和对应的状态参数，将所述状态参数输入车辆控制模型，并采用滚动线性二次型跟踪对车辆输出的实际参数进行跟踪，从而使得车辆按照所述最优行驶路径从所述起点位置行驶至所述终点位置的油耗最小。该方法可有效的改善车辆燃油经济性，降低运输成本和污染，并且该方法可提升现有高级辅助驾驶功能，实现经济型导航和自适应巡航控制，为驾驶员提供更多的选择；此外，该方法可用于不同级别的自动驾驶需求，路径和速度的优化结果可显示给驾驶员，使经济型驾驶变得简单可行，满足L2及以下级别的使用要求；结合混合动力系统实时优化控制策略，可实现车速的自动规划和控制，满足L3级别的使用要求；可直接输出到自动驾驶车辆的控制端，实现L4、L5级别的自动驾驶。
基于本发明实施例一，本发明实施例二提供一种车辆行驶路径和行驶速度的协同规划系统，如图7所示，所述系统2其包括：获取单元21，用于获取规划路径的起点位置信息、终点位置信息、从所述起点位置行驶至所述终点位置的期望时间、以及所述起点位置至所述终点位置的交通路网信息和实时交通数据，最优行驶路径和最优行驶速度确定单元22，用于根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于所述车辆从所述起始位置行驶至所述终点位置的路径油耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优规划路径和对应的最优行驶速度，控制单元23，用于控制车辆以所述最优行驶速度按照所述最优规划路径从所述起点位置行驶至所述终点位置。
其中，所述最优规划路径和最优行驶速度确定单元具体包括：网络支路确定单元，用于根据所述交通路网信息获得所述起点位置和所述终点位置之间的网络支路，确定任意两条网络支路之间的可通行性，并设定每一所述支路上的观测点；观测点设定单元，用于设定每一所述网络支路上的观测点，可行驶速度确定单元，用于根据所述实时交通数据获取所述支路上的最小可行驶速度和最大行驶速度，目标函数建立单元，用于根据所述车辆的燃油消耗率和所述车辆的规划行驶速度建立目标函数，所述目标函数使得所述车辆从所述起点位置行驶至所述终点位置的油耗最小，约束条件建立单元，根据所述支路之间的可通行性、规划行驶速度、期望行驶时间、最小可行驶速度和最大可行驶速度建立约束条件，协同优化单元，用于根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优规划路径和对应的最优行驶规划速度。
其中，所述约束条件建立单元包括：第一约束条件建立单元，用于建立第一约束条件，所述第一约束条件使得规划路径上的任意一条网络支路最多只通过一次，第二约束条件建立单元，用于建立第二约束条件，所述第二约束条件使得规划路径的初始网络支路，有其他网络支路与所述初始支路相连通，其中所述初始网络支路为所述起点所在的支路，第三约束条件建立单元，用于建立第三约束条件，所述第三约束条件使得规划路径的终端网络支路，有其他网络支路与所述终端网络支路相连通，所述终端支路为所述终点所在的支路，第四约束条件建立单元，用于建立第四约束条件，所述第四约束条件使得规划路径上的除了所述初始网络支路和终端网络支路之外的其他网络支路，有输入支路和输出支路与其相连通，第五约束条件建立单元，用于建立第五约束条件，所述第五约束条件使得车辆按照所述规划路径从所述起点行驶至所述终点的时间不大于所述期望行驶时间，第六约束条件，用于建立第六约束条件，所述第六约束条件使得所述规划行驶速度不小于所述最小可行驶速度，并且不大于所述最大可行驶速度。
其中，所述协同优化单元具体包括：路径初始种群确定单元，用于根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群，最优规划速度确定单元，用于从当代路径种群中随机选择一条路径为随机路径，并根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的随机路径对应的最优规划速度，路径代价函数值确定单元，用于根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值获得所述当代路径种群的路径代价函数值，最优规划路径确定单元，用于计算所述当代路径种群的路径代价函数值与上一代路径种群的路径代价函数值之间的第一差值，并判断所述第一差值是否小于第一设定阈值，若小于，则所述当代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述最优行驶路径对应的最优规划速度为最优规划行驶速度，否则，按照设定的规则从所述当代路径种群中选择个体，对所述选择的个体进行基因突变和交叉变异，生成下一代路径种群，从所述下一代路径种群中随机选择一条路径为随机路径，根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定所述下一代路径种群中的随机路径对应的最优规划速度；根据所述最优规划速度计算下一代路径种群中的随机路径的路径代价函数值，根据下一代路径种群中的随机路径的路径代价函数值获得所述下一代路径种群的路径代价函数值；计算所述下一代路径种群的路径代价函数值与所述当代路径种群的路径代价函数值之间的第二差值，并判断所述第一差值是否小于第一设定阈值，若小于，则所述下一代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述下一代路径种群中的最优行驶路径对应的最优规划速度为最优规划行驶速度，否则继续生成路径种群，直至所述路径种群的迭代达到最大迭代次数。
其中，所述最优规划速度确定单元具体包括：速度初始种群确定单元，用于根据第五约束条件和第六约束条件生成速度初始种群并设定速度种群的最大循环迭代次数，所述速度初始种群中包括至少一个速度序列，所述速度序列由路径上的观测点对应的随机速度构成，速度种群最优油耗值确定单元，根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为当代速度种群的最优油耗值，最优规划速度计算单元，用于计算所述当代速度种群的最优油耗值和上一代速度种群的最优油耗值之间的第三差值，判断所述第三差值是否小于第二设定值，若是，则所述当代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，按照第二设定的规则从所述当代速度种群中选择速度个体，对所述选择的速度个体进行基因突变和交叉变异，生成下一代速度种群，根据下一代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为下一代速度种群的最优油耗值，计算所述下一代速度种群的最优油耗值和所述当代速度种群的最优油耗值之间的第四差值，判断所述第四差值是否小于第二设定值，若是，则所述下一代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，继续生成速度种群，直至达到所述速度种群的最大循环迭代次数。
其中，所述路径代价函数值确定单元具体包括：当前随机路径的路径代价函数值确定单元，用于获取所述随机路径的最优规划速度对应的路径油耗值，将所述最优规划速度对应的路径油耗值记为所述当前随机路径的路径代价函数值，当代路径种群的路径代价函数值确定单元，比较所述当代路径种群中的路径代价函数值，将最小的路径代价函数值记为所述当代路径种群的路径代价函数值。
其中，所述控制单元包括：参考输出扭矩序列和参考状态参数序列计算单元，用于根据所述最优规划速度和车辆纵向动力学模型计算获得所述观测点的参考输出扭矩序列和参考状态参数序列，所述参考输出扭矩序列包括发动机的参考输出扭矩、第一电机的第二输出扭矩和第三电机的第三输出扭矩，所述参考状态参数序列包括所述发动机的第一输出角速度、第二电机的第三输出角速度以及车辆电池的荷电状态系数，二次型跟踪模型单元，用于获取所述车辆的实时状态参数序列，并将所述实时状态参数系统和所述参考状态参数序列进行滚动线性二次型跟踪，输出跟踪输出扭矩序列，和值计算单元，用于计算所述参考输出扭矩系列和所述跟踪输出扭矩序列的和值，车辆动力控制模型单元，用于根据所述和值输出所述实时状态参数序列。
基于本发明实施例一，本发明实施例三提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述方法的步骤。
有关本实施例的工作原理以及所带来的有益效果请参照本发明实施例一的说明，此处不再赘述。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (18)

1.一种车辆行驶路径和行驶速度协同规划方法，其特征在于，包括如下步骤：
获取规划路径的起点位置信息、终点位置信息、从所述起点位置行驶至所述终点位置的期望时间、以及所述起点位置至所述终点位置的交通路网信息和实时交通数据；
根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度；
控制车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置。
2.根据权利要求1所述的方法，其特征在于，所述根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度具体包括：
根据所述交通路网信息获得所述起点位置和所述终点位置之间的网络支路，确定任意两条网络支路之间的可通行性，并设定所述网络支路上的观测点；
根据所述实时交通数据获取所述网络支路上的观测点处的最小可行驶速度、最大行驶速度以及实时车流的平均速度；
根据车辆的燃油消耗率和所述车辆的规划行驶速度建立目标函数，所述目标函数使得所述车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置的燃油消耗最小；
根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件；
根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度。
3.根据权利要求2所述的方法，其特征在于，所述根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件具体包括：
建立第一约束条件，所述第一约束条件使得所述规划路径上的任意一条网络支路最多只通过一次；
建立第二约束条件，所述第二约束条件使得规划路径的初始网络支路，有其他网络支路与所述初始支路相连通，其中所述初始网络支路为所述起点所在的网络支路；
建立第三约束条件，所述第三约束条件使得规划路径的终端网络支路，有其他网络支路与所述终端网络支路相连通，所述终端网络支路为所述终点所在的网络支路；
建立第四约束条件，所述第四约束条件使得规划路径上的除了所述初始网络支路和终端网络支路之外的其他网络支路，有输入支路和输出支路与其相连通；
建立第五约束条件，所述第五约束条件使得车辆按照所述规划路径从所述起点位置行驶至所述终点位置的行驶时间不大于所述期望行驶时间；
建立第六约束条件，所述第六约束条件使得所述规划行驶速度不小于所述最小可行驶速度，并且不大于所述最大可行驶速度和所述实时车流的平均速度的两者中的较小值。
4.根据权利要求3所述的方法，其特征在于：所述根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度具体包括：
根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群；
从当代路径种群中随机选择一条路径为随机路径，并根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的所述随机路径对应的最优规划速度；
根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值；
计算所述当代路径种群的路径代价函数值与上一代路径种群的路径代价函数值之间的第一差值，并判断所述第一差值是否小于第一设定阈值以及所述当代路径种群的路径函数值是否等于上一代路径种群的路径函数值，若是，则所述当代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述最优行驶路径对应的最优规划速度为最优行驶速度，否则，按照第一设定的规则从所述当代路径种群中选择个体，对所述选择的个体进行基因突变和交叉变异，生成下一代路径种群，从所述下一代路径种群中随机选择一条路径为随机路径，根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定所述下一代路径种群中的所述随机路径对应的最优规划速度；根据所述最优规划速度计算下一代路径种群中的随机路径的路径代价函数值，根据下一代路径种群中的随机路径的路径代价函数值获得所述下一代路径种群的路径代价函数值；计算所述下一代路径种群的路径代价函数值与所述当代路径种群的路径代价函数值之间的第二差值，并判断所述第二差值是否小于所述第一设定阈值以及所述下一代路径种群的路径值是否等于所述当代路径种群的路径函数值，若是，则所述下一代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述下一代路径种群中的最优行驶路径对应的最优规划速度为最优行驶速度，否则继续生成路径种群，直至所述路径种群的迭代次数达到路径种群的最大迭代次数。
5.根据权利要求4所述的方法，其特征在于，所述根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的所述随机路径对应的最优规划速度具体包括：
根据第五约束条件和第六约束条件生成速度初始种群并设定速度种群的最大迭代次数，所述速度初始种群中包括至少一个速度序列，所述速度序列由规划路径上的观测点处的随机速度构成；
根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为当代速度种群的最优油耗值；
计算所述当代速度种群的最优油耗值和上一代速度种群的最优油耗值之间的第三差值，判断所述第三差值是否小于第二设定值，若是，则所述当代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，按照第二设定的规则从所述当代速度种群中选择速度个体，对所述选择的速度个体进行基因突变和交叉变异，生成下一代速度种群，根据下一代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为下一代速度种群的最优油耗值，计算所述下一代速度种群的最优油耗值和所述当代速度种群的最优油耗值之间的第四差值，判断所述第四差值是否小于第二设定值，若是，则所述下一代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，继续生成速度种群，直至所述速度种群的迭代次数达到速度种群的最大迭代次数。
6.根据权利要求5所述的方法，其特征在于，所述根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值具体包括：
根据车辆纵向动力学模型和当代速度种群中的速度序列计算所述随机路径的观测点处的车辆驱动需求功率；
根据所述驱动需求功率确定所述观测点处车辆发动机需输出的功率；
根据车辆燃油消耗率、所述发动机需输出的功率以及所述当代速度种群中的速度序列确定所述路径油耗值。
7.根据权利要求5所述的方法，其特征在于，所述根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值具体包括：
获取所述当代路径种群的所述随机路径的最优规划速度对应的路径油耗值，将所述最优规划速度对应的路径油耗值记为所述当前随机路径的路径代价函数值；
比较所述当代路径种群中的所述随机路径的路径代价函数值，将最小的路径代价函数值记为所述当代路径种群的路径代价函数值。
8.根据权利要求7所述的方法，其特征在于，所述控制车辆以所述最优规划行驶速度按照所述最优规划行驶路径从所述起点位置行驶至所述终点位置具体包括：
根据所述最优规划速度和车辆纵向动力学模型计算获得所述观测点处的参考输出扭矩序列和参考状态参数序列，所述参考输出扭矩序列包括发动机的参考输出扭矩、第一电机的第二输出扭矩和第三电机的第三输出扭矩，所述参考状态参数序列包括所述发动机的第一输出角速度、第二电机的第三输出角速度以及车辆电池的荷电状态系数，其中，所述第一电机和第二电机通过功率分配器与所述发动机连接；
计算所述参考输出扭矩系列和跟踪输出扭矩序列的和值，并将所述和值输入建立的车辆动力控制模型中，输出实时状态参数序列
将所述实时状态参数序列和所述参考状态参数序列输入滚动线性二次型跟踪模型中，输出所述跟踪输出扭矩序列。
9.根据权利要求4所述的方法，其特征在于，所述根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群具体包括：
设定路径种群的规模和路径种群的最大循环迭代次数，并对所述起点位置和所述终点位置之间的交通网络支路进行编号；
随机选择一条网络支路为当前网络支路，分别生成所述初始支路至当前网络支路之间的第一局部路径和所述当前网络支路至所述终端支路的第二局部路径，根据所述第一局部路径和所述第二局部路径生成从所述起点位置至所述终点位置之间的当前随机路径；
计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第一行驶时间，判断所述第一行驶时间是否满足第五约束条件，若满足，则将所述当前随机路径保存于所述路径初始种群中，否则，随机选择另一网络支路为下一网络支路，分别生成所述初始支路至所述下一网络支路之间的第三局部路径和所述下一网络支路至所述终端支路的第四局部路径，根据所述第三局部路径和所述第四局部路径生成从所述起点位置至所述终点位置之间的下一随机路径，计算车辆按照所述下一随机路径从所述起点位置行驶至所述终点位置的第二行驶时间，判断所述第二行驶时间是否满足第五约束条件，若满足，则将所述下一随机路径保存于所述路径初始种群中，否则，继续生成随机路径，直至所述路径初始种群中的随机路径个体数达到所述路径种群的规模数。
10.根据权利要求5所述的方法，其特征在于，所述根据第五约束条件和第六约束条件生成速度初始种群具体包括：
设定速度种群的规模；
根据第六约束条件随机生成所述随机路径对应的当前随机速度序列；
根据所述当前随机速度序列计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第三行驶时间，判断所述第三行驶时间是否满足第五约束条件，若满足，则将所述随机速度序列保存于所述速度初始种群中，否则，根据第六约束条件随机生成所述随机路径对应的下一随机速度序列，根据所述下一随机速度序列计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的第四行驶时间，判断所述第四行驶时间是否满足第五约束条件，若满足，则将所述下一随机速度序列保存于所述速度初始种群中，否则，继续生成随机速度序列，直至所述速度初始种群中的随机速度序列个体数达到所述速度种群的规模。
11.一种车辆行驶路径和行驶速度协同规划系统，其特征在于，包括：
获取单元，用于获取规划路径的起点位置信息、终点位置信息、从所述起点位置行驶至所述终点位置的期望时间、以及所述起点位置至所述终点位置的交通路网信息和实时交通数据；
最优行驶路径和最优行驶速度确定单元，用于根据所述起点位置信息、终点位置信息、期望时间、交通路网信息和实时交通数据，并基于车辆从所述起点位置行驶至所述终点位置的燃油消耗最小对车辆规划路径和对应的规划行驶速度进行遗传算法协同优化，获得所述车辆的最优行驶路径和对应的最优行驶速度；
控制单元，用于控制车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置。
12.根据权利要求11所述的系统，其特征在于，所述最优行驶路径和最优行驶速度确定单元具体包括：
网络支路确定单元，用于根据所述交通路网信息获得所述起点位置和所述终点位置之间的网络支路，确定任意两条网络支路之间的可通行性，并设定所述网络支路上的观测点；
观测点设定单元，用于设定所述网络支路上的观测点；
可行驶速度确定单元，用于根据所述实时交通数据获取所述网络支路上的观测点处的最小可行驶速度、最大行驶速度以及实时车流的平均速度；
目标函数建立单元，用于根据车辆的燃油消耗率和所述车辆的规划行驶速度建立目标函数，所述目标函数使得所述车辆以所述最优行驶速度按照所述最优行驶路径从所述起点位置行驶至所述终点位置的燃油消耗最小；
约束条件建立单元，用于根据观测点处的规划行驶速度、期望行驶时间、最小可行驶速度、实时车流的平均速度和最大可行驶速度以及所述网络支路之间的可通行性建立约束条件；
协同优化单元，用于根据所述目标函数和所述约束条件对所述规划路径和规划行驶速度进行遗传算法协同优化，获得所述最优行驶路径和对应的最优行驶速度。
13.根据权利要求12所述的系统，其特征在于，所述约束条件建立单元包括：
第一约束条件建立单元，用于建立第一约束条件，所述第一约束条件使得所述规划路径上的任意一条网络支路最多只通过一次；
第二约束条件建立单元，用于建立第二约束条件，所述第二约束条件使得规划路径的初始网络支路，有其他网络支路与所述初始支路相连通，其中所述初始网络支路为所述起点所在的网络支路；
第三约束条件建立单元，用于建立第三约束条件，所述第三约束条件使得规划路径的终端网络支路，有其他网络支路与所述终端网络支路相连通，所述终端网络支路为所述终点所在的网络支路；
第四约束条件建立单元，用于建立第四约束条件，所述第四约束条件使得规划路径上的除了所述初始网络支路和终端网络支路之外的其他网络支路，有输入支路和输出支路与其相连通；
第五约束条件建立单元，用于建立第五约束条件，所述第五约束条件使得车辆按照所述规划路径从所述起点位置行驶至所述终点位置的行驶时间不大于所述期望行驶时间；
第六约束条件，用于建立第六约束条件，所述第六约束条件使得所述规划行驶速度不小于所述最小可行驶速度，并且不大于所述最大可行驶速度和所述实时车流的平均速度的两者中的较小值。
14.根据权利要求13所述的系统，其特征在于，所述协同优化单元具体包括：
路径初始种群确定单元，用于根据所述起点位置信息、终点位置信息、第一至第四约束条件确定路径初始种群；
最优规划速度确定单元，用于从当代路径种群中随机选择一条路径为随机路径，并根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定当代路径种群中的随机路径对应的最优规划速度；
路径代价函数值确定单元，用于根据所述最优规划速度计算所述随机路径的路径代价函数值，根据所述随机路径的路径代价函数值确定所述当代路径种群的路径代价函数值；
最优行驶路径确定单元，用于计算所述当代路径种群的路径代价函数值与上一代路径种群的路径代价函数值之间的第一差值，并判断所述第一差值是否小于第一设定阈值以及所述当代路径种群的路径函数值是否等于上一代路径种群的路径函数值，若是，则所述当代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述最优行驶路径对应的最优规划速度为最优行驶速度，否则，按照设定的规则从所述当代路径种群中选择个体，对所述选择的个体进行基因突变和交叉变异，生成下一代路径种群，从所述下一代路径种群中随机选择一条路径为随机路径，根据第五约束条件和第六约束条件以及车辆动力系统的全局功率分配策略确定所述下一代路径种群中的随机路径对应的最优规划速度；根据所述最优规划速度计算下一代路径种群中的随机路径的路径代价函数值，根据下一代路径种群中的随机路径的路径代价函数值获得所述下一代路径种群的路径代价函数值；计算所述下一代路径种群的路径代价函数值与所述当代路径种群的路径代价函数值之间的第二差值，并判断所述第二差值是否小于所述第一设定阈值以及所述下一代路径种群的路径值是否等于所述当代路径种群的路径函数值，若是，则所述下一代路径种群的路径代价函数值对应的随机路径为最优行驶路径，所述下一代路径种群中的最优行驶路径对应的最优规划速度为最优行驶速度，否则继续生成路径种群，直至所述路径种群的迭代次数达到路径种群的最大迭代次数。
15.根据权利要求14所述的系统，其特征在于，所述最优规划速度确定单元具体包括：
速度初始种群确定单元，用于根据第五约束条件和第六约束条件生成速度初始种群并设定速度种群的最大迭代次数，所述速度初始种群中包括至少一个速度序列，所述速度序列由规划路径上的观测点处的随机速度构成；
速度种群最优油耗值确定单元，用于根据当代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为当代速度种群的最优油耗值；
最优规划速度计算单元，用于计算所述当代速度种群的最优油耗值和上一代速度种群的最优油耗值之间的第三差值，判断所述第三差值是否小于第二设定值，若是，则所述当代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，按照第二设定的规则从所述当代速度种群中选择速度个体，对所述选择的速度个体进行基因突变和交叉变异，生成下一代速度种群，根据下一代速度种群中的速度序列和车辆混合动力系统的全局功率分配策略计算车辆按照所述随机路径从所述起点位置行驶至所述终点位置的路径油耗值，并将最小油耗值确定为下一代速度种群的最优油耗值，计算所述下一代速度种群的最优油耗值和所述当代速度种群的最优油耗值之间的第四差值，判断所述第四差值是否小于第二设定值，若是，则所述下一代速度种群的最优油耗值对应的速度序列为所述随机路径对应的最优规划速度，否则，继续生成速度种群，直至所述速度种群的迭代次数达到速度种群的最大迭代次数。
16.根据权利要求15所述的系统，其特征在于，所述路径代价函数值确定单元具体包括：
当前随机路径的路径代价函数值确定单元，用于获取所述当代路径种群的所述随机路径的最优规划速度对应的路径油耗值，将所述最优规划速度对应的路径油耗值记为所述当前随机路径的路径代价函数值；
当代路径种群的路径代价函数值确定单元，用于比较所述当代路径种群中的所述随机路径的路径代价函数值，将最小的路径代价函数值记为所述当代路径种群的路径代价函数值。
17.根据权利要求16所述的系统，其特征在于，所述控制单元包括：
参考输出扭矩序列和参考状态参数序列计算单元，用于根据所述最优规划速度和车辆纵向动力学模型计算获得所述观测点处的参考输出扭矩序列和参考状态参数序列，所述参考输出扭矩序列包括发动机的参考输出扭矩、第一电机的第二输出扭矩和第三电机的第三输出扭矩，所述参考状态参数序列包括所述发动机的第一输出角速度、第二电机的第三输出角速度以及车辆电池的荷电状态系数，其中，所述第一电机和第二电机通过功率分配器与所述发动机连接；
和值计算单元，用于计算所述参考输出扭矩系列和跟踪输出扭矩序列的和值；
车辆动力控制模型单元，用于根据所述和值输出实时状态参数序列；
二次型跟踪模型单元，用于获取所述车辆的实时状态参数序列，并将所述实时状态参数序列和所述参考状态参数序列进行滚动线性二次型跟踪，输出所述跟踪输出扭矩序列。
18.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-10任一项所述方法的步骤。
CN202010466501.4A 2020-05-28 车辆行驶路径和行驶速度协同规划方法、系统及存储介质 Active CN113805570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010466501.4A CN113805570B (zh) 2020-05-28 车辆行驶路径和行驶速度协同规划方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010466501.4A CN113805570B (zh) 2020-05-28 车辆行驶路径和行驶速度协同规划方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN113805570A true CN113805570A (zh) 2021-12-17
CN113805570B CN113805570B (zh) 2024-06-28

Family

ID=

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829170A (zh) * 2023-02-17 2023-03-21 鱼快创领智能科技(南京)有限公司 行车方案优化方法、系统及存储介质
CN117382656A (zh) * 2023-12-11 2024-01-12 天津所托瑞安汽车科技有限公司 节油驾驶引导方法、装置、终端及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009117364A2 (en) * 2008-03-21 2009-09-24 General Electric Company Method for controlling a powered system based on mission plan
WO2012027020A1 (en) * 2010-08-24 2012-03-01 Exxonmobil Upstream Research Company System and method for planning a well path
US20120239282A1 (en) * 2009-12-17 2012-09-20 Toyota Jidosha Kabushiki Kaisha Vehicle control device
WO2014074476A1 (en) * 2012-11-07 2014-05-15 Smartloop Llc Computer-based diabetes management
WO2017157733A1 (en) * 2016-03-15 2017-09-21 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Method of providing a driving recommendation to a driver of a train and train driver advisory system
CN107992050A (zh) * 2017-12-20 2018-05-04 广州汽车集团股份有限公司 无人驾驶汽车局部路径运动规划方法和装置
CN108438003A (zh) * 2018-01-05 2018-08-24 吉林大学 一种道路车辆速度优化的分层控制方法
CN108872978A (zh) * 2018-05-11 2018-11-23 湖北中南鹏力海洋探测系统工程有限公司 一种基于高频地波雷达洋流数据的水上船只路径规划方法
CN109978350A (zh) * 2019-03-13 2019-07-05 北京工业大学 一种基于工况分解动态规划算法的地铁列车节能优化方法
CN110006428A (zh) * 2019-01-21 2019-07-12 武汉大学 一种基于无人机能量的覆盖路径规划方法及装置
CN110442135A (zh) * 2019-08-06 2019-11-12 南京赛沃夫海洋科技有限公司 一种基于改进遗传算法的无人艇路径规划方法及系统
CN110633850A (zh) * 2019-09-11 2019-12-31 中电科新型智慧城市研究院有限公司 一种面向出行时间可靠性的最优路径规划算法
CN110893850A (zh) * 2018-09-12 2020-03-20 广州汽车集团股份有限公司 一种车辆纵向速度规划方法和纵向速度规划装置
CN110941261A (zh) * 2019-10-19 2020-03-31 中国海洋大学 一种自主式水下航行器多区域遍历路径规划方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009117364A2 (en) * 2008-03-21 2009-09-24 General Electric Company Method for controlling a powered system based on mission plan
US20120239282A1 (en) * 2009-12-17 2012-09-20 Toyota Jidosha Kabushiki Kaisha Vehicle control device
WO2012027020A1 (en) * 2010-08-24 2012-03-01 Exxonmobil Upstream Research Company System and method for planning a well path
WO2014074476A1 (en) * 2012-11-07 2014-05-15 Smartloop Llc Computer-based diabetes management
WO2017157733A1 (en) * 2016-03-15 2017-09-21 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Method of providing a driving recommendation to a driver of a train and train driver advisory system
CN107992050A (zh) * 2017-12-20 2018-05-04 广州汽车集团股份有限公司 无人驾驶汽车局部路径运动规划方法和装置
CN108438003A (zh) * 2018-01-05 2018-08-24 吉林大学 一种道路车辆速度优化的分层控制方法
CN108872978A (zh) * 2018-05-11 2018-11-23 湖北中南鹏力海洋探测系统工程有限公司 一种基于高频地波雷达洋流数据的水上船只路径规划方法
CN110893850A (zh) * 2018-09-12 2020-03-20 广州汽车集团股份有限公司 一种车辆纵向速度规划方法和纵向速度规划装置
CN110006428A (zh) * 2019-01-21 2019-07-12 武汉大学 一种基于无人机能量的覆盖路径规划方法及装置
CN109978350A (zh) * 2019-03-13 2019-07-05 北京工业大学 一种基于工况分解动态规划算法的地铁列车节能优化方法
CN110442135A (zh) * 2019-08-06 2019-11-12 南京赛沃夫海洋科技有限公司 一种基于改进遗传算法的无人艇路径规划方法及系统
CN110633850A (zh) * 2019-09-11 2019-12-31 中电科新型智慧城市研究院有限公司 一种面向出行时间可靠性的最优路径规划算法
CN110941261A (zh) * 2019-10-19 2020-03-31 中国海洋大学 一种自主式水下航行器多区域遍历路径规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GGYEBONG JANG，等: "Optimal Trajectory Path Generation for Jointed Structure of Excavator using Genetic Algorithm", IEEE, pages 1953 - 1959 *
詹红鑫，等: "基于邻域搜索的成品油多舱多目标配送路径优化算法研究", 系统工程理论与实践, vol. 39, no. 10, pages 2660 - 2675 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115829170A (zh) * 2023-02-17 2023-03-21 鱼快创领智能科技(南京)有限公司 行车方案优化方法、系统及存储介质
CN117382656A (zh) * 2023-12-11 2024-01-12 天津所托瑞安汽车科技有限公司 节油驾驶引导方法、装置、终端及存储介质
CN117382656B (zh) * 2023-12-11 2024-02-06 天津所托瑞安汽车科技有限公司 节油驾驶引导方法、装置、终端及存储介质

Similar Documents

Publication Publication Date Title
Tran et al. Thorough state-of-the-art analysis of electric and hybrid vehicle powertrains: Topologies and integrated energy management strategies
Wang et al. Dynamic programming technique in hybrid electric vehicle optimization
Pisu et al. A comparative study of supervisory control strategies for hybrid electric vehicles
Borhan et al. MPC-based energy management of a power-split hybrid electric vehicle
Singh et al. Fuzzy logic and Elman neural network tuned energy management strategies for a power-split HEVs
Gökce et al. An instantaneous optimization strategy based on efficiency maps for internal combustion engine/battery hybrid vehicles
Zhang et al. Route planning and power management for PHEVs with reinforcement learning
CN109204314A (zh) 推进高效的自主驾驶策略
CN103863087B (zh) 一种基于发动机最优工作线的插电式混合动力汽车节能预测控制方法
Panday et al. Energy management strategy implementation for hybrid electric vehicles using genetic algorithm tuned Pontryagin’s minimum principle controller
Vajedi et al. Intelligent power management of plug–in hybrid electric vehicles, part I: Real–time optimum SOC trajectory builder
Chrenko et al. Novel classification of control strategies for hybrid electric vehicles
Yan et al. Design of a deep inference framework for required power forecasting and predictive control on a hybrid electric mining truck
Vignesh et al. Intelligent energy management through neuro-fuzzy based adaptive ECMS approach for an optimal battery utilization in plugin parallel hybrid electric vehicle
Gurkaynak et al. State of the art power management algorithms for hybrid electric vehicles
Lamantia et al. Remaining driving range estimation framework for electric vehicles in platooning applications
Lodaya et al. Optimization of fuel economy using optimal controls on regulatory and real-world driving cycles
CN115805840A (zh) 一种增程式电动装载机能耗控制方法及系统
Chen et al. State of charge node planning with segmented traffic information
Huang et al. A novel data-driven energy management strategy for fuel cell hybrid electric bus based on improved twin delayed deep deterministic policy gradient algorithm
Schmitt et al. Real-time nonlinear model predictive control for the energy management of hybrid electric vehicles in a hierarchical framework
Abd-Elhaleem et al. A new power management strategy for plug-in hybrid electric vehicles based on an intelligent controller integrated with CIGPSO algorithm
CN113805570A (zh) 车辆行驶路径和行驶速度协同规划方法、系统及存储介质
CN113805570B (zh) 车辆行驶路径和行驶速度协同规划方法、系统及存储介质
Hu et al. Supplementary learning control for energy management strategy of hybrid electric vehicles at scale

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