CN113911103A - 一种混合动力履带车辆速度与能量协同优化方法及系统 - Google Patents

一种混合动力履带车辆速度与能量协同优化方法及系统 Download PDF

Info

Publication number
CN113911103A
CN113911103A CN202111518545.8A CN202111518545A CN113911103A CN 113911103 A CN113911103 A CN 113911103A CN 202111518545 A CN202111518545 A CN 202111518545A CN 113911103 A CN113911103 A CN 113911103A
Authority
CN
China
Prior art keywords
vehicle
energy
speed
tracked vehicle
control
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
CN202111518545.8A
Other languages
English (en)
Other versions
CN113911103B (zh
Inventor
张旭东
郭凌雄
李国强
邹渊
郭宁远
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202111518545.8A priority Critical patent/CN113911103B/zh
Publication of CN113911103A publication Critical patent/CN113911103A/zh
Application granted granted Critical
Publication of CN113911103B publication Critical patent/CN113911103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W20/00—Control systems specially adapted for hybrid vehicles
    • B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
    • B60W20/15—Control strategies specially adapted for achieving a particular effect
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
    • B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/244—Charge state
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/18—Steering angle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/06—Combustion engines, Gas turbines
    • B60W2710/0677—Engine power
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2710/00—Output or target parameters relating to a particular sub-units
    • B60W2710/08—Electric propulsion units
    • B60W2710/086—Power
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/62—Hybrid vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明涉及一种混合动力履带车辆速度与能量协同优化方法及系统。该方法包括获取无人履带车的车辆行驶状态、能量状态以及控制变量；根据所述车辆行驶状态确定无人履带车的路径跟踪误差；根据路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；根据能量状态以及控制变量构建控制导向模型；根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。本发明能够在保证高效稳定跟随的基础上实现最优的燃油经济性。

Description

一种混合动力履带车辆速度与能量协同优化方法及系统
技术领域
本发明涉及履带车控制领域，特别是涉及一种混合动力履带车辆速度与能量协同优化方法及系统。
背景技术
现有技术中对于履带车的控制，通常利用动态规划（DP），二次规划（QP），GA等方法进行路径优化，但是上述方法实时性差，计算效率低，难以实现高效的实时路径规划；利用模型预测控制（MPC）、庞特里亚金极小值原理（PMP）等方法进行控制，导致计算效率较低，实时性差，难以实现实时最优的能量管理。
因此，亟需一种新的控制优化方法，以解决上述问题。
发明内容
本发明的目的是提供一种混合动力履带车辆速度与能量协同优化方法及系统，在于充分发挥强化学习以及显性模型预测控制实时性强优势，在路径规划的基础上融合混合动力车辆能量管理算法，充分发挥履带车辆横纵向速度规划以及能量管理协同优化特点，在保证高效稳定跟随的基础上实现最优的燃油经济性。
为实现上述目的，本发明提供了如下方案：
一种混合动力履带车辆速度与能量协同优化方法，包括：
获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
可选地，所述获取无人履带车的车辆行驶状态、能量状态以及控制变量，具体包括：
获取无人履带车的参考轨迹的GPS经纬度坐标信息；
利用高斯-克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
可选地，所述根据所述车辆行驶状态确定无人履带车的路径跟踪误差，具体包括：
利用公式
Figure 905452DEST_PATH_IMAGE001
确定无人履带车的车辆动力学模型；
利用公式
Figure 83492DEST_PATH_IMAGE002
确定无人履带车的运动状态方程；
利用公式
Figure 752633DEST_PATH_IMAGE003
确定车辆形心线速度和旋转角速度；
利用公式
Figure 357927DEST_PATH_IMAGE004
确定路径跟踪误差；
其中，m和
Figure 556694DEST_PATH_IMAGE005
分别表示履带车的整备质量和航向转动惯量，
Figure 538425DEST_PATH_IMAGE006
和
Figure 593231DEST_PATH_IMAGE007
分别表示履带车形心位置的速度和加速度，
Figure 369426DEST_PATH_IMAGE008
和
Figure 834649DEST_PATH_IMAGE009
分别表示左、右侧驱动电机提供的驱动力，
Figure 88913DEST_PATH_IMAGE010
和
Figure 263805DEST_PATH_IMAGE011
则分别表示左、右侧履带的滚动阻力，
Figure 476480DEST_PATH_IMAGE012
表示两侧履带的滚阻系数，
Figure 540251DEST_PATH_IMAGE013
表示两侧履带中心距，
Figure 368180DEST_PATH_IMAGE014
为履带车转向阻力矩，g为重力加速度，L为履带接地长度，
Figure 896113DEST_PATH_IMAGE015
为转向阻力系数，
Figure 781155DEST_PATH_IMAGE016
和
Figure 394539DEST_PATH_IMAGE017
分别代表左、右两侧的履带速度，
Figure 754719DEST_PATH_IMAGE018
分别表示履带车形心在大地坐标系中的坐标及相对与大地坐标系的转角，
Figure 199476DEST_PATH_IMAGE019
表示旋转角速度，
Figure 989840DEST_PATH_IMAGE020
表示路径跟踪误差，
Figure 497045DEST_PATH_IMAGE021
表示跟踪目标在全局坐标系下的位置，
Figure 655057DEST_PATH_IMAGE022
，
Figure 219899DEST_PATH_IMAGE023
，
Figure 181164DEST_PATH_IMAGE024
分别表示在车辆局部坐标系下车辆的前进方向的误差、横向误差与角度误差。
可选地，所述根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器，具体包括：
将转向内侧电机转矩以及外侧电机转矩作为深度确定性策略梯度算法的动作变量；
利用公式
Figure 769141DEST_PATH_IMAGE025
确定深度确定性策略梯度算法的反馈奖励；
其中，
Figure 644693DEST_PATH_IMAGE026
表示反馈奖励，
Figure 765839DEST_PATH_IMAGE027
表示无人履带车行驶过程中的驱动功率，
Figure 491481DEST_PATH_IMAGE028
和
Figure 832332DEST_PATH_IMAGE029
均为权重系数。
可选地，所述根据所述能量状态以及控制变量构建控制导向模型，具体包括：
利用公式
Figure 547128DEST_PATH_IMAGE030
确定控制导向模型；
其中，x表示状态量，状态量为电池能量状态以及车辆行驶能量，u表示控制量，控制量为发动机功率、转向时内侧电机功率以及转向时外侧电机功率，A，B表示系数矩阵，k表示第k时刻。
可选地，所述根据所述控制导向模型，构建下层显性模型预测控制器，具体包括：
根据控制导向模型构建优化问题；
所述优化问题为：
Figure 24246DEST_PATH_IMAGE031
；
将优化问题转化为多参数二次规划问题；并对多参数二次规划问题进行求解；
其中，
Figure 858472DEST_PATH_IMAGE032
表示预测域长度，Q和R表示权重系数矩阵，
Figure 421040DEST_PATH_IMAGE033
表示优化代价中的轨迹跟踪项，
Figure 464826DEST_PATH_IMAGE034
，
Figure 796451DEST_PATH_IMAGE035
表示车辆驾驶能量参考信号，设置为
Figure 270419DEST_PATH_IMAGE036
，其中
Figure 117022DEST_PATH_IMAGE037
表示车辆驾驶所需的参考能量，
Figure 185339DEST_PATH_IMAGE038
表示踏板开度，
Figure 433787DEST_PATH_IMAGE039
表示发动机最大功率，
Figure 344236DEST_PATH_IMAGE040
表示信号采样间隔，i表示第i个控制瞬时，
Figure 287921DEST_PATH_IMAGE041
表示发动机转速，
Figure 909395DEST_PATH_IMAGE042
表示发动机最小转速，
Figure 714147DEST_PATH_IMAGE043
表示发动机最大转速，
Figure 90771DEST_PATH_IMAGE044
表示发动机转矩，
Figure 351113DEST_PATH_IMAGE045
表示发动机最小转矩，
Figure 713961DEST_PATH_IMAGE046
表示发动机最大转矩，
Figure 706975DEST_PATH_IMAGE047
表示内侧电机转速，
Figure 129866DEST_PATH_IMAGE048
表示内侧电机最大转速，
Figure 877504DEST_PATH_IMAGE049
表示内侧电机最小转速，
Figure 903098DEST_PATH_IMAGE050
表示内侧电机转矩，
Figure 416862DEST_PATH_IMAGE051
表示内侧电机最小转矩，
Figure 745076DEST_PATH_IMAGE052
表示内侧电机最大转矩，
Figure 275283DEST_PATH_IMAGE053
表示外侧电机转速，
Figure 809295DEST_PATH_IMAGE054
表示外侧电机最小转速，
Figure 351134DEST_PATH_IMAGE055
表示外侧电机最大转速，
Figure 733138DEST_PATH_IMAGE056
表示外侧电机转矩，
Figure 688324DEST_PATH_IMAGE057
表示外侧电机最小转矩，
Figure 931087DEST_PATH_IMAGE058
表示外侧电机最大转矩。
一种混合动力履带车辆速度与能量协同优化系统，包括：
状态获取模块，用于获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
路径跟踪误差确定模块，用于根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
上层速度规划器构建模块，用于根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
控制导向模型构建模块，用于根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
下层显性模型预测控制器构建模块，用于根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
协同优化模块，用于利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
可选地，所述状态获取模块具体包括：
GPS经纬度坐标信息获取单元，用于获取无人履带车的参考轨迹的GPS经纬度坐标信息；
二维平面坐标信息转化单元，用于利用高斯-克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
车辆局部坐标系转化单元，用于将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种混合动力履带车辆速度与能量协同优化方法及系统，根据无人履带车的动力学特性及其扩大作业半径的需求，充分考虑混合动力无人履带车在路径跟踪过程中燃油经济性优化问题。上层建立了综合考虑路径跟踪误差和需求功耗的多目标优化问题，利用强化学习算法通过对路径跟踪误差进行一定程度的松弛，优化了两侧履带速度，减少了由多余履带车滑移转向所引起的能量浪费；下层构建了混合动力系统燃油经济性优化问题，利用显性模型预测控制算法，通过控制发动机的电子油门和启停，优化了发动机工作效率，将整车需求能量以合理的方式分配至发电机组和动力电池，使整个过程中油耗最少；本发明充分发挥强化学习以及显性模型预测控制实时性强优势，在路径规划的基础上融合混合动力车辆能量管理算法，充分发挥履带车辆横纵向速度规划以及能量管理协同优化特点，在保证高效稳定跟随的基础上实现最优的燃油经济性。
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他的附图。
图1为本发明所提供的一种混合动力履带车辆速度与能量协同优化方法流程示意图；
图2为平面坐标变换示意图；
图3为履带车辆动力学原理图；
图4为无人履带车路径跟踪示意图；
图5为本发明所提供的一种混合动力履带车辆速度与能量协同优化系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种混合动力履带车辆速度与能量协同优化方法及系统，能够在保证高效稳定跟随的基础上实现最优的燃油经济性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明所提供的一种混合动力履带车辆速度与能量协同优化方法流程示意图，如图1所示，本发明所提供的一种混合动力履带车辆速度与能量协同优化方法，包括：
S101，获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
S101具体包括：
获取无人履带车的参考轨迹的GPS经纬度坐标信息；
利用高斯-克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
即如图2所示，
Figure 422373DEST_PATH_IMAGE059
为全局坐标系，
Figure 105771DEST_PATH_IMAGE060
为局部坐标系，
Figure 548254DEST_PATH_IMAGE061
为局部坐标系原点在全局坐标系下的坐标。A点在全局坐标系下的坐标为
Figure 830593DEST_PATH_IMAGE062
，转化到局部坐标系后坐标为
Figure 940500DEST_PATH_IMAGE063
。局部坐标系相对全局坐标系的旋转角度为
Figure 144866DEST_PATH_IMAGE064
，以逆时针方向旋转为正，则A的平面坐标转换可表示如下：
Figure 871383DEST_PATH_IMAGE065
（1）
在路径跟踪问题中，局部坐标系的原点固定于无人履带车形心，且车头方向为局部坐标系
Figure 285309DEST_PATH_IMAGE066
轴正向，则公式（1）中
Figure 921826DEST_PATH_IMAGE067
和
Figure 58278DEST_PATH_IMAGE068
可以表征车辆在全局价值系中实际位置与目标位置的误差，
Figure 708309DEST_PATH_IMAGE069
即为车辆局部坐标系下的误差，将全局坐标系下的误差转换到车辆坐标系下更为方便对车辆进行踪迹跟踪控制。
S102，根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
S102具体包括：
如图3所示，利用公式
Figure 362144DEST_PATH_IMAGE001
确定无人履带车的车辆动力学模型；
利用公式
Figure 213688DEST_PATH_IMAGE002
确定无人履带车的运动状态方程；
利用公式
Figure 724304DEST_PATH_IMAGE070
确定车辆形心线速度和旋转角速度；
利用公式
Figure 566358DEST_PATH_IMAGE004
确定路径跟踪误差；
其中，m和
Figure 133473DEST_PATH_IMAGE005
分别表示履带车的整备质量和航向转动惯量，
Figure 806899DEST_PATH_IMAGE071
和
Figure 927565DEST_PATH_IMAGE007
分别表示履带车形心位置的速度和加速度，
Figure 53652DEST_PATH_IMAGE008
和
Figure 141301DEST_PATH_IMAGE009
分别表示左、右侧驱动电机提供的驱动力，
Figure 606917DEST_PATH_IMAGE010
和
Figure 724915DEST_PATH_IMAGE011
则分别表示左、右侧履带的滚动阻力，
Figure 370922DEST_PATH_IMAGE012
表示两侧履带的滚阻系数，
Figure 170251DEST_PATH_IMAGE013
表示两侧履带中心距，
Figure 853823DEST_PATH_IMAGE014
为履带车转向阻力矩，g为重力加速度，L为履带接地长度，
Figure 142722DEST_PATH_IMAGE015
为转向阻力系数，
Figure 744866DEST_PATH_IMAGE016
和
Figure 82307DEST_PATH_IMAGE017
分别代表左、右两侧的履带速度，
Figure 115991DEST_PATH_IMAGE018
分别表示履带车形心在大地坐标系中的坐标及相对与大地坐标系的转角，
Figure 746430DEST_PATH_IMAGE019
表示旋转角速度，
Figure 68827DEST_PATH_IMAGE020
表示路径跟踪误差，
Figure 836057DEST_PATH_IMAGE021
表示跟踪目标在全局坐标系下的位置，
Figure 865193DEST_PATH_IMAGE022
，
Figure 230315DEST_PATH_IMAGE023
，
Figure 595001DEST_PATH_IMAGE024
分别表示在车辆局部坐标系下车辆的前进方向的误差、横向误差与角度误差。
其中，
Figure 805402DEST_PATH_IMAGE015
取值与履带车行驶的地面类型和转向半径有关，可用如下经验公式计算得到：
Figure 518406DEST_PATH_IMAGE072
；
式中，
Figure 523271DEST_PATH_IMAGE073
表示履带车最大转向阻力系数，由履带车行驶路面特性决定，不同路面类型最大转向阻力系数可查表得到。
Figure 820260DEST_PATH_IMAGE074
表示履带车转向半径，根据图4所示，转向半径计算公式如下所示：
Figure 536150DEST_PATH_IMAGE075
；
大地全局坐标系和车辆坐标系是存在于二维平面动力学模型中的两个坐标系。大地全局坐标系XOY固定在地面上某点，在履带车辆行驶过程中位置保持不变。车辆坐标系
Figure 71036DEST_PATH_IMAGE076
的原点为车辆形心，其位置随着履带车行驶过程而不断变化，但相对车辆位置不变。
Figure DEST_PATH_IMAGE077
为车辆形心，
Figure 872901DEST_PATH_IMAGE078
为车辆坐标系的横轴且为车头方向即车辆纵向，
Figure 453924DEST_PATH_IMAGE079
为车辆坐标系纵轴且为车辆横向。以车头方向
Figure 209391DEST_PATH_IMAGE080
为车辆前方，则两侧履带可标记为左侧和右侧。当履带车辆行驶至大地坐标系下
Figure 431074DEST_PATH_IMAGE081
处时，车辆坐标系与大地坐标系之间的相对旋转角度为
Figure 246584DEST_PATH_IMAGE082
，规定履带车在大地坐标中按逆时针方向旋转为正。
图4为无人履带车的路径跟踪示意图，初始时刻车辆位于全局坐标系原点，经过时间t后其位于全局坐标系
Figure 550788DEST_PATH_IMAGE083
处，并用
Figure 109946DEST_PATH_IMAGE084
表征。设所需跟踪目标的位置在全局坐标系下表示为
Figure 947320DEST_PATH_IMAGE085
，则无人履带车路径跟踪误差可以表示为：
Figure 229004DEST_PATH_IMAGE086
；
根据上式与面坐标转换公式，可将路径跟踪误差转换至车辆局部坐标系下：
Figure 659985DEST_PATH_IMAGE087
；
由于
Figure 881888DEST_PATH_IMAGE088
方向是车辆坐标系中车辆的前进方向，路径跟踪误差可以重新定义为横向误差与角度误差之和，即
Figure 950600DEST_PATH_IMAGE089
。
S103，根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
S103具体包括：
将转向内侧电机转矩
Figure 232546DEST_PATH_IMAGE090
以及外侧电机转矩
Figure 619665DEST_PATH_IMAGE091
作为深度确定性策略梯度算法的动作变量；
Figure 161372DEST_PATH_IMAGE092
；
为了优化混动履带车辆行驶行为，减少过度轨迹跟随造成的摇摆、摇转、滑移等问题所带来的额外能量损耗，利用公式
Figure 645443DEST_PATH_IMAGE093
确定深度确定性策略梯度算法的反馈奖励；在原有跟踪误差的基础上，将车辆行驶过程中的驱动功率
Figure 973656DEST_PATH_IMAGE027
引入DDPG反馈奖励中，并设置适当的权重系数实现对于现有轨迹的松弛化处理，从而减少车辆行驶过程中的能量损耗。
其中，
Figure 739749DEST_PATH_IMAGE094
表示反馈奖励，
Figure 913241DEST_PATH_IMAGE027
表示无人履带车行驶过程中的驱动功率，
Figure 78250DEST_PATH_IMAGE028
和
Figure 374102DEST_PATH_IMAGE029
均为权重系数。
状态变量
Figure 1393DEST_PATH_IMAGE095
四个参数的取值范围差异较大，不利于网络训练，因此需对所选状态参数进行归一化处理,将其统一转换至取值区间
Figure 870254DEST_PATH_IMAGE096
或
Figure 266600DEST_PATH_IMAGE097
；
将全局路径信息（通过GPS信号转化的二维局部坐标）、初始状态变量
Figure 326829DEST_PATH_IMAGE098
作为训练后的DDPG算法的输入，获取最优的动作变量，即最优控制变量，最后将最优控制变量序列输入所构建的混动履带车速度规划模型中进行状态迭代更新，从而获取履带车辆内侧履带与外侧履带的最优速度序列，由于履带车辆的直行、转向等车辆行为皆通过左右侧履带速度差控制，因此本方案通过优化履带车量两侧履带运行速度序列进而改善车辆在路径跟随过程中的摇摆、打滑、过度转向等行为，从而减少能量损耗。
S104，根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
S104具体包括：
利用公式
Figure 680231DEST_PATH_IMAGE030
确定控制导向模型；
其中，x表示状态量，状态量为电池能量状态以及车辆行驶能量，u表示控制量，控制量为发动机功率、转向时内侧电机功率以及转向时外侧电机功率，A，B表示系数矩阵，k表示第k时刻。
其中，
Figure 585739DEST_PATH_IMAGE099
，
Figure 102171DEST_PATH_IMAGE100
，
Figure 241290DEST_PATH_IMAGE101
，
Figure 702227DEST_PATH_IMAGE102
；
下一时刻的电池能量状态可以被表示为：
Figure 286793DEST_PATH_IMAGE103
；
下一时刻的车辆行驶需求能量可以被表示为：
Figure 15321DEST_PATH_IMAGE104
；
S105，根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
S105具体包括：
根据控制导向模型构建优化问题；
所述优化问题为：
Figure 823877DEST_PATH_IMAGE105
；
将优化问题转化为多参数二次规划问题；并对多参数二次规划问题进行求解；
其中，
Figure 913055DEST_PATH_IMAGE032
表示预测域长度，Q和R表示权重系数矩阵，
Figure 661831DEST_PATH_IMAGE033
表示优化代价中的轨迹跟踪项，
Figure 152855DEST_PATH_IMAGE034
，
Figure 687305DEST_PATH_IMAGE035
表示车辆驾驶能量参考信号，设置为
Figure 998201DEST_PATH_IMAGE036
，其中
Figure 721306DEST_PATH_IMAGE037
表示车辆驾驶所需的参考能量，
Figure 692935DEST_PATH_IMAGE038
表示踏板开度，
Figure 46556DEST_PATH_IMAGE106
表示发动机最大功率，
Figure 969382DEST_PATH_IMAGE040
表示信号采样间隔，i表示第i个控制瞬时，
Figure 197976DEST_PATH_IMAGE041
表示发动机转速，
Figure 522647DEST_PATH_IMAGE042
表示发动机最小转速，
Figure 781590DEST_PATH_IMAGE043
表示发动机最大转速，
Figure 693176DEST_PATH_IMAGE044
表示发动机转矩，
Figure 226926DEST_PATH_IMAGE045
表示发动机最小转矩，
Figure 78207DEST_PATH_IMAGE046
表示发动机最大转矩，
Figure 402659DEST_PATH_IMAGE047
表示内侧电机转速，
Figure 175443DEST_PATH_IMAGE048
表示内侧电机最大转速，
Figure 607823DEST_PATH_IMAGE049
表示内侧电机最小转速，
Figure 516874DEST_PATH_IMAGE050
表示内侧电机转矩，
Figure 445515DEST_PATH_IMAGE051
表示内侧电机最小转矩，
Figure 266447DEST_PATH_IMAGE052
表示内侧电机最大转矩，
Figure 266633DEST_PATH_IMAGE053
表示外侧电机转速，
Figure 826928DEST_PATH_IMAGE054
表示外侧电机最小转速，
Figure 631198DEST_PATH_IMAGE055
表示外侧电机最大转速，
Figure 237629DEST_PATH_IMAGE056
表示外侧电机转矩，
Figure 385713DEST_PATH_IMAGE057
表示外侧电机最小转矩，
Figure 910103DEST_PATH_IMAGE058
表示外侧电机最大转矩。
踏板开度
Figure 180547DEST_PATH_IMAGE038
即为通过驾驶员模型对上层速度规划器产生的左右电机运行速度进行跟随所获取的。
为了避免在每个采样瞬时进行在线优化，MPC问题可以被表达为多参数二次规划问题(Multi-parametric Quadratic Programming， mp-QP)如下：
Figure 149640DEST_PATH_IMAGE107
；
通过将
Figure 727514DEST_PATH_IMAGE108
视为参数向量，目标即是离线求解并寻找所有状态变量取值范围内与之对应的最优控制变量，并将这种映射关系进行显性表达，即寻找每个状态变量可能的取值与其所对应的最优控制变量间的显性映射关系，并将这种显性关系以控制率的形式进行存储。
在每个采样瞬时，将上层速度规划器规划的最优参考车速、当前车辆SOC、初始SOC、参考SOC以及当前车辆行驶能量E、初始行驶能量E、参考驾驶能量
Figure 465663DEST_PATH_IMAGE109
作为索引，输入上述所获取的显式控制率中，输出最优的控制量
Figure 733440DEST_PATH_IMAGE110
。反复迭代，实现实时的最优能量管理。
总结：本模块的功能即是，通过离线计算的方式，以所构建的能量管理模型为基础，以该系统所有状态变量（荷电状态SOC、车辆驱动能量E）及其取值范围，以及所有控制变量及其取值范围（发动机功率
Figure 986567DEST_PATH_IMAGE111
，内侧电机功率
Figure 742033DEST_PATH_IMAGE112
和外侧电机功率
Figure 226366DEST_PATH_IMAGE113
）为输入，获取最优显式控制率。在实际应用中，通过将上层速度规划器获取的最优参考车速、当前车辆SOC、初始SOC、参考SOC以及当前车辆行驶能量E、初始行驶能量E、参考驾驶能量
Figure 776296DEST_PATH_IMAGE114
通过顺序搜索法从控制率中获取最优控制量，实现在线实时的能量管理。
S106，利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
图5为本发明所提供的一种混合动力履带车辆速度与能量协同优化系统结构示意图，如图5所示，本发明所提供的一种混合动力履带车辆速度与能量协同优化系统，包括：
状态获取模块501，用于获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
路径跟踪误差确定模块502，用于根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
上层速度规划器构建模块503，用于根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
控制导向模型构建模块504，用于根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
下层显性模型预测控制器构建模块505，用于根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
协同优化模块506，用于利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
所述状态获取模块501具体包括：
GPS经纬度坐标信息获取单元，用于获取无人履带车的参考轨迹的GPS经纬度坐标信息；
二维平面坐标信息转化单元，用于利用高斯-克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
车辆局部坐标系转化单元，用于将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种混合动力履带车辆速度与能量协同优化方法，其特征在于，包括：
获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
2.根据权利要求1所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述获取无人履带车的车辆行驶状态、能量状态以及控制变量，具体包括：
获取无人履带车的参考轨迹的GPS经纬度坐标信息；
利用高斯-克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
3.根据权利要求2所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述车辆行驶状态确定无人履带车的路径跟踪误差，具体包括：
利用公式
Figure 254376DEST_PATH_IMAGE001
确定无人履带车的车辆动力学模型；
利用公式
Figure 296150DEST_PATH_IMAGE002
确定无人履带车的运动状态方程；
利用公式
Figure 230214DEST_PATH_IMAGE003
确定车辆形心线速度和旋转角速度；
利用公式
Figure 156582DEST_PATH_IMAGE004
确定路径跟踪误差；
其中，m和
Figure 892326DEST_PATH_IMAGE005
分别表示履带车的整备质量和航向转动惯量，
Figure 75308DEST_PATH_IMAGE006
和
Figure 873499DEST_PATH_IMAGE007
分别表示履带车形心位置的速度和加速度，
Figure 244305DEST_PATH_IMAGE008
和
Figure 444342DEST_PATH_IMAGE009
分别表示左、右侧驱动电机提供的驱动力，
Figure 93498DEST_PATH_IMAGE010
和
Figure 880451DEST_PATH_IMAGE011
则分别表示左、右侧履带的滚动阻力，
Figure 273255DEST_PATH_IMAGE012
表示两侧履带的滚阻系数，
Figure 327799DEST_PATH_IMAGE013
表示两侧履带中心距，
Figure 911970DEST_PATH_IMAGE014
为履带车转向阻力矩，g为重力加速度，L为履带接地长度，
Figure 684754DEST_PATH_IMAGE015
为转向阻力系数，
Figure 117135DEST_PATH_IMAGE016
和
Figure 291764DEST_PATH_IMAGE017
分别代表左、右两侧的履带速度，
Figure 282723DEST_PATH_IMAGE018
分别表示履带车形心在大地坐标系中的坐标及相对与大地坐标系的转角，
Figure 47198DEST_PATH_IMAGE019
表示旋转角速度，
Figure 781804DEST_PATH_IMAGE020
表示路径跟踪误差，
Figure 76519DEST_PATH_IMAGE021
表示跟踪目标在全局坐标系下的位置，
Figure 739844DEST_PATH_IMAGE022
，
Figure 221641DEST_PATH_IMAGE023
，
Figure 524053DEST_PATH_IMAGE024
分别表示在车辆局部坐标系下车辆的前进方向的误差、横向误差与角度误差。
4.根据权利要求3所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器，具体包括：
将转向内侧电机转矩以及外侧电机转矩作为深度确定性策略梯度算法的动作变量；
利用公式
Figure 142116DEST_PATH_IMAGE025
确定深度确定性策略梯度算法的反馈奖励；
其中，
Figure 6036DEST_PATH_IMAGE026
表示反馈奖励，
Figure 804490DEST_PATH_IMAGE027
表示无人履带车行驶过程中的驱动功率，
Figure 756265DEST_PATH_IMAGE028
和
Figure 377303DEST_PATH_IMAGE029
均为权重系数。
5.根据权利要求4所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述能量状态以及控制变量构建控制导向模型，具体包括：
利用公式
Figure 21911DEST_PATH_IMAGE030
确定控制导向模型；
其中，x表示状态量，状态量为电池能量状态以及车辆行驶能量，u表示控制量，控制量为发动机功率、转向时内侧电机功率以及转向时外侧电机功率，A，B表示系数矩阵，k表示第k时刻。
6.根据权利要求5所述的一种混合动力履带车辆速度与能量协同优化方法，其特征在于，所述根据所述控制导向模型，构建下层显性模型预测控制器，具体包括：
根据控制导向模型构建优化问题；
所述优化问题为：
Figure 602934DEST_PATH_IMAGE031
；
将优化问题转化为多参数二次规划问题；并对多参数二次规划问题进行求解；
其中，
Figure 859865DEST_PATH_IMAGE032
表示预测域长度，Q和R表示权重系数矩阵，
Figure 842734DEST_PATH_IMAGE033
表示优化代价中的轨迹跟踪项，
Figure 658243DEST_PATH_IMAGE034
，
Figure 225097DEST_PATH_IMAGE035
表示车辆驾驶能量参考信号，设置为
Figure 784254DEST_PATH_IMAGE036
，其中
Figure 123094DEST_PATH_IMAGE037
表示车辆驾驶所需的参考能量，
Figure 843925DEST_PATH_IMAGE038
表示踏板开度，
Figure 133961DEST_PATH_IMAGE039
表示发动机最大功率，
Figure 735625DEST_PATH_IMAGE040
表示信号采样间隔，i表示第i个控制瞬时，
Figure 693085DEST_PATH_IMAGE041
表示发动机转速，
Figure 850397DEST_PATH_IMAGE042
表示发动机最小转速，
Figure 129194DEST_PATH_IMAGE043
表示发动机最大转速，
Figure 30154DEST_PATH_IMAGE044
表示发动机转矩，
Figure 75077DEST_PATH_IMAGE045
表示发动机最小转矩，
Figure 668869DEST_PATH_IMAGE046
表示发动机最大转矩，
Figure 933497DEST_PATH_IMAGE047
表示内侧电机转速，
Figure 139613DEST_PATH_IMAGE048
表示内侧电机最大转速，
Figure 806087DEST_PATH_IMAGE049
表示内侧电机最小转速，
Figure 305201DEST_PATH_IMAGE050
表示内侧电机转矩，
Figure 573239DEST_PATH_IMAGE051
表示内侧电机最小转矩，
Figure 143897DEST_PATH_IMAGE052
表示内侧电机最大转矩，
Figure 41708DEST_PATH_IMAGE053
表示外侧电机转速，
Figure 836358DEST_PATH_IMAGE054
表示外侧电机最小转速，
Figure 950944DEST_PATH_IMAGE055
表示外侧电机最大转速，
Figure 354988DEST_PATH_IMAGE056
表示外侧电机转矩，
Figure 871420DEST_PATH_IMAGE057
表示外侧电机最小转矩，
Figure 338435DEST_PATH_IMAGE058
表示外侧电机最大转矩。
7.一种混合动力履带车辆速度与能量协同优化系统，其特征在于，包括：
状态获取模块，用于获取无人履带车的车辆行驶状态、能量状态以及控制变量；所述车辆行驶状态包括：车辆的参考轨迹的二维平面坐标信息、转角、车辆行驶速度以及车辆行驶速度；所述能量状态包括：电池能量状态以及车辆行驶能量；所述控制变量包括：发动机功率、转向时内侧电机功率以及转向时外侧电机功率；
路径跟踪误差确定模块，用于根据所述车辆行驶状态确定无人履带车的路径跟踪误差；
上层速度规划器构建模块，用于根据所述路径跟踪误差，采用深度确定性策略梯度算法，构建上层速度规划器；所述上层速度规划器用于优化两侧履带速度；
控制导向模型构建模块，用于根据所述能量状态以及控制变量构建控制导向模型；所述控制导向模型用于根据当前时刻的能量状态以及控制变量预测下一时刻的能量状态以及控制变量；
下层显性模型预测控制器构建模块，用于根据所述控制导向模型，构建下层显性模型预测控制器；所述下层显性模型预测控制器用于进行能量管理；
协同优化模块，用于利用所述上层速度规划器以及所述下层显性模型预测控制器进行无人履带车的车辆速度与能量协同优化。
8.根据权利要求7所述的一种混合动力履带车辆速度与能量协同优化系统，其特征在于，所述状态获取模块具体包括：
GPS经纬度坐标信息获取单元，用于获取无人履带车的参考轨迹的GPS经纬度坐标信息；
二维平面坐标信息转化单元，用于利用高斯-克吕格投影法将GPS经纬度坐标信息转换为二维平面坐标信息；
车辆局部坐标系转化单元，用于将二维平面坐标信息转化到以无人履带车的车辆形心为原点的车辆局部坐标系。
CN202111518545.8A 2021-12-14 2021-12-14 一种混合动力履带车辆速度与能量协同优化方法及系统 Active CN113911103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111518545.8A CN113911103B (zh) 2021-12-14 2021-12-14 一种混合动力履带车辆速度与能量协同优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111518545.8A CN113911103B (zh) 2021-12-14 2021-12-14 一种混合动力履带车辆速度与能量协同优化方法及系统

Publications (2)

Publication Number Publication Date
CN113911103A true CN113911103A (zh) 2022-01-11
CN113911103B CN113911103B (zh) 2022-03-15

Family

ID=79248734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111518545.8A Active CN113911103B (zh) 2021-12-14 2021-12-14 一种混合动力履带车辆速度与能量协同优化方法及系统

Country Status (1)

Country Link
CN (1) CN113911103B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355954A (zh) * 2022-03-21 2022-04-15 北京理工大学 一种无人履带车辆转向过程的跟踪控制方法和系统
CN114740871A (zh) * 2022-06-13 2022-07-12 北京理工大学 一种面向无人履带混合动力平台的多目标路径重规划方法

Citations (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109439A1 (en) * 2010-11-01 2012-05-03 Jatco Ltd. Control apparatus for vehicle and control method therefor
JP2014019405A (ja) * 2012-07-23 2014-02-03 Nissan Motor Co Ltd 車両位置決め制御装置
DE102012224040A1 (de) * 2012-12-20 2014-06-26 Robert Bosch Gmbh Bestimmen einer Trasse für einen Verkehrsweg
US20140288763A1 (en) * 2013-03-25 2014-09-25 Polaris Industries Inc. Tracked all-terrain vehicle
US20150284010A1 (en) * 2013-09-16 2015-10-08 Disney Enterprises, Inc. Shared control of semi-autonomous vehicles including collision avoidance in multi-agent scenarios
CN105739305A (zh) * 2016-01-29 2016-07-06 北京理工大学 一种履带车辆的控制方法
FR3061468A1 (fr) * 2017-01-03 2018-07-06 Peugeot Citroen Automobiles Sa. Procede de controle d'un groupe motopropulseur hybride pour le franchissement d'un obstacle
JP2018149952A (ja) * 2017-03-14 2018-09-27 株式会社豊田中央研究所 ハイブリッド車両の制御装置
CN109017809A (zh) * 2018-08-27 2018-12-18 北京理工大学 一种基于越野工况预测的能量分配方法
CN109733378A (zh) * 2018-12-19 2019-05-10 江苏大学 一种线下优化线上预测的转矩分配方法
WO2019094843A1 (en) * 2017-11-10 2019-05-16 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN110001620A (zh) * 2019-04-24 2019-07-12 吉林大学 一种液压轮毂混合动力车辆多模式切换控制方法
WO2019241612A1 (en) * 2018-06-15 2019-12-19 The Regents Of The University Of California Systems, apparatus and methods to improve plug-in hybrid electric vehicle energy performance by using v2c connectivity
CN110723133A (zh) * 2019-10-25 2020-01-24 中国汽车技术研究中心有限公司 一种带有amt变速箱的输入分配式行星混动汽车换挡协调控制方法
CN111267831A (zh) * 2020-02-28 2020-06-12 南京航空航天大学 一种混合动力车辆智能变时域模型预测能量管理方法
CN111267830A (zh) * 2020-02-10 2020-06-12 南京航空航天大学 一种混合动力公交车能量管理方法、设备和存储介质
CN111300372A (zh) * 2020-04-02 2020-06-19 同济人工智能研究院(苏州)有限公司 空地协同式智能巡检机器人及巡检方法
CN111348030A (zh) * 2018-12-21 2020-06-30 丰田自动车株式会社 动力传动系统
CN111812974A (zh) * 2020-05-28 2020-10-23 北京理工大学 一种双侧电机驱动履带车辆的综合控制方法
EP3733472A1 (de) * 2019-05-02 2020-11-04 Technische Universität Darmstadt Verfahren zum betreiben eines fahrzeugs mit einem hybridantriebsstrangsystem und hybridantriebsstrangsystem
WO2020249204A1 (en) * 2019-06-12 2020-12-17 Volvo Truck Corporation A method for estimating a battery state
US20210004006A1 (en) * 2019-07-05 2021-01-07 Daniel Mark Graves Method and system for predictive control of vehicle using digital images
JP2021020563A (ja) * 2019-07-26 2021-02-18 本田技研工業株式会社 車両エネルギ管理システム及び車両エネルギ管理方法
US20210053553A1 (en) * 2019-08-20 2021-02-25 GM Global Technology Operations LLC Hybrid electric powertrain architectures and control logic for vehicle response management
CN113253605A (zh) * 2021-05-20 2021-08-13 电子科技大学 基于ddpg参数优化的自抗扰无人驾驶横向控制方法
CN113525396A (zh) * 2021-08-13 2021-10-22 北京理工大学 一种融合深度强化学习的混动汽车分层预测能量管理方法

Patent Citations (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120109439A1 (en) * 2010-11-01 2012-05-03 Jatco Ltd. Control apparatus for vehicle and control method therefor
JP2014019405A (ja) * 2012-07-23 2014-02-03 Nissan Motor Co Ltd 車両位置決め制御装置
DE102012224040A1 (de) * 2012-12-20 2014-06-26 Robert Bosch Gmbh Bestimmen einer Trasse für einen Verkehrsweg
US20140288763A1 (en) * 2013-03-25 2014-09-25 Polaris Industries Inc. Tracked all-terrain vehicle
CN105050886A (zh) * 2013-03-25 2015-11-11 北极星工业有限公司 履带式全地形车辆
US20150284010A1 (en) * 2013-09-16 2015-10-08 Disney Enterprises, Inc. Shared control of semi-autonomous vehicles including collision avoidance in multi-agent scenarios
CN105739305A (zh) * 2016-01-29 2016-07-06 北京理工大学 一种履带车辆的控制方法
FR3061468A1 (fr) * 2017-01-03 2018-07-06 Peugeot Citroen Automobiles Sa. Procede de controle d'un groupe motopropulseur hybride pour le franchissement d'un obstacle
JP2018149952A (ja) * 2017-03-14 2018-09-27 株式会社豊田中央研究所 ハイブリッド車両の制御装置
WO2019094843A1 (en) * 2017-11-10 2019-05-16 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
WO2019241612A1 (en) * 2018-06-15 2019-12-19 The Regents Of The University Of California Systems, apparatus and methods to improve plug-in hybrid electric vehicle energy performance by using v2c connectivity
CN109017809A (zh) * 2018-08-27 2018-12-18 北京理工大学 一种基于越野工况预测的能量分配方法
CN109733378A (zh) * 2018-12-19 2019-05-10 江苏大学 一种线下优化线上预测的转矩分配方法
CN111348030A (zh) * 2018-12-21 2020-06-30 丰田自动车株式会社 动力传动系统
CN110001620A (zh) * 2019-04-24 2019-07-12 吉林大学 一种液压轮毂混合动力车辆多模式切换控制方法
EP3733472A1 (de) * 2019-05-02 2020-11-04 Technische Universität Darmstadt Verfahren zum betreiben eines fahrzeugs mit einem hybridantriebsstrangsystem und hybridantriebsstrangsystem
WO2020249204A1 (en) * 2019-06-12 2020-12-17 Volvo Truck Corporation A method for estimating a battery state
US20210004006A1 (en) * 2019-07-05 2021-01-07 Daniel Mark Graves Method and system for predictive control of vehicle using digital images
JP2021020563A (ja) * 2019-07-26 2021-02-18 本田技研工業株式会社 車両エネルギ管理システム及び車両エネルギ管理方法
US20210053553A1 (en) * 2019-08-20 2021-02-25 GM Global Technology Operations LLC Hybrid electric powertrain architectures and control logic for vehicle response management
CN110723133A (zh) * 2019-10-25 2020-01-24 中国汽车技术研究中心有限公司 一种带有amt变速箱的输入分配式行星混动汽车换挡协调控制方法
CN111267830A (zh) * 2020-02-10 2020-06-12 南京航空航天大学 一种混合动力公交车能量管理方法、设备和存储介质
CN111267831A (zh) * 2020-02-28 2020-06-12 南京航空航天大学 一种混合动力车辆智能变时域模型预测能量管理方法
CN111300372A (zh) * 2020-04-02 2020-06-19 同济人工智能研究院(苏州)有限公司 空地协同式智能巡检机器人及巡检方法
WO2021196529A1 (zh) * 2020-04-02 2021-10-07 同济人工智能研究院(苏州)有限公司 空地协同式智能巡检机器人及巡检方法
CN111812974A (zh) * 2020-05-28 2020-10-23 北京理工大学 一种双侧电机驱动履带车辆的综合控制方法
CN113253605A (zh) * 2021-05-20 2021-08-13 电子科技大学 基于ddpg参数优化的自抗扰无人驾驶横向控制方法
CN113525396A (zh) * 2021-08-13 2021-10-22 北京理工大学 一种融合深度强化学习的混动汽车分层预测能量管理方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "《IP.COM非专利全文库》", 26 January 2018, IP.COM *
李传海等: "一种基于驾驶风格的自适应巡航控制算法", 《自动化与仪器仪表》 *
胡晓松等: "基于机器学习速度预测的并联混合动力车辆能量管理研究", 《机械工程学报》 *
魏洪贵等: "基于朴素贝叶斯算法的变权重多目标自适应巡航控制策略", 《西北大学学报(自然科学版)》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114355954A (zh) * 2022-03-21 2022-04-15 北京理工大学 一种无人履带车辆转向过程的跟踪控制方法和系统
CN114740871A (zh) * 2022-06-13 2022-07-12 北京理工大学 一种面向无人履带混合动力平台的多目标路径重规划方法
CN114740871B (zh) * 2022-06-13 2022-09-06 北京理工大学 一种面向无人履带混合动力平台的多目标路径重规划方法

Also Published As

Publication number Publication date
CN113911103B (zh) 2022-03-15

Similar Documents

Publication Publication Date Title
Zuo et al. MPC-based cooperative control strategy of path planning and trajectory tracking for intelligent vehicles
CN108725585B (zh) 车辆自主泊车的轨迹跟踪控制方法及装置
CN113911103B (zh) 一种混合动力履带车辆速度与能量协同优化方法及系统
CN110244735B (zh) 移动机器人跟踪预定轨迹的启发式动态规划控制方法
JP4586795B2 (ja) 車両用制御装置
Amer et al. Path tracking controller of an autonomous armoured vehicle using modified Stanley controller optimized with particle swarm optimization
Li et al. Human-like trajectory planning on curved road: Learning from human drivers
CN114879698B (zh) 基于改进人工势场和mpc的机器人驾驶车辆避障方法
Silva et al. Autonomous electric vehicle: Steering and path-following control systems
CN110723207B (zh) 基于模型重构的智能汽车模型预测转向控制器及其控制方法
CN114103926A (zh) 混合动力履带车辆速度与能量协同优化方法、介质、设备
Kebbati et al. Coordinated PSO-PID based longitudinal control with LPV-MPC based lateral control for autonomous vehicles
Sakayori et al. Energy-aware trajectory planning for planetary rovers
Farag Model-predictive-control complex-path tracking for self-driving cars
CN110654386B (zh) 弯道下多智能电动汽车协作式巡航纵横向综合控制方法
Tiwari et al. Controller design for autonomous vehicle
Chen et al. Automated vehicle path planning and trajectory tracking control based on unscented kalman filter vehicle state observer
Reda et al. Model-based control strategy for autonomous vehicle path tracking task
Fang et al. Longitudinal motion control of intelligent vehicle based on two hierarchies optimal method
Ma et al. Simulation and experiment of intelligent vehicle lateral control based on Fuzzy PID algorithm
Zhao et al. A Multi-Objective Deep Reinforcement Learning Method for Path Planning in Shovel Loading Scenario
Fu et al. Improved model predictive control for autonomous racecar trajectory tracking
CN115503681B (zh) 一种混合动力工程车辆轨迹跟踪控制系统及方法
Zhitkov et al. Methods and Software Tools for Generating Waypoint-Driven Motion Profiles for Highly Automated Vehicles Using Q-Learning
Yazar et al. Path tracking methods employed in lane centering 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