CN114141015A - 一种考虑车辆历史信息反馈的队列稳定性控制方法 - Google Patents

一种考虑车辆历史信息反馈的队列稳定性控制方法 Download PDF

Info

Publication number
CN114141015A
CN114141015A CN202111473337.0A CN202111473337A CN114141015A CN 114141015 A CN114141015 A CN 114141015A CN 202111473337 A CN202111473337 A CN 202111473337A CN 114141015 A CN114141015 A CN 114141015A
Authority
CN
China
Prior art keywords
vehicle
queue
feedback
following
acceleration
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
CN202111473337.0A
Other languages
English (en)
Other versions
CN114141015B (zh
Inventor
张俊杰
杨灿
任毅龙
于海洋
冀浩杰
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.)
Hefei Innovation Research Institute of Beihang University
Original Assignee
Hefei Innovation Research Institute of Beihang 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 Hefei Innovation Research Institute of Beihang University filed Critical Hefei Innovation Research Institute of Beihang University
Priority to CN202111473337.0A priority Critical patent/CN114141015B/zh
Publication of CN114141015A publication Critical patent/CN114141015A/zh
Application granted granted Critical
Publication of CN114141015B publication Critical patent/CN114141015B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • 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
    • G05D1/0088—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots characterized by the autonomous decision making process, e.g. artificial intelligence, predefined behaviours
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种考虑车辆历史信息反馈的队列稳定性控制方法，步骤为：（1）分析车辆历史感知风险和可接受风险与跟随车加速度之间的灰色关联度；（2）根据灰色关联度分析的结果建立考虑车辆历史信息反馈项；（3）通过运动可控车辆作为引导车来设定需要模拟的交通情景；（4）获取所有车辆的初始状态；（5）建立运动状态方程，仿真模拟车辆队列的运动状态；（6）按照一定规则更新所有车辆的速度和位置。本发明是比较分析在有无考虑车辆历史信息反馈情况下，队列行驶稳定性情况，此方法可广泛应用于车路协同等领域。

Description

一种考虑车辆历史信息反馈的队列稳定性控制方法
技术领域
本发明涉及车路协同控制技术领域，尤其涉及一种考虑车辆历史信息反馈的队列稳定性控制方法。
背景技术
车辆跟驰模型作为以微观角度刻画车辆作用关系的内在机理，并揭示跟驰队列的演变规律，而反馈控制理论是提高跟驰模型稳定性的重要手段。因此，反馈控制策略在提高车流平稳性的方面得到了广泛的应用。
现有技术中考虑多个前车速度差和车头间距与安全距离的差异，从多信息反馈控制策略的角度设计了一种新的控制策略，引入到可变安全距离和时滞效应的车辆跟驰模型中，该控制策略可以提高交通安全和抑制交通拥堵。现有技术提出了一种考虑安全车头间距与车头间距、速度差和最优速度差的反馈控制策略，这个考虑综合信息的改进控制策略对模型具有致稳作用。因此，研究表明针对不同因素设计的不同的反馈控制策略可提高队列稳定性。而现有研究大多是基于车辆跟驰模型来分析不同的驾驶行为因素或者车辆的综合信息对队列稳定性的影响研究，缺少研究队列跟驰过程中车辆历史感知风险和可接受风险变化对跟驰行为的影响规律。因此，需提出一种考虑车辆历史信息反馈的队列稳定性控制方法，为研究车路协同系统下的队列稳定性控制策略提供工程应用价值。
发明内容
本发明目的就是为了弥补已有技术的缺陷，提供一种考虑车辆历史信息反馈的队列稳定性控制方法。
本发明是通过以下技术方案实现的：
一种考虑车辆历史信息反馈的队列稳定性控制方法，具体包括以下步骤：
(1)分析车辆历史感知风险和可接受风险与跟随车加速度之间的灰色关联度；
(2)根据灰色关联度分析的结果建立考虑车辆历史信息反馈项；
(3)通过运动可控车辆作为引导车来设定需要模拟的交通情景；
(4)获取所有车辆的初始状态；
(5)建立运动状态方程，仿真模拟在t＞0时刻时车辆队列的运动状态t是指时间；
(6)按照一定规则更新所有车辆的速度和位置。
步骤(1)所述的分析车辆历史感知风险和可接受风险与跟随车加速度之间的灰色关联度，具体如下：设X0是系统特征序列，Xi是关联因子序列，则有
Figure BDA0003389249400000021
其中，n表示特性序列个数，m表示关联因子个数，x0(n)表示第n个分量、xi(n)表示第i个关联因子的第n个分量。
则系统特征与关联因子序列的关联度描述为：
Figure BDA0003389249400000022
其中，
Figure BDA0003389249400000023
ζ表示分辨系数，其取值范围在[0,1]，取值越小求得的关联系数之间的差异性越显著；
令af表示跟随车的加速度，Δxpf表示跟随车与引导车之间的车头间距，vf表示跟随车车速，Δvpf表示跟随车与引导车之间的速度差，SMn(t)表示队列中第n辆车在t时刻的安全裕度，
Figure BDA0003389249400000024
表示在
Figure BDA0003389249400000025
时刻车辆的安全裕度，
Figure BDA0003389249400000026
表示车辆历史感知风险和可接受风险的变化数学表达，
Figure BDA0003389249400000027
表示记忆步长，SMnDH和SMnDL分别为期望安全裕度上下限；
最后通过分析获得整个跟车过程中ΔSM与跟随车加速度之间的关联度大小。
步骤(2)所述的根据灰色关联度分析的结果建立考虑车辆历史信息反馈项，具体如下：根据灰度关联度分析结果，构建一个考虑车辆历史信息反馈控制项Kn(t)，其控制项如下所示：
Figure BDA0003389249400000031
Figure BDA0003389249400000032
其中，λ表示反馈系数，α1和α2分别为加减速敏感系数；dn-1(t)和dn(t)为前后车减速度，vn(t)表示第n辆车在t时刻的车速，τ2表示车辆制动反应时间，g为重力加速度，ln-1为车长。
步骤(5)所述的仿真模拟t＞0时车辆队列的运动状态，具体如下：假设前导车按照预先指定的方案运动，其运动方程为：
Figure BDA0003389249400000033
所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
速度：vn(t)＝vn(t-Δt)+a(t-Δt)×Δt,n＝1,2,…N；
位置：
Figure BDA0003389249400000034
其中，Δt为加速度调节时间，N为车队车辆数。
本发明的优点是：本发明用于解决队列跟驰过程中车辆历史感知风险和可接受风险变化对跟驰行为的影响，本发明是比较分析在有无考虑车辆历史信息反馈情况下，队列行驶稳定性情况，此方法可广泛应用于车路协同等领域。
附图说明
图1是本发明实施例中的技术方法实施流程图；
图2是本发明实施例中有无考虑车辆历史信息反馈控制项的期望安全裕度(Desired safety margin,DSM)模型的磁滞回线图：(a)无反馈策项，(b)有反馈控制项。
具体实施方式
如图1所示，本实施例所述的一种考虑车辆历史信息反馈的队列稳定性控制方法，包括以下步骤：
(1)计算车辆历史感知风险和可接受风险与跟随车加速度之间的关联度；设X0是系统特征序列，Xi是关联因子序列，则有
Figure BDA0003389249400000041
其中，n表示特性序列个数，m表示关联因子个数。
则系统特征与关联因子序列的关联度可以描述为：
Figure BDA0003389249400000042
其中，
Figure BDA0003389249400000043
ζ表示分辨系数，其取值范围在[0,1]，取值越小求得的关联系数之间的差异性越显著。
令af表示跟随车的加速度，Δxpf表示跟随车与引导车之间的车头间距，vf表示跟随车车速，Δvpf表示跟随车与引导车之间的速度差，SMn(t)表示队列中第n辆车在t时刻的安全裕度，
Figure BDA0003389249400000044
表示在
Figure BDA0003389249400000045
时刻车辆的安全裕度，
Figure BDA0003389249400000046
表示车辆历史感知风险和可接受风险的变化数学表达，
Figure BDA0003389249400000047
表示记忆步长。
最后通过分析获得整个跟车过程中ΔSM与跟随车加速度之间的关联度大小。
(2)建立考虑车辆历史信息反馈项；根据灰度关联度分析结果，构建一个
考虑车辆历史信息反馈控制项Kn(t)，其控制项如下所示：
Figure BDA0003389249400000048
Figure BDA0003389249400000051
其中，λ表示反馈系数，其值取0.35，期望安全裕度上下限SMnDH和SMnDL取值分别为0.94和0.73；加减速敏感系数α1和α2分别为8m/s2和14m/s2；车长ln-1＝5m；前后车减速度dn-1(t)和dn(t)为0.75g，g为重力加速度。
(3)建立考虑车辆历史信息反馈的DSM模型，其运动方程为：
Figure BDA0003389249400000052
(4)设定的交通场景，有N＝50辆车的车队，所有车辆以车头间距为L＝25m均匀的分布在同一车道上。设初始时刻头车出现了一个小的扰动，头车编号为1，其他车按行驶方向依次编号。
(5)车辆初始状态的速度和位置如下：
Figure BDA0003389249400000053
式中，
Figure BDA0003389249400000054
是头车在
Figure BDA0003389249400000055
时刻一个小的加速度扰动，设其服从5×10-2×U(-1,1)的均匀随机分布。
(6)各参数取值如下：
分辨系数ζ＝0.5；
反馈系数λ＝0.35；
期望安全裕度上下限SMnDH和SMnDL取值分别为0.94和0.73；
加减速敏感系数α1和α2分别为8m/s2和14m/s2；
车长ln-1＝5m；
前后车减速度dn-1(t)和dn(t)为7.5m/s2；
图2是有无考虑车辆历史信息反馈控制项的DSM模型的磁滞回线图。图2(a)表示第25辆车的磁滞回线，图2(b)表示第50辆车的磁滞回线，从图2中可以看出考虑车辆历史信息反馈控制时第25辆车和第50辆车的磁滞回线明显小于不考虑车辆历史信息反馈控制情形。

Claims (5)

1.一种考虑车辆历史信息反馈的队列稳定性控制方法，其特征在于：具体包括以下步骤：
(1)分析车辆历史感知风险和可接受风险与跟随车加速度之间的灰色关联度；
(2)根据灰色关联度分析的结果建立考虑车辆历史信息反馈项；
(3)通过运动可控车辆作为引导车来设定需要模拟的交通情景；
(4)获取所有车辆的初始状态；
(5)建立运动状态方程，仿真模拟在t＞0时刻时车辆队列的运动状态，t是指时间；
(6)按照一定规则更新所有车辆的速度和位置。
2.根据权利要求1所述的一种考虑车辆历史信息反馈的队列稳定性控制方法，其特征在于：步骤(1)所述的分析车辆历史感知风险和可接受风险与跟随车加速度之间的灰色关联度，具体如下：设X0是系统特征序列，Xi是关联因子序列，则有
Figure FDA0003389249390000011
其中，n表示特性序列个数，m表示关联因子个数，x0(n)表示第n个分量、xi(n)表示第i个关联因子的第n个分量。
则系统特征与关联因子序列的关联度描述为：
Figure FDA0003389249390000012
其中，
Figure FDA0003389249390000013
ζ表示分辨系数，其取值范围在[0,1]，取值越小求得的关联系数之间的差异性越显著；
令af表示跟随车的加速度，Δxpf表示跟随车与引导车之间的车头间距，vf表示跟随车车速，Δvpf表示跟随车与引导车之间的速度差，SMn(t)表示队列中第n辆车在t时刻的安全裕度，
Figure FDA0003389249390000021
表示在
Figure FDA0003389249390000022
时刻车辆的安全裕度，
Figure FDA0003389249390000023
表示车辆历史感知风险和可接受风险的变化数学表达，
Figure FDA0003389249390000024
表示记忆步长，SMnDH和SMnDL分别为期望安全裕度上下限；
最后通过分析获得整个跟车过程中ΔSM与跟随车加速度之间的关联度大小。
3.根据权利要求2所述的一种考虑车辆历史信息反馈的队列稳定性控制方法，其特征在于：步骤(2)所述的根据灰色关联度分析的结果建立考虑车辆历史信息反馈项，具体如下：根据灰度关联度分析结果，构建一个考虑车辆历史信息反馈控制项Kn(t)，其控制项如下所示：
Figure FDA0003389249390000025
Figure FDA0003389249390000026
其中，λ表示反馈系数，α1和α2分别为加减速敏感系数；dn-1(t)和dn(t)为前后车减速度，vn(t)表示第n辆车在t时刻的车速，τ2表示车辆制动反应时间，g为重力加速度，ln-1为车长。
4.根据权利要求3所述的一种考虑车辆历史信息反馈的队列稳定性控制方法，其特征在于：步骤(5)所述的仿真模拟t＞0时车辆队列的运动状态，具体如下：假设前导车按照预先指定的方案运动，其运动方程为：
Figure FDA0003389249390000027
5.根据权利要求4所述的一种考虑车辆历史信息反馈的队列稳定性控制方法，其特征在于：所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
速度：vn(t)＝vn(t-Δt)+a(t-Δt)×Δt,n＝1,2,…N；
位置：
Figure FDA0003389249390000031
其中，Δt为加速度调节时间，N为车队车辆数。
CN202111473337.0A 2021-12-02 2021-12-02 一种考虑车辆历史信息反馈的队列稳定性控制方法 Active CN114141015B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111473337.0A CN114141015B (zh) 2021-12-02 2021-12-02 一种考虑车辆历史信息反馈的队列稳定性控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111473337.0A CN114141015B (zh) 2021-12-02 2021-12-02 一种考虑车辆历史信息反馈的队列稳定性控制方法

Publications (2)

Publication Number Publication Date
CN114141015A true CN114141015A (zh) 2022-03-04
CN114141015B CN114141015B (zh) 2022-09-27

Family

ID=80388131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111473337.0A Active CN114141015B (zh) 2021-12-02 2021-12-02 一种考虑车辆历史信息反馈的队列稳定性控制方法

Country Status (1)

Country Link
CN (1) CN114141015B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803226A (zh) * 2017-01-23 2017-06-06 长安大学 考虑最优速度记忆及后视效应的车辆跟驰建模方法
CN110979309A (zh) * 2019-12-23 2020-04-10 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法
CN111583636A (zh) * 2020-04-29 2020-08-25 重庆大学 一种基于车路协同的混合交通横纵耦合控制方法
CN112466119A (zh) * 2020-11-26 2021-03-09 清华大学 一种利用车路协同数据的汽车跟车车速预测方法及系统
KR20210089116A (ko) * 2020-06-29 2021-07-15 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 종방향 동역학 모델의 트레이닝 방법, 장치 및 기기

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106803226A (zh) * 2017-01-23 2017-06-06 长安大学 考虑最优速度记忆及后视效应的车辆跟驰建模方法
CN110979309A (zh) * 2019-12-23 2020-04-10 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法
CN111583636A (zh) * 2020-04-29 2020-08-25 重庆大学 一种基于车路协同的混合交通横纵耦合控制方法
KR20210089116A (ko) * 2020-06-29 2021-07-15 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 종방향 동역학 모델의 트레이닝 방법, 장치 및 기기
CN112466119A (zh) * 2020-11-26 2021-03-09 清华大学 一种利用车路协同数据的汽车跟车车速预测方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MAXAVIER LAMANTIA 等: "Remaining Driving Range Estimation Framework for Electric Vehicles in Platooning Applications", 《2021 AMERICAN CONTROL CONFERENCE (ACC)》 *
廖涛: "考虑车辆动力学的V2V车辆队列模型预测控制", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
莫业柳等: "考虑前方多车辆速度差的优化速度模型", 《广西师范大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN114141015B (zh) 2022-09-27

Similar Documents

Publication Publication Date Title
EP1926654B1 (de) Verfahren und vorrichtung zum lenken eines kraftfahrzeugs
CN107544254B (zh) 一种期望安全裕度跟驰模型的自适应动态滑模控制方法
CN108944943B (zh) 一种基于风险动态平衡理论的弯道跟驰模型
CN105480228B (zh) 增强的车辆速度控制
CN106627250B (zh) 一种电动车控制方法及装置
DE102016214574B4 (de) Verfahren und Vorrichtung zum Schätzen von Reibwerten eines Rades eines Fahrzeugs gegenüber einem Untergrund
EP4028294B1 (de) Vorrichtung und verfahren zum schätzen eines strassenreibungskoeffizienten
Cao et al. A Driver Modeling Based on the Preview‐Follower Theory and the Jerky Dynamics
CN113655794B (zh) 基于鲁棒模型预测控制的多车协同控制方法
JP2009175929A (ja) ドライバ状態推定装置及びプログラム
CN114141015B (zh) 一种考虑车辆历史信息反馈的队列稳定性控制方法
US20220274603A1 (en) Method of Modeling Human Driving Behavior to Train Neural Network Based Motion Controllers
DE102019118213A1 (de) Verfahren und Steuereinheit zur Schätzung eines Modellparameters eines fahrdynamischen Modells eines Fahrzeugs
EP1603766B1 (de) Fahrzeugführungssystem
Hajdu et al. Robust stability analysis for connected vehicle systems
Zhu et al. Design of an integrated vehicle chassis control system with driver behavior identification
Nah et al. Observer-based active roll preview control with V2V communication
CN115782918A (zh) 自动驾驶纵向控制方法、装置、设备及存储介质
DE102009055939A1 (de) Elektromechanische Lenkung und Verfahren zur Steuerung einer elektromechanischen Lenkung
EP1845011B1 (de) Verfahren zum Optimieren eines Einspurmodells
DE102015001970B4 (de) Adaptive Abstandssteuerung für Fahrzeuge
DE112021007044T5 (de) Steuerungsberechnungsvorrichtung und Steuerungsberechnungsverfahren
Zhuang et al. Evaluation of a vehicle directional control with a fractional order PD μ controller
CN116323351A (zh) 用于生成横向偏移轨迹的方法
CN114355883B (zh) 自适应跟车方法及系统

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