CN114253274A - 基于数据驱动的网联混合车辆编队滚动优化控制方法 - Google Patents
基于数据驱动的网联混合车辆编队滚动优化控制方法 Download PDFInfo
- Publication number
- CN114253274A CN114253274A CN202111595753.8A CN202111595753A CN114253274A CN 114253274 A CN114253274 A CN 114253274A CN 202111595753 A CN202111595753 A CN 202111595753A CN 114253274 A CN114253274 A CN 114253274A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- control
- data
- speed
- matrix
- 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
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000005096 rolling process Methods 0.000 title claims abstract description 13
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004891 communication Methods 0.000 claims description 21
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- 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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
-
- 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
- G05D1/028—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using a RF signal
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0293—Convoy travelling
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
Abstract
本发明提供了一种基于数据驱动的网联混合车辆编队滚动优化控制方法,首先分析了混合编队的数学模型结构,然后通过数据驱动方式建立由数据构造的模型预测器,最后通过结合滚动优化控制与空间辨识方法完成控制器设计并作用于智能车辆;本发明通过收集行驶中车辆的输入输出信息构建车辆编队模型,避免了由机理建模引起的模型偏差,从而提高了控制的准确性,保证了车辆编队过程中的安全性;本方法在控制器的设计中包含了前馈控制,因此可以有效避免由干扰引起的队列不稳定的情况;在控制目标中,通过引入控制量较小的控制目标,从而保证了车辆编队过程中的舒适性。
Description
技术领域
本发明属于智能网联汽车控制技术领域,涉及一种车辆编队控制方法,更加具体来讲涉及一种基于数据驱动的网联混合车辆编队滚动优化控制方法。
背景技术
在车辆编队的控制技术研究中,通常将车队作为互联系统进行分析,即在车路协同的通信模式下,车辆通过无线通信设备可以获得一定范围内车辆的行驶状态信息,通过特定的控制方法使队列中的车辆达到满意的行驶状态。车辆编队的准确控制不仅影响交通通行效率,也对驾驶安全提出了更高的要求,目前车辆的控制方法多采用基于模型的方式,根据被控对象的动态特性通过模型的方式进行近似表达,因此模型的精度将直接影响控制效果,但是在实际的驾驶过程中,车辆的模型信息以及动态参数往往无法准确获取,这对高速情况下车队的安全性提出了挑战,如何在车辆参数未知的情况下进行准确高效的控制成为智能网联车辆编队控制系统的关键问题。
发明内容
本发明要解决现有车辆编队控制中存在的在无法获得车辆系统参数的情况下对队列进行准确高效控制的问题,提供了一种网联环境下车辆编队的数据驱动控制方法,通过收集车辆的输入输出数据信息集,利用数据对队列模型进行构建,用于预测队列的未来状态,并以此为基础利用预测控制对智能车辆进行编队控制。
为解决上述技术问题,本发明是采用如下技术方案实现的:
基于数据驱动的网联混合车辆编队滚动优化控制方法,通过采集编队中不同车辆的行驶输入输出信息,构建基于数据的模型预测器,通过考虑车辆编队系统前车的速度变化作为扰动变化量,根据模型预测控制方法完成控制器设计,实现智能自动驾驶车辆安全稳定的编队控制目标,同时尽可能的减小控制动作保证驾驶舒适性,本方法具体步骤如下:
步骤一、建立混合车辆编队的数学模型:
智能网联车辆通过车-车通信与车-路通信获得行驶车辆的位置与速度信息,本方法针对在平坦道路上行驶的车辆,对于由人驾车与智能自动驾驶车辆间隔排列的混合编队中,人驾车的动力学模型进行如下描述:
式中hi为第i辆人驾车与第i-1辆智能自动驾驶车辆在大地坐标系下的纵向间距,单位m,其中i表示车辆编号且为正整数;vi为车辆i的速度,单位m/s; vi-1为车辆i-1的速度,单位m/s;αi与βi代表第i辆人驾车中与驾驶行为相关的人类参数,αi代表车头时距增益,该增益为常数,作为可调参数用于模拟驾驶员跟踪间距策略的驾驶特性,βi相对速度增益,该增益为常数,作为可调参数用于模拟驾驶员响应前车速度变化的驾驶特性,并且满足如下条件αi>0,αi+βi>0;V(hi)代表人驾车辆间距策略,表示如下:
式中vmax为车辆的最大行驶速度,单位m/s;hstop为车辆的静止安全距离,单位m;s为车辆行驶过程中的安全距离,单位m;
定义间距误差△hi=hi-h*和速度误差△vi=vi-v*,其中h*代表期望的安全距离,单位为m,v*代表期望的安全速度,单位为m/s;在期望状态(h*,v*)对非线性系统即式(1)利用泰勒公式进行线性化得到线性模型如下:
式中τf=1/V′(h*)代表车头时距;V′(h*)为间距策略V(h)在h*出的导数;
对于跟随在第i辆人驾车后的第i+1辆智能自动驾驶车辆而言,由于可以通过通讯设备获得其他车辆实时的运行信息,因此,其数学模型表示为:
式中ui+1代表控制输入,在该队列控制中具体代表车辆的加速度,单位为 m/s2;
于是,得到混合编队的数学模型为:
式中x=[△hi,△vi,△hi+1,△vi+1]T,u=ui+1,△vi-1视为有界干扰;矩阵系数A,B,K分别表示如下:
K=[[1 βi] 01×2]T (6)
其中:
对于智能网联车辆而言,车辆的速度误差和间距误差状态信息均可获得,因此输出方程表示为:
y=Cx (8)
其中,矩阵C为单位阵;
步骤二、数据驱动预测器的设计
通过状态空间方程对预测器进行构建,对存在干扰的线性系统即式(5)离散化后得到:
对于车辆编队而言,△vi-1(k)为可测干扰变量,对于车队变速行驶情况下,△vi-1(k)作为过程输入变量,选择加速度作为智能无人车的控制输入,对于该离散系统,控制输入u(k)表示为u(k)=ui+1(k),yk由间距和速度误差组成,表示为: y(k)=[△hi(k),△vi(k),△hi+1(k),△vi+1(k)]T。
当人驾车与智能自动驾驶车辆需要进行编队巡航时,首先要通过网联通信对混合编队系统进行系统状态数据收集,包括控制变量u(k)、可测干扰△vi-1(k)以及系统的输出y(k),利用该收集的信息构建基于数据的Hankel矩阵 Up、Uf、△Vp、△Vf、Yp和Yf,构造形式如下:
其中,Up是采集的输入控制量数据的历史部分数据集合,Uf为采集的输入控制量数据的未来部分数据集合。Yp是采集的输出状态量数据的历史部分数据集合,Yf为采集的输出状态量数据的未来部分数据集合。△Vp是采集的测量的干扰数据的历史部分数据集合,△Vf为采集的测量的干扰数据的未来部分数据集合。
每一个Hankel矩阵由s行、t列的数据块组成,其中s和t均为正整数;每一个数据块均由对应状态下所收集的数据构成;
历史与未来的系统状态表示为:
Xp=[x0 x1 … xt-1]
Xf=[xs xs+1 … xs+t-1] (10)
通过对离散状态方程(9)进行递归,得到需要的系统输出矩阵表达形式:
其中,观测矩阵Γs为s×l行、n列矩阵,n为系统阶数,l为每个输出量所包含的变量个数,下三角Toeplitz矩阵Hs为s×l行、s×m列矩阵,m为控制量所包含的变量个数,Θs与为扩展可控矩阵,其表达形式如下:
因此,构建如下预测器用于预测系统输出:
其中,Wp=[Yp Up △Vp]T;
于是,只要求得空间矩阵Lw、Lu和Lv便可获得预测器,通过利用最小二乘法求解如下极值问题对系统未来的输出进行预测:
最终得到空间矩阵Lw、Lu和Lv的计算结果:
步骤三、数据驱动预测控制器的设计
对于智能自动驾驶车辆而言,在编队控制中,其控制需求为跟踪期望的速度以及期望的间距,不仅要保证速度与间距收敛于给定的参考值,而且要满足驾驶舒适性的要求,因此,该控制目标可以归纳为以下几点:
控制目标(1)考虑到交通安全与吞吐量的影响,车-车通信距离不宜过长与过短,因此组成编队的车辆数量要合理;
控制目标(2)出于跟踪任务的考虑,车辆的速度应收敛于期望速度v*,车间距收敛于期望间距h*,意味着△vi与△hi尽可能的小;
控制目标(3)为了保证舒适性的要求,应使加速度尽可能平滑;
为了满足以上控制需求,通过结合预测理论与子空间辨识方法,进行预测控制器设计;定义滚动优化预测时域为Np,控制时域为Nu,需满足Np≥Nu;定义参考序列Rf(k+1)如下:
Rf(k+1)=[rf(k+1) rf(k+2) … rf(k+Np)]T
根据上述控制目标,通常采用最小化平方差值的方式获得评价函数,利用下式实现控制目标(2):
类似的,采用公式(17)实现控制目标(3):
J2=||uf(k)||2 (17)
为了合理分配控制目标,得到最优控制,通常采用引入权重系数的方式分配控制目标,因此最终的优化问题如下式所示:
其中,Γy,Γu均为权重矩阵;Γy=diag(γy,1,γy,2,…,γy,Np),Γu=diag(γu,1,γu,2,…,γu,Nu)
将式(12)带入上式评价函数中,得到数据驱动预测器定义下的评价函数,如下式所示:
步骤四、选取控制量并作用于智能自动驾驶车辆
将控制序列中第一个元素u1列作用于被控的智能自动驾驶车辆,控制其完成编队目标:
利用Lw和Lv重构新的向量Lp=(Lw,Lv),对Lp进行奇异值分解得到近似表达形式,即:
对于由步骤一建立的队列混合模型(5)而言,参考状态量已经包含在了状态变量中,因此对于该模型而言,可以将步骤三中参考序列Rf中的元素rf看做为0,因此可以得到状态反馈形式的控制率u1:
式(21)与(23)为等价形式,该控制率作为智能车辆巡航的期望加速度,利用CAN总线将其发送至车辆底盘系统,通过执行机构执行该期望加速度,实现对车辆的控制。
与现有技术相比本发明的有益效果是:
1.本发明提供了一种基于数据驱动的网联混合车辆编队滚动优化控制方法,通过车辆的行驶输入输出数据构建系统模型,在实际应用中具有更好的可实现性和准确性。
2.本发明提供了一种基于数据驱动的网联混合车辆编队滚动优化控制方法,包含前馈的分布式预测控制方法,可以对行驶过程中存在的干扰进行抑制,从而避免了控制误差。
3.本方法通过结合CTH车间距策略以及网联通信拓扑结构,能够使编队中的车辆具有更快的反应速度,同时确保了在不同驾驶场景中的行驶安全。
附图说明
图1是本发明所述的基于数据驱动的网联混合车辆编队滚动优化控制方法的流程简图。
图2是本发明所述的基于数据驱动的网联混合车辆编队滚动优化控制方法中混合编队构成以及通信结构的示意图。
图3是本发明所述的基于数据驱动的网联混合车辆编队滚动优化控制方法中的数据驱动预测器及数据驱动预测控制器的算法流程图。
下面结合附图对本发明作详细的描述:
本发明提出一种基于数据驱动的网联混合车辆编队滚动优化控制方法,如图1所示,其特征在于,针对混合互联系统的模型特征,通过采集编队中不同车辆的行驶输入输出信息,构建基于数据的数据驱动预测器,通过考虑车辆编队系统前车的速度变化作为扰动变化量,根据模型预测控制方法完成数据驱动预测控制器设计,实现智能自动驾驶车辆安全稳定的编队控制目标,同时尽可能的减小控制动作保证驾驶舒适性,本方法具体步骤如下:
步骤一、建立混合车辆编队的数学模型:
智能网联车辆通过车-车通信与车-路通信获得行驶车辆的位置与速度信息,本方法针对在平坦道路上行驶的车辆,对于由人驾车与智能自动驾驶车辆间隔排列的混合编队中,如图2所示,例如对由四辆车组成的混合编队而言,车辆1 与车辆3表示人驾车,车辆2与车辆4表示自动驾驶车辆,图中实线表示车道线,虚线表示通信结构,代表网联车辆之间的通信关系,车队的行驶方向向左。
人驾车的动力学模型进行如下描述:
式中hi为第i辆人驾车与第i-1辆智能自动驾驶车辆在大地坐标系下的纵向间距,单位m,其中i表示车辆编号且为正整数;vi为车辆i的速度,单位m/s; vi-1为车辆i-1的速度,单位m/s;αi与βi代表第i辆人驾车中与驾驶行为相关的人类参数,αi代表车头时距增益,该增益为常数,作为可调参数用于模拟驾驶员跟踪间距策略的驾驶特性,βi相对速度增益,该增益为常数,作为可调参数用于模拟驾驶员响应前车速度变化的驾驶特性,并且满足如下条件αi>0,αi+βi>0;V(hi)代表人驾车辆间距策略,表示如下:
式中vmax为车辆的最大行驶速度,单位m/s;hstop为车辆的静止安全距离,单位m;s为车辆行驶过程中的安全距离,单位m;
定义间距误差△hi=hi-h*和速度误差△vi=vi-v*,其中h*代表期望的安全距离,单位为m,v*代表期望的安全速度,单位为m/s;在期望状态(h*,v*)对非线性系统即式(1)利用泰勒公式进行线性化得到线性模型如下:
式中τf=1/V′(h*)代表车头时距;V′(h*)为间距策略V(h)在h*出的导数;
对于跟随在第i辆人驾车后的第i+1辆智能自动驾驶车辆而言,由于可以通过通讯设备获得其他车辆实时的运行信息,因此,其数学模型表示为:
式中ui+1代表控制输入,在该队列控制中具体代表车辆的加速度,单位为 m/s2;
于是,得到混合编队的数学模型为:
式中x=[△hi,△vi,△hi+1,△vi+1]T,u=ui+1,△vi-1视为有界干扰;矩阵系数A,B,K分别表示如下:
其中:
对于智能网联车辆而言,车辆的速度误差和间距误差状态信息均可获得,因此输出方程表示为:
y=Cx (8)
其中,矩阵C为单位阵;
对于步骤二至步骤四的算法控制流程,如图3所示。
步骤二、数据驱动预测器的设计
通过状态空间方程对预测器进行构建,对存在干扰的线性系统即式(5)离散化后得到:
对于车辆编队而言,△vi-1(k)为可测干扰变量,对于车队变速行驶情况下,△vi-1(k)作为过程输入变量,选择加速度作为智能无人车的控制输入,对于该离散系统,控制输入u(k)表示为u(k)=ui+1(k),yk由间距和速度误差组成,表示为: y(k)=[△hi(k),△vi(k),△hi+1(k),△vi+1(k)]T。
当人驾车与智能自动驾驶车辆需要进行编队巡航时,首先要通过网联通信对混合编队系统进行系统状态数据收集,包括控制变量u(k)、可测干扰△vi-1(k)以及系统的输出y(k),利用该收集的信息构建基于数据的Hankel矩阵 Up、Uf、△Vp、△Vf、Yp和Yf,构造形式如下:
将采集的数据分为历史与未来两部分,其中,下标p代表采集数据的历史部分数据集合,f代表采集数据的未来部分数据集合;Up是采集的输入控制量数据的历史部分数据集合,Uf为采集的输入控制量数据的未来部分数据集合。Yp是采集的输出状态量数据的历史部分数据集合,Yf为采集的输出状态量数据的未来部分数据集合。△Vp是采集的测量的干扰数据的历史部分数据集合,△Vf为采集的测量的干扰数据的未来部分数据集合。
每一个Hankel矩阵由s行、t列的数据块组成,其中s和t均为正整数;每一个数据块均由对应状态下所收集的数据构成;
历史与未来的系统状态表示为:
通过对离散状态方程(9)进行递归,得到需要的系统输出矩阵表达形式:
其中,观测矩阵Γs为s×l行、n列矩阵,n为系统阶数,l为每个输出量所包含的变量个数,下三角Toeplitz矩阵Hs为s×l行、s×m列矩阵,m为控制量所包含的变量个数,Θs与为扩展可控矩阵,其表达形式如下:
因此,构建如下预测器用于预测系统输出:
其中,Wp=[Yp Up △Vp]T;
于是,只要求得空间矩阵Lw、Lu和Lv便可获得预测器,通过利用最小二乘法求解如下极值问题对系统未来的输出进行预测:
最终得到空间矩阵Lw、Lu和Lv的计算结果:
步骤三、数据驱动预测控制器的设计
对于智能自动驾驶车辆而言,在编队控制中,其控制需求为跟踪期望的速度以及期望的间距,不仅要保证速度与间距收敛于给定的参考值,而且要满足驾驶舒适性的要求,因此,该控制目标可以归纳为以下几点:
控制目标(1)考虑到交通安全与吞吐量的影响,车-车通信距离不宜过长与过短,因此组成编队的车辆数量要合理;
控制目标(2)出于跟踪任务的考虑,车辆的速度应收敛于期望速度v*,车间距收敛于期望间距h*,意味着△vi与△hi尽可能的小;
控制目标(3)为了保证舒适性的要求,应使加速度尽可能平滑;
为了满足以上控制需求,通过结合预测理论与子空间辨识方法,进行预测控制器设计;定义滚动优化预测时域为Np,控制时域为Nu,需满足Np≥Nu;定义参考序列Rf(k+1)如下:
Rf(k+1)=[rf(k+1) rf(k+2) … rf(k+Np)]T
根据上述控制目标,通常采用最小化平方差值的方式获得评价函数,利用下式实现控制目标(2):
类似的,采用公式(17)实现控制目标(3):
J2=||uf(k)||2 (17)
为了合理分配控制目标,得到最优控制,通常采用引入权重系数的方式分配控制目标,因此最终的优化问题如下式所示:
其中,Γy,Γu均为权重矩阵;Γy=diag(γy,1,γy,2,…,γy,Np),Γu=diag(γu,1,γu,2,…,γu,Nu)
将式(12)带入上式评价函数中,得到数据驱动预测器定义下的评价函数,如下式所示:
步骤四、选取控制量并作用于智能自动驾驶车辆
将控制序列中第一个元素u1列作用于被控的智能自动驾驶车辆,控制其完成编队目标:
利用Lw和Lv重构新的向量Lp=(Lw,Lv),对Lp进行奇异值分解得到近似表达形式,即:
对于由步骤一建立的队列混合模型(5)而言,参考状态量已经包含在了状态变量中,因此对于该模型而言,可以将步骤三中参考序列Rf中的元素rf看做为0,因此可以得到状态反馈形式的控制率u1:
式(21)与(23)为等价形式,该控制率作为智能车辆巡航的期望加速度,利用CAN总线将其发送至车辆底盘系统,通过执行机构执行该期望加速度,实现对车辆的控制。
Claims (1)
1.基于数据驱动的网联混合车辆编队滚动优化控制方法,其特征在于,通过采集编队中不同车辆的行驶输入输出信息,构建基于数据的数据驱动预测器,通过考虑车辆编队系统前车的速度变化作为扰动变化量,根据模型预测控制方法完成数据驱动预测控制器设计,实现智能自动驾驶车辆安全稳定的编队控制目标,同时尽可能的减小控制动作保证驾驶舒适性,本方法具体步骤如下:
步骤一、建立混合车辆编队的数学模型:
智能网联车辆通过车-车通信与车-路通信获得行驶车辆的位置与速度信息,本方法针对在平坦道路上行驶的车辆,对于由人驾车与智能自动驾驶车辆间隔排列的混合编队中,人驾车的动力学模型进行如下描述:
式中hi为第i辆人驾车与第i-1辆智能自动驾驶车辆在大地坐标系下的纵向间距,单位m,其中i表示车辆编号且为正整数;vi为车辆i的速度,单位m/s;vi-1为车辆i-1的速度,单位m/s;αi与βi代表第i辆人驾车中与驾驶行为相关的人类参数,αi代表车头时距增益,该增益为常数,作为可调参数用于模拟驾驶员跟踪间距策略的驾驶特性,βi相对速度增益,该增益为常数,作为可调参数用于模拟驾驶员响应前车速度变化的驾驶特性,并且满足如下条件αi>0,αi+βi>0;V(hi)代表人驾车辆间距策略,表示如下:
式中vmax为车辆的最大行驶速度,单位m/s;hstop为车辆的静止安全距离,单位m;s为车辆行驶过程中的安全距离,单位m;
定义间距误差△hi=hi-h*和速度误差△vi=vi-v*,其中h*代表期望的安全距离,单位为m,v*代表期望的安全速度,单位为m/s;在期望状态(h*,v*)对非线性系统即式(1)利用泰勒公式进行线性化得到线性模型如下:
式中τf=1/V′(h*)代表车头时距;V′(h*)为间距策略V(h)在h*出的导数;
对于跟随在第i辆人驾车后的第i+1辆智能自动驾驶车辆而言,由于可以通过通讯设备获得其他车辆实时的运行信息,因此,其数学模型表示为
式中ui+1代表控制输入,在该队列控制中具体代表车辆的加速度,单位为m/s2;
于是,得到混合编队的数学模型为:
式中x=[△hi,△vi,△hi+1,△vi+1]T,u=ui+1,△vi-1视为有界干扰;矩阵系数A,B,K分别表示如下:
其中:
对于智能网联车辆而言,车辆的速度误差和间距误差状态信息均可获得,因此输出方程表示为:
y=Cx (8)
其中,矩阵C为单位阵;
步骤二、数据驱动预测器的设计
通过状态空间方程对预测器进行构建,对存在干扰的线性系统即式(5)离散化后得到:
对于车辆编队而言,△vi-1(k)为可测干扰变量,对于车队变速行驶情况下,△vi-1(k)作为过程输入变量,选择加速度作为智能无人车的控制输入,对于该离散系统,控制输入u(k)表示为u(k)=ui+1(k),yk由间距和速度误差组成,表示为:y(k)=[△hi(k),△vi(k),△hi+1(k),△vi+1(k)]T;
当人驾车与智能自动驾驶车辆需要进行编队巡航时,首先要通过网联通信对混合编队系统进行系统状态数据收集,包括控制变量u(k)、可测干扰△vi-1(k)以及系统的输出y(k),利用该收集的信息构建基于数据的Hankel矩阵Up、Uf、△Vp、△Vf、Yp和Yf,构造形式如下:
其中,Up是采集的输入控制量数据的历史部分数据集合,Uf为采集的输入控制量数据的未来部分数据集合;Yp是采集的输出状态量数据的历史部分数据集合,Yf为采集的输出状态量数据的未来部分数据集合;△Vp是采集的测量的干扰数据的历史部分数据集合,△Vf为采集的测量的干扰数据的未来部分数据集合;
每一个Hankel矩阵由s行、t列的数据块组成,其中s和t均为正整数;每一个数据块均由对应状态下所收集的数据构成;
历史与未来的系统状态表示为:
通过对离散状态方程(9)进行递归,得到需要的系统输出矩阵表达形式:
其中,观测矩阵Γs为s×l行、n列矩阵,n为系统阶数,l为每个输出量所包含的变量个数,下三角Toeplitz矩阵Hs为s×l行、s×m列矩阵,m为控制量所包含的变量个数,Θs与为扩展可控矩阵,其表达形式如下:
因此,构建如下预测器用于预测系统输出:
其中,Wp=[Yp Up △Vp]T;
于是,只要求得空间矩阵Lw、Lu和Lv便可获得预测器,通过利用最小二乘法求解如下极值问题对系统未来的输出进行预测:
最终得到空间矩阵Lw、Lu和Lv的计算结果:
步骤三、数据驱动预测控制器的设计
对于智能自动驾驶车辆而言,在编队控制中,其控制需求为跟踪期望的速度以及期望的间距,不仅要保证速度与间距收敛于给定的参考值,而且要满足驾驶舒适性的要求,因此,该控制目标可以归纳为以下几点:
控制目标(1)考虑到交通安全与吞吐量的影响,车-车通信距离不宜过长与过短,因此组成编队的车辆数量要合理;
控制目标(2)出于跟踪任务的考虑,车辆的速度应收敛于期望速度v*,车间距收敛于期望间距h*,意味着△vi与△hi尽可能的小;
控制目标(3)为了保证舒适性的要求,应使加速度尽可能平滑;
为了满足以上控制需求,通过结合预测理论与子空间辨识方法,进行预测控制器设计;定义滚动优化预测时域为Np,控制时域为Nu,需满足Np≥Nu;定义参考序列Rf(k+1)如下:
Rf(k+1)=[rf(k+1) rf(k+2)…rf(k+Np)]T
根据上述控制目标,通常采用最小化平方差值的方式获得评价函数,利用下式实现控制目标(2):
类似的,采用公式(17)实现控制目标(3):
J2=||uf(k)||2 (17)
为了合理分配控制目标,得到最优控制,通常采用引入权重系数的方式分配控制目标,因此最终的优化问题如下式所示:
其中,Γy,Γu均为权重矩阵;
将式(12)带入上式评价函数中,得到数据驱动预测器定义下的评价函数,如下式所示:
步骤四、选取控制量并作用于智能自动驾驶车辆
将控制序列中第一个元素u1列作用于被控的智能自动驾驶车辆,控制其完成编队目标:
利用Lw和Lv重构新的向量Lp=(Lw,Lv),对Lp进行奇异值分解得到近似表达形式,即:
对于由步骤一建立的队列混合模型(5)而言,参考状态量已经包含在了状态变量中,因此对于该模型而言,可以将步骤三中参考序列Rf中的元素rf看做为0,因此可以得到状态反馈形式的控制率u1:
式(21)与(23)为等价形式,该控制率作为智能车辆巡航的期望加速度,利用CAN总线将其发送至车辆底盘系统,通过执行机构执行该期望加速度,实现对车辆的控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595753.8A CN114253274B (zh) | 2021-12-24 | 2021-12-24 | 基于数据驱动的网联混合车辆编队滚动优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111595753.8A CN114253274B (zh) | 2021-12-24 | 2021-12-24 | 基于数据驱动的网联混合车辆编队滚动优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114253274A true CN114253274A (zh) | 2022-03-29 |
CN114253274B CN114253274B (zh) | 2024-03-26 |
Family
ID=80794882
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111595753.8A Active CN114253274B (zh) | 2021-12-24 | 2021-12-24 | 基于数据驱动的网联混合车辆编队滚动优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114253274B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114999227A (zh) * | 2022-05-25 | 2022-09-02 | 中国农业大学 | 非信控交叉路口混合多车无模型预测协同控制方法 |
CN115206093A (zh) * | 2022-06-21 | 2022-10-18 | 同济大学 | 一种基于智能网联车辆的交通流控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049980A1 (en) * | 2017-08-08 | 2019-02-14 | TuSimple | Neural network based vehicle dynamics model |
EP3650297A1 (en) * | 2018-11-08 | 2020-05-13 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining information related to a lane change of a target vehicle, method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle and computer program |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
US20210318691A1 (en) * | 2020-04-09 | 2021-10-14 | The Regents Of The University Of Michigan | Multi-range vehicle speed prediction using vehicle connectivity for enhanced energy efficiency of vehicles |
-
2021
- 2021-12-24 CN CN202111595753.8A patent/CN114253274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190049980A1 (en) * | 2017-08-08 | 2019-02-14 | TuSimple | Neural network based vehicle dynamics model |
EP3650297A1 (en) * | 2018-11-08 | 2020-05-13 | Bayerische Motoren Werke Aktiengesellschaft | Method and apparatus for determining information related to a lane change of a target vehicle, method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle and computer program |
US20210318691A1 (en) * | 2020-04-09 | 2021-10-14 | The Regents Of The University Of Michigan | Multi-range vehicle speed prediction using vehicle connectivity for enhanced energy efficiency of vehicles |
CN112034859A (zh) * | 2020-09-14 | 2020-12-04 | 东北大学秦皇岛分校 | 抗干扰的cacc系统的自适应动态规划方法 |
Non-Patent Citations (2)
Title |
---|
于晓海;郭戈;: "一种协作式车队控制的新方法", 控制与决策, no. 07, 10 September 2017 (2017-09-10) * |
郭洪艳等: "基于驾驶状态预测的人机力矩协同转向控制器设计", 《控制与决策》, vol. 34, no. 11, 19 July 2019 (2019-07-19) * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114999227A (zh) * | 2022-05-25 | 2022-09-02 | 中国农业大学 | 非信控交叉路口混合多车无模型预测协同控制方法 |
CN114999227B (zh) * | 2022-05-25 | 2023-10-20 | 中国农业大学 | 非信控交叉路口混合多车无模型预测协同控制方法 |
CN115206093A (zh) * | 2022-06-21 | 2022-10-18 | 同济大学 | 一种基于智能网联车辆的交通流控制方法 |
CN115206093B (zh) * | 2022-06-21 | 2023-08-29 | 同济大学 | 一种基于智能网联车辆的交通流控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114253274B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200278686A1 (en) | Iterative Feedback Motion Planning | |
Novi et al. | Real-time control for at-limit handling driving on a predefined path | |
CN112162555A (zh) | 混合车队中基于强化学习控制策略的车辆控制方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN114253274A (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
Kuutti et al. | End-to-end reinforcement learning for autonomous longitudinal control using advantage actor critic with temporal context | |
DE102006041565A1 (de) | Verfahren und Vorrichtung zur vorschaubasierten Fahrzeugquersteuerung | |
DE102020102962A1 (de) | Fahrzeugzielverfolgung | |
CN115056798B (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
CN108791290A (zh) | 基于在线增量式dhp的双车协同自适应巡航控制方法 | |
CN113791615A (zh) | 一种混合车辆队列分布式模型预测控制方法 | |
Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
CN113156963B (zh) | 基于监督信号引导的深度强化学习自动驾驶汽车控制方法 | |
CN113655794B (zh) | 基于鲁棒模型预测控制的多车协同控制方法 | |
CN114379583A (zh) | 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法 | |
Wei et al. | Modeling of human driver behavior via receding horizon and artificial neural network controllers | |
CN113911172A (zh) | 一种基于自适应动态规划的高速列车优化运行控制方法 | |
CN113391553B (zh) | 具有执行器饱和的异构cacc系统的自适应最优控制方法 | |
CN114488799B (zh) | 汽车自适应巡航系统控制器参数优化方法 | |
CN114394092B (zh) | 基于车车通信的混合车流汽车协同自适应巡航控制方法 | |
CN110103960B (zh) | 车辆自适应巡航控制方法、系统及车辆 | |
Tran et al. | Improved responsibility-sensitive safety algorithm through a partially observable Markov decision process framework for automated driving behavior at non-signalized intersection | |
CN114442630A (zh) | 一种基于强化学习和模型预测的智能车规划控制方法 | |
CN114987511A (zh) | 模拟人类驾驶行为以训练基于神经网络的运动控制器的方法 | |
CN111221329B (zh) | 一种自主车辆排队间距控制方法 |
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 |