CN114394092B - 基于车车通信的混合车流汽车协同自适应巡航控制方法 - Google Patents

Abstract

本发明公开了一种基于车车通信的混合车流汽车协同自适应巡航控制方法，涉及智能网联汽车自适应巡航领域。步骤如下：实时采集车辆跟驰过程中首车（人工驾驶汽车）、前车（自动驾驶汽车）与本车（自动驾驶汽车）的BSM信息集，并基于BSM信息集建立相邻两车的跟驰运动模型；利用线性最优二次理论建立首车扰动工况下前车驾驶操纵效用函数，预测下一时刻前车加速度值；将下一时刻前车加速度值代入跟驰运动模型中，得到本车加速度的预测值，将预测值与期望值进行比较得到本车最优控制序列，根据本车最优控制序列对车辆编队自适应巡航滚动控制。本发明使被控车辆能更快响应前方车辆变化情况，提升了车辆自适应巡航控制系统的跟驰性和安全性。

Description

基于车车通信的混合车流汽车协同自适应巡航控制方法

技术领域

本发明涉及汽车自适应巡航技术领域，更具体的说是涉及一种基于车车通信的混合车流汽车协同自适应巡航控制方法。

背景技术

在智能网联汽车全面普及之前，未来交通流将由智能驾驶汽车和人工驾驶汽车混合而成，因此在异质交通流情况下，车辆自适应巡航控制要充分考虑人工驾驶汽车对智能驾驶汽车的扰动作用，这对改善交通流特性、提升道路通行能力和驾驶安全性具有重要意义。

早期自适应巡航控制系统多采用PID控制、滑模控制、模糊控制等，而后模型预测控制凭借可实现多目标协调优化、在线处理系统约束等优点，逐渐被广泛应用于自适应巡航控制系统。在运用传统模型预测控制算法设计车辆控制器时，技术发明者侧重于通过合理分配权重来协调安全性、经济性、舒适性等多个目标以及如何增加约束来提升算法的鲁棒性。大多数工程技术人员在模型预测控制算法中都对前车的加速度采取了简化处理，即认为在预测时域内前车保持当前采样时刻的加速度不变，但实际上车辆行驶中的加速度是时刻变化的。为弱化模型预测控制受到的外部干扰，Ali等采用闭环控制策略来补偿前车加速度扰动的影响，改善了当前车加速度连续变化时的跟车性能；吴光强等提出一种多目标鲁棒跟驰控制算法，建立了考虑前车加速度干扰的自适应巡航系统车间纵向运动学模型，引入修正项反馈提高模型预测控制系统的鲁棒性；何德峰等运用高斯过程回归法对前车加速度进行建模，通过历史加速度值预测下一时刻前车加速度，从而在线修正模型预测控制算法偏差。以上研究在设计车辆控制系统时没有考虑前车为人工驾驶状态下的驾驶意图和驾驶行为操作量，而在车辆跟驰过程中前车的运动状态会对本车自适应巡航控制过程中的稳定性和安全性造成重大影响。

因此，对本领域技术人员来说，如何针对自动驾驶汽车(AV)和人工驾驶汽车(MV)混合车流环境下实现车辆协同自适应控制，是亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种基于车车通信的混合车流汽车协同自适应巡航控制方法，能够针对自动驾驶汽车(AV)和人工驾驶汽车(MV)混合车流环境下实现车辆协同自适应控制。

为了实现上述目的，本发明采用如下技术方案：一种混合异质车流条件下的汽车协同自适应巡航控制方法，具体步骤包括如下：

实时采集车辆跟驰过程中首车、前车与本车的BSM信息集；

结合所述BSM信息集根据车辆纵向运动关系建立本车与前车跟驰模型；

利用线性最优二次理论建立符合跟驰首车运动状态下的驾驶操纵效用函数，预测下一时刻前车加速度值；

将所述下一时刻前车加速度值代入所述本车与前车跟驰模型中，得到本车加速度的预测值，将所述预测值与期望值进行比较得到本车最优控制序列，根据所述本车最优控制序列对车辆编队自适应巡航滚动控制。

通过采用上述技术方案，具有以下有益的技术效果：基于改进模型预测控制的车辆自适应巡航控制方法，运用线性二次最优控制算法对前车加速度进行建模并预测，然后将得到前车加速度预测序列用于模型预测控制器中，以期实现基于车车通信的自适应巡航滚动优化控制，增加车辆行驶的安全性与舒适性。

可选的，所述两车跟驰模型的表达式为：

其中，Q(t)＝[s₁(t)，v_r1(t)，v_f(t)，a_f(t)]^T，P(t)＝[Δs(t)，v_r1(t)，a_f(t)]^T，

s₁(t)为实际车间间距，v_r1(t)为相对速度，v_f(t)为自车速度，a_f(t)为自车加速度；Δs(t)为间距差、 v_r1(t)为相对速度、a_f(t)为自车加速度；μ(t)为控制输入，a_p(t)为前车加速度。

可选的，所述驾驶操纵效用函数为：

Δx(t)＝s₂(t)-D_safe；

其中：K₀、R为对角矩阵，k₁、k₂为不同运动状态向量的权重，k₁＝1.21， k₂＝4.07，R＝15.7，v_r2为本车与前车的相对速度，

为驾驶控制的约束或要求，s₂(t)为t时刻本车与前车的间距，D_safe为安全车间距；时间t∈[t₀，t_f]，初始状态x(t₀)＝x₀，末端状态x(t_f)自由。

可选的，所述BSM信息集由车载单元收集后向所覆盖区域范围内的车辆 OBU发送，包含车辆位置信息、运动状态参数、驾驶行为信息。

可选的，以混合异构车流车头时距的最优均衡状态为控制目标，将带约束的模型预测控制优化的问题转化为二次规划问题进行优化求解，最终实现车辆编队自适应巡航滚动在线控制。

可选的，还包括误差修正项e(t)，

e(t)＝Q(t)-Q(t-1)；

其中，F＝diag(f₁，f₂，f₃，f₄)为矫正矩阵，e(t)为误差修正项，Q(t)为t时刻系统的实际状态，Q(t-1)为t-1时刻对t时刻系统状态的预测。

通过采用上述技术方案，具有以下有益的技术效果：提高对真实系统的辨识表达能力，基于闭环反馈校正的思想，引入误差修正项，以期提高模型预测精度以及抗干扰能力。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于车车通信的混合车流汽车协同自适应巡航控制方法，针对自动驾驶汽车 (AV)和人工驾驶汽车(MV)混合车流环境下的车辆协同自适应控制方法进行研究，运用线性最优二次理论(LQR)和跟驰模型预测未来时刻前车加速度变化值，并将预测得到的前车加速度序列应用于模型预测控制器中，然后以混合异构车流车头时距的最优均衡状态为控制目标，将带约束的模型预测控制优化的问题转化为二次规划问题进行优化求解，最终实现车辆编队自适应巡航滚动在线控制；相较于传统模型预测控制算法将预测时域内的前车加速度假定为初始采样时刻值，本发明方法先预测出预测时域内的前车加速度变化状况，使得被控车辆能够更快响应前方车辆变化情况，提升了车辆自适应巡航控制系统的跟驰性和安全性，有效降低车辆跟驰间距、提高道路通行能力和驾乘舒适性。

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，还可以根据提供的附图获得其他的附图。

图1为本发明的基于车联网V2V的协同控制示意图；

图2为本发明的前车加速度预测示意图；

图3为本发明的仿真结果速度分析图；

图4为本发明的仿真结果相对速度分析图；

图5为本发明的仿真结果纵向位移分析图；

图6为本发明的仿真结果跟驰间距分析图。

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。

本发明实施例公开了一种混合异质车流条件下的汽车协同自适应巡航控制方法，具体步骤如下：

S1、实时采集车辆跟驰过程中首车、前车与本车的BSM信息集；

S2、结合BSM信息集根据车辆纵向运动关系建立本车与前车跟驰模型；

S3、利用线性最优二次理论建立符合跟驰首车运动状态下的驾驶操纵效用函数，预测下一时刻前车加速度值；

S4、将下一时刻前车加速度值代入本车与前车跟驰模型中，得到本车加速度的预测值，将预测值与期望值进行比较得到本车最优控制序列，根据本车最优控制序列对车辆编队自适应巡航滚动控制。

本发明侧重于研究车辆自适应巡航控制技术中的决策控制系统，对前期数据感知系统和数据处理系统做理想化假设，即智能驾驶汽车可以通过车联网平台实时获取基本安全信息(BSM)。BSM信息由车载单元(OBU)收集后向所覆盖区域范围内的车辆OBU发送，包含车辆位置信息、运动状态参数 (速度、加速度)、驾驶行为信息(节气门开度、制定踏板力)等核心信息以及其他可选信息。以上信息将根据T/CSAE 53-2017标准打包成BSM消息集，并通过专用的C-V2X无线通信向周围车辆广播，如图1所示。

在异质交通流场景下，智能驾驶汽车(AV)和人工驾驶汽车(MV)可以通过OBU采集自车驾驶信息(自车位置、自车速度、自车加速度)并将其发送给其他车辆。但是人工驾驶汽车(MV)由于缺乏自适应巡航控制系统，能接收但不能利用其他车辆的BSM信息集来辅助车辆驾驶，车辆驾驶行为仍由驾驶员主观控制。在车辆跟驰过程中，若首车为人工驾驶汽车(MV)，前车和被控车辆为智能驾驶汽车(AV)，被控车辆通过OBU接收首车和前车的BSM信息集，并根据历史运动状态(位置、速度、加速度)预测下一时刻前车加速度序列，从而对前方干扰车辆的运动状态做出预判，降低人工驾驶车辆(MV)加速度阶跃变化对智能驾驶汽车(AV)带来的影响，有效提升智能驾驶汽车(AV)自适应巡航控制的安全性和跟驰性能。

进一步的，根据车辆纵向运动关系建立两车跟驰模型。定义x_f(t)为自车位置，v_f(t)为自车速度，a_f(t)为自车加速度，x_p(t)为前车位置，v_p(t)为前车速度， a_p(t)为前车加速度。

两车的相对速度：v_r1(t)＝v_p(t)-v_f(t) (1)

将被控车辆的期望加速度和实际加速度视为一阶惯性环节，

式中，μ(t)为期望加速度，T_s为时滞常数，K为一阶惯性环节的增益系数。

两车的实际车间间距：s₁(t)＝x_p(t)-x_f(t) (3)

考虑前车加速度和速度的可变车头时距模型公式(4)-(6)所示，

t_h＝t₀-k_av_r-k_ba_p (4)

M＝t₀-k_av_r-k_ba_p (6)

式中，t₀，k_a，k_b表示大于0的常数，a_p表示前车加速度，sat(·)表示饱和函数，t_{h_min}所设置的车头时距下限值(1.2s)，t_{h_max}表示所设置的车头时距上限值(2.0s)。

两车的期望车间间距：s_e(t)＝t_hv_f(t)+d (7)

实际车间间距和期望车间间距的间距差：Δs(t)＝s₁(t)-s_e(t) (8)

式中，s₁(t)为实际车间间距，t_h为可变车头时距，d为最小安全间距。

选取实际车间间距s₁(t)，相对速度v_r1(t)，自车速度v_f(t)，自车加速度 a_f(t)作为自适应巡航控制系统的状态变量；选取间距差Δs(t)、相对速度 v_r1(t)、自车加速度a_f(t)作为输出变量；μ(t)作为控制输入，前车加速度a_p(t) 作为扰动参数，则本车与前车运动关系模型的离散状态空间表达式如公式(9) 所示。

式中，Q(t)＝[s₁(t)，v_r1(t)，v_f(t)，a_f(t)]^T，P(t)＝[Δs(t)，v_r1(t)，a_f(t)]^T，

为提高公式(9)对真实系统的辨识表达能力，基于闭环反馈校正的思想，引入误差修正项e(t)，以期提高模型预测精度以及抗干扰能力。

e(t)＝Q(t)-Q(t-1) (11)

式中F＝diag(f₁，f₂，f₃，f₄)为矫正矩阵，e(t)为误差修正项，Q(t)为t时刻系统的实际状态，Q(t-1)为t-1时刻对t时刻系统状态的预测。

进一步的，在传统的模型预测控制算法中，通常将当前时刻t获取的前车加速度a_p(t)作为预测时域[t，t+p-m]内的扰动序列，即 a_p(t)＝a_p(t+1)＝…＝a_p(t+p-m)。当前车急加速或急减速时，若以当前时刻的前车加速度值作为预测时域的前车加速度则会导致跟驰车辆的控制器出现较大的计算误差，从而降低了车辆自适应巡航控制系统的跟驰性能。如图2 所示，运用线性最优二次理论(LQR)预测未来时刻B车加速度改变量。通过在A车与B车之间运用LQR算法预测出B车下一时刻的加速度序列，然后将此加速度序列替换掉B车与C车之间构建的模型预测控制器中的B车加速度序列，由此优化传统的模型预测控制算法。

利用线性最优二次型建立了驾驶操纵序贯链模型，使其能较好地表征驾驶人期望的操纵行为及其序列。假设A车与B车的相对运动关系如公式(12) 所示，

式中：x(t)为前后车的相对运动状态，a(t)为车辆运动状态的改变量。给定时间t∈[t₀，t_f]，初始状态x(t₀)＝x₀，末端状态x(t_f)自由。利用线性最优二次型建立符合跟驰前车运动状态下的驾驶操纵效用函数。

Δx(t)＝s₂(t)-D_safe (14)

式中：K₀、R为对角矩阵，k₁、k₂为不同运动状态向量的权重，定义 k₁＝1.21，k₂＝4.07，R＝15.7，v_r2为A车与B车的相对速度，

为驾驶控制的约束或要求，s₂(t)为t时刻A车与B车的间距，D_safe为安全车间距。

根据李雅普诺夫第二方法，令驾驶操纵效用函数最小化，矩阵P需要满足黎卡提矩阵代数方程，

-PA-A^TP+PBR^-1BP^T-Q＝0 (15)

从而得到被控系统的最优反馈控制律。

a_B(t)＝-R^-1B^TPx(t)＝-Kx(t) (16)

当J取最小值时，对应的控制输入a_own为在[t₀，t_f]时段内的最优驾驶行为决策，也就是预测得出的下一时刻本车加速度值，记为

应用上述公式对车辆运动状态进行处理，即可以预测出本车在下一时刻运动状态，并将运动状态中本车加速度的预测数值代入到模型预测控制算法中，优化前车加速度扰动a_p(t)对应的数值。

更进一步的，在自适应控制系统的设计过程中，根据跟车纵向运动学模型可以预测在未来p个时刻内实际的两车间距以及相对速度的大小，将该预测值与期望值进行比较便可以求的最优的控制序列。假设当前时刻为t，p步预测时域为[t，t+p-m]，控制时域为m，由离散状态空间表达式(10)，逐步迭代可得到以下预测状态，

Q(t+1|t)＝AQ(t)+Bμ(t)+Ca_p(t)+Fe(t)

Q(t+2|t)＝A²Q(t)+ABμ(t)+Bμ(t+1)+ACa_p(t)+Ca_p(t+1)+(A+1)Fe(t)

…

进一步可以得到被控输出，

P(t+1|t)＝DAQ(t)+DBμ(t)+DCa_p(t)+DFe(t)-E

P(t+2|t)＝DA²Q(t)+DABμ(t)+DBμ(t+1)+DACa_p(t)+DCa_p(t+1)+D(A+1)Fe(t)-E

…

对于系统未来p步预测的状态和输出可以简化为如下预测方程，

表示预测时域的状态序列，

U(t+1)＝[μ(t)，μ(t+1)，…，μ(t+p-m)]^T表示控制序列，

ω(t+p)＝[a_p(t)，a_p(t+1)，…，a_p(t+p-m)]^T表示扰动序列，

表示系统的输出序列，

其他系数矩阵满足

以加权形式的值函数表示自适应巡航控制系统中所选择的优化性能指标，设定MPC预测模型的代价函数为，

式中，Φ为预测控制输出与参考输入之间偏差的加权系数矩阵，R为控制输入的加权系数矩阵，P_ref(t+p|t)为期望轨迹，符号

代表二次型函数。

考虑到车辆自身物理限制等因素，需要对控制器工作域进行边界约束，从而建立如下硬约束条件，

式中，μ_min表示可容许控制输入下界，μ_max表示可容许控制输入上界，Δμ_min表示可容许控制输入增量下界，Δμ_max表示可容许控制输入增量上界， P_min＝[Δs(t)_min，Δv(t)_min，a_f(t)_min]^T表示系统的输出下界， P_max＝[Δs(t)_max，Δv(t)_max，a_f(t)_max]^T表示系统的输出上界。

在预测时域[t，t+p-m]范围内，系统满足如式(21)所示的条件，

式中，K₁＝[1，1，…，1]^T，

瞬态工况下，硬约束条件易致滚动优化过程中无可行解问题，故引入松弛向量对硬约束条件进行松弛化，以扩展求解可行域。

式中，

是根据相应约束条件可人为设置的参数，松弛因子满足ε₁≥0，ε₂≥0，ε₃≥0。

将松弛变量作为惩罚函数加入到原有的目标函数公式(19)中可得到新的优化目标函数，通过简易的变换，本文将带约束的模型预测控制优化的问题转化为二次型问题进行求解，整理后得到的二次型表达式如公式(23)所示，

式中，

通过对当前时刻t的状态进行优化求解，得到一串预测序列，

下一采样时刻，预测时域向前移动一步，并重复上述过程，从而实现自适应巡航滚动在线控制。

本发明基于CARSIM和MATLAB/SIMULINK软件搭建联合仿真平台，验证改进MPC控制器在动态交通场景下的跟驰有效性。

仿真建模设计：

在CARSIM中设置虚拟仿真工况，场景中一共设置了三辆车，A车为人工扰动汽车，B车为目标跟随汽车，C车为搭载自适应巡航控制器的被控智能汽车。

设置三辆汽车(A车、B车、C车)的初始运动状态集为S{[距离起点位置，速度(m/s)，加速度(m/s2)]/[40，16.7，0]，[20，16.7，0]，[0，16.7，0]}；t＝10s时，A车突然加速行驶，当A车与B车间的相对间距d1＜d时，B车随即加速跟驰前车以减少两车跟驰间距，C车通过车载设备感知到B车行驶状态变化后立即跟随前车加速行驶，最终B车和C车通过车载自适应巡航控制系统调整车辆运动状态，使三车之间的相对跟驰间距、相对速度恢复稳定状态；t＝30s时，A 车紧急减速行驶，当A车与B车间的相对间距d2<d时，B车立即减速增大与前车的跟驰间距，确保不会与A车发生碰撞，C车通过车载设备感知到B车行驶状态变化后立即跟随前车减速行驶，最终B车和C车再一次通过车载自适应巡航控制系统调整车辆运动状态，使三车以期望安全跟驰间距在道路上安全行驶。仿真过程中车辆的动力学约束和仿真参数如表1所示。

表1

参数名称	符号	数值/单位	参数名称	符号	数值/单位
						加速度最大值	a<sub>max</sub>	2m/s<sup>2</sup>	控制时域	m	10
加速度最小值	a<sub>min</sub>	-5.5m/s<sup>2</sup>	预测时域	p	5
						速度最大值	v<sub>max</sub>	33.3m/s	控制量最大值	u<sub>max</sub>	2m/s<sup>2</sup>
速度最小值	v<sub>min</sub>	0m/s	控制量最小值	u<sub>min</sub>	-5.5m/s<sup>2</sup>

仿真结果分析：

在A车的扰动作用下B车和C车的车辆运动状态如图3-图6所示。由图 3可知，第0-60s B车匀加速行驶，改进MPC控制器提前预测B车加速度变化且以相同的加速度加速行驶，传统MPC控制器在B车加速初期呈现先减速再加速的运动状态；第60-110s B车匀速行驶，两种控制器都能控制C车与B 车保持相同速度行驶，但传统MPC控制器比改进MPC控制器晚18s进入匀速行驶阶段；第110-150s B车匀减速，改进MPC控制器预测到B车减速度变化，相对于传统MPC控制器提前跟随B车减速行驶；第150-160s B车紧急制动，B车在第160s时停止，此时传统MPC控制器的车速为3m/s，改进 MPC控制器的车速为9m/s。综上所述，相比与传统MPC控制器，改进MPC 控制器能在各种工况下更快响应B车运动状态变化，在车辆跟驰过程中迅速跟随前车改变本车运动状态。

由图4可知，第0-60s B车匀加速行驶，改进MPC控制器控制车辆与B 车的相对速度控制在-0.4-0.15m/s之内，传统MPC控制器与B车的相对速度控制在0-5.2m/s之内且在前车速度变化初期呈现较大的相对速度差；第 60-110s B车匀速行驶，改进MPC控制器和传统MPC控制器都能控制车辆与前车保持相对静止，即车辆的运行速Table 1度保持一致；第110-150s B车匀减速，改进MPC控制器与前车的相对速度基本维持在0m/s，传统MPC控制器与前车的相对速度控制在-1-0m/s之内；第150-160s B车紧急制动，改进 MPC控制器控制车辆与前车的相对速度控制在-3-0m/s之内，而传统MPC控制器与前车的相对速度控制在-9-0m/s之内。综上所述，相比于传统MPC控制器，改进后的MPC控制器能控制车辆能在前车速度发生变化时更迅速做出响应，使自车能与前车保持相对稳定的速度跟驰前车。

由图5可知，改进MPC控制器与传统MPC控制器都能控制车辆安全跟驰前车，采用改进MPC控制器的车辆在车辆跟驰过程中更贴近前车运动轨迹，即保持更好的车辆跟驰性能。由图6可知，第0-60s B车匀加速行驶，改进 MPC控制器与B车的跟驰间距随着速度变化小幅度增加，跟驰间距控制在 20m-30m之内，传统MPC控制器与B车的跟驰间距随速度增加不断增加，跟驰间距控制在20m-110m之内；第60-110s B车匀速行驶，改进MPC控制器以恒定车间距30m稳定行驶，传统MPC控制器以恒定车间距110m稳定行驶；第110-150s B车匀减速，改进MPC控制器的跟驰间距变化区间控制在 25m-30m之内，传统MPC控制器跟驰间距变化区间控制在85m-110m之内；第150-160s B车紧急制动，改进MPC控制器与前车的跟驰间距逐渐减少，最终在距离B车12m时安全停止，传统MPC控制器与B车的跟驰间距急剧减少，最终在距离B车18m时安全停止。综上所述，相对于传统MPC控制器，改进MPC控制器能够控制车辆在各种工况下与前车保持更小的安全间距行驶，大大提升了道路通行能力。

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。对于实施例公开的装置而言，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。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (5)

1.一种混合异质车流条件下的汽车协同自适应巡航控制方法，其特征在于，具体步骤包括如下：

实时采集车辆跟驰过程中首车、前车与本车的BSM信息集；

结合所述BSM信息集根据车辆纵向运动关系建立本车与前车跟驰模型；

利用线性最优二次理论建立符合跟驰首车运动状态下的驾驶操纵效用函数，预测下一时刻前车加速度值；

将所述下一时刻前车加速度值代入所述本车与前车跟驰模型中，得到本车加速度的预测值，将所述预测值与期望值进行比较得到本车最优控制序列，根据所述本车最优控制序列对车辆编队自适应巡航滚动控制；

所述本车与前车跟驰模型的表达式为：

其中，Q(t)＝[s₁(t),v_r1(t),v_f(t),a_f(t)]^T，P(t)＝[Δs(t),v_r1(t),a_f(t)]^T，

s₁(t)为实际车间间距，v_r1(t)为相对速度，v_f(t)为自车速度，a_f(t)为自车加速度；Δs(t)为间距差、v_r1(t)为相对速度、a_f(t)为自车加速度；μ(t)为控制输入，a_p(t)为前车加速度；

所述驾驶操纵效用函数为：

Δx(t)＝s₂(t)-D_safe；

其中：K₀、R为对角矩阵，k₁、k₂为不同运动状态向量的权重，k₁＝1.21，k₂＝4.07，R＝15.7，v_r2为本车与前车的相对速度，

为驾驶控制的约束或要求，s₂(t)为t时刻本车与前车的间距，D_safe为安全车间距；时间t∈[t₀,t_f]，初始状态x(t₀)＝x₀，末端状态x(t_f)自由；

根据跟车纵向运动学模型预测在未来p个时刻内实际的两车间距以及相对速度的大小的具体过程为：假设当前时刻为t，p步预测时域为[t，t+p-m]，控制时域为m，由离散状态空间表达式，逐步迭代可得到以下预测状态，

...

进一步可以得到被控输出，

...

对于系统未来p步预测的状态和输出简化为如下预测方程，

其中，e(t)为误差修正项，F＝diag(f₁,f₂,f₃,f₄)为矫正矩阵，

表示预测时域的状态序列，U(t+1)＝[u(t)，u(+1)，…，u(t+p-m)]^T表示控制序列，ω(t+p)＝[a_p(t)，a_p(t+1)，…，a_p(t+p-m)]^T表示扰动序列，

表示系统的输出序列；

其他系数矩阵满足

以加权形式的值函数表示自适应巡航控制系统中所选择的优化性能指标，设定MPC预测模型的代价函数为：

式中，φ为预测控制输出与参考输入之间偏差的加权系数矩阵，R为控制输入的加权系数矩阵，P_ref(t+p|t)为期望轨迹，符号

代表二次型函数。

2.根据权利要求1所述的一种混合异质车流条件下的汽车协同自适应巡航控制方法，其特征在于，所述BSM信息集由车载单元收集后向所覆盖区域范围内的车辆OBU发送，包含车辆位置信息、运动状态参数、驾驶行为信息。

3.根据权利要求1所述的一种混合异质车流条件下的汽车协同自适应巡航控制方法，其特征在于，以混合异构车流车头时距的最优均衡状态为控制目标，将带约束的模型预测控制优化的问题转化为二次规划问题进行优化求解，最终实现车辆编队自适应巡航滚动在线控制。

4.根据权利要求1所述的一种混合异质车流条件下的汽车协同自适应巡航控制方法，其特征在于，还包括误差修正项e(t)，

e(t)＝Q(t)-Q(t-1)；

其中，F＝diag(f₁,f₂,f₃,f₄)为矫正矩阵，e(t)为误差修正项，Q(t)为t时刻系统的实际状态，Q(t-1)为t-1时刻对t时刻系统状态的预测。

5.根据权利要求1所述的一种混合异质车流条件下的汽车协同自适应巡航控制方法，其特征在于，所述首车为人工驾驶汽车，所述前车与所述本车为自动驾驶汽车。

Images