CN114670828A - 一种采用复合模型预测控制器的自适应巡航控制方法 - Google Patents
一种采用复合模型预测控制器的自适应巡航控制方法 Download PDFInfo
- Publication number
- CN114670828A CN114670828A CN202210269154.5A CN202210269154A CN114670828A CN 114670828 A CN114670828 A CN 114670828A CN 202210269154 A CN202210269154 A CN 202210269154A CN 114670828 A CN114670828 A CN 114670828A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- adaptive cruise
- mode
- expected
- longitudinal 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002131 composite material Substances 0.000 title claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims abstract description 74
- 230000003044 adaptive effect Effects 0.000 claims abstract description 42
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000011084 recovery Methods 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 230000001172 regenerating effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 5
- 230000009191 jumping Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 108010046685 Rho Factor Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
- B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/423—Torque
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
- B60W2554/802—Longitudinal distance
-
- 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
- Y02T10/72—Electric energy management in electromobility
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种采用复合模型预测控制器的自适应巡航控制方法,该方法包括:根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式;基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度;根据车辆期望纵向加速度,结合车辆自然减速过程中的加速度‑速度关系,确定电机工作模式;根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号。通过使用本发明,能够实时计算车辆期望纵向加速度,调控前后两车间距,并实现制动能量回收。本发明作为一种采用复合模型预测控制器的自适应巡航控制方法,可广泛应用于自动驾驶电动汽车控制领域。
Description
技术领域
本发明涉及自动驾驶电动汽车控制领域,尤其涉及一种采用复合模型预测控制器的自适应巡航控制方法。
背景技术
自适应巡航控制是自动驾驶汽车的关键功能之一,根据本车与前车之间的间距及相对速度等信息,通过控制本车加减速调整纵向速度,使本车与前车保持合适的间距,其性能将直接影响车辆在行驶过程中的安全性。自动驾驶汽车作为一个复杂的综合系统,其车载电脑需要同时处理感知、规划、通信、控制等多种信息,分配给各个功能模块的算力有限,而目前各类基于最优化方法的自适应巡航控制器需要矩阵分解等大量复杂计算,占用大量算力;常规的自适应巡航系统侧重于单一性能指标,未综合考虑跟踪性能、安全性、舒适性和经济性等相关因素;相较于燃油汽车,电动汽车的续航里程偏短,常规的自适应巡航控制系统通常忽视能量管理,不利于提升能量利用效率。
发明内容
为了解决上述技术问题,本发明的目的是提供一种采用复合模型预测控制器的自适应巡航控制方法,能够实时计算车辆期望纵向加速度,调控前后两车间距,并实现制动能量回收。
本发明所采用的第一技术方案是:一种采用复合模型预测控制器的自适应巡航控制方法,包括以下步骤:
根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式;
基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度;
根据车辆期望纵向加速度,结合车辆自然减速过程中的加速度-速度关系,确定电机工作模式;
根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号。
进一步,所述车辆运动状态信息包括本车纵向速度、本车纵向加速度、前车纵向速度、前车纵向加速度和本车与前车间的距离,所述道路信息包括道路坡角。
进一步,所述根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式这一步骤,其具体包括:
根据车辆运动状态信息计算最小安全距离,并结合道路信息确定自适应巡航系统工作模式;
所述自适应巡航系统工作模式包括巡航模式和跟车模式。
进一步,所述基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度这一步骤,其具体包括:
判断到自适应巡航系统工程模式为巡航模式,选择单神经元PID控制器并以期望巡航速度与实际纵向速度之差为输入,得到车辆期望纵向加速度;
判断到自适应巡航系统工程模式为跟车模式,选择基于离散SDNN的增量式MPC控制器并以本车与前车间的距离、前车相对本车的速度、本车纵向速度、本车上一时刻的纵向加速度为输入,构建目标函数并结合运动学约束,迭代求解得到车辆期望纵向加速度。
进一步,选择单神经元PID控制器,车辆期望纵向加速度的表达式如下:
上式中,u(k)表示期望纵向加速度,K为增益系数,xi(k)为中间状态变量,w′i(k)为权重系数。
进一步,电机工作模式信号的表达式如下:
上式中,sm表示电机工作模式信号,u表示期望纵向加速度,un(v1)表示车辆纵向速度为v1时受到的自然减速度,uh表示加速度阈值,“00”表示保持原工作模式,“01”表示驱动控制模式,“10”表示制动控制模式。
进一步,所述根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号这一步骤,其具体包括:
判断到电机电机工作模式为原工作模式,保持原逆向动力学模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
判断到电机电机工作模式为驱动控制模式,采用逆驱动模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
判断到电机电机工作模式为制动控制模式,采用逆制动模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
将期望电机转矩与实际电机转矩相结合,输出控制信号并对电机进行转矩控制。
进一步,采用逆驱动模型,期望驱动转矩的公式表示如下:
上式中,所述Tt(k)为驱动转矩,u(k)为本车期望纵向加速度,v1为本车纵向速度,R为车轮半径,it为传动系统的总传动比,η为传动系统机械效率,m为整车质量,CD为空气阻力系数,A为迎风面积,g是重力常数,f为滚动阻力系数,α为道路坡角,δ为转动质量换算系数。
本发明方法的有益效果是:本发明能够控制车辆加减速调整纵向速度和前后两车间距,并实现制动能量回收。另外,相较于常规的基于最优化方法的自适应巡航控制系统中常用的数值解法,本发明使用的离散SDNN在求解二次规划问题时具有相对较低的计算复杂度,尤其适用于资源有限的嵌入式平台。
附图说明
图1是本发明一种采用复合模型预测控制器的自适应巡航控制方法的步骤流程图;
图2是本发明具体实施例中前后两车关系示意图;
图3是本发明具体实施例中离散SDNN迭代求解期望纵向加速度的执行框架图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
如图1所示,本发明提供了一种采用复合模型预测控制器的自适应巡航控制方法,该方法包括以下步骤:
S1、根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式;
具体地,所述车辆运动状态信息包括本车纵向速度、本车纵向加速度、前车纵向速度、前车纵向加速度和本车与前车间的距离,所述道路信息包括道路坡角。
根据运动状态信息,计算期望纵向距离,其表达式具体为:
上式中,所述ddes为期望纵向距离,v1为本车纵向速度,a1max为本车最大纵向加速度,tr为驾驶员制动反应时间,ta为制动协调时间,ts为减速度增长时间,dstop为安全停车间距。
根据运动状态信息,计算最小安全距离,其表达式具体为:
上式中,所述dsafe为纵向安全距离,t′r为驾驶员紧急制动反应时间,v2为前车纵向速度,a2max为前车最大纵向加速度,其余参数含义同式(1),前后车相对位置关系见图2。
S1.1、根据车辆运动状态信息计算最小安全距离,并结合道路信息确定自适应巡航系统工作模式,所述自适应巡航系统工作模式包括巡航模式和跟车模式。
具体地,根据前后两车间距与相对速度,判断本车自适应巡航系统工作模式,输出系统工作模式信号,“0”代表巡航模式,“1”代表跟车模式,其具体表达式为:
上式中,所述s为系统工作模式信号,d为前后两车间距,ddes为期望纵向距离,dvpt为相对距离阈值,vr=v2-v1为两车相对速度,v1为本车纵向速度,v2为前车纵向速度。
具体地,当前后两车间距及相对速度均大于设定的阈值时,自适应巡航控制系统进入巡航模式,否则,进入跟车模式。
S2、基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度;
S2.1、判断到自适应巡航系统工程模式为巡航模式,选择单神经元PID控制器并以期望巡航速度与实际纵向速度之差为输入,得到车辆期望纵向加速度;
具体地,选择单神经元PID控制器,车辆期望纵向加速度的表达式如下:
上式中,u(k)表示期望纵向加速度,K为增益系数,xi(k)为中间状态变量,w′i(k)为权重系数。
具体地,中间状态变量的表达式为:
xi(k)=e(k)+Δe(k) (5)
其中,e(k)=vref(k)-v1(k),Δe(k)=e(k)-e(k-1),vref(k)为期望巡航速度,v1(k)为本车实际纵向速度。
权重系数通过迭代更新,即:
上式中,所述ηP、ηI、ηD为学习率参数。
S2.2、判断到自适应巡航系统工程模式为跟车模式,选择基于离散SDNN的增量式MPC控制器并以本车与前车间的距离、前车相对本车的速度、本车纵向速度、本车上一时刻的纵向加速度为输入,构建目标函数并结合运动学约束,迭代求解得到车辆期望纵向加速度。
具体地,根据前后两车间的运动学关系,建立增量式预测方程:
上式中,x(k)=[d(k),vr(k),v1(k),u(k-1)]为状态变量,Δu(k)=u(k)-u(k-1)为输入变量,代表纵向加速度增量,y(k)为输出变量,ed(k)为补偿向量,是状态矩阵,是输入矩阵,We是补偿矩阵,是输出矩阵。
目标优化函数为:
上式中,加权项wd(d(k+i|k)-ddes(k+i|k))2+wrvr(k+i|k)2、wuu(k+i|k)2+wΔuΔu(k+i|k)2分别对应跟踪性能、经济性。
结合安全性和舒适性约束,通过以下二次规划问题求解期望纵向加速度:
min·J
s.t.·max(dsafe,Δdmin+ddes(k+i|k))≤d(k+i|k)≤Δdmax+ddes(k+i|k)
·vrmin≤vr(k+i|k)≤vrmax
·umin≤u(k+j|k)≤umax
·Δumin≤Δu(k+j|k)≤Δumax (9)
上式中,第一项约束体现跟踪性能和安全性,第二项约束体现跟踪性能,后二项约束体现舒适性,Δdmin为间距差值下限,Δdmax为间距差值上限,vrmin为相对速度最小值,vrmax为相对速度最大值,umin为期望纵向加速度最小值,umax为期望纵向加速度增量最大值,Δumin为期望纵向加速度最小值,Δumax为期望纵向加速度增量最大值,{i=1,2,...Np,j=1,2,...Nc},Np为预测时域,Nc为控制时域。
具体地,根据SDNN基本原理,采用一阶前向差分处理得:
离散SDNN参数与式(9)中的二次规划参数的对应关系为:
其中,ymin=[max(dsafe(k),Δdmin+ddes(k)),vrmin,v2(k)-vrmax,umin]T,ymax=[Δdmax+ddes(k),vrmax,v2(k)-vrmin,umax]T, E1=ψx(k)-Yref(k)+Wveed(k),ΔU(k)=[Δu(k)T,…,Δu(k+Nc-1)T]T, yref(k+i|k)=[ddes(k),0,v2(k),0]T是参考向量,Q、R分别为权重系数[wd,wr,0,wu]、wΔu延拓而成的对角权重矩阵,Nx为状态变量数量,Nu为控制变量数量,Ny为输出变量数量,Nc为控制时域步长数量,Np为预测时域步长数量,ε是松散因子,εmax是松散因子最大值,ρ是松散因子权值系数,其余参数含义与式(3)、式(9)相同。
根据离散SDNN模型得:
其中,P=W-1ET,s=W-1c。
具体地,基于离散SDNN的模型预测控制算法详细步骤如下:
输入:本车纵向速度v1,前后两车相对距离d,前后两车相对速度vr。
Step1:采样时刻k=0。判断是否初始化,若是,进行初始化,跳至Step3;若不是,跳至Step2。
Step2:更新式(7)中的状态变量和输出变量,反馈校正。
Step3:无约束优化,求解解析解:
ΔUM(k)=(θTQθ+R)-1θTR(ψx(k)-Yref(k)+Wreed(k))=(θTQθ+R)-1θTRE1。
Step4:判断无约束优化解得的解析解ΔUM(k)是否满足全部约束条件,若满足,跳至Step7;若不满足,跳至Step5。
Step5:设置离散SDNN迭代求解QP的迭代时刻n=1。
Step6:离散SDNN迭代求解QP。
b)计算相对误差:
其中
c)判断error≤εQP是否结束,若满足,跳至step7;若不满足,跳至d);
d)n=n+1,跳至a);
Step7:获取纵向加速度增量Δu(k),计算纵向加速度u(k)。
Step8:k=k+1,跳至Step2。
算法流程图见图3。MPC开机运行时,首先进行初始化,再进入MPC实时控制。该算法可在资源有限的嵌入式平台中求解QP,可通过多核处理器实现并行计算。
S3、根据车辆期望纵向加速度,结合车辆自然减速过程中的加速度-速度关系,确定电机工作模式;
S3.1、根据本车纵向速度,查询车辆自然减速过程的加速度-速度关系表,得到对应的自然减速度;
S3.2、判断车辆期望纵向加速度与自然减速度的相对大小关系,确定电机工作模式,输出电机工作模式信号,“00”代表保持原工作模式,“01”代表驱动控制模式,“10”代表制动控制模式。
具体地,电机工作模式信号的表达式如下:
上式中,sm为电机工作模式信号,un(v1)为车辆纵向速度为v1时受到的自然减速度,uh为加速度阈值。
S4、根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号。
S4.1、判断到电机电机工作模式为原工作模式,保持原逆向动力学模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
S4.2、判断到电机电机工作模式为驱动控制模式,采用逆驱动模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
具体地,若采用逆驱动模型,期望驱动转矩为:
上式中,所述Tt(k)为驱动转矩,u(k)为本车期望纵向加速度,v1为本车纵向速度,R为车轮半径,it为传动系统的总传动比,η为传动系统机械效率,m为整车质量,CD为空气阻力系数,A为迎风面积,g是重力常数,f为滚动阻力系数,α为道路坡角,δ为转动质量换算系数。
S4.3、判断到电机电机工作模式为制动控制模式,采用逆制动模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
具体地,若采用逆制动模型,期望制动转矩为:
上式中,所述Tt(k)为制动转矩的绝对值,其余参数含义与式(16)相同。
S4.4、将期望电机转矩与实际电机转矩相结合,输出控制信号并对电机进行转矩控制。
S4.4.1、若进行驱动控制,以期望驱动转矩和测量的实际电机转矩之差为输入,通过PID控制器进行电机直接转矩控制。
根据荷电状态和制动强度,判断制动模式,即:
上式中,所述sb为制动模式信号,SOC为荷电状态,z为制动强度。“00”对应完全采用机械制动;“01”对应再生制动与机械制动结合;“10”对应完全采用再生制动。
S4.4.2、若进行制动控制,采用再生制动提高能量利用效率,以期望电机制动转矩和测量的实际电机转矩之差为输入,通过PID控制器进行电机直接转矩控制,电机制动转矩与机械制动转矩结合,进行制动刹车。
具体地,以下分析均针对前轮驱动车型,但对于其他驱动方式依然适用,完全采用再生制动时,再生制动转矩的表达式为:
Tr(k)=Tb(k)
上式中,所述Tr(k)为期望再生制动转矩,Tb(k)为期望制动转矩。
再生制动与机械制动结合时,采用模糊控制器求得期望再生制动转矩占期望制动转矩的比例,模糊控制器输入信号的模糊子集分别为:制动强度E(z)={L,M,H},范围为0-1;荷电状态E(SOC)={L,M,H},范围为0-1;本车纵向速度E(v1)={L,M,H},范围为0-100km/h。再生制动转矩占期望制动转矩比例为模糊控制器的输出信号,其模糊子集为E(p)={L,M,H},范围为0-1。
期望再生制动转矩的表达式为:
Tr(k)=min(pTb(k),Tm(k))
上式中,所述Tr(k)为期望再生制动转矩,Tb(k)为期望制动转矩,Tm(k)为理想制动情况下前轴制动转矩,机械制动转矩Th(k)=Tb(k)-Tr(k)。
完全采用机械制动时,期望再生制动转矩为Tr(k)=0。
以期望再生制动转矩和测量的实际电机转矩之差为输入,通过PID控制器进行电机直接转矩控制。
一种采用复合模型预测控制器的自适应巡航控制系统,包括:
系统工作模式选择模块,用于根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式;
加速度计算模块,基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度;
电机工作模式选择模块,用于根据车辆期望纵向加速度,结合车辆自然减速过程中的加速度-速度关系,确定电机工作模式;
控制信号输出模块,用于根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种采用复合模型预测控制器的自适应巡航控制装置:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上所述一种采用复合模型预测控制器的自适应巡航控制方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
一种存储介质,其中存储有处理器可执行的指令,其特征在于:所述处理器可执行的指令在由处理器执行时用于实现如上所述一种采用复合模型预测控制器的自适应巡航控制方法。
上述方法实施例中的内容均适用于本存储介质实施例中,本存储介质实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种采用复合模型预测控制器的自适应巡航控制方法,其特征在于,包括以下步骤:
根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式;
基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度;
根据车辆期望纵向加速度,结合车辆自然减速过程中的加速度-速度关系,确定电机工作模式;
根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号。
2.根据权利要求1所述一种采用复合模型预测控制器的自适应巡航控制方法,其特征在于,所述车辆运动状态信息包括本车纵向速度、本车纵向加速度、前车纵向速度、前车纵向加速度和本车与前车间的距离,所述道路信息包括道路坡角。
3.根据权利要求2所述一种采用复合模型预测控制器的自适应巡航控制方法,其特征在于,所述根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式这一步骤,其具体包括:
根据车辆运动状态信息计算最小安全距离,并结合道路信息确定自适应巡航系统工作模式;
所述自适应巡航系统工作模式包括巡航模式和跟车模式。
4.根据权利要求3所述一种采用复合模型预测控制器的自适应巡航控制方法,其特征在于,所述基于自适应巡航系统工程模式,结合车辆运动状态信息,输出车辆期望纵向加速度这一步骤,其具体包括:
判断到自适应巡航系统工程模式为巡航模式,选择单神经元PID控制器并以期望巡航速度与实际纵向速度之差为输入,得到车辆期望纵向加速度;
判断到自适应巡航系统工程模式为跟车模式,选择基于离散SDNN的增量式MPC控制器并以本车与前车间的距离、前车相对本车的速度、本车纵向速度、本车上一时刻的纵向加速度为输入,构建目标函数并结合运动学约束,迭代求解得到车辆期望纵向加速度。
7.根据权利要求6所述一种采用复合模型预测控制器的自适应巡航控制方法,其特征在于,所述根据电机工作模式确定车辆纵向动力学模型,并结合车辆期望纵向加速度计算期望电机转矩,得到控制信号这一步骤,其具体包括:
判断到电机电机工作模式为原工作模式,保持原逆向动力学模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
判断到电机电机工作模式为驱动控制模式,采用逆驱动模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
判断到电机电机工作模式为制动控制模式,采用逆制动模型,以车辆期望纵向加速度和纵向速度为输入,得到期望电机转矩;
将期望电机转矩与实际电机转矩相结合,输出控制信号并对电机进行转矩控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269154.5A CN114670828A (zh) | 2022-03-18 | 2022-03-18 | 一种采用复合模型预测控制器的自适应巡航控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210269154.5A CN114670828A (zh) | 2022-03-18 | 2022-03-18 | 一种采用复合模型预测控制器的自适应巡航控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114670828A true CN114670828A (zh) | 2022-06-28 |
Family
ID=82073402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210269154.5A Pending CN114670828A (zh) | 2022-03-18 | 2022-03-18 | 一种采用复合模型预测控制器的自适应巡航控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114670828A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257389A (zh) * | 2022-06-30 | 2022-11-01 | 重庆长安汽车股份有限公司 | 车辆的制动能量回收方法、装置、车辆及介质 |
CN116118730A (zh) * | 2023-03-22 | 2023-05-16 | 北京京深深向科技有限公司 | 一种预见性巡航系统的控制方法、装置、设备及介质 |
-
2022
- 2022-03-18 CN CN202210269154.5A patent/CN114670828A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115257389A (zh) * | 2022-06-30 | 2022-11-01 | 重庆长安汽车股份有限公司 | 车辆的制动能量回收方法、装置、车辆及介质 |
CN116118730A (zh) * | 2023-03-22 | 2023-05-16 | 北京京深深向科技有限公司 | 一种预见性巡航系统的控制方法、装置、设备及介质 |
CN116118730B (zh) * | 2023-03-22 | 2023-11-03 | 北京京深深向科技有限公司 | 一种预见性巡航系统的控制方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111890951B (zh) | 智能电动汽车轨迹跟踪与运动控制方法 | |
Wang et al. | Ultra-local model predictive control: A model-free approach and its application on automated vehicle trajectory tracking | |
CN110936824B (zh) | 一种基于自适应动态规划的电动汽车双电机控制方法 | |
CN114670828A (zh) | 一种采用复合模型预测控制器的自适应巡航控制方法 | |
CN111158349B (zh) | 基于多步线性化策略的无人驾驶车辆模型预测控制方法 | |
CN111284489B (zh) | 智能网联汽车随机预测巡航控制系统 | |
CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
CN109910890B (zh) | 一种基于道路地形信息的卡车预测节能系统及控制方法 | |
CN112141101B (zh) | 一种基于cnn和lstm的预瞄安全路径的方法及系统 | |
US20210179062A1 (en) | Hybrid vehicle and method of controlling the same | |
CN108058601B (zh) | 一种基于线性时变的电动汽车防抱死控制方法 | |
CN110239362B (zh) | 一种分布式电驱动车辆多性能优化力矩分配方法 | |
CN111267834A (zh) | 一种车辆横摆稳定预测控制方法及系统 | |
CN113635879B (zh) | 一种车辆制动力分配方法 | |
CN113788021A (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN108099876B (zh) | 一种基于模型预测的电动汽车防抱死控制方法 | |
CN112109705A (zh) | 增程式分布驱动电动车辆避撞优化控制系统及控制方法 | |
CN107585207A (zh) | 一种车辆线控四轮转向系统及其控制方法 | |
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 | |
Németh et al. | LPV-based control design of vehicle platoon considering road inclinations⋆ | |
CN113386768A (zh) | 一种纯电动汽车单踏板的非线性模型预测控制方法 | |
CN113741199A (zh) | 一种基于智能网联信息的整车经济性速度规划方法 | |
CN116834754A (zh) | 一种自动驾驶车辆自适应调速的横纵协同控制方法 | |
Jonsson et al. | Fuel optimized predictive following in low speed conditions | |
CN113561976B (zh) | 基于反馈优化的车辆节能预测自适应巡航控制方法和装置 |
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 |