CN114792478B - 一种基于事件触发的智能网联汽车编队控制方法 - Google Patents
一种基于事件触发的智能网联汽车编队控制方法 Download PDFInfo
- Publication number
- CN114792478B CN114792478B CN202210486957.6A CN202210486957A CN114792478B CN 114792478 B CN114792478 B CN 114792478B CN 202210486957 A CN202210486957 A CN 202210486957A CN 114792478 B CN114792478 B CN 114792478B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- acceleration
- state
- following
- variable
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 35
- 230000001133 acceleration Effects 0.000 claims abstract description 85
- 238000001914 filtration Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 230000006855 networking Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 18
- 238000012546 transfer Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
-
- 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)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Feedback Control In General (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于智能网联汽车技术领域，尤其为一种基于事件触发的智能网联汽车编队控制方法，包括：通过车联网通信和自车传感器测量接收前车及自车状态信息；使用卡尔曼滤波器对测量的车辆状态信息进行估计；将获取及处理后的状态信息输入上层控制器；将期望加速度与实际车辆状态输入下层控制器修正节气门开度和制动压力；根据事件触发策略输出自车加速度传递值。本发明利用事件触发策略减少了车辆之间的通信频率与能量消耗，引入卡尔曼滤波对自车传感器接收信息进行状态估计，提高了跟随精度，降低跟随误差，增加内触发时间；采用线性最优二次型(LQR)设计跟随控制律，实现了编队的控制目标，保障了跟随车的安全。
Description
技术领域
本发明涉及智能网联汽车技术领域，具体为一种基于事件触发和状态估计的智能网联汽车编队控制方法。
背景技术
车辆编队控制通过将多个车辆排列成指定的队形和结构，使编队中车辆之间保持较小且相对稳定的间距和相同的速度沿着道路前进。智能网联汽车组成编队是未来增加交通容量的一种经济高效的方法，有利于缓解交通拥堵、减少交通事故、减少环境污染。
利用车联网通信传递的信息，每辆车都可以获取编队中其他车辆的实时状态，在接收到这些信息后，编队内部车辆在计算分析后可以调整行驶状态，提前做好准备，避免意外的发生。
目前编队通信使用的时间触发策略即按照预先设定好采样时间对车辆状态进行采样并通信，消耗系统大量资源，并可能导致通信延迟、数据包丢失等问题。因此有必要设计合理的通信方式以利用有限的通信资源，事件触发策略就是其中一种有效的方式。事件触发策略并不是定期进行通信发送数据，而是根据测量误差与阈值的关系决定是否进行通信，这个阈值与所在系统参数有关。使用事件触发策略可以减少车辆之间的通信频率及能量消耗。
卡尔曼滤波器具有计算量小，实时性好的特点，并对运动状态具有较高的预测估计能力。由于传感器测量存在噪声，直接将噪声数据代入控制器会产生误差，影响控制效果，并且还会增加事件触发次数，因此对噪声数据进行卡尔曼滤波，可以在提高编队控制精度的同时减少触发次数，节约通信资源消耗。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于事件触发的智能网联汽车编队控制方法，解决了编队内车辆通信频繁以及测量噪声影响车辆控制精度的问题。
(二)技术方案
本发明为了实现上述目的具体采用以下技术方案：一种基于事件触发的智能网联汽车编队控制方法，包括以下步骤：
步骤一：通过车联网通信和自车传感器测量接收前车及自车状态信息：
通过车联网通信接收前车加速度传递值通过自车传感器测量接收自车与前车间距xi-1-xi-L，自车与前车相对速度vi-1-vi以及自车加速度ai。
步骤二：使用卡尔曼滤波器对测量的车辆状态信息进行估计：
在步骤二中，需要获取车辆所需状态信息的估计值，包括如下步骤：
1.选取状态变量及观测变量。
选取滤波系统状态变量X(k)为：
式中，xi-1(k)-xi(k)为自车与前车的相对距离，vi-1(k)-vi(k)为自车与前车的相对速度，xi(k)、vi(k)、ai(k)分别为自车的位置、速度，加速度。
选取滤波系统观测变量Y(k)为：
Y(k)＝X(k)
2.根据滤波系统状态变量及观测变量建立滤波系统离散状态方程：
X(k+1)＝AX(k)+BU(k)+ω(k)
Y(k)＝CX(k)+v(k)
式中， X(k+1)为滤波系统在k+1时刻的状态变量，U(k)为滤波系统的控制变量，ai-1(k)为第i-1辆车的实际加速度，ui(k)为自车的期望加速度，Δt为采样时间，τ为车辆的动力迟滞系数，ω(k)和v(k)是过程噪声和观测噪声，均值均为零、方差分别为Q和R的不相关的高斯白噪声。
3.结合卡尔曼滤波算法对车辆的状态参数进行实时的滤波处理，滤波更新流程如下：
由k-1时刻状态X(k-1|k-1)结合滤波系统方程估计k时刻状态X(k|k-1)：
X(k|k-1)＝AX(k-1|k-1)+BU(k)
用k-1时刻的协方差矩阵P(k-1|k-1)和过程噪声协方差矩阵Q更新k时刻的先验状态协方差矩阵P(k|k-1)：
P(k|k-1)＝AP(k-1|k-1)AT+Q
式中，AT为滤波系统状态转移矩阵A的转置。
利用k时刻先验状态协方差矩阵P(k|k-1)和观测噪声协方差矩阵R计算k时刻卡尔曼增益K(k)：
式中，CT为滤波系统观测矩阵C的转置。
根据k时刻观测变量Y(k)和k时刻卡尔曼增益K(k)，得到k时刻最优状态估计X(k|k)：
X(k|k)＝X(k|k-1)+K(k)[Y(k)-CX(k|k-1)]
使用卡尔曼增益K(k)和先验状态协方差矩阵P(k|k-1)更新k时刻后验状态协方差矩阵P(k|k)：
P(k|k)＝[I-K(k)C]P(k|k-1)
式中，I为单位矩阵。
通过卡尔曼滤波可以对测量得到的状态参数进行估计，得到相关参数的估计值：分别为自车与前车估计相对距离自车与前车估计相对速度/>以及自车估计加速度/>
步骤三：将获取及处理后的状态信息输入上层控制器：
在步骤三中，需要建立上层控制器，得到车辆控制率，包括如下步骤：
1.选择固定车头时距的安全距离算法。其安全距离如下所示：
di,s＝vith+dmin
式中，di,s为安全距离，vi为车辆速度，th为车头时距，dmin是最小安全距离。
2.建立车辆编队状态方程式。将编队状态信息整理成状态方程形式如下：
式中， us＝ui，/>xs为控制系统状态变量，/>为xs的导数，us为控制系统控制变量，ws为控制系统干扰变量，τ为车辆的动力迟滞系数，th为设定的车头时距，xi-1，xi分别为第i-1辆车，第i辆车的位置，vi-1，vi分别为第i-1辆车，第i辆车的速度，ai-1，ai分别为第i-1辆车，第i辆车的实际加速度，ui-1，ui分别为第i-1辆车，第i辆车的期望加速度。
3.将车辆编队状态信息输入上层控制器得到跟随控制率。
由线性最优二次型(LQR)控制方法得到车辆跟随控制率：
ui＝kx(xi-1-xi-di,s-L)+kv(vi-1-vi)+ka(ai-1-ai)
式中，kx，kv，ka分别为上层控制器参数。
结合前车传递加速度自车与前车估计相对距离/>自车与前车估计相对速度/>以及自车估计加速度/>修正跟随控制律得：
步骤四：将期望加速度与实际车辆状态输入下层控制器修正节气门开度和制动压力：
在步骤四中，需要接收期望加速度信息与车辆实际状态，通过下层控制器得到节气门开度及制动压力，包括如下步骤：
1.接收期望加速度和实际节气门开度以及实际制动压力，分别从上层控制器和车载传感器获得。
2.根据车辆逆动力学模型得到期望输入变量。
由汽车传动系分析轮上转矩、发动机转速与汽车行驶速度之间的关系，可以计算出发动机转矩。通过车载传感器可以获得车辆转速。节气门开度由发动机转速和发动机转矩共同决定，可以通过查表得到期望节气门开度。
汽车在制动时，没有动力输入，当车轮没有到达抱死拖滑状况时，制动力与制动压力可视为线性关系，可以结合期望加速度与车辆运动状态计算出期望制动压力。
3.将期望输入变量与实际输出变量输入下层控制器。
由于实际输出变量与期望输入变量有所差距，通过模糊PID控制器对误差进行控制，包括以下步骤：
(1)确定输入输出参数及模糊化。
选取相邻两车之间的相对距离误差e和相对距离误差变化率ec作为模糊控制器的输入，Kp、Ki、Kd三个参数作为模糊控制器的输出。将输入输出量描述为以下七个词汇，进行模糊化处理：
{NB，NM，NS，ZO，PS，PM，PB}
(2)确定隶属度函数。
隶属度函数一般有三角形函数，钟形函数，高斯型函数等。由于三角形函数运算量较小，结构简单，控制灵敏度也高，故采用三角形隶属度函数。
(3)建立模糊控制规则。
根据模糊控制理论，建立相关的模糊控制规则，通过模糊推理得到误差e和误差变化率ec与PID控制器三个参数Kp，Ki，Kd的关系。
(4)得到经过误差校正的输入变量。
最终输入到车辆的节气门开度为：
式中，θin为输入节气门开度，θdes为期望节气门开度，θ为实际节气门开度。
最终输入到车辆的制动压力为：
式中，pin为输入制动压力，pdes为期望制动压力，p为实际制动压力。
步骤五：根据事件触发策略输出自车加速度传递值：
在步骤五中，需要根据加速度误差判断是否更新加速度，并得到车辆加速度传递值，包括如下步骤：
1.接收经过状态估计的自车加速度。
2.计算当前加速度估计值与加速度传递值的误差。
式中，δi(t)为传递误差，为加速度传递值，/>为加速度估计值。
3.计算事件触发动态阈值。
定义事件触发阈值σ为：
式中，γ、ε为触发阈值的相关参数，为第i辆车第N次触发的时间序列，ζ为采样周期，/>为第N次触发后更新的加速度。
4.判断是否达到触发条件。
若成立，则认为达到触发阈值；若/> 成立，则认为未达到触发阈值。式中，/>为未被触发的采样周期数目。
5.根据触发情况进行状态更新。
若达到触发条件，则更新自车加速度传递值。
式中，为第i辆车第N+1次触发的时间序列，/>为第N+1次触发后更新的加速度，/>为未被触发的采样周期数目。
若未达到触发条件，则通过零阶保持器达到不更新加速度传递值的效果。
式中，为第i辆车加速度传递值。
(三)有益效果
与现有技术相比，本发明提供了一种基于事件触发和状态估计的智能网联汽车编队控制方法。具备以下有益效果：
1.引入卡尔曼滤波对自车传感器接收信息进行状态估计，提高了跟随精度，降低跟随误差；可减少触发次数，增加内触发时间。
2.利用事件触发策略减少了车辆之间的通信频率与能量消耗，延长系统的使用寿命，增加了编队系统的经济效益。
3.采用线性最优二次型(LQR)设计跟随控制律，设计模糊PID控制器减小了跟随误差，实现了编队的控制目标，保障了跟随车的安全。
附图说明
图1为本发明所述基于事件触发的智能网联汽车编队控制方法流程图；
图2为本发明下层控制器示意图；
图3为本发明事件触发策略流程图。
具体实施方式
如图1所示，本发明一个实施例提出的一种基于事件触发和状态估计的智能网联汽车编队控制方法，包括以下步骤：
步骤一：通过车联网通信和自车传感器测量接收前车及自车状态信息：
通过车联网通信接收前车加速度传递值通过自车传感器测量接收自车与前车间距xi-1-xi-L，自车与前车相对速度vi-1-vi以及自车加速度ai。
步骤二：使用卡尔曼滤波器对测量的车辆状态信息进行估计：
在步骤二中，需要获取车辆所需状态信息的估计值，包括如下步骤：
1.选取状态变量及观测变量。
选取滤波系统状态变量X(k)为：
式中，xi-1(k)-xi(k)为自车与前车的相对距离，vi-1(k)-vi(k)为自车与前车的相对速度，xi(k)、vi(k)、ai(k)分别为自车的位置、速度，加速度。
选取滤波系统观测变量Y(k)为：
Y(k)＝X(k)
2.根据滤波系统状态变量及观测变量建立滤波系统离散状态方程：
X(k+1)＝AX(k)+BU(k)+ω(k)
Y(k)＝CX(k)+v(k)
式中， X(k+1)为滤波系统在k+1时刻的状态变量，U(k)为滤波系统的控制变量，ai-1(k)为第i-1辆车的实际加速度，ui(k)为自车的期望加速度，Δt为采样时间，τ为车辆的动力迟滞系数，ω(k)和v(k)是过程噪声和观测噪声，均值均为零、方差分别为Q和R的不相关的高斯白噪声。
3.结合卡尔曼滤波算法对车辆的状态参数进行实时的滤波处理，滤波更新流程如下：
由k-1时刻状态X(k-1|k-1)结合滤波系统方程估计k时刻状态X(k|k-1)：
X(k|k-1)＝AX(k-1|k-1)+BU(k)
用k-1时刻的协方差矩阵P(k-1|k-1)和过程噪声协方差矩阵Q更新k时刻的先验状态协方差矩阵P(k|k-1)：
P(k|k-1)＝AP(k-1|k-1)AT+Q
式中，AT为滤波系统状态转移矩阵A的转置。
利用k时刻先验状态协方差矩阵P(k|k-1)和观测噪声协方差矩阵R计算k时刻卡尔曼增益K(k)：
式中，CT为滤波系统观测矩阵C的转置。
根据k时刻观测变量Y(k)和k时刻卡尔曼增益K(k)，得到k时刻最优状态估计X(k|k)：
X(k|k)＝X(k|k-1)+K(k)[Y(k)-CX(k|k-1)]
使用卡尔曼增益K(k)和先验状态协方差矩阵P(k|k-1)更新k时刻后验状态协方差矩阵P(k|k)：
P(k|k)＝[I-K(k)C]P(k|k-1)
式中，I为单位矩阵。
通过卡尔曼滤波可以对测量得到的状态参数进行估计，得到相关参数的估计值：分别为自车与前车估计相对距离自车与前车估计相对速度/>以及自车估计加速度/>
步骤三：将获取及处理后的状态信息输入上层控制器：
在步骤三中，需要建立上层控制器，得到车辆控制率，包括如下步骤：
1.选择固定车头时距的安全距离算法。其安全距离如下所示：
di,s＝vith+dmin
式中，di,s为安全距离，vi为车辆速度，th为车头时距，dmin是最小安全距离。
2.建立车辆编队状态方程式。将编队状态信息整理成状态方程形式如下：
式中， us＝ui，/>xs为控制系统状态变量，/>为xs的导数，us为控制系统控制变量，ws为控制系统干扰变量，τ为车辆的动力迟滞系数，th为设定的车头时距，xi-1，xi分别为第i-1辆车，第i辆车的位置，vi-1，vi分别为第i-1辆车，第i辆车的速度，ai-1，ai分别为第i-1辆车，第i辆车的实际加速度，ui-1，ui分别为第i-1辆车，第i辆车的期望加速度。
3.将车辆编队状态信息输入上层控制器得到跟随控制率。
由线性最优二次型(LQR)控制方法得到车辆跟随控制率：
ui＝kx(xi-1-xi-di,s-L)+kv(vi-1-vi)+ka(ai-1-ai)
式中，kx，kv，ka分别为上层控制器参数。
结合前车传递加速度自车与前车估计相对距离/>自车与前车估计相对速度/>以及自车估计加速度/>修正跟随控制律得：
步骤四：将期望加速度与实际车辆状态输入下层控制器修正节气门开度和制动压力：
如图2所示，步骤四包括接收期望加速度信息与车辆实际状态，通过下层控制器得到节气门开度及制动压力。
1.接收期望加速度和实际节气门开度以及实际制动压力，分别从上层控制器和车载传感器获得。
2.根据车辆逆动力学模型得到期望输入变量。
由汽车传动系分析轮上转矩、发动机转速与汽车行驶速度之间的关系，可以计算出发动机转矩。通过车载传感器可以获得车辆转速。节气门开度由发动机转速和发动机转矩共同决定，可以通过查表得到期望节气门开度。
汽车在制动时，没有动力输入，当车轮没有到达抱死拖滑状况时，制动力与制动压力可视为线性关系，可以结合期望加速度与车辆运动状态计算出期望制动压力。
3.将期望输入变量与实际输出变量输入下层控制器。
由于实际输出变量与期望输入变量有所差距，通过模糊PID控制器对误差进行控制，包括以下步骤：
(1)确定输入输出参数及模糊化。
选取相邻两车之间的相对距离误差e和相对距离误差变化率ec作为模糊控制器的输入，Kp、Ki、Kd三个参数作为模糊控制器的输出。将输入输出量描述为以下七个词汇，进行模糊化处理：
{NB，NM，NS，ZO，PS，PM，PB}
(2)确定隶属度函数。
隶属度函数一般有三角形函数，钟形函数，高斯型函数等。由于三角形函数运算量较小，结构简单，控制灵敏度也高，故采用三角形隶属度函数。
(3)建立模糊控制规则。
根据模糊控制理论，建立相关的模糊控制规则，通过模糊推理得到误差e和误差变化率ec与PID控制器三个参数Kp，Ki，Kd的关系。
(4)得到经过误差校正的输入变量。
最终输入到车辆的节气门开度为：
式中，θin为输入节气门开度，θdes为期望节气门开度，θ为实际节气门开度。
最终输入到车辆的制动压力为：
式中，pin为输入制动压力，pdes为期望制动压力，p为实际制动压力。
步骤五：根据事件触发策略输出自车加速度传递值：
如图3所示，步骤五需要根据加速度误差判断是否更新加速度，并得到车辆加速度传递值，包括如下步骤：
1.接收经过状态估计的自车加速度。
2.计算当前加速度估计值与加速度传递值的误差。
式中，δi(t)为传递误差，为加速度传递值，/>为加速度估计值。
3.计算事件触发动态阈值。
定义事件触发阈值σ为：
式中，γ、ε为触发阈值的相关参数，为第i辆车第N次触发的时间序列，ζ为采样周期，/>为第N次触发后更新的加速度。
4.判断是否达到触发条件。
若成立，则认为达到触发阈值；若/> 成立，则认为未达到触发阈值。式中，/>为未被触发的采样周期数目。
5.根据触发情况进行状态更新。
若达到触发条件，则更新自车加速度传递值。
式中，为第i辆车第N+1次触发的时间序列，/>为第N+1次触发后更新的加速度，/>为未被触发的采样周期数目。
若未达到触发条件，则通过零阶保持器达到不更新加速度传递值的效果。
式中，为第i辆车加速度传递值。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
Claims (6)
1.一种基于事件触发的智能网联汽车编队控制方法，其特征在于，包括以下步骤：
步骤一：通过车联网通信和自车传感器测量接收前车及自车状态信息；
步骤二：使用卡尔曼滤波器对测量的车辆状态信息进行估计；
步骤三：将获取及处理后的状态信息输入上层控制器；
步骤四：将期望加速度与实际车辆状态输入下层控制器修正节气门开度和制动压力；
步骤五：根据事件触发策略输出自车加速度传递值；
步骤二中所述使用卡尔曼滤波器对测量的车辆状态信息进行估计，包括如下内容：
选取状态变量及观测变量
选取滤波系统状态变量X(k)为：
式中，xi-1(k)-xi(k)为自车与前车的相对距离，vi-1(k)-vi(k)为自车与前车的相对速度，xi(k)、vi(k)、ai(k)分别为自车的位置、速度，加速度；
选取滤波系统观测变量Y(k)为：
Y(k)＝X(k)
根据滤波系统状态变量及观测变量建立滤波系统离散状态方程：
X(k+1)＝AX(k)+BU(k)+ω(k)
Y(k)＝CX(k)+v(k)
式中， X(k+1)为滤波系统在k+1时刻的状态变量，U(k)为滤波系统的控制变量，ai-1(k)为第i-1辆车的实际加速度，ui(k)为自车的期望加速度，Δt为采样时间，τ为车辆的动力迟滞系数，ω(k)和v(k)是过程噪声和观测噪声，均值均为零、方差分别为Q和R的不相关的高斯白噪声；
结合卡尔曼滤波算法对车辆的状态参数进行实时的滤波处理；
所述结合卡尔曼滤波算法对车辆的状态参数进行实时的滤波处理，滤波更新流程如下：
由k-1时刻状态X(k-1|k-1)结合滤波系统方程估计k时刻状态X(k|k-1)：
X(k|k-1)＝AX(k-1|k-1)+BU(k)
用k-1时刻的协方差矩阵P(k-1|k-1)和过程噪声协方差矩阵Q更新k时刻的先验状态协方差矩阵P(k|k-1)：
P(k|k-1)＝AP(k-1|k-1)AT+Q
式中，AT为滤波系统状态转移矩阵A的转置；
利用k时刻先验状态协方差矩阵P(k|k-1)和观测噪声协方差矩阵R计算k时刻卡尔曼增益K(k)：
式中，CT为滤波系统观测矩阵C的转置；
根据k时刻观测变量Y(k)和k时刻卡尔曼增益K(k)，得到k时刻最优状态估计X(k|k)：
X(k|k)＝X(k|k-1)+K(k)[Y(k)-CX(k|k-1)]
使用卡尔曼增益K(k)和先验状态协方差矩阵P(k|k-1)更新k时刻后验状态协方差矩阵P(k|k)：
P(k|k)＝[I-K(k)C]P(k|k-1)
式中，I为单位矩阵；
通过卡尔曼滤波对测量得到的状态参数进行估计，得到相关参数的估计值：分别为自车与前车估计相对距离自车与前车估计相对速度/>以及自车估计加速度
步骤五中所述根据事件触发策略输出自车加速度传递值，包括如下内容：
接收经过状态估计的自车加速度；
计算当前加速度估计值与加速度传递值的误差；
式中，δi(t)为传递误差，为加速度传递值，/>为加速度估计值；
计算事件触发动态阈值；
定义事件触发阈值σ为：
式中，γ、ε为触发阈值的相关参数，为第i辆车第N次触发的时间序列，ζ为采样周期，为第N次触发后更新的加速度；
判断是否达到触发条件；
根据触发情况进行状态更新；
判断是否达到触发条件，具体内容如下：
若成立，则认为达到触发阈值；若/> 成立，则认为未达到触发阈值；式中，/>为未被触发的采样周期数目；
根据触发情况进行状态更新，具体内容如下：
若达到触发条件，则更新自车加速度传递值
式中，为第i辆车第N+1次触发的时间序列，/>为第N+1次触发后更新的加速度，/>为未被触发的采样周期数目；
若未达到触发条件，则通过零阶保持器达到不更新加速度传递值的效果；
式中，为第i辆车加速度传递值。
2.根据权利要求1所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：
步骤一中所述通过车联网通信和自车传感器测量接收前车及自车状态信息，具体内容如下：
通过车联网通信接收前车加速度传递值通过自车传感器测量接收自车与前车间距xi-1-xi-L，自车与前车相对速度vi-1-vi以及自车加速度ai。
3.根据权利要求2所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：
步骤三中所述将获取及处理后的状态信息输入上层控制器，包括如下内容：
选择固定车头时距的安全距离算法；安全距离如下所示：
di，s＝vith+dmin
式中，di,s为安全距离，vi为车辆速度，th为车头时距，dmin是最小安全距离；
建立车辆编队状态方程式；将编队状态信息整理成状态方程形式如下：
式中， us＝ui，/>xs为控制系统状态变量，/>为xs的导数，us为控制系统控制变量，ws为控制系统干扰变量，τ为车辆的动力迟滞系数，th为设定的车头时距，xi-1，xi分别为第i-1辆车，第i辆车的位置，vi-1，vi分别为第i-1辆车，第i辆车的速度，ai-1，ai分别为第i-1辆车，第i辆车的实际加速度，ui-1，ui分别为第i-1辆车，第i辆车的期望加速度；
将车辆编队状态信息输入上层控制器得到跟随控制率。
4.根据权利要求3所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于，所述将车辆编队状态信息输入上层控制器得到跟随控制率，具体内容如下：
由线性最优二次型(LQR)控制方法得到车辆跟随控制率：
ui＝kx(xi-1-xi-di，s-L)+kv(vi-1-vi)+ka(ai-1-ai)
式中，kx，kv，ka分别为上层控制器参数；
结合前车传递加速度自车与前车估计相对距离/>自车与前车估计相对速度/>以及自车估计加速度/>修正跟随控制律得：
5.根据权利要求4所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：
步骤四中所述将期望加速度与实际车辆状态输入下层控制器修正节气门开度和制动压力，包括如下内容：
接收期望加速度和实际节气门开度以及实际制动压力，分别从上层控制器和车载传感器获得；
根据车辆逆动力学模型得到期望输入变量；
由汽车传动系分析轮上转矩、发动机转速与汽车行驶速度之间的关系，计算出发动机转矩；通过车载传感器获得车辆转速；节气门开度由发动机转速和发动机转矩共同决定，通过查表得到期望节气门开度；
汽车在制动时，没有动力输入，当车轮没有到达抱死拖滑状况时，制动力与制动压力视为线性关系，结合期望加速度与车辆运动状态计算出期望制动压力；
将期望输入变量与实际输出变量输入下层控制器。
6.根据权利要求5所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：
所述将期望输入变量与实际输出变量输入下层控制器，包括以下内容：
(1)确定输入输出参数及模糊化；
选取相邻两车之间的相对距离误差e和相对距离误差变化率ec作为模糊控制器的输入，Kp、Ki、Kd三个参数作为模糊控制器的输出；将输入输出量描述为以下七个词汇，进行模糊化处理：
{NB，NM，NS，ZO，PS，PM，PB}
(2)确定隶属度函数；
采用三角形隶属度函数；
(3)建立模糊控制规则；
根据模糊控制理论，建立相关的模糊控制规则，通过模糊推理得到误差e和误差变化率ec与PID控制器三个参数Kp，Ki，Kd的关系；
(4)得到经过误差校正的输入变量；
最终输入到车辆的节气门开度为：
式中，θin为输入节气门开度，θdes为期望节气门开度，θ为实际节气门开度；
最终输入到车辆的制动压力为：
式中，pin为输入制动压力，pdes为期望制动压力，p为实际制动压力。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210486957.6A CN114792478B (zh) | 2022-05-06 | 2022-05-06 | 一种基于事件触发的智能网联汽车编队控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210486957.6A CN114792478B (zh) | 2022-05-06 | 2022-05-06 | 一种基于事件触发的智能网联汽车编队控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114792478A CN114792478A (zh) | 2022-07-26 |
| CN114792478B true CN114792478B (zh) | 2023-10-24 |
Family
ID=82462089
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210486957.6A Active CN114792478B (zh) | 2022-05-06 | 2022-05-06 | 一种基于事件触发的智能网联汽车编队控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792478B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116527060B (zh) * | 2023-05-29 | 2024-01-05 | 北京理工大学 | 基于事件触发采样的信息压缩与异常检测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104246516A (zh) * | 2013-12-05 | 2014-12-24 | 华为终端有限公司 | 一种确定车辆加速度的方法及装置 |
| CN107015944A (zh) * | 2017-03-28 | 2017-08-04 | 南京理工大学 | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 |
| CN113115230A (zh) * | 2021-03-26 | 2021-07-13 | 北京工业大学 | 一种基于信息物理系统的车辆广播通信控制方法 |
| AU2021102801A4 (en) * | 2021-05-24 | 2021-07-22 | Chakrabarti, Prasun DR | Velocity estimation from cycle pedaling by using extended kalman filter algorithm |
| CN113419533A (zh) * | 2021-06-30 | 2021-09-21 | 江苏大学 | 一种基于通信延迟的智能车队纵向跟随控制方法 |
| CN114285653A (zh) * | 2021-12-27 | 2022-04-05 | 厦门大学 | 网络攻击下智能网联汽车队列自适应事件触发控制方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10678247B2 (en) * | 2017-08-28 | 2020-06-09 | GM Global Technology Operations LLC | Method and apparatus for monitoring of an autonomous vehicle |
| US10943490B2 (en) * | 2017-10-31 | 2021-03-09 | Cummins, Inc. | Platoon system for vehicles |
-
2022
- 2022-05-06 CN CN202210486957.6A patent/CN114792478B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104246516A (zh) * | 2013-12-05 | 2014-12-24 | 华为终端有限公司 | 一种确定车辆加速度的方法及装置 |
| CN107015944A (zh) * | 2017-03-28 | 2017-08-04 | 南京理工大学 | 一种用于目标跟踪的混合平方根容积卡尔曼滤波方法 |
| CN113115230A (zh) * | 2021-03-26 | 2021-07-13 | 北京工业大学 | 一种基于信息物理系统的车辆广播通信控制方法 |
| AU2021102801A4 (en) * | 2021-05-24 | 2021-07-22 | Chakrabarti, Prasun DR | Velocity estimation from cycle pedaling by using extended kalman filter algorithm |
| CN113419533A (zh) * | 2021-06-30 | 2021-09-21 | 江苏大学 | 一种基于通信延迟的智能车队纵向跟随控制方法 |
| CN114285653A (zh) * | 2021-12-27 | 2022-04-05 | 厦门大学 | 网络攻击下智能网联汽车队列自适应事件触发控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| "Cooperative Platoon Control of Heterogeneous Vehicles Under a Novel Event-Triggered Communication Strategy";ZHONGCHANG LIU;《IEEE Access》;全文 * |
| "Event-triggered cooperative control of vehicle platoons in vehicular ad hoc networks";Shixi Wen;《ScienceDirect》;全文 * |
| 事件驱动的卫星编队姿态分布式协同控制;王智鹏;郭凤至;孙兆伟;张世杰;;哈尔滨工业大学学报(10);全文 * |
| 基于线性二次型最优控制和径向基神经网络PID的ESC控制策略;罗文发;吴光强;郑松林;;汽车工程(06);全文 * |
| 基于自适应卡尔曼滤波的车辆编队控制;俞志英;郭戈;;辽宁工程技术大学学报(自然科学版)(11);全文 * |
| 自适应巡航系统车辆跟驰控制策略仿真;翟志强;许进亮;袁皓;周永明;赵龙飞;王世谦;;系统仿真学报(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114792478A (zh) | 2022-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103003854B (zh) | 用于基于驾驶员工作负担调度驾驶员接口任务的系统和方法 | |
| CN106840097B (zh) | 一种基于自适应扩展卡尔曼滤波的道路坡度估计方法 | |
| CN111879957B (zh) | 基于模糊逻辑和增强机器学习的车辆动力学测定 | |
| CN108162955B (zh) | 一种具有时滞辨识和补偿功能的车辆主动防侧翻控制系统 | |
| US10829114B2 (en) | Vehicle target tracking | |
| CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
| JP2003506259A (ja) | 速度変数の決定方法および装置 | |
| CN114792478B (zh) | 一种基于事件触发的智能网联汽车编队控制方法 | |
| CN113806861B (zh) | 一种两步结构的车辆质量和道路坡度的估算方法 | |
| CN115285120B (zh) | 一种基于模型预测控制的车辆跟随分层式控制系统及方法 | |
| US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
| Leng et al. | Tire-road peak adhesion coefficient estimation method based on fusion of vehicle dynamics and machine vision | |
| CN103231710B (zh) | 基于驾驶员工作负担调度驾驶员接口任务的系统和方法 | |
| CN116674571A (zh) | 一种基于数据置信度因子的汽车质量与坡度实时估计方法 | |
| CN112660136B (zh) | 汽车底盘动力学域控制器的路面附着系数辨识方法及装置 | |
| 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 | |
| CN114721271A (zh) | 一种基于汽车巡航系统的模糊自适应固定时间事件触发控制方法 | |
| CN110329028B (zh) | 基于公路等级识别的混合电磁悬架模式切换系统及方法 | |
| CN114371691A (zh) | 一种辅助驾驶弯道轨迹跟踪控制方法 | |
| CN103264696B (zh) | 基于驾驶员工作负担调度驾驶员接口任务的系统和方法 | |
| CN113419430B (zh) | 一种汽车自适应巡航控制系统事件触发控制器的设计方法及系统 | |
| EP4197821A1 (en) | Tire stiffness estimation system and method | |
| Xia et al. | State estimation and application of the hitch angle of a semitrailer train under full working conditions based on multimodel information fusion | |
| CN114056332B (zh) | 基于认知风险平衡的智能汽车跟车决策和控制方法 | |
| JP5671107B2 (ja) | 車両 |
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 |