CN114872711A - 基于智能网联车辆的驾驶规划方法、系统、装置及介质 - Google Patents

基于智能网联车辆的驾驶规划方法、系统、装置及介质 Download PDF

Info

Publication number
CN114872711A
CN114872711A CN202210588041.1A CN202210588041A CN114872711A CN 114872711 A CN114872711 A CN 114872711A CN 202210588041 A CN202210588041 A CN 202210588041A CN 114872711 A CN114872711 A CN 114872711A
Authority
CN
China
Prior art keywords
vehicle
path
determining
vehicle speed
travel
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
Application number
CN202210588041.1A
Other languages
English (en)
Inventor
张佩
卢旺达
杜常清
颜伏伍
刘坤
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202210588041.1A priority Critical patent/CN114872711A/zh
Publication of CN114872711A publication Critical patent/CN114872711A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/14—Adaptive cruise control
    • B60W30/143—Speed control
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • 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
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Abstract

本发明公开一种基于智能网联车辆的驾驶规划方法、系统、装置及介质，涉及车辆控制技术领域。通过交通信息以及车辆驾驶工况数据确定各种路径的行程时间、行程能耗和行程距离，然后基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径，通过最优路径上的交通信息进一步确定经济车速曲线，然后根据经济车速曲线的车速值为参考状态参数确定车辆的控制参数，使得车辆在驾驶过程中能够选择能耗较低的路径，以及采用低能耗的控制量改变车辆状态，从而减少能量的消耗。

Description

基于智能网联车辆的驾驶规划方法、系统、装置及介质
技术领域
本发明涉及车辆控制技术领域，尤其涉及一种基于智能网联车辆的驾驶规划方法、系统、装置及介质。
背景技术
突破整车智能能量管理控制是提高新能源汽车整车综合性能的关键技术。随着智能网联技术的快速发展，网联动态交通信息可以为PHEV(Plug-in Hybrid ElectricVehicle，插电式混合动力汽车)节能控制提供新思路。但是，目前只能根据智能网联PHEV环境感知层提供的复杂交通环境信息进行车辆的驾驶规划，并不能实现有效的能量管理，无法使车辆在驾驶过程中尽量减少能量的消耗。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于智能网联车辆的驾驶规划方法、系统、装置及介质，能够结合交通信息在驾驶过程中进行能量管理，尽量减少能量的消耗。
一方面，本发明实施例提供了一种基于智能网联车辆的驾驶规划方法，包括以下步骤：
获取多条道路的第一交通信息和道路上的车辆驾驶工况数据；
根据所述第一交通信息和所述车辆驾驶工况数据确定路径的行程时间、行程能耗和行程距离；
基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径；
根据所述最优路径获取第二交通信息；
结合所述第二交通信息，利用模型预测控制算法确定稳态经济车速曲线；
以所述稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线；
根据经济车速曲线确定参考状态参数；
根据所述参考状态参数通过显式模型预测方法确定控制参数。
根据本发明一些实施例，所述根据所述第一交通信息和所述车辆驾驶工况数据确定行程时间、行程能耗和行程距离包括以下步骤：
根据所述第一交通信息和所述车辆驾驶工况数据，通过通行时间模型确定道路通行时间，其中，所述第一交通信息包括道路的第t个采样周期的平均车速、车辆密度、长度、时间t时第t个采样周期内非绿灯的剩余时长、时间t时第t个采样周期内绿灯的剩余时长、与道路连接的路口长度；
根据路径的多条道路的所述道路通行时间确定路径的行程时间；
根据路径的多条道路的长度确定路径的行程距离；
根据路径的多条道路的第一交通信息和车辆驾驶工况数据确定路径全局特征参数；
根据所述全局特征参数确定行程能耗。
根据本发明一些实施例，所述基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径包括以下步骤：
以距离参数为基础指标，采用A*算法进行路径搜索，得到多条路径；
将每一条路径的所述行程距离、所述行程时间和所述行程能耗输入惩罚函数确定惩罚值；
根据每一条路径的所述惩罚值选择最优路径。
根据本发明一些实施例，所述结合所述第二交通信息，利用模型预测控制算法确定稳态经济车速曲线包括以下步骤：
根据所述第二交通信息构建路径模型；
根据智能网联车辆的纵向运动工况和所述路径模型确定所述智能网联车辆在所述路径上的车辆动力学模型；
根据所述车辆动力学模型确定能耗模型；
结合所述能耗模型，利用模型预测算法控制滚动优化求解全局的稳态经济车速曲线。
根据本发明一些实施例，所述车辆动力学模型表示为：
Figure BDA0003666621140000021
其中，Ttq为发动机输出转矩，ig为变速器传动比，i0为主减速器传功比，ηT为传动系的机械效率，r为车轮半径，m为车辆质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，CD为空气阻力系数，A为车辆迎风面积，v为车辆速度，δ为旋转质量换算系数，du/dt为车辆加速度。
根据本发明一些实施例，所述以所述稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线包括以下步骤：
获取各种典型工况下的车速约束范围；
基于所述稳态经济车速曲线建立优化模型，根据所述车速约束范围和所述优化模型进行局部动态规划得到经济车速曲线。
根据本发明一些实施例，所述根据所述参考状态参数确定控制参数包括以下步骤：
以所述参考状态参数作为优化指标构建显式控制律的优化问题方程；
根据状态变量的约束范围和控制变量的约束方位求解所述优化问题方程得到状态变量的所有取值与对应的最优控制变量间的映射关系；
根据所述映射关系构建车辆的显式控制律；
根据车辆的状态参数通过所述显式控制律确定控制参数。
另一方面，本发明实施例还提供一种基于智能网联车辆的驾驶规划系统，包括云服务器，所述云服务器包括信息采集层、路径规划层、车速规划层和控制层；
信息采集层，用于获取多条道路的第一交通信息和道路上的车辆驾驶工况数据；
路径规划层，用于根据所述第一交通信息和所述车辆驾驶工况数据确定路径的行程时间、行程能耗和行程距离；基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径；
车速规划层，用于根据所述最优路径获取第二交通信息；结合所述第二交通信息，利用模型预测控制算法确定稳态经济车速曲线；以所述稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线；
控制层，用于根据经济车速曲线确定参考状态参数；根据所述参考状态参数通过显式模型预测方法确定控制参数。
另一方面，本发明实施例还提供一种基于智能网联车辆的驾驶规划装置，包括：
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，使得至少一个所述处理器实现如前面所述的基于智能网联车辆的驾驶规划方法。
另一方面，本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如前面所述的基于智能网联车辆的驾驶规划方法。
本发明上述的技术方案至少具有如下优点或有益效果之一：通过交通信息以及车辆驾驶工况数据确定各种路径的行程时间、行程能耗和行程距离，然后基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径，通过最优路径上的交通信息进一步确定经济车速曲线，然后根据经济车速曲线的车速值为参考状态参数确定车辆的控制参数，使得车辆在驾驶过程中能够选择能耗较低的路径，以及采用低能耗的控制量改变车辆状态，从而减少能量的消耗。
附图说明
图1是本发明实施例提供的基于智能网联车辆的驾驶规划方法流程图；
图2是本发明实施例提供的基于智能网联车辆的驾驶规划系统示意图；
图3是本发明实施例提供的基于智能网联车辆的驾驶规划装置示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或者类似的标号表示相同或者类似的原件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、左、右等指示的方位或者位置关系为基于附图所示的方位或者位置关系，仅是为了便于描述本发明和简化描述，而不是指示或者暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或者暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明实施例提供了一种基于智能网联车辆的驾驶规划方法，参照图1，本发明实施例的基于智能网联车辆的驾驶规划方法包括但不限于步骤S110、步骤S120、步骤S130、步骤S140、步骤S150、步骤S160、步骤S170和步骤S180。
步骤S110，获取多条道路的第一交通信息和道路上的车辆驾驶工况数据；
步骤S120，根据第一交通信息和所述车辆驾驶工况数据确定路径的行程时间、行程能耗和行程距离；
步骤S130，基于行程距离、行程时间和行程能耗进行路径搜索确定最优路径；
步骤S140，根据最优路径获取第二交通信息；
步骤S150，结合第二交通信息，利用模型预测控制算法确定稳态经济车速曲线；
步骤S160，以稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线；
步骤S170，根据经济车速曲线确定参考状态参数；
步骤S180，根据参考状态参数通过显式模型预测方法(EMPC)确定控制参数。
具体地，本发明实施例通过交通信息以及车辆驾驶工况数据确定各种路径的行程时间、行程能耗和行程距离，然后基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径，通过最优路径上的交通信息进一步确定经济车速曲线，然后根据经济车速曲线的车速值为参考状态参数确定车辆的控制参数，使得车辆在驾驶过程中能够选择能耗较低的路径，以及采用低能耗的控制量改变车辆状态，从而减少能量的消耗。
根据本发明一些具体实施例，步骤S120包括但不限于以下步骤：
步骤S210，根据第一交通信息和车辆驾驶工况数据，通过道路通行时间模型确定道路通行时间，其中，第一交通信息包括道路的平均车速、车辆密度、长度、时间t时剩余一个周期内非绿灯的第一时长、时间t时剩余一个周期内绿灯的第二时长、与道路连接的路口长度；
步骤S220，根据路径的多条道路的道路通行时间确定路径的行程时间；
步骤S230，根据路径的多条道路的长度确定路径的行程距离；
步骤S240，根据路径的多条道路的第一交通信息和车辆驾驶工况数据确定路径全局特征参数；
步骤S250，根据全局特征参数确定行程能耗。
在一些实施例中，云服务器可以通过无线传输的方式获取不同道路下的交通信息和车辆驾驶工况数据。第一交通信息包括但不限于车辆密度、道路长度、路口长度、绿灯时长、非绿灯时长、通行功率等信息，车辆驾驶工况信息包括但不限于车辆的平均行驶速度、工况等信息。
在一些实施例中，道路通行时间模型表示为：
Figure BDA0003666621140000051
其中，Δti，j，t表示车辆在时刻t通过道路i到达道路j的通行时间，函数fT表示搭建的广义神经网络(GRNN)。
Figure BDA0003666621140000052
分别表示道路i在第t个采样周期的平均车速、道路i单位长度的车辆密度、道路i的长度、时间t时第t个采样周期内非绿灯的剩余时长、时间t时第t个采样周期内绿灯剩余时长、与道路i连接的路口长度。
进一步地，道路i在第t个采样周期的平均车速以及道路i单位长度的车辆密度通过以下公式计算：
Figure BDA0003666621140000053
Figure BDA0003666621140000054
式中：vk表示第k辆车经过道路i(或指定位置)的车速，α(t)表示道路i在第t个采样周期内行驶的车辆数量，li为道路i的长度。
将上述
Figure BDA0003666621140000055
作为GRNN网络的输入，以Δti，j，t作为标签构建训练集，利用训练集计算道路通行时间模型的参数，从而得到最终的道路通行时间模型。
在得到道路通行时间模型后，根据当前获取的第一交通信息和车辆驾驶工况数据得到当前道路的
Figure BDA0003666621140000061
参数，并输入到通行时间模型中进行计算，得到当前道路的通行时间。
在一些实施例中，根据路径的多条道路的道路通行时间之和可以确定路径的行程时间，根据路径的多条道路的长度之和可以确定路径的行程距离。
在一些实施例中，根据路径的多条道路的第一交通信息和车辆行驶工况数据可以确定全局特征参数，根据全局特征参数全局动态规划能耗曲线，然后根据能耗曲线可以确定行程能耗。具体地，全局特征参数可以包括路径的累积行驶距离、路径总能耗、平均能耗、路径总能耗、平均功率、路径总耗时平均耗时和平均车速八个参数，八个参数的计算如下：
Figure BDA0003666621140000062
Figure BDA0003666621140000063
Figure BDA0003666621140000064
Figure BDA0003666621140000065
Figure BDA0003666621140000066
Figure BDA0003666621140000067
Figure BDA0003666621140000068
Figure BDA0003666621140000069
其中，N表示路径中道路的数量，n表示道路i在整个路径中的序号，li为道路i的长度，LN为路径的累积行驶距离，i∈(1，…，I)为道路编号，I为路网中道路的数量；EN为总能耗，即路径中所有道路的通行能耗之和，
Figure BDA00036666211400000610
为道路的通行功率，Δti，j，t为在时间t时通过道路i到达道路j的通行时间，
Figure BDA00036666211400000611
为平均能耗；PN为总功率，即路径中所有通行功率之和，
Figure BDA00036666211400000612
为平均功率；TY为路径总耗时，即路径通行时间的累积值，
Figure BDA00036666211400000613
为平均耗时；
Figure BDA00036666211400000614
为平均车速，即车辆经过路径上所有道路时的道路车速的平均值。
其中，道路通行功率
Figure BDA00036666211400000615
通过以下公式计算：
Figure BDA00036666211400000616
其中，
Figure BDA00036666211400000617
与
Figure BDA00036666211400000618
分别为第k辆车在i1时刻的驱动力和车速，n(i1)为时间i1时刻在道路i上行驶的车辆数量，Δt为采样时长。
考察上述八个参数与动态规划(dynamic programming，DP)下的全程最优能耗之间的相关性，选择最优相关性参数搭建GRNN网络以对能耗进行回归拟合处理得到能耗曲线，例如，能耗曲线可以表示为：
Figure BDA0003666621140000071
其中，Fk为拟合得到的路径的全局动态规划行程能耗曲线，函数fE为GRNN网络，
Figure BDA0003666621140000072
分别为行驶距离，平均耗时，平均车速。行程能耗可以为行程能耗。
根据本发明一些具体实施例，步骤S130包括但不限于以下步骤：
步骤S310，以距离参数为基础指标，采用A*算法进行路径搜索，得到多条路径；
步骤S320，将每一条路径的行程距离、行程时间和行程能耗输入惩罚函数确定惩罚值；
步骤S330，根据每一条路径的惩罚值选择最优路径。
具体地，在得到道路的通行时间模型以及全程最优能耗曲线后，结合A*算法搜索得到最优路径，A*算法路径搜索如下：
首先，定义用于路径选择的惩罚函数，惩罚函数如下：
J＝α1[ηk-1+g(Δti，j，t)]+α2[Lk-1+g(li)]+α3g(Fk)+α4g(hi)
Figure BDA0003666621140000073
其中，J为惩罚函数，α1、α2、α3、α4分别为行程时间、行程距离、行程能耗、启发项等指标的惩罚系，η0＝0，L0＝0，Fk＝0；hi为启发项，表征当前搜索道路i与终点道路之间的距离；函数g(x)为归一化函数；Xmax与Xmin分别为参数样本的最大与最小值。k表示了路径中道路的个数，i表示当前道路，j表示下一搜索道路。
将行程距离作为基础指标，以累积的行程距离和启发距离确定代价函数，代价函数如下：
J＝(Lk-1+li)+βhi
其中，β为启发距离权重。
在进行路径搜索过程中，根据当前道路i的到达时间ηk更新道路i的第一交通信息和车辆驾驶工况数据。
根据第一交通信息和车辆驾驶工况数据，通过道路通信时间计算模型确定当前道路i的通行时间Δti，j，t，并计算新路径的行程时间ηk+1＝ηk+Δi，j，t；根据第一交通信息和车辆驾驶工况数据，通过能耗曲线确定新路径的能耗Fk+1。
基于代价函数，选择行程距离较短的n条不同路径，直到当前道路i为终点道路；若当前道路i为终点道路不是终点道路，则基于代价函数继续搜索下一道路j。
在所得的n条路径中，基于惩罚函数，选择行程能耗、行程时间或者行程距离最小的路径，从而得到满足不同指标的最优路径。
根据本发明一些具体实施例，步骤S150包括但不限于以下步骤：
步骤S410，根据第二交通信息构建路径模型；
步骤S420，根据智能网联车辆的纵向运动工况和路径模型确定智能网联车辆在路径上的车辆动力学模型；
步骤S430，根据车辆动力学模型确定能耗模型；
步骤S440，结合能耗模型，利用模型预测算法控制滚动优化求解全局的稳态经济车速曲线。
在一些实施例中，得到最优路径后，需要在最优路径上结合能耗指标规划车速，以得到经济车速曲线，进一步实现车辆驾驶过程中的能量管理。结合最优节能路径上的第二交通信息，通过MPC进行滚动优化得出车辆的稳态经济车速曲线，进而以该稳态经济车速曲线为基准，基于最优控制理论进行局部规划得到局部动态经济车速曲线，从而得到总体的经济车速曲线。
具体地，云服务器获取上述最优路径的第二交通信息，第二交通信息可以包括路径的坡度以及道路限速、交通标志等信息，根据第二交通信息构建路径模型。
结合路径模型，依据车辆纵向运动建立车辆动力学模型，车辆动力学模型如下：
Figure BDA0003666621140000081
其中，Ttq为发动机输出转矩，ig为变速器传动比，i0为主减速器传功比，ηT为传动系的机械效率，r为车轮半径，m为车辆质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，CD为空气阻力系数，A为车辆迎风面积，v为车辆速度，δ为旋转质量换算系数，du/dt为车辆加速度。
以车辆动力学模型为基础，根据车辆运动过程中的能量守恒构建能耗模型，能耗模型如下：
Ekv，s-Ekv，s-1＝Weng，s-Wbrake，s-Wenv，s
其中，s为平衡方程步长(与相邻状态间的运动距离有关)，Weng，s表示发动机输出所做的功，Wbrake，s表示制动系统制动力做的功，Wenv，s表示外界环境阻力所做的功。选取Ekv作为状态变量x(s)，即车辆车速，Weng，Wbrake作为控制变量u(s)，即车辆自身的控制输入。
以燃油经济性为指标，本发明实施例还可以舒适性或者车速跟随为指标，结合能耗模型采用模型预测控制滚动优化求解全局的稳态经济车速曲线，稳态经济车速曲线映射为线性状态空间模型，该线性状态空间模型表示为：
Figure BDA0003666621140000091
其中，x(s)∈Rn表示车辆速度的动能Ekv构成的状态变量，u(s)∈Rm表示车辆自身输入Weng，Wbrake构成的控制变量，ρ(s)∈Rl为外部输入变量，y(s)∈Ru为输出变量。
根据本发明一些具体实施例，步骤S160包括但不限于以下步骤：
步骤S510，获取各种典型工况下的车速约束范围；
步骤S520，基于稳态经济车速曲线建立优化模型，根据车速约束范围和优化模型进行局部动态规划得到经济车速曲线。
在一些实施例中，基于上述求解出的稳态经济车速曲线，结合车辆初始状态，路径模型中的交通信息等，采用动态规划优化算法得到局部动态车速曲线，进而得到整体的经济车速曲线。
对获取的稳态车速在各典型工况下对车速进行约束限制，并构建优化模型，通过车速约束范围和求解优化模型可以得到局部动态经济曲线。
优化问题的形式与车速限制如下：
Figure BDA0003666621140000092
其中，v(s)为车速同时也作为状态变量，u(s)为控制变量，f(v(s)，u(s)，s)为系统状态函数，vi，s为优化区间的初始速度，vf，s为优化区间的末速度，Tref，s为优化区间行驶的参考时间，vmin、vmax、umin以及umax分别为车速以及输入量的限制，Ds为优化区间的距离。
状态转移方程表示为：
Figure BDA0003666621140000093
其中，v(s+1)以及v(s)为相邻状态下的车速，s0为车辆运动步长。
优化控制的代价函数为：
Figure BDA0003666621140000094
其中，Q为等效燃油消耗量，
Figure BDA0003666621140000095
为位置s处优化得到的等效燃油消耗量，p(s+1)是位置s+1处计算得到等效燃油消耗最小的最优控制序列。
根据本发明一些具体实施例，步骤S180包括但不限于以下步骤：
步骤S610，以参考状态参数作为优化指标构建显式控制律的优化问题方程；
步骤S620，根据状态变量的约束范围和控制变量的约束方位求解优化问题方程得到状态变量的所有取值与对应的最优控制变量间的映射关系；
步骤S630，根据映射关系构建车辆的显式控制律；
步骤S640，根据车辆的状态参数通过所述显式控制律确定控制参数。
在一些实施例中，可以根据上述节能的最优路径和经济车速曲线，采用EMPC能量管理策略离线优化计算最优显式控制律与系统状态变量。车辆的控制器实时接收云端服务器发送的EMPC能量管理策略显式控制律与系统状态变量信息，进行EMPC在线搜索计算确定最优控制量。
具体地，根据经济车速曲线确定参考状态参数，结合车辆纵向动力学模型和参考状态参数构建MPC优化问题方程，优化问题方程表示为：
Figure BDA0003666621140000101
s.t.
GU≤W+SX
其中，Xref＝vref为基于车速经济曲线获取的最优速度序列，N∈N+为预测域长度，Q和R为权重系数矩阵，X为模型状态变量，可以为车速，U为模型控制变量，可以为发动机转矩和电机转矩。
其中，G、W、S均为约束参数。
求解上述优化问题方程，获得最优控制量与状态参数之间的最优控制律。进一步地，针对优化问题方程的求解可以转化为多参数二次规划问题进行求解，如下：
Figure BDA0003666621140000102
s.t.
Figure BDA0003666621140000103
求解上述优化问题方程可以得到状态变量的所有取值间对应的最优控制变量间的映射关系，根据该映射关系构建显式控制律。车辆控制器获取车辆的状态参数，通过构建的显式控制律可以查找出对应的控制参数，从而对车辆进行控制。车辆的控制参数可以包括参考状态、初始状态和当前状态。
另一方面，本发明实施例还提供一种基于智能网联车辆的驾驶规划系统，参照图2，包括云服务器，所述云服务器包括信息采集层、路径规划层、车速规划层和控制层；
信息采集层，用于获取多条道路的第一交通信息和道路上的车辆驾驶工况数据；
路径规划层，用于根据第一交通信息和车辆驾驶工况数据确定路径的行程时间、行程能耗和行程距离；基于行程距离、行程时间和行程能耗进行路径搜索确定最优路径；
车速规划层，用于根据最优路径获取第二交通信息；结合第二交通信息，利用模型预测控制算法确定稳态经济车速曲线；以稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线；
控制层，用于根据经济车速曲线确定参考状态参数；根据参考状态参数通过显式模型预测方法确定控制参数。
进一步地，基于智能网联车辆的驾驶规划系统还包括车辆上的车辆控制器，车辆控制器向控制发送车辆当前状态等状态参数的查询消息，从而确定车辆的控制参数。
可以理解的是，上述基于智能网联车辆的驾驶规划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基于智能网联车辆的驾驶规划方法实施例相同，并且达到的有益效果与上述基于智能网联车辆的驾驶规划方法实施例所达到的有益效果也相同。
参照图3，图3是本发明一个实施例提供的基于智能网联车辆的驾驶规划装置的示意图。本发明实施例的基于智能网联车辆的驾驶规划装置包括一个或多个控制处理器和存储器，图3中以一个控制处理器及一个存储器为例。
控制处理器和存储器可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于控制处理器远程设置的存储器，这些远程存储器可以通过网络连接至该基于智能网联车辆的驾驶规划装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解，图3中示出的装置结构并不构成对基于智能网联车辆的驾驶规划装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
实现上述实施例中应用于基于智能网联车辆的驾驶规划装置的基于智能网联车辆的驾驶规划方法所需的非暂态软件程序以及指令存储在存储器中，当被控制处理器执行时，执行上述实施例中应用于基于智能网联车辆的驾驶规划装置的基于智能网联车辆的驾驶规划方法。
此外，本发明的一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的基于智能网联车辆的驾驶规划方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (10)

1.一种基于智能网联车辆的驾驶规划方法，其特征在于，包括以下步骤：
获取多条道路的第一交通信息和道路上的车辆驾驶工况数据；
根据所述第一交通信息和所述车辆驾驶工况数据确定路径的行程时间、行程能耗和行程距离；
基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径；
根据所述最优路径获取第二交通信息；
结合所述第二交通信息，利用模型预测控制算法确定稳态经济车速曲线；
以所述稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线；
根据经济车速曲线确定参考状态参数；
根据所述参考状态参数通过显式模型预测方法确定控制参数。
2.根据权利要求1所述的基于智能网联车辆的驾驶规划方法，其特征在于，所述根据所述第一交通信息和所述车辆驾驶工况数据确定行程时间、行程能耗和行程距离包括以下步骤：
根据所述第一交通信息和所述车辆驾驶工况数据，通过通行时间模型确定道路通行时间，其中，所述第一交通信息包括道路的第t个采样周期的平均车速、车辆密度、长度、时间t时第t个采样周期内非绿灯的剩余时长、时间t时第t个采样周期内绿灯的剩余时长、与道路连接的路口长度；
根据路径的多条道路的所述道路通行时间确定路径的行程时间；
根据路径的多条道路的长度确定路径的行程距离；
根据路径的多条道路的第一交通信息和车辆驾驶工况数据确定路径全局特征参数；
根据所述全局特征参数确定行程能耗。
3.根据权利要求1所述的基于智能网联车辆的驾驶规划方法，其特征在于，所述基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径包括以下步骤：
以距离参数为基础指标，采用A*算法进行路径搜索，得到多条路径；
将每一条路径的所述行程距离、所述行程时间和所述行程能耗输入惩罚函数确定惩罚值；
根据每一条路径的所述惩罚值选择最优路径。
4.根据权利要求1所述的基于智能网联车辆的驾驶规划方法，其特征在于，所述结合所述第二交通信息，利用模型预测控制算法确定稳态经济车速曲线包括以下步骤：
根据所述第二交通信息构建路径模型；
根据智能网联车辆的纵向运动工况和所述路径模型确定所述智能网联车辆在所述路径上的车辆动力学模型；
根据所述车辆动力学模型确定能耗模型；
结合所述能耗模型，利用模型预测算法控制滚动优化求解全局的稳态经济车速曲线。
5.根据权利要求4所述的基于智能网联车辆的驾驶规划方法，其特征在于，所述车辆动力学模型表示为：
Figure FDA0003666621130000021
其中，Ttq为发动机输出转矩，ig为变速器传动比，i0为主减速器传功比，ηT为传动系的机械效率，r为车轮半径，m为车辆质量，g为重力加速度，f为滚动阻力系数，α为道路坡度，CD为空气阻力系数，A为车辆迎风面积，v为车辆速度，δ为旋转质量换算系数，du/dt为车辆加速度。
6.根据权利要求1所述的基于智能网联车辆的驾驶规划方法，其特征在于，所述以所述稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线包括以下步骤：
获取各种典型工况下的车速约束范围；
基于所述稳态经济车速曲线建立优化模型，根据所述车速约束范围和所述优化模型进行局部动态规划得到经济车速曲线。
7.根据权利要求1所述的基于智能网联车辆的驾驶规划方法，其特征在于，所述根据所述参考状态参数确定控制参数包括以下步骤：
以所述参考状态参数作为优化指标构建显式控制律的优化问题方程；
根据状态变量的约束范围和控制变量的约束方位求解所述优化问题方程得到状态变量的所有取值与对应的最优控制变量间的映射关系；
根据所述映射关系构建车辆的显式控制律；
根据车辆的状态参数通过所述显式控制律确定控制参数。
8.一种基于智能网联车辆的驾驶规划系统，其特征在于，包括云服务器，所述云服务器包括信息采集层、路径规划层、车速规划层和控制层；
信息采集层，用于获取多条道路的第一交通信息和道路上的车辆驾驶工况数据；
路径规划层，用于根据所述第一交通信息和所述车辆驾驶工况数据确定路径的行程时间、行程能耗和行程距离；基于所述行程距离、所述行程时间和所述行程能耗进行路径搜索确定最优路径；
车速规划层，用于根据所述最优路径获取第二交通信息；结合所述第二交通信息，利用模型预测控制算法确定稳态经济车速曲线；以所述稳态经济车速曲线为基准，进行局部动态规划得到经济车速曲线；
控制层，用于根据经济车速曲线确定参考状态参数；根据所述参考状态参数通过显式模型预测方法确定控制参数。
9.一种基于智能网联车辆的驾驶规划装置，其特征在于，包括：
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，使得至少一个所述处理器实现如权利要求1至7任一项所述的基于智能网联车辆的驾驶规划方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序被由所述处理器执行时用于实现如权利要求1至7任一项所述的基于智能网联车辆的驾驶规划方法。
CN202210588041.1A 2022-05-27 2022-05-27 基于智能网联车辆的驾驶规划方法、系统、装置及介质 Pending CN114872711A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210588041.1A CN114872711A (zh) 2022-05-27 2022-05-27 基于智能网联车辆的驾驶规划方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210588041.1A CN114872711A (zh) 2022-05-27 2022-05-27 基于智能网联车辆的驾驶规划方法、系统、装置及介质

Publications (1)

Publication Number Publication Date
CN114872711A true CN114872711A (zh) 2022-08-09

Family

ID=82677969

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210588041.1A Pending CN114872711A (zh) 2022-05-27 2022-05-27 基于智能网联车辆的驾驶规划方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN114872711A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740956A (zh) * 2023-06-29 2023-09-12 西部科学城智能网联汽车创新中心(重庆)有限公司 智能网联车辆速度规划方法及装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116740956A (zh) * 2023-06-29 2023-09-12 西部科学城智能网联汽车创新中心(重庆)有限公司 智能网联车辆速度规划方法及装置

Similar Documents

Publication Publication Date Title
He et al. An improved MPC-based energy management strategy for hybrid vehicles using V2V and V2I communications
Huang et al. Model predictive control power management strategies for HEVs: A review
Thibault et al. A unified approach for electric vehicles range maximization via eco-routing, eco-driving, and energy consumption prediction
CN111753377B (zh) 基于道路信息的纯电动汽车能耗最优路径规划方法
CN109733378B (zh) 一种线下优化线上预测的转矩分配方法
CN116070783B (zh) 一种混动传动系统在通勤路段下的学习型能量管理方法
CN113269963B (zh) 一种基于强化学习的网联车辆信号灯控路口经济通行方法
CN113554337B (zh) 融合交通信息的插电式混动汽车能量管理策略构建方法
Pozzi et al. Ecological velocity planning through signalized intersections: A deep reinforcement learning approach
CN115158094A (zh) 基于长短期soc规划的插电式混合动力汽车能量管理方法
CN115071505A (zh) 燃料电池汽车分层规划方法、系统、装置及存储介质
Park et al. Power management controller for a hybrid electric vehicle with predicted future acceleration
Yi et al. Energy aware driving: Optimal electric vehicle speed profiles for sustainability in transportation
CN115534929A (zh) 基于多元信息融合的插电式混合动力汽车能量管理方法
CN114872711A (zh) 基于智能网联车辆的驾驶规划方法、系统、装置及介质
CN111145068A (zh) 一种长距离高时效经济性巡航车速规划方法
Guan et al. Predictive energy efficiency optimization of an electric vehicle using information about traffic light sequences and other vehicles
Hegde et al. Energy saving analysis in electrified powertrain using look-ahead energy management scheme
CN113135113A (zh) 一种全局soc规划方法及装置
US11833907B2 (en) Vehicle powertrain system with machine learning controller
Liu et al. Integrated longitudinal speed decision-making and energy efficiency control for connected electrified vehicles
CN114475366A (zh) 基于凸优化的燃料电池汽车节能驾驶方法及系统
Abdrakhmanov et al. Energy management and powersplit for hybrid electric bus using DP-based optimal profiles database
Le Rhun Stochastic optimal control for the energy management of hybrid electric vehicles under traffic constraints
US20220203908A1 (en) Powertrain control system with state of health information

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