CN114889599A - 一种基于模型预测控制的自适应巡航控制算法 - Google Patents

Abstract

本发明公开了一种基于模型预测控制的自适应巡航控制算法，包括步骤S1，本车上的传感器实时采集本车速度、本车加速度、前后行驶的两车之间的相对距离以及两车之间的相对速度，并计算得到本车加速度变化率和前车加速度扰动量；步骤S2，根据第一预测数组和前车加速度扰动量建立预测模型，将第一控制数组输入预测模型，输出下一时刻的预测输出量；步骤S3，将第二控制数组作为预测模型的输入，使得预测模型输出下一时刻的参考轨迹量，并建立目标函数；步骤S4，状态差距值最小；步骤S5，下层控制器对本车的跟车行驶状态进行调整。本发明提升了跟车行驶过程中的舒适性、安全性和跟随性。

Description

一种基于模型预测控制的自适应巡航控制算法

技术领域

本发明涉及智能巡航控制技术领域，尤其涉及一种基于模型预测控制的自适应巡航控制算法。

背景技术

高级驾驶辅助系统(ADAS)是利用安装于车上的各式各样的传感器，在第一时间收集车内外的环境数据，进行静、动态物体的辨识、侦测与追踪等技术上的处理，从而能够让驾驶者在最快的时间察觉可能发生的危险，以引起注意和提高安全性的主动安全技术。

自适应巡航控制系统(ACC)是高级驾驶辅助系统中的重要组成之一。自适应巡航控制系统目前具有广阔的市场应用场景，并已经实现在实车上应用。自适应巡航系统主要分为高速状态下跟随(ICA)和低速状态下跟随(TJA)两种场景。

自适应巡航控制系统的控制方式一般采用分层控制，上层控制器根据车辆运动的当前状态计算车辆的预期纵向加速度，下层控制器通过得到的预期纵向加速度，控制节气门开度或制动器的制动压力。在车辆跟随过程中，自适应巡航控制车辆与前车保持安全、合适车辆间距是保证自适应巡航控制车辆安全性的基础，目前常见的车辆间距算法包括利用模糊分析法建立间距算法，考虑道路附着系数的安全距离模型，针对不同车速建立不同的安全距离模型方法等。但是现有车辆间距控制算法不足之处在于算法重心放在提高车辆安全性和车辆对道路的利用效率，忽略了乘车舒适性。极少数的考虑乘坐舒适性的间距算法，却存在制动或者加速过程过硬、跟车距离过近或者过慢的问题。

基于车辆状态的控制算法数量繁多，包括经典的PID控制算法、模糊PID算法、模型预测控制算法和线性二次型最优控制算法等。基于传统的PID控制算法需要根据研发人员的经验对PID参数进行调整，但是车辆在在复杂多变的道路环境下的跟车行驶过程中，如果只以人的经验调整PID参数，将无法保证车辆跟车状态控制算法的精度，进而无法保证车辆在跟车行驶过程中的舒适性、安全性和跟随性。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种基于模型预测控制的自适应巡航控制算法，用于提升车辆跟车行驶过程中的舒适性、安全性和跟随性。

为实现上述目的，本发明提供了如下技术方案：一种基于模型预测控制的自适应巡航控制算法，应用于上层控制器，所述上层控制器连接一下层控制器，所述自适应巡航控制算法包括：

步骤S1，本车上的传感器实时采集本车速度、本车加速度、前后行驶的两车之间的相对距离以及所述两车之间的相对速度，并根据所述本车加速度计算得到本车加速度变化率，以及根据所述相对速度计算得到前车加速度扰动量；

步骤S2，将所述本车速度、所述本车加速度、所述相对速度、所述相对距离和所述本车加速度变化率作为第一控制数组，并根据所述第一控制数组和所述前车加速度扰动量建立一预测模型，将所述第一控制数组作为所述预测模型的输入，使得所述预测模型输出下一时刻的预测输出量；

步骤S3，按照预设的参数约束条件对所述第一控制数组进行约束，得到第二控制数组，将所述第二控制数组作为所述预测模型的输入，使得所述预测模型输出下一时刻的参考轨迹量，并将所述参考轨迹量、所述预测输出量和所述第一控制数组输入预设的一目标函数中，使得所述目标函数输出一状态差距值，所述状态差距值用于表明两车之间的运动状态差距；

步骤S4，根据所述目标函数与所述预测模型的转换关系对所述目标函数进行化简处理，并在所述状态差距值最小时输出相对应的预测模型；

步骤S5，所述下层控制器根据所述状态差距值最小时的所述预测模型对所述本车的跟车行驶状态进行调整。

进一步地，所述预测模型配置为：

y(k)＝Cx(k)-S；

其中，x(k)＝[d,v_f,v_ref,a_f,j]^T，u(k)＝[d,v_f,v_ref,a_f,j]^T，y(k)＝[Δd,v_f,v_ref,a_f,j]^T，

Δd＝d-d_safe>0，d_safe＝v_ft_h；

k用于表示当前时刻，d用于表示当前时刻的所述相对距离，v_f用于表示当前时刻的所述本车速度，v_ref用于表示当前时刻的所述相对车速，a_f用于表示当前时刻的所述本车加速度，j用于表示当前时刻的所述本车加速度，T_S用于表示所述传感器的采集时间，T用于表示下一时刻与当前时刻的时间差，t_h用于表示当前时刻的车头时距，t用于表示下层控制器滞后时间。

进一步地，所述目标函数配置为：

其中，Np用于表示预测时域，Nc用于表示控制时域，y_a(k+i|k)用于表示在 k时刻预测k+i时刻的所述预测输出量，y_rel(k+i|k)用于表示在k时刻预测k+i时刻的所述参考轨迹量，u(k+i)用于表示在k+i时刻的所述第一控制数组， R＝1,Q＝(γ_d,γ_ref,γ_af,γ_j),γ_d、γ_ref、γ_af、γ_j≥0。

进一步地，所述步骤S2与所述步骤S3之间还包括步骤S2A，所述步骤S2A 包括根据当前时刻的所述第一控制数组和上一时刻的所述第一控制数组建立反馈矫正方程，并将所述反馈矫正方程引入所述预测模型，得到矫正后的所述预测模型。

进一步地，所述反馈矫正方程配置为：

m(k)＝x(k)-x(k|k-1)；

其中，

则矫正后的所述预测模型配置为：

其中W_i用于表示预设松弛因子，0<W_i<1。

进一步地，所述参数约束条件配置为：

其中，ε₁、ε₂、ε₃、ε₄、ε₅、

v_fmin、v_fmax、

a_fmin、a_fmax、

j_min、j_max、

u_fmin、

u_fmax、

均为预先设置的不小于0的常数。

本发明的有益效果：

本发明通过在自适应巡航控制系统中的上层控制器中建立预测模型，并根预测模块与目标函数的转换关系，输出状态差距值最小时的预测模型，此时本车和前车的运动状态差距最小，因此将此时的预测模型发送至下层控制器，下层控制器按照预测模型中的本车速度、本车加速度、相对速度、相对距离和本车加速度变化率对本车的跟车行驶状态进行调整，能够提升车辆在自适应巡航控制跟车过程舒适性、安全性和跟随性。

附图说明

图1是本发明的步骤流程图；

图2是本发明中预测模型的控制原理图。

具体实施方式

下面结合附图和实施例，对本发明进一步详细说明。其中相同的零部件用相同的附图标记表示。需要说明的是，下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向，词语“底面”和“顶面”、“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。

如图1和图2所示，本实施例的一种基于模型预测控制的自适应巡航控制算法，包括应用于上层控制器，上层控制器连接一下层控制器，自适应巡航控制算法包括：

步骤S1，本车上的传感器实时采集本车速度、本车加速度、前后行驶的两车之间的相对距离以及两车之间的相对速度，并根据本车加速度计算得到本车加速度变化率，以及根据相对速度计算得到前车加速度扰动量；

步骤S2，将本车速度、本车加速度、相对速度、相对距离和本车加速度变化率作为第一控制数组，并根据第一控制数组和前车加速度扰动量建立一预测模型，将第一控制数组作为预测模型的输入，使得预测模型输出下一时刻的预测输出量；

步骤S3，按照预设的参数约束条件对第一控制数组进行约束，得到第二控制数组，将第二控制数组作为预测模型的输入，使得预测模型输出下一时刻的参考轨迹量，并将参考轨迹量、预测输出量和第一控制数组输入预设的一目标函数中，使得目标函数输出一状态差距值，状态差距值用于表明两车之间的运动状态差距；

步骤S4，根据目标函数与预测模型的转换关系对目标函数进行化简处理，并在状态差距值最小时输出相对应的预测模型；

步骤S5，下层控制器根据状态差距值最小时的预测模型对本车的跟车行驶状态进行调整。

本技术方案通过在自适应巡航控制系统中的上层控制器中建立预测模型，并根预测模块与目标函数的转换关系，输出状态差距值最小时的预测模型，此时本车和前车的运动状态差距最小，因此将此时的预测模型发送至下层控制器，下层控制器按照预测模型中的本车速度、本车加速度、相对速度、相对距离和本车加速度变化率对本车的跟车行驶状态进行调整，能够提升车辆在自适应巡航控制跟车过程舒适性、安全性和跟随性。

进一步地，预测模型配置为：

y(k)＝Cx(k)-S；

其中，x(k)＝[d,v_f,v_ref,a_f,j]^T，u(k)＝[d,v_f,v_ref,a_f,j]^T，y(k)＝[Δd,v_f,v_ref,a_f,j]^T，

Δd＝d-d_safe>0，d_safe＝v_ft_h；

k用于表示当前时刻，d用于表示当前时刻的相对距离，v_f用于表示当前时刻的本车速度，v_ref用于表示当前时刻的相对车速，a_f用于表示当前时刻的本车加速度，j用于表示当前时刻的本车加速度，T_S用于表示传感器的采集时间，t_h用于表示当前时刻的车头时距，t用于表示下层控制器滞后时间，T用于表示下一时刻与当前时刻的时间差。

具体地，本实施例中，x(k)表示状态量，状态量在数值用第一控制数组来表示；

u(k)表示控制量，控制量在数值用第一控制数组来表示，第一控制数组作为预测模型的输入，y(k)表示输出量，

表示当前时刻前车加速度扰动量，前车加速度扰动量由下一时刻的相对车速与当前时刻的相对车速做差后得到的差值数据除以时间得到，当前时刻的相对车速为v_ref，下一时刻的相对车速为 v_ref-a_fT_S，因此当前时刻前车加速度扰动量＝(v_ref-a_fT_S-v_ref)/T＝-a_fT_S/T。 A,B,G,C,S均为权重系数。

在预测模型对目标函数进行优化的过程中，预测模型自身也在进行迭代，迭代后的预测模型配置为：

Y_P＝C_PX_P；

y_rel(k)＝T_Px(k)＝σⁱy(k)；

其中，y_rel(k)用于表示输出量y(k)的参考轨迹，σ＝diag(σ₁,σ₂,σ₃,σ₄)表示对应的权重系数。σⁱ＝e^-T/αi,α可以为预设的时间常数，σⁱ的值域为(0,1)。

Y_P可以再化简为

其中，

进一步地，目标函数配置为：

其中，Np用于表示预测时域，Nc用于表示控制时域，y_a(k+i|k)用于表示在 k时刻预测k+i时刻的预测输出量，y_rel(k+i|k)用于表示在k时刻预测k+i时刻的参考轨迹量，u(k+i)用于表示在k+i时刻的第一预测数组， R＝1,Q＝(γ_d,γ_ref,γ_af,γ_j),γ_d、γ_ref、γ_af、γ_j≥0。

具体地，本实施例中，目标函数经过离散迭代后配置为：

y_a(k)用于表示性能指标向量在时域P内的矩阵；

y_rel(k)用于表示参考轨迹在时域P内的矩阵；

U_N用于表示控制变量在时域P内的矩阵。将迭代后的预测模型带入离散迭代后的目标函数中，去掉与控制变量无关项，就可以将目标函数整理为带约束的二次函数，配置为：

该二次函数可以在时域P内可以二次规划求解得到全局最小值，作为状态差距值的最小值。

进一步地，步骤S2与步骤S3之间还包括步骤S2A，步骤S2A包括根据当前时刻的第一控制数组和上一时刻的第一控制数组建立反馈矫正方程，并将反馈矫正方程引入预测模型，得到矫正后的预测模型。

具体地，本实施例中，考虑到前车车型不同和路面情况不同的问题，为了减少预测值与实际值之间的误差，因此在预测模型中引入反馈校正方程，以提高本技术方案的精确性和鲁棒性。

进一步地，反馈矫正方程配置为：

m(k)＝x(k)-x(k|k-1)；

其中，

则矫正后的预测模型配置为：

其中W_i用于表示预设松弛因子，0<W_i<1。

具体地，本实施例中，反馈矫正方程通过当前时刻的状态量与上一时刻的状态量做差得到。由于状态量在数值用第一控制数组来表示，因此反馈矫正方程通过当前时刻的第一控制数组与上一时刻的第一控制数组做差得到。

通过在原先的预测模型中引入上一时刻的状态量，使得预测模型对下一时刻状态量的预测起到一个纠正的作用，因此矫正后的预测模型与原先的预测模型相比，精确性和鲁棒性更高。其中预设松弛因子W_i中的i＝1,2,3,4,5。进一步地，W₁＝0.8，W₂＝0.8，W₃＝0.8，W₄＝0.8，W₅＝0.2。

进一步地，参数约束条件配置为：

其中，ε₁、ε₂、ε₃、ε₄、ε₅、

v_fmin、v_fmax、

a_fmin、a_fmax、

j_min、j_max、

u_fmin、

u_fmax、

均为预先设置的不小于0的常数。

具体地，本实施例中，对约束条件进行处理后得到：

其中：

对上述两式子再进行整理得到：

其中L_PX_P＝L_PA_Px(k)+L_pB_PU_N+L_PG_PW_P，

化简得到

由L_PA_P＝A_L，L_PG_P＝G_L，得到

工作原理：

首先，在simulink中搭建自适应巡航控制模型和预测模型，并搭建本车和前车在环境下前后行驶的虚拟跟车系统，在本车上引入模拟传感器，通过模拟传感器采集得到本车速度、本车加速度、相对距离、相对速度，并根据本车加速度计算得到本车加速度变化率，以及根据相对速度计算得到前车加速度扰动量。然后根据本车速度、本车加速度、相对速度、相对距离和本车加速度变化率和前车加速度扰动量建立作为预测模型。再根据虚拟跟车系统中的仿真输出结果确定合适的ε₁、ε₂、ε₃、ε₄、ε₅，进而确定参数约束条件。根据参数约束条件和预测模型确定目标函数，再根据目标函数与预测模型的转换关系，确定目标函数的状态差距值最小时的预测模型，上层控制器将此时预测模型中的本车速度、本车加速度、相对速度和本车加速度变化率发送至下层控制器，使得下层控制器对本车跟车状态进行优化调整，提升了本车跟车过程中的舒适性、安全性和跟随性。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于模型预测控制的自适应巡航控制算法，应用于上层控制器，所述上层控制器连接一下层控制器，其特征在于，所述自适应巡航控制算法包括：

步骤S1，本车上的传感器实时采集本车速度、本车加速度、前后行驶的两车之间的相对距离以及所述两车之间的相对速度，并根据所述本车加速度计算得到本车加速度变化率，以及根据所述相对速度计算得到前车加速度扰动量；

步骤S2，将所述本车速度、所述本车加速度、所述相对速度、所述相对距离和所述本车加速度变化率作为第一控制数组，并根据所述第一控制数组和所述前车加速度扰动量建立一预测模型，将所述第一控制数组作为所述预测模型的输入，使得所述预测模型输出下一时刻的预测输出量；

步骤S3，按照预设的参数约束条件对所述第一控制数组进行约束，得到第二控制数组，将所述第二控制数组作为所述预测模型的输入，使得所述预测模型输出下一时刻的参考轨迹量，并将所述参考轨迹量、所述预测输出量和所述第一控制数组输入预设的一目标函数中，使得所述目标函数输出一状态差距值，所述状态差距值用于表明两车之间的运动状态差距；

步骤S4，根据所述目标函数与所述预测模型的转换关系对所述目标函数进行化简处理，并在所述状态差距值最小时输出相对应的预测模型；

步骤S5，所述下层控制器根据所述状态差距值最小时的所述预测模型对所述本车的跟车行驶状态进行调整。

2.根据权利要求1所述的基于模型预测控制的自适应巡航控制算法，其特征在于，所述预测模型的状态方程配置为：

y(k)＝Cx(k)-S；

其中，x(k)＝[d,v_f,v_ref,a_f,j]^T，u(k)＝[d,v_f,v_ref,a_f,j]^T，y(k)＝[Δd,v_f,v_ref,a_f,j]^T，

Δd＝d-d_safe>0，d_safe＝v_ft_h；

k用于表示当前时刻，d用于表示当前时刻的所述相对距离，v_f用于表示当前时刻的所述本车速度，v_ref用于表示当前时刻的所述相对车速，a_f用于表示当前时刻的所述本车加速度，j用于表示当前时刻的所述本车加速度，T_S用于表示所述传感器的采集时间，T用于表示下一时刻与当前时刻的时间差，t_h用于表示当前时刻的车头时距，t用于表示下层控制器滞后时间。

3.根据权利要求1所述的基于模型预测控制的自适应巡航控制算法，其特征在于，所述目标函数配置为：

其中，Np用于表示预测时域，Nc用于表示控制时域，y_a(k+i|k)用于表示在k时刻预测k+i时刻的所述预测输出量，y_rel(k+i|k)用于表示在k时刻预测k+i时刻的所述参考轨迹量，u(k+i)用于表示在k+i时刻的所述第一控制数组，R＝1,Q＝(γ_d,γ_ref,γ_af,γ_j),γ_d、γ_ref、γ_af、γ_j≥0。

4.根据权利要求2所述的基于模型预测控制的自适应巡航控制算法，其特征在于，所述步骤S2与所述步骤S3之间还包括步骤S2A，所述步骤S2A包括根据当前时刻的所述第一控制数组和上一时刻的所述第一控制数组建立反馈矫正方程，并将所述反馈矫正方程引入所述预测模型，得到矫正后的所述预测模型。

5.根据权利要求4所述的基于模型预测控制的自适应巡航控制算法，其特征在于，所述反馈矫正方程配置为：

m(k)＝x(k)-x(k|k-1)；

其中，

则矫正后的所述预测模型配置为：

其中W_i用于表示预设松弛因子，0<W_i<1。

6.根据权利要求2所述的基于模型预测控制的自适应巡航控制算法，其特征在于，所述参数约束条件配置为：

其中，ε₁、ε₂、ε₃、ε₄、ε₅、

v_fmin、v_fmax

a_{f min}、a_{f max}、

j_min、j_max、

u_{f min}、

u_{f max}

均为预先设置的不小于0的常数。

Images