CN115374623A - 一种智能集装箱卡车编队驾驶仿真平台系统 - Google Patents

一种智能集装箱卡车编队驾驶仿真平台系统 Download PDF

Info

Publication number
CN115374623A
CN115374623A CN202210974283.4A CN202210974283A CN115374623A CN 115374623 A CN115374623 A CN 115374623A CN 202210974283 A CN202210974283 A CN 202210974283A CN 115374623 A CN115374623 A CN 115374623A
Authority
CN
China
Prior art keywords
control
traffic
unit
vehicle
truck
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
CN202210974283.4A
Other languages
English (en)
Inventor
胡笳
赖金涛
严学润
王浩然
杜豫川
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210974283.4A priority Critical patent/CN115374623A/zh
Publication of CN115374623A publication Critical patent/CN115374623A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Algebra (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种智能集装箱卡车编队驾驶仿真平台，包括依次连接的交通仿真、编队管理以及卡车控制三个模块，交通仿真模块分别与编队管理模块、卡车控制模块交互连接。交通仿真模块用于人类驾驶车辆仿真，该模块由道路网络、路径决策、交通控制、交通检测、人类驾驶车辆控制、信息可视化以及交通生成七个单元构成；编队管理模块用于智能集卡编队行为仿真，该模块由车队决策器以及编队管理策略两个单元构成；卡车控制模块用于智能集卡仿真，该模块由单车决策器、控制器以及车辆动力学三个单元构成。与现有技术相比，本发明支持多种编队驾驶功能验证，且能评估新型混合交通流背景下智能集卡编队对交通系统的影响，还能对编队管理策略效益进行评测。

Description

一种智能集装箱卡车编队驾驶仿真平台系统
技术领域
本发明涉及智能交通仿真技术领域，尤其是涉及一种智能集装箱卡车编队驾驶仿真平台系统。
背景技术
智能集装箱卡车编队驾驶是通过车联网以及车辆自动控制等技术，使一组集装箱卡车以队列的形式紧密行驶。智能集卡(集装箱卡车)编队驾驶技术在货运运输领域有着降本增效的作用，主要表现为：1)节能减排；2)缓解交通拥堵，增加道路容量；3)减少人力劳动成本。因此，智能集卡编队驾驶的商业化落地需求日益增长。
为实现智集卡编队驾驶的商业化落地，该技术需具备下述能力：1)可靠的安全性；2)可观的经济效益；3)对交通系统带来正面积极影响。而为了验证上述能力，需对智能集卡编队驾驶技术进行全面的评估和验证，包括编队驾驶功能验证，编队管理策略评估以及集卡编队对交通系统的影响评估等。
在智能集卡编队驾驶技术评估和验证环节中，仿真起到了至关重要的作用。目前市场上的智能集卡编队驾驶仿真平台可以分为两类：汽车仿真平台和交通仿真平台。其中，汽车仿真平台可以支持多种编队驾驶功能验证，但其无法生成可交互的背景交通流进而无法评估集卡编队对交通系统的影响；交通仿真平台可以评估集卡编队对交通系统的影响，但其缺乏真实的集卡编队驾驶模块进而无法支持编队驾驶功能验证。此外，上述两类平台均无法对编队管理策略效益进行评测。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能集装箱卡车编队驾驶仿真平台系统，能够支持多种编队驾驶功能验证，而且能够评估新型混合交通流背景下智能集卡编队对交通系统的影响，此外还能对编队管理策略效益进行评测。
本发明的目的可以通过以下技术方案来实现：一种智能集装箱卡车编队驾驶仿真平台系统，包括依次连接的交通仿真模块、编队管理模块和卡车控制模块，所述交通仿真模块与卡车控制模块之间交互连接，所述交通仿真模块与编队管理模块之间交互连接；
所述交通仿真模块，用于人类驾驶车辆仿真，包括道路网络单元、路径决策单元、交通控制单元、交通检测单元、人类驾驶车辆控制单元、信息可视化单元以及交通生成单元，所述道路网络单元用于生成路网；
所述路径决策单元用于制定车辆行驶路径；
所述交通控制单元用于制定交通控制方案；
所述交通检测单元用于检测交通状态；
所述人类驾驶车辆控制单元用于控制人类驾驶车辆行为；
所述信息可视化单元用于显示仿真结果；
所述交通生成单元用于随机生成混合交通流；
所述编队管理模块，用于智能集卡编队行为仿真，包括车队决策器以及编队管理策略单元，所述车队决策器用于决定智能集卡车队模式，所述道路网络单元、路径决策单元、交通控制单元、交通检测单元分别连接至车队决策器；
所述编队管理策略单元用于制定智能集卡编队管理策略，所述编队管理策略单元连接至交通生成单元；
所述卡车控制模块，用于智能集卡仿真，包括依次连接的单车决策器、控制器以及车辆动力学单元，所述车辆动力学单元与单车决策器之间交互连接，所述单车决策器用于决定智能集卡模式，所述交通检测单元和车队决策器分别连接至单车决策器；
所述控制器用于生成横纵向控制命令；
所述车辆动力学单元用于生成车辆对于控制命令的真实响应，所述车辆动力学单元连接至信息可视化单元。
进一步地，所述交通生成单元包括人类驾驶车辆生成子单元与智能集卡生成子单元，所述交通生成单元连接至卡车控制模块，所述人类驾驶车辆生成子单元根据交通需求、车辆类型组成信息，对应生成人类驾驶车流；
所述智能集卡生成子单元用于生成智能集卡车流，包含单车、车队以及单车-车队混合三种生成模式，所述单车生成模式指智能集卡以单车的形式随机生成；
所述车队生成模式指智能集卡以车队的形式随机生成；
所述单车-车队混合生成模式指一部分智能集卡以单车的形式随机生成，另一部分智能集卡以车队的形式随机生成。
进一步地，所述车队决策器决定的智能集卡车队模式包括车队保持、车队合并、车队拆分、车队换道以及车队返回车道五种模式。
进一步地，所述编队管理策略包括临时组队和全局协调两种策略，所述临时组队策略具体为：将发生跟随行为的两辆智能集卡临时组队形成车队；
所述全局协调策略具体为：指根据智能集卡的起点、终点、出发时间因素，预先对智能集卡进行编队。
进一步地，所述单车决策器决定的智能集卡模式包括ACC(自适应巡航控制)、CACC(协同自适应巡航控制)、返回车道、自动换道、手动换道五种模式。
进一步地，所述控制器包括纵向控制器和横向控制器，所述纵向控制器用于生成智能集卡纵向控制指令，包括上层控制器和底层控制器，所述上层控制器包括第一控制子单元和第二控制子单元，所述第一控制子单元用于生成控制智能集卡车队首车自由巡航以及跟车驾驶模式的控制指令；
所述第二控制子单元用于生成控制智能集卡车队跟驰车跟车间距的控制指令；
所述底层控制器根据第一控制子单元和第二控制子单元生成的控制指令，对应生成满足车辆动力学模型需求的控制指令；
所述横向控制器用于生成智能集卡横向控制指令。
进一步地，所述第一控制子单元采用IIDM(Improved Intelligent DriverModel，改进的智能驾驶员模型)，所述第二控制子单元采用MPC(Model PredictiveControl，模型预测控制)纵向控制系统，包括对应的系统动态、成本函数以及控制约束。
进一步地，所述MPC纵向控制系统的系统动态具体包括：
状态向量ξlon＝[dl-vihi-s0,vl-vi-aihi]和控制向量ulon＝[ac]，其中，dl为车队中当前集卡与车队头车的车头间距，s0为安全距离，vl为车队头车速度，ac为加速度控制命令，vi、ai和hi分别为第i辆集卡的速度、加速度与车头间距；
所述MPC纵向控制系统的系统动态方程公式为：
Figure BDA0003797553050000031
Figure BDA0003797553050000041
Figure BDA0003797553050000042
Figure BDA0003797553050000043
其中，
Figure BDA0003797553050000044
为t+1步时的状态向量，
Figure BDA0003797553050000045
为第t步时的控制向量，At、Bt和Ct分别为第t步时的状态系数矩阵、控制系数矩阵和常数矩阵，
Figure BDA0003797553050000046
为期望加速度阶跃响应时间，dt为控制步长，al为车队头车的加速度；
所述MPC纵向控制系统的成本函数具体为：
Figure BDA0003797553050000047
其中，
Figure BDA0003797553050000048
和
Figure BDA0003797553050000049
为状态向量的权重，
Figure BDA00037975530500000410
和
Figure BDA00037975530500000411
为最终状态向量的权重，Rlon为控制向量的权重；
所述MPC纵向控制系统的控制约束具体为：
amin≤ac≤amax
其中，amin和amax分别为最小加速度和最大加速度。
进一步地，所述横向控制器采用MPC横向控制系统，包括对应的系统动态、成本函数以及控制约束。
进一步地，所述MPC横向控制系统的系统动态具体包括：
状态向量
Figure BDA00037975530500000412
和控制向量
Figure BDA00037975530500000413
其中，li、
Figure BDA00037975530500000414
和δfi分别为第i辆集卡的横向位置、航向角以及前轮偏角，
Figure BDA00037975530500000415
为前轮偏角控制命令；
所述MPC横向控制系统的系统动态方程公式为：
Figure BDA00037975530500000416
Figure BDA00037975530500000417
Figure BDA0003797553050000051
Figure BDA0003797553050000052
其中，
Figure BDA0003797553050000053
为第s+1步时的状态向量，
Figure BDA0003797553050000054
为第s步时的控制向量，As、Bs和Cs分别为第s步时的状态系数矩阵、控制系数矩阵和常数矩阵，Lw为轴距，
Figure BDA0003797553050000055
为期望前轮偏角阶跃响应时间，ds为控制步长，ks为第s步时的轨迹曲率；
所述MPC横向控制系统的成本函数公式为：
Figure BDA0003797553050000056
其中，
Figure BDA0003797553050000057
和
Figure BDA0003797553050000058
为状态向量的权重，
Figure BDA0003797553050000059
和
Figure BDA00037975530500000510
为最终状态向量的权重，Rlat为控制向量的权重，
Figure BDA00037975530500000511
和
Figure BDA00037975530500000512
分别为第s步和最终步的参考状态向量；
所述MPC横向控制系统的控制约束具体为：
Figure BDA00037975530500000513
其中，
Figure BDA00037975530500000514
和
Figure BDA00037975530500000515
分别为最小前轮偏角和最大前轮偏角。
与现有技术相比，本发明通过设计依次连接的交通仿真、编队管理和卡车控制三个模块，并将交通仿真模块与卡车控制模块交互连接，利用交通仿真模块进行人类驾驶车辆仿真，利用编队管理模块进行智能集卡编队行为仿真，利用卡车控制模块进行智能集卡仿真，由此实现一种模块化设计结构，能够兼容多种集卡编队驾驶决策器、控制器以及车辆动力学模型，支持对多种集卡编队驾驶功能进行验证。
本发明中，交通仿真模块内设置交通生成单元，用于生成大规模随机混合交通流，该交通生成单元包括人类驾驶车辆生成子单元与智能集卡生成子单元，其中，人类驾驶车辆生成子单元根据交通需求、车辆类型组成等生成人类驾驶车流；智能集卡生成子单元则用于生成智能集卡车流，包含单车、车队以及单车-车队混合三种生成模式。由此能够评估新型混合交通流背景下智能集卡编队对交通系统的影响。
本发明中，编队管理模块内设置编队管理策略单元，以实现临时组队和全局协调两种策略，编队管理策略单元输出管理策略至交通生成单元，交通生成单元对应随机生成混合交通流，由此能够为后续对编队管理策略效益进行评测提供可靠的数据支撑。
附图说明
图1为本发明的系统结构示意图；
图2为本发明中车队决策器的工作过程示意图；
图3为本发明中单车决策器的工作过程示意图；
图4为本发明中车辆动力学单元的工作过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示，一种智能集装箱卡车编队驾驶仿真平台系统，包括交通仿真模块、编队管理模块和卡车控制模块：
交通仿真模块用于人类驾驶车辆仿真，如图1所示，该模块包含道路网络、路径决策、交通控制、交通检测、人类驾驶车辆控制、信息可视化以及交通生成七个单元。道路网络单元用于生成路网，路径决策单元用于制定车辆行驶路径，交通控制单元用于制定交通控制方案，交通检测单元用于检测交通状态，人类驾驶车辆控制单元用于控制人类驾驶车辆行为，信息可视化单元用于显示仿真结果，交通生成单元用于随机生成混合交通流。
编队管理模块用于智能集卡编队行为仿真，如图1所示，该模块包含车队决策器以及编队管理策略两个单元。车队决策器用于决定智能集卡车队模式，编队管理策略单元用于制定智能集卡编队管理策略。
卡车控制模块用于智能集卡仿真，如图1所示，该模块包含单车决策器、控制器以及车辆动力学三个单元。单车决策器用于决定智能集卡模式，控制器单元用于生成横纵向控制命令，车辆动力学单元用于生成车辆对控制命令的真实响应。
具体的，交通生成单元包括人类驾驶车辆生成子单元与智能集卡生成子单元，其中，人类驾驶车辆生成子单元根据交通需求、车辆类型组成等生成人类驾驶车流；智能集卡生成子单元用于生成智能集卡车流，包含单车、车队以及单车-车队混合三种生成模式。单车生成模式指智能集卡以单车的形式随机生成；车队生成模式指智能集卡以车队的形式随机生成；单车-车队混合生成模式指一部分智能集卡以单车的形式随机生成，另一部分智能集卡以车队的形式随机生成。
如图2所示，车队决策器单元决定的智能集卡车队模式包括车队保持、车队合并、车队拆分、车队换道以及车队返回车道五种模式。
编队管理策略包括临时组队和全局协调两种策略。临时组队策略指当智能集卡碰巧跟随另一辆智能集卡时，两者临时进行组队形成车队；全局协调策略指根据智能集卡的起点、终点、出发时间等因素预先对智能集卡进行编队。
如图3所示，单车决策器单元决定的智能集卡模式包括ACC、CACC、返回车道、自动换道、手动换道五种模式。
控制器单元包括纵向控制器和横向控制器，纵向控制器用于生成智能集卡纵向控制指令，包括上层控制器和底层控制器，上层控制器包括第一控制子单元和第二控制子单元，第一控制子单元用于生成控制智能集卡车队首车自由巡航以及跟车驾驶模式的控制指令，第二控制子单元用于生成控制智能集卡车队跟驰车跟车间距的控制指令；
底层控制器根据第一控制子单元和第二控制子单元生成的控制指令，对应生成满足车辆动力学模型需求的控制指令；
横向控制器用于生成智能集卡横向控制指令。
具体的，第一控制子单元采用IIDM模型，第二控制子单元采用MPC纵向控制系统，包括对应系统动态、成本函数以及控制约束：
MPC纵向控制的系统动态中，包括状态向量ξlon＝[dl-vihi-s0,vl-vi-aihi]和控制向量ulon＝[ac]，其中，dl是车队中当前集卡与车队头车的车头间距，s0是安全距离，vl是车队头车速度，ac是加速度控制命令，vi、ai和hi分别是第i辆集卡的速度、加速度与车头间距。
MPC纵向控制的系统动态方程公式为：
Figure BDA0003797553050000071
Figure BDA0003797553050000072
Figure BDA0003797553050000073
Figure BDA0003797553050000081
其中，
Figure BDA0003797553050000082
是t+1步时的状态向量，
Figure BDA0003797553050000083
是第t步时的控制向量，At、Bt和Ct分别是第t步时的状态系数矩阵、控制系数矩阵和常数矩阵，
Figure BDA0003797553050000084
是期望加速度阶跃响应时间，dt是控制步长，al是车队头车的加速度。
MPC纵向控制的成本函数公式为：
Figure BDA0003797553050000085
其中，
Figure BDA0003797553050000086
和
Figure BDA0003797553050000087
是状态向量的权重，
Figure BDA0003797553050000088
和
Figure BDA0003797553050000089
是最终状态向量的权重，Rlon是控制向量的权重。
MPC纵向控制的控制约束为amin≤ac≤amax，其中，amin和amax分别是最小加速度和最大加速度。
横向控制器采用MPC横向控制系统，包括对应的系统动态、成本函数以及控制约束。MPC横向控制的系统动态中，包括状态向量
Figure BDA00037975530500000810
和控制向量
Figure BDA00037975530500000811
其中，li、
Figure BDA00037975530500000812
和
Figure BDA00037975530500000813
分别是第i辆集卡的横向位置、航向角以及前轮偏角，
Figure BDA00037975530500000814
是前轮偏角控制命令。
MPC横向控制的系统动态方程公式为：
Figure BDA00037975530500000815
Figure BDA00037975530500000816
Figure BDA00037975530500000817
Figure BDA00037975530500000818
其中
Figure BDA00037975530500000819
是第s+1步时的状态向量，
Figure BDA00037975530500000820
是第s步时的控制向量，As、Bs和Cs分别为第s步时的状态系数矩阵、控制系数矩阵和常数矩阵，Lw是轴距，
Figure BDA00037975530500000821
是期望前轮偏角阶跃响应时间，ds是控制步长，ks是第s步时的轨迹曲率。
MPC横向控制的横向控制成本函数公式为：
Figure BDA0003797553050000091
其中，
Figure BDA0003797553050000092
和
Figure BDA0003797553050000093
是状态向量的权重，
Figure BDA0003797553050000094
和
Figure BDA0003797553050000095
是最终状态向量的权重，Rlat是控制向量的权重，
Figure BDA0003797553050000096
和
Figure BDA0003797553050000097
分别是第s步和最终步的参考状态向量。
MPC横向控制的控制约束为：
Figure BDA0003797553050000098
其中，
Figure BDA0003797553050000099
和
Figure BDA00037975530500000910
分别是最小前轮偏角和最大前轮偏角。
如图4所示，车辆动力学单元用于模拟车辆对上层控制指令的真实响应，进而控制车辆的加减速以及转向行为。
综上所述，本技术方案提出了一种智能集装箱卡车编队驾驶仿真平台，相比于现有的仿真平台，本技术方案采用模块化设计结构，兼容多种集卡编队驾驶决策器、控制器以及动力学模型，支持对多种集卡编队驾驶功能进行验证；
能够生成大规模随机混合交通流，支持对编队驾驶对交通系统的影响进行评估；
设计了编队管理模块，支持对编队管理策略效益进行评估；
此外，本技术方案的仿真速度快，经过测试，每秒可以运行约300辆智能集卡与无上限人类驾驶车辆。

Claims (10)

1.一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，包括依次连接的交通仿真模块、编队管理模块和卡车控制模块，所述交通仿真模块与卡车控制模块之间交互连接，所述交通仿真模块与编队管理模块之间交互连接；
所述交通仿真模块，用于人类驾驶车辆仿真，包括道路网络单元、路径决策单元、交通控制单元、交通检测单元、人类驾驶车辆控制单元、信息可视化单元以及交通生成单元，所述道路网络单元用于生成路网；
所述路径决策单元用于制定车辆行驶路径；
所述交通控制单元用于制定交通控制方案；
所述交通检测单元用于检测交通状态；
所述人类驾驶车辆控制单元用于控制人类驾驶车辆行为；
所述信息可视化单元用于显示仿真结果；
所述交通生成单元用于随机生成混合交通流；
所述编队管理模块，用于智能集卡编队行为仿真，包括车队决策器以及编队管理策略单元，所述车队决策器用于决定智能集卡车队模式，所述道路网络单元、路径决策单元、交通控制单元、交通检测单元分别连接至车队决策器；
所述编队管理策略单元用于制定智能集卡编队管理策略，所述编队管理策略单元连接至交通生成单元；
所述卡车控制模块，用于智能集卡仿真，包括依次连接的单车决策器、控制器以及车辆动力学单元，所述车辆动力学单元与单车决策器之间交互连接，所述单车决策器用于决定智能集卡模式，所述交通检测单元和车队决策器分别连接至单车决策器；
所述控制器用于生成横纵向控制命令；
所述车辆动力学单元用于生成车辆对于控制命令的真实响应，所述车辆动力学单元连接至信息可视化单元。
2.根据权利要求1所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述交通生成单元包括人类驾驶车辆生成子单元与智能集卡生成子单元，所述交通生成单元连接至卡车控制模块，所述人类驾驶车辆生成子单元根据交通需求、车辆类型组成信息，对应生成人类驾驶车流；
所述智能集卡生成子单元用于生成智能集卡车流，包含单车、车队以及单车-车队混合三种生成模式，所述单车生成模式指智能集卡以单车的形式随机生成；
所述车队生成模式指智能集卡以车队的形式随机生成；
所述单车-车队混合生成模式指一部分智能集卡以单车的形式随机生成，另一部分智能集卡以车队的形式随机生成。
3.根据权利要求1所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述车队决策器决定的智能集卡车队模式包括车队保持、车队合并、车队拆分、车队换道以及车队返回车道五种模式。
4.根据权利要求1所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述编队管理策略包括临时组队和全局协调两种策略，所述临时组队策略具体为：将发生跟随行为的两辆智能集卡临时组队形成车队；
所述全局协调策略具体为：指根据智能集卡的起点、终点、出发时间因素，预先对智能集卡进行编队。
5.根据权利要求1所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述单车决策器决定的智能集卡模式包括ACC、CACC、返回车道、自动换道、手动换道五种模式。
6.根据权利要求1所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述控制器包括纵向控制器和横向控制器，所述纵向控制器用于生成智能集卡纵向控制指令，包括上层控制器和底层控制器，所述上层控制器包括第一控制子单元和第二控制子单元，所述第一控制子单元用于生成控制智能集卡车队首车自由巡航以及跟车驾驶模式的控制指令；
所述第二控制子单元用于生成控制智能集卡车队跟驰车跟车间距的控制指令；
所述底层控制器根据第一控制子单元和第二控制子单元生成的控制指令，对应生成满足车辆动力学模型需求的控制指令；
所述横向控制器用于生成智能集卡横向控制指令。
7.根据权利要求6所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述第一控制子单元采用IIDM模型，所述第二控制子单元采用MPC纵向控制系统，包括对应的系统动态、成本函数以及控制约束。
8.根据权利要求7所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述MPC纵向控制系统的系统动态具体包括：
状态向量ξlon＝[dl-vihi-s0,vl-vi-aihi]和控制向量ulon＝[ac]，其中，dl为车队中当前集卡与车队头车的车头间距，s0为安全距离，vl为车队头车速度，ac为加速度控制命令，vi、ai和hi分别为第i辆集卡的速度、加速度与车头间距；
所述MPC纵向控制系统的系统动态方程公式为：
Figure FDA0003797553040000031
Figure FDA0003797553040000032
Figure FDA0003797553040000033
Figure FDA0003797553040000034
其中，
Figure FDA0003797553040000035
为t+1步时的状态向量，
Figure FDA0003797553040000036
为第t步时的控制向量，At、Bt和Ct分别为第t步时的状态系数矩阵、控制系数矩阵和常数矩阵，
Figure FDA0003797553040000037
为期望加速度阶跃响应时间，dt为控制步长，al为车队头车的加速度；
所述MPC纵向控制系统的成本函数具体为：
Figure FDA0003797553040000038
其中，
Figure FDA0003797553040000039
和
Figure FDA00037975530400000310
为状态向量的权重，
Figure FDA00037975530400000311
和
Figure FDA00037975530400000312
为最终状态向量的权重，Rlon为控制向量的权重；
所述MPC纵向控制系统的控制约束具体为：
amin≤ac≤amax
其中，amin和amax分别为最小加速度和最大加速度。
9.根据权利要求6所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述横向控制器采用MPC横向控制系统，包括对应的系统动态、成本函数以及控制约束。
10.根据权利要求9所述的一种智能集装箱卡车编队驾驶仿真平台系统，其特征在于，所述MPC横向控制系统的系统动态具体包括：
状态向量
Figure FDA0003797553040000041
和控制向量
Figure FDA0003797553040000042
其中，li、
Figure FDA0003797553040000043
和
Figure FDA0003797553040000044
分别为第i辆集卡的横向位置、航向角以及前轮偏角，
Figure FDA0003797553040000045
为前轮偏角控制命令；
所述MPC横向控制系统的系统动态方程公式为：
Figure FDA0003797553040000046
Figure FDA0003797553040000047
Figure FDA0003797553040000048
Figure FDA0003797553040000049
其中，
Figure FDA00037975530400000410
为第s+1步时的状态向量，
Figure FDA00037975530400000411
为第s步时的控制向量，As、Bs和Cs分别为第s步时的状态系数矩阵、控制系数矩阵和常数矩阵，Lw为轴距，
Figure FDA00037975530400000412
为期望前轮偏角阶跃响应时间，ds为控制步长，ks为第s步时的轨迹曲率；
所述MPC横向控制系统的成本函数公式为：
Figure FDA00037975530400000413
其中，
Figure FDA00037975530400000414
和
Figure FDA00037975530400000415
为状态向量的权重，
Figure FDA00037975530400000416
和
Figure FDA00037975530400000417
为最终状态向量的权重，Rlat为控制向量的权重，
Figure FDA00037975530400000418
和
Figure FDA00037975530400000419
分别为第s步和最终步的参考状态向量；
所述MPC横向控制系统的控制约束具体为：
Figure FDA00037975530400000420
其中，
Figure FDA00037975530400000421
和
Figure FDA00037975530400000422
分别为最小前轮偏角和最大前轮偏角。
CN202210974283.4A 2022-08-15 2022-08-15 一种智能集装箱卡车编队驾驶仿真平台系统 Pending CN115374623A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210974283.4A CN115374623A (zh) 2022-08-15 2022-08-15 一种智能集装箱卡车编队驾驶仿真平台系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210974283.4A CN115374623A (zh) 2022-08-15 2022-08-15 一种智能集装箱卡车编队驾驶仿真平台系统

Publications (1)

Publication Number Publication Date
CN115374623A true CN115374623A (zh) 2022-11-22

Family

ID=84066137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210974283.4A Pending CN115374623A (zh) 2022-08-15 2022-08-15 一种智能集装箱卡车编队驾驶仿真平台系统

Country Status (1)

Country Link
CN (1) CN115374623A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562713A (zh) * 2023-06-30 2023-08-08 东风悦享科技有限公司 一种应用于港口无人集卡的作业仿真测试方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116562713A (zh) * 2023-06-30 2023-08-08 东风悦享科技有限公司 一种应用于港口无人集卡的作业仿真测试方法及系统
CN116562713B (zh) * 2023-06-30 2023-09-12 东风悦享科技有限公司 一种应用于港口无人集卡的作业仿真测试方法及系统

Similar Documents

Publication Publication Date Title
CN104210383B (zh) 一种四轮独立驱动电动汽车转矩分配控制方法及系统
CN111845701B (zh) 一种跟车环境下基于深度强化学习的hev能量管理方法
CN110481338A (zh) 一种轮毂电机车辆失效控制方法及整车控制器
CN103956045B (zh) 利用半实物仿真技术手段实现车队协同驾驶的方法
CN112622886B (zh) 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN103823382B (zh) 一种基于车型和车速的换道轨迹优化及可视化实现方法
CN107226087A (zh) 一种结构化道路自动驾驶运输车及控制方法
CN108657189A (zh) 基于bp神经网络和安全距离移线工况自动驾驶转向系统及其控制方法
CN109598934A (zh) 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法
CN107993453A (zh) 一种基于车路协同的弯道安全车速计算方法
CN106997675A (zh) 基于动态规划的目标车速预测方法
CN107380162B (zh) 基于功能分配与多目标模糊决策的协同避撞方法
CN106650057A (zh) 基于车辆侧翻侧滑虚拟试验的公路平曲线半径设计方案安全性评价方法
CN115374623A (zh) 一种智能集装箱卡车编队驾驶仿真平台系统
CN113110162B (zh) 一种无人纯电动集装箱运输卡车的驾驶系统
CN107766615A (zh) 基于动力学仿真的主线收费站etc指示标志设置距离安全性评价方法
CN109229107A (zh) 优化驾驶员和车辆性能的系统
CN109559499A (zh) 车辆队列行驶管理平台、控制方法和车载终端
CN112530201A (zh) 一种智能车交叉口右转换道间隙选择方法及装置
CN113071490A (zh) 一种高速公路卡车编队系统
CN114834503A (zh) 基于弹性追踪模型的虚拟编组列车控制方法
CN110320916A (zh) 考虑乘员感受的自动驾驶汽车轨迹规划方法及系统
CN105835854A (zh) 一种紧急制动控制系统及其控制方法
CN109656242A (zh) 一种自动驾驶行车路径规划系统
CN106650063B (zh) 基于车辆侧翻侧滑虚拟试验的公路平曲线半径安全设计的优化方法

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