CN115497281B - 混合交通场景下多队列领航车的鲁棒模型预测控制方法 - Google Patents
混合交通场景下多队列领航车的鲁棒模型预测控制方法 Download PDFInfo
- Publication number
- CN115497281B CN115497281B CN202210983421.5A CN202210983421A CN115497281B CN 115497281 B CN115497281 B CN 115497281B CN 202210983421 A CN202210983421 A CN 202210983421A CN 115497281 B CN115497281 B CN 115497281B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- queue
- pilot
- pilot vehicle
- state
- 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 38
- 238000011217 control strategy Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 206010048669 Terminal state Diseases 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 abstract description 16
- 238000011160 research Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- GZDFHIJNHHMENY-UHFFFAOYSA-N Dimethyl dicarbonate Chemical compound COC(=O)OC(=O)OC GZDFHIJNHHMENY-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/22—Platooning, i.e. convoy of communicating vehicles
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提出了一种混合交通场景下多队列领航车的鲁棒模型预测控制方法,包括:构建混合交通多队列系统;确定混合交通多队列系统的多队列期望速度、领航车安全距离、子队列头车间距;探测人工驾驶车辆的速度、与多队列领航车之间的车间距,根据车间距预测人工驾驶车辆未来假设状态;根据人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态;构建多队列领航车鲁棒模型预测控制器以及对应的目标函数和约束条件;基于目标函数和约束条件对模型预测控制器进行求解,得到当前时刻目标控制策略。采用上述方案的本发明实现了领航车及其后方多队列在人工驾驶车辆干扰下的稳定、安全行驶,减弱人工驾驶车辆对多队列的影响的效果。
Description
技术领域
本申请涉及智能驾驶汽车队列控制技术领域,尤其涉及混合交通场景下多队列领航车的鲁棒模型预测控制方法和装置。
背景技术
在智能交通系统快速发展趋势下,在多队列不断普及的过程中必然会出现混合交通场景,高速公路上将长期处于智能网联汽车和人工驾驶汽车共同驾驶的情况。在此混合交通场景中,多队列周围将存在一定数量不受控制的人工驾驶汽车,其运动状态存在大量随机性和不确定性,可能对多队列的稳定行驶产生影响,甚至出现在多队列前方、插入到子队列之间或子队列内部,在多队列控制中产生安全隐患。因此,有必要研究混合交通场景下多队列鲁棒控制方法,以应对人工驾驶车辆带来的干扰并保证多队列的安全性。
目前针对混合交通场景下单队列的控制和队列内部同时存在人工驾驶车辆和自动驾驶车辆的混合队列控制已有一定研究,多采用鲁棒控制思想来处理人工驾驶车辆带来的不确定性。常用的鲁棒MPC方法包括Min-max MPC、滚动时域H∞控制、TubeMPC、鲁棒DMPC等。但这些方法均存在一定局限性,多只关注自动驾驶车辆对人工驾驶车辆的跟车控制,未考虑高度动态化的人工驾驶车辆对后方车辆乃至队列的影响,不适用于多队列领航车。而目前针对混合交通场景下多队列的研究只局限于通信领域,缺少对控制方法的研究,尤其是领航车的控制方法。同时,现有研究只根据前方交通流来控制自车,无法协同优化后方车辆,尤其是当后方是多队列时,领航车的状态变化会对多队列产生巨大影响。此外,针对大规模复杂多队列系统,尚未考虑混合交通下非理想通信的影响。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的目的在于提出一种混合交通场景下多队列领航车的鲁棒模型预测控制方法,解决了现有方法未考虑领航车的状态变化对多队列产生的影响、以及混合交通下非理想通信的影响的问题,实现了领航车及其后方多队列在人工驾驶车辆干扰下的稳定、安全行驶,减弱人工驾驶车辆对多队列的影响的效果。
为达上述目的,本申请实施例提出了一种混合交通场景下多队列领航车的鲁棒模型预测控制方法,包括:构建混合交通多队列系统,其中,混合交通多队列系统包括多个子队列,多队列领航车为被控车辆,被控车辆的后方相邻子队列头车通过车车通信向领航车传递信息,领航车的前方存在人工驾驶车辆;确定混合交通多队列系统的多队列期望速度、领航车安全距离、子队列头车间距;探测人工驾驶车辆的速度和人工驾驶车辆与多队列领航车之间的车间距,根据车间距预测人工驾驶车辆未来假设状态;根据人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态;构建多队列领航车鲁棒模型预测控制器、模型预测控制器的目标函数和约束条件,其中,模型预测控制器的目标函数和约束条件由领航车期望状态、后方子队列头车假设状态信息,以及当前时刻自车假设状态信息确定,当前时刻自车假设状态信息由上一时刻求解得到的最优控制序列计算得到;基于模型预测控制器的目标函数和约束条件对模型预测控制器进行求解,得到当前时刻目标控制策略,其中,根据人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态,包括:基于探测得到的人工驾驶车辆的实际速度vHDV(t)、人工驾驶车辆与多队列领航车之间的车间距dHDV(t),根据匀速假设计算预测时域Np内人工驾驶车辆的假设速度假设位置/>根据人工驾驶车辆的假设速度/>假设位置多队列期望速度vc、领航车安全距离dsafe,确定多队列领航车的期望速度vdes(k|t)和期望位置pdes(k|t),其中,确定多队列领航车的期望速度和期望位置,包括:若vHDV(t)<vc,令/>否则,令vdes(k|t)=vc,k=0,1,2,...Np-1;若dHDV(t)>dsafe,令否则,令/>其中,p(t)为领航车在t时刻的位置,Δt为采样周期。
本申请实施例的混合交通场景下多队列领航车的鲁棒模型预测控制方法,通过根据多队列前方人工驾驶车辆的状态确定多队列领航车的控制策略,建立鲁棒模型预测控制器,将后方子队列头车运动状态纳入目标函数,以实现多队列在混合交通下的稳定控制。
可选地,在本申请的一个实施例中,构建多队列领航车鲁棒模型预测控制器,包括:
对于多队列领航车,建立车辆实际系统模型和标称系统模型;
根据车辆实际系统模型和标称系统模型构建前馈控制器和反馈控制器,其中,
车辆实际系统模型表示为:
x(t+1)=f(x(t),u(t))+Bw(t)
其中,f(x(t),u(t))为实际系统的车辆动力学模型,x(t)为多队列领航车在t时刻的状态,u(t)为领航车在t时刻的期望驱动或制动力矩,Bw(t)为外部干扰项,
标称系统模型表示为:
其中,为标称系统的车辆动力学模型,/>为多队列领航车在t时刻标称状态,/>为领航车在t时刻标称期望驱动或制动力矩,
前馈控制器为优化目标和约束条件构成的优化问题,其中,前馈控制器的优化目标为:
其中,Np为预测时域,G为领航车标称系统期望状态权重矩阵,R为领航车标称系统控制量增益权重矩阵,F为领航车标称系统假设状态权重矩阵,Q为领航车标称系统邻域期望状态权重矩阵,Ff为领航车标称系统邻域假设状态权重矩阵,为车辆标称状态,xdes(k|t)为领航车期望状态,xdes(k|t)=[pdes(k|t),vdes(k|t),Tdes(k|t)]T,k=0,1,2,...Np-1,pdes(k|t)为多队列领航车的期望位置,vdes(k|t)为多队列领航车的期望速度,Tdes(k|t)为多队列领航车的期望转矩,/>为标称控制量,xa(k|t)为领航车假设状态信息,为后方子队列头车标称状态,D为领航车与子队列头车之间的期望状态偏差,为后方子队列头车假设状态,
前馈控制器的约束条件为:
其中,Ulimit为可行控制量集合,ε为允许的偏差范围,Ω为终端状态集合,
反馈控制器表示为:
其中,K为反馈增益,为反馈控制量,/>为实际误差与标称误差之间的偏差。
当前时刻目标控制策略包括领航车控制量和最优控制序列,使用领航车控制量对领航车进行控制,根据最优控制序列计算下一时刻自车假设状态序列并发送给多队列系统中的其他车辆,作为其他车辆的期望状态,
其中,领航车控制量表示为:
其中,为标称控制量,/>为反馈控制量。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例一所提供的一种混合交通场景下多队列领航车的鲁棒模型预测控制方法的流程示意图;
图2为本申请实施例的混合交通场景下多队列前方存在人工驾驶车辆的场景示意图;
图3为本申请实施例的多队列领航车控制器架构示意图;
图4为本申请实施例的多队列领航车跟车策略示意图;
图5为本申请实施例的多队列领航车鲁棒模型预测控制架构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元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,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的混合交通场景下多队列领航车的鲁棒模型预测控制方法和装置。
针对现有技术难以在混合交通场景下实现对多队列领航车的鲁棒控制,同时对多队列前方人工驾驶车辆的影响研究有限、缺乏全面考虑后方多队列的领航车控制策略的问题,本申请提出一种混合交通场景下多队列领航车的鲁棒模型预测控制方法。
图1为本申请实施例一所提供的一种混合交通场景下多队列领航车的鲁棒模型预测控制方法的流程示意图。
如图1所示,该混合交通场景下多队列领航车的鲁棒模型预测控制方法包括以下步骤:
步骤101,构建混合交通多队列系统,其中,混合交通多队列系统包括多个子队列,多队列领航车为被控车辆,被控车辆的后方相邻子队列头车通过车车通信向领航车传递信息,领航车的前方存在人工驾驶车辆;
步骤102,确定混合交通多队列系统的多队列期望速度、领航车安全距离、子队列头车间距;
步骤103,探测人工驾驶车辆的速度和人工驾驶车辆与多队列领航车之间的车间距,根据车间距预测人工驾驶车辆未来假设状态;
步骤104,根据人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态;
步骤105,构建多队列领航车鲁棒模型预测控制器、模型预测控制器的目标函数和约束条件,其中,模型预测控制器的目标函数和约束条件由领航车期望状态、后方子队列头车假设状态信息,以及当前时刻自车假设状态信息确定,当前时刻自车假设状态信息由上一时刻求解得到的最优控制序列计算得到;
步骤106,基于模型预测控制器的目标函数和约束条件对模型预测控制器进行求解,得到当前时刻目标控制策略,其中,根据人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态,包括:基于探测得到的人工驾驶车辆的实际速度vHDV(t)、人工驾驶车辆与多队列领航车之间的车间距dHDV(t),根据匀速假设计算预测时域Np内人工驾驶车辆的假设速度假设位置/>根据人工驾驶车辆的假设速度假设位置/>多队列期望速度vc、领航车安全距离dsafe,确定多队列领航车的期望速度vdes(k|t)和期望位置pdes(k|t),其中,确定多队列领航车的期望速度和期望位置,包括:若vHDV(t)<vc,令/>否则,令vdes(k|t)=vc,k=0,1,2,...Np-1;若dHDV(t)>dsafe,令/>否则,/>其中,p(t)为领航车在t时刻的位置,Δt为采样周期。
本申请实施例的混合交通场景下多队列领航车的鲁棒模型预测控制方法,通过对多队列领航车进行了建模,设计跟车策略以确定在不同工况下的领航车期望状态,能够适应人工驾驶车辆的不同运动状态,避免因人工驾驶车辆运动不确定性给多队列带来的影响,能够保持多队列的稳定行驶。同时,本发明对后方子队列头车的运动状态进行了协同优化,能够进一步减小多队列在动态交通中的速度波动,增强了多队列的鲁棒性。
可选地,在本申请的一个实施例中,构建多队列领航车鲁棒模型预测控制器,包括:
对于多队列领航车,建立车辆实际系统模型和标称系统模型;
根据车辆实际系统模型和标称系统模型构建前馈控制器和反馈控制器,其中,
车辆实际系统模型表示为:
x(t+1)=f(x(t),u(t))+Bw(t)
其中,f(x(t),u(t))为实际系统的车辆动力学模型,x(t)为多队列领航车在t时刻的状态,u(t)为领航车在t时刻的期望驱动或制动力矩,Bw(t)为外部干扰项,
标称系统模型表示为:
其中,为标称系统的车辆动力学模型,/>为多队列领航车在t时刻标称状态,/>为领航车在t时刻标称期望驱动或制动力矩,
前馈控制器为优化目标和约束条件构成的优化问题,其中,前馈控制器的优化目标为:
其中,Np为预测时域,G为领航车标称系统期望状态权重矩阵,R为领航车标称系统控制量增益权重矩阵,F为领航车标称系统假设状态权重矩阵,Q为领航车标称系统邻域期望状态权重矩阵,Ff为领航车标称系统邻域假设状态权重矩阵,为车辆标称状态,xdes(k|t)为领航车期望状态,xdes(k|t)=[pdes(k|t),vdes(k|t),Tdes(k|t)]T,k=0,1,2,...Np-1,pdes(k|t)为多队列领航车的期望位置,vdes(k|t)为多队列领航车的期望速度,Tdes(k|t)为多队列领航车的期望转矩,/>为标称控制量,xa(k|t)为领航车假设状态信息,为后方子队列头车标称状态,D为领航车与子队列头车之间的期望状态偏差,/>为后方子队列头车假设状态,后方子队列头车假设状态的计算过程为:
多队列系统内除多队列领航车外,其他的子队列头车和跟随车均采用与领航车前馈优化问题相似的分布式模型预测控制方法,但是具体目标函数和约束条件不同。后方子队列头车根据其自身的优化问题得到预测时域Np内的最优控制序列,按照此最有控制序列及自车动力学模型,能够得到未来Np步内的自车假设状态序列,即后方子队列头车的假设状态序列,该序列通过车车通信发送给多队列领航车。
举例而言:在每一时刻t,对于除车辆1节点外的其他领航车节点和所有子队列跟随车节点,根据计算得到的自车节点在t时刻的最优预测控制输入序列和自车节点t时刻的状态,得到自车节点在t+1时刻的预测时域中的最优状态序列:
计算该车辆节点t+1时刻的假设输入序列:
则该车辆节点t+1时刻的相应的假设状态序列为:
前馈控制器的约束条件为:
其中,Ulimit为可行控制量集合,ε为允许的偏差范围,Ω为终端状态集合,
反馈控制器表示为:
其中,K为反馈增益,为反馈控制量,/>为实际误差与标称误差之间的偏差。
当前时刻目标控制策略包括领航车控制量和最优控制序列,使用领航车控制量对领航车进行控制,根据最优控制序列计算下一时刻自车假设状态序列并发送给多队列系统中的其他车辆,作为其他车辆的期望状态,
其中,领航车控制量表示为:
其中,为标称控制量,/>为反馈控制量。
下面结合图2介绍本申请的另一实施例,如图2所示,包括如下步骤:
构建混合交通多队列系统,如图3所示,构建的系统中的单车道多队列系统由多个子队列构成,顺序行驶在同一条车道上;每个子队列由一辆领航车和若干跟随车组成,第一个子队列的领航车为多队列领航车,采用本发明所述的控制方法;后方子队列的领航车及各子队列跟随车通过DMPC方法进行跟车控制;各车之间通过车车通信进行信息传输,其中,多队列领航车V为被控车辆,其后方相邻子队列头车vf通过车车通信向领航车V传递信息;领航车V的前方存在若干人工驾驶车辆,本实施例仅讨论紧邻领航车的第一辆人工驾驶车辆vH。
针对该多队列系统,设定多队列期望速度vc,在多队列前方无干扰车辆时,多队列以速度vc进行匀速巡航行驶。设定领航车安全距离dsafe,为领航车与其前方的人工驾驶车辆需要保持的最小安全距离。设定子队列头车间距Dp,为领航车与其后方相邻子队列头车之间的期望距离。
领航车采用车载传感器探测人工驾驶车辆vH在t时刻的速度vHDV(t),以及人工驾驶车辆vH与多队列领航车V的车间距dHDV(t)。根据匀速假设计算预测时域Np内人工驾驶车辆的假设速度假设位置/>k=0,1,2,...Np-1。
则根据前述设定的多队列期望速度vc,领航车安全距离dsafe,按照以下策略计算多队列领航车的期望速度vdes(k|t),和期望位置pdes(k|t),如图4所示。
若vHDV(t)<vc,则令否则,令vdes(k|t)=vc,k=0,1,2,...Np-1;
若dHDV(t)>dsafe,则令否则,令/>
其中,p(t)为领航车在t时刻的位置,Δt为采样周期。
领航车V通过车车通信得知后方子队列头车Vf的标称动力学模型,并在行驶过程中接收其发送的假设状态信息
设计领航车鲁棒模型预测控制器,架构如图5所示。建立领航车的非线性纵向动力学标称系统模型和实际系统模型;设计模型预测前馈控制器,根据上述领航车期望状态、后方子队列头车假设状态信息,以及上一时刻计算出的自车假设状态信息,设计模型预测控制器的目标函数和约束条件。求解该模型预测控制问题得到最优控制序列,将最优控制序列的第一个值用于领航车辆控制,同时利用最优控制序列计算自车假设输出序列并发送给多队列系统中的车辆。具体步骤如下:
领航车动力学系统建模
对于多队列领航车V,建立非线性动力学模型如下:
x(t+1)=φ(x(t))+ψu(t),
其中,车辆状态x(t)=[p(t),v(t),T(t)]T,t为控制时刻,p(t)和v(t)分别为领航车V在t时刻的位移和速度,m为领航车V的质量,CD为领航车V的集总空气阻力系数,g为重力加速度常数,f为滚动阻力系数,T(t)为领航车V在t时刻的实际驱动力或制动力的力矩,u(t)为领航车V在t时刻的期望驱动或制动力矩,τ为领航车V纵向动力系统的时滞常数,rw为领航车V的车轮半径,ηT为领航车V的传动系统的机械效率。
实际情况下,存在由人工驾驶车辆不确定性带来的外部干扰,则车辆V实际系统为:
x(t+1)=f(x(t),u(t))+Bw(t)
其中,f(x(t),u(t))=φ(x(t))+ψu(t),Bw(t)为外部干扰项,由人工驾驶车辆运动状态的预测不确定性导致。
当不考虑外部干扰时,多队列领航车的标称系统为:
其中,为车辆标称状态,/>为标称控制量。
则实际跟车误差:
其中,为标称误差,是期望标称状态与标称状态的误差,/>为实际误差与标称误差之间的偏差。
前馈控制器设计
根据所述领航车期望速度和期望位置,得到领航车期望状态为xdes(k|t)=[pdes(k|t),vdes(k|t),Tdes(k|t)]T,k=0,1,2,...Np-1,其中Tdes(k|t)为车辆匀速状态下的转矩。
前馈模型预测控制器优化问题为:
其中,G为领航车标称系统期望状态权重矩阵,以减小标称状态与期望状态之间的误差;/>R为领航车标称系统控制量增益权重矩阵,以限制标称控制量变化量,使车辆控制趋于平稳;/>xa为领航车假设状态信息,F为领航车标称系统假设状态权重矩阵,以减小领航车与自车假设状态之间的变化;/>为后方子队列头车标称系统状态,D=[Dp 0 0]T为领航车与子队列头车之间的期望状态偏差,Dp为领航车与后方子队列头车之间的期望距离,Q为领航车标称系统邻域期望状态权重矩阵;该项对后方子队列头车Vf的未来运动状态与自车的误差进行优化,充分考虑了后方子队列可能的运动状态,可有效抑制多队列速度波动;/>为后方子队列头车假设状态,Ff为领航车标称系统邻域假设状态权重矩阵;该项旨在使后方子队列头车Vf仍能保持其假设运动状态不变;/>为后方子队列头车Vf的标称系统动力学模型;
Ulimit为车辆控制量极值,ε为允许的假设状态最大误差,Ω为终端状态集合,为标称控制量。
反馈控制器设计
采用线性反馈控制器:其中K为反馈增益,/>为反馈控制量。该项用于对标称系统和实际系统之间的偏差进行反馈校正,使车辆实际运动状态收敛于标称系统期望状态,以抑制外部干扰的影响。
车辆控制量计算
车辆控制量为标称控制量和反馈控制量之和:将u(t)用于领航车控制,同时根据/>计算自车下一时刻的标称系统假设状态xa(k|t+1)。所述标称系统假设状态通过车车通信发送给多队列内其他子队列领航车和各跟随车,作为他们的期望状态;同时也用于领航车下一时刻的标称系统前馈优化问题的计算。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (2)
1.一种混合交通场景下多队列领航车的鲁棒模型预测控制方法,其特征在于,包括以下步骤:
构建混合交通多队列系统,其中,所述混合交通多队列系统包括多个子队列,多队列领航车为被控车辆,所述被控车辆的后方相邻子队列头车通过车车通信向领航车传递信息,所述领航车的前方存在人工驾驶车辆;
确定所述混合交通多队列系统的多队列期望速度、领航车安全距离、子队列头车间距;
探测所述人工驾驶车辆的速度和所述人工驾驶车辆与所述多队列领航车之间的车间距,根据所述车间距预测人工驾驶车辆未来假设状态;
根据所述人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态;
构建多队列领航车鲁棒模型预测控制器、所述模型预测控制器的目标函数和约束条件,其中,所述模型预测控制器的目标函数和约束条件由所述领航车期望状态、后方子队列头车假设状态信息,以及当前时刻自车假设状态信息确定,所述当前时刻自车假设状态信息由上一时刻求解得到的最优控制序列计算得到;
基于所述模型预测控制器的目标函数和约束条件对所述模型预测控制器进行求解,得到当前时刻目标控制策略,
其中,所述根据所述人工驾驶车辆未来假设状态和多队列领航车跟车策略确定多队列领航车期望状态,包括:
基于探测得到的所述人工驾驶车辆的实际速度vHDV(t)、所述人工驾驶车辆与所述多队列领航车之间的车间距dHDV(t),根据匀速假设计算预测时域Np内人工驾驶车辆的假设速度假设位置/>
根据所述人工驾驶车辆的假设速度假设位置/>所述多队列期望速度vc、所述领航车安全距离dsafe,确定多队列领航车的期望速度vdes(k|t)和期望位置pdes(k|t),
其中,所述确定多队列领航车的期望速度和期望位置,包括:
若vHDV(t)<vc,令否则,令vdes(k|t)=vc,k=0,1,2,...Np-1;
若dHDV(t)>dsafe,令否则,令/>
其中,p(t)为领航车在t时刻的位置,Δt为采样周期。
2.如权利要求1所述的方法,其特征在于,所述构建多队列领航车鲁棒模型预测控制器,包括:
对于所述多队列领航车,建立车辆实际系统模型和标称系统模型;
根据所述车辆实际系统模型和标称系统模型构建前馈控制器和反馈控制器,其中,
所述车辆实际系统模型表示为:
x(t+1)=f(x(t),u(t))+Bw(t)
其中,f(x(t),u(t))为实际系统的车辆动力学模型,x(t)为多队列领航车在t时刻的状态,u(t)为领航车在t时刻的期望驱动或制动力矩,Bw(t)为外部干扰项,
所述标称系统模型表示为:
其中,为标称系统的车辆动力学模型,/>为多队列领航车在t时刻标称状态,/>为领航车在t时刻标称期望驱动或制动力矩,
所述前馈控制器为优化目标和约束条件构成的优化问题,其中,所述前馈控制器的优化目标为:
其中,Np为预测时域,G为领航车标称系统期望状态权重矩阵,R为领航车标称系统控制量增益权重矩阵,F为领航车标称系统假设状态权重矩阵,Q为领航车标称系统邻域期望状态权重矩阵,Ff为领航车标称系统邻域假设状态权重矩阵,为车辆标称状态,xdes(k|t)为所述领航车期望状态,xdes(k|t)=[pdes(k|t),vdes(k|t),Tdes(k|t)]T,k=0,1,2,...Np-1,pdes(k|t)为多队列领航车的期望位置,vdes(k|t)为多队列领航车的期望速度,Tdes(k|t)为多队列领航车的期望转矩,/>为标称控制量,xa(k|t)为领航车假设状态信息,/>为后方子队列头车标称状态,D为领航车与子队列头车之间的期望状态偏差,/>为后方子队列头车假设状态,
所述前馈控制器的约束条件为:
其中,Ulimit为可行控制量集合,ε为允许的偏差范围,Ω为终端状态集合,
所述反馈控制器表示为:
其中,K为反馈增益,为反馈控制量,/>为实际误差与标称误差之间的偏差;
所述当前时刻目标控制策略包括领航车控制量和最优控制序列,使用所述领航车控制量对领航车进行控制,根据所述最优控制序列计算下一时刻自车假设状态序列并发送给多队列系统中的其他车辆,作为其他车辆的期望状态,
其中,所述领航车控制量表示为:
其中,为标称控制量,/>为反馈控制量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983421.5A CN115497281B (zh) | 2022-08-16 | 2022-08-16 | 混合交通场景下多队列领航车的鲁棒模型预测控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210983421.5A CN115497281B (zh) | 2022-08-16 | 2022-08-16 | 混合交通场景下多队列领航车的鲁棒模型预测控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497281A CN115497281A (zh) | 2022-12-20 |
CN115497281B true CN115497281B (zh) | 2024-03-19 |
Family
ID=84466231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210983421.5A Active CN115497281B (zh) | 2022-08-16 | 2022-08-16 | 混合交通场景下多队列领航车的鲁棒模型预测控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497281B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116386387B (zh) * | 2023-04-19 | 2024-03-08 | 长安大学 | 混合队列人驾车辆跟驰行为预测方法和装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180023100A (ko) * | 2016-08-23 | 2018-03-07 | 한국철도기술연구원 | 강인한 군집주행을 위한 판단/제어 방법 및 그 판단/제어장치 |
CN111679575A (zh) * | 2020-05-14 | 2020-09-18 | 江苏大学 | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 |
CN112445229A (zh) * | 2020-11-04 | 2021-03-05 | 清华大学 | 一种领航车队协同的单车道多队列分层控制方法 |
CN113570845A (zh) * | 2021-07-23 | 2021-10-29 | 东风汽车集团股份有限公司 | 一种网联式车辆编队行驶方法和系统 |
CN113795010A (zh) * | 2021-08-24 | 2021-12-14 | 清华大学 | 一种汽车队列的测试方法、装置、电子设备及其存储介质 |
CN114200835A (zh) * | 2021-12-03 | 2022-03-18 | 广东工业大学 | 一种基于Tube MPC的异构车队稳定性分布式控制方法 |
CN114194218A (zh) * | 2022-01-29 | 2022-03-18 | 中国第一汽车股份有限公司 | 自动驾驶系统的优化方法、装置、服务器、车辆和介质 |
-
2022
- 2022-08-16 CN CN202210983421.5A patent/CN115497281B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180023100A (ko) * | 2016-08-23 | 2018-03-07 | 한국철도기술연구원 | 강인한 군집주행을 위한 판단/제어 방법 및 그 판단/제어장치 |
CN111679575A (zh) * | 2020-05-14 | 2020-09-18 | 江苏大学 | 一种基于鲁棒模型预测控制的智能汽车轨迹跟踪控制器及其构造方法 |
CN112445229A (zh) * | 2020-11-04 | 2021-03-05 | 清华大学 | 一种领航车队协同的单车道多队列分层控制方法 |
CN113570845A (zh) * | 2021-07-23 | 2021-10-29 | 东风汽车集团股份有限公司 | 一种网联式车辆编队行驶方法和系统 |
CN113795010A (zh) * | 2021-08-24 | 2021-12-14 | 清华大学 | 一种汽车队列的测试方法、装置、电子设备及其存储介质 |
CN114200835A (zh) * | 2021-12-03 | 2022-03-18 | 广东工业大学 | 一种基于Tube MPC的异构车队稳定性分布式控制方法 |
CN114194218A (zh) * | 2022-01-29 | 2022-03-18 | 中国第一汽车股份有限公司 | 自动驾驶系统的优化方法、装置、服务器、车辆和介质 |
Non-Patent Citations (3)
Title |
---|
Stability and Scalability of Homogeneous Vehicular Platoon: Study on the Influence of Information Flow Topologies;Yang Zheng;IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS;第14-26页 * |
智能网联混合动力汽车队列模型预测分层控制;郭景华 等;汽车工程(第10期);第1293-1334页 * |
智能网联车辆队列紧急工况控制策略设计;李鹏飞 等;汽车工程;第299-318页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115497281A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112445229B (zh) | 一种领航车队协同的单车道多队列分层控制方法 | |
CN113788021B (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN111768616B (zh) | 混合交通场景下基于车路协同的车队一致性控制方法 | |
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 | |
US9352650B2 (en) | Rule-based cruise control system and method | |
EP2794379B1 (en) | Method and module for controlling a vehicle's speed based on rules and/or costs | |
CN102292753B (zh) | 车组控制方法及车辆 | |
CN111332283B (zh) | 用于控制机动车的方法和系统 | |
CN102874258B (zh) | 一种车辆 | |
US20140249721A1 (en) | Steering System For A Motor Vehicle | |
US9823660B2 (en) | System for distance to stop | |
SE1050667A1 (sv) | Metod och modul för att styra ett fordons hastighet baserat på kostnad | |
CN115497281B (zh) | 混合交通场景下多队列领航车的鲁棒模型预测控制方法 | |
SE533965C2 (sv) | Modul i ett styrsystem för ett fordon | |
CN112660126B (zh) | 用于自适应巡航的车辆协同控制方法、装置及车辆 | |
CN110435655B (zh) | 一种考虑再生制动的电动汽车车队自适应巡航优化方法 | |
CN112907937B (zh) | 一种考虑后车信息的混合车辆队列控制方法及系统 | |
CN105035084B (zh) | 基于规则的巡航控制系统和方法 | |
CN113401077B (zh) | 智能车辆动态可重构网络系统及网络调度方法 | |
CN110546056A (zh) | 用于确定车辆的控制方案的方法和控制装置 | |
CN115593411A (zh) | 具有多个机动车辆的车辆列队的操作 | |
WO2018004415A1 (en) | Method and system for evaluating the operational performance of advanced driver assistant systems associated with a vehicle | |
KR20180116663A (ko) | 자율주행 제어권 전환 시스템 및 방법 | |
CN113968231A (zh) | 一种符合驾驶员习惯的智能驾驶员模型参数确定方法 | |
CN111824167B (zh) | 车辆的速度限制方法、装置、车辆及电子设备 |
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 |