CN116513213A

CN116513213A - 车辆预测控制方法以及使用该方法的车辆驾驶控制系统

Info

Publication number: CN116513213A
Application number: CN202211100823.2A
Authority: CN
Inventors: 禹旻秀
Original assignee: Hyundai Motor Co; Kia Corp
Current assignee: Hyundai Motor Co; Kia Corp
Priority date: 2022-01-24
Filing date: 2022-09-09
Publication date: 2023-08-01
Also published as: DE102022120113A1; KR20230114798A; US20230234596A1

Abstract

本申请公开一种车辆预测控制方法，包括：确定车辆前方的驾驶预测范围；将驾驶预测范围划分为多个阶段，与陡坡路段相对应的阶段的至少一部分根据坡度被整合为一个阶段；针对每个阶段，应用基于车速、牵引力和制动力的状态之间的关系的驾驶预测模型，并共同计算整个预测范围内的驾驶预测模型，以计算车辆的控制值。

Description

车辆预测控制方法以及使用该方法的车辆驾驶控制系统

技术领域

本申请的实施例涉及一种具有改进的计算过程的车辆预测控制方法以及使用该方法的车辆驾驶控制系统。

背景技术

近年来，模型预测控制(MPC)在车辆控制领域得到了迅速和广泛的应用。MPC在每一阶段计算时通过获取尽可能多的信息，即更长的预测范围，来获得更好的解决方案，因此存在需要减少计算负荷的问题。

当然，随着微处理器的计算能力由于硬件的改进而呈指数提高，这些问题正在逐渐减弱。然而，高性能硬件可能会导致成本增加，因此必须不断评估解决这些问题的软件方法。

另一方面，近年来，驾驶技术稳步发展，提高了驾驶员的驾驶便利性，其功能也日益提高。

例如，巡航控制已经演变为智能巡航控制，智能巡航控制超越了简单的巡航控制，跟随前车的停止和启动，使得巡航控制驾驶能够在安静的郊区道路以及相当拥挤的道路上进行，例如在市区。

随着自动驾驶技术的发展，这种巡航控制有望进一步发展。

然而，传统的巡航控制设计仅考虑驾驶便利性或安全性，而没有考虑能源效率。

在减少二氧化碳排放的政策下，世界各国都在加强对例如电动车辆的环保车辆的支持。因此，预计在不久的将来，在道路上将看不到带有内燃机的车辆。

这些环保车辆通常由绿色能源驱动的电机驱动。例如，混合动力车辆或电动车辆由安装在其上的电池供电的电机驱动。

针对电动车辆，单次充电的续航里程非常重要。因此，尽管电池技术不断发展，但除了电池技术之外，驾驶控制技术也很重要，以确保车辆以最佳能量效率行驶。

特别地，如上所述，由于传统的巡航控制在能量效率方面不足，因此需要最佳效率的驾驶控制以提高电动车辆的燃料效率。优选地，需要减少如上所述的计算负荷。

发明内容

本申请的目的在于提供一种具有改进的计算过程的车辆预测控制方法以及使用该方法的车辆驾驶控制系统，其基本上消除了由于现有技术的限制和缺点而导致的一个或多个问题。

本申请的一个目的是提供一种改进驾驶预测控制模型的计算量和计算速度的预测控制方法。

本申请的另一个目的是通过改进的计算为电池供电的环保车辆提供一种最佳效率的驾驶控制方法。

本申请的另一个目的是提供一种应用于巡航控制的驾驶控制方法，该驾驶控制方法能够以较少的计算量和较快的计算速度实现最佳效率的巡航控制驾驶。

本申请的其他优点、目的和特征将部分地在下面的描述中阐述，并且部分地对于本领域普通技术人员在考查以下内容后将变得显而易见，或者可以从本申请的实践中获知。本申请的目的和其他优点可以通过书面描述和权利要求以及附图中具体指出的结构来实现和获得。

为了实现这些目的和其他优点并且根据本申请的目的，如本文所实现和广泛描述的，提供了一种车辆预测控制方法，包括：确定车辆前方的驾驶预测范围(drivingprediction horizon)；将驾驶预测范围划分为多个阶段(step)，与陡坡路段(slopedsection)相对应的阶段的至少一部分根据坡度被整合为一个阶段(one step)；针对每个阶段，应用基于车速、牵引力和制动力的状态之间的关系的驾驶预测模型，并共同计算整个预测范围内的驾驶预测模型，以计算车辆的控制值。

阶段的整合可以与陡坡的近似坡度(θ)有关。

可以根据坡度的近似线性函数计算近似坡度。

可以由对应于数字地图的陡坡路段的坡度数据获得坡度。

可以根据与近似坡度的误差通过多个线性函数来近似坡度。

线性函数可以被确定为使得误差的平方的平均值与线性函数的数量之比小于或等于阈值。

预测模型可以包括针对每个阶段驾驶(each step driving)的电池功率函数。

预测模型可以通过使用平均车速约束条件、车辆行驶速度带约束条件、车速的电机约束条件、与前车的安全距离约束条件以及道路曲率的安全车速约束条件中的至少一项计算电池功率函数的最小解来计算控制值。

具有相同近似坡度的阶段可以被整合为一个阶段。

近似坡度改变的点前后的阶段可以不被整合为一个阶段，而是保持不变。

该方法可以包括根据基于为整合后的一个阶段计算的牵引力和制动力的关系计算整合之前的阶段的车速。

根据本申请的另一方面，提供一种车辆驾驶控制系统，包括：驾驶策略控制单元，被配置为收集前方驾驶预测范围中的路段的曲率和坡度信息、限速信息和执法摄像机位置信息，并从传感器收集与前车的距离信息，以使用平均车速约束条件、车辆行驶速度带约束条件、车速的电机约束条件、与前车的安全距离约束条件以及道路曲率的车速约束条件中的至少一项由预测范围的驾驶预测模型计算车辆的控制值；以及驾驶辅助单元，被配置为基于控制值输出电机和制动器的控制信号。驾驶策略控制单元被配置为将驾驶预测范围划分为多个阶段，然后针对每个阶段应用驾驶预测模型并在整个预测范围内共同计算驾驶预测模型以计算控制值，其中与陡坡路段相对应的阶段的至少一部分根据坡度被整合为一个阶段。

进一步提供了包括如本文公开的车辆控制系统的车辆，以及利用如本文公开的提供车辆预测控制的方法的车辆。

应当理解，本申请的前述一般描述和以下详细描述都是示例性和解释性的，并且旨在提供对所要求保护的本申请的进一步说明。

附图说明

本申请中包括的附图是为了提供对本申请的进一步理解并且被并入并构成本申请的一部分，示出了本申请的实施例，但不限于此，并且连同描述一起帮助更好地理解本申请。在附图中：

图1示出了本申请示例性实施例的流程图；

图2是示出确定预测范围的阶段的过程的流程图；

图3是用于说明纵向运动公式的状态变量模型的示例性实施例的车辆行驶示意图；

图4示出了本申请实施例根据预测范围的长度的模拟结果；

图5A和图5B示出了对电池功率的初级和二次平面近似；

图6示出了基于巡航控制中设定的目标车速的电池功率的二次平面近似的示例；

图7示出了将预测范围分割为n个阶段的示例；

图8示出了通过对示例道路数据近似坡度来减少数据量的状态；

图9示出了近似坡度以减少预测范围中的阶段数的过程；

图10示出了近似前后速度曲线和最优解结果的比较；

图11是说明“车辆行驶速度带约束条件”的示例的示图；

图12是说明“车速的电机约束条件”的示例的示图；

图13是说明“与前车的安全距离约束条件”的示例的示图；

图14是说明“道路曲率的安全车速约束条件”的示例的示图；

图15示意性地示出了满足约束条件的目标函数寻找最优解的过程；

图16是分配给再生制动和/或机械制动的示例；

图17是示意性地示出根据图16的每种情况下的车辆行驶的诸如路面高度、车速、牵引力、再生制动和机械制动力的状态的示图；

图18A至图18C示出了本申请示例性实施例针对三种道路的模拟结果；

图19示出了根据本申请示例性实施例的驾驶控制系统。

具体实施方式

由于本申请可以进行各种修改并具有各种示例，因此将参照附图描述具体实施例。然而，应该理解的是，本申请并不旨在限于特定实施例，而是本申请包括落入如权利要求所限定的本申请的精神和范围内的所有修改、等同或替换形式。

理解的是，本文所使用的术语“车辆”或“车辆的”或其它类似术语通常包括机动车辆，例如包括运动型多用途车辆(SUV)、公共车辆、卡车、各种商用车辆的乘用车，包括各种船艇和船舶的水运工具，飞机等，并包括混合动力车辆、电动车辆、插电式混合动力车辆、氢动力车辆和其它替代燃料(例如，除石油以外的资源衍生的燃料)车辆。如本文所指，混合动力车辆是具有两种或更多种动力源的车辆，例如汽油和电动双动力车辆。

本文使用的术语仅出于描述特定实施例的目的，并不旨在限制本申请。除非上下文另外明确指出，否则如本文所使用的，单数形式“一个”、“一种”和“该”也旨在包括复数形式。这些术语仅旨在将一个组件与另一组件区分开，并且这些术语不限制构成组件的性质、顺序或次序。将进一步理解的是，当在本说明书中使用术语“包括”和/或“包含”时，指定存在所述特征、整数、步骤、操作、元件和/或组件，但是不排除存在或添加一个或多个其它特征、整数、步骤、操作、元件、组件和/或其组。如本文所使用的，术语“和/或”包括一个或多个相关所列项目的任意一个和所有组合。在整个说明书中，除非有相反的明确描述，否则词语“包括”以及诸如“包含”的变型将被理解为暗示包括所述元件，但不排除任何其它元件。另外，说明书中描述的术语“单元”、“装置”和“模块”表示用于处理至少一个功能和操作的单元，并且可以由硬件组件或软件组件及其组合来实施。

尽管将示例性实施例描述为使用多个单元来执行示例性过程，但是理解的是，示例性过程也可以由一个或多个模块来执行。另外，理解的是，术语控制器/控制单元是指包括存储器和处理器并被具体编程以运行本文描述的过程的硬件装置。存储器被配置为存储模块，并且处理器被具体配置以运行所述模块从而执行以下进一步描述的一个或多个过程。

进一步地，本申请的控制逻辑可以被实现为包含由处理器、控制器等运行的可运行程序指令的计算机可读介质上的非暂时性计算机可读介质。计算机可读介质的示例包括但不限于ROM、RAM、光盘(CD)-ROM、磁带、软盘、闪存驱动器、智能卡和光学数据存储装置。计算机可读介质还可以分布在网络联接的计算机系统中，使得计算机可读介质通过，例如远程信息处理服务器或控制器局域网(CAN)的分布式方式存储和运行。

除非特别指出或从上下文明显看出，否则如本文所使用的，术语“约”被理解为在本领域的正常公差范围内，例如在平均值的2个标准偏差内。“约”可以被理解为所述值的10％、9％、8％、7％、6％、5％、4％、3％、2％、1％、0.5％、0.1％、0.05％或0.01％内。除非上下文另外明确说明，否则本文提供的所有数值均由术语“约”修饰。

如本文所使用的，后缀“模块”和“部件”仅仅用于组件之间的命名，并且不应解释为暗示它们是分开的或能够以物理和化学方式分开。

诸如“第一和/或“第二”的术语可以在本文中用于描述本申请的各种元件，但是这些元件不应被解释为受这些术语的限制。这些术语将仅仅用于将本申请的一个元件与其他元件区分。

术语“和/或”用于包括所讨论的多个项的任何组合。例如，“A和/或B”包括所有三种情况，例如“A”、“B”和“A与B”。

将理解的是，当一个元件被称为“联接”或“连接”到另一元件时，它可以直接联接或连接到另一元件，或者也可以存在中间元件。

除非另外定义，否则本文使用的包括技术术语与科学术语的所有术语具有与本领域普通技术人员通常理解的含义相同的含义。将进一步理解的是，通用词典中定义的术语应被解释为具有与它们在相关技术的语境与本申请中的含义一致的含义，并且除非本文明确地定义，否则将不以理想或过度形式的意义来解释。

另外，每个单元或控制单元只是广泛用于命名用于控制车辆的特定功能的控制器的术语，并不意味着通用的功能单元。例如，每个单元或控制单元可以包括与其他控制器或传感器通信以控制其负责的功能的通信装置、存储操作系统或逻辑命令和输入/输出信息的存储器，以及执行控制其负责的功能所必需的确定、计算、决定等的一个或多个处理器。

在下文中，将参照示例性附图详细描述本申请的一些实施例。在附图中，将始终使用相同的附图标记来表示相同或等同的元件。另外，将排除对众所周知的特征或功能的详细描述，以免不必要地使本申请的主旨不清楚。

图1是根据本申请示例性实施例的最佳效率驾驶控制方法的流程图。图2是示出根据示例性实施例的确定预测范围的阶段的过程的流程图。

首先，实施例的驾驶控制方法可以由车辆驾驶控制系统实施并安装在车辆中。例如，驾驶控制系统包括驾驶策略控制单元和驾驶辅助单元，稍后将详细描述。

例如，实施例的驾驶控制方法可以例如从驾驶员选择驾驶模式(S10)开始。例如，用于选择诸如巡航控制、智能巡航控制以及脉冲和滑行的驾驶模式的、诸如选择按钮或控制杆的驾驶模式选择器可以设置在车辆中驾驶员可触及的位置。

除非有特殊原因不能应用，否则实施例的驾驶控制方法可以作为现有驾驶技术的附加部分来实施。例如，实施例的控制方法可以应用于巡航控制，与现有巡航控制的控制相比，这可以使驾驶的能量效率提高。

另外，可以应用实施例的驾驶控制方法的驾驶控制技术例如可以称为与现有技术不同的“节能巡航控制”。

可以提供驾驶模式选择器来选择节能巡航控制，并且可以在驾驶员选择节能巡航控制时执行实施例的控制方法。

实施例的驾驶控制方法可以通过驾驶员在通过其他驾驶技术进行的驾驶控制期间选择并添加附加功能来实施。例如，当在正常巡航控制驾驶模式下驾驶期间选择了附加的“节能(ECO)”按钮时，可以通过切换到巡航控制驾驶模式来实施实施例的控制方法。

当实施例的控制方法开始时(S10)，可以首先设置驾驶员的目标车速(S20)。例如，目标车速可以通过驾驶员的选择来确定，或者可以自动设置为当前的车辆行驶速度。

此处，在上述“节能”按钮的情况下，目标车速设置(S20)可以先于控制方法的开始(S10)。即，当选择正常巡航控制时，可以设置目标车速(S20)。然后，当输入“节能”按钮时，可以执行控制方法(S10)。

换言之，控制方法的启动指令和目标车速设定的顺序不限于实施例，在一些实施例中可以改变。

接下来，可以获得纵向运动公式的状态变量模型(S30)。

然后，可以确定预测范围并且可以收集关于预测范围的驾驶环境信息(S40)。

接下来，生成目标函数(S50)。为此，可以首先计算车轮功率(S51)，并且可以使用计算出的车轮功率来计算电池功率(S52)并且可以对其进行近似(S54)。

可以基于驾驶员的目标车速设定点生成目标车速跟随函数(S53)，并且通过确定每个权重以及近似的电池功率函数来生成目标函数(S55)。

实施例的驾驶预测模型包括这些目标函数，并且通过添加稍后描述的约束条件来从目标函数的最小解计算目标牵引力和制动力。

在此，收集了诸如平均车速约束条件、车辆行驶速度带约束条件、车速的电机约束条件、与前车的安全距离约束条件以及道路曲率的安全车速约束条件的约束条件(S60)。

通过添加这些约束条件来计算预测范围的目标函数的最优解，并且输出牵引力和/或制动力(S70)。

可以根据输出的制动力执行对再生制动和/或机械制动的分配(S80)。

在下文中，将针对本实施例的控制方法的每个步骤进行详细描述。

1.获得纵向运动公式的状态变量模型(S30)

图2示出了在具有纵向坡度角θ的道路上行驶的车辆。其纵向运动公式可以表示为以下公式1：

其中v(k)是第k个阶段的速度(参见图6与稍后描述的预测范围的阶段的描述)，F_t是车轮牵引力，F_b是车轮制动力，m是车辆质量，F_roll是滚动阻力，F_air是空气阻力，F_g是重力，Δs是一个阶段(one step)行驶的距离。

从上述运动公式，可以获得状态变量v²和输入变量F_t和F_b的模型公式，如以下公式2所示。

x(k+1)＝A_px(k)+B_pu+B_φΦ

x(k)＝v(k)²，u＝[F_t F_b]′[公式2]

在此，Ap、Bp、和Φ如以下公式3所示：

Φ＝-2Δs·g(c_rcosθ+sinθ)[公式3]

其中ρ为空气密度，c_d为空气阻力系数，c_r为滚动阻力系数。

每一个阶段的上述公式2的状态变量模型公式如以下公式4所示。

x(1)＝A_px(0)+B_pu₀+B_φΦ(θ₁)

x(2)＝A_px(1)+B_pu₁+B_φΦ(θ₂)

x(3)＝A_px(2)+B_pu₂+B_φΦ(θ₃)[公式4]

2.确定预测范围并收集该路段的驾驶环境信息(S40)

预测范围对应于信息利用部分，其用于计算控制方法中的最优解(目标牵引力和制动力)。

预测范围可以被配置为基于距离或时间来设置。

最优解可以被配置为每一个阶段使用关于整个预测范围的信息来计算。

一个阶段的长度可以定义为基于距离的Δs或基于时间的Δt。为方便起见，本实施例主要以基于距离设置阶段(step)为基础进行描述。

图7示出了由n个阶段(steps)组成的预测范围。

例如，如果一个阶段Δs为20m并且预测范围为1500m，则预测范围共有75个阶段。

例如，可以使用0至1500m的路段的信息来计算最优解，以获得0至20m范围内的驾驶控制的目标牵引力和制动力。然后，将20至1520m的点设置为后续的预测范围，以便使用该路段的信息计算最优解，从而获得20至40m范围内的目标牵引力和制动力。随后的阶段和预测范围以同样的方式执行。在该示例中，预测范围保持恒定在1500m，但本申请不限于此。

图3示出了通过对于总里程5000m将预测范围改变为500m、1000m和1500m来计算最优解的结果。

图3的实施例中使用的道路在2000-3000m的路段中包括下坡路段，并且一个阶段的长度等于20m。

三种情况下的燃油效率改善率分别为：500m预测范围时为3.5％、1000m预测范围时为5.4％、1500m预测范围时为5.9％，并且效率最高的是预测范围1500m。

预测范围越长，可用的前方信息就越多，从而可以进一步提高效率。然而，由于计算负荷增加，因此需要适当的折衷方案。

另一方面，如果在预测范围内存在陡坡路段，则可以通过获得坡度数据的近似坡度并使用其来整合阶段从而减少总的阶段数并降低计算负荷，这将参照图8和图9详细描述。

图8示出了通过对示例性道路数据进行近似坡度来减少数据段(pieces of data)的数量的状态。图8的(a)是总共具有514个地形数据段的道路数据的示例，当通过14条直线近似时如图8的(b)所示。近似程度可以根据要求的与原始道路数据的误差水平而不同。图8的(c)示出了进一步减小了误差程度的通过60条直线近似的结果。

在图8中将道路数据的一个点(one point)作为1个阶段(one step)的情况下，图8的(a)示出了具有514个阶段的预测范围，图8的(c)示出了具有60个阶段的预测范围。因此，可以通过近似来显著地减少计算量。特别地，当由于大量的道路数据而优化计算负荷(稍后将描述)变得很大时，或者由于道路上各点之间的坡度差很小使得即使在没有近似的情况下计算最优解，效率提高相比于近似(approximation)的情况微不足道时，这也是非常有效的。

将参照图2详细描述包括陡坡路段的预测范围的近似和阶段确定的过程。

首先，将预测范围划分为Np个阶段(S41)。

然后，在使用线性函数对从导航地图(数字地图)收集的道路坡度数据(S42)进行近似之后，计算近似坡度。

此处，可以使用最小二乘法通过多个线性函数来实现近似(S43)，并且增加线性函数的数量直到达到要求的误差水平。

即，例如，增加并近似线性函数的数量，直到满足以下条件(S44和S45)：

(其中Naf表示近似函数的数量)

对于上述条件，通过将坡度数据信息与近似坡度之间的误差的平方除以“近似函数的数量”而获得的值是指针对“近似函数的数量”的误差平方的平均值。通过增加近似函数的数量直到上述平均值小于或等于阈值来获得最终的近似线性函数，从而可以计算出近似坡度。

当近似完成时，确定线性近似函数的数量N(S46)，并且通过对除了稍后描述的阻尼路段(damping section)之外的、具有相同近似坡度的阶段整合来确定N个整合阶段。

接下来，从近似坡度中找到坡度过渡路段，并为过渡路段(确定阻尼路段(S47)。

阻尼路段可以被确定为近似坡度变化点之前和之后的预定区域，并且阻尼路段的阶段数M可以被确定为与其坡度的变化程度(即，两个坡度之间的差异)。

当如上所述确定N个整合阶段和M个阻尼路段阶段时，用于计算该预测范围的阶段数是“N+M”，其远小于初始Np(S48)。

例如，将参照图9描述针对包括陡坡路段的道路的预测范围如何具体确定用于计算的最终阶段(final step)。

当将图9的(a)所示的道路路段确定为预测范围时，如图9的(b)所示，针对该预测范围确定总共18个阶段。

阶段的坡度数据假设前6个阶段的值为α₁至α₆，其余12个阶段的值为β₁至β₁₂。

对于这些坡度数据，如图9的(c)所示，假设α₁至α₆由一个线性函数近似，β₁至β₁₂由另一个线性函数近似。

当使用近似函数计算近似坡度时，如图9的(d)所示，前6个阶段的近似坡度全部为α，其余12个阶段的近似坡度为β。

另一方面，由于坡度在α₆和β₁处改变，因此将变化点前后的预定区域设置为阻尼路段。然后，如图9的(d)所示，对于阻尼路段保持原有的阶段，将其余的阶段整合为具有α或β的坡度的整合阶段(integrated step)。

通过近似和整合过程，阶段的数量从最初的18减少到5。

如以下公式5所示，当应用18个阶段时，状态变量模型公式的数量由于阶段的整合而减少到5个，这使得计算量大大减少。即，近似结果由于改为“阻塞输入(blocked input)”结构使得具有相同坡度的阶段具有相同的解，因此寻找最优解的结构可以非常简化，这可以使得计算量和速度显著地提高。

如上所述，在使用简化后的状态变量模型公式，根据稍后描述的用于计算最优解u^* ₀、u^* ₁、u^* ₂、u^* ₃和u^* ₄的方法寻找目标函数的最小解之后，将最优解应用于整合前阶段的状态变量模型公式，以计算每个阶段的车速。如上所述计算的每个阶段中的车速可以用于监控与车辆行驶相关的各种指标，例如预期驾驶时间的计算。

例如，图10示出了在原样使用近似之前的道路数据以及执行近似的情况下计算最优解的结果以及得到的速度曲线(profile)。

图10的(a)示出了使用近似前的坡度数据，图10的(b)示出了将其简化为两个近似坡度。

如图10的(a)和图10的(b)所示，可以看出，尽管执行了近似，但与不执行近似的情况相比，速度曲线仍然很好地满足了约束条件(车速带约束条件和平均行驶速度约束条件)。

另外，过渡路段中的最优解(牵引力)的结果可以根据阶段数的设置等而变化。因此，随着阶段数的增加，可以与基本结果紧密匹配。然而，最好在适当的水平上进行折衷，因为结果与计算量和计算速度之间存在权衡关系。

当确定预测范围时，收集关于该预测范围的驾驶环境信息。

此处，驾驶环境信息可以包括实时变化信息和非变化信息(至少在该预测范围内驾驶期间不会改变)。

例如，实时变化信息包括与前车的距离信息，非变化信息包括例如道路的曲率和坡度的道路形状相关信息、分配给特定路段的限速信息、执法摄像机位置信息等。

在此，例如，与前车的距离信息可以通过例如雷达或LiDAR的距离传感器来收集，并且可以从作为数字地图中的一种的导航的地图数据中收集所有类型的非可变信息。当然，不必将获取非可变信息的手段局限于导航。

3.目标函数(S50)

(1)车轮功率和电池功率计算(S51和S52)

首先，车轮功率Pm可以定义为以下公式7。

P_m＝F_tv[公式7]

由于驱动车轮的能源是电池，因此使用车轮功率的基于时间的电池功率可以定义为以下公式8：

当F_t≥0时(驱动、放电)

当F_t＜0时(反向驱动、充电)

P_b，_t＝P_m·η_total＝F_tv·η_mη_b，_cha[公式8]

其中η_m表示电机效率，η_b表示电池充放电效率。

另外，基于距离的电池功率可以定义为以下公式9。

当F_t≥0时(驱动、放电)

当F_t＜0时(反向驱动、充电)

(2)电池功率近似(S54)

电池功率的近似可以基于时间或距离来进行。为了描述方便，下面将描述基于距离的电池功率的近似。

电池功率可以在状态变量和输入变量的平面中的初级平面或二次平面中进行近似。

图5A示出了初级平面的近似，图5B示出了二次平面的近似。在初级平面近似的情况下，当计算目标函数J的最优解时，仅在约束条件(Au<B，如下所述所有约束条件都可以用状态变量模型公式表示为输入变量)的顶点处才可以获得解。因此，最好使用二次平面近似。

在二次平面近似的情况下，电池功率可以作为状态变量和输入变量的函数表示为以下公式10，通过二次平面拟合获得系数p00、p10、p01和p02。

在这种情况下，由于在将整个轨迹拟合到二次平面时可能会出现较大的误差，因此可以通过仅选择和拟合目标车速的设定带区域来提高精度。

即，如图6所示，当驾驶员选择50kph的车速作为巡航控制设置时，仅在123至278kph的区域中执行拟合，123至278kph的区域为+10kph的速度带区域。

另一方面，电池功率函数可以使用上述模型公式表示为仅输入变量而没有状态变量的函数。

(3)目标车速跟随函数的产生(S53)

目标车速跟随函数是在没有道路坡度的平地行驶的情况下跟随目标车速，并且可以定义为以下公式11。

(4)目标函数的收集(S55)

首先，例如，如图7所示，将总距离为“S_ph”的预测范围划分为n个阶段Δs进行计算。

通过对预测范围的电池函数和目标车速跟随函数求和获得的最终目标函数为以下公式12：

其中ε表示软约束条件，并且允许瞬时违反约束条件。例如，可以针对涡轮限速条件进行设置，违规量记为ε并且通过在目标函数中设置一级权重s₁和二级权重s₂来确定。

另外，w₁和w₂是权重，其中w₁是电池功率的权重，w₂是目标车速跟随函数的权重。

n个阶段的状态变量和输入变量可以分别表示为列向量U和X的形式，它们可以以向量的形式表示以上公式12的电池功率函数，如以下公式13。

以上公式13可以通过如上所述的二次平面近似表示为以下公式14。

w₁(p00+p10.X+p01.U+p11·XU+p02·U²)Δs[公式14]

另外，上述状态变量模型公式以以下公式15的向量形式表示，并且通过将其代入并应用于以上公式14而将电池函数整理为以下公式16。

目标车速跟随函数也可以用向量的形式表示，并且可以表示为以下公式17：

其中C是常数，可以被排除。

4.约束条件(S60)

(1)平均车速约束条件(S61)

平均车速约束条件例如是跟随巡航控制目标车速，并且可以设定为以下条件：在预测范围内v²的平均值大于预定目标速度v_target的平方。

即，平均车速约束条件可以表示为以下公式18：

其中α为调整参数，Np为表示预测范围内的阶段数的整数且与以上公式11中的n相同。

如果将α设置为时间惩罚(time penalty)，则即使驾驶时间的损失是由驾驶员的意图造成的，也可以对进一步提高效率的需要作出响应。

由于电动车辆的特性，在剩余可行驶距离在电池功率方面不足并因此需要积极使用节能驾驶的情况下，可以使用α来解决。即，α越大，效率提高率越低并且行驶时间越短。反之，α越小，效率提高率越高并且行驶时间越长。

另一方面，尽管本文中省略，上述约束条件也可以通过代入并应用状态变量模型公式以向量形式表示。

(2)车辆行驶速度带约束条件(S62)

例如，约束条件是针对巡航控制目标车速的±△v的车速带约束条件。

当车辆在纵向陡坡道路上行驶时，为了节能驾驶，除了需要目标车速之外，还需要可允许的±△v。

例如，如图11所示，在设定巡航控制目标车速v_target的情况下，允许在下坡行驶前后的最高车速v_max和最低车速v_min的范围内偏离目标车速v_target。

即，车速在下坡行驶前的“A”路段降低至小于或等于目标车速v_target的最低速度v_min，在一些“B”路段(包括保持下坡行驶的初始阶段)执行再生制动期间提高至最大速度v_max，然后在下坡行驶后的“C”路段中通过空档控制提高燃油效率的同时返回至目标车速v_target。

车辆行驶速度带约束条件表示为以下公式19：

其中ε用于将约束条件视为软约束条件，以确保与前车保持安全距离。

(3)车速的电机约束条件(S63)

该约束条件是由于驱动电机的扭矩限制而产生的约束条件。

图12的左图是电机图，当状态变量和输入变量改变并且电机图的曲线部分近似为直线时，与右图相同。

在图12中，F_max和F_min表示为以下公式20。

例如，约束条件是将牵引力和制动力限制在图12的右图中的阴影区域内，并且最大和最小条件表示为以下公式21：

F_t，min≤input，u≤F_t，max[公式21]

其中F_t,max和F_t,min表示为以下公式22。

F_t，min＝max(F_min，-ax-b)，F_t，max＝min(F_max，ax+b)[公式22]

(4)与前车的安全距离约束条件(S64)

如图13所示，约束条件是确保与前车安全距离的条件。

本车与前车之间的距离ΔL必须大于预定的安全距离ΔLs。即，约束条件表示为以下公式23：

ΔL(k+1)≥ΔL_s(k+1)[公式23]

其中以上公式的右边可以使用比例常数h和停止期间的最小安全距离定义为以下公式24。

ΔL_s(k+1)＝h·v_e(k+1)+l[公式24]

通过将以上公式24代入以上公式23并对其进行整理，最终约束条件可以表示为以下公式25。

(5)道路曲率的车速约束条件(S65)

该约束条件是在车辆转弯时为了安全而限制最大车速的条件。

在如图14所示车辆行驶的状态下，在以下条件下可以得到安全的最大车速：道路的横向坡度(路堤部分的坡度)β、道路的曲率和作用在车辆上的所有力的总和相对于路面的摩擦系数f为0(零)。将车速约束条件为小于或等于最大车速的约束条件可以表示为公式26：

其中g是重力加速度。

尽管已经描述了这五种类型的约束条件，但是本公开不限于此。考虑到安全性、效率、驾驶员的需求等，自然可以进一步提供额外的约束条件。

尽管本文中省略，但前面的所有约束条件也可以使用状态变量模型公式表示为输入变量，并且可以用向量的形式表示。

5.最优解计算(S70)

该步骤是通过将以上约束条件应用于上述目标函数来计算最优解(最小解)的过程。

图15示意性地示出了最优解计算过程。如图所示，最佳牵引力u_1opt和最佳制动力u_2opt是通过将上述约束条件应用于二次规划法来计算的。

最优解可以作为预测范围内所有阶段的最优解向量u*获得，并且可以仅使用第一输入值(对应于图7中第一步的最优解)。

即，最优解由牵引力和制动力表示。二次规划法的最优解是在每一个阶段(距离阶段Δs或时间阶段Δt)得到的，并且可以扩展到仅使用第一输入值进行控制的迭代结构，即，模型预测控制(MPC)控制。

再生制动的分配可以根据作为最优解而获得的制动力的大小来确定(S80)，这将在下面描述。

首先，图16示出了三种情况的再生制动分配。在图16中，Eh是指重力势能(刚好在下坡前)，E_d是指动能，E_r是指再生制动能量，E_b是指机械制动所耗散的能量。

对于“情况1”，车辆的重力势能通过牵引力转化为动能。作为最优解的结果，牵引力F_t*等于或大于0并且制动力F_b*为0，因此不需要制动力。

对于“情况2”，计算出的F_b*大于0且小于或等于“F_min的绝对值”或更小，使得整个计算出的制动力全部分配给再生制动。在这种情况下，考虑到再生制动，牵引力由“F_t*-F_b*”控制。此处，F_min是表示在考虑到半径、传动比、效率等的情况下，电机再生制动的最大极限作为车轮上的力的值。

对于“情况3”，由于重力势能非常大使得计算出的F_b*等于或大于阈值，使得最大值分配给再生制动并且差值“F_b*-F_min”分配给机械制动。

图17示出了在这三种情况下根据车辆的移动距离的、诸如车速、牵引力、再生制动和机械制动的控制状态。

图18A、图18B和图18C示出了当车辆根据实施例的方法在三种类型的道路上行驶时车速、牵引力和电池充电状态(SOC)的模拟结果。对于下坡路段长上坡路段短的“情况1”，实现了39％的提高率，对于下坡路段和上坡路段具有相同坡度和长度的“情况2”，实现了11.3％的提高率。另一方面，对于没有下坡路段而只有上坡路段的“情况3”，仅实现了2.7％的提高率。

从这些结果可以看出，本实施例的控制对于仅是简单的平地和上坡地形燃油效率提高可能较低，但对于下坡地形效率显著提高。

在道路坡度变化时预先知道车辆的动能并进行抢先控制的点处提高能量效率。

另一方面，如图19所示，本申请的控制方法可以包括在包括驾驶策略控制单元11和驾驶辅助单元12的车辆驾驶控制系统10中并由其实施。

当驾驶员通过驾驶模式选择器40选择例如“节能巡航”模式时，确定用于巡航控制的目标车速，并且从导航地图数据20中收集每个预测范围的道路坡度和曲率信息、道路限速信息、执法摄像机位置信息等，并从雷达或LiDAR传感器30收集与前车的距离信息。通过上述公式和最优解计算过程，所收集的信息被用来获得该预测范围内的最佳牵引力和制动力。

所得到的牵引力和制动力被传递到驾驶辅助单元12，并且驾驶辅助单元12将目标驱动扭矩和制动力传递给电机50和制动器60以用于控制。

此处，如上所述的再生制动分配可以根据计算为最优解的制动力的大小来确定，并且可以将分配结果传输到驾驶辅助单元12。在图19中，F_b,r表示再生制动力，F_b,m表示制动器的机械制动力。

在本实施例中，驾驶策略控制单元11可以包括数据输入/输出装置、用于执行决策、计算、判断等的至少一个处理器，以及用于存储操作系统或逻辑命令、输入/输出信息等的存储器。另外，驾驶策略控制单元11可以在需要通过通信从外部接收信息时进一步包括通信装置。然而，通信装置可以单独设置在车辆中，并且驾驶策略控制单元11可以被配置为仅通过输入/输出装置接收该信息。

另外，驾驶辅助单元12可以包括数据输入/输出装置、用于执行决策、计算、判断等的至少一个处理器，以及用于存储操作系统或逻辑命令、输入/输出信息等的存储器。

驾驶策略控制单元11和驾驶辅助单元12不需要在物理上分离并且可以被配置为单个集成单元。集成单元也可以包括数据输入/输出装置、用于执行决策、计算、判断等的至少一个处理器，以及用于存储操作系统或逻辑命令、输入/输出信息等的存储器。在这种情况下，例如，一个处理器不仅负责为驾驶策略控制单元11执行诸如决策和计算的功能，而且还负责为驾驶辅助单元12执行功能。

另外，根据上述实施例的车辆驾驶控制系统10可以应用于任何能够由电机提供动力的车辆，例如混合动力车辆或电动车辆。

从以上描述可以明显看出，根据本申请的至少一个实施例，可以在由电池和电机驱动的车辆中，例如在电动车辆或混合动力车辆中，在能量效率方面实现最佳驾驶控制以及具有改进的计算量和速度。

根据本申请的至少一个实施例，可以通过独特的驾驶控制技术或结合现有的驾驶控制技术(例如，巡航控制)在能量效率方面实现改进的驾驶控制。

对于本领域技术人员将显而易见的是，在不脱离本申请的精神或范围的情况下，可以对本申请进行各种修改和变化。因此，本申请旨在覆盖本申请的修改和变化，只要它们落入所附权利要求及其等同形式的范围内即可。

Claims

1.一种车辆预测控制方法，包括：

确定车辆前方的驾驶预测范围；

将所述驾驶预测范围划分为多个阶段，各自与陡坡路段相对应的所述多个阶段中的至少一部分根据坡度被整合为一个阶段；

针对多个阶段中的每个阶段，应用基于车速的状态变量与牵引力和制动力的输入变量之间的关系的驾驶预测模型；以及

共同计算整个预测范围内的所述驾驶预测模型，以计算所述车辆的控制值。

2.根据权利要求1所述的方法，其中，

所述多个阶段的整合与陡坡的近似坡度即θ有关。

3.根据权利要求2所述的方法，进一步包括：

根据所述坡度的近似线性函数计算所述近似坡度。

4.根据权利要求3所述的方法，进一步包括：

由对应于数字地图的所述陡坡路段的坡度数据获得所述坡度。

5.根据权利要求3所述的方法，其中，

根据与所述近似坡度的误差通过多个线性函数来近似所述坡度。

6.根据权利要求5所述的方法，其中，

所述多个线性函数被确定为使得所述误差的平方的平均值与线性函数的数量之比小于或等于阈值。

7.根据权利要求6所述的方法，其中，

所述驾驶预测模型包括所述多个阶段中的每一个的电池功率函数。

8.根据权利要求7所述的方法，进一步包括：

使用所述驾驶预测模型，通过使用平均车速约束条件、车辆行驶速度带约束条件、车速的电机约束条件、与前车的安全距离约束条件以及道路曲率的安全车速约束条件中的至少一项计算所述电池功率函数的最小解来计算所述控制值。

9.根据权利要求2所述的方法，进一步包括：

将所述多个阶段中具有相同近似坡度的阶段整合为一个阶段。

10.根据权利要求9所述的方法，其中，

所述多个阶段中所述近似坡度改变的点前后的阶段不被整合为一个阶段，而是保持不变。

11.根据权利要求9所述的方法，进一步包括：

根据基于为整合后的一个阶段计算的所述牵引力和所述制动力的关系计算所述整合之前的阶段的车速。

12.一种车辆驾驶控制系统，包括：

驾驶策略控制单元，被配置为：

收集前方驾驶预测范围中的路段的曲率和坡度信息、限速信息和执法摄像机位置信息；并且

从传感器收集与前车的距离信息，以使用平均车速约束条件、车辆行驶速度带约束条件、车速的电机约束条件、与前车的安全距离约束条件以及道路曲率的车速约束条件中的至少一项由所述驾驶预测范围的驾驶预测模型计算车辆的控制值；以及

驾驶辅助单元，被配置为基于所述控制值输出电机和制动器的控制信号，

其中所述驾驶策略控制单元被配置为：

将所述驾驶预测范围划分为多个阶段，与陡坡路段相对应的所述多个阶段中的至少一部分根据坡度被整合为一个阶段；并且

针对所述多个阶段中的每个阶段应用所述驾驶预测模型，并在所述驾驶预测范围内共同计算所述驾驶预测模型以计算所述控制值。

13.一种车辆，包括根据权利要求12所述的车辆驾驶控制系统。