CN116564095A - 基于cps的重点车辆高速公路隧道预测巡航云控制方法 - Google Patents
基于cps的重点车辆高速公路隧道预测巡航云控制方法 Download PDFInfo
- Publication number
- CN116564095A CN116564095A CN202310633137.XA CN202310633137A CN116564095A CN 116564095 A CN116564095 A CN 116564095A CN 202310633137 A CN202310633137 A CN 202310633137A CN 116564095 A CN116564095 A CN 116564095A
- Authority
- CN
- China
- Prior art keywords
- traffic
- information
- vehicle
- cloud
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000013507 mapping Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000005265 energy consumption Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000012512 characterization method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 239000000446 fuel Substances 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract description 13
- 230000004927 fusion Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000168254 Siro Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G06Q50/40—
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096775—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a central station
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
-
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
- B60W2050/0031—Mathematical model of the vehicle
Abstract
本发明涉及一种基于CPS的重点车辆高速公路隧道预测巡航云控制方法,属于交通网联汽车云控制技术领域。该方法在云控系统基础平台融合交通系统各实体之间的地面实况信息,根据高速公路路段的多源异构交通态势构建数字信息映射层;在云控应用平台采用改进多角度RBF神经网络数据驱动预测模型对实时的交通态势信息进行预测感知,并利用态势信息与预测信息在有限约束条件下引入云中的算法求解器对控制目标进行统一编排并行运算与优化,以达到重点车辆在高速公路隧道内安全与生态驾驶的目的。本发明解决了传统预测巡航控制方案缺少赛博层与物理层的有机协同与融合,且受制于感知范围与计算能力,获取与处理信息十分有限,以及行驶安全与能耗问题。
Description
技术领域
本发明属于交通网联汽车云控制技术领域,涉及一种基于信息物理系统(CPS)的重点车辆高速公路隧道预测巡航云控制方法。
背景技术
信息物理系统(Cyber-Physical Systems,CPS)是一类具有复杂、异构、开放、闭环等特性;闭环反馈系统、分布式网络系统、实时系统等典型特征;集成了控制、计算机、软件、通信等多个领域的复杂大系统。网联汽车是自动驾驶汽车和网联式汽车融为一体的新产品、新模式、新生态,是新一代人工智能技术的典型应用。它是大数据、人工智能、电子控制技术、移动通信等现代高科技技术与汽车和交通结合的产物,在车辆与路端融合感知系统的基础上,通过与云控平台系统的信息与决策控制信号的交互,在将来可以成多车道队列行驶,以实现安全高效地从起点到达终点的目的。网联汽车在未来将会与智慧出行和智慧城市融为一体,成为一种新的社会业态。
随着高速公路里程增多、汽车保有量的连年增长,高速公路交通安全问题愈发严重。高速公路隧道相对封闭,是高速公路事故多发的特殊路段。隧道路段碰撞中追尾是其主要事故形态。这其中尤其是危险品运输车辆等发生事故后,严重的事故将造成大量的人员伤亡和经济损失。根据危险品运输车辆的风险评估模型,特殊车辆或危险品运输重点车辆的安全驾驶(简称为重点车辆),特别是如何保持稳定的加速度来避免因惯性导致的安全问题以及如何与前车保持一定的安全距离来避免追尾相撞都已成为值得关注的安全问题。此外,随着道路上车辆的急剧增加,对环保与节能的需求正在成为交通领域内的共识。在实现碳中和目标的背景下,汽车生态驾驶已经成为另一个关注的焦点。
在实现安全与生态驾驶的过程中,重点车辆驾驶员必须合理预测前方交通与道路状况,并对发动机动力学有深入的了解以避免惯性产生的安全问题,而这是人类驾驶员难以做到的。因此,需要一个能够为驾驶员提供最优驾驶控制序列的调控方案。预测巡航控制被认为是解决这些问题一种有前景的方法,它利用相关的异构交通环境信息,并采用自适应巡航控制功能来优化网联车辆。然而,传统预测巡航控制方法通常以当地的交通信息为参考,包括即将到来的交通信号、前方的道路坡度等。且这些信息的参考范围有限。而在云的背景下,重点车辆不仅可以采用本地道路态势信息,还可以采用来自数字信息映射层的全局/历史动态信息。此外,受制于车载计算的局限性,传统预测巡航控制方法难以满足与之匹配的计算要求。最近新兴的信息通信技术,如车载通信、云计算和物联网,丰富了交通网络上的各种实时信息,并借助信息物理系统处理复杂系统的思想,从而为改进传统预测巡航控制系统提供了巨大的潜力。因此,需要考虑能够充分处理多源异构信息传输与优化计算问题的分层云计算与控制方法,使车辆能够与云通信,并接收云的建议。
发明内容
有鉴于此,本发明的目的在于提供一种基于CPS的重点车辆高速公路隧道预测巡航云控制方法,解决传统的预测巡航控制方案缺少赛博层与物理层的有机协同与融合,且受制于感知范围与计算能力,获取与处理信息十分有限的问题以及大型危险品运输货车特别是重点车辆在高速公路及其隧道内的行驶安全与能耗问题。本发明提出了在云控系统的架构下,通过赛博层、物理现实世界的融合感知、决策与控制,可实现车辆行驶和交通运行安全、节能性、通行效率等性能综合提升的一种控制方法,该方法通过云控并行高效运算与车云分层控制来调控瞬时最优控制输入以实现重点车辆安全性与生态驾驶。
为达到上述目的,本发明提供如下技术方案:
一种基于CPS的重点车辆高速公路隧道预测巡航云控制方法,具体包括以下步骤:
S1:物理层:利用高速公路隧道路侧感知系统与路侧基础单元收集高速公路隧道的交通态势信息与交通流信息,并由路侧通讯设备传输至云控基础平台。
S2:云控基础平台:在进行车图匹配与筛选重复目标后,在云控基础平台内使用数字孪生的方法,将高速公路路段的多源异构交通态势构建为实时数字信息映射层,并将应用层所需的数字信息传输至云控应用平台。
S3:云控应用平台的数据驱动模型:在云控应用平台内采用改进多角度RBF神经网络的数据驱动预测模型,为云中的时变自适应算法求解器提供当前和潜在路线上交通态势信息的精确预测,旨在提高重点车辆的预测感知能力。
S4:云控应用平台的算法求解器和云控决策系统:时变自适应算法求解器在物理动力学和重点车辆特有的约束条件下,参考安全性和能耗等一系列相关指标下进行统一编排并行运算与局部优化,输出数据传输至云控决策系统。
S5:云控决策系统:结合步骤S1到步骤S4中的交通态势信息与计算优化后的全局数据,基于最优化通行安全性与能耗性等相关指标,云控决策系统对最优化控制序列进行总结,为重点车辆及其他交通参与者提供最优化控制方案。
S6:物理层:智能车载终端平台在将步骤S5所得最优控制方案解析并统一调配后,重点车辆及其他交通参与者由车控计算基础平台等系统,通过执行器对重点车辆及其他交通参与者的动力系统与制动系统等进行最优化控制,从而达到重点车辆在高速公路隧道安全与生态驾驶的目的。
进一步,步骤S1具体包括:通过路侧感知系统与路侧基础单元对高速公路隧道的多源异构交通态势信息进行实时提取,例如,交通流量、拥堵程度、交通流速度等,并由路侧通讯设备以有线传输的方式,通过信息安全基础平台传输至云控系统基础平台。
进一步,步骤S2具体包括:在进行车图匹配与筛选重复目标后,利用高速公路隧道实时交通态势信息在云控基础平台中构建数字信息映射层;本发明使用数字孪生等方法,建立物理层所对应的孪生层模型,便于在全生命周期范围内,保证赛博层与物理层信息映射的协调一致。
在交通系统中,许多因素可能影响交通速度的因素包括交通流量、驾驶行为、路面状况、道路占用和天气状况等;这些因素通常同时具有交通网络的空间和时间依赖性。为了描述每个路段此类时空交通信息,采用了时空矩阵进行表征;数学上,交通信息矩阵表征X可以由时空矩阵表示:
其中,t为时间序列数据(时间戳),d为车辆检测器持有的空间交通信息,xi,j=[vi,jmi,jei,j]T,i∈[1,d],j∈[1,t],v为交通流平均速度,m为交通流量,e为高程信息;各个时段,空间的交通信息表征矩阵构成了信息映射层。
进一步,步骤S3中,为了进一步提高重点车辆预测感知能力,在云控应用平台中融合了实时地面实况的数据驱动交通预测模型。该模型以实时交通流信息、紧急事件和地形地势等作为参考输入,为云中的时变自适应算法求解器提供当前和潜在路线上交通信息的精确预测。
所述改进多角度RBF神经网络的数据驱动预测模型是以实时交通流信息、紧急事件和地形地势等作为参考输入;
在交通信息预测中考虑多种因素,每个交通因素的数据被描述为信息表征矩阵,并使用通用RBF神经网络单独训练,在单个因素训练完成后,将输出融合至其他因素训练行为的输入,并进行进一步的训练;单个角度RBF神经网络的模型定义为:
其中,cij、ωij分别为径向基函数的中心和隐含层到输出层的权值,使用K-means聚类方法进行求解;为第i个隐含层节点的输出;q为隐含层节点数,xn为第n个空间交通信息;
采用时间序列矩阵与空间交通信息矩阵作为多角度RBF神经网络的两种输入,并将此个角度的输出用作下一个角度的输入,得到最终的预测结果输出,由空间交通信息构成;此外还采用级联函数与聚合函数将预测交通信息融合至单个向量中,并求解最终的预测结果;需要注意的是,受原始交通数据的限制,空间交通信息x1,x2,x3由交通流量、平均速度与高程信息构成;高程信息不参与预测过程。基于此,数据驱动预测模型有力地提升了重点车辆预测感知能力,而云中的算法求解器同样也优化了原有的计算能力。
进一步,步骤S4具体包括:时变自适应算法求解器在接收到来自数据驱动模型与信息映射层的预测信息与交通态势信息,其中包括更新后的时变纵向车辆模型,在物理动力学和重点车辆特有的约束条件,安全性和能耗等一系列相关指标下进行统一编排计算与局部优化,并将输出传输至云控决策系统。
进一步,步骤S5具体包括:结合步骤S1到步骤S4中的交通态势信息与算法求解器计算优化后的数据,基于最优化通行安全性与能耗等相关指标,云控决策系统根据优化控制输入引入云中的二次规划方法来总结最优化控制序列,为重点车辆提供最优化控制方案;
优化算法求解器的主要目标是在物理动力学和安全约束条件下,以最小化目标函数为导向,找到最佳控制输入分布,以最大限度地优化提高重点车辆的行驶安全性,并且减少能耗等相关指标;所以预测巡航云控制方法对控制指标的设计尤为关键,目标函数如下式所示:
其中,等式右边第一项、第二项表示重点车辆跟踪给定目标值的偏差;第三项表示车辆油耗;第四项表示制动扭矩的消耗,衡量了重点车辆特定的惯性安全问题;vref为参考的速度信息,lref为参考的车距信息,l为两车车距,q1,q2,f1,f2,r1,r2为权重系数,np是预测区间;ve为自车速度,Tbrake为制动扭矩,Δdis为空间域间隔,为油耗率,N为当前区间,n为时刻区间,(k+i|k)为在k时刻对未来k+i时刻的预测值;
为了保证重点车辆在安全运行区内运行,优化中增加了包括速度、发动机能量、制动能量和扭矩等在内的物理约束;状态空间的速度边界设置如下:
vmin(k+i|k)≤ve(k+i|k)≤vmax(k+i|k)
其中,vmin为速度边界的下边界,vmax为速度边界的上边界;
根据发动机的通用特性图,在重点车辆的惯性安全有效工作区域内存在发动机扭矩与转速限制,以及制动扭矩的限制:
ωmin(k+i|k)≤ωengine(k+i|k)≤ωmax(k+i|k)
其中,ωmin为发动机转速的下边界,ωmax为发动机转速的上边界,为发动机扭矩的上边界,/>为制动扭矩的上边界;
为了平衡重点车辆的安全性与高速公路的通行效率,重点车辆与前车的间距应满足:
lmin(k+i|k)≤l(k+i|k)≤lmax(k+i|k)
具体来说,考虑到在不同的交通条件下,交通流速度可能会发生显著变化,应用自适应车距参数,最小纵向车距lmin(k+i|k)和最大纵向车距lmax(k+i|k)可以表示为:
其中,theadway,min为车头时距下边界,theadway,max为车头时距上边界,为数据驱动预测模型所得到的交通流预测速度,t为车头时距,Cmin与Cmax为自适应车距参数,他们的值与重点车辆的速度成正比,即在交通流较高车辆速度的情况下,车距参数被设置为较大的值;预测巡航云控制方案采用在线滚动信息域优化与迭代更新的控制方法,即算法求解器在每个预测范围内使用时变预测模型,并在区间内更新此模型,然后进行优化控制输入求解。
进一步,步骤S6具体包括:智能车载终端平台通过解析器将S4所得的最优控制序列方案解析并统一调配后,重点车辆及其他交通参与者由车控计算基础平台等系统,通过执行器对重点车辆及其他交通参与者的动力系统与制动系统等进行最优化控制,从而达到重点车辆在高速公路隧道安全与生态驾驶的目的。
云控并不代表云端完全控制车辆,而是云端更聪明,更加宏观的视野为重点车辆提供最优化、更全面的控制方案,但由于重点车辆车载控制单元调控能力有限,于是车辆在安全与效率的安全性范围内,重点车辆决策系统参考云端提供的控制方案最终依据自身车辆实际情况的边界内做出决策对车辆进行控制,即为车云分层控制。由车云分层控制,云控决策系统为重点车辆及其他交通参与者提供最优化控制方案,并将输出传输至智能车载终端平台进行统一调配,最终重点车辆及其他交通参与者通过车控计算基础平台等系统对重点车辆及其他交通参与者的动力系统与制动系统等进行最优化控制,从而达到重点车辆在高速公路隧道安全与生态驾驶的目的。
本发明的有益效果在于:
1)本发明将高速公路隧道感知系统纳入物理层,扩大了智能网联汽车单车感知范围与数据容量,为云控系统计算与分析决策提供更为丰富、准确的数据值与信息流。
2)本发明基于云控系统的重点车辆安全与生态驾驶对比现有重点车辆行驶,在安全性,节能性等评价指标上有较为显著性的提升。
3)本发明以云控系统为架构,在云控系统各平台间的宏观调控与相互融合作用,数据驱动模型与算法求解器下,为重点车辆提供最优化控制策略,是云控系统在交通领域的重要应用,是新一代智能交通系统的典型体现。
4)相比传统车载计算端,本发明将较高计算要求的任务部署在云中的高算力计算节点中,提高了计算效率与准确性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的结构框架简要流程图;
图2为云控系统结构图,其中赛博层与物理层有机协同与融合;
图3为高速公路隧道实时监测界面图;
图4为基于信息物理系统的重点车辆云控分层体系架构,为本发明结构提供主要支撑;
图5为改进多角度RBF神经网络,用于交通信息预测;
图6为时变自适应算法求解器状态空间与计算逻辑图;
图7为在模拟软件中对于高速公路隧道及其行驶的车辆构建的数字映射层;
图8为在云控应用平台调控后隧道内部感知系统所记录的隧道中部分交通流的速度数据信息;
图9为模拟在隧道内与坡道处发生事故后预测巡航云控制方法与其他各种驾驶策略或算法的仿真结果对比。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
请参阅图1~图9,本发明提供一种基于CPS的重点车辆高速公路隧道预测巡航云控制方法,利用了云控制系统高效计算与优化控制能力的优势,设计了一种基于信息物理系统的重点车辆高速公路隧道预测巡航云控制方法,来改善预测感知范围与优化计算能力,并提高各层级的协同与融合趋势。具体而言,云控系统基础平台融合交通系统各实体之间的地面实况信息,根据高速公路路段的多源异构交通态势构建数字信息映射层。在云控应用平台中提出一种改进多角度RBF神经网络数据驱动预测模型对实时的交通态势信息进行预测感知,并利用态势信息与预测信息在有限约束条件下引入云中的算法求解器对控制目标进行统一编排并行运算与优化,以达到重点车辆在高速公路隧道内安全与生态驾驶的目的。该方法具体实施过程包括以下步骤:
S1:通过路侧基础单元,高速公路隧道感知系统对高速公路隧道的交通态势信息进行实时提取,例如,交通流量、道路占用、拥堵程度、交通流速度等,并通过路侧通讯设备以有线传输的方式,通过信息安全基础平台传输至云控系统基础平台等待信息监测映射层的建立。
S2:在进行车图匹配与筛选重复目标后,使用数字孪生与映射的方法,建立物理层所对应的孪生映射层模型,利用高速公路隧道实时多源异构交通态势信息在云控基础平台内构建数字信息映射层,如图3所示,信息监测映射模块由多源感知子系统由激光雷达、高清摄像机、边缘计算服务器、工业以太网交换机(以太网光端机)及相关数据融合软件等模块构成。基于隧道内全域覆盖的基站,可对感知的重点车辆的位置与特征等多维信息进行匹配,实现车跨基站的全域跟踪,可准确知道指定车辆任意时刻所在隧道内的位置。车云信息映射关系便于在全生命周期范围内,保证赛博层与物理层信息映射的协同一致。
在交通系统中,许多因素可能影响交通速度,如交通流量、路面状况、道路占用、天气状况等。这些因素通常同时具有交通网络的空间和时间依赖性。为了描述每个路段此类时空交通信息,采用了时空矩阵进行表征。数学上,交通信息矩阵表征X可以由时空矩阵表示:
其中,t为时间序列数据(时间戳),d为高速公路车辆检测器所持有的空间交通信息,xi,j=[vi,jmi,jei,j]T,i∈[1,d],j∈[1,t],v为交通流平均速度,m为交通流量,e为高程海拔信息。在各时域与空间域上的交通信息表征矩阵组成了信息映射层的一部分。
S3:为了进一步提高重点车辆超视距预测感知能力,在云控应用平台中融合了实时地面实况的数据驱动交通预测模型。该模型以实时交通信息、紧急事件、地形地势信息等作为参考输入,为云中的时变自适应算法求解器提供当前和潜在路线上交通信息的精确预测。
为了在交通信息预测中考虑多种因素,如图5所示,在本发明中提出了一种改进多角度RBF神经网络:每个交通因素的数据被描述为信息表征矩阵,并使用通用RBF神经网络单独训练,在单个因素训练完成后,将输出融合至其他因素训练行为的输入,并进行进一步的训练。本文单个角度RBF神经网络的模型定义为:
在上式中,cij,ωij分别为径向基函数的中心和隐含层到输出层的权值,在本文中使用K-means聚类方法进行求解;为第i个隐含层节点的输出;q为隐含层节点数。
在本发明中,采用时间序列矩阵与空间交通信息矩阵作为多角度RBF神经网络的两种输入,并将此个角度的输出用作下一个角度的输入,得到最终的预测结果输出2,由空间交通信息构成。此外本发明还采用级联函数与聚合函数将预测交通信息融合至单个向量中,并求解最终的预测结果。需要注意的是,受原始交通数据的限制,空间交通信息x1,x2,x3由交通流量,平均速度与高程信息构成。高程信息不参与预测过程。基于此,数据驱动预测模型有力地提升了重点车辆预测感知能力,而云中的算法求解器同样也优化了原有的计算能力。
S4:优化算法求解器在接收到来自数据驱动模型与信息映射层的预测信息与交通态势,其中包括更新后的时变纵向车辆模型,在物理动力学和重点车辆特有的约束条件下对安全性,能耗等一系列相关指标进行统一编排计算与优化,并将输出数据传输至云控决策系统。
根据牛顿第二定律和传动系统模型,重点车辆行驶纵向动力学平衡方程可以表示为下式:
其中,A为车辆正面面积,g为重力加速度,ve为自车速度,ρ为空气密度,CD为空气阻力系数,θ为道路坡度与水平面夹角,Fengine为牵引力,Tengine为发动机扭矩,Fbrake为制动力,Tbrake为制动扭矩,ψt(n)为具有循环集合的传动比ψt(n)∈{ψt(1),ψt(2),},i0为终传动比,ηt为传动效率,μ为轮胎滚动阻力系数,Re为轮胎的有效半径,风速Vw在尾部迎风时为负,头部迎风时为正。M是车辆的等效质量,包括车辆质量和动力系统旋转部件的惯性。终传动比模型为常数。重点车辆与前车的相对纵向动力学可以描述为:
其中,vf为前车速度,l为两车车距,x=[l,ve]T,u=[Tengine,Tbrake]T,D为扰动。我们将状态方程与控制输入在[t,t+Δt]上积分,由积分中值定理有:
其中,ξ∈[t,t+Δt]。然后,分别对控制输入使用前向欧拉法,对状态变量使用中点欧拉法,求得x(t+Δt)在时域上的表达式为:
出行距离Dis=n·Δdis,时间间隔Δt为重点车辆行驶过Δdis距离所需平均时间。交通态势信息与车辆的相关参数不仅在时间域上是时变的,在空间域上也是随着空间流动改变,于是为了更好的保证重点车辆安全性与节能性,我们以空间域间隔Δdis,将时间域上的微分转移到空间域中,得到系统离散的纵向动力学模型:
此时E为单位矩阵。
S5:结合步骤S1到步骤S4中的交通态势信息与算法求解器计算优化后的数据,基于最优化通行安全性与能耗等相关指标,云控决策系统通过云中的二次规划方法优化的控制输入来总结最佳控制序列,为重点车辆提供最优化控制方案。
优化算法求解器的主要目标是在物理动力学和约束条件下,以最小化成本函数为目标,找到最佳控制输入分布,以最大限度地优化提高重点车辆的行驶安全性,并且减少能源消耗等相关指标,如图6所示。所以预测巡航云控制方法对控制指标的设计尤为关键,成本/目标函数如下式所示:
上式中,第一项第二项表示重点车辆跟踪给定目标值的偏差,第三项表示车辆油耗,第四项表示制动扭矩的消耗,衡量了惯性安全问题,q1,q2,f1,f2,r1,r2为权重系数。np是预测区间。vref为参考速度信息,lref为参考的车距信息。
为了保证重点车辆在安全运行区内运行,优化中增加了包括速度、发动机能量和制动能量、扭矩等在内的物理约束。状态空间的速度边界设置如下:
vmin(k+i|k)≤ve(k+i|k)≤vmax(k+i|k)
根据发动机的通用特性图,在重点车辆的惯性安全有效工作区域内存在发动机扭矩与转速限制,以及制动扭矩的限制:
ωmin(k+i|k)≤ωengine(k+i|k)≤ωmax(k+i|k)
为了平衡重点车辆的安全性与高速公路的通行效率,重点车辆与前车的间距应满足:
lmin(k+i|k)≤l(k+i|k)≤lmax(k+i|k)
具体来说,考虑到在不同的交通条件下,交通流速度可能会发生显著变化,在本发明中应用了自适应车距参数,最小纵向车距lmin(k+i|k)和最大纵向车距lmax(k+i|k)可以表示为:
其中,为数据驱动预测模型所得到的交通流预测速度,t为车头时距,Cmin与Cmax为自适应车距参数,他们的值与重点车辆的速度成正比,即,在交通流较高车辆速度的情况下,车距参数被设置为较大的值。预测巡航云控制方案采用在线滚动信息域优化与迭代更新的控制方法,即算法求解器在每个预测范围内使用时变预测模型,并在区间内更新此模型,然后进行优化控制输入求解。
S5:智能车载终端平台通过解析器将控制序列方案解析并统一调配后,通过执行控制器对重点车辆及其他交通参与者的传动系统与动力,制动系统等进行最优化控制,从而实现重点车辆在高速公路隧道安全与生态驾驶的目的。
云控是一种更为宏观的车辆控制方案,云端处理与计算能力更强,具有更加宏观的视野为重点车辆提供最优化、更全面的控制方案,但由于重点车辆车载控制单元调控能力有限,于是车辆在安全与效率的安全性范围内,重点车辆决策系统参考云端提供的控制方案最终依据自身车辆实际情况做出决策对车辆进行控制,即为车云分层控制。本发明根据车云分层控制的思想,云控决策系统为重点车辆及其他交通参与者提供最优化控制方案,并将输出传输至智能车载终端平台进行统一调配,最终重点车辆及其他交通参与者通过车控计算基础平台等系统对重点车辆及其他交通参与者的动力、制动系统,传动系统等进行最优化控制,从而达到重点车辆在高速公路隧道安全与生态驾驶的目的。
最终对本发明所提出的云控制方法进行测试验证,仿真过程与结果如图7~图9所示,评估结果表明了该方法的有效性与可行性。
在本发明中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特定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。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于CPS的重点车辆高速公路隧道预测巡航云控制方法,其特征在于,该方法具体包括以下步骤:
S1:物理层:利用高速公路隧道路侧感知系统与路侧基础单元收集高速公路隧道的交通态势信息与交通流信息,并由路侧通讯设备传输至云控基础平台;
S2:云控基础平台:在进行车图匹配与筛选重复目标后,在云控基础平台内使用数字孪生的方法,将高速公路路段的多源异构交通态势构建为实时数字信息映射层,并将应用层所需的数字信息传输至云控应用平台;
S3:云控应用平台的数据驱动模型:在云控应用平台内采用改进多角度RBF神经网络的数据驱动预测模型,为云中的时变自适应算法求解器提供当前和潜在路线上交通态势信息的精确预测;
S4:云控应用平台的算法求解器和云控决策系统:时变自适应算法求解器在物理动力学和重点车辆特有的约束条件下,参考安全性和能耗指标下进行统一编排并行运算与局部优化,输出数据传输至云控决策系统;
S5:云控决策系统:结合步骤S1到步骤S4中的交通态势信息与计算优化后的全局数据,基于最优化通行安全性与能耗,云控决策系统对最优化控制序列进行总结,为重点车辆及其他交通参与者提供最优化控制方案;
S6:物理层:智能车载终端平台在将步骤S5所得最优控制方案解析并统一调配后,重点车辆及其他交通参与者由车控计算基础平台,通过执行器对重点车辆及其他交通参与者的动力系统与制动系统进行最优化控制,从而达到重点车辆在高速公路隧道安全与生态驾驶的目的。
2.根据权利要求1所述的重点车辆高速公路隧道预测巡航云控制方法,其特征在于,步骤S2具体包括:在进行车图匹配与筛选重复目标后,利用高速公路隧道实时交通态势信息在云控基础平台中构建数字信息映射层;使用数字孪生方法,建立物理层所对应的孪生层模型,便于在全生命周期范围内,保证赛博层与物理层信息映射的协调一致;
在交通系统中,影响交通速度的因素包括交通流量、驾驶行为、路面状况、道路占用和天气状况;为了描述每个路段时空交通信息,采用时空矩阵进行表征;数学上,交通信息矩阵表征X由时空矩阵表示:
其中,t为时间序列数据,d为车辆检测器持有的空间交通信息,xi,j=[vi,j mi,j ei,j]T,i∈[1,d],j∈[1,t],v为交通流平均速度,m为交通流量,e为高程信息;各个时段,空间的交通信息表征矩阵构成了信息映射层。
3.根据权利要求1所述的重点车辆高速公路隧道预测巡航云控制方法,其特征在于,步骤S3中,所述改进多角度RBF神经网络的数据驱动预测模型是以实时交通流信息、紧急事件和地形地势作为参考输入;
在交通信息预测中考虑多种因素,每个交通因素的数据被描述为信息表征矩阵,并使用通用RBF神经网络单独训练,在单个因素训练完成后,将输出融合至其他因素训练行为的输入,并进行进一步的训练;单个角度RBF神经网络的模型定义为:
其中,cij、ωij分别为径向基函数的中心和隐含层到输出层的权值,使用聚类方法进行求解;为第i个隐含层节点的输出;q为隐含层节点数,xn为第n个空间交通信息;
采用时间序列矩阵与空间交通信息矩阵作为多角度RBF神经网络的两种输入,并将此个角度的输出用作下一个角度的输入,得到最终的预测结果输出,由空间交通信息构成;此外还采用级联函数与聚合函数将预测交通信息融合至单个向量中,并求解最终的预测结果;需要注意的是,受原始交通数据的限制,空间交通信息x1,x2,x3由交通流量、平均速度与高程信息构成;高程信息不参与预测过程。
4.根据权利要求1所述的重点车辆高速公路隧道预测巡航云控制方法,其特征在于,步骤S4具体包括:时变自适应算法求解器在接收到来自数据驱动模型与信息映射层的预测信息与交通态势信息,其中包括更新后的时变纵向车辆模型,在物理动力学和重点车辆特有的约束条件,安全性和能耗指标下进行统一编排计算与局部优化,并将输出传输至云控决策系统。
5.根据权利要求1所述的重点车辆高速公路隧道预测巡航云控制方法,其特征在于,步骤S5具体包括:结合步骤S1到步骤S4中的交通态势信息与算法求解器计算优化后的数据,基于最优化通行安全性与能耗,云控决策系统根据优化控制输入引入云中的二次规划方法来总结最优化控制序列,为重点车辆提供最优化控制方案;
优化算法求解器的目标是在物理动力学和安全约束条件下,以最小化目标函数为导向,找到最佳控制输入分布,以最大限度地优化提高重点车辆的行驶安全性,并且减少能耗;目标函数如下式所示:
其中,等式右边第一项、第二项表示重点车辆跟踪给定目标值的偏差;第三项表示车辆油耗;第四项表示制动扭矩的消耗,衡量了重点车辆特定的惯性安全问题;vref为参考的速度信息,lref为参考的车距信息,l为两车车距,q1,q2,f1,f2,r1,r2为权重系数,np是预测区间;ve为自车速度,Tbrake为制动扭矩,Δdis为空间域间隔,为油耗率,N为当前区间,n为时刻区间,(k+i|k)为在k时刻对未来k+i时刻的预测值;
为了保证重点车辆在安全运行区内运行,优化中增加了包括速度、发动机能量、制动能量和扭矩的物理约束;状态空间的速度边界设置如下:
vmin(k+i|k)≤ve(k+i|k)≤vmax(k+i|k)
其中,vmin为速度边界的下边界,vmax为速度边界的上边界;
根据发动机的通用特性图,在重点车辆的惯性安全有效工作区域内存在发动机扭矩与转速限制,以及制动扭矩的限制:
ωmin(k+i|k)≤ωengine(k+i|k)≤ωmax(k+i|k)
其中,ωmin为发动机转速的下边界,ωmax为发动机转速的上边界,为发动机扭矩的上边界,/>为制动扭矩的上边界;
为了平衡重点车辆的安全性与高速公路的通行效率,重点车辆与前车的间距应满足:
lmin(k+i|k)≤l(k+i|k)≤lmax(k+i|k)
应用自适应车距参数,最小纵向车距lmin(k+i|k)和最大纵向车距lmax(k+i|k)表示为:
其中,theadway,min为车头时距下边界,theadway,max为车头时距上边界,为数据驱动预测模型所得到的交通流预测速度,t为车头时距,Cmin与Cmax为自适应车距参数,他们的值与重点车辆的速度成正比;预测巡航云控制方案采用在线滚动信息域优化与迭代更新的控制方法,即算法求解器在每个预测范围内使用时变预测模型,并在区间内更新此模型,然后进行优化控制输入求解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310633137.XA CN116564095A (zh) | 2023-05-31 | 2023-05-31 | 基于cps的重点车辆高速公路隧道预测巡航云控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310633137.XA CN116564095A (zh) | 2023-05-31 | 2023-05-31 | 基于cps的重点车辆高速公路隧道预测巡航云控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116564095A true CN116564095A (zh) | 2023-08-08 |
Family
ID=87487934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310633137.XA Pending CN116564095A (zh) | 2023-05-31 | 2023-05-31 | 基于cps的重点车辆高速公路隧道预测巡航云控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116564095A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116824870A (zh) * | 2023-08-31 | 2023-09-29 | 国交空间信息技术(北京)有限公司 | 路段流量预测方法、装置、设备以及存储介质 |
-
2023
- 2023-05-31 CN CN202310633137.XA patent/CN116564095A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116754828A (zh) * | 2023-08-21 | 2023-09-15 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116754828B (zh) * | 2023-08-21 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种智慧隧道的能耗监测方法、设备及介质 |
CN116824870A (zh) * | 2023-08-31 | 2023-09-29 | 国交空间信息技术(北京)有限公司 | 路段流量预测方法、装置、设备以及存储介质 |
CN116824870B (zh) * | 2023-08-31 | 2023-11-24 | 国交空间信息技术(北京)有限公司 | 路段流量预测方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook | |
Wang et al. | Hybrid electric vehicle energy management with computer vision and deep reinforcement learning | |
Bai et al. | Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections | |
Lee et al. | Energy efficient speed planning of electric vehicles for car-following scenario using model-based reinforcement learning | |
CN116564095A (zh) | 基于cps的重点车辆高速公路隧道预测巡航云控制方法 | |
CN110304074A (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
Stojčić | Application of ANFIS model in road traffic and transportation: a literature review from 1993 to 2018 | |
CN111899509B (zh) | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 | |
Li et al. | Traffic-aware ecological cruising control for connected electric vehicle | |
Li et al. | Deep reinforcement learning-based eco-driving control for connected electric vehicles at signalized intersections considering traffic uncertainties | |
Patil | A Review of Connected and Automated Vehicle Traffic Flow Models for Next-Generation Intelligent Transportation Systems | |
Caruntu et al. | Multiple-lane vehicle platooning based on a multi-agent distributed model predictive control strategy | |
Qian et al. | Optimal control of connected and automated vehicles at unsignalized intersections: Discrete and regroup | |
Li et al. | Speed planning for connected and automated vehicles in urban scenarios using deep reinforcement learning | |
US20230339519A1 (en) | Safety measurement for a counterfactual risk in autonomous vehicle driving | |
Wu et al. | An optimal longitudinal control strategy of platoons using improved particle swarm optimization | |
Pan et al. | Research on multi-lane energy-saving driving strategy of connected electric vehicle based on vehicle speed prediction | |
Liang et al. | Shared steering control with predictive risk field enabled by digital twin | |
Vaishnavi et al. | A novel self adaptive-electric fish optimization-based multi-lane changing and merging control strategy on connected and autonomous vehicle | |
Wu et al. | Development of Eco-Friendly Ramp Control for Connected and Automated Electric Vehicles | |
CN110610611A (zh) | 面向混行交通流中智能网联车辆的行车安全性评价方法 | |
Torris | Eco-Driving of Connected and Automated Vehicles (CAVs) | |
Lv et al. | A lane-changing decision-making model of bus entering considering bus priority based on GRU neural network | |
Yu et al. | Hierarchical and Distributed Eco-Driving Approach for Mixed Vehicle Clusters at Unsignalized Intersections |
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 |