CN117037539A - 一种车路协同环境下网联车队交叉口分层控制系统及方法 - Google Patents

Abstract

本发明涉及一种车路协同环境下网联车队交叉口分层控制系统包括信息获取模块和分层控制模块，所述的分层控制模块包括上层控制模块和下层控制模块；信息获取模块用于获取信号灯信息及头车行驶信息，信息获取模块分别和上层控制模块、下层控制模块连接用于将获取的信息传输至上层控制模块和下层控制模块，所述的上层控制模块、下层控制模块之间相互连接。本发明采用分层式的控制架构，上层控制基于车路协同技术对车辆进行车速优化，控制车辆以最优速度行驶，下层控制根据车辆临界碰撞状态对车辆进行避撞控制，防止前后车追尾事故，达到了提升交叉路口通行效率、减小车队整体能耗的技术效果。

Description

一种车路协同环境下网联车队交叉口分层控制系统及方法

技术领域

本发明涉及网联车辆车路协同控制技术领域，特别是涉及一种基于车路协同环境下上层最优控制下层模型预测控制的车速分层式控制系统及方法。

背景技术

随着人工智能技术的发展，自动驾驶汽车(Autonomous vehicle，AVs)进入人们的视线。谷歌、百度等知名企业纷纷开始自动驾驶汽车的开发。伴随着自动驾驶汽车发展起来的还有V2X(Vehicle to Everything)通信技术。V2X通信是建立成熟的智能交通系统(Intelligent Traffic System，ITS)从而解决城市交通问题的技术前提。

针对基于交通路网信息的车路协同技术，最优控制与调度理论成为解决交叉路口协调控制问题的热门方法。Rios-Torres J(2016)等人提出了一种闭合的解决方案最优化协调网联自动驾驶车辆无停歇地通过合并道路，实现了平稳的交通流量；作者将该问题转化为一个基于简化油耗模型的无约束的最优控制问题，但在车辆快速行驶时该方法具有潜在的局限性。Malikopoulos A A(2018)等人以达到最大吞吐量为目标，设计了一个去中心化的框架来控制网联自动驾驶车辆最优化通过城市无交通信号灯的交叉路口，并在严格安全约束下实现最小燃油消耗^[1]。de Cameos G R(2017)等人基于驾驶员意图利用调度理论设计了一个最优的驾驶员自适应监督系统，用以避免车辆在交叉路口发生碰撞^[2]。与之类似的，Ahn H(2017)等人提出了一种利用车辆当前状态和驾驶员预期输人的监督算法；文中将是否存在输人信号使得车辆可以在没有碰撞的情况下穿过交叉路口的问题，等效转换为一个排程问题，并通过两个混合整数线性规划获得具有量化近似界限的过逼近和欠逼近的解^[3]。de Cameos G R(2017)等人针对交叉路口的交通协调问题，结合最优控制和基于模型的启发式算法提出了一个去中心化的协调方法，以较低的复杂性和可扩展性来权衡最优性^[2]。

根据当下的研究现状不难看出，目前车辆速度规划研究大多是将单车作为研究对象，忽略了现实道路条件下可能出现的前后车的碰撞，且在避撞模型的研究中由于未考虑前车的可能行进路线及速度，可能会导致潜在的突然加速和制动，增加车辆额外的能量消耗，降低了乘客的舒适性。

发明内容

本发明的目的时提出了一种车路协同环境下网联车队交叉口分层控制系统及方法，以解决现有技术中存在的忽略现实道路条件下可能出现的前后车的碰撞以及在避撞模型的研究中由于未考虑前车的可能行进路线及速度带来的增加车辆额外的能量消耗、降低乘客舒适性的问题。

为实现以上目的，本发明的技术方案为：提供一种车路协同环境下网联车队交叉口分层控制系统，其创新点在于，包括信息获取模块和分层控制模块，所述的分层控制模块包括上层控制模块和下层控制模块；

信息获取模块用于获取信号灯信息及头车行驶信息，信息获取模块分别和上层控制模块、下层控制模块连接用于将获取的信息传输至上层控制模块和下层控制模块，所述的上层控制模块、下层控制模块之间相互连接。

进一步的，所述的信息获取模块包括全球定位系统GPS和专用短程通讯技术系统DSRC，所述的全球定位系统GPS和专用短程通讯技术系统DSRC分别连接下层控制模块和上层控制模块；

所述的信息获取模块获取的信号灯信息包括信号灯变为红灯时刻、信号灯变为绿灯时刻、信号灯再一次变为红灯时刻；获取的头车行驶信息包括车辆当前速度、车辆当前加速度、车辆收到信号灯控制器发送的第一帧数据时所处的位置、车辆距十字路口的位置、车辆与前车之间的间距；

信号灯信息通过专用短程通讯技术系统DSRC获取；头车行驶信息通过全球定位系统GPS获取。

进一步的，所述的上层控制模块采用车速引导决策模型与GPOPS-Ⅱ速度优化单元，所述的车速引导决策模型基于信息获取模块输送过来的信号灯信息数据建立，车速引导决策模型对信号灯信息进行解码处理，再将处理后的数据发送给GPOPS-Ⅱ速度优化单元进行解算，并输出最优速度曲线给下层控制模块。

进一步的，下层控制模块采用模型预测控制，通过在模型预测控制内设计添加的下层目标函数与下层约束条件计算获得期望控制参数，并在可能发生碰撞事故时输出追尾碰撞预警信号给上层控制模块，强制车速引导决策模型减速引导。

为达到上述目的，本发明的技术方案还包括一种车路协同环境下网联车队交叉口分层控制方法，具体包括以下步骤：

S1、分别通过信息获取模块的全球定位系统GPS和专用短程通讯技术系统DSRC获取头车行驶信息和信号灯信息；

S2、构建车速引导决策模型，决策车辆运行状态；

S3、基于步骤S2决策出来的车辆运行状态，在GPOPS-Ⅱ速度优化单元内添加上层目标函数和上层约束条件，并通过GPOPS-Ⅱ速度优化单元计算并向模型预测控制输出当前车辆最优速度曲线；

S4、模型预测控制基于步骤S3得出的车辆最优速度曲线计算当前车辆临界碰撞状态，并根据当前车辆临界碰撞状态向车速引导决策模型发送预警信号，车速引导决策模型根据预警信号决策车辆运行状态；

S5、在模型预测控制内设计添加下层目标函数与下层约束条件，以达到车辆按照解算出的最优速度进行行驶的目的，即完成了车路协同环境下网联车队交叉口分层的控制。

进一步的，所述的步骤S2中当车辆驶近交叉路口时，分为三种情况，分别为：

网联车维持当前车速继续匀速行驶，可在绿灯窗口期间通过交叉路口；

网联车辆在当前车速的基础上进行加速，可在绿灯窗口结束前通过交叉路口；

网联车辆即使加速到最高限速也无法在本轮绿灯窗口期间通过交叉路口，或维持当前车速继续匀速行驶无法在红灯窗口期结束时通过交叉路口，则必须在当前车速的基础上进行减速；

基于上述三种情况，步骤S2中构建车速引导决策模型，决策车辆运行状态的具体过程为：

S21、将交通信号灯的黄灯视为红灯，信号灯为绿灯窗口期表示为Phase＝G，信号灯为红灯窗口期表示为Phase＝R，将信号灯时序设为t_r，t_g，t_r1三种，t_r为信号灯转换成红灯窗口的时刻，t_g为信号灯转换成绿灯窗口的时刻，t_r1为信号灯又转换成红灯窗口的时刻，网联车辆起始点设为S_u，车辆到达点设为S_o，则车辆到达S_o的时间为：

S22、在Phase＝G时会出现两次绿灯窗口，若当前车速可以使网联车在第一次绿灯窗口期时驶过交叉路口，则t_possible＝[t_l,t_h]＝[0,t_r]，如果网联车辆即使以最大的加速度a_max进行加速也无法在本次绿灯窗口期时顺利驶过交叉路口，则t_possible＝[t_r,t_h]＝[t_g,t_r1]；而在Phase＝R的情况中，通常车辆能够在第二个绿灯窗口期时驶过交叉路口，于是t_possible＝[t_l,t_h]＝[t_g,t_r]，解出t_possible的情况下，速度优化系统结合解算出的车辆到交叉路口处的距离d_int，得出车速引导决策模型为：

由于城市中的一般交叉路口道路都有最高限速v_lim，则v_possible＝[v_lo,v_ho]∩[0,v_lim]＝[v_l,v_h]，式中v_possible为可在绿灯窗口期通过交叉路口的速度，v_l和v_h为可在绿灯窗口期通过交叉路口的速度上下限，为了实现不停车驶过交叉路口，根据当前车速v_c，决策车辆运行状态为：

进一步的，所述的步骤S3中的网联电动汽车，在仅存在驱动耗能的情况下，若忽略车辆其余附件消耗的电能，则上层目标函数为：

由于车辆无制动能量回收功能，电机转矩和电机功率最小值均为零，即T_m,min＝0，P_m,min＝0，且不存在驱动电机和液压制动系统同时提供制动力的情况，故需保证T_m·F_h＝0，因此上层约束条件表示为：

进一步的，所述的步骤S3中使用GPOPS-Ⅱ速度优化单元，将最优控制问题的初始设置输入GPOPS-Ⅱ速度优化单元，从中找到最优控制问题的属性，求出最优控制问题函数的导数依赖关系，再找到最优控制问题的变量和函数标度，从而将最优控制问题转化为当前网格上的非线性规划问题，然后估计最优控制问题解的误差，若估计误差大于期望误差，则重新确定最优控制问题的网格，将最优控制问题的初始猜想设为当前解，再通过将最优控制问题转化为当前网格上的非线性规划问题的步骤，估计最优控制问题解的误差，若估计误差小于期望误差，则输出最优控制问题的解，即输出输出当前车辆最优速度曲线。

进一步的，所述的步骤S4中的计算当前车辆临界碰撞状态的具体过程为：将车辆纵向运动学离散化模型表达成状态空间方程的形式：

X(τ+1)＝A_dX(τ)+B_du(τ)

Y(τ)＝C_dX(τ)

选取状态变量为X＝[s,v]^T，控制变量u＝[a]，输出变量Y＝[s,v]^T，δ表示离散时间常数；

从状态空间方程可知，通过τ时刻车辆的状态X(τ)与此刻的控制输入u(τ)可以计算出车辆下一离散时刻的车辆状态X(τ+1)，经过循环迭代可以求得车辆在预测步数N_p内的所有状态；从任意τ时刻到τ+N_p时刻模型的输出可以表示为：

从上式可以看出，预测步数N_p的选择直接影响模型预测控制模块的性能；N_p增大，矩阵的维数随之增加，影响计算时效性；N_p减小，模型预测控制模块预测距离有限，极端情况甚至导致车辆追尾事故；针对常见城市道路最极端的情况：后车以道路最高限制速度行驶且前车静止不动，后车全力制动后两车最终处于临界碰撞状态，即当前车辆临界碰撞状态表示为：

进一步的，所述的步骤S5中的下层目标函数需要引导车辆按照解算出的最优速度进行行驶；保证加速度增益不可过大；阻止后车靠近前车，为此，设计MPC优化上层目标函数为：

式中，J_vel,i反映了车辆跟随最优速度行驶的能力；J_u,i反映了对加速度控制量变化的约束；J_obs,i反映了车主与障碍车辆的碰撞风险；ξ，ψ，ω分别为对应的权系数，其中，J_vel,i可表示为：

J_vel,i＝(v_i-v_eco,i)²

式中，v_i，v_eco,i分别为在第i步模型预测输出车速和上层规划车速；J_u,i可表示为

式中，u_i为第i步的加速度控制输入，描述碰撞风险的方式，采用高斯分布函数；为了表达贴合实际情况的碰撞风险，考虑前后车的相对距离和相对速度，参考高斯函数形状因子表达式设计J_obs,i为：

式中，s_i，s_obs,i分别为第i步模型预测位置和障碍车辆位置，v_r,i为车辆此时与障碍车辆的相对速度；σ为给定的较小正数，以避免分式无意义的情况；

智能网联汽车在行驶过程中，下层约束主要源于以下几种情况：

(1)最小车辆距离约束，上式所表现的优化目标是一种软约束，为保证智能网联车辆任意情况下都不发生碰撞，必须设置最小车辆距离硬约束，设ε_s为最小安全距离阈值，则应满足s_i≤s_obs,i-ε_s；

(2)速度约束，车辆应符合道路交通安全规范限速：0≤v_i≤v_max；

(3)加速度约束，为了确保加减速过程中控制量可被终端设备执行，优化的解应满足最大摩擦力约束和终端设备的执行能力约束：

式中，a_{batt_pos}，a_{batt_neg}分别为被电池功率和终端设备所约束后，能达到的智能网联汽车最大加/减速度。

与现有技术相比，本发明具有以下优点：

1、采用分层式的控制架构，上层控制基于车路协同技术对车辆进行车速优化，控制车辆以最优速度行驶，下层控制根据车辆临界碰撞状态对车辆进行避撞控制，防止前后车追尾事故，达到了提升交叉路口通行效率、减小车队整体能耗的技术效果。

2、建立了紧耦合的分层控制方式，将车速引导决策模型、速度优化单元、避撞控制单元相互耦合，根据当前车辆临界碰撞状态向车速引导决策模型发送预警信号强制减速的紧耦合方式相较于现有技术中简单松耦合的分层控制方式，有效的避免了特殊工况中后车易出现急减速的情况，提升了乘员安全性与乘坐舒适性，减少了车辆能量消耗。

3、上层控制采用车速引导决策模型与基于GPOPS-Ⅱ的速度优化单元对车辆进行速度优化，充分利用了交通信号灯信息，实现了解算网联车辆在交叉路口的最优速度曲线的技术效果，相较于现有技术有助于提升通行效率，减小车辆能耗。

4、下层控制采用基于模型预测控制的避撞控制单元对车辆进行避撞控制，实现了避免后车与前车相撞的技术效果，相较于现有技术有助于提升车辆通行安全性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。

图1是本发明的一种车路协同环境下网联车队交叉口分层控制系统的系统框图。

图2是本发明的分层控制工作流程示意图。

图3是本发明的车速引导决策模型流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明提供一种车路协同环境下网联车队交叉口分层控制系统，其系统框图如图1所示，包括信息获取模块和分层控制模块，所述的分层控制模块包括上层控制模块和下层控制模块。

信息获取模块用于获取信号灯信息及头车行驶信息，信息获取模块分别和上层控制模块、下层控制模块连接用于将获取的信息传输至上层控制模块和下层控制模块，所述的上层控制模块、下层控制模块之间相互连接。

信息获取模块包括全球定位系统GPS和专用短程通讯技术系统DSRC，全球定位系统GPS和专用短程通讯技术系统DSRC分别连接下层控制模块和上层控制模块。

信息获取模块获取的信号灯信息包括信号灯变为红灯时刻、信号灯变为绿灯时刻、信号灯再一次变为红灯时刻；获取的头车行驶信息包括车辆当前速度、车辆当前加速度、车辆收到信号灯控制器发送的第一帧数据时所处的位置、车辆距十字路口的位置、车辆与前车之间的间距。

其中，信号灯信息通过专用短程通讯技术系统DSRC获取；头车行驶信息通过全球定位系统GPS获取。

本发明的上层控制模块采用车速引导决策模型与GPOPS-Ⅱ速度优化单元，车速引导决策模型基于信息获取模块输送过来的信号灯信息数据建立，车速引导决策模型对信号灯信息进行解码处理，再将处理后的数据发送给GPOPS-Ⅱ速度优化单元进行解算，并输出最优速度曲线给下层控制模块。

本发明的下层控制模块采用模型预测控制，通过在模型预测控制内设计添加的下层目标函数与下层约束条件计算获得期望控制参数，并在可能发生碰撞事故时输出追尾碰撞预警信号给上层控制模块，强制车速引导决策模型减速引导。

本发明的技术方案还包括一种车路协同环境下网联车队交叉口分层控制方法，具体包括以下步骤：

S1、分别通过信息获取模块的全球定位系统GPS和专用短程通讯技术系统DSRC获取头车行驶信息和信号灯信息；

S2、构建车速引导决策模型，决策车辆运行状态；

步骤S2中当车辆驶近交叉路口时，分为三种情况，分别为：

网联车维持当前车速继续匀速行驶，可在绿灯窗口期间通过交叉路口；

网联车辆在当前车速的基础上进行加速，可在绿灯窗口结束前通过交叉路口；

网联车辆即使加速到最高限速也无法在本轮绿灯窗口期间通过交叉路口，或维持当前车速继续匀速行驶无法在红灯窗口期结束时通过交叉路口，则必须在当前车速的基础上进行减速；

基于上述三种情况，步骤S2中构建车速引导决策模型，如图3所示，决策车辆运行状态的具体过程为：

S21、将交通信号灯的黄灯视为红灯，信号灯为绿灯窗口期表示为Phase＝G，信号灯为红灯窗口期表示为Phase＝R，将信号灯时序设为t_r，t_g，t_r1三种，t_r为信号灯转换成红灯窗口的时刻，t_g为信号灯转换成绿灯窗口的时刻，t_r1为信号灯又转换成红灯窗口的时刻，网联车辆起始点设为S_u，车辆到达点设为S_o，则车辆到达S_o的时间为：

S22、在Phase＝G时会出现两次绿灯窗口，若当前车速可以使网联车在第一次绿灯窗口期时驶过交叉路口，则t_possible＝[t_l,t_h]＝[0,t_r]，如果网联车辆即使以最大的加速度a_max进行加速也无法在本次绿灯窗口期时顺利驶过交叉路口，则t_possible＝[t_r,t_h]＝[t_g,t_r1]；而在Phase＝R的情况中，通常车辆能够在第二个绿灯窗口期时驶过交叉路口，于是t_possible＝[t_l,t_h]＝[t_g,t_r]，解出t_possible的情况下，速度优化系统结合解算出的车辆到交叉路口处的距离d_int，得出车速引导决策模型为：

由于城市中的一般交叉路口道路都有最高限速v_lim，则v_possible＝[v_lo,v_ho]∩[0,v_lim]＝[v_l,v_h]，式中v_possible为可在绿灯窗口期通过交叉路口的速度，v_l和v_h为可在绿灯窗口期通过交叉路口的速度上下限，为了实现不停车驶过交叉路口，根据当前车速v_c，决策车辆运行状态为：

S3、基于步骤S2决策出来的车辆运行状态，在GPOPS-Ⅱ速度优化单元内添加上层目标函数和上层约束条件，并通过GPOPS-Ⅱ速度优化单元计算并向模型预测控制输出当前车辆最优速度曲线。

网联电动汽车，在仅存在驱动耗能的情况下，若忽略车辆其余附件消耗的电能，则上层目标函数为：

由于车辆无制动能量回收功能，电机转矩和电机功率最小值均为零，即T_m,min＝0，P_m,min＝0，且不存在驱动电机和液压制动系统同时提供制动力的情况，故需保证T_m·F_h＝0，因此上层约束条件表示为：

使用GPOPS-Ⅱ速度优化单元，将最优控制问题的初始设置输入GPOPS-Ⅱ速度优化单元，从中找到最优控制问题的属性，求出最优控制问题函数的导数依赖关系，再找到最优控制问题的变量和函数标度，从而将最优控制问题转化为当前网格上的非线性规划问题，然后估计最优控制问题解的误差，若估计误差大于期望误差，则重新确定最优控制问题的网格，将最优控制问题的初始猜想设为当前解，再通过将最优控制问题转化为当前网格上的非线性规划问题的步骤，估计最优控制问题解的误差，若估计误差小于期望误差，则输出最优控制问题的解，即输出输出当前车辆最优速度曲线。

S4、模型预测控制基于步骤S3得出的车辆最优速度曲线计算当前车辆临界碰撞状态，并根据当前车辆临界碰撞状态向车速引导决策模型发送预警信号，车速引导决策模型根据预警信号决策车辆运行状态。

其中，计算当前车辆临界碰撞状态的具体过程为：将车辆纵向运动学离散化模型表达成状态空间方程的形式：

X(τ+1)＝A_dX(τ)+B_du(τ)

Y(τ)＝C_dX(τ)

选取状态变量为X＝[s,v]^T，控制变量u＝[a]，输出变量Y＝[s,v]^T，δ表示离散时间常数；

从状态空间方程可知，通过τ时刻车辆的状态X(τ)与此刻的控制输入u(τ)可以计算出车辆下一离散时刻的车辆状态X(τ+1)，经过循环迭代可以求得车辆在预测步数N_p内的所有状态；从任意τ时刻到τ+N_p时刻模型的输出可以表示为：

从上式可以看出，预测步数N_p的选择直接影响模型预测控制模块的性能；N_p增大，矩阵的维数随之增加，影响计算时效性；N_p减小，模型预测控制模块预测距离有限，极端情况甚至导致车辆追尾事故；针对常见城市道路最极端的情况：后车以道路最高限制速度行驶且前车静止不动，后车全力制动后两车最终处于临界碰撞状态，即当前车辆临界碰撞状态表示为：

S5、在模型预测控制内设计添加下层目标函数与下层约束条件，以达到车辆按照解算出的最优速度进行行驶的目的，即完成了车路协同环境下网联车队交叉口分层的控制。步骤S3-S5如图2所示。

下层目标函数需要引导车辆按照解算出的最优速度进行行驶；保证加速度增益不可过大；阻止后车靠近前车，为此，设计MPC优化上层目标函数为：

式中，J_vel,i反映了车辆跟随最优速度行驶的能力；J_u,i反映了对加速度控制量变化的约束；J_obs,i反映了车主与障碍车辆的碰撞风险；ξ，ψ，ω分别为对应的权系数，其中，J_vel,i可表示为：

J_vel,i＝(v_i-v_eco,i)²

式中，v_i，v_eco,i分别为在第i步模型预测输出车速和上层规划车速；J_u,i可表示为

式中，u_i为第i步的加速度控制输入，描述碰撞风险的方式，采用高斯分布函数；为了表达贴合实际情况的碰撞风险，考虑前后车的相对距离和相对速度，参考高斯函数形状因子表达式设计J_obs,i为：

式中，s_i，s_obs,i分别为第i步模型预测位置和障碍车辆位置，v_r,i为车辆此时与障碍车辆的相对速度；σ为给定的较小正数，以避免分式无意义的情况；

智能网联汽车在行驶过程中，下层约束主要源于以下几种情况：

(1)最小车辆距离约束，上式所表现的优化目标是一种软约束，为保证智能网联车辆任意情况下都不发生碰撞，必须设置最小车辆距离硬约束，设ε_s为最小安全距离阈值，则应满足s_i≤s_obs,i-ε_s；

(2)速度约束，车辆应符合道路交通安全规范限速：0≤v_i≤v_max；

(3)加速度约束，为了确保加减速过程中控制量可被终端设备执行，优化的解应满足最大摩擦力约束和终端设备的执行能力约束：

式中，a_{batt_pos}，a_{batt_neg}分别为被电池功率和终端设备所约束后，能达到的智能网联汽车最大加/减速度。

Claims (10)

1.一种车路协同环境下网联车队交叉口分层控制系统，其特征在于，包括信息获取模块和分层控制模块，所述的分层控制模块包括上层控制模块和下层控制模块；

信息获取模块用于获取信号灯信息及头车行驶信息，信息获取模块分别和上层控制模块、下层控制模块连接用于将获取的信息传输至上层控制模块和下层控制模块，所述的上层控制模块、下层控制模块之间相互连接。

2.根据权利要求1所述的一种车路协同环境下网联车队交叉口分层控制系统，其特征在于，所述的信息获取模块包括全球定位系统GPS和专用短程通讯技术系统DSRC，所述的全球定位系统GPS和专用短程通讯技术系统DSRC分别连接下层控制模块和上层控制模块；

所述的信息获取模块获取的信号灯信息包括信号灯变为红灯时刻、信号灯变为绿灯时刻、信号灯再一次变为红灯时刻；获取的头车行驶信息包括车辆当前速度、车辆当前加速度、车辆收到信号灯控制器发送的第一帧数据时所处的位置、车辆距十字路口的位置、车辆与前车之间的间距；

信号灯信息通过专用短程通讯技术系统DSRC获取；头车行驶信息通过全球定位系统GPS获取。

3.根据权利要求1所述的一种车路协同环境下网联车队交叉口分层控制系统，其特征在于，所述的上层控制模块采用车速引导决策模型与GPOPS-Ⅱ速度优化单元，所述的车速引导决策模型基于信息获取模块输送过来的信号灯信息数据建立，车速引导决策模型对信号灯信息进行解码处理，再将处理后的数据发送给GPOPS-Ⅱ速度优化单元进行解算，并输出最优速度曲线给下层控制模块。

4.根据权利要求1所述的一种车路协同环境下网联车队交叉口分层控制系统，其特征在于，下层控制模块采用模型预测控制，通过在模型预测控制内设计添加的下层目标函数与下层约束条件计算获得期望控制参数，并在可能发生碰撞事故时输出追尾碰撞预警信号给上层控制模块，强制车速引导决策模型减速引导。

5.一种基于权利要求1-4所述的车路协同环境下网联车队交叉口分层控制系统的控制方法，具体包括以下步骤：

S1、分别通过信息获取模块的全球定位系统GPS和专用短程通讯技术系统DSRC获取头车行驶信息和信号灯信息；

S2、构建车速引导决策模型，决策车辆运行状态；

S3、基于步骤S2决策出来的车辆运行状态，在GPOPS-Ⅱ速度优化单元内添加上层目标函数和上层约束条件，并通过GPOPS-Ⅱ速度优化单元计算并向模型预测控制输出当前车辆最优速度曲线；

S4、模型预测控制基于步骤S3得出的车辆最优速度曲线计算当前车辆临界碰撞状态，并根据当前车辆临界碰撞状态向车速引导决策模型发送预警信号，车速引导决策模型根据预警信号决策车辆运行状态；

S5、在模型预测控制内设计添加下层目标函数与下层约束条件，以达到车辆按照解算出的最优速度进行行驶的目的，即完成了车路协同环境下网联车队交叉口分层的控制。

6.根据权利要求5所述的一种车路协同环境下网联车队交叉口分层控制方法，其特征在于，所述的步骤S2中当车辆驶近交叉路口时，分为三种情况，分别为：

网联车维持当前车速继续匀速行驶，可在绿灯窗口期间通过交叉路口；

网联车辆在当前车速的基础上进行加速，可在绿灯窗口结束前通过交叉路口；

网联车辆即使加速到最高限速也无法在本轮绿灯窗口期间通过交叉路口，或维持当前车速继续匀速行驶无法在红灯窗口期结束时通过交叉路口，则必须在当前车速的基础上进行减速；

基于上述三种情况，步骤S2中构建车速引导决策模型，决策车辆运行状态的具体过程为：

S21、将交通信号灯的黄灯视为红灯，信号灯为绿灯窗口期表示为Phase＝G，信号灯为红灯窗口期表示为Phase＝R，将信号灯时序设为t_r，t_g，t_r1三种，t_r为信号灯转换成红灯窗口的时刻，t_g为信号灯转换成绿灯窗口的时刻，t_r1为信号灯又转换成红灯窗口的时刻，网联车辆起始点设为S_u，车辆到达点设为S_o，则车辆到达S_o的时间为：

S22、在Phase＝G时会出现两次绿灯窗口，若当前车速可以使网联车在第一次绿灯窗口期时驶过交叉路口，则t_possible＝[t_l,t_h]＝[0,t_r]，如果网联车辆即使以最大的加速度a_max进行加速也无法在本次绿灯窗口期时顺利驶过交叉路口，则t_possible＝[t_r,t_h]＝[t_g,t_r1]；而在Phase＝R的情况中，通常车辆能够在第二个绿灯窗口期时驶过交叉路口，于是t_possible＝[t_l,t_h]＝[t_g,t_r]，解出t_possible的情况下，速度优化系统结合解算出的车辆到交叉路口处的距离d_int，得出车速引导决策模型为：

由于城市中的一般交叉路口道路都有最高限速v_lim，则v_possible＝[v_lo,v_ho]∩[0,v_lim]＝[v_l,v_h]，式中v_possible为可在绿灯窗口期通过交叉路口的速度，v_l和v_h为可在绿灯窗口期通过交叉路口的速度上下限，为了实现不停车驶过交叉路口，根据当前车速v_c，决策车辆运行状态为：

7.根据权利要求6所述的一种车路协同环境下网联车队交叉口分层控制方法，其特征在于，所述的步骤S3中的网联电动汽车，在仅存在驱动耗能的情况下，若忽略车辆其余附件消耗的电能，则上层目标函数为：

由于车辆无制动能量回收功能，电机转矩和电机功率最小值均为零，即T_m,min＝0，P_m,min＝0，且不存在驱动电机和液压制动系统同时提供制动力的情况，故需保证T_m·F_h＝0，因此上层约束条件表示为：

8.根据权利要求7所述的一种车路协同环境下网联车队交叉口分层控制方法，其特征在于，所述的步骤S3中使用GPOPS-Ⅱ速度优化单元，将最优控制问题的初始设置输入GPOPS-Ⅱ速度优化单元，从中找到最优控制问题的属性，求出最优控制问题函数的导数依赖关系，再找到最优控制问题的变量和函数标度，从而将最优控制问题转化为当前网格上的非线性规划问题，然后估计最优控制问题解的误差，若估计误差大于期望误差，则重新确定最优控制问题的网格，将最优控制问题的初始猜想设为当前解，再通过将最优控制问题转化为当前网格上的非线性规划问题的步骤，估计最优控制问题解的误差，若估计误差小于期望误差，则输出最优控制问题的解，即输出输出当前车辆最优速度曲线。

9.根据权利要求5所述的一种车路协同环境下网联车队交叉口分层控制方法，其特征在于，所述的步骤S4中的计算当前车辆临界碰撞状态的具体过程为：将车辆纵向运动学离散化模型表达成状态空间方程的形式：

X(τ+1)＝A_dX(τ)+B_du(τ)

Y(τ)＝C_dX(τ)

选取状态变量为X＝[s,v]^T，控制变量u＝[a]，输出变量Y＝[s,v]^T，δ表示离散时间常数；

从状态空间方程可知，通过τ时刻车辆的状态X(τ)与此刻的控制输入u(τ)可以计算出车辆下一离散时刻的车辆状态X(τ+1)，经过循环迭代可以求得车辆在预测步数N_p内的所有状态；从任意τ时刻到τ+N_p时刻模型的输出可以表示为：

从上式可以看出，预测步数N_p的选择直接影响模型预测控制模块的性能；N_p增大，矩阵的维数随之增加，影响计算时效性；N_p减小，模型预测控制模块预测距离有限，极端情况甚至导致车辆追尾事故；针对常见城市道路最极端的情况：后车以道路最高限制速度行驶且前车静止不动，后车全力制动后两车最终处于临界碰撞状态，即当前车辆临界碰撞状态表示为：

10.根据权利要求5所述的一种车路协同环境下网联车队交叉口分层控制方法，其特征在于，所述的步骤S5中的下层目标函数需要引导车辆按照解算出的最优速度进行行驶；保证加速度增益不可过大；阻止后车靠近前车，为此，设计MPC优化上层目标函数为：

式中，J_vel,i反映了车辆跟随最优速度行驶的能力；J_u,i反映了对加速度控制量变化的约束；J_obs,i反映了车主与障碍车辆的碰撞风险；ξ，ψ，ω分别为对应的权系数，其中，J_vel,i可表示为：

J_vel,i＝(v_i-v_eco,i)²

式中，v_i，v_eco,i分别为在第i步模型预测输出车速和上层规划车速；J_u,i可表示为

式中，u_i为第i步的加速度控制输入，描述碰撞风险的方式，采用高斯分布函数；为了表达贴合实际情况的碰撞风险，考虑前后车的相对距离和相对速度，参考高斯函数形状因子表达式设计J_obs,i为：

式中，s_i，s_obs,i分别为第i步模型预测位置和障碍车辆位置，v_r,i为车辆此时与障碍车辆的相对速度；σ为给定的较小正数，以避免分式无意义的情况；

智能网联汽车在行驶过程中，下层约束主要源于以下几种情况：

(1)最小车辆距离约束，上式所表现的优化目标是一种软约束，为保证智能网联车辆任意情况下都不发生碰撞，必须设置最小车辆距离硬约束，设ε_s为最小安全距离阈值，则应满足s_i≤s_obs,i-ε_s；

(2)速度约束，车辆应符合道路交通安全规范限速：0≤v_i≤v_max；

(3)加速度约束，为了确保加减速过程中控制量可被终端设备执行，优化的解应满足最大摩擦力约束和终端设备的执行能力约束：

式中，a_{batt_pos}，a_{batt_neg}分别为被电池功率和终端设备所约束后，能达到的智能网联汽车最大加/减速度。