WO2021233005A1

WO2021233005A1 - 一种智能车辆编队变道性能测评方法

Info

Publication number: WO2021233005A1
Application number: PCT/CN2021/086571
Authority: WO
Inventors: 李旭; 胡玮明; 徐启敏; 韦坤
Original assignee: 东南大学
Priority date: 2020-05-21
Filing date: 2021-04-12
Publication date: 2021-11-25
Also published as: CN111780981B; US20220379893A1; US11648946B2; CN111780981A

Abstract

一种智能车辆编队变道性能测评方法。首先，建立智能车辆编队变道性能测试场景。其次，根据智能车辆在编队变道过程中的运动特点，建立三自由度的非线性动力学模型。进而，利用改进的自适应无迹卡尔曼滤波算法对编队车辆的位置、速度等状态变量进行滤波估计。最后，基于准确递推的车辆运动状态参数，提出并量化编队变道性能的评价指标，构建编队变道性能的评价体系。智能车辆编队变道性能测评方法解决了当前缺乏编队变道性能定量测评的问题，能够高精度、全面的测量车辆运动状态参数，量化并输出了多维度的编队变道性能评价指标，实现了编队变道性能全面、准确、可靠的科学定量测评。

Description

一种智能车辆编队变道性能测评方法

技术领域

本发明属于智能驾驶汽车道路试验与测试技术领域，尤其涉及一种智能车辆编队变道性能测评方法。

背景技术

随着我国通车里程的不断增加和汽车保有量的爆发性增长，加之我国道路条件和交通状况复杂，致使交通事故频发，导致交通中断、财产损失和人员伤亡。其中，90％以上的道路交通事故来源于驾驶员因素。在这样的背景下，辅助驾驶员进行驾驶操作、在紧急情况下部分取代驾驶员操作甚至完全实现无人驾驶的智能驾驶技术成为了国内外研究的重点。

作为智能驾驶技术的重要组成部分，智能车辆编队利用协同控制、车车通信等技术将同向行驶的车辆进行统一的组织，使车辆以较小的固定车距纵队排列行驶。当遇到障碍物时，跟随车可以接收领航车发送的避障信息，并与领航车路径一样变道躲避路障。作为一种先进的公路运输方式，智能车辆编队行驶对于提高行车安全、提升道路使用效率、减缓交通拥堵、减少燃油消耗具有重要的作用。目前，智能车辆编队技术主要应用于载重大、体积大、用于道路运输的大型货车，若编队车辆发生交通事故，极易造成多车追尾、群死群伤等严重后果。为了实现安全、高效的智能车辆编队行驶，对智能车辆编队功能、性能的测试评价受到了政府、研究机构的高度重视。

为此，我国制定了一系列标准法规，对智能车辆编队性能进行测试评价。国家工信部、公安部、交通部联合发布了《智能网联汽车自动驾驶功能测试规程》，对智能车辆编队的测试场景和测试方法作出了明确规定。车道变换作为编队行驶过程中最常见也是最复杂的动作之一，其性能的优劣对于实现安全、高效的车辆编队尤为重要。然而，该标准仅针对智能车辆编队中的队列行驶、队形切换进行了功能测试，未涉及编队变道性能的测试评价；广州市交通委员会发布了《关于智能网联汽车道路测试有关工作的指导意见》，对编队行驶测试中的测试车辆、测试条件和测试环境作出了明确要求，但未涉及编队行驶功能、性能的具体测试方法和测试规程；中交国通智能交通产业联盟发布了T/ITS 0101-2019标准《自动驾驶商用汽车测试场建设及自动测试规范》，描述了商用车编队行驶能力的测试方法和评价标准。然而，该标准仅针对队列行驶过程中的安全性进行测试评价，未针对编队行驶中的变道性能做定量评价。可以看出，具体针对智能车辆编队变道性能的定量测试评价，目前仍缺乏完善的测评方法和统一的国家标准。

目前，已有专利文献对智能车辆编队功能及其性能的测试评价进行研究，构建了智能车辆编队效果评价体系，涉及安全性、通行效率等方面。在安全性评价方面，利用危害分析与风险评价方法分析编队的有效性和稳定性；利用一种随机模型评估编队车辆的碰撞概率；或利用智能驾驶员模型(Intelligent Driver Model,IDM)、协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)等跟驰模型对车辆编队过程进行建模，利用距离碰撞时间、距离碰撞时间倒数、暴露在危险交通状况下的总时间、碰撞风险指数、速度协方差等指标进行安全性评价。在通行效率评价方面，利用路口交通流量、出口转向率、运行速度、交通流流量等指标进行效率性评价。未涉及智能车辆编队变道性能的测评研究，特别是缺乏量化编队变道性能指标的测评研究。

整体而言，目前尚未形成智能车辆编队变道性能的定量测评方法和指标评价体系，无法满足车辆编队性能全面、准确、可靠的定量测评需求，有待进一步突破。

发明内容

发明目的：解决当前缺乏编队变道性能定量测评的问题，提出了一种智能车辆编队变道性能测评方法，该方法基于实际道路试验，能够高精度、全面的测量车辆运动状态参数，量化并输出了多维度的编队变道性能评价指标，实现了编队变道性能全面、准确、可靠的科学定量测评。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种智能车辆编队变道性能测评方法。首先，建立智能车辆编队变道性能测试场景。其次，根据智能车辆在编队变道过程中的运动特点，建立三自由度的非线性动力学模型。进而，利用改进的自适应无迹卡尔曼滤波算法对编队车辆的位置、速度等状态变量进行滤波估计。最后，基于准确递推的车辆运动状态参数，提出并量化编队变道性能的评价指标，构建编队变道性能的评价体系，从而实现了智能车辆编队变道性能优劣的全面、准确、可靠的科学定量测评。包括以下步骤：

步骤一：建立智能车辆编队变道性能测试场景

针对当前缺乏智能车辆编队变道性能测评的问题，本发明建立了智能车辆编队变道性能测试场景。首先，选取高等级公路作为试验场地，其次，建立智能车辆编队变道性能测试场景，具体描述如下：

领航车位于试验道路的中间，以设定的速度直线行驶，跟随车以设定的间距跟随领航车行驶，当领航车经过测试起点时，开始同步采集领航车、跟随车的运动状态参数。随后，当遇到障碍物时，领航车进行变道操作，跟随车接收变道信息并以相似的运动轨迹进行车道变换。当领航车到达终点时，则一次测试结束。

在本发明中，领航车是指编队行驶中的第一辆车，一般为人工驾驶模式；跟随车是指编队行驶中领航车后面的智能车辆，一般为自动驾驶模式。

步骤二：建立智能车辆编队变道的动态模型

在编队变道性能测试过程中，需要精确的获取每一时刻领航车、跟随车的位置、速度等运动状态参数。为了满足信息全、精度高的测量需求，需建立能够准确描述智能车辆编队变道运动特性的动态模型。针对本发明的应用领域，对于编队行驶的前轮转向的四轮车辆，做出以下合理假定：

(1)忽略车辆的俯仰、侧倾运动，忽略车辆悬架对轮胎轴的影响；

(2)假定车辆前轴的两个轮胎具有相同的转向角、侧偏角、纵向力和侧向力，类似地，假定车辆后轴的两个轮胎具有相同的转向角、侧偏角、纵向力和侧向力；

(3)假定车辆前轮的方向与车辆当前速度方向一致。

根据以上要求和假定，本发明采用三自由度模型，对编队车辆中的领航车进行动力学建模。对车辆的三自由度动力学模型进行定义，即考虑纵向、侧向和横摆运动。其中，G点为车辆的质心，将前轴的左、右侧车轮合并为一个点，位于A点，将后轴的左、右侧车轮合并为一个点，位于B点。GX轴与车辆前进方向相同，GY轴可由右手螺旋规则确定，GZ轴垂直于车辆运动平面并指向地面。领航车的动力学模型可描述为：

式(1)中，上标“·”表示微分，如

表示v _x的微分，r _l,v _x,v _y,a _x,a _y分别表示领航车的横摆角速度、纵向速度、侧向速度、纵向加速度和侧向加速度，M,δ,I _z分别表示领航车的质量、前轮转向角、绕车身坐标系垂向轴的转动惯量，l _f,l _r分别表示车辆质心到前轴、后轴的距离，F _xf,F _xr,F _yf,F _yr分别表示前轮、后轮受到的纵向力、侧向力。

对于在一般道路行驶的车辆，轮胎侧偏角通常较小，前、后轮胎的侧向力可表示为：

F _yf＝C _αf·α _f,F _yr＝C _αr·α _r (2)

式(2)中，C _αf,C _αr分别表示前、后轮胎的侧偏刚度，α _f,α _r分别表示前、后轮胎的侧偏角，且α _f＝δ-(v _y+l _fr)/v _x,α _r＝(l _rr-v _y)/v _x。

为了计算式(2)中的轮胎纵向力，可采用轮胎模型来确定。常用的轮胎模型包括经验模型、理论模型、自适应模型三类，为了保证车辆运动参数测量的准确性和实时性，本发明采用刷子轮胎模型，前、后轮胎的纵向力可表示为：

式(3)中，C _xf,C _xr分别表示前、后轮胎的纵向刚度，μ _l为道路附着系数，考虑到编队变道测试的试验道路通常为干燥、平整的沥青路面，在本发明中，取μ _l＝0.75，前、后轮胎的垂向载荷F _zf,F _zr，前、后轮胎的纵向滑移率s _xf,s _xr可通过以下公式计算获得：

式中，R _tyre为轮胎半径，ω _f,ω _r分别表示前、后轮的旋转角速度，可通过轮速传感器测量的线速度计算获得，v _xf,v _xr分别表示前、后轮轴上沿轮胎方向的速度，且v _xr＝v _x，v _xf＝v _xcosδ+(v _y+l _fr _l)sinδ。

同时，车辆的纵向、侧向速度v _x,v _y与东向、北向位置p _e,p _n满足以下关系：

式(6)中，v _e,v _n分别表示车辆的东向、北向速度，β表示车辆运动方向相对于正北方向的方位角，且满足以下关系：

对于智能车辆的编队变道过程，取系统状态向量X＝[p _e p _n v _x v _y r _l] ^T，本发明中矩阵上角标 ^T表示对矩阵转置，T表示离散的周期。根据式(1)描述的动力学模型，建立系统状态方程：

X＝f(X,U,W,γ) (7)

式(7)中，f(·)为5维向量函数，W为零均值的系统高斯白噪声，γ为系统外输入对应的零均值高斯白噪声，U为系统外部输入向量且U＝[δ F _xf F _xr] ^T，其中，前轮转向角δ＝ε _l/ρ _l，方向盘转角ε _l可通过车身CAN总线获取，ρ _l为转向系的传动比，在本发明中，取ρ _l＝10，轮胎纵向力F _xf,F _xr可通过刷子轮胎模型确定。

步骤三：基于改进无迹卡尔曼滤波的车辆运动状态估计

本发明采用UKF算法对车辆运动状态参数进行递推估计。

系统的观测方程可表示为：

Z(t)＝h(X(t),V(t)) (8)

式(8)中，h为观测方程，t表示时间，系统观测向量Z＝[p _eg p _ng v _{x_m} ω _{z_m}] ^T，其中，p _eg,p _ng分别表示车辆东向位置、北向位置的观测值，可通过厘米级高精度卫星定位系统(如GPS、北斗等)采集的经纬度坐标转换得到，v _{x_m},ω _{z_m}分别表示车辆的纵向前进速度和横摆角速度，可通过惯性测量单元测量获得。

在实际的滤波递推过程中，需要采用离散化的滤波模型。为此，对公式(7)、(8)进行离散化处理，离散化后的系统状态方程和观测方程分别为：

式(9)中，k为离散化时刻，系统过程噪声W＝[w ₁ w ₂ w ₃ w ₄ w ₅] ^T，其中，w ₁,w ₂,w ₃,w ₄,w ₅分别表示5个系统高斯白噪声分量，W(k-1)对应的高斯白噪声协方差阵

其中，

分别表示高斯白噪声w ₁,w ₂,w ₃,w ₄,w ₅对应的方差。系统观测噪声V＝[v ₁ v ₂ v ₃ v ₄] ^T，其中，v ₁,v ₂,v ₃,v ₄分别表示4个系统高斯白噪声分量，V(k)对应的测量高斯白噪声协方差阵

其中，

分别表示高斯白噪声v ₁,v ₂,v ₃,v ₄对应的方差，可根据传感器的位置、速度、横摆角速度测量噪声的统计特性来确定。系统外输入噪声

其中，

分别表示δ,F _xf,F _xr对应的零均值高斯白噪声分量，这些白噪声隐含在系统状态函数f的三个系统外输入中。系统状态函数为：

其中，

其次，根据公式(9)描述的系统状态方程和观测方程，建立无迹卡尔曼滤波递推过程，利用时间更新和测量更新进行滤波递推：

(1)对输入变量进行初始化并进行参数计算

式(10)中，P ₀为初始误差方差矩阵，本发明中，带有上标符号^的变量表示该变量的滤波估计值，如

为表示输入变量初始值X ₀的滤波估计值。

(2)状态估计

式(11)中，ξ _i(k-1)为Sigma点，

为加权协方差矩阵平方根的第i列，x _dim为状态向量的维数，本发明中取x _dim＝5。

式(12)中，λ为距离参数，且λ＝x _dim(α ²-1)，α为第一刻度因数，ε为第二刻度因数，本发明中取ε＝2，

分别表示均值和方差的权重系数。

(3)时间更新

ξ _i(k,k-1)＝f[ξ _i(k,k-1)],i＝0,1,...,2x _dim (13)

式中，

为k-1时刻的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵。

(4)观测更新

χ _i(k,k-1)＝h[ξ _i(k,k-1)] (16)

式中，χ _i(k,k-1)表示观测方程对Sigma点集变换后的值，

表示由k-1时刻递推的k时刻的一步预测观测值，

为预测值协方差，P _XZ为状态值与测量值的协方差。

(5)滤波更新

式中，K(k)为滤波增益矩阵，

为状态量估计值，P(k)为估计误差方差阵。

在实际测试过程中，不同编队车辆的运动特性存在差异，使得系统的噪声统计特性无法保持一致。在处理非线性问题时，UKF算法虽然具有较好的参数估计精度，但仍存在一定的不足，即需要准确已知系统观测噪声和过程噪声的先验统计特性。

针对以上问题，本发明将AKF滤波器与UKF滤波器结合，并进行针对性改进，以提高系统状态估计的精度。具体地：

(1)为了降低系统观测噪声和过程噪声不确定对滤波精度的影响，引入具有时变性能的噪声估计器；(2)为了提高一步预测误差方差矩阵准确性，引入遗忘因子，利用式(23-26)替换式(14-15)、式(17-18)：

其中，观测噪声、系统噪声的均值和方差阵

遗忘因子分别为：

式中，δ _d(k)表示k时刻的自适应加权参数，且δ _d(k)＝1/k，τ _f为遗忘因子。

综上，式(10-13)、式(16)、式(19-28)构成了改进后的自适应无迹卡尔曼滤波算法。

最后，经过上述改进后的滤波递推计算，输出的状态估计

即为领航车在k时刻的东向位置、北向位置、纵向速度、侧向速度和横摆角速度信息。

类似地，利用步骤二、步骤三描述的方法，建立各跟随车的动力学模型并进行滤波递推，可以输出各跟随车的运动状态参数。

对于编队中的智能车辆，输出的纵向速度信息V _{x_j}＝{v _{x_j}(0),v _{x_j}(1),...,v _{x_j}(k)}，侧向速度信息V _{y_j}＝{v _{y_j}(0),v _{y_j}(1),...,v _{y_j}(k)}，横摆角速度信息R _j＝{r _{l_j}(0),r _{l_j}(1),...,r _{l_j}(k)}，位置信息 P _j＝{(p _{e_j}(0),p _{n_j}(0)),(p _{e_j}(1),p _{n_j}(1)),...,(p _{e_j}(k),p _{n_j}(k)),(j＝1,2,3...,a)。

其中，下标j表示编队中的第j个编队车辆，如j＝1表示该车为领航车，j＝2表示该车为第一辆跟随车，a为编队车辆的总数量，p _{e_j}(k),p _{n_j}(k),v _{x_j}(k),v _{y_j}(k),r _{l_j}(k)分别表示第j个智能车辆在k时刻的东向、北向位置、纵向、侧向速度和横摆角速度。

步骤四：提出并量化编队变道性能的评价指标

本发明针对编队行驶中的跟随车，首先，提出了多维度的编队变道性能评价指标：变道横摆稳定性、速度一致性、安全距离余量和平均车辆间隙。其次，基于步骤二输出的领航车、跟随车的位置、速度等运动状态参数，对以上性能评价指标进行量化，具体地：

(1)变道横摆稳定性

式(29)中，σ _j表示第j辆跟随车的变道横摆稳定性，反映了跟随车进行变道的激进程度，r _{E_j}(k)为k时刻的横摆角速度的期望值，且

单位均为rad/s，R _road为道路曲率半径，可通过步骤三输出的位置、速度信息计算得到，s为测试过程中的采样点数量。

(2)速度一致性

式(30)中，τ _platoon表示编队变道过程中的速度一致性，τ _j表示第j辆跟随车与同向前方车辆相对速度的均值，且

v _{res_j}(k)为k时刻第j辆跟随车的合速度，单位均为m/s。

(3)安全距离余量

式(31)中，L _j表示第j辆跟随车与同向前方车辆的安全距离余量，用于评价编队的密集程度和安全性，L _v为跟随车的车身长度，单位均为m。

(4)平均车辆间隙

式(32)中，L _avg为编队车辆间隙的平均值，单位为m。

当进行智能车辆编队变道性能测评时，首先，在“步骤一”构建的测试场景下，利用“步骤二”、“步骤三”对领航车、跟随车的各运动状态参数进行滤波递推。其次，根据“步骤四”计算性能评价指标的量化值。最后，通过定量评价的方式分析编队车辆的变道性能，从而实现了智能车辆编队变道性能优劣的全面、准确、可靠的科学定量评价。

有益效果：与现有技术相比，本发明的技术方案具有以下有益技术效果：

1)通过本发明提出的测试方法和构建的编队变道性能评价体系，解决了当前缺乏编队变道性能定量测评的问题，实现了智能车辆编队变道性能全面、可靠的科学定量测评。

2)相比于虚拟仿真的测评方法，本发明提出的基于实际道路测试的编队变道性能测评方法，能够更好地保障智能车辆进行编队变道的安全性和可靠性，更具准确性和说服力。

3)车辆运动状态参数和编队变道性能指标的测量精度高，位置测量精度≤0.0295m(RMS)，准确性能够满足编队变道性能高精度的测试要求；

4)环境适应性强，在湿滑路面、夜晚及阴雨天等复杂条件下，本发明提出的方法能够完成与干燥路面同等精度的编队变道性能测试。

附图说明

图1是本发明的技术路线示意图；

图2是编队车辆的动力学模型示意图；

图3是某次智能车辆编队变道性能测试中，领航车与跟随车的运动轨迹示意图；

图4是某次智能车辆编队变道性能测试中，跟随车的安全距离余量随时间变化的曲线图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

作为智能驾驶技术的重要组成部分，智能车辆编队利用协同控制、车车通信等技术将同向行驶的车辆进行统一的组织，使车辆以较小的固定车距纵队排列行驶。当遇到障碍物时，跟随车可以接收领航车发送的变道信息，并与领航车路径一样变道躲避路障。作为一种先进的公路运输方式，智能车辆编队行驶对于提高行车安全、提升道路使用效率、减缓交通拥堵、减少燃油消耗具有重要的作用。目前，智能车辆编队技术主要应用于载重大、体积大、用于道路运输的大型货车，若编队车辆发生交通事故，极易造成多车追尾、群死群伤等严重后果。为了实现安全、高效的智能车辆编队行驶，对智能车辆编队功能、性能的测试评价受到了政府、研究机构的高度重视。

为了全面、准确的获取智能车辆编队变道过程中的车辆运动参数，量化并输出多维度的编队变道性能的评价指标，实现编队变道性能全面、准确、可靠的定量测评，以填补实际应用中智能车辆编队变道性能测评技术的空白。本发明针对编队行驶的大型货车，提出了一种智能车辆编队变道性能测评方法。首先，建立智能车辆编队变道性能测试场景。其次，根据智能车辆在编队变道过程中的运动特点，建立三自由度的非线性动力学模型。进而，利用改进的自适应无迹卡尔曼滤波算法对编队车辆的位置、速度等状态变量进行滤波估计。最后，基于准确递推的车辆运动状态参数，提出并量化编队变道性能的评价指标，构建编队变道性能的评价体系，从而实现了智能车辆编队变道性能优劣的全面、准确、可靠的科学定量测评。本发明的技术路线如图1所示，具体步骤如下：

步骤一：建立智能车辆编队变道性能测试场景

步骤二：建立智能车辆编队变道的动态模型

(3)假定车辆前轮的方向与车辆当前速度方向一致。

相比于车辆运动学模型，动力学模型能够更为精细化的描述车辆编队变道过程，因此，根据以上要求和假定，对编队行驶的大型货车进行动力学建模。由于货车的动力学模型比较复杂，涉及的部分参数较难获取，需对其进行适当的简化。考虑到单自由度、二自由度的动力学模型过于简单，忽略了轮胎的非线性特性等因素对车辆运动的影响，无法准确描述编队变道过程中的车辆运动特性。因此，在兼顾模型精度和参数复杂性的情况下，本发明采用三自由度模型，对编队车辆中的领航车进行动力学建模。

图2定义了车辆的三自由度动力学模型，即考虑纵向、侧向和横摆运动。其中，G点为车辆的质心，将前轴的左、右侧车轮合并为一个点，位于A点，将后轴的左、右侧车轮合并为一个点，位于B点。GX轴与车辆前进方向相同，GY轴可由右手螺旋规则确定，GZ轴垂直于车辆运动平面并指向地面。根据图2，领航车的动力学模型可描述为：

式(1)中，上标“·”表示微分，如

F _yf＝C _αf·α _f,F _yr＝C _αr·α _r (2)

X＝f(X,U,W,γ) (7)

步骤三：基于改进无迹卡尔曼滤波的车辆运动状态估计

为了推算编队变道过程中的车辆运动状态，可采用滤波递推估计的方法，利用较少的系统观测量实现更为全面、准确的参数估计。为处理步骤一中描述的非线性系统状态方程，需采用非线性卡尔曼滤波器。

在常用的非线性滤波器中，粒子滤波计算复杂度较高，若减少粒子数量，估计精度将会下降。扩展卡尔曼滤波算法引入线性化误差，对于模型复杂的系统，容易导致滤波效果降低。无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)在计算复杂度上与扩展卡尔曼滤波同阶次，但参数估计精度高于扩展卡尔曼滤波。因此，采用UKF算法对车辆运动状态参数进行递推估计。

首先，本发明选择厘米级高精度卫星定位系统(如GPS、北斗等)和惯性测量单元作为车辆运动的测量传感器，以车辆的东向位置、北向位置、纵向前进速度和横摆角速度作为系统观测向量，则系统的观测方程可表示为：

Z(t)＝h(X(t),V(t)) (8)

式(8)中，h为观测方程，t表示时间，系统观测向量 Z＝[p _eg p _ng v _{x_m} ω _{z_m}] ^T，其中，p _eg,p _ng分别表示车辆东向位置、北向位置的观测值，可通过厘米级高精度卫星定位系统(如GPS、北斗等)采集的经纬度坐标转换得到，v _{x_m},ω _{z_m}分别表示车辆的纵向前进速度和横摆角速度，可通过惯性测量单元测量获得。

其中，

其中，

(1)对输入变量进行初始化并进行参数计算

为表示输入变量初始值X ₀的滤波估计值。

(2)状态估计

式(11)中，ξ _i(k-1)为Sigma点，

分别表示均值和方差的权重系数。

(3)时间更新

ξ _i(k,k-1)＝f[ξ _i(k,k-1)],i＝0,1,...,2x _dim (13)

式中，

(4)观测更新

χ _i(k,k-1)＝h[ξ _i(k,k-1)] (16)

式中，χ _i(k,k-1)表示观测方程对Sigma点集变换后的值，

表示由k-1时刻递推的k时刻的一步预测观测值，

为预测值协方差，P _XZ为状态值与测量值的协方差。

(5)滤波更新

式中，K(k)为滤波增益矩阵，

为状态量估计值，P(k)为估计误差方差阵。

针对以上问题，对UKF算法进行改进，考虑到自适应滤波器(Adaptive Kalman Filter,AKF)具有抑制滤波器发散、对不确切的系统模型参数进行修正等优点，本发明将AKF滤波器与UKF滤波器结合，并进行针对性改进，以提高系统状态估计的精度。具体地：

其中，观测噪声、系统噪声的均值和方差阵

遗忘因子分别为：

最后，经过上述改进后的滤波递推计算，输出的状态估计

对于编队中的智能车辆，输出的纵向速度信息V _{x_j}＝{v _{x_j}(0),v _{x_j}(1),...,v _{x_j}(k)}，侧向速度信息V _{y_j}＝{v _{y_j}(0),v _{y_j}(1),...,v _{y_j}(k)}，横摆角速度信息R _j＝{r _{l_j}(0),r _{l_j}(1),...,r _{l_j}(k)}，位置信息P _j＝{(p _{e_j}(0),p _{n_j}(0)),(p _{e_j}(1),p _{n_j}(1)),...,(p _{e_j}(k),p _{n_j}(k)),(j＝1,2,3...,a)。

步骤四：提出并量化编队变道性能的评价指标

在现有的国家标准及测试法规中，尚无明确、统一的编队变道性能评价指标。考虑到单一的评价指标难以涵盖测评对象的所有信息，无法满足全面、可靠的编队变道性能测评的需求。因此，本发明针对编队行驶中的跟随车，首先，从变道过程的安全性、可靠性、舒适性等多个角度，提出了多维度的编队变道性能评价指标：变道横摆稳定性、速度一致性、安全距离余量和平均车辆间隙。其次，基于步骤二输出的领航车、跟随车的位置、速度等运动状态参数，对以上性能评价指标进行量化，具体地：

(1)变道横摆稳定性

(2)速度一致性

v _{res_j}(k)为k时刻第j辆跟随车的合速度，单位均为m/s。

(3)安全距离余量

(4)平均车辆间隙

式(32)中，L _avg为编队车辆间隙的平均值，单位为m。

为检验本发明公开的智能车辆编队变道性能测评方法的实际效果，进行了实际道路试验，试验基本情况说明如下：

(1)测评系统组成：测评系统由硬件设备以及软件系统组成。利用日产奇骏试验车作为编队变道测试的领航车，搭载嵌入式工控机、高精度MEMS组合导航系统、无线通信模块、逆变器等硬件设备。利用奇瑞瑞虎试验车作为编队变道测试的跟随车，搭载嵌入式工控机、高性能组合导航系统、无线通信模块、逆变器等硬件设备。传感器安装位置接近试验车的质心处，天线安装位置位于车顶中心。

(2)试验设置：利用两辆试验车模拟编队变道性能测试过程，领航车位于试验道路的中间，以设定的速度直线行驶，跟随车以设定的间距跟随领航车行驶，当领航车经过测试起点时，开始同步采集领航车、跟随车的运动状态参数。随后，当遇到障碍物时，领航车进行变道操作，跟随车以相似的运动轨迹进行车道变换。当领航车到达终点时，则一次试验结束。

(3)试验环境：试验地点位于江苏省南京市机场高速附近，属于智能车载功能测试场景中典型的高速公路场景，试验路面为干燥、平整的沥青路面。

(4)试验结果：试验表明，本发明提出的编队变道性能测评方法具有良好的性能，具体而言：

为说明本发明的实际效果，下面给出某次智能车辆编队变道性能测试的试验结果，试验结果曲线如图3、图4所示。图3中的密集点线是测试过程中领航车与跟随车的运动轨迹曲线，图4是测试过程中领航车与跟随车的安全距离余量随时间变化的曲线图。通过计算，可以输出本发明提出的编队变道性能评价指标，如变道横摆稳定性为0.2782rad/s等，实现了智能车辆编队变道性能全面、准确、可靠的科学定量测评。

Claims

一种智能车辆编队变道性能测评方法，首先，建立智能车辆编队变道性能测试场景；其次，建立三自由度的非线性动力学模型；进而，利用改进的自适应无迹卡尔曼滤波算法对编队车辆的位置、速度状态变量进行滤波估计；最后，基于准确递推的车辆运动状态参数，提出并量化编队变道性能的评价指标，构建编队变道性能的评价体系，其特征在于：

步骤一：建立智能车辆编队变道性能测试场景

首先，选取高等级公路作为试验场地，其次，建立智能车辆编队变道性能测试场景，具体描述如下：

领航车位于试验道路的中间，以设定的速度直线行驶，跟随车以设定的间距跟随领航车行驶，当领航车经过测试起点时，开始同步采集领航车、跟随车的运动状态参数；随后，当遇到障碍物时，领航车进行变道操作，跟随车接收信息并以相似的运动轨迹进行车道变换；当领航车到达终点时，则一次测试结束；

在本发明中，领航车是指编队行驶中的第一辆车；跟随车是指编队行驶中领航车后面的智能车辆；

步骤二：建立智能车辆编队变道的动态模型

对于编队行驶的前轮转向的四轮车辆，做出以下假定：

(1)忽略车辆的俯仰、侧倾运动，忽略车辆悬架对轮胎轴的影响；

(2)假定车辆前轴的两个轮胎具有相同的转向角、侧偏角、纵向力和侧向力，假定车辆后轴的两个轮胎具有相同的转向角、侧偏角、纵向力和侧向力；

(3)假定车辆前轮的方向与车辆当前速度方向一致；

根据以上要求和假定，采用三自由度模型，对编队车辆中的领航车进行动力学建模；对车辆的三自由度动力学模型进行定义，即考虑纵向、侧向和横摆运动；其中，G点为车辆的质心，将前轴的左、右侧车轮合并为一个点，位于A点，将后轴的左、右侧车轮合并为一个点，位于B点；GX轴与车辆前进方向相同，GY轴由右手螺旋规则确定，GZ轴垂直于车辆运动平面并指向地面；领航车的动力学模型描述为：

式(1)中，上标“·”表示微分，
表示v _x的微分，r _l,v _x,v _y,a _x,a _y分别表示领航车的横摆角速度、纵向速度、侧向速度、纵向加速度和侧向加速度，M,δ,I _z分别表示领航车的质量、前轮转向角、绕车身坐标系垂向轴的转动惯量，l _f,l _r分别表示车辆质心到前轴、后轴的距离，F _xf,F _xr,F _yf,F _yr分别表示前轮、后轮受到的纵向力、侧向力；

轮胎侧偏角较小时，前、后轮胎的侧向力表示为：

F _yf＝C _αf·α _f,F _yr＝C _αr·α _r  (2)

式(2)中，C _αf,C _αr分别表示前、后轮胎的侧偏刚度，α _f,α _r分别表示前、后轮胎的侧偏角，且α _f＝δ-(v _y+l _fr)/v _x,α _r＝(l _rr-v _y)/v _x；

计算式(2)中的轮胎纵向力，采用刷子轮胎模型，前、后轮胎的纵向力表示为：

式(3)中，C _xf,C _xr分别表示前、后轮胎的纵向刚度，μ _l为道路附着系数，取μ _l＝0.75，前、后轮胎的垂向载荷F _zf,F _zr，前、后轮胎的纵向滑移率s _xf,s _xr通过以下公式计算获得：

式中，R _tyre为轮胎半径，ω _f,ω _r分别表示前、后轮的旋转角速度，通过轮速传感器测量的线速度计算获得，v _xf,v _xr分别表示前、后轮轴上沿轮胎方向的速度，且v _xr＝v _x，v _xf＝v _xcosδ+(v _y+l _fr _l)sinδ；

同时，车辆的纵向、侧向速度v _x,v _y与东向、北向位置p _e,p _n满足以下关系：

式(6)中，v _e,v _n分别表示车辆的东向、北向速度，β表示车辆运动方向相对于正北方向的方位角，且满足以下关系：

对于智能车辆的编队变道过程，取系统状态向量X＝[p _e p _n v _x v _y r _l] ^T，矩阵上角标T表示对矩阵转置，T表示离散的周期；根据式(1)描述的动力学模型，建立系统状态方程：

X＝f(X,U,W,γ)  (7)

式(7)中，f(·)为5维向量函数，W为零均值的系统高斯白噪声，γ为系统外输入对应的零均值高斯白噪声，U为系统外部输入向量且U＝[δ F _xf F _xr] ^T，其中，前轮转向角δ＝ε _l/ρ _l，方向盘转角ε _l通过车身CAN总线获取，ρ _l为转向系的传动比，取ρ _l＝10，轮胎纵向力F _xf,F _xr通过刷子轮胎模型确定；

步骤三：基于改进无迹卡尔曼滤波的车辆运动状态估计

采用UKF算法对车辆运动状态参数进行递推估计；系统的观测方程表示为：

Z(t)＝h(X(t),V(t))  (8)

式(8)中，h为观测方程，t表示时间，系统观测向量Z＝[p _eg p _ng v _{x_m} ω _{z_m}] ^T，其中，p _eg,p _ng分别表示车辆东向位置、北向位置的观测值，通过厘米级高精度卫星定位系统采集的经纬度坐标转换得到，v _{x_m},ω _{z_m}分别表示车辆的纵向前进速度和横摆角速度，通过惯性测量单元测量获得；

对公式(7)、(8)进行离散化处理，离散化后的系统状态方程和观测方程分别为：

式(9)中，k为离散化时刻，系统过程噪声W＝[w ₁ w ₂ w ₃ w ₄ w ₅] ^T，其中，w ₁,w ₂,w ₃,w ₄,w ₅分别表示5个系统高斯白噪声分量，W(k-1)对应的高斯白噪声协方差阵
其中，
分别表示高斯白噪声w ₁,w ₂,w ₃,w ₄,w ₅对应的方差；系统观测噪声V＝[v ₁ v ₂ v ₃ v ₄] ^T，其中，v ₁,v ₂,v ₃,v ₄分别表示4个系统高斯白噪声分量，V(k)对应的测量高斯白噪声协方差阵
其中，
分别表示高斯白噪声v ₁,v ₂,v ₃,v ₄对应的方差，根据传感器的位置、速度、横摆角速度测量噪声的统计特性来确定；系统外输入噪声
其中，
分别表示δ,F _xf,F _xr对应的零均值高斯白噪声分量，这些白噪声隐含在系统状态函数f的三个系统外输入中；系统状态函数为：

其中，

其次，根据公式(9)描述的系统状态方程和观测方程，建立无迹卡尔曼滤波递推过程，利用时间更新和测量更新进行滤波递推：

(1)对输入变量进行初始化并进行参数计算

式(10)中，P ₀为初始误差方差矩阵，带有上标符号^的变量表示该变量的滤波估计值，
为表示输入变量初始值X ₀的滤波估计值；

(2)状态估计

式(11)中，ξ _i(k-1)为Sigma点，
为加权协方差矩阵平方根的第i列，x _dim为状态向量的维数，本发明中取x _dim＝5；

式(12)中，λ为距离参数，且λ＝x _dim(α ²-1)，α为第一刻度因数，ε为第二刻度因数，取ε＝2，
分别表示均值和方差的权重系数；

(3)时间更新

ξ _i(k,k-1)＝f[ξ _i(k,k-1)],i＝0,1,...,2x _dim  (13)

式中，
为k-1时刻的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵；

(4)观测更新

χ _i(k,k-1)＝h[ξ _i(k,k-1)]  (16)

式中，χ _i(k,k-1)表示观测方程对Sigma点集变换后的值，
表示由k-1时刻递推的k时刻的一步预测观测值，
为预测值协方差，P _XZ为状态值与测量值的协方差；

(5)滤波更新

式中，K(k)为滤波增益矩阵，
为状态量估计值，P(k)为估计误差方差阵；

将AKF滤波器与UKF滤波器结合，并进行针对性改进，以提高系统状态估计的精度；利用式(23-26)替换式(14-15)、式(17-18)：

其中，观测噪声、系统噪声的均值和方差阵
遗忘因子分别为：

式中，δ _d(k)表示k时刻的自适应加权参数，且δ _d(k)＝1/k，τ _f为遗忘因子；

综上，式(10-13)、式(16)、式(19-28)构成了改进后的自适应无迹卡尔曼滤波算法；

最后，经过上述改进后的滤波递推计算，输出的状态估计
即为领航车在k时刻的东向位置、北向位置、纵向速度、侧向速度和横摆角速度信息；

利用步骤二、步骤三描述的方法，建立各跟随车的动力学模型并进行滤波递推，输出各跟随车的运动状态参数；

对于编队中的智能车辆，输出的纵向速度信息V _{x_j}＝{v _{x_j}(0),v _{x_j}(1),...,v _{x_j}(k)}，侧向速度信息V _{y_j}＝{v _{y_j}(0),v _{y_j}(1),...,v _{y_j}(k)}，横摆角速度信息R _j＝{r _{l_j}(0),r _{l_j}(1),...,r _{l_j}(k)}，位置信息P _j＝{(p _{e_j}(0),p _{n_j}(0)),(p _{e_j}(1),p _{n_j}(1)),...,(p _{e_j}(k),p _{n_j}(k)),(j＝1,2,3...,a)；

其中，下标j表示编队中的第j个编队车辆，如j＝1表示该车为领航车，j＝2表示该车为第一辆跟随车，a为编队车辆的总数量，p _{e_j}(k),p _{n_j}(k),v _{x_j}(k),v _{y_j}(k),r _{l_j}(k)分别表示第j个智能车辆在k时刻的东向、北向位置、纵向、侧向速度和横摆角速度；

步骤四：提出并量化编队变道性能的评价指标

首先，提出多维度的编队变道性能评价指标：变道横摆稳定性、速度一致性、安全距离余量和平均车辆间隙；其次，基于步骤二输出的领航车、跟随车的位置、速度运动状态参数，对以上性能评价指标进行量化，具体地：

(1)变道横摆稳定性

式(29)中，σ _j表示第j辆跟随车的变道横摆稳定性，反映了跟随车进行变道的激进程度，r _{E_j}(k)为k时刻的横摆角速度的期望值，且
单位均为rad/s，R _road为道路曲率半径，通过步骤三输出的位置、速度信息计算得到，s为测试过程中的采样点数量；

(2)速度一致性

式(30)中，τ _platoon表示编队变道过程中的速度一致性，τ _j表示第j辆跟随车与同向前方车辆相对速度的均值，且
v _{res_j}(k)为k时刻第j辆跟随车的合速度，单位均为m/s；

(3)安全距离余量

式(31)中，L _j表示第j辆跟随车与同向前方车辆的安全距离余量，L _v为跟随车的车身长度，单位均为m；

(4)平均车辆间隙

式(32)中，L _avg为编队车辆间隙的平均值，单位为m；

当进行智能车辆编队变道性能测评时，首先，在“步骤一”构建的测试场景下，利用“步骤二”、“步骤三”对领航车、跟随车的各运动状态参数进行滤波递推；其次，根据“步骤四”计算性能评价指标的量化值；最后，通过定量评价的方式分析编队车辆的变道性能。