本發(fā)明涉及一種交通網(wǎng)絡(luò)技術(shù)，特別涉及一種基于交通信息的協(xié)同式自適應(yīng)巡航系統(tǒng)算法。
背景技術(shù)：
：無線通信技術(shù)的快速進步使得車載無線通信成為了該領(lǐng)域內(nèi)重要的研究方向，各大高校及企業(yè)也十分矚目。美國國家公路交通安全管理局(NHTSA)強力推進DSRC(專用短距離通信DedicatedShortRangeCommunication)技術(shù)應(yīng)用于車與車或車與路基通信設(shè)備之間的通信，以此來提高車輛的行駛安全性。車載DSRC涉及了許多新型的移動通信標準，該技術(shù)在美國被整合成基礎(chǔ)公共設(shè)施的重要部分，支持了智能交通系統(tǒng)的車車通信(V2V)及車與基礎(chǔ)設(shè)施通信(V2I)。同時我國在許多城市也做了試點示范工程，對智能的交通關(guān)鍵技術(shù)進行了不同程度的開發(fā)及應(yīng)用。另外CACC(協(xié)同式自適應(yīng)巡航系統(tǒng)CooperativeAdaptiveCruiseControl)可以認為是ACC(自適應(yīng)巡航控制系統(tǒng)AdaptiveCruiseControl)概念上的一個延伸。CACC在ACC的技術(shù)基礎(chǔ)上，除了使用了雷達或者激光雷達來測量與前車距離及前車加速度，還可以通過車載無線通信技術(shù)來傳遞這些數(shù)據(jù)，實現(xiàn)了在縱向上的車輛的自動控制。CACC系統(tǒng)比ACC系統(tǒng)進一步減少了響應(yīng)前方車輛的延遲，提高了車隊行駛的穩(wěn)定性。技術(shù)實現(xiàn)要素：本發(fā)明是針對目前ACC無法跟蹤前方信號燈及交通情況信息，從而只根據(jù)前車行為調(diào)節(jié)自車速度而可能造成的大的減速度及不必要的速度維持的問題，提出了一種基于交通信息的協(xié)同式自適應(yīng)巡航系統(tǒng)算法，把交通信息作為可以獲取的條件，使用本發(fā)明模型預測控制(MPC，ModelPredictiveControl)把乘坐舒適性，燃油經(jīng)濟性，安全性和跟車性四個性能作為待優(yōu)化目標，同時加入車輛自身能力限制，分別將其轉(zhuǎn)化為相應(yīng)的優(yōu)化目標和系統(tǒng)約束，通過建立代價函數(shù)并最小化，得到最優(yōu)解序列并取首個值施加于系統(tǒng)以實現(xiàn)優(yōu)化目標?；贛PC算法對CACC系統(tǒng)在城市工況中有信號燈及前方等待車隊的場景下，通過處理更多的干擾來實現(xiàn)自車更主動地調(diào)節(jié)自車速度，減少不必要的速度維持或大的減速，以此來提高燃油經(jīng)濟性及乘坐舒適性實現(xiàn)多目標優(yōu)化。本發(fā)明的技術(shù)方案為：一種基于交通信息的協(xié)同式自適應(yīng)巡航系統(tǒng)算法，具體包括如下步驟：1)根據(jù)跟車模型，確定輸出方程：系統(tǒng)采用上下層控制，上層根據(jù)傳感器所接收的距離、速度、加速度數(shù)據(jù)計算期望加速度ades并傳遞給下層執(zhí)行器，下層控制通過車輛逆縱向動力學模型來控制油門開度及制動壓力來實現(xiàn)期望加速度ades；跟車系統(tǒng)的三階離散狀態(tài)方程模型：x(t+1)＝Ax(t)+Buu(t)+Bww(t)其中：w(t)＝[ap(t),ds(t)]T，x(t)＝[Δd(t),Δdsl(t),Δds(t),vp(t),vh(t),ah(t)]T，式中：自車和前車距離Δd(t)，自車和信號燈距離Δdsl(t)，前方車隊長度Δds(t)，前車速度vp(t)，自車速度vh(t)，自車加速度ah(t)作為狀態(tài)變量x(t)，并把前車加速度ap(t)和前方車隊長度ds(t)作為系統(tǒng)擾動w(t)，Ts為系統(tǒng)采樣時間，取0.001s，u(t)為上層控制的輸入ades；取自車和前車距離Δd(t)，自車和前車相對速度vrel(t)，自車速度vh(t)，自車加速度ah(t)作為輸出變量y(t)，得到輸出方程：y(t)＝Cx(t)其中：2)選定跟蹤目標，根據(jù)目標確定待優(yōu)化性能向量y(t)側(cè)重的輸出權(quán)重wy，選擇參考軌跡yr；3)根據(jù)步驟1)提出的跟車系統(tǒng)的三階離散狀態(tài)方程模型，用在t時刻的狀態(tài)量y(t)對t+i時刻的狀態(tài)量y(t+i)未來行為作出如下預測，得到解：其中：式中p為預測時域長度，Δu(t)＝u(t)-u(t-1)，表示控制變化量，(t+i|t)代表在t時刻對時刻t+i的預測，對未來時域的預測中，由于擾動w(t+i)的不可預測，所以假設(shè)在預測時域內(nèi)：w(t+i)＝w(t-1),i＝0,1,2…p-1；4)設(shè)定系統(tǒng)輸入u的權(quán)重和系統(tǒng)輸入變化△u的權(quán)重后，將待優(yōu)化問題寫成一個加權(quán)形式的值函數(shù)J(y,u,Δu)，計算在預測時域內(nèi)的計算結(jié)果和參考曲線的差值，系統(tǒng)輸入及輸入變化率和相應(yīng)權(quán)重乘積的總和，最小化總和值以使得實際輸出達到貼近參考曲線；5)根據(jù)步驟2)選定跟蹤目標形成的約束與車輛參數(shù)的約束，再引入松弛變量ε，得到系統(tǒng)輸出、系統(tǒng)輸入、系統(tǒng)輸入變化的約束條件；6)將上層控制的優(yōu)化問題變成了求解滿足約束條件下最小化值函數(shù)J的Δu(t+i|t),(t+i|t)代表在t時刻對時刻t+i的預測，并把首元素作為輸出，其中ρ為松弛變量權(quán)重系數(shù)：根據(jù)此算法對車輛進行控制。本發(fā)明的有益效果在于：本發(fā)明基于交通信息的協(xié)同式自適應(yīng)巡航系統(tǒng)算法，減少了因為跟隨某些激進型駕駛員從而導致自車的駕駛行為也隨著激進，能夠達到根據(jù)周圍的環(huán)境來達到一個最優(yōu)的速度調(diào)節(jié)。附圖說明圖1為本發(fā)明跟車系統(tǒng)中自車和前車及前方車隊的縱向動力學關(guān)系示意圖；圖2為本發(fā)明判斷以前車或車隊為目標的流程圖；圖3為本發(fā)明20組實驗數(shù)據(jù)計算出平均速度曲線圖；圖4為本發(fā)明仿真圖一；圖5為本發(fā)明仿真圖二；圖6為本發(fā)明仿真圖三；圖7為本發(fā)明仿真圖四；圖8為本發(fā)明燃油消耗模型使用CarSim中自帶發(fā)動機模型；圖9為本發(fā)明兩種控制算法下燃油消耗對比圖。具體實施方式一、跟車模型CACC系統(tǒng)的控制設(shè)計分為上下層控制：上層根據(jù)傳感器所接收的距離，速度等數(shù)據(jù)計算期望加速度ades并傳遞給下層執(zhí)行器。下層控制在實現(xiàn)ades時需要通過車輛逆縱向動力學模型來控制油門開度及制動壓力來實現(xiàn)期望加速度ades。在實際過程中，下層控制器的輸入ades和實際輸出a可以由一個一階慣性系統(tǒng)來表示：τ為時間常數(shù)，這里取0.5。如圖1所示跟車系統(tǒng)中自車和前車及前方車隊的縱向動力學關(guān)系示意圖，可以得出如下跟車系統(tǒng)的三階離散狀態(tài)方程模型：x(t+1)＝Ax(t)+Buu(t)+Bww(t)(2)其中：w(t)＝[ap(t),ds(t)]T，x(t)＝[Δd(t),Δdsl(t),Δds(t),vp(t),vh(t),ah(t)]T，式中：選取自車和前車距離Δd(t)，自車和信號燈距離Δdsl(t)，前方車隊長度Δds(t)，前車速度vp(t)，自車速度vh(t)，自車加速度ah(t)作為狀態(tài)變量x(t)，并把前車加速度ap(t)和前方車隊長度ds(t)作為系統(tǒng)擾動w(t)，Ts為系統(tǒng)采樣時間，取0.001s，u(t)為上層控制的輸入ades。另外選取自車和前車距離Δd(t)，自車和前車相對速度vrel(t)，自車速度vh(t)，自車加速度ah(t)作為輸出變量y(t)，得到輸出方程：y(t)＝Cx(t)(3)其中：二、基于模型預測控制的算法建立由于CACC系統(tǒng)加入了交通信息的交互，使得系統(tǒng)在ACC單一以前車為跟蹤目標的基礎(chǔ)上，多了以前方等待車隊或交通燈前路口為跟蹤目標,所以在不同工況下該系統(tǒng)需要幾個目標之間切換以實現(xiàn)主動調(diào)節(jié)速度這一目的。1、前方目標的選取由于選取不同的跟蹤目標時，待優(yōu)化性能向量y(t)側(cè)重的輸出權(quán)重不同，所以權(quán)值wy也應(yīng)不同，另外y(t)參考軌跡yr根據(jù)跟蹤目標的不同也需要改變。所以系統(tǒng)接收了信號燈狀態(tài)及前方交通信息后需要確定的當前的跟蹤目標，以選取不同的wy及yr。如圖2所示判斷以前車或車隊為目標的流程圖。在綠燈階段時，當vh·trt>Δdsl時(trt為信號燈剩余時間)判斷為可通過；vh·trt≤Δdsl≤vset·trt時(vset為設(shè)定巡航速度)判斷前車意圖是否通過，若前車加速度ap(t)大于零，則認為前車準備通過，ap(t)小于零則不準備通過；當vset·trt≤Δdsl時認為不可通過；紅燈階段時判定為不通過。另外當判定通過時，則以前車作為跟蹤目標，不通過時，繼續(xù)判斷前車加速度ap和MPC算法中的參考加速度ar的大小關(guān)系，當ar≤ap時則以前方車隊為跟蹤目標，否則以前車作為跟蹤目標其中ar為yr中的參考加速度。2、CACC控制目標分析盡管CACC能夠提升的性能有很多，但最基本且最重要的目標依然是保證安全性，因此要保證自車和前車車距Δd(t)始終不小于一個安全距離dsafe,即Δd(t)≥dsafe這里dsafe取2m。1)跟蹤前車的控制目標在以前車作為目標時，性能權(quán)重wy1應(yīng)更注重和前車距離Δd，自車和前車相對速度vrel及自車理想加速度ah，目標是讓自車和前車的距離趨近于理想距離ddes及相對速度vrel趨近于0，自車理想加速度ah趨近于參照加速度ar1，即Δd→ddesvrel→0ah→ar1加速度的參照采用一種線性跟車駕駛員模型：ar1＝kV.vrel+kD.Δderror(4)式中kV，kD為模型系數(shù)，分別為0.25和0.02，Δderror為實際距離與理想距離的差值，理想距離ddes通過間距策略計算得來，這里采用可變間距策略中的恒定車頭時距。Δddes(t)＝th.vh(t)+d0(5)Δddes(t)為和前車實際距離，th為車頭時距，指的是在同一車道上行駛的車輛隊列中，兩連續(xù)車輛車頭端部通過某一斷面的時間間隔，d0為制動到停止時距離前車距離。2)跟蹤前方車隊或路口時的控制目標當以前方車隊為目標時，性能權(quán)重wy2更側(cè)重和前方車隊末端距離Δds，自車速度vh，及自車加速度ah。此時的目標是自車速度vh趨近于0，與前方車隊的距離Δdsl-Δds趨近于d0，自車理想加速度ah趨近于參照加速度ar2，即Δdsl-Δds→d0vh→0ah→ar2加速度ah的參照采用如下辦法，使用實際測量、擬合得到的駕駛員模型。該駕駛員模型是對于一個靜止目標如何制動到停止的模型，基于MATLAB、CarSim、dSPACE軟件和一套羅技方向盤的實驗平臺，來測量駕駛員對200m左右外靜止目標的制動過程。共有三名駕駛員分別在35到60km/h的隨機初速度下對前方l＝0處的靜止車輛進行制動實驗，然后將20組實驗數(shù)據(jù)計算出平均速度曲線，如圖3所示，圖中的加粗曲線為平均速度曲線：該速度曲線擬合成距離l和速度vb的曲線：由上面的公式可得到參考加速度ar2*：然而車輛實際速度vh可能大于或小于vb，即此時需要的加速度是大于或小于ar2*的。假設(shè)在終點前方L0處以vb的速度行駛，根據(jù)公式(8)，此時需要的加速度為：類似的，當以速度vh≠vb時在L0處速度行駛，計算得加速度為：把公式(9)帶入公式(10)，得到：另外在MPC中，考慮到過程的動態(tài)特性，為了避免過程當中輸入輸出大的變化，通常讓當前的輸出y(t)沿著期望的平緩曲線來達到設(shè)定值yr。這條曲線即為參考曲線yr(t)，它是設(shè)定值經(jīng)過在線柔化的產(chǎn)物。這里采用最為廣泛的一階指數(shù)變化形式：yr(t+i)＝αiy(t)+(1-αi)yr(12)α為0到1的系數(shù)，i為預測時域中的第i個時間點，指數(shù)變化形式α越小，參考軌跡響應(yīng)速度越快的達到設(shè)定值。這里α取0.9。(這里α越小，可以想象曲線下降的越陡峭，所以能夠更快達到設(shè)定值)3、跟車模型的預測根據(jù)上面提出的跟車系統(tǒng)的三階離散狀態(tài)方程模型，CACC系統(tǒng)基于t時刻的狀態(tài)量y(t)對t+i時刻的狀態(tài)量y(t+i)未來行為作出如下預測，這里默認未來的輸入在預測時域內(nèi)不做變化：這里的h和j不具有實際意義，僅是數(shù)學用，最后的計算結(jié)果是不帶h和j，兩次求和計算后是沒有的，可以簡單用i＝1計算一下。由該式得到解：其中：式中A2為A矩陣的平方，以此類推，Ap為A矩陣的p次方，h只具有數(shù)學意義，不帶具體含義，p為預測時域長度，Δu(t)＝u(t)-u(t-1)，表示控制變化量，(t+i|t)代表在t時刻對時刻t+i的預測。對未來時域的預測中，由于擾動w(t+i)的不可預測，所以假設(shè)在預測時域內(nèi)：w(t+i)＝w(t-1),i＝0,1,2…p-1在MPC問題中，將待優(yōu)化問題寫成一個加權(quán)形式的值函數(shù)：其中wy為系統(tǒng)輸出的權(quán)重矩陣，wu為系統(tǒng)輸入的權(quán)重，wΔu為系統(tǒng)輸入變化的權(quán)重。計算在預測時域內(nèi)的計算結(jié)果和參考曲線的差值，系統(tǒng)輸入及輸入變化率和相應(yīng)權(quán)重乘積的總和，最小化總和值以使得實際輸出達到貼近參考曲線。至此，把上面提到的約束和一些車輛參數(shù)的約束重新整理，并且引入松弛變量ε，為(15)中的約束下界的松弛系數(shù)，為約束上界的松弛系數(shù)，umin、umax為車輛加速度能力，Δumin、Δumax為加速度變化量，ymin、ymax為跟車模型中輸出變量的約束，這里的松弛變量作用是適當增加約束范圍，防止出現(xiàn)因為前車大的加減速導致部分實際數(shù)據(jù)超出既定約束，從而導致無解的狀況。但為了保證跟車的安全性，對距離Δd及Δds兩個部分保持硬約束，以保證安全性。所以上層控制的優(yōu)化問題至此就變成了求解滿足約束條件下最小化值函數(shù)J的Δu(t+i|t),并把首元素作為輸出，其中ρ為松弛變量權(quán)重系數(shù)：三、應(yīng)用例為了驗證該算法，使用MATLAB/Simulink和CarSim來聯(lián)合仿真，車輛參數(shù)采用默認設(shè)置，并且和LQR(線性二次規(guī)劃)控制算法進行對比,該算法始終以前車作為跟蹤目標。1、參數(shù)設(shè)置,如下表參數(shù)數(shù)值參數(shù)數(shù)值wy1diag([15,3,0.1,5])wy2diag([0.1,0.1,3,5])wu1wΔu0.1ymin[2,-1,0,-6]ymax[Inf,1,20,3]umin-6umax3Δumin-2Δumax2vset20ρ0.8vymin[0,-1,0,-0.1]vymax[1,1,0,0.1]vumin-0.5vumax0.5vΔumin-1vΔumax12、仿真分析仿真工況為：在信號燈前200m接收到信號燈信號，前方信號燈為紅燈剩余時間50s，前車先保持勻速運動再制動到靜止變成車隊一部分，前方車隊長度變化情況如表達式：ds＝10+5.5ti(ti＝2,5,12.5)(17)車隊長度初始長度為10m，后在2s，5s及12.5s分別有車加入車隊。仿真結(jié)果如下圖4、5、6、7所示：由圖4、5可見，在0到7s前車做勻速運動時，MPC控制下的自車已經(jīng)開始了提前制動控制，和前車距離變大，在前車作出大的減速度后也作出相應(yīng)減速，車間距開始減小，在前車完全制動到靜止后緩慢接近前車，最終停止在距離前車3m處，實現(xiàn)了目標的切換并且平穩(wěn)跟車；LQR控制下的自車在開始作出小的速度調(diào)整后全程保持跟隨前車，車間距波動較MPC來說相對小，也說明了是始終以前車作為目標的。由圖6可見，本發(fā)明MPC算法控制下的自車加速度變化較LQR控制更為平緩，且最大值始終不超過-3m/s2，LQR最大值達到了-3.5m/s2，而這也是LQR的缺點，即不能對控制目標進行約束。同時圖7中也可以看到LQR的加速度變化率的變化范圍特別大，最小達到了-14m/s3左右，這對乘坐舒適性有著很大的影響，而MPC控制由于受到約束，變化在-3～3m/s3左右，有利于乘坐舒適性。如圖8所示燃油消耗模型使用CarSim中自帶發(fā)動機模型圖，該模型根據(jù)當前車輛的油門開度及發(fā)動機轉(zhuǎn)速來查表得到燃油消耗率，進而得到整個過程的燃油消耗量。如圖9可見，在該工況下，本發(fā)明MPC算法控制的自車燃油消耗量在0.0038kg左右，比LQR算法控制的自車的0.0043kg節(jié)省了約11.63％。當前第1頁1 2 3