基于交通信息的协同式自适应巡航系统算法的制作方法

本发明涉及一种交通网络技术，特别涉及一种基于交通信息的协同式自适应巡航系统算法。
背景技术：
：无线通信技术的快速进步使得车载无线通信成为了该领域内重要的研究方向，各大高校及企业也十分瞩目。美国国家公路交通安全管理局(NHTSA)强力推进DSRC(专用短距离通信DedicatedShortRangeCommunication)技术应用于车与车或车与路基通信设备之间的通信，以此来提高车辆的行驶安全性。车载DSRC涉及了许多新型的移动通信标准，该技术在美国被整合成基础公共设施的重要部分，支持了智能交通系统的车车通信(V2V)及车与基础设施通信(V2I)。同时我国在许多城市也做了试点示范工程，对智能的交通关键技术进行了不同程度的开发及应用。另外CACC(协同式自适应巡航系统CooperativeAdaptiveCruiseControl)可以认为是ACC(自适应巡航控制系统AdaptiveCruiseControl)概念上的一个延伸。CACC在ACC的技术基础上，除了使用了雷达或者激光雷达来测量与前车距离及前车加速度，还可以通过车载无线通信技术来传递这些数据，实现了在纵向上的车辆的自动控制。CACC系统比ACC系统进一步减少了响应前方车辆的延迟，提高了车队行驶的稳定性。技术实现要素：本发明是针对目前ACC无法跟踪前方信号灯及交通情况信息，从而只根据前车行为调节自车速度而可能造成的大的减速度及不必要的速度维持的问题，提出了一种基于交通信息的协同式自适应巡航系统算法，把交通信息作为可以获取的条件，使用本发明模型预测控制(MPC，ModelPredictiveControl)把乘坐舒适性，燃油经济性，安全性和跟车性四个性能作为待优化目标，同时加入车辆自身能力限制，分别将其转化为相应的优化目标和系统约束，通过建立代价函数并最小化，得到最优解序列并取首个值施加于系统以实现优化目标。基于MPC算法对CACC系统在城市工况中有信号灯及前方等待车队的场景下，通过处理更多的干扰来实现自车更主动地调节自车速度，减少不必要的速度维持或大的减速，以此来提高燃油经济性及乘坐舒适性实现多目标优化。本发明的技术方案为：一种基于交通信息的协同式自适应巡航系统算法，具体包括如下步骤：1)根据跟车模型，确定输出方程：系统采用上下层控制，上层根据传感器所接收的距离、速度、加速度数据计算期望加速度ades并传递给下层执行器，下层控制通过车辆逆纵向动力学模型来控制油门开度及制动压力来实现期望加速度ades；跟车系统的三阶离散状态方程模型：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：自车和前车距离Δd(t)，自车和信号灯距离Δdsl(t)，前方车队长度Δds(t)，前车速度vp(t)，自车速度vh(t)，自车加速度ah(t)作为状态变量x(t)，并把前车加速度ap(t)和前方车队长度ds(t)作为系统扰动w(t)，Ts为系统采样时间，取0.001s，u(t)为上层控制的输入ades；取自车和前车距离Δd(t)，自车和前车相对速度vrel(t)，自车速度vh(t)，自车加速度ah(t)作为输出变量y(t)，得到输出方程：y(t)＝Cx(t)其中：2)选定跟踪目标，根据目标确定待优化性能向量y(t)侧重的输出权重wy，选择参考轨迹yr；3)根据步骤1)提出的跟车系统的三阶离散状态方程模型，用在t时刻的状态量y(t)对t+i时刻的状态量y(t+i)未来行为作出如下预测，得到解：其中：式中p为预测时域长度，Δu(t)＝u(t)-u(t-1)，表示控制变化量，(t+i|t)代表在t时刻对时刻t+i的预测，对未来时域的预测中，由于扰动w(t+i)的不可预测，所以假设在预测时域内：w(t+i)＝w(t-1),i＝0,1,2…p-1；4)设定系统输入u的权重和系统输入变化△u的权重后，将待优化问题写成一个加权形式的值函数J(y,u,Δu)，计算在预测时域内的计算结果和参考曲线的差值，系统输入及输入变化率和相应权重乘积的总和，最小化总和值以使得实际输出达到贴近参考曲线；5)根据步骤2)选定跟踪目标形成的约束与车辆参数的约束，再引入松弛变量ε，得到系统输出、系统输入、系统输入变化的约束条件；6)将上层控制的优化问题变成了求解满足约束条件下最小化值函数J的Δu(t+i|t),(t+i|t)代表在t时刻对时刻t+i的预测，并把首元素作为输出，其中ρ为松弛变量权重系数：根据此算法对车辆进行控制。本发明的有益效果在于：本发明基于交通信息的协同式自适应巡航系统算法，减少了因为跟随某些激进型驾驶员从而导致自车的驾驶行为也随着激进，能够达到根据周围的环境来达到一个最优的速度调节。附图说明图1为本发明跟车系统中自车和前车及前方车队的纵向动力学关系示意图；图2为本发明判断以前车或车队为目标的流程图；图3为本发明20组实验数据计算出平均速度曲线图；图4为本发明仿真图一；图5为本发明仿真图二；图6为本发明仿真图三；图7为本发明仿真图四；图8为本发明燃油消耗模型使用CarSim中自带发动机模型；图9为本发明两种控制算法下燃油消耗对比图。具体实施方式一、跟车模型CACC系统的控制设计分为上下层控制：上层根据传感器所接收的距离，速度等数据计算期望加速度ades并传递给下层执行器。下层控制在实现ades时需要通过车辆逆纵向动力学模型来控制油门开度及制动压力来实现期望加速度ades。在实际过程中，下层控制器的输入ades和实际输出a可以由一个一阶惯性系统来表示：τ为时间常数，这里取0.5。如图1所示跟车系统中自车和前车及前方车队的纵向动力学关系示意图，可以得出如下跟车系统的三阶离散状态方程模型：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：选取自车和前车距离Δd(t)，自车和信号灯距离Δdsl(t)，前方车队长度Δds(t)，前车速度vp(t)，自车速度vh(t)，自车加速度ah(t)作为状态变量x(t)，并把前车加速度ap(t)和前方车队长度ds(t)作为系统扰动w(t)，Ts为系统采样时间，取0.001s，u(t)为上层控制的输入ades。另外选取自车和前车距离Δd(t)，自车和前车相对速度vrel(t)，自车速度vh(t)，自车加速度ah(t)作为输出变量y(t)，得到输出方程：y(t)＝Cx(t)(3)其中：二、基于模型预测控制的算法建立由于CACC系统加入了交通信息的交互，使得系统在ACC单一以前车为跟踪目标的基础上，多了以前方等待车队或交通灯前路口为跟踪目标,所以在不同工况下该系统需要几个目标之间切换以实现主动调节速度这一目的。1、前方目标的选取由于选取不同的跟踪目标时，待优化性能向量y(t)侧重的输出权重不同，所以权值wy也应不同，另外y(t)参考轨迹yr根据跟踪目标的不同也需要改变。所以系统接收了信号灯状态及前方交通信息后需要确定的当前的跟踪目标，以选取不同的wy及yr。如图2所示判断以前车或车队为目标的流程图。在绿灯阶段时，当vh·trt>Δdsl时(trt为信号灯剩余时间)判断为可通过；vh·trt≤Δdsl≤vset·trt时(vset为设定巡航速度)判断前车意图是否通过，若前车加速度ap(t)大于零，则认为前车准备通过，ap(t)小于零则不准备通过；当vset·trt≤Δdsl时认为不可通过；红灯阶段时判定为不通过。另外当判定通过时，则以前车作为跟踪目标，不通过时，继续判断前车加速度ap和MPC算法中的参考加速度ar的大小关系，当ar≤ap时则以前方车队为跟踪目标，否则以前车作为跟踪目标其中ar为yr中的参考加速度。2、CACC控制目标分析尽管CACC能够提升的性能有很多，但最基本且最重要的目标依然是保证安全性，因此要保证自车和前车车距Δd(t)始终不小于一个安全距离dsafe,即Δd(t)≥dsafe这里dsafe取2m。1)跟踪前车的控制目标在以前车作为目标时，性能权重wy1应更注重和前车距离Δd，自车和前车相对速度vrel及自车理想加速度ah，目标是让自车和前车的距离趋近于理想距离ddes及相对速度vrel趋近于0，自车理想加速度ah趋近于参照加速度ar1，即Δd→ddesvrel→0ah→ar1加速度的参照采用一种线性跟车驾驶员模型：ar1＝kV.vrel+kD.Δderror(4)式中kV，kD为模型系数，分别为0.25和0.02，Δderror为实际距离与理想距离的差值，理想距离ddes通过间距策略计算得来，这里采用可变间距策略中的恒定车头时距。Δddes(t)＝th.vh(t)+d0(5)Δddes(t)为和前车实际距离，th为车头时距，指的是在同一车道上行驶的车辆队列中，两连续车辆车头端部通过某一断面的时间间隔，d0为制动到停止时距离前车距离。2)跟踪前方车队或路口时的控制目标当以前方车队为目标时，性能权重wy2更侧重和前方车队末端距离Δds，自车速度vh，及自车加速度ah。此时的目标是自车速度vh趋近于0，与前方车队的距离Δdsl-Δds趋近于d0，自车理想加速度ah趋近于参照加速度ar2，即Δdsl-Δds→d0vh→0ah→ar2加速度ah的参照采用如下办法，使用实际测量、拟合得到的驾驶员模型。该驾驶员模型是对于一个静止目标如何制动到停止的模型，基于MATLAB、CarSim、dSPACE软件和一套罗技方向盘的实验平台，来测量驾驶员对200m左右外静止目标的制动过程。共有三名驾驶员分别在35到60km/h的随机初速度下对前方l＝0处的静止车辆进行制动实验，然后将20组实验数据计算出平均速度曲线，如图3所示，图中的加粗曲线为平均速度曲线：该速度曲线拟合成距离l和速度vb的曲线：由上面的公式可得到参考加速度ar2*：然而车辆实际速度vh可能大于或小于vb，即此时需要的加速度是大于或小于ar2*的。假设在终点前方L0处以vb的速度行驶，根据公式(8)，此时需要的加速度为：类似的，当以速度vh≠vb时在L0处速度行驶，计算得加速度为：把公式(9)带入公式(10)，得到：另外在MPC中，考虑到过程的动态特性，为了避免过程当中输入输出大的变化，通常让当前的输出y(t)沿着期望的平缓曲线来达到设定值yr。这条曲线即为参考曲线yr(t)，它是设定值经过在线柔化的产物。这里采用最为广泛的一阶指数变化形式：yr(t+i)＝αiy(t)+(1-αi)yr(12)α为0到1的系数，i为预测时域中的第i个时间点，指数变化形式α越小，参考轨迹响应速度越快的达到设定值。这里α取0.9。(这里α越小，可以想象曲线下降的越陡峭，所以能够更快达到设定值)3、跟车模型的预测根据上面提出的跟车系统的三阶离散状态方程模型，CACC系统基于t时刻的状态量y(t)对t+i时刻的状态量y(t+i)未来行为作出如下预测，这里默认未来的输入在预测时域内不做变化：这里的h和j不具有实际意义，仅是数学用，最后的计算结果是不带h和j，两次求和计算后是没有的，可以简单用i＝1计算一下。由该式得到解：其中：式中A2为A矩阵的平方，以此类推，Ap为A矩阵的p次方，h只具有数学意义，不带具体含义，p为预测时域长度，Δu(t)＝u(t)-u(t-1)，表示控制变化量，(t+i|t)代表在t时刻对时刻t+i的预测。对未来时域的预测中，由于扰动w(t+i)的不可预测，所以假设在预测时域内：w(t+i)＝w(t-1),i＝0,1,2…p-1在MPC问题中，将待优化问题写成一个加权形式的值函数：其中wy为系统输出的权重矩阵，wu为系统输入的权重，wΔu为系统输入变化的权重。计算在预测时域内的计算结果和参考曲线的差值，系统输入及输入变化率和相应权重乘积的总和，最小化总和值以使得实际输出达到贴近参考曲线。至此，把上面提到的约束和一些车辆参数的约束重新整理，并且引入松弛变量ε，为(15)中的约束下界的松弛系数，为约束上界的松弛系数，umin、umax为车辆加速度能力，Δumin、Δumax为加速度变化量，ymin、ymax为跟车模型中输出变量的约束，这里的松弛变量作用是适当增加约束范围，防止出现因为前车大的加减速导致部分实际数据超出既定约束，从而导致无解的状况。但为了保证跟车的安全性，对距离Δd及Δds两个部分保持硬约束，以保证安全性。所以上层控制的优化问题至此就变成了求解满足约束条件下最小化值函数J的Δu(t+i|t),并把首元素作为输出，其中ρ为松弛变量权重系数：三、应用例为了验证该算法，使用MATLAB/Simulink和CarSim来联合仿真，车辆参数采用默认设置，并且和LQR(线性二次规划)控制算法进行对比,该算法始终以前车作为跟踪目标。1、参数设置,如下表参数数值参数数值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、仿真分析仿真工况为：在信号灯前200m接收到信号灯信号，前方信号灯为红灯剩余时间50s，前车先保持匀速运动再制动到静止变成车队一部分，前方车队长度变化情况如表达式：ds＝10+5.5ti(ti＝2,5,12.5)(17)车队长度初始长度为10m，后在2s，5s及12.5s分别有车加入车队。仿真结果如下图4、5、6、7所示：由图4、5可见，在0到7s前车做匀速运动时，MPC控制下的自车已经开始了提前制动控制，和前车距离变大，在前车作出大的减速度后也作出相应减速，车间距开始减小，在前车完全制动到静止后缓慢接近前车，最终停止在距离前车3m处，实现了目标的切换并且平稳跟车；LQR控制下的自车在开始作出小的速度调整后全程保持跟随前车，车间距波动较MPC来说相对小，也说明了是始终以前车作为目标的。由图6可见，本发明MPC算法控制下的自车加速度变化较LQR控制更为平缓，且最大值始终不超过-3m/s2，LQR最大值达到了-3.5m/s2，而这也是LQR的缺点，即不能对控制目标进行约束。同时图7中也可以看到LQR的加速度变化率的变化范围特别大，最小达到了-14m/s3左右，这对乘坐舒适性有着很大的影响，而MPC控制由于受到约束，变化在-3～3m/s3左右，有利于乘坐舒适性。如图8所示燃油消耗模型使用CarSim中自带发动机模型图，该模型根据当前车辆的油门开度及发动机转速来查表得到燃油消耗率，进而得到整个过程的燃油消耗量。如图9可见，在该工况下，本发明MPC算法控制的自车燃油消耗量在0.0038kg左右，比LQR算法控制的自车的0.0043kg节省了约11.63％。当前第1页1 2 3