本发明涉及汽车主动安全技术领域，特别是涉及一种基于狼群算法的汽车主动安全协同控制系统及方法。
背景技术：
随着时代进步，人们对汽车安全性能的期待越来越高，主动安全控制系统逐渐成为各类车型的标配。主动安全系统由多个子系统组成，各系统需要密切配合以实现控制意图，因此对主动安全系统的协同控制已成为领域研究热点。然而，目前大多数的研究只考虑了汽车本身的失稳问题，而忽略了驾驶员的操纵对汽车行驶状态的影响，这就造成控制精度的降低；同时，因为目前广泛使用的优化算法收敛性较差，多数的优化方案仅考虑了一个控制目标，优化结果只实现了局部优化，未能实现整车全局的最优控制。
技术实现要素：
针对上述现有技术的不足，本发明提供一种基于狼群算法的汽车主动安全协同控制系统及方法，能够实现整车全局的最优控制。
为实现上述目的，本发明采用如下技术方案：
一种基于狼群算法的汽车主动安全协同控制系统，包括依次连接的传感器系统、上层控制器、下层控制器、底盘执行系统；
所述传感器系统包括用于采集驾驶员动作信号的驾驶员感知模块、用于记录汽车当前行驶状况的车辆感知模块；所述驾驶员感知模块和车辆感知模块分别向上层控制器传递传感器信号；
所述上层控制器包括信号识别模块、决策模块、优化模块；所述信号识别模块接收传感器信号，预处理后发送给决策模块；所述决策模块根据传感器信号预测驾驶员预期运动参数，并发送给优化模块，所述优化模块以预期运动参数跟实际运动参数之间的差距最小为控制目标，以实际运动参数为上层控制对象，利用狼群算法进行优化计算，并将上层控制对象的最优解发送给下层控制器；
所述下层控制器以上层控制对象的最优解为控制目标，以前轮转角、车轮的制动液压为下层控制对象进行优化计算，计算出下层控制对象的最优解，并输出控制信号到底盘执行系统；
所述底盘执行系统用于接收下层控制器输出的控制信号，控制转向执行电机转动以及调节车轮制动液压。
进一步的，所述运动参数包括车速、质心侧偏角、侧向加速度、横摆角速度。
进一步的，所述驾驶员感知模块包括转向盘角传感器、制动踏板位移传感器，用于采集驾驶员动作信号；所述车辆感知模块包括车轮传感器、侧滑传感器、陀螺仪传感器，用于记录汽车当前行驶状况。
一种基于狼群算法的汽车主动安全协同控制方法，包括如下步骤：
步骤1：传感器系统采集驾驶员动作信号和汽车当前行驶状况，并将其传递到上层控制器；
步骤2：上层控制器接收传感器信号后，由信号识别模块预处理传感器信号，并传递给决策模块，决策模块根据传感器信号预测驾驶员预期运动参数，并发送给优化模块，优化模块以预期运动参数跟实际运动参数之间的差距最小为控制目标，以实际运动参数为上层控制对象，利用狼群算法进行优化计算，并将上层控制对象的最优解发送给下层控制器；
步骤3：下层控制器以上层控制对象的最优解为控制目标，以前轮转角、车轮的制动液压为下层控制对象进行优化计算，并输出控制信号到底盘执行系统；
步骤4：所述底盘执行系统包括afs执行器、dyc执行器，所述dyc执行器接收下层控制器输出的制动液压控制信号调节车轮制动液压，afs执行器接收下层控制器输出的前轮转角控制信号控制转向执行电机。
优选的，步骤2中，所述狼群算法的具体步骤包括：
步骤2.1：数值初始化
a)初始化狼群数量n以及每只狼的位置信息xi(ν,β,αy,γ)，i＝(1，n),所述位置信息为四维坐标，ν,β,αy,γ分别代表车速、质心侧偏角、侧向加速度、横摆角速度；
b)设置每只狼对应的猎物气味浓度yi，即为驾驶员期望的车辆位置坐标与实际的车辆位置坐标的差值构成的目标函数：
其中，(xt,yt)为t时刻车辆实际位置坐标，(xe,ye)为t时刻驾驶员期望的车辆位置坐标，且
xt＝x0+ν*cos(β+γ*t)*t
x0、y0为车辆初始位置坐标；
c)根据控制精度及求解速度需求，设置最大迭代次数kmax、最大游走次数tmax、探狼比例因子α、距离判定因子ω、步长因子s以及更新比例因子σ；
d)选取当前猎物气味浓度最高的人工狼为头狼s，取其位置为xlead、猎物气味浓度为ylead；
步骤2.2：游走行为
a)将n只狼的猎物气味浓度从大到小排列，取除头狼外前n*α个猎物气味浓度对应的人工狼为探狼，除头狼与探狼外的所有人工狼为猛狼；
b)对于探狼j，其猎物气味浓度为yj0，此时yj0＜ylead，j＝(1,n*α),其进行游走行为，向h个方向分别前进一个游走步长stepa，记录每前进一步后所感知的猎物气味浓度后退回原位置，则向第p(p＝1,2,3...,h)个方向前进后探狼j的位置为xjp、猎物气味浓度为yjp；
c)选择yjp最大且大于当前位置的猎物气味浓度yj0的方向前进一个游走步长stepa，更新探狼j的位置信息xj；
d)重复以上的游走行为，直到某只探狼感知到的猎物气味浓度yj＞ylead,此时该探狼成为头狼，ylead＝yj,或游走次数t达到最大游走次数tmax，此时维持原头狼不变；
步骤2.3：召唤/奔袭行为
a)头狼通过嚎叫发起召唤行为，召集周围的n*(1-α)-1只猛狼向头狼所在位置迅速靠拢，猛狼以奔袭步长stepb＝2*stepa快速逼近头狼所在位置；
b)奔袭途中，若猛狼z(z＝(1,n*(1-α)-1))感知到的猎物气味浓度yz＞ylead，则该猛狼转化为头狼并发起召唤行为，此时ylead＝yz；
c)奔袭途中，若猛狼z感知到的猎物气味浓度yz＜ylead，则猛狼z继续奔袭直到其与头狼s之间的距离dzs小于dnear时加入到对猎物的攻击行列，即转入围攻行为；
步骤2.4：围攻行为
a)将此时离猎物最近的狼即头狼的位置视为猎物的移动位置，猛狼联合探狼以攻击步长stepc向猎物紧密逼近以期将其捕获；
b)若实施围攻行为后，某只人工狼感知到的猎物气味浓度大于其原位置状态所感知的猎物气味浓度，则更新此人工狼的位置，若不然，人工狼位置不变；
c)若更新人工狼位置后，某只人工狼感知到的猎物气味浓度大于头狼所感知到的猎物气味浓度，则该人工狼转化为头狼，将该人工狼的位置视为猎物所在位置，其他人工狼以该狼为中心继续围攻行为；
d)更新头狼位置后，判断是否达到优化精度或最大迭代次数kmax，若达到则输出此头狼的位置，即所求的最优解，否则重复步骤2.2-2.4。
优选的，步骤3中，所述下层控制器的优化计算的方法为神经网络算法，所述神经网络算法的输入为前轮转角、车轮的制动液压；输出为车速、质心侧偏角、侧向加速度、横摆角速度。
有益效果：1、将人—车作为闭环系统进行优化，考虑了驾驶员操纵对控制目标的影响；
2、狼群算法对于不同特征的复杂函数具有较好的鲁棒性及全局收敛性能，进一步提高了控制系统的精度和效率；
3、神经网络算法由于其特有的大规模并行结构、信息的分布式存储和并行处理特点，提高了控制系统的自适应性和容错性。
附图说明
图1为本发明的控制方法流程图；
图2为本发明中狼群算法流程图；
图3为本发明中神经网络算法流程图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
本发明为一种基于狼群算法的汽车主动安全协同控制系统及方法。首先由传感器系统监测驾驶员操纵信号、行车状态信号，上层控制器据此信号由内置算法对上层控制对象进行优化计算，下层控制器对下层控制对象进行优化计算并转换为控制指令发送至执行器，以实现行车状态的调整。
下面结合附图对本发明进一步说明。
如图1所示，本发明的工作方法为：
1)传感器系统监测驾驶员操纵信号、行车状态信号，并将其传递到上层控制器。
2)上层控制器接收传感信号后，由信号识别模块预处理(包括滤波、放大、调制等，目的是抽取出信号中我们需要的内容)传感器信号，将驾驶员操纵信号及车辆当前运动状态信号传递给决策模块，决策模块根据以上信号估计驾驶员预期运动参数(此为现有技术，本文不再赘述)，并输入给优化模块，优化模块以预期运动参数跟实际运动参数之间的差距最小为控制目标，以实际的车速、质心侧偏角、侧向加速度、横摆角速度为上层控制对象，采用狼群算法进行优化计算，并输出最优解到下层控制器。
3)下层控制器中以上层控制对象(车速、质心侧偏角、侧向加速度、横摆角速度)的最优解为控制目标，以前轮转角、车轮的制动液压为下层控制对象，采用神经网络算法对其进行优化计算，并输出控制信号到底盘执行系统。
4)底盘执行系统根据相应的控制信号执行动作，协同作用以实现行车状态的调整。
5)此时，行车状态信号以及后续的驾驶员操纵信号都将发生变化，传感器系统持续监测以上信号并传递到上层控制器，循环往复。
如图2所示，狼群算法的优化过程为：
步骤2.1：数值初始化
a)初始化狼群数量n以及每只狼的位置信息xi(ν,β,αy,γ)，i＝(1，n),所述位置信息为四维坐标，ν,β,αy,γ分别代表车速、质心侧偏角、侧向加速度、横摆角速度；
b)设置每只狼对应的猎物气味浓度yi，即为驾驶员期望运动与实际运动的差值构成的目标函数
其中，(xt,yt)为t时刻车辆实际位置坐标，(xe,ye)为t时刻驾驶员期望车辆位置坐标，且
xt＝x0+ν*cos(β+γ*t)*t
x0、y0为车辆初始位置坐标；
c)根据控制精度及求解速度需求，设置最大迭代次数kmax、最大游走次数tmax、探狼比例因子α、距离判定因子ω、步长因子s以及更新比例因子σ；
d)选取当前猎物气味浓度最高的人工狼为头狼s，取其位置为xlead、猎物气味浓度为ylead；
步骤2.2：游走行为
a)取初始解空间中除头狼外的n*α只猎物气味浓度较佳的人工狼为探狼，除头狼与探狼外的所有人工狼为猛狼；
b)对于探狼j，当前位置的猎物气味浓度yj0，此时yj0＜ylead，j＝(1,n*α),其进行游走行为，向h个方向分别前进一个游走步长stepa，记录每前进一步后所感知的猎物气味浓度后退回原位置，则向第p(p＝1,2,3...,h)个方向前进后探狼j的位置为
c)选择yjp最大且大于当前位置的猎物气味浓度yj0的方向前进一个游走步长stepa，更新探狼j的位置信息xj；
d)重复以上的游走行为，直到某只探狼感知到的猎物气味浓度yj＞ylead,此时该探狼成为头狼，ylead＝yj,或游走次数t达到最大游走次数tmax，此时维持原头狼不变；
步骤2.3：召唤/奔袭行为
a)头狼通过嚎叫发起召唤行为，召集周围的n*(1-α)-1只猛狼向头狼所在位置迅速靠拢，猛狼以奔袭步长stepb＝2*stepa快速逼近头狼所在位置；
b)奔袭途中，若猛狼z(z＝(1,n*(1-α)-1))感知到的猎物气味浓度yz＞ylead，则该猛狼转化为头狼并发起召唤行为，此时ylead＝yz；
c)奔袭途中，若猛狼z感知到的猎物气味浓度yz＜ylead，则猛狼z继续奔袭直到其与头狼s之间的距离dzs小于dnear(由距离判定因子ω和优化对象的取值范围决定)时加入到对猎物的攻击行列，即转入围攻行为；
步骤2.4：围攻行为
a)将此时离猎物最近的狼即头狼的位置视为猎物的移动位置，猛狼要联合探狼以攻击步长stepc向猎物紧密逼近以期将其捕获；
b)若实施围攻行为后，某只人工狼感知到的猎物气味浓度大于其原位置状态所感知的猎物气味浓度，则更新此人工狼的位置，若不然，人工狼位置不变；
c)若更新人工狼位置后，某只人工狼感知到的猎物气味浓度大于头狼所感知到的猎物气味浓度，则该人工狼转化为头狼，将该人工狼的位置视为猎物所在位置，其他人工狼以该狼为中心继续围攻行为；
d)更新头狼位置后，判断是否达到优化精度或最大迭代次数kmax，若达到则输出此头狼的位置，即所求的最优解，否则转步骤2.2。
狼群算法适用两个机制：
1、“强者生存”的狼群更新机制
a)猎物按照“由强到弱”的原则进行分配，导致弱小的狼会被饿死，即需要在狼群中去除猎物气味浓度最低的n*σ只人工狼；
b)同时，为维护狼群的个体多样性，需随机生成n*σ只新的人工狼，即开辟新的解空间；
2、“胜者为王”的头狼产生机制
a)为保证最终解为最优，需持续对头狼进行优胜劣汰，当存在某只人工狼对应的猎物气味浓度大于ylead时，即更新该狼为头狼；
b)更新头狼位置后，判断是否达到优化精度或最大迭代次数kmax，若达到则输出此头狼的位置，即所求的最优解，否则转步骤2)。
如图3所示，神经网络算法的训练过程为：
选取神经网络系统输入为xi(前轮转角、前左轮制动液压、前右轮制动液压、后左轮制动液压、后右轮制动液压)、系统输出为yi(车速、质心侧偏角、侧向加速度、横摆角速度)，即输入层节点数n＝5，输出层节点数m＝4，隐含层节点数l＝3。取大量实车测试数据，即测量实车行驶时的输入、输出信号，作为神经网络训练的样本数据对神经网络进行训练，迭代结果后取部分数据对神经网络进行测试，当其输出结果满足精度要求时，即可用于控制系统的参数优化。此时，给定一组输出(车速、质心侧偏角、侧向加速度、横摆角速度)，可由神经网络反求出对应的一组输入(前轮转角、前左轮制动压力、前右轮制动压力、后左轮制动压力、后右轮制动压力)，即完成了给定控制目标下对于控制对象的最优求解。然后，下层控制器将该控制对象的最优解发送到底盘执行系统。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。