基于数据驱动的acc系统离散二阶滑模控制系统及其方法
【专利摘要】基于数据驱动的ACC系统离散二阶滑模控制系统及其方法涉及混合动力汽车自适应巡航系统的控制技术领域，该方法利用子空间辨识的方法建立基于输入输出数据的ACC模型，并通过观测器和增广最小二乘的方法对模型中的参数进行辨识，最后采用自适应离散二阶滑模的车距跟随控制方法实现车辆的自适应巡航。本发明中由于子空间辨识的方法实时跟进车辆状态的变化，不断调整自身的模型参数，操作中对非线性不确定项进行拆分处理，减少了建模过程中外界干扰的影响，因此可以显著提高车辆的建模精度，自适应离散二阶滑模的应用有效改善了传统离散滑模的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。
【专利说明】
基于数据驱动的ACC系统离散二阶滑模控制系统及其方法
技术领域
[0001] 本发明设及混合动力汽车自适应巡航系统的控制技术领域，具体设及一种基于数 据驱动的ACC系统离散二阶滑模控制系统及其方法。
【背景技术】
[0002] 在国内外汽车使用数量攀升的背景下，由于驾驶员操作不当而引发的交通事故、 安全隐患及道路堵塞等问题逐渐增多，通过正确处理驾驶员与运行环境之间的高效互联可 W从根本上减少上述事故的发生。为了有效解决因驾驶员判断失误和非正确操作而造成的 交通事故，汽车行业加大了对具有主动安全的驾驶辅助系统(ADAS)的研发力度，其中汽车 自适应巡航(Adaptive化Uise ControLACC)系统W其在保证驾驶安全和乘坐舒适性方面 的优越性能而得到普遍关注。目前ACC系统按照控制方式可分为定速巡航控制系统、自适应 巡航控制系统、配备走-停功能的ACC系统S种类别，S种系统都可W有效提升汽车行驶过 程中的安全性能、舒适性能及燃油消耗性能。
[0003] 自适应巡航控制系统可W从环境感知模块中获取前车的行驶信息，从而可W实现 对本车行驶策略的实时调整，确保了车辆在安全距离范围内跟随目标车辆，显著缓解驾驶 员的驱车操作负担。由于自适应巡航控制系统需要实时采集前方道路的环境信息，因此当 遇到突发事件时电子控制单元具有更加优越的反应性能，该系统可W及时有效的对本车进 行制动，因此可W明显缩短车辆的刹车距离，提高了车辆的行车安全性能。在解决道路交通 堵塞方面，自适应巡航控制系统可W与驾驶者进行有效的人机交互，并根据当前交通流量 的密集程度设定合理的车间时距，控制好车流中各车之间的距离，显著提升道路的使用效 率，缓解由于行车间距不均而造成的交通拥堵。
[0004] 目前的自适应巡航控制系统多是基于理想状态下的汽车纵向动力学模型建立相 应的控制策略，其控制效果在很大程度上依赖于被控对象数学模型的精确程度，但实际上 汽车动力学模型具有强非线性、时变、大滞后和强干扰的特点，很难建立精确的数学模型， 且车辆在使用的过程中汽车自身各机构的物理参数随着运行工况、行驶环境和使用年限的 不同会发生相应变化，因此采用基于传统汽车纵向动力学建模方式设计的自适应巡航控制 系统无法保证在全运行工况和全生命周期内达到最优的跟随、舒适及安全性能，尤其在一 些极限工况下，甚至会引发整车控制器故障，运就为行车的安全性造成隐患。
[0005] 自适应巡航控制系统在设计的过程中，被控对象数学模型的精确程度直接关系到 系统的控制效果。传统的汽车动力学模型是通过各部件之间的物理关系进行建模，但由于 工艺机理的高度复杂和各子系统之间的动力学强禪合特点，很难通过物理学的基本定律得 到高精度的机理模型，或者得到的模型太复杂阶次太高，不利于控制系统的分析与设计。在 此基础上发展起来的基于神经网络的车辆动力学建模方法在一定程度上减少了车辆动力 学建模的困难，但同时神经网络在应用的过程中存在着收敛速度慢、局部最小化W及网络 结构选择困难的缺点，因此仍不能满足汽车动力学建模的实际要求。
[0006] 子空间模型辨识是直接通过对输入输出数据辨识得出系统线性状态空间模型，由 于W线性代数作为工具使得该方法简单易于实现，在使用过程中不需要进行参数化，省去 逐步迭代的优化方式，不必考虑预测误差法中存在一些约束条件、非线性寻优约束等，大大 简化计算过程，且对于多个变量的系统也可W有效的估算出系统的状态空间模型，减少对 被控对象机理模型的依赖，显著提高了车辆自适应巡航系统的控制能力，鉴于上述的优点 本发明中利用子空间辨识的方法建立出基于数据驱动的AC对莫型。
[0007]滑模控制对系统不确定性方面具有良好的鲁棒性能，同时该算法具有响应迅速、 无需在线识别、对参数变化及扰动不敏感等优点。随着控制科学与理论的不断趋向成熟，滑 模控制逐渐受到国内外研究专家的重视，由于计算机不能对连续时间的信号进行处理，由 此产生离散二阶滑模控制，该方式将不连续的控制作用在滑模变量的二阶微分上，在保留 了传统滑模控制的优势的同时削弱了抖振问题，因此本发明中采用自适应离散二阶滑模的 车距跟随控制方法实现车辆的自适应巡航。
【发明内容】
[000引为了解决基于传统车辆动力学模型设计的自适应巡航控制系统存在的在实际使 用过程中由于机械部件老化而造成物理特性变化，W及在复杂行驶工况的环境下由不确定 性等因素引发的模型失配，使得车辆驾驶过程中存在稳定性、安全性及舒适性变差的技术 问题，本发明提供一种基于数据驱动的ACC系统离散二阶滑模控制系统及其方法，其提高了 控制器的抗干扰能力W及不确定性情况下巡航系统的跟随精度，有效改善了传统离散滑模 的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。
[0009] 本发明解决技术问题所采取的技术方案如下：
[0010] 基于数据驱动的ACC系统离散二阶滑模控制系统，其包括车距计算模块、子空间模 型辨识模块、离散二阶滑模控制器、人机交互界面和环境感知模块;车距计算模块的输入为 人机交互界面提供的预设停车距离、环境感知模块检测到的前车速度和前车距离W及整车 测得的本车实际车速，车距计算模块通过车间时距的方法计算出当前时刻与前车的实际车 距和理想的期望车距，并通过对实际车距和理想的期望车距做差求出当前时刻的车距误 差;子空间模型辨识模块的输入为车距计算模块提供的当前时刻的车距误差、过去一段时 刻的车距误差、离散二阶滑模控制器提供的当前时刻的整车需求转矩、过去一段时刻的整 车需求转矩，子空间模型辨识模块首先通过子空间辨识的方法建立出基于数据驱动的ACC 模型，然后通过最小二乘的方法对模型中的参数进行辨识;离散二阶滑模控制器的输入为 车距计算模块提供的当前时刻的车距误差、过去一段时刻的车距误差、子空间模型辨识模 块辨识出当前时刻的车辆模型、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩， 通过自适应离散二阶滑模的方法计算出下一时刻的整车需求转矩。
[0011] 基于数据驱动的ACC系统离散二阶滑模控制方法，其包括如下步骤：
[0012] 步骤一、车距计算模块根据人机交互界面上驾驶员设定的停车距离、环境感知模 块获取的前车与本车的实际车距W及本车的实际车速，通过车间时距的方法计算出当前时 刻本车与前车之间理想的期望车距，并将实际车距与理想的期望车距做差得到当前时刻的 车距误差，通过多次测量的结果获得车距误差的时间序列，并将车距误差的时间序列存储 在存储器中，通过多次测量离散二阶滑模控制器模块的输出转矩，得到转矩的时间序列，并 将转矩的时间序列存储在存储器中，车距误差的时间序列和转矩的时间序列各自的调用长 度根据车辆的实际运行情况选取；
[0013] 步骤二、子空间模型辨识模块将步骤一中得到的当前时刻的车距误差、过去一段 时刻的车距误差、离散二阶滑模控制器模块得到的当前时刻的整车需求转矩、过去一段时 刻的整车需求转矩作为输入，通过子空间辨识的方法建立出基于输入输出数据的AC对莫型， 然后通过观测器和增广最小二乘的方法辨识出模型中的参数；
[0014] 步骤=、离散二阶滑模控制器将步骤一中得到的当前时刻的车距误差、过去一段 时刻的车距误差、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩W及步骤二中 建立的ACC模型的输出作为输入，采用自适应离散二阶滑模的车距跟随控制方法求出下一 时刻的整车需求转矩，进而完成基于数据驱动的ACC系统离散二阶滑模控制方法。
[0015] 本发明的有益效果如下：
[0016] 1)本发明通过子空间辨识的方法将输入数据进行辨识建立出基于数据驱动的ACC 模型，通过子空间辨识方法建立的整车模型有效解决了由于汽车动力学存在强非线性、时 变、大滞后、强干扰特性而造成的建模精度不高问题，该方法通过对当前时刻和过去时刻输 入值的实时辨识，可W解决车辆在复杂工况和变化环境中随时间增加而造成的由于机构物 理参数变化而引发的模型失配问题。尤其在极限工况下，系统中存在诸多不确定因素，因此 难W获得与真车相匹配的高精度模型，本发明中由于子空间辨识的方法实时跟进车辆状态 的变化，不断调整自身的模型参数，因此可W显著提高车辆的建模精度。
[0017] 2)车辆在自适应巡航的过程中，在不同的行驶工况下本车与前车的理想跟随距离 也会发生相应变化，如速度变化量快的工况较速度变化量慢的工况而言要求更长的跟随距 离，相同工况下不同的交通量密集程度使得车辆的理想跟随距离也会随之发生变化，为了 实现对不同工况下车辆的理想跟随距离进行有效识别，本发明中考虑行驶工况的复杂变 化，在车距计算模块中增加了车距计算的随机项，并通过=层BP神经网络进行估算。
[0018] 3)子空间模型辨识模块在操作的过程，利用卡尔曼滤波器稳态特性将平稳白噪声 信号进行滤除，并且操作中对非线性不确定项进行拆分处理，将Vf中与Uf无关的非线性不 确定项进行约除，减少了建模过程中外界干扰的影响，显著提高了建模精度。
[0019] 4)本发明自适应中离散二阶滑模自适应巡航控制器，利用滑模控制对系统不确定 性具有良好鲁棒性的优点，有效缓解了由于汽车在行驶过程中易受到外界干扰而造成采集 I/O信号污染W及极限工况下车辆运行环境的不确定性等问题，提高了控制器的抗干扰能 力W及不确定性情况下巡航系统的跟随精度，另外二阶滑模的应用有效改善了传统离散滑 模的抖阵问题，实现了实际车距与驾驶员人为设定的安全距离的偏差最小。
[0020] 5)本发明的方法简单易于实现，适宜广泛推广应用。
【附图说明】
[0021] 图1是本发明基于数据驱动的ACC系统离散二阶滑模控制系统的原理图。
【具体实施方式】
[0022] 下面结合附图对本发明做进一步详细说明。
[0023] 如图1所示，本发明基于数据驱动的ACC系统离散二阶滑模控制系统包括车距计算 模块1、子空间模型辨识模块2、离散二阶滑模控制器3、人机交互界面5和环境感知模块6;车 距计算模块I的输入为人机交互界面5提供的预设停车距离、环境感知模块6检测到的前车 速度和前车距离W及整车4测得的本车实际车速，车距计算模块1通过车间时距的方法计算 出当前时刻与前车的实际车距和理想的期望车距，并通过对实际车距和理想的期望车距做 差求出当前时刻的车距误差;子空间模型辨识模块2的输入为车距计算模块1提供的当前时 刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器3提供的当前时刻的整车需 求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块2首先通过子空间辨识的方法 建立出基于数据驱动的ACC模型，然后通过最小二乘的方法对模型中的参数进行辨识;离散 二阶滑模控制器3的输入为车距计算模块1提供的当前时刻的车距误差、过去一段时刻的车 距误差、子空间模型辨识模块2辨识出当前时刻的车辆模型、当前时刻的整车需求转矩、过 去一段时刻的整车需求转矩，通过自适应离散二阶滑模的方法计算出下一时刻的整车需求 转矩。
[0024] 本发明基于数据驱动的ACC系统离散二阶滑模控制方法包括如下步骤：
[0025] 1)车距计算模块1
[0026] 人机交互界面5由驾驶员根据当前车辆行驶要求设定停车距离，环境感知模块6通 过传感器对前车速度与两车实际距离进行检测，车距计算模块1将上述量作为输入通过车 间时距的方法计算出本车理想的期望车距。
[0027] 算法如下：
[002引 dideal (k) = Xhv(k)+do+m (I)
[0029] 其中，~为时间常数，该值可根据司机个人状况及道路交通情况进行调整，本发明 中综合多种工况，取~=1.5 ; V为本车巡航过程中的车速;dideal为理想的期望车距;k为采样 时刻;do为驾驶员设定的与前车最小间距，本发明中取do = 5米;m为车距计算随机项，本发明 中m根据不同行驶工况条件，采用S层BP神经网络确定。
[0030] 利用车速传感器获得式（1)中的车速，即可求出汽车巡航过程中与前车之间理想 的期望车距。
[0031 ] 2)子空间模型辨识模块2
[0032]子空间模型辨识模块2的输入为车距计算模块1提供的当前时刻的车距误差、过去 一段时刻的车距误差、离散二阶滑模控制器3提供的当前时刻的整车需求转矩、过去一段时 刻的整车需求转矩，子空间模型辨识模块2首先通过子空间辨识的方法建立出基于数据驱 动的AC对莫型，然后通过最小二乘的方法对模型中的参数进行辨识。
[00削算法如下：
[0034]考虑系统中的未建模项、不确定项W及量测误差及噪声，k时刻车辆巡航的非线性 状态空间模型如下：
[003引
巧
[0036]式中，X= [ A d，A V]为系统的状态变量，X化）=[A (Kk)，A v(k)]为k时刻系统的 状态变量，其中A (Kk)为k时刻实际车距与理想跟随车距的车距误差，A v(k)为k时刻本车 与前车的车速偏差;X化+1)为k+1时刻系统的状态变量;Tre化)为系统k时刻的输入变量即整 车需求转矩；AcKk)为k时刻系统的输出变量即车距误差;矩阵A、B、C、D、H化)分别表示系统 状态、输入、输出、反馈和Kalman增益矩阵，矩阵A A、A B、A C分别表示系统状态、输入和输 出的参数摄动，fXk)为k时刻的系统不确定项，e化)为k时刻的量测误差及噪声。
[0037] 令VKk)= AAx化)+ABTre化)+f化），Vm化）=ACx化），则式(2)可W化简为如下形 式：
[00 測
口）
[0039] 式中，Vf表示非线性不确定性函数，即考虑到未建模动态系统间的禪合、系统的不 确定性、测量中存在的误差W及未知扰动等。相比于传统的车辆巡航动态模型，式(3)中包 含了更多的车辆运行信息(如力学特性、内在参数、噪声干扰等），更能反映出车辆巡航过程 的真实工况。
[0040] 在实际的控制实现过程中，矩阵中只有第一列被用作系统的预测输出值，
[OOW 因此将系统过去的输入化nke 1矩阵Tre_p、过去的输出化nke 1矩阵A化、未来的输 入化nkel矩阵Tre_f、未来的输出Hankel矩阵A壯的第一列分别定义为：
[0042] Tre_p=[lWk-M+l)TreA-M+2)...Tre(k)]T (4)
[004；3] Tre_f=[Tre(k+l) Tre 化巧）...Ta 化+M)]T (5)
[0044] Adp=[AcKk-M+l) AcKk-M+2)...Ad(k)]T (6)
[0045] Adf=[Ad(k+l) AcKk+2)...AcKk+M)]T (7)
[0046] 其中：下标中P表示相对的过去时间序列；下标中f表示相对的未来时间序列;Tre_p 为过去时刻的输入转矩;1^6_:为未来时刻输入转矩；A dp为过去时刻的输出数据；A df为未 来时刻的输出车距误差；M为数据序列个数，Tre(k-M+l)、Tre(k-M+2)，-'，Tre(k)，Tre(k+ 1) ，…，Tre化+M)分别表示k-M+1，…，k，…，k+M时刻的整车需求转矩；A cK k-M+1)、A d化-M+ 2) ，…，AcKk), AcKk+1)，…，AcKk+M)分别表示k-M+1，…，k，…，k+M时刻的车距误差。
[0047] 通过迭代，子空间辨识主要输入输出矩阵如下：
[004引 Adf = レWp+L2Tre_f+出Vf+H祀(8)
[00例式中，Ll,L康不未来输入线性预测器系数矩阵，Ll=[lll,ll2,...llMX2M]，L2=[l21, 122 , . . . 12MXM]，其中111 , ll2 , . . . llMX2M，121,122 , . . . 12MXM为待计算参数;出为非线性不确定性 函数的系数矩阵，出=[1，(：，〔4，...，〔4?-2];胖。表示系统过去时刻的输入、输出数据，胖。= [Tre_pT，A dpT]T;Hn = [ I，CH，CAH，. . .，CAM-2h]，E为量测误差及噪声矩阵，E = [e 化+1)，e(k+ 2)，. . .，e化+M)]T，e化+l)，e化+2)，. . .，e化+M)分别表示k+l，k+2,…，k+M时刻的量测误差 及噪声，Tre_p为过去时刻的输入数据，A dp为过去时刻的输出数据，Tre_f为下一时刻输入数 据。
[0050] 由于系统中模型输入Tre_f与非线性不确定函数Vf的相关性会造成模型预测存在偏 差，为了提高建模精度就需要排除Vf中的Tre_f相关项，将式（8)中的Vf非线性不确定项在 [VflTVf2叩投影分解可得到：
[0051] 曲 Vf = DfVfi+Vf2 (9)
[0052] 式中，Df为非线性不确定项系数矩阵，其中Vfi为分解中与片6_评行的相关分量，予 W保留;Vf2为分解中与片6_:垂直的无关分量，予W去掉。
[0053] 此外，模型输入1^6_:与量测误差及噪声矩阵E的相关性造成了辨识模型存在偏差， 为了排除相关项，本发明中对量测误差及噪声矩阵按照行空间拆分，得到矩阵E的前M行数 列EM为：
[0化4]曲 eM=出 eM-1+eM (10)
[0055] 式中，出为过去时刻量测误差及噪声序列的系数矩阵，EM表示未来的量测误差及噪 声序列且与Tre_f无关，因此可W合理化约去，EM-I与Tre_f有关，因此需要对其进行估计。
[0056] 根据式(9)、（10)，将式(8)改写为：
[0化7] Adf = レWp+L2Tre_f+DfVfl+出EM-l (11)
[0化引式中，未知矩阵。心曲、出和6^-1应用增广最小二乘的方法，从车距误差最小为条 件进行估计，而Vf 1采用观测器进行估计。具体实现如下：
[0059] 假定模阶次已经确定，令
[0060] 目=[lll,ll2,... ,ll(2M),l21,l22,... ,l2M,Dfl,Df2,... ,DfM,曲 1,出 2,...,出 M]T (12)
[0061 ]
(13)
[00创式中乂1、复W-I分别为不同时刻的估计值;Dfi瓜2,…，DfM为矩阵Df各元 素，即Df = [Dfl ,Df2 ,…，DfM]，出1,曲2 ,…，出M为矩阵出各兀素，即出=[曲1 ,出2 ,…，出M]。
[0063] 不可测量量Vfi心-1的估计如下：
[0064] (14)
[00 化]
[0066] 式中，e〉〇、q〉〇、r〉〇为设计参数，CsGRMxm为设计参数矩阵。
[0067] 将模型（11)化为最小二乘格式：
[006引 Adf(k)=hT 化）目+EM (16)
[0069] 最小二乘的优化条件选择车距误差最小：
[0070]
(1乃
[0071] 则可通过如下的增广最小二乘递推算法求得爲，
[007
(18)
[007引即控制器系数矩阵b、L2、Df和曲可求得。
[0074] 3)离散二阶滑模控制器模块3
[0075] 离散二阶滑模控制器3将当前时刻的车距误差、过去一段时刻的车距误差、当前时 刻的整车需求转矩、过去一段时刻的整车需求转矩W及子空间模型辨识模块2的输出A df 作为输入，通过自适应离散二阶滑模的方法计算出下一时刻的滑模控制率，即整车需求转 矩。
[0076] 算法如下：
[0077] 考虑式（11)所示数据驱动子空间辨识模型中，A df为系统实时预测车距误差值， 由于巡航系统中理想车距误差本应为0,也就是实际车距与驾驶员人为设定的安全距离之 差越接近，跟踪效果越理想，设计的目标是当系统存在不确定的情况下时，通过设计二阶滑 模控制方法使得本车与前车的安全距离能够严格跟踪理想给定距离信号dideal。
[0078] 首先设计系统的一阶滑模面如下：
[0079] s(k)=CsTAdKk) (19)
[0080] 式中，CsGRMxm为设计参数矩阵，与式（14)中Cs定义相同，对于该值的选取本文基 于极点配置法进行确定，确保系统运动到滑动模态时具备良好的离散二阶滑模面函数为：
[0081] 入化+1) =S 化+1)+化化）(20)
[0082] 其中，，W确保滑模面能够收敛。
[0083] 由于滑模控制包括切换控制和等效控制两部分，当系统状态远离滑模面时切换控 制起作用，即使系统出现偏差还是可W使其回到切换面上；当系统状态到达滑模面时，为避 免切换控制抖振的存在，等效控制起作用。
[0084] 求得离散二阶滑模等效控制Tre_f_eq:
[0085]
(21)
[0086] 设计自适应离散二阶滑模趋近律，求得切换控制Tre_f_dis :
[0087] Tre_f_disa+l) = (aTL2)-i((l-qTn)AA)-^nSgn(Mk))) (22)
[008引式中，Tn表示采样时间，Sgn为符号函数，C为自适应系数，选取C = I Mk) I /2。
[0089] 根据式(21)和式(22)，基于离散二阶滑模控制方法求得整车需求转矩为：
[0090] Ta_Kk+l)=Tre_f_eq(k+l)+Tre_f_disA+l) (23)。
【主权项】
1. 基于数据驱动的ACC系统离散二阶滑模控制系统，其特征在于，该系统包括车距计算 模块(1)、子空间模型辨识模块(2)、离散二阶滑模控制器(3)、人机交互界面(5)和环境感知 模块(6);车距计算模块(1)的输入为人机交互界面(5)提供的预设停车距离、环境感知模块 (6)检测到的前车速度和前车距离以及整车(4)测得的本车实际车速，车距计算模块（1)通 过车间时距的方法计算出当前时刻与前车的实际车距和理想期望车距，并通过对实际车距 和理想期望车距做差求出当前时刻的车距误差;子空间模型辨识模块(2)的输入为车距计 算模块（1)提供的当前时刻的车距误差、过去一段时刻的车距误差、离散二阶滑模控制器 (3)提供的当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，子空间模型辨识模块 (2)首先通过子空间辨识的方法建立出基于数据驱动的ACC模型，然后通过最小二乘的方法 对模型中的参数进行辨识;离散二阶滑模控制器(3)的输入为车距计算模块（1)提供的当前 时刻的车距误差、过去一段时刻的车距误差、子空间模型辨识模块(2)辨识出当前时刻的车 辆模型、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩，通过自适应离散二阶滑 模的方法计算出下一时刻的整车需求转矩。2. 如权利要求1所述基于数据驱动的ACC系统离散二阶滑模控制系统的控制方法，其特 征在于，该方法包括如下步骤： 步骤一、车距计算模块（1)根据人机交互界面(5)上驾驶员设定的停车距离、环境感知 模块(6)获取的前车与本车的实际车距以及本车的实际车速，通过车间时距的方法计算出 当前时刻本车与前车之间理想的期望车距，并将实际车距与理想的期望车距做差得到当前 时刻的车距误差，通过多次测量的结果获得车距误差的时间序列，并将车距误差的时间序 列存储在存储器(7)中，通过多次测量离散二阶滑模控制器模块(3)的输出转矩，得到转矩 的时间序列，并将转矩的时间序列存储在存储器(8)中，车距误差的时间序列和转矩的时间 序列各自的调用长度根据车辆的实际运行情况选取； 步骤二、子空间模型辨识模块(2)将步骤一中得到的当前时刻的车距误差、过去一段时 刻的车距误差、离散二阶滑模控制器模块(3)得到的当前时刻的整车需求转矩、过去一段时 刻的整车需求转矩作为输入，通过子空间辨识的方法建立出基于输入输出数据的ACC模型， 然后通过观测器和增广最小二乘的方法辨识出模型中的参数； 步骤三、离散二阶滑模控制器(3)将步骤一中得到的当前时刻的车距误差、过去一段时 刻的车距误差、当前时刻的整车需求转矩、过去一段时刻的整车需求转矩以及步骤二中建 立的ACC模型的输出作为输入，采用自适应离散二阶滑模的车距跟随控制方法求出下一时 刻的整车需求转矩，进而完成基于数据驱动的ACC系统离散二阶滑模控制方法。3. 如权利要求2所述基于数据驱动的ACC系统离散二阶滑模控制方法，其特征在于，所 述步骤一中车距计算模块(1)通过车间时距的方法计算出当前时刻本车与前车之间理想的 期望车距的方法如下： dideal (k) = ThV (k) +do+m (I) 式中，Th为时间常数，该值可根据司机个人状况及道路交通情况进行调整，此处取Th = 1.5;v为本车巡航过程中的车速;Clldeal为理想的期望车距;k为采样时刻;do为驾驶员设定的 与前车的最小间距，此处取do = 5米;m为车距计算随机项，根据不同行驶工况条件，采用三 层BP神经网络确定； 利用车速传感器获得式（1)中的车速，即可求出汽车巡航过程中与前车之间理想的期 望车距。4.如权利要求2所述基于数据驱动的ACC系统离散二阶滑模控制方法，其特征在于，所 述步骤二中子空间模型辨识模块(2)通过子空间辨识的方法建立基于输入输出数据的ACC 模型，然后通过观测器和增广最小二乘的方法辨识出模型中的参数的过程如下： k时刻车辆巡航的非线性状态空间模型如下：(2) 式中，X= [ Δ d, Δ V]为系统的状态变量，x(k) = [ Δ d(k)，Δ v(k)]为k时刻系统的状态 变量，其中A d(k)为k时刻实际车距与理想跟随车距的车距误差，Av(k)为k时刻本车与前 车的车速偏差;X (k+1)为k+1时刻系统的状态变量;Tre3 (k)为系统k时刻的输入变量即整车需 求转矩；Ad(k)为k时刻系统的输出变量即车距误差;矩阵六3、(：、0、!1(1〇分别表示系统状 态、输入、输出、反馈和Kalman增益矩阵，矩阵△ A、△ B、△ C分别表不系统状态、输入和输出 的参数摄动，f(k)为k时刻的系统不确定项，e(k)为k时刻的量测误差及噪声； 令Vf(k) = Δ Ax(k)+A BTre(k)+f (k)，Vm(k) = Δ Cx(k)，则式(2)可以化简为如下形式：(3) 式中，Vf表示非线性不确定性函数； 将系统过去的输入Hankel矩阵Tre_P、过去的输出Hankel矩阵Δ dp、未来的输入Hankel矩 阵Tre3_f、未来的输出Hankel矩阵Δ df的第一列分别定义为：(4) (5) (6) _________ ________ __________ (7) 式中：下标中P表示相对的过去时间序列；下标中f表示相对的未来时间序列;Tre3_P为过 去时刻的输入转矩;Tre3_f为未来时刻输入转矩；△ dP为过去时刻的输出数据；△ df为未来时 亥IJ的输出车距误差;M为数据序列个数，Tre(k-M+1)，Tre(k-M+2)，···，T re(k)，Tre(k+l)，···，Tre (k+M)分别表示 k-M+l，'"，k，…，k+M 时刻的整车需求转矩；Ad(k-M+1)，Ad(k-M+2)，···，Ad (k)，Δ d(k+l)，…，Δ d(k+M)分别表示k-M+1，…，k，…，k+M时刻的车距误差； 通过迭代，子空间辨识主要输入输出矩阵如下： Δ df = Liffp+L2Tre_f+HfVf+HNE (8) 式中，Li，L2表不未来输入线性预测器系数矩阵，Ll= [ 111，ll2，· · · llMX2M]，L2= [ 121， 122，· · · 12MXM]，其中 111，ll2，· · · llMX2M，121，122，· · · 12MXM为待计算参数;Hf为非线性不确定性 函数的系数矩阵，Hf= [I，C，CA，...，CAm^2LWp表示系统过去时刻的输入、输出数据，W p = [Tre』T，Δ dPT]T;Hn = [ I，CH，CAH，…，CAM-2H]，E为量测误差及噪声矩阵，E = [e (k+1)，e(k+ 2)，…，e(k+M)]T，e(k+l)，e(k+2)，…，e(k+M)分别表示k+1，k+2,…，k+M时刻的量测误差 及噪声，T re_P为过去时刻的输入数据，Adp为过去时刻的输出数据，Tre_ f为下一时刻输入数 据； 将式(8)中的Vf非线性不确定项在[VflTVf2 T]T投影分解可得到： (9) 式中，Df为非线性不确定项系数矩阵，其中Vfl为分解中与Tre3_ f平行的相关分量，予以保 留;Vf2为分解中与Tre3_f垂直的无关分量，予以去掉； 对量测误差及噪声矩阵E按照行空间拆分，得到矩阵E的前M行数列EmS:(10) 式中，Hd为过去时刻量测误差及噪声序列的系数矩阵，EM表示未来的量测误差及噪声序 列且与Tre_f无关，可以合理化约去，Esm与Tre_ f有关，需要对其进行估计； 根据式(9)和式(10)，将式(8)改写为：(11) 式中，未知矩阵1^、1^、〇￡、!^阳^1应用增广最小二乘的方法，以车距误差最小为条件进 行估计，Vh采用观测器进行估计;具体实现如下： 假定模阶次已经确定，令式中，&、Ivi分别为Vfi、EM4不同时刻的估计值;Dfi，Df2, · · · ,DfM为矩阵Df各兀 素，BPDf=[Dfi,Df2, · · · ,DfM]，Hdi，Hd2, · · · ,HdM 为矩阵 Hd 各兀素，BPHd=[Hdi, Hd2，· · ·，HdM]; 不可测量量Vfl、EH的估计如下：式中，e>〇、q>〇、Γ >〇为设计参数，CsGRmxm为设计参数矩阵； 将模型（11)化为最小二乘格式： Adf(k)=hT(k)0+EM (16) 最小二乘的优化条件选择车距误差最小：(18) βμ從巾丨」研尔歎疋汗LI、L2、Uf/rwrid Kl不付〇5.如权利要求2所述基于数据驱动的ACC系统离散二阶滑模控制方法，其特征在于，所 述步骤三中离散二阶滑模控制器(3)采用自适应离散二阶滑模的车距跟随控制方法求出下 一时刻的整车需求转矩的过程如下： 当系统存在不确定的情况下时，通过设计二阶滑模控制策略使得本车与前车的安全距 (19) 离能够严格跟踪理想给定距离信号dldeal; 首先设计系统的一阶滑模面如下： Cs e rmxm为设计参数矩阵，与式（⑷中匕定义相同，对于该值的选取此处采用极点配置 法进行确定，确保系统运动到滑动模态时具备良好的离散二阶滑模面函数为： A(k+l) = s(k+l)+Ps(k) (20) 其中，，以确保滑模面能够收敛； 滑模控制包括切换控制和等效控制两部分，当系统状态远离滑模面时切换控制起作 用，即使系统出现偏差还可以使其回到切换面上；当系统状态到达滑模面时，等效控制起作 用；因此求得离散二阶滑模等效控制Tm e3q为：设计自适应离散二阶滑模趋近律，求得切换控制TmdlsS: Tre-f-dis(k+l) = (CsTL2)-H (l-qTn)A(k)-|Tnsgn(A(k))) (22) 式中，Tn表示采样时间，sgn为符号函数，ξ为自适应系数，选取ξ=|λ㈦1/2; 根据式(21)和式(22)基于离散二阶滑模控制策略求得整车需求转矩为： Tre-f(k+l) =Tre-f-eq(k+l)+Tre-f-dis(k+l) (23)。
【文档编号】G05B13/04GK106019938SQ201610389196
【公开日】2016年10月12日
【申请日】2016年6月3日
【发明人】张袅娜, 李昊林, 王晓东, 魏巍, 李绍松, 王杨, 刘美艳, 周长哲, 矫德强, 孙影, 卢晓晖, 姜春霞
【申请人】长春工业大学