一种基于主观危险感知的跟驰模型稳定性控制方法与流程

本发明涉及的是一种用于自动化控制和车辆工程技术领域的方法，具体是针对车辆跟驰过程中信息获取的不确定性，基于主观风险感知跟驰模型提出了一种滑膜控制方法，来提高车辆队列的稳定性，此方法可广泛应用于自适应巡航控制、自动驾驶等领域。

背景技术：

跟车是城市道路或高速公路上一种最普通的驾驶行为。一直以来，跟车模型被用来描述后车跟随前车的运动。由于交通流的不稳定性与驾驶人的驾驶行为有关，因此，车辆跟驰研究是以车辆队列中个体车辆的驾驶行为为主。通常，当一个驾驶员主观感觉自车与其前车的距离变大(或变小)时,将加速(或减速)。假定同质车辆在无界且足够长的单行道上队列行驶时，互相间不能超车，传统的车辆跟驰理论认为：每个驾驶员以某种方式对来自于其前车的刺激进行反应，这种刺激往往被描述成车辆加速度的形式。从现有的技术文献检索发现，对后车加速度影响的刺激因素主要包括两车间的速度差、车头间距、前车速度和前车加速度等因素。而由这些刺激因素构建的一种加速度变化方程称之为跟车模型，来描述后车跟随前车的运动过程。

1958年，chandler等人提出了线性跟车模型，用自车与前车在(t-τ)时刻的速度差来控制目标车辆在t时刻的加速度变化(τ是驾驶员的反应时间)。但是该模型由于过于简单无法描述实际的交通现象。1961年gazis等人在此方法的基础上，进一步考虑了自车速度、自车与前车在(t-τ)时刻的车头间距，提出了非线性ghr(gazis-herman-rothery)模型，该模型的参数能很容易地用速度-密度关系图来估计，也能较准确的描述实际的交通现象，但模型对两车的速度差有较高的敏感性。随后，针对驾驶行为特性不同考虑的缘由，各种ghr拓展模型被提出，并在各模型参数的标定和验证上做了大量工作。在1995年，bando等人基于驾驶员期望维持一个最优速度在跟车过程中这一假设，提出了用t时刻车辆的实际车速与其优化速度之差来控制(t+τ)时刻的加速度变化，称之为ov模型(optimalvelocitymodel)。为了克服ov模型加速度过大和不切实际的减速度等缺陷，helbing和tilch提出了一种广义力模型(generalizedforcemodel)，虽然该模型模拟的结果比ov模型结果更符合实测数据，但是仍然存在不切实际的加速度。于是2001年姜锐提出了一种全速度差控制(fullvelocitydifferencemodel)模型，既保留了广义力模型的优点，又克服了不切实际的加减速度。随之智能交通的发展，智能驾驶员模型(intelligentdrivermodel)被提出，并广泛的应用于自适应巡航控制和智能交通系统中。经过对现有技术文献的检索发现，基于ov，fvd，ghr和idm及其扩展模型被广泛的提出，来研究驾驶行为或者交通环境因素对交通流的稳定性的影响。虽然已有的大多数跟车模型能够有效的模拟实际场景下驾驶员的跟驰行为，但是车辆以某种方式跟随的原因可能尚不清楚。通常，在实际交通中，驾驶行为由驾驶员的主观风险感知决定的。因此，基于风险动态平衡理论，我们提出了一种期望安全裕度跟车模型(desiredsafetymarginmodel)，这个概念不仅能够通过加减速敏感系数、驾驶员的反应时间以及驾驶员期望的安全裕度上下限来模拟驾驶员的生理和心理特性，而且能够提供一种新的方式揭示跟车过程，并在2014年，将此dsm模型作为跟车策略应用于网联车的防追尾系统中。然而，当网联车处于自动驾驶状态时，自车会根据感知的安全裕度来调整其速度，而感知的车辆信息都是从车载传感器获得的。而由于传感器误差、通信时延、gps误差或设备故障、交通环境等因素的存在，使得这种不确定的交通环境和车辆系统的感知误差将影响着车辆的决策，进而影响到车辆队列的稳定性。

技术实现要素：

针对以上技术的不足，本发明给出了一种基于主观危险感知跟驰模型的稳定性控制方法。使其车辆在跟驰过程中信息获取的不确定性，在我们设计的滑膜控制方法下，能够有效的提高交通流的稳定性与安全性。

本发明通过以下技术方案实现，具体步骤如下：

(1)交通情景设定，通过运动可控的引导车来设定需要模拟的交通情景。

(2)选取参数值，根据设定的交通情景选取参数的取值，包括车辆感知安全裕度扰动水平ξ、车辆系统响应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、滑膜控制器的可调增益参数k和经过标定的加速度敏感系数α、期望安全裕度smd。

(3)获取所有车辆的初始状态。

(4)仿真模拟t＞0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照带有系统扰动水平的dsm跟驰模型运行，对比引入滑膜控制策略的dsm跟驰模型，来考察所有t＞0时所有车辆的运动状态。

所述的一种基于主观危险感知跟驰模型的稳定性控制方法，其运动方程：

其中，sn(t)＝xn-1(t)-xn(t)-l，n＝1,2,…,n；sgn(·)是符号函数，自变量为正数时取1，0取0，负数取-1；s*和v*是在感知安全裕度扰动下达到稳态均匀流时两车之间的间隔和期望车速，分别设为40m和20m/s²；un(t)是滑膜控制项；滑膜控制器的可调增益参数k设为0.05；感知安全裕度的扰动水平ξ可取-0.02或0.02；车长l设为5m；加速度敏感系数α＝25m/s²；期望安全裕度smd＝0.9；其他参数d＝7.5m/s²；τ1＝0.15s；τ＝0.4s；k1＝0.01；ρ＝0.1；γ＝0.2。

所有车辆的速度和位置按照如下规则进行更新，其计算公式为：

速度：vn(t)＝vn(t-δt)+a(t-δt)×δt,n＝1,2,…n；

位置：

其中，δt为加速度调节时间。

与dsm模型相比，本发明中车辆跟驰运动加速度控制方法的运动方程加入了滑膜控制项(即运动方程的第二项un(t))。由于在考虑实际交通中车辆信息采集系统会受到外界和自身传感系统的影响，使得车辆运动信息出现感知误差，在期望安全感知跟驰模型的基础上，我们引入了感知安全裕度扰动水平来表征这种不确定的影响。与无控制策略相比，我们在期望安全裕度跟驰模型基础上，提出的滑模控制方法能有效地使外界扰动逐渐消失，使交通流更加均匀，防止出现车辆“时走时停”等交通拥堵现象。本发明将有助于在外界因素对acc或车辆队列控制产生干扰时，促使扰动逐渐被消散，以车辆队列的稳定性和安全性。

附图说明

图1本发明实施例中车辆队列跟驰运动示意图；

图2考虑感知安全裕度扰动水平为0.02，运用本发明所提出的带有滑膜控制方法的dsm跟驰模型与原始dsm跟驰模型稳定性对比图：(a)速度的时空演化图(原始dsm模型)；(b)速度的时空演化图(带有滑膜控制方法的dsm模型)；(c)所有车辆在t＝500s和t＝1000s时刻车头间距图(原始dsm模型)；(d)所有车辆在t＝500s和t＝1000s时刻车头间距图(带有滑膜控制方法的dsm模型)

图3考虑感知安全裕度扰动水平为0，运用本发明所提出的带有滑膜控制方法的dsm跟驰模型与原始dsm跟驰模型稳定性对比图：(a)速度的时空演化图(原始dsm模型)；(b)速度的时空演化图(带有滑膜控制方法的dsm模型)；(c)所有车辆在t＝500s和t＝1000s时刻车头间距图(原始dsm模型)；(d)所有车辆在t＝500s和t＝1000s时刻车头间距图(带有滑膜控制方法的dsm模型)

图4考虑感知安全裕度扰动水平为-0.02，运用本发明所提出的带有滑膜控制方法的dsm跟驰模型与原始dsm跟驰模型稳定性对比图：(a)速度的时空演化图(原始dsm模型)；(b)速度的时空演化图(带有滑膜控制方法的dsm模型)；(c)所有车辆在t＝500s和t＝1000s时刻车头间距图(原始dsm模型)；(d)所有车辆在t＝500s和t＝1000s时刻车头间距图(带有滑膜控制方法的dsm模型)

图5在感知安全裕度扰动水平为0.02，0和-0.02下，第50辆车的磁滞回线对比图：(a)无滑膜控制；(b)带有滑膜控制

具体实施方式

下面将结合附图及实施例对本发明做进一步的详细说明。

本发明是在考虑车辆信息存在扰动的情况下，基于期望安全裕度跟驰模型，引入一种滑膜控制策略来稳定队列稳定性的方法，具体步骤如下：

(1)建立考虑感知安全裕度扰动水平的dsm跟驰模型：

式中，α是驾驶员的反应敏感系数，vn(t)是车辆n在t时刻的速度，l为车辆的长度，xn(t)是车辆n在t时刻的位置，smd是驾驶员的期望安全裕度，d是车辆最大制动加速度，ξ是系统扰动水平，an(t)是车辆n在t时刻的加速度，τ是车辆系统的响应时间。

(2)设计滑膜控制策略：

式中，是滑膜切片，un(t)是车辆n在t时刻的滑膜控制项，sn(t)＝xn-1(t)-xn(t)-l是相邻两车之间的间隔，sgn(·)是符号函数，s^*和v^*是在感知安全裕度扰动下达到稳态均匀流时两车之间的间隔和期望车速，k是滑膜控制器的可调增益参数，k1，γ和ρ为正实数。

(3)带有滑膜控制策略的dsm跟驰模型：

(4)根据dsm跟驰模型，得出模型线性稳定性条件，在(τ,α)的二维相平面上绘制出模型在不同系统扰动下模型稳定性区域和不稳定区域的分界线。

(5)设定的交通场景，有n＝50辆车以车头间距为l＝40m均匀的分布在同一车道上。设初始时刻头车出现了一个小的扰动，头车编号为1，其他车按行驶方向依次编号。

(6)车辆初始状态的速度和位置如下：

式中，是头车在时刻一个小的加速度扰动，设其服从5×10^-2×u(-1,1)的均匀随机分布。

(7)带有滑膜控制策略的跟驰模型参数取值：

车辆感知安全裕度扰动水平ξ：-0.02,0和0.02；

车辆系统响应时间τ：0.4s；

车辆紧急制动反应时间τ1：0.15s；

车辆制动最大减速度d：7.5m/s²；

滑膜控制器的可调增益参数k：

加速度敏感系数α：25m/s²；

期望安全裕度smd：0.9；

滑膜控制器的可调增益参数k：0.05；

车辆长度l：5m；

其他常参量：k1＝0.01；ρ＝0.1；γ＝0.2。

图2是所有车辆在系统扰动水平为0.02时速度时空对比图和在t＝500s和t＝1000s时刻的所有车辆车头间距对比图，从图2(a)可以看出，在没有滑膜控制策略的情况下，所有车辆的速度变化很大，而图2(b)显示当dsm模型引入滑膜控制策略时，所有车辆的速度几乎保持不变。同样地，从图2(c)可以看出，在没有滑膜控制策略的情况下，所有车辆的车头间距有较大的波动，而dsm模型加入我们提出的滑膜控制策略时，所有车辆的车头间距的波动微乎其微(如图2(c)所示)。

图3当车辆不存在系统扰动时，即扰动水平为0，此时通过图3(a)和3(b)速度时空演化图对比可发现，在本发明所提出的带有滑膜控制方法的dsm跟驰模型下，所有车辆的速度几乎没有变化，而在没有滑膜控制策略下，所有车辆的速度变化很大；我们取t＝500s和t＝1000s，如图3(c)和3(d)对比车头间距的变化，发现引入滑膜控制方法的dsm跟驰模型下，所有车辆的车头时距变化很小，相反，所有车辆的车头间距波动较大。

图4是所有车辆在系统扰动水平为-0.02时速度时空对比图和在t＝500s和t＝1000s时刻的所有车辆车头间距对比图，从图4(a)可以看出，在没有引入滑膜控制策略时，随着车辆数的增加车辆的速度的波动幅度逐渐增大，而如图4(b)所示，当dsm模型引入滑膜控制策略时，所有车辆的速度几乎保持不变。其次，从图4(c)和4(d)所有车辆车头间距对比图可以发现，当dsm模型没有引入滑膜控制时，随着车辆数的增加其车头间距的变化逐渐增大，而当dsm模型加入我们提出的滑膜控制策略时，所有车辆的车头间距几乎保持不变。

图5当dsm模型没有引入滑膜控制时，无论有没有感知安全裕度扰动水平，我们观察到第50辆车的磁滞回线呈现一个类似椭圆型的曲线(图5(a))，然而当dsm模型引入我们提出的滑膜控制策略时，从图5(b)可以发现，第50辆车的磁滞回线退化成一个点，说明了滑膜控制策略能够提高队列稳定性。