本发明涉及网联车辆队列系统，特别是一种基于数据驱动的网联车辆队列系统模型预测控制方法。
背景技术：
1、随着人工智能和信息通信技术的快速发展，“智能化”和“网联化”两大技术在汽车领域呈现融合趋势，网联车辆队列是一种先进的自动驾驶技术，它利用车联网技术使得多辆车能够以一种高效、安全的方式成队行驶。在一定程度上提高交通效率，增强道路安全，降低燃料消耗。
2、近年来，网联车辆队列的研究取得了许多有意义的成果。鉴于模型预测控制算法(mpc)在处理多约束优化和复杂系统方面的优势，目前模型预测控制算法已成为网联车辆队列系统控制的主流技术之一。但是，目前大多数相关研究需要预先通过第一原理建立具体的车辆模型，实际工程中车辆模型是复杂的且模型是非线性的，很难做到精确建模。同时一些研究为了便于控制器设计，采取了一些线性化技术对系统模型进行线性近似，这牺牲一部分非线性特性，导致控制效果不佳。
3、随着人工智能技术在各个领域蓬勃发展，数据驱动控制也逐渐成为一个研究热点。对于受控系统，在足够多的数据支持下，可以通过机器学习技术构建一个精确的数据驱动模型。对于非线性系统，绝大多数的数据驱动建模方法都可以得到一个精度较高的非线性模型。但需要注意的是，对于mpc算法来说，非线性模型作为模型约束也就意味着会带来非凸优化问题，相比于线性模型约束下的凸优化问题求解，同等算力下需要花更多时间去求解一个非凸的优化问题，这降低了一定控制实时性。
技术实现思路
1、为解决现有技术中存在的问题，本发明的目的是提供一种基于数据驱动的网联车辆队列系统模型预测控制方法，本发明通过koopman算子理论和深度学习的结合，实现将非线性模型重构为一个高维的线性数据驱动模型；然后设计了一种分布式mpc算法，它针对的是非线性的被控系统，但是在求解mpc优化问题时，模型约束使用的是重构的线性模型，避免了非线性模型约束带来的非凸优化问题求解。
2、为实现上述目的，本发明采用的技术方案是：一种基于数据驱动的网联车辆队列系统模型预测控制方法，包括以下步骤：
3、步骤1、获取车辆队列系统中不同车型的运动数据集；
4、步骤2、结合深度学习和koopman算子理论对车辆队列中车辆的纵向动力学进行数据驱动建模，得到数据驱动模型；
5、步骤3、确定通信拓扑结构和系统控制目标；
6、步骤4、基于数据驱动模型，设计分布式模型预测控制算法，实现控制器设计，最终实现车辆队列系统保持期望目标稳定行驶。
7、作为本发明的进一步改进，所述步骤1具体如下：
8、根据不同的车辆类型，部署相应的传感器和采集单元，采集相应的速度、位置、加速度和发动机扭矩数据；同时完成数据清洗，平滑噪声数据，处理缺失值和异常值，确保数据的质量和一致性，数据清洗包括删除无关数据和重复数据。
9、作为本发明的进一步改进，所述步骤2具体如下：
10、对在平直道路上行驶的车辆队列，共包含一辆有人驾驶的车辆和n辆自动驾驶的网联车辆；对于网联车辆，第i辆车k时刻的状态量定义为xi(k)＝[pi(k),vi(k),ai(k)]t,其中p、v、a分别表示车辆的位置、速度和加速度信息；从而将车辆的非线性纵向动力学模型写成式(1)所示离散形式：
11、xi(k+1)＝fi(xi(k),ui(k)) (1)
12、其中u表示控制输入，为车辆的制动/驱动扭矩；f为未知的非线性函数；采用koopman算子理论将非线性模型重构为高维空间下的线性模型，如式(2)所示：
13、zi(k+1)＝ki(zi(k),ui(k)) (2)
14、其中：
15、zi(k)＝gi(xi(k))
16、
17、通过神经网络拟合一个矩阵来近似koopman算子ki，同时通过训练网络参数来寻求合适的本征函数g和映射变换g-1。
18、作为本发明的进一步改进，所述神经网络包括编码网络、预测网络和解码网络；其中：编码网络将状态量从原始空间升维、重构到高维空间，其输入输出关系如下式(3)所示：
19、
20、编码网络输入为原始状态量，经过一个多层的全连接网络输出，θen为对应的权重和偏置网络参数；最终整个编码网络的输出zi(k)由原始状态和多层网络输出拼接成一个张量；
21、预测网络实现在高维空间下，随着时间的演变，重构后的模型的状态变换过程，预测网络的输入输出关系如式(4)所示：
22、
23、
24、
25、其中fi为有限维的矩阵，为koopman算子的近似，令fi＝[ai,bi]，对应的θa,θb为预测网络的参数，同样包含了网络的权重和偏置；
26、最终解码网络将高维空间下的状态量映射回原始空间，其输入输出关系如式(5)所示：
27、
28、其中θde为解码网络的参数，输入高维状态量zi(k)，通过多层全连接的网络输出，最终得到原始状态量xi(k)，定义c矩阵来表示这一过程。
29、作为本发明的进一步改进，根据网络的参数得出高维空间下重构的线性模型如式(6)所示：
30、
31、损失函数采用的是多步损失函数，在给定数据集后，首先计算一个长度为m的网络的输出，如式(7)所示：
32、
33、表示为k时刻往后推进m个时间步得到k+m时刻的状态信息；然后，以均方差形式定义了如式(8)所示的损失函数用以描述网络对未来状态变量预测的误差：
34、
35、为了使得网络有更高精度的编码、解码性能，定义式(9)所示损失函数描述了编码后重建误差损失：
36、
37、为了使得系统重构后，在高维的线性空间下能有更好的线性演变能力，给出式(10)所示的损失函数：
38、
39、为了保证算法的鲁棒性，给出了如式(11)所示的的损失函数：
40、
41、基于给出的损失函数，整个网络的损失函数如式(12)所示：
42、
43、其中对于θen和θde的惩罚是为了防止过拟合，α1～α6为折扣因子。
44、作为本发明的进一步改进，在步骤3中，系统控制目标是希望队列中的所有车辆保持期望间距匀速行驶，具体数学表述如式(13)所示：
45、
46、其中ddes为期望车间距，采用的是恒定间距策略，n为网联车辆的数量；
47、基于控制目标，通信拓扑设计为后车只接受前车的状态信息的单向拓扑结构。
48、作为本发明的进一步改进，所述步骤4具体如下：
49、根据控制目标，对于任意队列中的车辆，根据其邻居车辆的状态信息建立mpc优化问题，模型约束为数据驱动模型；
50、在每个离散周期内，接受邻居车辆的状态信息，求解优化问题，得出最优的控制量序列和最优的状态量序列，同时将本地的最优状态信息给邻居车辆；
51、最终用最优的控制序列的第一个用作实际控制，如此循环，最终实现车辆队列按照期望目标安全行驶。
52、作为本发明的进一步改进，依据控制目标，在t时刻建立如下分布式mpc的优化问题fi：
53、
54、其中np表示预测时域，表示为t时刻预测的t+k时刻的状态量；xref(k|t)为有人驾驶的车辆状态轨迹；约束(14a)，(14b)为数据驱动模型的约束，(14c)，(14d)和(14e)则为状态量和控制量的约束；
55、表示与节点i建立通信的邻居节点的假设状态信息，通过一个集合表示所有与i建立通信链路的车辆节点集合；具体的由式(15)给出：
56、
57、求解优化问题得到t时刻的一个最优控制序列与之对应的最优状态序列表示为最终只使用用作t时刻的实际控制量，在t+1时刻，继续进行滚动优化。
58、本发明的有益效果是：
59、网联车辆队列是一种先进的自动驾驶技术，它的主要目标是使得多辆车能够以一种高效、安全的方式成队行驶，从而提高交通效率，增强道路安全，降低燃料消耗。本发明提出了一种数据驱动建模结合分布式mpc的控制算法。首先采用深度koopman算子技术建立了车辆的数据驱动模型，然后利用该模型构建分布式mpc优化问题，运算求解得到控制输入，解决了车辆队列直线上的保持期望距离和速度追踪问题。与现有方法相比，车辆模型是依据深度koopman算子技术通过神经网络拟合而成，避免了第一原理建模带来的建模困难且不精确问题的同时实现了对车辆非线性模型的重构和队列系统分布式控制器的设计；仿真结果表明，所设计的方法能够到达控制目标。