一种长距离高时效经济性巡航车速规划方法与流程

本发明涉及智能交通领域，特别是车辆经济性巡航。

背景技术：

随着智能交通系统的飞速发展，交通信息广泛应用于混合动力汽车的能量管理，拓宽了能量管理策略的应用范围，使其能够适应多种工况，有力推动了相关领域的发展，传统的能量管理策略优化中采用的主流优化方式分为动态规划和模型预测控制两种，学者chengq在其关于生态驾驶辅助系统研究中采用了基于动态规划的车速优化方案(chengq,nouvelierel,orfilao.aneweco-drivingassistancesystemforalightvehicle:energymanagementandspeedoptimization[c]//2013ieeeintelligentvehiclessymposium(iv).ieee,2013:1434-1439.)。为了提高模型准确性，采用了分段建模技术估计车辆油耗，并通过动态规划方法完成了最优车速计算。虽然，本方法最终为车辆节省了20％的燃油消耗，但由于优化过程中所涉及车辆模型较复杂，而基于动态规划的速度规划会受到模型维度的影响，计算时间将随着状态量和控制信号的数量呈指数增长。学者kamalmas根据道路坡度条件设计了一种基于非线性模型预测控制方法的车速优化算法(kamalmas,mukaim,murataj,etal.ecologicalvehiclecontrolonroadswithup-downslopes[j].ieeetransactionsonintelligenttransportationsystems,2011,12(3):783-794.)。优化过程中车辆控制器实时监测车辆状态和道路坡道信息，利用模型预测控制基于燃油消耗模型实时计算车辆最优控制输入，对车辆状态实施动态优化调整。然而，由于每次优化计算的距离较小，不能保证车辆车速在整段道路中的最优。

由此可见，基于动态规划的车速优化的计算实时性不能得到保证使得其在车辆经济性驾驶研究中的应用受到了限制，而基于模型预测控制的车速优化方法无法保证全局最优，两者都有着其不可避免的缺陷，亟需要提出一种满足全局最优，且优化时域长、时效性高的巡航车速规划方法。

技术实现要素：

针对现有技术的局限和改进需求，本发明提出了一种长距离高时效经济性巡航车速规划方法，借助智能交通系统，采用遗传算法对车辆巡航车速进行优化，使得车辆在坡道时变的交通环境下具有较低的燃油耗。

为实现上述内容，本发明采用如下技术方案：

一种长距离高时效经济性巡航车速规划方法，包含如下步骤：

步骤s1：依据行程规划，通过gps和gis获取未来一段距离的道路坐标和海拔信息；

步骤s2：通过复合贝塞尔曲线拟合生成基于道路位置的道路坡度和初始车速曲线；

步骤s3：通过遗传算法随机生成车速曲线，进行燃油耗适应度评估，确定最优车速曲线，储存至车辆控制单元内存中；

步骤s4：车辆控制单元根据实时位置获取最优车速，并进行车速跟踪控制。

进一步地，步骤s1中道路海拔和车速曲线均由多条二阶三次贝塞尔曲线首尾相连拟合而成，单条贝塞尔曲线拟合表达式如下：

式中，pj为二阶控制点(j＝0,1,2,3)，u为取值范围为[0,1]的参数；每一条贝塞尔曲线可视作道路海拔和车速曲线片段。

有限距离道路信息由多段贝塞尔曲线表示为：

(s,z)≡(si(u),zi(u)),i＝0,......,n-1(2)

其中，s和z分别表示道路的位置和海拔，分别由gps和gis获取，道路坡度可由道路海拔换算得到；n表示用于拟合该段道路的贝塞尔曲线总数。通过贝塞尔曲线表示道路信息将离散的坐标点拟合成光滑曲线，有利于车辆对道路信息的调用。

与上述方法相仿，车速曲线表示如下：

(s,v)≡(si(u),vi(u)),i＝0,......,n-1(3)

其中，s、v分别代表沿道路的纵向位置和车速，同理，车速也可表示为v＝v(s)。通过贝塞尔曲线表示车速将离散的坐标点拟合成光滑速度曲线，有利于车辆依据自身位置查询其对应的最优速度曲线。

进一步地，所述步骤s3提出的遗传优化算法包含如下步骤：

s31：编码及种群初始化，定义种群中有m个个体，每个个体代表一条备选车速曲线，以固定车速曲线作为初始种群，每个个体的染色体个数为n，每个染色体代表一条由二阶三次贝塞尔曲线拟合得到的车速曲线片段，采用浮点数方式进行染色体编码，每个编码ci,j代表第i条贝塞尔曲线(i＝1,2,…,n-1)中的控制点pj(j＝0,1,2,3)，基于复合贝塞尔曲线的车速编码与解码需满足以下两个条件：

r1：在遗传算法优化过程中，解码后的车速曲线片段与前一片段在位置上必须是连续的，即连续两条贝塞尔曲线必须首尾相连，其控制表达式为：

ci,3＝ci+1,0,i＝0,...,n-1(4)

r2：解码后的车速曲线片段与前一片段必须连续可微，确保在染色体交叉和变异之后的车速曲线依然是平滑的，即：

ci,3-ci,2＝ci+1,1-ci+1,0,i＝0,...,n-1(5)

综合上述两个条件，染色体编码的长度为4+2(n-1)＝2n+2；

s32：进化操作，分别采用随机竞争选择、多点交叉和高斯近似变异算法；

s33：适应度函数，在个体适应度的评估过程中，由于每一次迭代计算后车速曲线已知，由纵向动力学模型计算发动机燃油耗，并将累计燃油耗的倒数作为适应度值，在优化过程中，采用罚函数法进行约束处理；

s34：新种群生成：种群g(t)经过步骤s32中的选择、交叉、变异后得到下一代群体g(t+1)；

s35：终止条件判断：若迭代次数t小于上限t，则返回步骤s32；反之则输出进化过程中具有最大适应度的个体；

s36：最优车速序列保存。

进一步地，步骤s33所述发动机燃油耗评价模型包含车辆逆纵向动力学模型：

式中，m为车辆质量，由于k位置处的车速v(s)k和坡度α(s)k已知，结合车辆相关参数，可计算得到制动力fb、空气阻力fa、滚动阻力fr和坡道阻力fg，进而计算车辆驱动力fe，然后，通过式(7)和式(8)计算发动机转速ωe和转矩te，

式中，ig为变速器传动比，根据车速和换挡规律确定；i0为主减速比；r为车轮半径；ηt为传动系机械效率，由于发动机转速、转矩、油耗以三维脉普图形式存储于发动机控制单元内存中，可通过查表方法获取发动机燃油耗q。

通过式(6)至式(8)的迭代计算可获得所优化路段的发动机累计燃油耗q，并作为本次迭代计算的适应度值。

进一步地，步骤s33所述罚函数为：

式中，cv为可标定常数；vmax为车速上限，如果违反了上述约束条件，则将适应度值乘以小于1的惩罚项。

进一步地，步骤s36所保存的最优车速序列包含车速和位置信息，并以二维脉普图的形式储存于整车控制单元内存中，车辆行驶时可根据实时位置，采用线性插值查表的方式获取瞬时最优车速。保证了车辆在任何位置都能找到与之对应的最优速度值。

进一步地，步骤s4采用pid进行最优车速跟踪，其控制输出为：

式中，kp，ki，kd为比例、积分、微分系数；e(t)＝v(s(t))^*-v(t)表示跟踪误差，v(s(t))^*表示通过查表得到的t时刻(对应位置s(t))最优车速，v(t)表示t时刻实际车速。作为经典控制方法，不需要建立复杂车辆模型，结构简单，可靠性高。

本发明的有益效果：

1.本发明提出了一种采用复合贝塞尔曲线进行位置、坡度、车速信息拟合处理的方法。车辆行驶时可根据实时位置，采用线性插值查表的方式获取瞬时车速。由于最优车速只与位置相关，与时间解耦，因此可以有效避免由于交通堵塞引起的车速跟踪误差；

2.本发明提出了一种基于遗传算法的长距离高时效经济性巡航车速规划方法，用种群表征车速曲线，通过选择、交叉、变异等操作，随机生成备选车速曲线，以累计燃油耗作为适应度值，对备选车速曲线进行评估，避免了动态规划引起的维数灾难和计算时效问题以及模型预测控制引起的局部最优问题，大大降低了算法复杂度、提升了优化距离和计算实时性。

附图说明

图1是经济性巡航车速规划流程图；

图2是复合贝塞尔曲线拟合生成的车速曲线；

图3是遗传算法流程示意图；

图4是不同进化代数下所生成的车速曲线；

图5是不同进化代数下的车辆累计燃油耗。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本发明提出了一种长距离高时效经济性巡航车速规划方法，包含如下步骤：

步骤s1：依据行程规划，通过gps和gis获取未来10km的道路坐标和海拔信息；

步骤s2：通过复合贝塞尔曲线拟合生成基于坐标的道路坡度和初始车速曲线；

步骤s3：通过遗传算法随机生成车速曲线，进行燃油耗适应度评估，确定最优车速曲线，储存至车辆控制单元内存中；

步骤s4：车辆控制单元根据实时位置获取最优车速，并进行车速跟踪控制。

在本实施例中，步骤s1中道路海拔和车速曲线均由多条二阶三次贝塞尔曲线首尾相连拟合而成。10km的道路信息由多段贝塞尔曲线表示为：

(s,z)≡(si(u),zi(u)),i＝0,......,n-1(2)

其中，s和z分别表示道路的位置和海拔，分别由gps和gis获取，道路坡度可由道路海拔换算得到；n表示用于拟合该段道路的贝塞尔曲线总数。

如图2所示，在本实施例中，车速曲线的表述方法与上文相仿：

(s,v)≡(si(u),vi(u)),i＝0,……,n-1(3)

其中，s、v分别代表沿道路的纵向位置和车速。同理，车速也可表示为v＝v(s)。

如图3所示，在本实施例中，所述步骤s3提出的遗传优化算法包含如下步骤：

s31：编码及种群初始化。定义种群中有m个个体，每个个体代表一条遗传算法所生成的备选车速曲线。可以将固定车速曲线80km/h(可理解为一条直线)作为初始种群，也可以将随机车速曲线作为初始种群。每个个体的染色体个数为n，每个染色体代表一条由二阶三次贝塞尔曲线拟合得到的车速曲线片段。采用浮点数方式进行染色体编码，每个编码ci,j代表第i条贝塞尔曲线(i＝1,2,…,n-1)中的控制点pj(j＝0,1,2,3)。

s32：进化操作。分别采用随机竞争选择、多点交叉和高斯近似变异算法。

s33：适应度函数。在个体适应度的评估过程中，由于每一次迭代计算后车速曲线已知，由纵向动力学模型计算发动机燃油耗，并将累计燃油耗的倒数作为适应度值。在优化过程中，采用罚函数法进行约束处理。

s34：新种群生成：种群g(t)经过步骤s32中的选择、交叉、变异后得到下一代群体g(t+1)。

s35：终止条件判断：若迭代次数t小于上限t，则返回步骤s32；反之则输出进化过程中具有最大适应度的个体。

s36：最优车速序列保存。

在本实施例中，步骤s31中基于复合贝塞尔曲线的车速编码与解码需满足以下两个条件：

r1：在遗传算法优化过程中，解码后的车速曲线片段与前一片段在位置上必须是连续的，即连续两条贝塞尔曲线必须首尾相连，其控制表达式为：

ci,3＝ci+1,0,i＝0,...,n-1(4)

r2：解码后的车速曲线片段与前一片段必须连续可微，确保在染色体交叉和变异之后的车速曲线依然是平滑的，即：

ci,3-ci,2＝ci+1,1-ci+1,0,i＝0,...,n-1(5)

综合上述两个条件，染色体编码的长度为4+2(n-1)＝2n+2。

如图4所示，通过遗传算法迭代计算将产生多条备选车速曲线，图中显示了第1、2、67、100代种群经过解码后生成的备选车速曲线。

在本实施例中，步骤s33所述发动机燃油耗评价模型包含车辆逆纵向动力学模型：

式中，m为车辆质量。由于k位置处的车速v(s)k和坡度α(s)k已知，结合车辆相关参数以及公式(7)～(10)，可计算得到车辆制动力fb、空气阻力fa、滚动阻力fr和坡道阻力fg，进而反推车辆驱动力fe。

fb＝ηbfbrakecosα(7)

fa＝0.5cdρav²(8)

fr＝mgfcosα(9)

fg＝mgsinα(10)

式中，ηb为制动效率；fbrake为制动系统所能提供最大值动力；cd为空气阻力系数；ρ为空气密度；a为车辆迎风面积；f为道路滚动阻力系数。

在本实施例中，当fe已知时，通过式(11)和式(12)计算发动机转速ωe和转矩te。

其中，ig为变速器传动比，根据车速和换挡规律确定；i0为主减速比；r为车轮半径；ηt为传动系机械效率。

在本实施例中，由于发动机转速、转矩、油耗以三维脉普图形式存储于发动机控制单元内存中，可通过查表方法获取发动机燃油耗q。

在本实施例中，通过式(6)至式(12)的迭代计算可获得所优化路段，即行驶10km道路的发动机累计燃油耗q，并将其倒数作为本次迭代计算的适应度值。

如图5所示，当种群进化代数设置为200，采用遗传算法获得备选车速曲线后计算得到的车辆累计燃油耗。可以发现，随着进化代数的增加，车辆累计燃油耗逐渐降低，到200代终止时达到最低。此外，采用定速巡航作为初始化种群所获得最低燃油耗较采用随机车速获得的燃油耗低5.6％。

在本实施例中，步骤s33所述罚函数为：

式中，cv为可标定常数；vmax为车速上限。如果违反了上述约束条件，则将适应度值乘以小于1的惩罚项。

在本实施例中，步骤s36所保存的最优车速序列包含车速和位置信息，并以二维脉普图的形式储存于整车控制单元内存中。车辆行驶时可根据实时位置，采用线性插值查表的方式获取瞬时最优车速。由于最优车速只与位置相关，与时间解耦，因此可以有效避免由于交通堵塞引起的车速跟踪误差。

在本实施例中，步骤s4采用pid进行最优车速跟踪，其控制输出为：

式中，kp，ki，kd为比例、积分、微分系数；e(t)＝v(s(t))^*-v(t)表示跟踪误差，其中，其中，v(s(t))^*表示通过查表得到的t时刻(对应位置s(t))下的最优车速，v(t)表示t时刻的实际车速。