CN106502098A - 一种基于车联网的最优车速闭环快速预测控制方法及装置 - Google Patents
一种基于车联网的最优车速闭环快速预测控制方法及装置 Download PDFInfo
- Publication number
- CN106502098A CN106502098A CN201611028927.1A CN201611028927A CN106502098A CN 106502098 A CN106502098 A CN 106502098A CN 201611028927 A CN201611028927 A CN 201611028927A CN 106502098 A CN106502098 A CN 106502098A
- Authority
- CN
- China
- Prior art keywords
- speed
- target vehicle
- mpc
- optimum
- car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于车联网的最优车速闭环快速预测控制方法及装置,基于包含驱动效率的燃油消耗模型和预设驱动效率计算预设一个MPC时间窗口的目标车辆的车速序列,并发送至对应的目标车辆。目标车辆根据所述车速序列进行最优燃油经济性控制,并根据车速序列计算预设时段平均驱动效率并反馈给包含驱动效率的燃油消耗模型。燃油消耗模型将预设时段平均驱动效率作为预设驱动效率,计算下一个时间窗口内的最优目标车速。如此往复,直至整个预测时间长度内目标车辆的车速序列计算完毕。应用本发明实施例,通过周期性的效率反馈,将已有的开环车速预测控制变为闭环的预测控制,提高了燃油经济性。
Description
技术领域
本发明涉及车联网领域,特别涉及一种基于车联网的最优车速闭环快速预测控制方法及装置。
背景技术
当今全球范围内汽车产销量和保有量正迅猛增长,由此导致的石油资源过度消耗、大气污染、交通拥堵及汽车行驶安全等问题日益严重,节能、环保、安全成为当今汽车工业发展的三大主题。在此背景下,新能源汽车、车联网以及无人驾驶等技术受到广泛的关注。
在车联网环境下,车和车以及车与交通设施之间可以实现实时通信,每辆车的车速和位置都能实时获取,可以采用模型预测(model predictive control,MPC)算法,预测未来一段时间内车辆的最优经济车速。Kundu S等研究了包含多辆车和多个交叉路口的汽车队列模型,提出一种基于车车通信/车与交通设施通信的“经济驾驶”控制方法。Mahler G等研究了基于交通信号灯正时(signal phase and timing,SPAT)的最优预测车速规划算法以提高汽车的燃油经济性。Mandava S等研究了可以提高汽车在绿灯时通过交通信号灯概率的最优车速规划算法,进行了燃油经济性和排放的多目标优化。HomChaudhuri B等研究了车联网环境下汽车最优车速预测算法,基于SPAT得到目标车速范围并采用MPC求解给定时间窗口的最优目标车速。然而,目前一般采用开环的分层控制方法得到最优经济车速,且MPC求解算法效率较低,难以实现实时控制,不利于提高燃油经济性能。
发明内容
本发明实施例的目的在于提供一种基于车联网的最优目标车速快速闭环模型预测控制方法及装置,通过周期性的效率反馈,将原来开环的车速预测控制变为闭环的预测控制,以提高燃油经济性。
为达到上述目的,本发明实施例公开了一种基于车联网的最优车速闭环快速预测控制方法,包括如下步骤:
步骤(1)、根据包含驱动效率的燃油消耗模型和预设驱动效率计算预设数量个MPC时间窗口的目标车辆的车速序列,并发送至所述目标车辆,其中,所述车速序列中的 每一个车速与所述目标车辆对应;
其中,所述包含驱动效率的燃油消耗模型其表达式为:
式中:Si为汽车行驶的路程;为燃油消耗率;ηieff为驱动效率;HLHV为汽油的热值;Pireq为整车需求功率;n为道路上汽车的数量;tf为终止时刻,CD为空气阻力系数;ρa为空气密度;Af汽车的迎风面积;μ为滚动阻力系数;θ为坡度,vi(t)为所述目标车辆i在t时刻的车速;ui(t)为t时刻的车辆加速度;
步骤(2)、所述目标车辆根据所述车速序列进行最优燃油经济性控制,并根据所述车速序列计算预设时段平均驱动效率并反馈给包含驱动效率的燃油消耗模型;
步骤(3)、将所述预设时段平均驱动效率作为预设驱动效率,返回步骤(1)继续执行,直至全时段所述目标车辆的车速序列计算完毕。
作为上述方案的进一步优化,步骤(1)包括如下步骤:
(11)计算目标车速范围的上限和下限;为了减少或者避免车辆红灯怠速;
(12)基于近似油耗计算模型,判断油耗最低时成立的条件,求解最优控制变量;
(13)基于最优控制变量,给出目标车速的求解模型;
(14)基于目标车速和车辆位置,构建MPC目标函数;
(15)通过快速模型预测求解MPC目标函数,求出MPC预测时间窗口的最优目标车速。
作为上述方案的进一步优化,MPC目标函数的表达式:
其中,αk(k=1,2,3,4)为权值系数;vi min、vi max分别为城市道路条件下车辆允许的最小和最大车速;ui min、ui max分别为最小和最大加速度;th为预先设定的行车间隔时间;S0为安全距离;T为MPC时间长度;δt为迭代步长。
作为上述方案的进一步优化,基于近似油耗计算模型,判断油耗最低时,令车辆匀速巡航,则纵向加速度系数ai(t)为零;最优加速度表示为:
式中,uid为最优加速度。
作为上述方案的进一步优化,目标车速的求解模型:
sij(t)=si(t)-sj(t)
vil(t)≤viobj(t)≤vih(t)
其中,式中,α0及s0均为预先设定的常数;sij为车i及紧随其后的车j之间的相对距离;si和sj分别为i车和j车的位置;Δvijobj为车j及其前车i的相对车速;vid(t)为t时刻车i的初始目标车速;viobj(t)为t时刻车i的目标车速;为最优巡航车速。
作为上述方案的进一步优化,计算目标车速范围的上限和下限:
式中,vil和vih为分别目标车速范围的下限和上限;dia(td)为td时刻第i辆车的与交通信号灯a的距离;Kw为信号灯的循环次数;tg、tr分别为绿灯和红灯持续的时间;tc为一个红、绿灯循环的周期,等于红灯和绿灯持续的时间之和;vimax为城市道路条件下汽车的最大允许车速。
本发明还给出了一种基于车联网的最优车速闭环快速预测控制装置,包括云端服务器,若干上层控制器,若干下层控制器,上层控制器与下层控制器对应通信连接,所述云端服务器与上层控制器、下层控制器通信连接,所述上层控制器与下层控制器与对应的目标车辆通信连接,
(71)上层控制器根据包含驱动效率的燃油消耗模型和预设驱动效率计算一个MPC时间窗口的目标车辆的车速序列;
(72)对应的下层控制器根据目标车辆对应的最优目标车速计算平均驱动效率并反馈给上层控制器;
(73)上层控制器自动将上一个MPC时间窗口的平均驱动效率更新为下一个MPC时间窗口的预设驱动效率,返回步骤(71)继续执行,直至全时段目标车辆的车速序列计算完毕。
作为上述方案的进一步优化,步骤(1)包括如下步骤:
(11)计算目标车速范围的上限和下限;为了减少或者避免车辆红灯怠速;
(12)基于近似油耗计算模型,判断油耗最低时成立的条件,求解最优控制变量;
(13)基于最优控制变量,给出目标车速的求解模型;
(14)基于目标车速和车辆位置,构建MPC目标函数;
(15)通过快速模型预测求解MPC目标函数,求出MPC预测时间窗口的最优目标车速。
作为上述方案的进一步优化,MPC目标函数的表达式:
其中,αk(k=1,2,3,4)为权值系数;vi min、vi max分别为城市道路条件下车辆允许的最小和最大车速;ui min、ui max分别为最小和最大加速度;th为预先设定的行车间隔时间;S0为安全距离;T为MPC时间长度;δt为迭代步长。
作为上述方案的进一步优化,基于近似油耗计算模型,判断油耗最低时,令车辆匀速巡航,则纵向加速度系数ai(t)为零;最优加速度表示为:
式中,uid为最优加速度。
作为上述方案的进一步优化,目标车速的求解模型:
sij(t)=si(t)-sj(t)
vil(t)≤viobj(t)≤vih(t)
其中,式中,α0及s0均为预先设定的常数;sij为车i及紧随其后的车j之间的相对距离;si和sj分别为i车和j车的位置;Δvijobj为车j及其前车i的相对车速;vid(t)为t时刻车i的初始目标车速;viobj(t)为t时刻车i的目标车速;为最优巡航车速。
作为上述方案的进一步优化,计算目标车速范围的上限和下限:
式中,vil和vih为分别目标车速范围的下限和上限;dia(td)为td时刻第i辆车的与交通信号灯a的距离;Kw为信号灯的循环次数;tg、tr分别为绿灯和红灯持续的时间;tc为一个红、绿灯循环的周期,等于红灯和绿灯持续的时间之和;vimax为城市道路条件下汽车的最大允许车速。
与现有技术相比,本发明的一种基于车联网的最优车速闭环快速预测控制方法及***具有以下有益效果:
(1)本发明的一种基于车联网的最优目标车速快速闭环模型预测控制方法及装置,通过效率反馈,将原来开环的车速预测控制变为闭环的预测控制,得到的预测车速曲线更为接近实际情况。
(2)发明的一种基于车联网的最优目标车速快速闭环模型预测控制方法及装置基于SPAT求解目标车的范围,车辆在经过交通信号灯时均未遇到红灯,可以避免车辆红灯怠速;各车轨迹无交点,可避免车辆发生碰撞。
(3)相比于基准方法1和基准方法2,本文提出的一种基于车联网的最优目标车速快速闭环模型预测控制方法及装置可以实现良好的车速控制效果,车辆平均燃油经济性依次提高6.44%和37.1%。
(4)相比于基准方法1,本发明提出的一种基于车联网的最优目标车速快速闭环模型预测控制方法及装置,***平均驱动效率提高7.13%,且F-MPC程序执行效率为MPC的13倍,每一步长的实际计算时间小于计算步长,能够实现实时控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提 下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于车联网的最优车速闭环快速预测控制方法的流程示意图;
图2为本发明实施例提供的一种基于车联网的最优车速闭环快速预测控制***的结构示意图;
图3为本发明实施例提供的基于车联网的车速预测示意图;
图4为本发明实施例提供的八辆车轨迹;
图5(a)-图5(h)为3种方法下的八辆车速度曲线图;
图6为本发明实施例提供的三种控制方法下的车辆百公里油耗对比图。
具体实施方式
为使发明的目的、技术方案和优点更加清楚明了,下面通过附图中及实施例,对本发明技术方案进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明技术方案,并不用于限制本发明技术方案的范围。
为解决现有技术问题,本发明是实例提供了一种基于车联网的最优车速闭环快速预测控制方法及***,以下进行详细说明。
参见图1,图1为本发明实施例提供的一种基于车联网的最优车速闭环快速预测控制方法的流程示意图。
本发明的一种基于车联网的最优车速闭环快速预测控制方法,包括步骤:
S101,根据包含驱动效率的燃油消耗模型和预设驱动效率计算预设一个MPC时间窗口的目标车辆的车速序列,并发送至目标车辆,其中,车速序列中的每一个车速与目标车辆对应。驱动效率定义为预测时间段内从发动机到车辆的动力传动效率。
S102,目标车辆根据车速序列进行最优燃油经济性控制,并根据车速序列计算当前预设时段的平均驱动效率,并反馈给包含驱动效率的燃油消耗模型。其中,平均驱动效率定义为预测时间段内发动机输出的有效能量与消耗燃油热量的比值乘以传动***的效率的乘积。
S103,将预设时段平均驱动效率作为下一个MPC时间窗口的预设驱动效率,返回步骤S101继续执行,直至全时段目标车辆的车速序列计算完毕。
其中,本发明的一种基于车联网的最优车速闭环快速预测控制方法,基于车辆纵向动力学模型,为实现良好的燃油经济性控制,建立了包含驱动效率的燃油消耗模型。
其中,车辆纵向动力学模型中,vi为车速;ui为加速度(控制变量);Mi整车整备 质量;CD为空气阻力系数;ρa为空气密度;Afi汽车的迎风面积;μ为滚动阻力系数;θ为坡度。
其中,包含驱动效率的燃油消耗模型如式(2)所示:
式中,Si为汽车行驶的路程;为燃油消耗率;ηieff为驱动效率;HLHV为汽油的热值;Pireq为整车需求功率;n为道路上汽车的数量;tf为终止时刻,CD为空气阻力系数;ρa为空气密度;Af汽车的迎风面积;μ为滚动阻力系数;θ为坡度,vi(t)为所述目标车辆i在t时刻的车速;ui(t)为t时刻的车辆加速度。
本发明还公开了一种基于车联网的最优车速闭环快速预测控制装置,包括云端服务器,若干上层控制器,若干下层控制器,上层控制器与下层控制器对应通信连接,所述云端服务器与上层控制器、下层控制器通信连接,所述上层控制器与下层控制器与对应的目标车辆通信连接,
(71)上层控制器根据包含驱动效率的燃油消耗模型和预设驱动效率计算一个MPC时间窗口的目标车辆的车速序列;
(72)对应的下层控制器根据目标车辆对应的最优目标车速计算平均驱动效率并反馈给上层控制器;
(73)上层控制器自动将上一个MPC时间窗口的平均驱动效率更新为下一个MPC时间窗口的预设驱动效率,返回步骤(71)继续执行,直至全时段目标车辆的车速序列计算完毕。
图2为本发明实施例提供的一种基于车联网的车速预测***的结构示意图;所述***包括:
计算模块201,用于根据包含驱动效率的燃油消耗模型和预设驱动效率计算一个MPC时间窗口的目标车辆的车速序列;并发送至对应的目标车辆,其中,车速序列中的每一个车速与所述目标车辆对应;
反馈模块202,用于目标车辆对应的最优目标车速计算平均驱动效率并反馈给燃油消耗模型;
返回模块203,用于自动将上一个MPC时间窗口的平均驱动效率更新为下一个MPC时间窗口的预设驱动效率,直至全时段所述目标车辆的车速序列计算完毕。
本发明的一种基于车联网的最优车速闭环快速预测控制方法,计算目标车速的范围,综合考虑城市道路情况,车辆走走停停会使得整车的燃油经济性降低。车辆的行驶状态,取决于交通信号灯的状态、实际道路的车流量以及驾驶员的驾驶习惯。为了减少甚至避免车辆红灯怠速,当满足约束条件且驾驶员按照***建议车速行驶时,车辆处于此车速范围可以避免其经过交通信号灯时停车怠速。
式中,vil和vih为分别目标车速范围的下限和上限;dia(td)为td时刻第i辆车的与交通信号灯a的距离;Kw为信号灯的循环次数;tg、tr分别为绿灯和红灯持续的时间;tc为一个红、绿灯循环的周期,等于红灯和绿灯持续的时间之和;vimax为城市道路条件下汽车的最大允许车速。
理论上,传统的内燃机车辆存在最优巡航车速,当车辆以此车速匀速行驶时,其燃油经济性可以达到最优。为计算此最优巡航车速,基于理论联系实际的原则,给出了近似油耗计算模型,如式(4)所示:
式中,为车辆的近似燃油消耗率;ζ为开关变量,取值为0或者1,当车速vi为零或者控制变量ui小于零时取值为1,其余情况取值为0。为车辆巡航时的燃油消耗率;为车辆加速时的燃油消耗率;为制动或者怠速时的燃油消耗率;bi(i=0,1,2,3)为巡航时的燃油消耗率拟合系数;ci(i=0,1,2)为加速时燃油消耗率拟合系数;ai(t)为纵向加速度系数。
当时,如式(5)所示:车辆匀速巡航,则纵向加速度系数ai(t)为零;此时求解最有巡航车速。
此时,最加速度***ai(t)等于0,基于近似油耗计算模型,最优加速度(控制变量)可表示为:
其中,uid为最优控制变量,也叫最优加速度。
基于最优巡航车速,计算目标车辆的目标车速,包括:
sij(t)=si(t)-sj(t) (7d)
vil(t)≤viobj(t)≤vih(t) (7e)
其中,式中,α0及s0均为预先设定的常数;sij为车i及紧随其后的车j之间的相对距离;si和sj分别为i车和j车的位置;Δvijobj为车j及其前车i的相对车速;vid(t)为t时刻车i的初始目标车速;viobj(t)为t时刻车i的目标车速;为最优巡航车速。
由式(7b)可知,当最优巡航车速在车速范围[vil,vih]中时,目标车速被设定为最优巡航车速;否则,目标车速被设定为离目标车速范围最近的值。由式(7a)和(7c)可知,当车i和其跟随车j之间的相对距离小于预先设定的阈值且j车的车速大于其前车i的车速时,i车的速度会提高以保持理想的相对距离,进而保证车辆的行驶安全;否则,取i车的目标车速为其初始值。值得注意的是,目标车速始终被控制在车速范围[vil,vih]中,以减少红灯怠速的次数。如果不满足式(3)所示的约束条件,则汽车需减速或者等待下一个绿灯时间窗口才能通过交叉路口。
当目标车速和车辆位置已知时,最优目标车速可以通过MPC求解。一般情况下,进行多辆车的燃油经济性优化,在MPC建模时需考虑油耗、车速跟随、安全距离以及车辆的加速度。本发明实施例建立的MPC目标函数最优加速度的计算公式,本发明实施例所建立的目标函数的车速跟随项实质为最优巡航车速跟随问题,燃油经济性以油耗项及最优巡航车速跟随来体现,从而进一步保证车辆的燃油经济性;此外,加速度加权项变为实际加速度与理想最优加速度的差值,从而保证车速尽可能接近最优巡航车速。当前车速、位置已知,且最优加速度预测得到后,将来一段时间内的最优车速及位置均可得到。
目标车辆根据车速序列进行车速调整,根据快速预测模型预测MPC目标函数,进行车速调整,MPC目标函数的表达如式(8)所示:
其中,αk(k=1,2,3,4)为权值系数;vi min、vi max分别为城市道路条件下车辆允许的最小和最大车速;ui min、ui max分别为最小和最大加速度;th为预先设定的行车间隔时间;S0为安全距离;T为MPC时间长度;δt为迭代步长。
其中,αk(k=1,2,3,4)为权值系数;vi min、vi max分别为城市道路条件下车辆允许的最小和最大车速;ui min、ui max分别为最小和最大加速度;th为预先设定的行车间隔时间;S0为安全距离;T为MPC时间长度;δt为迭代步长。
传统的MPC(后称MPC)目标函数一般采用二次规划(quadratic programming,QP)求解。然而,MPC存在如下缺点:第一,MPC一般只适用于“足够慢”的动态***中,这些***的采样时间一般以秒或分钟为单位;第二,MPC状态空间的维数一般不超过5,这直接制约了其在复杂的车辆动力***上的应用;第三,MPC不适用于被控***、目标函数或约束是时变的情况;第四,相对于汽车处理器的浮点运算能力和内存,MPC程序结构过于复杂,难以实现实时控制。针对上述问题,本文采用F-MPC求解方法求解MPC目标函数。F-MPC的本质是通过利用被控***的独特结构,改变QP的求解方式,特别是库恩塔克(Karush-Kuhn-Tucker,KKT)最优条件的求解方式,以提高程序的执行效率,在保证预测精度的前提下实现实时控制。本文针对被控对象的具体结构,采用牛顿迭代法求解KKT方程,采用消元法及乔里斯基(Cholesky)因式分解法快速求解牛顿迭代方程。
本发明实施例主要研究车辆队列纵向车速预测,车辆纵向动力学模型中,主要状态变量包含车速、位移等。由于***的不连续性,通过引入取决于***状态的参数矩阵Ai(xi),将式(1)中状态方程离散为如式(9)所示线性形式。
将模型预测目标函数改写为式(10)所示的QP形式。
式中,M=T/δt,nx、nu、M分别为状态变量的维数、控制变量维数以及MPC的离散步数。yi和yiobj分别为状态变量及其目标值;Qi为对角阵;Pi、qi、Ci、bi均为系数矩阵。其中,
bi=[Ai(xi)xi(k),0,0,0,...,0]T
式(10)的拉格朗日方程如式(11)所示。
式中,λi和vi为拉格朗日乘子。
式(11)的一阶KKT条件如式(12)所示。
式中,si为松弛变量,γi和Si分别为由vi和si主对角线元素组成的列向量。
FMPC的实现,在于KKT条件快速求解算法的计算效率。本文采用牛顿迭代法求解KKT条件方程,牛顿迭代方程如式(13)所示。
式中,[Δyi(t) Δλi(t) Δνi(t) Δsi(t)]T为更新方向;βi为迭代步长。
牛顿迭代的更新方向采用式(14)求解。
式中,为KKT条件方程的残差。
为减少KKT方程的维数,通过消元法将式(14)简化为如式(15)所示的线性无关的方程组。
式中,[Δyi Δλi]T为简化后更新方向;Wi为变换矩阵。
为提高式(15)的求解速度,采用Cholesky因式分解法对方程组(15)进行因式分解。当Pi TWi -2Pi为非奇异矩阵时,有
当Pi TWi -2Pi为奇异矩阵时,有
根据式(16)和(17)得到状态变量yi的更新方向Δyi;结合牛顿迭代方程,解出状态变量yi,即可求出MPC预测时间窗口T内的最优目标车速。
采用上述KKT快速求解算法,程序的计算执行效率理论上可以由T(nx+nu)3提高为(1/3)T3(2nx+nu)3浮点每秒。当参数设置合理时,能够保证在较少的迭代次数内,得到较为精确的数值解。
具体的,实际应用中,可以在云端服务器,执行控制代码的远程计算试验。本次试验采用SSH Secure客户端,通过Wi-Fi远程连接云端服务器,控制代码远程传输至服务器之后,服务器将计算结果实时反馈至本地上位机,本地上位机实现反馈代码的解码并发送至dSPACE执行燃油经济性的硬件在环试验;同时采用MATLAB图形工具,实现车速的可视化。采用云端无服务器进一步保证控制算法的实时性。
本次试验时间设置为600s,试验代码仅考虑单车道情况,设置同一条道路上有8辆同型号的传统内燃机汽车,其整车基本参数如表1所示。汽车的初始车速、初始位置均随机生成。本次生成的8辆车的初始车速为[15 16.3 16.7 12.08 13.0047 14.1788 10.373012.0473],单位为m/s;8辆车的初始位置为[98 85 70 60 45.5666 30.2293 15.91960.8724],单位为m。红、绿灯持续时间分别设置为40s和15s,SPAT具体参数以(40,15)为平均间隔时间随机生成。设置交通信号灯数量为15,且均匀间隔,间隔距离为500m。根据城市道路工况的限速,设置汽车允许的最大、最小车速依次为20m/s和0。定义开环控制(无效率反馈)且MPC目标函数中跟随车速为基于SAPT得到的车速范围上限、加速度作为惩罚项的方法为基准方法1;Gipps’跟车模型为基准方法2。试验结果如下:
表1
整备质量(kg) | 1580 |
空气阻力系数 | 0.32 |
迎风面积(m2) | 2.25 |
车轮滚动半径(m) | 0.317 |
发动机额定功率(kW) | 105 |
发动机额定扭矩(N·m) | 220 |
变速箱(6AT)速比 | [4.28,2.56,1.55,1.02,0.73,0.52] |
主减速器速比 | 4.44 |
图3为本发明实施例提供的基于车联网的车速预测示意图。参见图3,基于车联网的燃油经济性控制,一般采用分层控制模型,上层基于MPC求解最优目标车速,下层根据上层的目标车速,进行燃油经济性优化。本发明实施例在此基础上进行改进,提出一种更为完备的分层控制***,上层控制器基于SPAT求解目标车速的范围,基于FMPC求解最优目标车速并发送给车载显示器,驾驶员根据最优目标车速进行加速或制动;提出一种考虑效率反馈的闭环分层控制方法,在MPC时间窗口反馈下层车辆***的平均效率并更新上层油耗计算模型的***效率;采用云端服务器,接收来自上层及下层控制***的信息并将计算结果反馈给每辆车,进一步保障控制算法的实时性。
图4为本发明实施例提供的八辆车轨迹。
水平实线表示红灯时间窗口,两个红灯时间窗口之间的空白区域表示绿灯时间窗口,图中曲线表示汽车轨迹。由图3可知,车辆轨迹均与红灯时间窗口没有交点,说明汽车经过所设置的所有信号灯时均未遇到红灯,从而验证了本文基于SPAT求解目标车速范围可以有效的避免车辆红灯怠速。另外,图中的8条曲线无交点,可以验证在整个试验时间段内,各车辆之间始终保持着适当的相对距离,且该相对距离最终保持 相对恒定,从而避免发生碰撞。
图5(a)-图5(h)为本发明实施例提供本发明实施例提出的方法、基准方法1、基准方法2的3种方法下的八辆车的车速曲线。基于本发明实施例提出的方法,图5中,各辆车的车速十分接近,这说明经过起始段的调节,各车倾向于维持恒定的相对距离,保持较低的相对车速,从而保障车辆安全,避免频繁的相对加减速,减少燃油消耗,验证了本文提出的FMPC实现了良好的控制效果。另外,在整个试验时间段,各车的车速均大于零,进一步验证了各车辆均未遇到红灯,避免了红灯怠速。
图6为本发明实施例提供的三种控制方法下的车辆百公里油耗对比图。根据图4、图5和图6的车速,对于任何一辆车,本文提出的控制方法的燃油经济性优于基准方法1和基准方法2。本文提出的控制方法、基准方法1以及基准方法2对应的平均百公里油耗依次为6.54L、6.99L和10.40L。相比于基准方法1和基准方法2,本文提出的控制方法的燃油经济性依次提高6.44%和37.1%。
表2为本文提出的闭环控制方法与基准方法1的开环控制方法的***效率对比。分析可知,对于每一辆车,本文提出的控制方法的平均驱动效率均有不同程度的提升。相比于基准方法1,本文提出的控制方法的平均驱动效率由20.62%提升为22.09%,改善比为7.13%。因而说明了本文提出的控制方法燃油经济性提升的实质为***驱动效率的提高。然而,***效率的改善比略高于燃油经济性的改善比,其原因是F-MPC的应用,会对***的燃油经济性造成一定的影响。经计算,F-MPC降低燃油经济性百分比仅为0.74%。但是,对于每一个计算步长,MPC的计算时间约为0.52s,F-MPC的计算时间为0.04s,F-MPC的程序执行效率提高约13倍,计算时间成本降低十分显著。另外,由于MPC的计算步长为0.1秒,小于MPC的计算时间0.52s,大于F-MPC的计算时间0.04s,因此,采用MPC无法实现实时控制,而采用F-MPC能够实现实时控制。
表2
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述方法实施方式中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机可读取存储介质中,这里所称得的存储介质,如:ROM/RAM、磁碟、光盘等。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保 护范围内。
Claims (10)
1.一种基于车联网的最优车速闭环快速预测控制方法,其特征在于,包括如下步骤:
步骤(1)、根据包含驱动效率的燃油消耗模型和预设驱动效率计算一个MPC时间窗口的若干目标车辆的车速序列,并发送至对应的目标车辆,其中,所述车速序列中的每一个车速与所述目标车辆对应;
其中,所述包含驱动效率的燃油消耗模型其表达式为:
式中:Si为汽车行驶的路程;为燃油消耗率;ηieff为驱动效率;HLHV为汽油的热值;Pireq为整车需求功率;n为道路上汽车的数量;tf为终止时刻,CD为空气阻力系数;ρa为空气密度;Af汽车的迎风面积;μ为滚动阻力系数;θ为坡度,vi(t)为所述目标车辆i在t时刻的车速;ui(t)为t时刻的车辆加速度;
步骤(2)、所述目标车辆根据对应的最优目标车速进行最优燃油经济性控制,并根据最优目标车速计算当前MPC时间窗口的平均驱动效率,并反馈给包含驱动效率的燃油消耗模型;
步骤(3)、自动将当前MPC时间窗口的平均驱动效率更新为下一个MPC时间窗口的预设驱动效率,并返回步骤(1)继续执行,直至全时段所有的目标车辆的对应的最优目标车速计算完毕。
2.根据权利要求1所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于,步骤(1)包括如下步骤:
(11)、计算目标车速范围的上限和下限;为了减少或者避免车辆红灯怠速;
(12)基于近似油耗计算模型,判断油耗最低时成立的条件,求解最优控制变量;
(13)基于最优控制变量,给出目标车速的求解模型;
(14)基于目标车速和车辆位置,构建MPC目标函数;
(15)通过快速模型预测求解MPC目标函数,求出MPC预测时间窗口的最优目标车速。
3.根据权利要求2所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于:MPC目标函数的表达式:
其中,αk(k=1,2,3,4)为权值系数;vimin、vimax分别为城市道路条件下车辆允许的最小和最大车速;uimin、uimax分别为最小和最大加速度;th为预先设定的行车间隔时间;S0为安全距离;T为MPC时间长度;δt为迭代步长。
4.根据权利要求2所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于,基于近似油耗计算模型,判断油耗最低时,令车辆匀速巡航,则纵向加速度系数ai(t)为零;最优加速度表示为:
式中,uid为最优加速度。
5.根据权利要求2所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于:目标车速的求解模型:
sij(t)=si(t)-sj(t)
vil(t)≤viobj(t)≤vih(t)
其中,式中,α0及s0均为预先设定的常数;sij为车i及紧随其后的车j之间的相对距离;si和sj分别为i车和j车的位置;Δvijobj为车j及其前车i的相对车速;vid(t)为t时刻车i的初始目标车速;viobj(t)为t时刻车i的目标车速;为最优巡航车速。
6.根据权利要求2所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于:计算目标车速范围的上限和下限:
式中,vil和vih为分别目标车速范围的下限和上限;dia(td)为td时刻第i辆车的与交通信号灯a的距离;Kw为信号灯的循环次数;tg、tr分别为绿灯和红灯持续的时间;tc为一个红、绿灯循环的周期,等于红灯和绿灯持续的时间之和;vimax为城市道路条件下汽车的最大允许车速。
7.一种基于车联网的最优车速闭环快速预测控制装置,包括云端服务器,若干上层控制器,若干下层控制器,上层控制器与下层控制器对应通信连接,所述云端服务器与上层控制器、下层控制器通信连接,所述上层控制器与下层控制器与对应的目标车辆通信连接,其特征在于:
(71)上层控制器根据包含驱动效率的燃油消耗模型和预设驱动效率计算一个MPC时间窗口的目标车辆的车速序列;
(72)对应的下层控制器根据目标车辆对应的最优目标车速计算平均驱动效率并反馈给上层控制器;
(73)上层控制器自动将上一个MPC时间窗口的平均驱动效率更新为下一个MPC时间窗口的预设驱动效率,返回步骤(71)继续执行,直至全时段目标车辆的车速序列计算完毕。
8.根据权利要求7所述的一种基于车联网的最优车速闭环快速预测控制装置,其特征在于:步骤(71)包括如下步骤:
(11)、计算目标车速范围的上限和下限;为了减少或者避免车辆红灯怠速;
(12)基于近似油耗计算模型,判断油耗最低时成立的条件,求解最优控制变量;
(13)基于最优控制变量,给出目标车速的求解模型;
(14)基于目标车速和车辆位置,构建MPC目标函数;
(15)通过快速模型预测求解MPC目标函数,求出MPC预测时间窗口的最优目标车速。
9.根据权利要求8所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于:MPC目标函数的表达式:
其中,αk(k=1,2,3,4)为权值系数;vimin、vimax分别为城市道路条件下车辆允许的最小和最大车速;uimin、uimax分别为最小和最大加速度;th为预先设定的行车间隔时间;S0为安全距离;T为MPC时间长度;δt为迭代步长。
10.根据权利要求8所述的一种基于车联网的最优车速闭环快速预测控制方法,其特征在于:基于近似油耗计算模型,判断油耗最低时,令车辆匀速巡航,则纵向加速度系数ai(t)为零;最优加速度表示为:
式中,uid为最优加速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028927.1A CN106502098B (zh) | 2016-11-19 | 2016-11-19 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028927.1A CN106502098B (zh) | 2016-11-19 | 2016-11-19 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106502098A true CN106502098A (zh) | 2017-03-15 |
CN106502098B CN106502098B (zh) | 2019-03-01 |
Family
ID=58327415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611028927.1A Active CN106502098B (zh) | 2016-11-19 | 2016-11-19 | 一种基于车联网的最优车速闭环快速预测控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106502098B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577234A (zh) * | 2017-09-21 | 2018-01-12 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
CN107671859A (zh) * | 2017-10-20 | 2018-02-09 | 山东大学 | 基于s曲线加减速的运动目标动态跟踪方法、***及装置 |
CN108335506A (zh) * | 2018-01-11 | 2018-07-27 | 长安大学 | 网联车多信号交叉口绿灯相位车速动态引导方法及*** |
CN108592930A (zh) * | 2018-04-26 | 2018-09-28 | 浙江工业大学 | 基于大***优化和车联网的新能源汽车智能辅助驾驶方法 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN109606367A (zh) * | 2018-11-06 | 2019-04-12 | 北京工业大学 | 基于车联网的巡航控制***的最优线性控制方法及装置 |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN110474803A (zh) * | 2019-08-13 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 车联网***的处理方法及相关设备 |
CN112731806A (zh) * | 2020-12-08 | 2021-04-30 | 合肥工业大学 | 智能网联汽车随机模型预测控制实时性优化方法 |
CN113650622A (zh) * | 2021-07-16 | 2021-11-16 | 东风柳州汽车有限公司 | 车速轨迹规划方法、装置、设备及存储介质 |
CN113815602A (zh) * | 2021-07-19 | 2021-12-21 | 北京理工大学 | 一种车辆横向自适应控制方法 |
CN114137831A (zh) * | 2021-10-13 | 2022-03-04 | 清华大学 | 一种智能网联汽车队列***中纵向控制方法和装置 |
CN117131955A (zh) * | 2023-10-27 | 2023-11-28 | 北京航空航天大学 | 一种考虑多约束条件的短时车速预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价***及评价方法 |
CN105035090A (zh) * | 2015-06-06 | 2015-11-11 | 吉林大学 | 基于交通信号灯的自主驾驶车辆轨迹预测控制方法 |
CN105083276A (zh) * | 2015-06-01 | 2015-11-25 | 河南理工大学 | 基于分散控制的混合动力汽车节能预测控制方法 |
CN105501216A (zh) * | 2016-01-25 | 2016-04-20 | 合肥工业大学 | 基于车联网的混合动力汽车的分层能量管理控制方法 |
CN105759753A (zh) * | 2016-01-25 | 2016-07-13 | 合肥工业大学 | 基于v2x的混合动力汽车的能量管理优化控制方法 |
-
2016
- 2016-11-19 CN CN201611028927.1A patent/CN106502098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200267A (zh) * | 2014-09-23 | 2014-12-10 | 清华大学 | 一种车辆驾驶经济性评价***及评价方法 |
CN105083276A (zh) * | 2015-06-01 | 2015-11-25 | 河南理工大学 | 基于分散控制的混合动力汽车节能预测控制方法 |
CN105035090A (zh) * | 2015-06-06 | 2015-11-11 | 吉林大学 | 基于交通信号灯的自主驾驶车辆轨迹预测控制方法 |
CN105501216A (zh) * | 2016-01-25 | 2016-04-20 | 合肥工业大学 | 基于车联网的混合动力汽车的分层能量管理控制方法 |
CN105759753A (zh) * | 2016-01-25 | 2016-07-13 | 合肥工业大学 | 基于v2x的混合动力汽车的能量管理优化控制方法 |
Non-Patent Citations (4)
Title |
---|
LIHONG QIU 等: "Global optimal energy management control strategies for connected four-wheel-drive hybrid electric vehicles", 《IET INTELLIGENT TRANSPORT SYSTEMS》 * |
PING KAN 等: "Simulation of the Control Strategy of a Plug-in 4WD Hybrid Electric Car", 《ITEC ASIA-PACIFIC》 * |
邱利宏 等: "车联网环境下车辆最优车速闭环快速模型预测控制", 《中国机械工程》 * |
阚萍 等: "基于willans line的双轴驱动混合动力越野车实时能量管理", 《中国机械工程》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107577234A (zh) * | 2017-09-21 | 2018-01-12 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
CN107577234B (zh) * | 2017-09-21 | 2021-01-15 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
CN107671859A (zh) * | 2017-10-20 | 2018-02-09 | 山东大学 | 基于s曲线加减速的运动目标动态跟踪方法、***及装置 |
CN107671859B (zh) * | 2017-10-20 | 2018-11-02 | 山东大学 | 基于s曲线加减速的运动目标动态跟踪方法、***及装置 |
CN110012039A (zh) * | 2018-01-04 | 2019-07-12 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方案 |
CN110012039B (zh) * | 2018-01-04 | 2021-01-05 | 华北电力大学 | 一种车联网中基于admm的任务分配与功率控制方法 |
CN108335506B (zh) * | 2018-01-11 | 2020-12-29 | 长安大学 | 网联车多信号交叉口绿灯相位车速动态引导方法及*** |
CN108335506A (zh) * | 2018-01-11 | 2018-07-27 | 长安大学 | 网联车多信号交叉口绿灯相位车速动态引导方法及*** |
CN108592930A (zh) * | 2018-04-26 | 2018-09-28 | 浙江工业大学 | 基于大***优化和车联网的新能源汽车智能辅助驾驶方法 |
CN108592930B (zh) * | 2018-04-26 | 2020-04-28 | 浙江工业大学 | 基于大***优化和车联网的新能源汽车智能辅助驾驶方法 |
CN109360409A (zh) * | 2018-09-26 | 2019-02-19 | 江苏大学 | 一种基于驾驶风格的智能网联混合动力汽车编队控制方法 |
CN109606367A (zh) * | 2018-11-06 | 2019-04-12 | 北京工业大学 | 基于车联网的巡航控制***的最优线性控制方法及装置 |
CN109606367B (zh) * | 2018-11-06 | 2020-04-17 | 北京工业大学 | 基于车联网的巡航控制***的最优线性控制方法及装置 |
CN110474803A (zh) * | 2019-08-13 | 2019-11-19 | 腾讯科技(深圳)有限公司 | 车联网***的处理方法及相关设备 |
CN110474803B (zh) * | 2019-08-13 | 2021-08-20 | 腾讯科技(深圳)有限公司 | 车联网***的处理方法及相关设备 |
CN112731806B (zh) * | 2020-12-08 | 2022-05-31 | 合肥工业大学 | 智能网联汽车随机模型预测控制实时性优化方法 |
CN112731806A (zh) * | 2020-12-08 | 2021-04-30 | 合肥工业大学 | 智能网联汽车随机模型预测控制实时性优化方法 |
CN113650622B (zh) * | 2021-07-16 | 2023-06-20 | 东风柳州汽车有限公司 | 车速轨迹规划方法、装置、设备及存储介质 |
CN113650622A (zh) * | 2021-07-16 | 2021-11-16 | 东风柳州汽车有限公司 | 车速轨迹规划方法、装置、设备及存储介质 |
CN113815602A (zh) * | 2021-07-19 | 2021-12-21 | 北京理工大学 | 一种车辆横向自适应控制方法 |
CN113815602B (zh) * | 2021-07-19 | 2023-10-24 | 北京理工大学 | 一种车辆横向自适应控制方法 |
CN114137831A (zh) * | 2021-10-13 | 2022-03-04 | 清华大学 | 一种智能网联汽车队列***中纵向控制方法和装置 |
CN114137831B (zh) * | 2021-10-13 | 2022-06-14 | 清华大学 | 一种智能网联汽车队列***中纵向控制方法和装置 |
CN117131955A (zh) * | 2023-10-27 | 2023-11-28 | 北京航空航天大学 | 一种考虑多约束条件的短时车速预测方法 |
CN117131955B (zh) * | 2023-10-27 | 2024-01-16 | 北京航空航天大学 | 一种考虑多约束条件的短时车速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106502098B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106502098A (zh) | 一种基于车联网的最优车速闭环快速预测控制方法及装置 | |
CN105501216B (zh) | 基于车联网的混合动力汽车的分层能量管理控制方法 | |
CN106828493B (zh) | 一种自动驾驶车辆分层式纵向规划控制***及方法 | |
Nie et al. | Real-time dynamic predictive cruise control for enhancing eco-driving of electric vehicles, considering traffic constraints and signal phase and timing (SPaT) information, using artificial-neural-network-based energy consumption model | |
CN107577234B (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
Ngo et al. | An optimal control-based algorithm for hybrid electric vehicle using preview route information | |
CN103793570B (zh) | 一种基于多体***动力学的道路线形安全分析方法 | |
CN105857312B (zh) | 一种高速公路重型卡车速度行驶优化方法 | |
He et al. | Fuel efficient connected cruise control for heavy-duty trucks in real traffic | |
Zhai et al. | Cooperative look-ahead control of vehicle platoon for maximizing fuel efficiency under system constraints | |
Qi et al. | Connected cooperative ecodriving system considering human driver error | |
Xu et al. | Global optimization energy management for multi-energy source vehicles based on “Information layer-Physical layer-Energy layer-Dynamic programming”(IPE-DP) | |
CN106338998A (zh) | 一种控制汽车以簇形式编队行驶的方法 | |
Xu et al. | Decentralized optimal merging control with optimization of energy consumption for connected hybrid electric vehicles | |
CN104656452A (zh) | 一种基于矩阵离散算法的地铁列车优化控制方法及装置 | |
Li et al. | A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes | |
Zhu et al. | Real-time co-optimization of vehicle route and speed using generic algorithm for improved fuel economy | |
Zhang et al. | An optimal vehicle speed planning algorithm for regenerative braking at traffic lights intersections based on reinforcement learning | |
You et al. | Real-time energy management strategy based on predictive cruise control for hybrid electric vehicles | |
Wu et al. | Research on lane-change strategy with real-time obstacle avoidance function | |
Chen et al. | Low-cost and high-performance adaptive cruise control based on inertial-triggered mechanism and multi-objective optimization | |
Li et al. | Dynamic energy management strategy of hybrid electric vehicles based on velocity prediction | |
Alighanbari et al. | Ecological nmpc controller for connected and automated plug-in hybrid electric vehicles at roundabouts | |
Huang | Design and evaluation of a 3D road geometry based heavy truck fuel optimization system | |
Luo et al. | Energy-efficient feedback control strategy of vehicle platoon on highway with varying slopes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |