CN107808027B - 基于改进模型预测控制的自适应跟车方法 - Google Patents

基于改进模型预测控制的自适应跟车方法 Download PDF

Info

Publication number
CN107808027B
CN107808027B CN201710826862.3A CN201710826862A CN107808027B CN 107808027 B CN107808027 B CN 107808027B CN 201710826862 A CN201710826862 A CN 201710826862A CN 107808027 B CN107808027 B CN 107808027B
Authority
CN
China
Prior art keywords
vehicle
acceleration
value
model
control
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.)
Active
Application number
CN201710826862.3A
Other languages
English (en)
Other versions
CN107808027A (zh
Inventor
孙涛
龚戌伟
戴旭彬
王帅帅
吕梦男
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hu Haibo
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201710826862.3A priority Critical patent/CN107808027B/zh
Publication of CN107808027A publication Critical patent/CN107808027A/zh
Application granted granted Critical
Publication of CN107808027B publication Critical patent/CN107808027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Software Systems (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Feedback Control In General (AREA)
  • Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)

Abstract

本发明涉及一种基于改进模型预测控制的自适应跟车算法，其步骤为：1.跟车模型的建立,自适应巡航***的控制器分为上下两层控制，上层控制器根据接收到相对距离，相对速度的信息，计算出期望的加速度，并传递给下层控制器；下层控制器由加速度根据车辆逆纵向动力学模型去控制油门开度和制动压力；2.基于模型预测控制的算法建立,构建一个估计器，利用之前时刻的值采用最小二乘法拟合出最逼近的直线，并估计未来时刻的值，最后利用模型预测算法计算出最优的期望加速度。本发明在现有模型预测框架下，通过采集前车加速度信息，利用最小二乘法拟合出前车加速度变化规律，并做出预测，进而为模型预测控制提供加速度的扰动值，从而起到改善最优解的效果。

Description

基于改进模型预测控制的自适应跟车方法
技术领域
本发明涉及一种汽车驾驶员辅助驾驶***，尤其是一种自适应巡航***，属于汽车驾驶自适应巡航***技术领域。
背景技术
自适应巡航***是在传统巡航控制基础上发展起来的新一代汽车驾驶员辅助驾驶***。它将汽车定速巡航控制***和车辆前向撞击报警***有机结合起来。不但具有自动巡航的全部功能，还可以通过车载雷达等传感器监测汽车前方的道路交通环境,一旦发现当前行驶车道的前方有其它前行车辆时，将根据本车与前车之间的相对距离及相对速度等信息，通过控制汽车的油门和刹车对车辆进行纵向速度控制，使本车与前车保持合适的安全间距。采用该***降低了驾驶员的工作负担，大大提高了汽车的主动安全性，扩大了巡航行驶的范围。
模型预测优点在于利用预测的未来状态重复地进行滚动时域优化。为了得到最优解，预测模型必须准确可靠。在自适应巡航***中，预测模型不仅与自车有关，而且与前车相关，尤其是它的加速度。由于前车受到驾驶员的干预，其加速度并不一定是个恒定值，如实际中当前车进行加速或减速时，其加速度并不是保持不变的，可能是渐进式变化。在现有的模型预测控制下，在预测模型未来状态时，会将前车加速度认为是定值而忽略它的变化，所以利用预测控制得到的最优解会偏大或偏小。这种预测显然与实际车辆运动不符，影响乘员的舒适性与接受度。
发明内容
本发明是要提供一种基于改进模型预测控制的自适应跟车方法，在现有模型预测框架下，通过采集前车加速度信息，利于最小二乘法拟合出前车加速度变化规律，并做出预测，进而为模型预测控制提供加速度的扰动值，从而起到改善最优解的效果。
为实现上述目的，本发明的技术方案是：一种基于改进模型预测控制的自适应跟车方法，包括以下步骤：
一、跟车模型的建立
自适应巡航***的控制器分为上下两层控制，上层控制器根据接收到相对距离，相对速度的信息，计算出期望的加速度，并传递给下层控制器；下层控制器由加速度根据车辆逆纵向动力学模型去控制油门开度和制动压力；
(1)上层控制器
首先根据自适应跟车模型的相对运动关系，建立如下的状态空间方程：
x(k+1)＝Ax(k)+Bu(k)+Gw(k) (1)
其中
Figure GDA0002633290180000021
w(k)＝ap(k)
x(k)＝[R(k),vh(k),Δv(k),ah(k),jh(k)]T；
式(1)中，k表示当前时刻，k+1表示下一个采样时刻，R为两车之间的相对距离，vh为自车速度，Δv为两车相对速度，ah自车加速度，jh为自车加加速度，vp前车速度，ap前车加速度，τ为时间常数，取0.5，Ts为采样时间，Ts＝0.01s；u为上层控制器的控制输入量,ades为自车期望的加速度；
另外输出变量选取为自车和前车相对距离与期望距离的差值ΔR，两车相对速度Δv，自车加速度ah和加加速度jh，得到输出方程：
y(k+1)＝Cx(k+1)+z (2)
其中：
Figure GDA0002633290180000031
期望的相对距离采用可变间距策略中的恒定车头时距采用定车头时距，即参考相对距离Rref为
Rref＝R0+thvh (3)
其中th为车头时距，R0为自车静止时与前车保持的距离；
(2)下层控制器
在下层控制中,采用逆纵向动力学模型，在实际过程中,下层控制器的输入即上层控制中的期望加速度ades和实际输出的加速度a存在延迟,用一阶惯性***表示：
Figure GDA0002633290180000032
式中τ为时间常数，s为复变量；
二、基于模型预测控制的方法建立
构建一个估计器，利用之前时刻的值采用最小二乘法拟合出最逼近的直线，并估计未来时刻的值，最后利用模型预测方法计算出最优的期望加速度；
(1)最小二乘法拟合
在进行估计之前，先进行以下条件假设：在相对较短的时间内，加速度ap，近似沿着直线变化，即：
ap(t)＝a0+a1t (5)
其中a0和a1为直线方程的系数；因此，采用最小二乘法来得到a0和a1值，并估计未来时刻的值；
p为时间，若有p-1个过去的采样值分别为ap(k+1-p)，ap(k+2-p)，ap(k+3-p)，……，ap(k-1)以及当前采样值ap(k)，通过当前采样值的直线由式(5)可以得到：
Figure GDA0002633290180000041
其中
Figure GDA0002633290180000042
为预测加速度值。
为了使得直线能够逼近其他时刻的采样值，选取权重评价函数Ja为：
Figure GDA0002633290180000043
其中为qi权重矩阵，表示各个采样时刻的权重系数，利用求导得到式(7)最小值时对应的a1，
Figure GDA0002633290180000044
Figure GDA0002633290180000045
然后再利用式(5)进行预测。
Figure GDA0002633290180000046
(2)自适应巡航的控制目标分析
在模型预测控制中，为了避免控制对象出现较大的变化，通常使y(k+1)沿着期望的平缓曲线到达设定值yr，这里采用如下的参考曲线：
yref(k+i)＝αiy(k)+(1-αi)yref(k) (11)
其中，yref为参考值，α参数越小参考轨迹到达参考值的响应时间越短，此处α取0.9；
跟踪前车的最终目标是自车和前车的相对速度Δv为0，同时，相对距离R趋近于期望的相对距离，即
Δv→0，R→Rref
相对距离的期望值由式(3)计算得到；
相对速度期望值为0；
加速度的期望值aref采用的模型如下，即
aref＝kvΔv+kdΔd (12)
式中kv，kd为模型系数分别去0.25和0.02；Δd为实际相对距离与理想相对距离的差值；
(3)跟踪模型的预测
为了方便起见，记p为预测时域，m为控制时域，且m≤p，并有如下假设：
控制时域之外，即当i＝m,m+1,…,p-1时，控制变量不变，即
Δu(k+i)＝0 (13)
由式(1)，式(3)建立的跟车模型和式(10)建立的估计模型，对自适应巡航***未来行为可做出如下的预测：
Figure GDA0002633290180000051
进一步展开得到：
Figure GDA0002633290180000052
Figure GDA0002633290180000061
其中
Figure GDA0002633290180000062
Figure GDA0002633290180000063
接下来将优化问题写成加权形式的值函数：
Figure GDA0002633290180000064
其中wy为***输出的权重矩阵，wu为***输入的权重，wΔu为***输入变化的权重；
将以上约束和相关车辆参数约束进行整理，并引入松弛变量ε，松弛变量ε的引入是为了解决当在约束范围内无法得到最优的解时，通过适当地增加约束范围从而得到最优解，至此上层控制的优化问题可以转化为带约束的二次规划问题：
Figure GDA0002633290180000071
s.t.
Figure GDA0002633290180000072
其中，ρ为松弛变量的权重系数；
Figure GDA0002633290180000073
分别为自车车速、自车加速度、自车加加速度、自车控制输入和自车控制输入变化量的约束松弛下界；
Figure GDA0002633290180000074
分别为自车车速、自车加速度、自车加加速度、自车控制输入和自车控制输入变化量的约束松弛上界；umin，umax分别为自车加速能力的上界和下界；Δumin，Δumax分别为自车加速度变化量的上界和下界；vmin，vmax为自车速度约束的上界和下界。
本发明的有益效果是：
本发明的基于改进模型预测控制的自适应跟车方法，在现有模型预测框架下，通过采集前车加速度信息，利于最小二乘法拟合出前车加速度变化规律，并做出预测，进而为模型预测控制提供加速度的扰动值，从而起到改善最优解的效果。
本发明采用基于前车过去的加速度信息，建立了较为准确的预测方法，从而改进传统的模型预测控制。从实验结果看，改进的MPC能够实现跟车功能，且在指定的仿真工况中对比传统MPC，根据表峰值加速度降低了25.20％，加加速度峰值降低了31.21％，燃油消耗减少了10.71％，因此乘坐舒适性和经济性得到明显的提升，实现了多目标优化。
附图说明
图1为自适应跟车模型图；
图2为车辆速度变化曲线；
图3为车间距离变化曲线；
图4为车辆加速度变化曲线；
图5为车辆加速度变化率曲线；
图6为自车燃油消耗曲线。
具体实施方式
一种基于改进模型预测控制的自适应跟车方法，包括以下步骤：
1.跟车模型的建立
自适应巡航***的控制器分为上下两层控制。上层控制器根据接收到的信息(相对距离，相对速度等)计算出期望的加速度，并传递给下层控制器；下层控制器由加速度根据车辆逆纵向动力学模型去控制油门开度和制动压力。
1.1上层控制器
首先根据图1所示的相对运动关系，建立如下的状态空间方程。k表示当前时刻，k+1表示下一个采样时刻以下不再赘述。
x(k+1)＝Ax(k)+Bu(k)+Gw(k) (1)
其中
Figure GDA0002633290180000081
w(k)＝ap(k)
x(k)＝[R(k),vh(k),Δv(k),ah(k),jh(k)]T。
式(1)中，R为两车之间的相对距离，vh为自车速度，Δv为相对速度，ah自车加速度，jh为自车加加速度，vp前车速度，ap前车加速度，τ为时间常数，取0.5，Ts为采样时间，Ts＝0.01s；u为上层控制器的控制输入量,ades为自车期望的加速度。
另外输出变量选取为自车和前车相对距离与期望距离的差值ΔR，两车相对速度Δv，自车加速度ah和加加速度jh。得到输出方程：
y(k+1)＝Cx(k+1)+z (2)
其中：
Figure GDA0002633290180000091
期望的相对距离采用可变间距策略中的恒定车头时距采用定车头时距，即参考相对距离Rref为
Rref＝R0+thvh (3)
其中th为车头时距，R0为自车静止时与前车保持的距离。
1.2下层控制器
在下层控制中,本文采用逆纵向动力学模型.在实际过程中,下层控制器的输入即上层控制中的期望加速度ades和实际输出的加速度a存在延迟,这里用一阶惯性***表示：
Figure GDA0002633290180000092
式中τ为时间常数，s为复变量。
2.基于模型预测控制的方法建立
传统的自适应巡航预测输出时，忽略了前车加速度在未来的变化，因此需要构建一个估计器，利用之前时刻的值采用最小二乘法拟合出最逼近的直线，并估计未来时刻的值。最后利用模型预测方法计算出最优的期望加速度。
2.1最小二乘法拟合
在进行估计之前，先进行以下条件假设：在相对较短的时间内，加速度ap，近似沿着直线变化，即：
ap(t)＝a0+a1t (5)
其中a0和a1为直线方程的系数。
因此，采用最小二乘法来得到a0和a1值，并估计未来时刻的值。
若有p-1个过去的采样值分别为ap(k+1-p)，ap(k+2-p)，ap(k+3-p)，……，ap(k-1)以及当前采样值ap(k)。通过当前采样值的直线由式(5)可以得到：
Figure GDA0002633290180000101
其中
Figure GDA0002633290180000102
为预测加速度值。
为了使得直线能够逼近其他时刻的采样值，选取权重评价函数为：
Figure GDA0002633290180000103
其中为qi权重矩阵，表示各个采样时刻的权重系数，为了预测结果的更加准确，对于接近当前采样时刻的值采用较大的权重，使得拟合出的直线更加靠近较新的值。由于权重评价函数是个凸函数，它的极小值对应的是全局的最小值。利用求导得到式(7)最小值时对应的a1，
Figure GDA0002633290180000104
Figure GDA0002633290180000105
然后再利用式(5)进行预测。
Figure GDA0002633290180000111
2.2自适应巡航的控制目标分析
在模型预测控制中，为了避免控制对象出现较大的变化，通常使y(k+1)沿着期望的平缓曲线到达设定值yr。这里采用文献如下的参考曲线
yref(k+i)＝αiy(k)+(1-αi)yref(k) (11)
其中，α参数越小参考轨迹到达参考值的响应时间越短，此处α取0.9。
跟踪前车的最终目标是自车和前车的相对速度Δv为0，同时，相对距离R趋近于期望的相对距离，即
Δv→0 R→Rref
相对距离的期望值由式(3)计算得到。
相对速度期望值为0；
加速度的期望值采用的模型如下，即
aref＝kvΔv+kdΔd (12)
式中kv，kd为模型系数分别去0.25和0.02；Δd为实际相对距离与理想相对距离的差值。
2.3跟踪模型的预测
为了方便起见，记p为预测时域，m为控制时域，且m≤p，并有如下假设：
控制时域之外，即当i＝m,m+1,…,p-1时，控制变量不变，即
Δu(k+i)＝0 (13)
由式(1)，式(3)建立的跟车模型和式(10)建立的估计模型，对自适应巡航***未来行为可做出如下的预测：
Figure GDA0002633290180000121
进一步展开得到：
Figure GDA0002633290180000122
其中
Figure GDA0002633290180000123
Figure GDA0002633290180000124
接下来将优化问题写成加权形式的值函数：
Figure GDA0002633290180000125
Figure GDA0002633290180000131
其中wy为***输出的权重矩阵，wu为***输入的权重，wΔu为***输入变化的权重。
将以上约束和相关车辆参数约束进行整理，并引入松弛变量ε。松弛变量的引入是为了解决当在约束范围内无法得到最优的解时，通过适当地增加约束范围从而得到最优解。如前车急加减速时，必须适当增加***输入变化范围才能保持继续跟踪前车，否则有很大的概率出现丢失跟踪对象或追尾。但是对于输出变量中的ΔR，为了保证安全性，不采用松弛变量。
至此上层控制的优化问题可以转化为带约束的二次规划问题：
Figure GDA0002633290180000132
s.t.
Figure GDA0002633290180000133
其中，ρ为松弛变量的权重系数；
Figure GDA0002633290180000134
分别为自车车速、自车加速度、自车加加速度、自车控制输入和自车控制输入变化量的约束松弛下界；
Figure GDA0002633290180000135
分别为自车车速、自车加速度、自车加加速度、自车控制输入和自车控制输入变化量的约束松弛上界；umin，umax分别为自车加速能力的上界和下界；Δumin，Δumax分别为自车加速度变化量的上界和下界；vmin，vmax为自车速度约束的上界和下界。
应用例：
应用驾驶模拟器进行方法的验证，采用Carsim软件的高精度车辆动力学模型，Prescan软件搭建模拟工况，G27模拟器模拟方向盘、油门和制动踏板。在该平台下，与传统的模型预测控制进行对比，MPC代表模型预测控制。
仿真用车型为C级掀背式轿车，前轮驱动，前车的车型与自车相同，采样时间取为Ts＝0.01s，模型预测控制方法仿真参数如表1所示。
仿真工况为：初始时刻两车之间的距离为30m，前车与自车初始车速分别为16m/s和14m/s，前车由驾驶员通过G27控制，车速变化规律为先加速后减速最后稳定行驶，自车由自适应跟车方法控制跟踪前车。仿真结果如图2-图5示。
表1仿真参数
Figure GDA0002633290180000141
由图2和图3可见，在0-18s前车的速度近似呈现正弦变化，在改进模型预测控制方法下，自车车速能够跟随前车一起变化，自车和前车的向距离不仅在合理的范围内，而且变化趋势比较缓和。虽然存在较小迟滞，即当前车减速时，自车没有立即减速，但是并没有产生严重的影响。在传统模型预测控制下，由于认为前车加速度保持不变，在计算预测输出量时，若前车的加速降低时，预测输出会偏大导致自车加速度偏大，即车身上升快；同理减速度增加时，导致自车减速度偏小，即车速下降慢，这也是传统模型预测的缺点。所以自车速度变化趋势跟踪不如改进模型跟踪控制方法好。18s以后，两种方法下，自车的车速与前车的逐渐保持一致，自车与前车的相对距离也趋于安全值。
由图4可以印证，传统的MPC下的自车，当前车加速度变化时，加速度会偏大或偏小，而改进的MPC下的自车，不仅峰值加速度降低了23.08％，而且加速度变化更加圆滑。因此从经济角度上讲，改进MPC方法更具有经济性。
而由图5可见，除了初始阶段，由于前车不仅速度高于自车，而且在作加速运动，使得自车会产生加大的加速度才能跟踪上前车，造成了初始阶段自从加加速度较大。但是随后的时间里，一方面，改进MPC方法下的自车加加速度均在±1m/s3以内，另一方面峰值加加速度降低了31.21％。因此从舒适性角度上讲，改进MPC方法更具有舒适性。
燃油消耗是根据发动机转速与节气门开度查表得到燃油消耗率并积分得到。由图6可见，传统MPC控制下自车油消耗为5.595kg，改进MPC控制下为4.996kg，减少了约10.71％。
表2两种不同MPC方法对比
Figure GDA0002633290180000151
基于前车过去的加速度信息，建立了较为准确的预测方法，从而改进传统的模型预测控制。从实验结果看，改进的MPC能够实现跟车功能，且在指定的仿真工况中对比传统MPC，根据表峰值加速度降低了25.20％，加加速度峰值降低了31.21％，燃油消耗减少了10.71％，因此乘坐舒适性和经济性得到明显的提升，实现了多目标优化。

Claims (1)

1.一种基于改进模型预测控制的自适应跟车方法，其特征在于，包括以下步骤：
一、跟车模型的建立
自适应巡航***的控制器分为上下两层控制，上层控制器根据接收到相对距离，相对速度的信息，计算出期望的加速度，并传递给下层控制器；下层控制器由加速度根据车辆逆纵向动力学模型去控制油门开度和制动压力；
(1)上层控制器
首先根据自适应跟车模型的相对运动关系，建立如下的状态空间方程：
x(k+1)＝Ax(k)+Bu(k)+Gw(k) (1)
Figure FDA0002633290170000011
w(k)＝ap(k),x(k)＝[R(k),vh(k),Δv(k),ah(k),jh(k)]T，
式(1)中，k表示当前时刻，k+1表示下一个采样时刻，R为两车之间的相对距离，vh为自车速度，Δv为两车相对速度，ah自车加速度，jh为自车加加速度，vp前车速度，ap前车加速度，τ为时间常数，取0.5,Ts为采样时间，Ts＝0.01s；u(k)为上层控制器的控制输入量,ades为自车期望的加速度；
由输出变量选取为自车和前车相对距离与期望距离的差值ΔR，两车相对速度Δv，自车加速度ah和自车加加速度jh，得到输出方程：
y(k+1)＝Cx(k+1)+z (2)
Figure FDA0002633290170000021
th为车头时距，R0为自车静止时与前车保持的距离；
期望的相对距离采用可变间距策略中的恒定车头时距采用定车头时距，即参考相对距离Rref为
Rref＝R0+thvh (3)
(2)下层控制器
在下层控制中,采用逆纵向动力学模型，在实际过程中,下层控制器的输入即上层控制中的自车期望加速度ades和实际输出的加速度a存在延迟,用一阶惯性***表示：
Figure FDA0002633290170000022
式中τ为时间常数，s为复变量；
二、改进模型预测控制的方法建立
构建一个估计器，利用之前时刻的值采用最小二乘法拟合出最逼近的直线，并估计未来时刻的值，最后利用模型预测方法计算出最优的期望加速度；
(1)最小二乘法拟合
在进行估计之前，先进行以下条件假设：在相对较短的时间内，前车加速度ap，近似沿着直线变化，即：
ap(t)＝a0+a1t (5)
其中a0和a1为直线方程的系数；因此，采用最小二乘法来得到a0和a1值，并估计未来时刻的值；
n为时间，若有n-1个过去的采样值分别为ap(k+1-n)，ap(k+2-n)，ap(k+3-n)，……，ap(k-1)以及当前采样前车加速度值ap(k)，通过当前采样值的直线由式(5)可以得到：
Figure FDA0002633290170000031
其中
Figure FDA0002633290170000032
为预测加速度值；
为了使得直线能够逼近其他时刻的采样值，选取权重评价函数Ja为：
Figure FDA0002633290170000033
其中为qi权重矩阵，表示各个采样时刻的权重系数，利用求导得到式(7)最小值时对应的a1，
Figure FDA0002633290170000034
Figure FDA0002633290170000035
然后再利用式(6)进行预测；
Figure FDA0002633290170000036
(2)自适应巡航的控制目标分析
在模型预测控制中，为了避免控制对象出现较大的变化，使y(k+1)沿着期望的平缓曲线到达设定值，采用如下的参考曲线：
yref(k+i)＝αiy(k)+(1-αi)yref(k) (11)
其中，yref为参考值，α参数越小参考轨迹到达参考值的响应时间越短，此处α取0.9；
跟踪前车的最终目标是自车和前车的相对速度Δv为0，同时，相对距离R趋近于期望的相对距离，即
Δv→0，R→Rref
相对距离的期望值由式(3)计算得到；
相对速度期望值为0；
加速度的期望值aref采用的模型如下，即
aref＝kvΔv+kdΔd (12)
式中kv，kd为模型系数分别去0.25和0.02；Δd为实际相对距离与理想相对距离的差值；
(3)跟踪模型的预测
记p为预测时域，m为控制时域，且m≤p，并有如下假设：
控制时域之外，即当i＝m,m+1,…,p-1时，控制变量不变，即
Δu(k+i)＝0 (13)
由式(1)，式(3)建立的跟车模型和式(10)建立的估计模型，对自适应巡航***未来行为可做出如下的预测：
Figure FDA0002633290170000041
进一步展开得到：
Figure FDA0002633290170000042
Figure FDA0002633290170000051
Figure FDA0002633290170000052
Figure FDA0002633290170000053
接下来将优化问题写成加权形式的值函数：
Figure FDA0002633290170000054
其中wy为***输出的权重矩阵，wu为***输入的权重，wΔu为***输入变化的权重；
将以上约束和相关车辆参数约束进行整理，并引入松弛变量ε，松弛变量ε的引入是为了解决当在约束范围内无法得到最优的解时，通过适当地增加约束范围从而得到最优解；至此上层控制的优化问题可以转化为带约束的二次规划问题：
Figure FDA0002633290170000061
s.t.
Figure FDA0002633290170000062
其中，ρ为松弛变量的权重系数；
Figure FDA0002633290170000063
分别为自车车速、自车加速度、自车加加速度、自车控制输入和自车控制输入变化量的约束松弛下界；
Figure FDA0002633290170000064
分别为自车车速、自车加速度、自车加加速度、自车控制输入和自车控制输入变化量的约束松弛上界；umin，umax分别为请求加速度值的上界和下界；Δumin，Δumax分别为请求加速度值变化量的上界和下界；vmin，vmax为自车速度约束的上界和下界。
CN201710826862.3A 2017-09-14 2017-09-14 基于改进模型预测控制的自适应跟车方法 Active CN107808027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710826862.3A CN107808027B (zh) 2017-09-14 2017-09-14 基于改进模型预测控制的自适应跟车方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710826862.3A CN107808027B (zh) 2017-09-14 2017-09-14 基于改进模型预测控制的自适应跟车方法

Publications (2)

Publication Number Publication Date
CN107808027A CN107808027A (zh) 2018-03-16
CN107808027B true CN107808027B (zh) 2020-11-24

Family

ID=61583930

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710826862.3A Active CN107808027B (zh) 2017-09-14 2017-09-14 基于改进模型预测控制的自适应跟车方法

Country Status (1)

Country Link
CN (1) CN107808027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3118745A1 (fr) * 2021-01-14 2022-07-15 Psa Automobiles Sa Procédé et dispositif de détermination d’une accélération d’un objet mobile dans un environnement d’un véhicule

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108313057B (zh) * 2018-04-09 2019-09-24 重庆大学 基于mpc和凸优化算法的纯电动汽车自适应巡航控制方法
CN108860148B (zh) * 2018-06-13 2019-11-08 吉林大学 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法
CN108839655A (zh) * 2018-06-29 2018-11-20 北京理工大学 一种基于最小安全车距的协同式自适应控制方法
CN108958258B (zh) * 2018-07-25 2021-06-25 吉林大学 一种无人车的轨迹跟随控制方法、控制***及相关装置
CN109131325B (zh) * 2018-08-15 2020-07-31 江苏大学 智能驾驶汽车的三维可拓预瞄切换的车道保持控制方法
CN109229098B (zh) * 2018-09-05 2020-09-11 广州小鹏汽车科技有限公司 一种用于控制车辆自适应巡航车距的方法及车用跟随行驶控制装置
DE102018220505A1 (de) * 2018-11-28 2020-05-28 Robert Bosch Gmbh Modellprädiktive Regelung mit verbesserter Berücksichtigung von Beschränkungen
CN109725639B (zh) * 2018-12-13 2021-12-07 北京工业大学 巡航***的线性控制方法及装置
CN109606383B (zh) * 2018-12-29 2020-07-10 百度在线网络技术（北京）有限公司 用于生成模型的方法和装置
CN110262229B (zh) * 2019-05-27 2022-04-12 东南大学 基于mpc的车辆自适应路径追踪方法
CN110588652B (zh) * 2019-08-16 2021-05-25 江苏大学 一种低油耗的车辆自适应巡航控制***及其控制方法
CN110456801B (zh) * 2019-08-29 2022-05-17 重庆长安汽车股份有限公司 一种自动驾驶汽车的跟车控制方法、装置及汽车
CN111547064B (zh) * 2020-05-26 2022-07-12 吉林大学 一种用于汽车自适应巡航***的驾驶风格识别和分类方法
CN112124298B (zh) * 2020-09-21 2021-12-24 吉林大学 一种基于快速求解算法的混合动力车辆跟车巡航能量管理方法
CN112477880B (zh) * 2020-11-30 2022-05-20 天津大学 一种无人驾驶汽车纵向控制方法
CN112590788B (zh) * 2020-12-10 2022-04-01 上汽通用五菱汽车股份有限公司 车辆加速控制方法、acc***、车辆及存储介质
CN112590871B (zh) * 2020-12-23 2022-09-02 交控科技股份有限公司 列车安全防护方法、装置和***
CN113232651B (zh) * 2021-02-08 2022-07-22 杭州电子科技大学 一种基于adhdp的燃油汽车生态自适应巡航控制方法
CN113190055B (zh) * 2021-05-28 2023-02-17 北京理工大学 一种电动汽车速度跟踪控制方法
CN113788021B (zh) * 2021-09-03 2022-08-12 东南大学 一种结合前车速度预测的自适应跟车巡航控制方法
CN113859236A (zh) * 2021-09-07 2021-12-31 中汽创智科技有限公司 一种跟车控制***、车辆、方法、装置、设备及存储介质
CN114394092B (zh) * 2022-01-28 2022-11-29 华东交通大学 基于车车通信的混合车流汽车协同自适应巡航控制方法
CN116118730B (zh) * 2023-03-22 2023-11-03 北京京深深向科技有限公司 一种预见性巡航***的控制方法、装置、设备及介质
CN117068159B (zh) * 2023-08-30 2024-04-19 东风柳州汽车有限公司 一种基于抗扰控制的自适应巡航***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101417655A (zh) * 2008-10-14 2009-04-29 清华大学 一种车辆多目标协调式自适应巡航控制方法
CN102109821A (zh) * 2010-12-30 2011-06-29 中国科学院自动化研究所 车辆自适应巡航控制***及方法
US8649941B1 (en) * 2012-08-14 2014-02-11 Nissan North America, Inc. Method for operating a vehicle system
CN103847740A (zh) * 2012-12-05 2014-06-11 现代摩比斯株式会社 智能型巡航控制***及其控制方法
CN105636081A (zh) * 2016-01-26 2016-06-01 大连理工大学 基于灰色模型预测的east改进算法
JP2017052393A (ja) * 2015-09-09 2017-03-16 トヨタ自動車株式会社 車両走行制御装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10101050B2 (en) * 2015-12-09 2018-10-16 Google Llc Dispatch engine for optimizing demand-response thermostat events

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101417655A (zh) * 2008-10-14 2009-04-29 清华大学 一种车辆多目标协调式自适应巡航控制方法
CN102109821A (zh) * 2010-12-30 2011-06-29 中国科学院自动化研究所 车辆自适应巡航控制***及方法
US8649941B1 (en) * 2012-08-14 2014-02-11 Nissan North America, Inc. Method for operating a vehicle system
CN103847740A (zh) * 2012-12-05 2014-06-11 现代摩比斯株式会社 智能型巡航控制***及其控制方法
JP2017052393A (ja) * 2015-09-09 2017-03-16 トヨタ自動車株式会社 車両走行制御装置
CN105636081A (zh) * 2016-01-26 2016-06-01 大连理工大学 基于灰色模型预测的east改进算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Model predictive control for adaptive cruise control with multi-objectives comfort,fuel-economy,safety and car-following》;li-hua luo 等;《浙江大学学报A辑（应用物理与工程）（英文版）》;20100315(第3期);191-201 *
《汽车自适应巡航线性渗变间距控制算法》;高振海 等;《吉林大学学报》;20160731;1023-1029 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3118745A1 (fr) * 2021-01-14 2022-07-15 Psa Automobiles Sa Procédé et dispositif de détermination d’une accélération d’un objet mobile dans un environnement d’un véhicule

Also Published As

Publication number Publication date
CN107808027A (zh) 2018-03-16

Similar Documents

Publication Publication Date Title
CN107808027B (zh) 基于改进模型预测控制的自适应跟车方法
CN106476806B (zh) 基于交通信息的协同式自适应巡航***算法
CN109927725B (zh) 一种具有驾驶风格学习能力的自适应巡航***及实现方法
CN106740846B (zh) 一种双模式切换的电动汽车自适应巡航控制方法
Shakouri et al. Nonlinear model predictive control approach in design of adaptive cruise control with automated switching to cruise control
CN104859650B (zh) 一种多时间尺度的车辆横摆稳定性滚动优化控制方法
Li et al. Model predictive multi-objective vehicular adaptive cruise control
Nouveliere Experimental vehicle longitudinal control using a second order sliding mode technique
Olin et al. Reducing fuel consumption by using information from connected and automated vehicle modules to optimize propulsion system control
JP6838623B2 (ja) アダプティブクルーズ制御装置および制御方法
Chiang et al. The human-in-the-loop design approach to the longitudinal automation system for an intelligent vehicle
WO2014149043A1 (en) Smart cruise control system
CN107832517B (zh) 基于相对运动关系的acc纵向运动学建模方法
CN106882079B (zh) 一种驱动制动优化切换的电动汽车自适应巡航控制方法
Marzbanrad et al. Self-tuning control algorithm design for vehicle adaptive cruise control system through real-time estimation of vehicle parameters and road grade
WO2014149044A1 (en) Smart cruise control system
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
CN113419533A (zh) 一种基于通信延迟的智能车队纵向跟随控制方法
CN115285120B (zh) 一种基于模型预测控制的车辆跟随分层式控制***及方法
Girard et al. Intelligent cruise control applications: Real-time embedded hybrid control software
Ying et al. Research on adaptive cruise control systems and performance analysis using Matlab and Carsim
CN114394092A (zh) 基于车车通信的混合车流汽车协同自适应巡航控制方法
Kamal et al. Eco-driving using real-time optimization
Nilsson et al. Automated highway lane changes of long vehicle combinations: A specific comparison between driver model based control and non-linear model predictive control
Kavas-Torris et al. A Comprehensive Eco-Driving Strategy for Connected and Autonomous Vehicles (CAVs) with Microscopic Traffic Simulation Testing Evaluation

Legal Events

Date Code Title Description
PB01 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
TR01 Transfer of patent right

Effective date of registration: 20240116

Address after: No. 181-2 Tongjing South Road, Gusu District, Suzhou City, Jiangsu Province, 215008

Patentee after: Hu Haibo

Address before: 200093 No. 516, military road, Shanghai, Yangpu District

Patentee before: University of Shanghai for Science and Technology

TR01 Transfer of patent right