CN109360409A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109360409A CN109360409A CN201811124488.3A CN201811124488A CN109360409A CN 109360409 A CN109360409 A CN 109360409A CN 201811124488 A CN201811124488 A CN 201811124488A CN 109360409 A CN109360409 A CN 109360409A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- hybrid vehicle
- optimal
- driving style
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 16
- 238000005096 rolling process Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000006855 networking Effects 0.000 claims abstract description 6
- 238000007726 management method Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 239000002828 fuel tank Substances 0.000 claims description 3
- 239000003502 gasoline Substances 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/22—Platooning, i.e. convoy of communicating vehicles
-
- 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
- B60W30/143—Speed control
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Hybrid Electric Vehicles (AREA)
Abstract
本发明公开了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，涉及智能网联混合动力汽车领域，首先借助车联网技术及智能交通***获得前后车距离、道路限速、交通信号灯等实时信息，利用粒子群滚动优化算法求解最优车速；然后结合不同驾驶风格的驾驶员跟踪目标车速所得到的误差大数据，利用BP神经网络和补偿算法求解驾驶辅助***的指令速度。再通过混合动力汽车能量管理控制发动机和电机转矩在最优转矩附近。本发明结合智能交通***和驾驶员驾驶风格，求解驾驶辅助***的指令速度，并对混合动力汽车进行实时能量管理控制，达到了提升道路通行能力和提高车辆燃油经济性的目的，为混合动力汽车结合智能交通环境与智能辅助驾驶提供了新的方向。
Description
技术领域
本发明涉及智能网联混合动力汽车技术领域，尤其涉及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。
背景技术
随着全球能源与环境问题的日益凸显，新能源汽车逐渐成为汽车工业未来发展的方向，而混合动力汽车凭借其油耗低、续航里程长等优势成为目前汽车市场重要的一部分。另一方面，随着移动互联网、人工智能、大数据等新技术的发展，汽车工业也正经历着新的革命，互联网与汽车工业融合是大势所趋。在此背景下，各大汽车企业也加快了这方面的布局，上汽集团就提出了“新四化”：电动化、网联化、智能化、共享化。
一直以来，人、车、路是一个密不可分的整体，而智能交通、车联网、信息交互等技术的发展也促进了智能网联汽车和智能驾驶辅助***的发展，实现人、车、路三者协同工作，对提升道路交通环境的安全性和高效性有重要意义。另外，能够进一步完善混合动力汽车实时能量管理策略，而能量管理策略又是混合动力汽车节能减排效果的关键。
智能网联汽车能够获取道路交通信息和周围车辆信息也能发送自己的车辆信息进行信息交互，通过对智能网联混合动力汽车编队控制，能够避免碰撞和不必要的加减速，以及在路口长时间等红灯的情况发生，对提高道路通行能力、交通安全性、车辆燃油经济性有重要作用。
目前结合车联网和混合动力汽车的研究大多针对单辆车，或者只考虑安全性，没有在规划车速时将燃油经济性也考虑进去。对队列控制方面的研究比较少，而且并没有考虑驾驶员的驾驶误差对车速的影响。
发明内容
为解决上述存在的问题，本发明提出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，该方法达到提升道路通行能力和提高车辆燃油经济性的目的，同时为混合动力汽车结合智能交通环境与智能辅助驾驶提供了新的方向。
本发明采用如下技术方案：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，包括如下步骤：
智能交通信息：基于车联网环境，采集实时路况和交通信号灯信息，以及自车和前后车位置、车速、加速度信息；
最优车速规划：根据交通信号灯信息求解目标车速范围，目标车速范围的上限为初始目标车速；建立整车纵向动力学模型和油耗模型，并利用粒子群滚动优化算法求解多目标问题得到最优车速；
误差补偿计算：基于不同驾驶员跟踪目标车速所得到的误差样本数据，利用BP神经网络进行误差预测并结合补偿算法求解出指令车速，并将求解出的指令车速传递给驾驶员；
能量管理：驾驶员根据指令车速进行加速或者制动，能量管理控制器根据加速或制动信息求解发动机和电机的最优转矩并进行指令传送和控制执行。
进一步的，所述最优车速规划中，根据交通信号灯信息求解目标车速范围，如下式：
其中和分别为队列中第m辆车目标车速的下限和上限，dm(k)为第m辆车在k时刻与前方交通信号灯之间的距离，rij为第i个路口的信号灯的第j个红灯窗口开始的时刻，gij为第i个路口的信号灯的第j个绿灯窗口开始的时刻，vmin和vmax分别为所在道路所允许的车辆最小和最大车速。
进一步的，所述最优车速规划中的整车纵向动力学模型如下式：
其中xm＝[sm,vm]，为第m辆车的状态变量，sm和vm分别该辆车的所处位置和速度，就是状态变量的变化率；um为控制变量，即单位质量牵引力或制动力；Mm为第m辆车的质量，CD为空气阻力系数，ρa为空气密度，Am为迎风面积，μ为滚动阻力系数，g为重力加速度，θ为道路坡度；
油耗模型如下式：
其中mmfuel为等效燃油消耗率，ηmeff为油箱到传动***的效率，H为汽油的低热值，Pmw(t)＝0.5ρaCDAmvm(t)3+μMmgvm(t)+Mmgθvm(t)+Mmvm(t)dvm(t)/dt，为需求功率；vm(t)在t时刻，第m辆车的车速。
进一步的，所述最优车速规划中的多目标问题如下：
其中T为预测时域；为k时刻第m辆车的初始目标车速；sm(k)为k时刻该车所处位置；Rmn(t)＝S0+thvm(t)-(sn(t)-sm(t))，为行驶时m车与其前车n车的距离和当前安全车距之间的差值，S0为车辆静态安全车距，th为车头时距，sn(t)和sm(t)分别为第n车和m车的坐标位置；um(t)为在t时刻，第m辆车的控制变量；ω1，ω2，ω3，ω4为权重系数。
进一步的，所述最优车速规划中的粒子群滚动优化算法包括以下步骤：
最优控制序列预测：在采样时刻，根据纵向动力学模型和目标函数，利用粒子群算法进行预测时域内的最优控制序列预测；将得到的最优控制序列中的第一个控制量作为实际控制量；
滚动优化：在下一采样时刻将预测时域向前推进一步，再次进行最优控制序列预测，如此不断重复实现滚动优化。
进一步的，误差补偿计算中，利用BP神经网络进行误差预测及补偿算法主要包括以下步骤：
基于不同的驾驶员跟踪目标车速的所得到的误差样本数据，进行BP神经网络训练，当前以及邻近的前三个时刻的车速和加速度作为神经网络的输入，输出下一时刻的车速误差；
把误差补偿计算中得到的最优车速输入训练好的神经网络得到驾驶员驾驶可能产生的误差；
通过补偿算法对误差进行补偿得到指令车速并通过驾驶辅助***传达给驾驶员。
进一步的，所述能量管理中，指令传送和控制执行主要包括以下步骤：
微处理器将信息处理成执行指令发送给发动机、电机、电池的通信模块；将通信模块将指令通过CAN总线发送给各控制模块实现能量分配。
本发明具有如下有益效果：
1.将智能网联技术与混合动力汽车能量管理相结合，为优化能量管理提供了新的思路和技术支持。
2.考虑路***通信号灯、道路限速、前后车运行信息的同时，将燃油消耗也作为一项考虑因素来求解最优车速，最后通过能量管理再一次减少燃油消耗，有效提高了车辆燃油经济性。
3.考虑不同驾驶风格对汽车速度的影响，对最优车速进行处理后通过智能驾驶辅助***传达给驾驶员，使车辆最终的速度更接近于最优车速。
4.运用本方法能够提高道路通行效率、交通安全性、车辆燃油经济性和排放性能。
5.本发明结合智能交通***和驾驶员驾驶风格，求解驾驶辅助***的指令速度，并对混合动力汽车进行实时能量管理控制，达到了提升道路通行能力和提高车辆燃油经济性的目的，为混合动力汽车结合智能交通环境与智能辅助驾驶提供了新的方向。
附图说明
图1为本发明基于驾驶风格的智能网联混合动力汽车编队控制的原理图；
图2为本发明技术路线图；
图3为本发明的粒子群滚动优化算法示意图；
图4为本发明BP神经网络结构图；
图5为交通信号灯时空分布示意图。
具体实施方式
为对本发明做进一步的了解，现下面结合技术方案和附图详细叙述：
结合附图1，在智能交通***中，车辆可以获得周围车辆信息、交通信号灯信息等其他道路信息，根据这些信息，最优车速规划控制器可以求解出最优车速。误差补偿控制器根据最优车速以及预测的误差，求得指令车速，并将其传达给驾驶员。能量管理控制器根据驾驶员的加速或制动信息，对车辆的发动机和电机进行转矩并分配。
结合附图2，技术路线可分为上层控制和下层控制。上层控制包括：信号灯信息模型建模并利用信号灯信息求解初始目标车速，在此基础上建立多目标函数并设计预测控制算法求解最优车速。再利用BP神经网络预测误差，结合最优车速进行误差补偿，得到指令车速。下层控制包括：建立驾驶员以及整车和能量管理控制策略模型。最后对上下层联合仿真得到的结果进行分析。
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，具体包括如下步骤：
步骤一：基于车联网环境，采集实时路况和交通信号灯信息，以及该车和前后车位置、车速、加速度等信息；
步骤二：根据交通信号灯信息求解目标车速范围，如下式：
式中和分别为队列中第m辆车目标车速的下限和上限，dm(k)为第m辆车在k时刻与前方交通信号灯之间的距离，
结合附图5，rij为第i个路口的信号灯的第j个红灯窗口开始的时刻，gij为第i个路口的信号灯的第j个绿灯窗口开始的时刻，vmin和vmax分别为所在道路所允许的车辆最小和最大车速。
该车速范围的上限即为初始目标车速。
步骤三：为求解最优车速，需要建立整车纵向动力学模型和油耗模型，并建立多目标函数，并采用粒子群滚动优化算法进行求解。具体步骤如下：
①建立整车纵向动力学模型：
其中xm＝[sm,vm]，为第m辆车的状态变量，sm和vm分别该辆车的所处位置和速度，就是状态变量的变化率。um为控制变量，即单位质量牵引力或制动力。Mm为第m辆车的质量，CD为空气阻力系数，ρa为空气密度，Am为迎风面积，μ为滚动阻力系数，g为重力加速度，θ为道路坡度。
②建立油耗模型：
其中mmfuel为等效燃油消耗率，ηmeff为油箱到传动***的效率，H为汽油的低热值，Pmw(t)＝0.5ρaCDAmvm(t)3+μMmgvm(t)+Mmgθvm(t)+Mmvm(t)dvm(t)/dt，为需求功率。
③建立多目标函数如下：
其中T为预测时域；为k时刻第m辆车的初始目标车速；sm(k)为k时刻该车所处位置；Rmn(t)＝S0+thvm(t)-(sn(t)-sm(t))，为行驶时m车与其前车n车的距离和当前安全车距之间的差值，S0为车辆静态安全车距，th为车头时距，sn(t)和sm(t)分别为第n车和m车的坐标位置；um(t)为t时刻，第m辆车的控制变量；ω1，ω2，ω3，ω4为权重系数；速度要满足步骤二求得的约束，控制变量也满足相应约束。
结合附图3，④利用粒子群滚动优化算法进行求解，具体如下：
a、在每一采样时刻，根据纵向动力学模型和目标函数，利用粒子群算法进行预测时域内的最优控制序列预测。而粒子群算法具体包括种群初始化；计算目标函数值、个体最优值pbest及全局最优值gbest；更新粒子的位置和速度，如下式：
式中和分别为粒子i的第j维分量在第k+1次迭代时的速度和位置，ω为惯性因子，c1、c2为学习因子，rand1、rand2为(0,1)之间的随机数。
b、控制序列的第一个控制量作为实际控制量作用于***，在下一采样时刻将预测时域向前推进一步，如此不断重复实现滚动优化；
步骤四：由于驾驶风格会影响最终车速，因此要对最优车速进行处理后传达给驾驶员一个指令车速，从而使车辆实际速度更接近于最优车速。具体如下：
①基于不同驾驶风格的驾驶员跟踪目标车速所得到的误差样本数据，进行BP神经网络训练，BP神经网络结构如图4，当前以及邻近的前3个时刻的车速和加速度作为神经网络的输入，输出下一时刻的车速误差，可表示为：
error(k+1)＝f[v(k),v(k-1),v(k-2),v(k-3)；u(k),u(k-1),u(k-2),u(k-3)]
②把之前得到的最优车速输入训练好的神经网络得到驾驶员驾驶可能产生的误差；
③通过补偿算法对误差进行补偿得到指令车速，并传达给驾驶员。
步骤五：在Simulink中建立驾驶员模型、混合动力整车模型以及能量管理控制策略并进行仿真。即驾驶员根据指令车速进行加速或制动，能量管理控制***根据加速或制动信息求解发动机和电机的最优转矩并进行指令传送和控制执行，指令传送和控制执行主要包括以下步骤：微处理器将信息处理成执行指令发送给发动机、电机、电池的通信模块；通过通信模块将指令通过CAN总线发送给各控制模块实现能量分配。
注：BP神经网络为反向传播神经网络(Back-Propagation neural network)
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (7)
1.一种基于驾驶风格的智能网联混合动力汽车编队控制方法，其特征在于，包括如下步骤：
智能交通信息：基于车联网环境，采集实时路况和交通信号灯信息，以及自车和前后车位置、车速、加速度信息；
最优车速规划：根据交通信号灯信息求解目标车速范围，目标车速范围的上限为初始目标车速；建立整车纵向动力学模型和油耗模型，并利用粒子群滚动优化算法求解多目标问题得到最优车速；
误差补偿计算：基于不同驾驶员跟踪目标车速所得到的误差样本数据，利用BP神经网络进行误差预测并结合补偿算法求解出指令车速，并将求解出的指令车速传递给驾驶员；
能量管理：驾驶员根据指令车速进行加速或者制动，能量管理控制器根据加速或制动信息求解发动机和电机的最优转矩并进行指令传送和控制执行。
2.根据权利要求1所述的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，其特征在于，所述最优车速规划中，根据交通信号灯信息求解目标车速范围，如下式：
其中和分别为队列中第m辆车目标车速的下限和上限，dm(k)为第m辆车在k时刻与前方交通信号灯之间的距离，rij为第i个路口的信号灯的第j个红灯窗口开始的时刻，gij为第i个路口的信号灯的第j个绿灯窗口开始的时刻，vmin和vmax分别为所在道路所允许的最小车速和最大车速。
3.根据权利要求1所述的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，其特征在于，所述最优车速规划中的整车纵向动力学模型如下式：
其中xm＝[sm,vm]，为第m辆车的状态变量，sm和vm分别该辆车的所处位置和速度，就是状态变量的变化率；um为控制变量，即单位质量牵引力或制动力；Mm为第m辆车的质量，CD为空气阻力系数，ρa为空气密度，Am为迎风面积，μ为滚动阻力系数，g为重力加速度，θ为道路坡度；
油耗模型如下式：
其中mmfuel为等效燃油消耗率，ηmeff为油箱到传动***的效率，H为汽油的低热值，Pmw(t)＝0.5ρaCDAmvm(t)3+μMmgvm(t)+Mmgθvm(t)+Mmvm(t)dvm(t)/dt，为需求功率；vm(t)在t时刻，第m辆车的车速。
4.根据权利要求1所述的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，其特征在于，所述最优车速规划中的多目标问题如下：
其中T为预测时域；为k时刻第m辆车的初始目标车速；sm(k)为k时刻该车所处位置；Rmn(t)＝S0+thvm(t)-(sn(t)-sm(t))，为行驶时m车与其前车n车的距离和当前安全车距之间的差值，S0为车辆静态安全车距，th为车头时距，sn(t)和sm(t)分别为第n车和m车的坐标位置；um(t)为在t时刻，第m辆车的控制变量；ω1，ω2，ω3，ω4为权重系数。
5.根据权利要求1所述的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，其特征在于，所述最优车速规划中的粒子群滚动优化算法包括以下步骤：
最优控制序列预测：在采样时刻，根据纵向动力学模型和目标函数，利用粒子群算法进行预测时域内的最优控制序列预测；将得到的最优控制序列中的第一个控制量作为实际控制量；
滚动优化：在下一采样时刻将预测时域向前推进一步，再次进行最优控制序列预测，如此不断重复实现滚动优化。
6.根据权利要求1所述的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，其特征在于，误差补偿计算中，利用BP神经网络进行误差预测及补偿算法主要包括以下步骤：
基于不同的驾驶员跟踪目标车速的所得到的误差样本数据，进行BP神经网络训练，当前以及邻近的前三个时刻的车速和加速度作为神经网络的输入，输出下一时刻的车速误差；
把误差补偿计算中得到的最优车速输入训练好的神经网络得到驾驶员驾驶可能产生的误差；
通过补偿算法对误差进行补偿得到指令车速并通过驾驶辅助***传达给驾驶员。
7.根据权利要求1所述的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，其特征在于，所述能量管理中，指令传送和控制执行主要包括以下步骤：
微处理器将信息处理成执行指令发送给发动机、电机、电池的通信模块；将通信模块将指令通过CAN总线发送给各控制模块实现能量分配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811124488.3A CN109360409A (zh) | 2018-09-26 | 2018-09-26 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811124488.3A CN109360409A (zh) | 2018-09-26 | 2018-09-26 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109360409A true CN109360409A (zh) | 2019-02-19 |
Family
ID=65347662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811124488.3A Pending CN109360409A (zh) | 2018-09-26 | 2018-09-26 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109360409A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110696815A (zh) * | 2019-11-21 | 2020-01-17 | 北京理工大学 | 一种网联式混合动力汽车的预测能量管理方法 |
| CN110718074A (zh) * | 2019-11-06 | 2020-01-21 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
| CN110834633A (zh) * | 2019-10-21 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆速度的控制方法、装置、车辆及存储介质 |
| CN111081009A (zh) * | 2019-12-30 | 2020-04-28 | 吉林大学 | 一种基于车联网的车辆编队行驶***及控制方法 |
| CN111080018A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于道路交通环境的智能网联汽车车速预测方法 |
| CN111341152A (zh) * | 2020-03-03 | 2020-06-26 | 东南大学 | 考虑待行队列影响与安全避撞的网联汽车绿色通行***与方法 |
| CN111422192A (zh) * | 2020-01-21 | 2020-07-17 | 吉林大学 | 智能网联商用车跟车行为下的排放与油耗协调控制*** |
| CN111439260A (zh) * | 2020-04-27 | 2020-07-24 | 吉林大学 | 面向个性化需求的网联商用柴油车巡航行驶优化控制*** |
| CN111959492A (zh) * | 2020-08-31 | 2020-11-20 | 重庆大学 | 一种网联环境下考虑换道行为的hev能量管理分层控制方法 |
| CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
| CN112437412A (zh) * | 2020-10-30 | 2021-03-02 | 北方工业大学 | 一种基于车路协同的混行驾驶车辆编队控制方法 |
| CN112466129A (zh) * | 2019-09-09 | 2021-03-09 | 大众汽车股份公司 | 交通工具、交通控制实体、用于调整队列中的交通工具的速度的方法、计算机程序和设备 |
| CN112562316A (zh) * | 2020-11-04 | 2021-03-26 | 中山大学 | 一种基于acp理论的智能网联车平行驾驶控制方法 |
| CN112767715A (zh) * | 2020-12-29 | 2021-05-07 | 合肥工业大学 | 一种交叉路***通信号灯与智能网联汽车的协同控制方法 |
| CN112977477A (zh) * | 2021-02-26 | 2021-06-18 | 江苏大学 | 一种基于神经网络的混合车车协同汇流***和方法 |
| CN113415288A (zh) * | 2021-06-23 | 2021-09-21 | 东风柳州汽车有限公司 | 分段式纵向车速规划方法、装置、设备及存储介质 |
| CN113978478A (zh) * | 2021-11-23 | 2022-01-28 | 北京理工大学 | 一种基于分层凸优化的燃料电池汽车节能驾驶方法 |
| CN116331184A (zh) * | 2023-03-31 | 2023-06-27 | 长安大学 | 基于机器视觉与雷达信息融合的车辆能量控制方法及*** |
| 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999661A (zh) * | 2012-11-16 | 2013-03-27 | 上海电机学院 | 基于粒子群优化的并行碰撞检测***及方法 |
| 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 |
| WO2016203618A1 (ja) * | 2015-06-18 | 2016-12-22 | 日産自動車株式会社 | 運転支援装置及び車両 |
| CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
| CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 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 |
| 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 |
-
2018
- 2018-09-26 CN CN201811124488.3A patent/CN109360409A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102999661A (zh) * | 2012-11-16 | 2013-03-27 | 上海电机学院 | 基于粒子群优化的并行碰撞检测***及方法 |
| WO2016203618A1 (ja) * | 2015-06-18 | 2016-12-22 | 日産自動車株式会社 | 運転支援装置及び車両 |
| 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 |
| CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
| CN106502098A (zh) * | 2016-11-19 | 2017-03-15 | 合肥工业大学 | 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 |
| 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 |
Cited By (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112466129A (zh) * | 2019-09-09 | 2021-03-09 | 大众汽车股份公司 | 交通工具、交通控制实体、用于调整队列中的交通工具的速度的方法、计算机程序和设备 |
| US11485361B2 (en) | 2019-09-09 | 2022-11-01 | Volkswagen Aktiengesellschaft | Method, computer program, and apparatus for adapting a speed of vehicles in a platoon, vehicle, traffic control entity |
| CN110834633A (zh) * | 2019-10-21 | 2020-02-25 | 中国第一汽车股份有限公司 | 一种车辆速度的控制方法、装置、车辆及存储介质 |
| CN110718074A (zh) * | 2019-11-06 | 2020-01-21 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
| CN110718074B (zh) * | 2019-11-06 | 2020-08-11 | 清华大学 | 混合交通交叉路口的信号灯与车辆的协同控制方法 |
| CN110696815B (zh) * | 2019-11-21 | 2020-10-09 | 北京理工大学 | 一种网联式混合动力汽车的预测能量管理方法 |
| CN110696815A (zh) * | 2019-11-21 | 2020-01-17 | 北京理工大学 | 一种网联式混合动力汽车的预测能量管理方法 |
| CN111080018A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于道路交通环境的智能网联汽车车速预测方法 |
| CN111080018B (zh) * | 2019-12-20 | 2024-02-20 | 南京航空航天大学 | 一种基于道路交通环境的智能网联汽车车速预测方法 |
| CN111081009A (zh) * | 2019-12-30 | 2020-04-28 | 吉林大学 | 一种基于车联网的车辆编队行驶***及控制方法 |
| CN111422192A (zh) * | 2020-01-21 | 2020-07-17 | 吉林大学 | 智能网联商用车跟车行为下的排放与油耗协调控制*** |
| CN111422192B (zh) * | 2020-01-21 | 2021-08-17 | 吉林大学 | 智能网联商用车跟车行为下的排放与油耗协调控制方法 |
| CN111341152A (zh) * | 2020-03-03 | 2020-06-26 | 东南大学 | 考虑待行队列影响与安全避撞的网联汽车绿色通行***与方法 |
| CN111439260A (zh) * | 2020-04-27 | 2020-07-24 | 吉林大学 | 面向个性化需求的网联商用柴油车巡航行驶优化控制*** |
| CN111439260B (zh) * | 2020-04-27 | 2022-03-08 | 吉林大学 | 面向个性化需求的网联商用柴油车巡航行驶优化控制*** |
| CN111959492B (zh) * | 2020-08-31 | 2022-05-20 | 重庆大学 | 一种网联环境下考虑换道行为的hev能量管理分层控制方法 |
| CN111959492A (zh) * | 2020-08-31 | 2020-11-20 | 重庆大学 | 一种网联环境下考虑换道行为的hev能量管理分层控制方法 |
| CN112109708A (zh) * | 2020-10-26 | 2020-12-22 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
| CN112109708B (zh) * | 2020-10-26 | 2023-07-14 | 吉林大学 | 一种考虑驾驶行为的自适应巡航控制***及其控制方法 |
| CN112437412A (zh) * | 2020-10-30 | 2021-03-02 | 北方工业大学 | 一种基于车路协同的混行驾驶车辆编队控制方法 |
| CN112437412B (zh) * | 2020-10-30 | 2023-04-14 | 北方工业大学 | 一种基于车路协同的混行驾驶车辆编队控制方法 |
| CN112562316A (zh) * | 2020-11-04 | 2021-03-26 | 中山大学 | 一种基于acp理论的智能网联车平行驾驶控制方法 |
| CN112767715A (zh) * | 2020-12-29 | 2021-05-07 | 合肥工业大学 | 一种交叉路***通信号灯与智能网联汽车的协同控制方法 |
| CN112767715B (zh) * | 2020-12-29 | 2022-02-11 | 合肥工业大学 | 一种交叉路***通信号灯与智能网联汽车的协同控制方法 |
| CN112977477B (zh) * | 2021-02-26 | 2022-03-22 | 江苏大学 | 一种基于神经网络的混合车车协同汇流***和方法 |
| CN112977477A (zh) * | 2021-02-26 | 2021-06-18 | 江苏大学 | 一种基于神经网络的混合车车协同汇流***和方法 |
| CN113415288A (zh) * | 2021-06-23 | 2021-09-21 | 东风柳州汽车有限公司 | 分段式纵向车速规划方法、装置、设备及存储介质 |
| CN113415288B (zh) * | 2021-06-23 | 2022-03-18 | 东风柳州汽车有限公司 | 分段式纵向车速规划方法、装置、设备及存储介质 |
| CN113978478A (zh) * | 2021-11-23 | 2022-01-28 | 北京理工大学 | 一种基于分层凸优化的燃料电池汽车节能驾驶方法 |
| CN113978478B (zh) * | 2021-11-23 | 2023-11-21 | 北京理工大学 | 一种基于分层凸优化的燃料电池汽车节能驾驶方法 |
| CN116331184A (zh) * | 2023-03-31 | 2023-06-27 | 长安大学 | 基于机器视觉与雷达信息融合的车辆能量控制方法及*** |
| CN116331184B (zh) * | 2023-03-31 | 2024-04-02 | 长安大学 | 基于机器视觉与雷达信息融合的车辆能量控制方法及*** |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109360409A (zh) | 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 | |
| CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
| CN107351840B (zh) | 一种基于v2i的汽车节能路径及经济车速动态规划方法 | |
| Luo et al. | Green light optimal speed advisory for hybrid electric vehicles | |
| WO2022142540A1 (zh) | 基于智能网联信息的新能源汽车滑行控制***、方法及新能源汽车 | |
| Wang et al. | Research on eco-driving optimization of hybrid electric vehicle queue considering the driving style | |
| Yan et al. | Hierarchical predictive energy management of fuel cell buses with launch control integrating traffic information | |
| CN111959492B (zh) | 一种网联环境下考虑换道行为的hev能量管理分层控制方法 | |
| CN105501216A (zh) | 基于车联网的混合动力汽车的分层能量管理控制方法 | |
| CN107577234A (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
| CN103158714A (zh) | 辅助驾驶者以高环境效率方式驾驶电动车的***和方法 | |
| CN109733378A (zh) | 一种线下优化线上预测的转矩分配方法 | |
| CN109291925A (zh) | 一种节能型智能网联混合动力汽车跟车控制方法 | |
| Wang et al. | Research on speed optimization strategy of hybrid electric vehicle queue based on particle swarm optimization | |
| CN111532264A (zh) | 一种面向变坡度和变限速交通场景的智能网联汽车巡航车速优化方法 | |
| CN112820126B (zh) | 一种非侵入式导向运输车辆路权优先运行控制及仿真方法 | |
| CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及*** | |
| CN108313057B (zh) | 基于mpc和凸优化算法的纯电动汽车自适应巡航控制方法 | |
| CN115534929A (zh) | 基于多元信息融合的插电式混合动力汽车能量管理方法 | |
| Rios-Torres et al. | Eco-driving system for energy efficient driving of an electric bus | |
| CN112767715A (zh) | 一种交叉路***通信号灯与智能网联汽车的协同控制方法 | |
| CN106494388A (zh) | 一种混合动力汽车能量管理及车速调整装置及方法 | |
| Chen et al. | Integrated velocity optimization and energy management for FCHEV: An eco-driving approach based on deep reinforcement learning | |
| CN112124298B (zh) | 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 | |
| Lin et al. | Fuel efficient control strategies for connected hybrid electric vehicles in urban roads |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190219 |