CN110456790A - 基于自适应权重的智能网联电动汽车队列优化控制方法 - Google Patents
基于自适应权重的智能网联电动汽车队列优化控制方法 Download PDFInfo
- Publication number
- CN110456790A CN110456790A CN201910702422.6A CN201910702422A CN110456790A CN 110456790 A CN110456790 A CN 110456790A CN 201910702422 A CN201910702422 A CN 201910702422A CN 110456790 A CN110456790 A CN 110456790A
- Authority
- CN
- China
- Prior art keywords
- queue
- vehicle
- control
- cat
- matrix
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 18
- 241000282326 Felis catus Species 0.000 claims abstract description 75
- 239000011159 matrix material Substances 0.000 claims abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 12
- 230000006855 networking Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 102100021913 Sperm-associated antigen 8 Human genes 0.000 description 1
- 101710098579 Sperm-associated antigen 8 Proteins 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0295—Fleet control by at least one leading vehicle of the fleet
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
基于自适应权重的智能网联电动汽车队列优化控制方法,涉及汽车智能安全与自动驾驶。首先对智能网联电动汽车纵向动力学模型进行线性化处理,其次,设计队列二次型控制器,利用猫群算法根据队列中车辆的当前状态利用跟踪模式和搜索模式对二次型队列控制器的权重矩阵进行实时局部优化和实时全局优化,最终获得当前状态对应的最优控制变量和最优状态变量,避免算法在对队列控制时,由于陷入局部最优解所导致的***抖振和迭代末期由于多样性的减少出现的收敛缓慢等现象,实现当前车复杂运行工况下时,后车快速稳定的跟随,有效提高智能网联电动汽车队列控制的串稳定性、安全性、舒适性和准确性。
Description
技术领域
本发明涉及汽车智能安全与自动驾驶,特别是涉及一种基于自适应权重的智能网联电动汽车队列优化控制方法。
背景领域
智能网联电动汽车具有出色的机动性、控制灵活性和驱动简洁性,被认为是提高交通安全、减少环境污染和能源消耗的有效途径之一,引起了各国政府和科研机构的广泛关注。
智能网联电动汽车队列行驶的目的是解决交通滞留、驾驶员的工作负荷大、交通事故发生率较高和能耗等方面的问题。智能网联电动汽车为多输入多输出变量的非线性***,***具有高度非线性动态特性以及参数的不确定性等特点,设计高品质的队列控制方法可提高汽车队列行驶的安全性、串稳定性和道路通行能力,这对于我国智能网联电动汽车的发展和推广具有重要意义。
智能网联电动汽车队列行驶的主要任务是实现多个车辆按照一定的车间距和速度行驶,从而提高智能交通***的交通容量。文献[1](吴瑶,王欣,夏巍.基于动态面滑模控制的主动队列管理算法[J].舰船电子工程,2018,38(03):68-71.)采用一种基于动态面滑模控制的主动队列管理算法,可以克服***的不确定性干扰,但是仅能维持队列振荡在较小的范围内波动,不能有效消除振荡。文献[2](C.Desjardins and B.Chaib-draa,"Cooperative Adaptive Cruise Control:A Reinforcement Learning Approach,"inIEEE Transactions on Intelligent Transportation Systems,vol.12,no.4,pp.1248-1260,Dec.2011.doi:10.1109/TITS.2011.2157145)采用机器学习技术设计分布式控制器,使用梯度下降算法改进控制器参数可以优化队列性能,虽然实现了队列的精确控制,但是单辆车的车速和加速度呈现在小范围抖振,不满足车辆队列控制的舒适性要求。智能网联电动汽车队列控制***是包含了智能交通信号、电气和机械的非线性时变***,车辆之间的车速与距离控制、车辆与交通信号之间的信息传递、车辆自身及其内部各个部件之间的协调,使得智能网联电动汽车队列控制问题变得极其复杂。
发明内容
本发明的目的在于针对现有技术存在的上述问题,提供一种基于自适应权重的智能网联电动汽车队列优化控制方法。
本发明所述基于自适应权重的智能网联电动汽车队列优化控制方法,包括以下步骤:
1)智能网联电动汽车队列信息交互模块通过车车通信***获得自车与前车的距离和速度偏差等信息,通过车载传感器获得队列中每一辆智能电动汽车的车速和加速度,将获取的车辆状态发送给队列优化控制模块;
2)模型线性化处理器将电动汽车的非线性纵向动力学模型线性化,根据车间距离模型、车辆与交通信号灯之间的关系以及线性化后的电动汽车纵向动力学模型建立队列控制的状态空间表达式,队列优化控制模块包括猫群优化算法、二次型控制器和信号转换模块,猫群优化算法根据信息交互模块i获得的控制第i辆车所需的状态求解自适应权重矩阵Qi和Ri;二次型控制器根据猫群优化算法求得的自适应权重矩阵Qi和Ri计算最优状态反馈控制矩阵Ki,进而求出控制辅助变量ui;信号转换模块根据控制辅助变量ui求出期望的控制力矩Ti,具体方法为:
(1)模型线性化处理器对智能网联电动汽车纵向动力学模型线性化,结合车间距模型,建立队列控制第i辆车的状态空间表达式;
(2)设计二次型队列控制器,给权重矩阵设置初值;
(3)将权重矩阵参数的初值作为猫群优化算法中每一只猫的初始位置,根据结合率(MR,表示执行跟踪模式的猫个数在种群中的比例)确定猫群中每一只猫是处于搜索模式还是跟踪模式的flag值,根据选择概率选择新位置代替原来的位置;计算每一只猫的适应度值,并保留适应度值最高的解,根据MR更新猫群,满足结束条件即跳出优化,输出当前猫群最优解对应的猫的位置对应自适应权重矩阵Qi和Ri参数;
(4)根据获得的状态空间表达式的系数矩阵Ai、控制矩阵Bi、自适应权重矩阵Qi和Ri,利用微分黎卡提方程求解矩阵Pi,利用二次型控制器求解当前状态下的最优状态反馈控制矩阵Ki;根据状态反馈控制公式,转换控制辅助变量ui;
(5)信号转换模块将获得的控制辅助变量ui转换成控制力矩Ti,通过CAN网络将控制力矩Ti发送给电机执行器。
3)信号转换模块将获得的控制辅助变量ui处理成执行指令Ti后发送给车辆的执行器,最终实现对智能网联电动汽车的队列优化控制。
本发明针对目前使用滑模控制容易出现“抖振”现象和使用固定参数控制方法适应度不高,控制***动态特性较差等问题,提出一种基于自适应权重的智能网联电动汽车队列优化控制方法。本发明首先对智能网联电动汽车纵向动力学模型进行线性化处理,其次,设计队列二次型控制器,利用猫群算法根据队列中车辆的当前状态利用跟踪模式和搜索模式对二次型队列控制器的权重矩阵进行实时局部优化和实时全局优化,最终获得当前状态对应的最优控制变量和最优状态变量,避免算法在对队列控制时,由于陷入局部最优解所导致的***抖振和迭代末期由于多样性的减少出现的收敛缓慢等现象,实现当前车复杂运行工况下时,后车快速稳定的跟随,有效提高智能网联电动汽车队列控制的串稳定性、安全性、舒适性和准确性。
附图说明
图1为基于自适应权重的智能网联电动汽车队列优化控制***结构图。
图2为基于猫群算法的二次型队列控制器的权重矩阵优化流程图。
图3为猫群算法搜索模式和跟踪模式流程图。
具体实施方式
以下实施例将结合附图对本发明作进一步的说明。
本发明提供了一种智能网联电动汽车队列控制方法,其运用智能网联***,融合现代通信与网络技术,实现车与人、车、路、后台等智能信息交换共享,具备复杂的环境感知、智能决策、协同控制和执行等功能,可实现安全、舒适、节能、高效行驶。
如图1所示,本发明实施例所述基于自适应权重的智能网联电动汽车队列优化控制***,包括信息交互模块、队列优化控制模块和执行模块;信息交互模块、队列优化控制模块、执行模块依次连接;信息交互模块用于通过车车通信***获得自车与前车的距离和速度偏差等信息,通过车载传感器获得队列中每一辆智能电动汽车的车速和加速度,将获取的车辆状态发送给队列优化控制模块;所述队列优化控制模块包括模型线性化处理器、猫群优化算法、二次型控制器和信号转换模块;模型线性化处理器用于将电动汽车的非线性纵向动力学模型线性化,根据车间距离模型、车辆与交通信号灯之间的关系以及线性化后的电动汽车纵向动力学模型建立队列控制的状态空间表达式;猫群优化算法用于根据信息交互模块获得的控制第i辆车所需的状态求解自适应权重矩阵Qi和Ri;二次型控制器根据猫群优化算法求得的自适应权重矩阵Qi和Ri计算最优状态反馈控制矩阵,进而求出控制辅助变量;信号转换模块用于将获得的控制辅助变量处理成执行指令后发送给执行模块,实现对智能网联电动汽车的队列优化控制。
本发明实施例所述基于自适应权重的智能网联电动汽车队列优化控制方法,包括以下步骤:
A.信息交互模块。
信息交互模块通过车车通信***获得第i辆车与第i-1辆车之间的距离和速度偏差等信息,通过车载传感器获得队列中每一辆智能电动汽车的车速和加速度。最终将获取的车辆状态发送给队列优化控制模块i。
第一部分,智能网联电动汽车通过车车通信***获得第i-1辆车车速vi-1、第i-1辆车加速度ai-1和第i辆车与第i-1辆车的距离Δdi。
第二部分,通过车载传感器获得第i辆车的速度vi和加速度ai信息,通过CAN总线将信号传递给信息交互模块i。
B.队列优化控制模块。
首先,建立智能电动汽车的纵向动力学模型,设计模型线性化处理器将车辆的非线性模型进行性化处理,根据车间距模型、车辆与交通信号灯之间的关系建立队列控制的状态空间表达式。其次,队列优化控制模块通过信息交互***获得控制所需的状态。然后,队列控制算法分为猫群优化算法和线性二次型控制器两部分,猫群算法对线性二次型控制器的权重矩阵进行实时优化,线性二次型控制器计算最优状态反馈控制矩阵。
第一步,首先建立第i辆智能网联电动汽车纵向动力学模型,设计模型线性化处理器将复杂的非线性纵向动力学模型线性化;其次,建立N+1辆电动汽车组成的电动汽车队结构模型,将每辆电动汽车(领队电动车辆除外)的前一辆汽车的加速度作为可测的干扰变量,并传送给该车辆,从而较为有效地解决了前车与后车之间可能的耦合情况,最终获得的队列控制状态空间表达式。
建立车队中第i辆车的纵向动力学模型:
其中,mi为第i辆车的质量,Si(i=0,1,2...,n)为第i辆车在参考系的坐标,Fi是车辆的驱动力,σ代表空气质量密度,Aci表示第i辆车的横截面积,cdi是阻力系数,dmi代表第i辆车的机械阻力。
为了描述智能电动汽车的动力学特性,考虑到在实际情况下,电机的力矩输出响应应当具有一定的延时,为了弥补车辆力矩传输的非线性因素,故将该动态响应描述为一阶惯性模型,表达式如下:
其中,τmi代表电机一阶惯性时间常数,Tmi表示第i辆电动汽车的电机的力矩,Tmai表示第i辆电动汽车的电机实际输出到传动***的力矩。
考虑到实际情况下的传递效率问题,有如下等式成立:
Tdi=ηiRaiTmai (0.3)
Tdi=Fi×reffi (0.4)
其中,Tdi代表第i辆车传递到车轮的驱动力矩,ηi为第i辆车的传递效率,Rai表示第i辆车的总传动比,reffi表示第i辆车车轮半径;
由式(1.2)(1.3)(1.4)可以得到:
将(1.1)式的Fi带入式(1.5)可以得到:
在(1.1)式求导后的式子中带入(1.6)式能够得到如下方程:
对于式(1.7)的非线性方程,设计线性状态反馈控制器,将其线性化,如下所示:
其中,ui是控制辅助变量。
由此,可以得到简化的线性方程如下:
即:
其中,ai表示第i辆车的加速度。
车队由N+1辆排列行驶的车辆组成,数学几何结构表达式为:
δi=Si-1-Si-δdi-Li (0.11)
其中,S0是领头车辆的位置坐标,随着下标的增大,车辆的位置越来越靠后,Si(i=0,1,2...,n)代表第i辆车在参考系的坐标,δdi表示第i辆车与第i-1辆车之间的期望车间距离,δi表示期望车间距离与实际距离的偏差;Li表示第i辆车车长。
采用目前较为广泛应用的固定时间间隔策略(Constant-time headway spacingpolicy),其数学表达式为:
δdi=τhvi+d0 (0.12)
其中,τh为时间间隔,即后车到达前车当前位置所需要的时间;vi表示第i辆车的速度;d0代表车辆停止后的安全距离。
考虑到前车与后车之间可能存在耦合的情况,为了解决这个问题,可以将前车的部分信息考虑成可测的干扰项,在这里,将前车的加速度作为一个可测的干扰。
因此可以定义状态变量,xi=[δi Δvi ai]T,wi=ai-1
其中,wi是一个可测的干扰,也即是第i-1辆车的加速度ai-1,Δvi=vi-1-vi即第i辆车和第i-1车的速度差,并且假设加速度ai-1可以通过无线网络的方式从第i-1车传到第i辆车,最终队列控制状态空间表达式如下:
其中各个系数矩阵为:
第二步,采用线性二次型控制器对自适应权重矩阵设置初值。
根据二次型最优控制理论,Qi、Ri分别表示状态变量、控制变量的自适应权重矩阵,其中,Qi为半正定矩阵,Ri为正定矩阵。
设Ri=[ri]
其中,qdi、qvi、qai、ri就是对第i辆车当前状态和控制量即相对距离、相对速度、第i辆车实际加速度以及第i辆车期望加速度进行调节的状态变量和控制变量,因此可以得到:Equation Section(Next)
ui=-Ri -1BilT(Pixi+Qi) (1.1)
其中,常值矩阵Pi≥0。同时Pi矩阵还满足Riccati方程:
与此同时,记:
Qi=[(Ai-Ri -1BilBil TPi)T]-1PiBicwi (1.3)
故可以得到***的状态反馈矩阵表达式为:
K1i=[kpi kvi kai]=-Ri -1Bil TPi (1.4)
K2i=kci=-Ri -1Bil T[(Ai-Ri -1BilBil TPi)T]-1PiBic (1.5)
最终获得的闭环状态空间表达式为:
通过人工的方法对二次型控制器的权重矩阵进行调节,获得一个控制效果较好的状态变量和控制变量的权重矩阵的初始值。
第三步,具体流程如图2所示,将队列中第i辆车的权重矩阵的初值作为猫群优化算法中每一只猫的初始位置,随机初始化每只猫每一维度的速度,根据队列中第i辆车当前状态利用猫群算法实时优化二次型控制器的自适应权重矩阵Qi、Ri,具体流程如下所示:
1、生成N只猫,初始化猫群算法的不同参数,SMP(记忆池)、SRD(变化域)、CDC(变化数)、邻域结构、α、β、C,根据第二步所获得Qi、Ri的值对N只猫的位置和速度进行初始化。
每一只猫的位置采用四维数组表示,第m只猫的位置m=1,2,...N:
每只猫的速度采用四维数组表示,第m只猫的速度m=1,2,...N:
2、根据MR(结合率)确定每只猫所处模式,其中
3、flag=1猫处于搜索模式
3.1、将每只猫复制j份放入到SMP中。一般j=SMP,如果SPC(自身位置判断)为真,就将已经经过的位置作为要移动的候选位置,此时j=SMP-1,那么Xik表示第i只猫的第k个副本对应的位置,相应的Qik和Rik表示Xik对应参数所表示的第i辆车二次型控制器的自适应权重矩阵。
3.2、更新每个副本的位置值和速度值。
每个副本根据CDC的值,随机的对当前猫的位置加上或者减轻SRD%。这样每只猫复制的j个副本之间的位置值就差别开了,联系到自适应权重矩阵所表示的物理意义来看,相当于在猫的当前位置小区域范围内产生一系列的状态变量和控制变量。
3.3、计算猫的j个副本位置更新后的适应度函数值,计算公式如下所示:EquationSection(Next)
其中,xik表示的是第k只副本计算适应度函数时所代入的表示第i辆车当前状态量,uik表示的是第k只副本计算适应度函数值时所代入的预期施加在车辆上的控制量,Qik和rik表示的是当前第i只猫的第k只副本的位置和速度参数所对应的状态变量和控制变量所对应的加权矩阵。计算适应度函数的值的过程实质上就是实时计算队列控制状态空间表达式的二次型控制器最优控制矩阵的过程。
3.4、比较适应度函数的值,记录适应度函数最低对应的猫的位置
3.5、猫群算法搜索模式结束
4、flag=0猫处于跟踪模式
4.1、更新处于跟踪模式的猫的个体的位置和速度
按照下式更新第i只猫的位置:
其中,表示第i只猫更新后的位置,每一个猫的位置对应的都是当前队列状态下预期采用的状态变量和控制变量参数,为递增参数,Xbest表示的是整个猫群经历过的最好位置,即表示的是当前车辆状态下的可以获得最优控制目标的自适应权重矩阵对应的参数,更新前第i只猫的速度,猫的位置的更新就是根据当前队列状态下全局最优的自适应权重矩阵来指导下一时刻猫的位置更新,引入全局最优解指导猫的位置的变化是为了让算法更加快速的向着全局最优的方向进行更新。
按照下式更新第i只猫的速度:
其中,表示第i只猫更新后的速度,表示递减的加速度参数,εi表示均匀分布在0-1之间的随机向量。
按照上面的两个公式更新处于跟踪模式的猫的位置和速度,其中,由于βi(t)和αi(t)自适应参数的存在,使整个猫群处于跟踪模式和处于搜索模式的猫处于动态平衡的状态,增强算法的全局探索能力,改善迭代最后由于种群多样性不足导致的不收敛或者是收敛缓慢等问题,对应到实际对电动汽车的控制上来看将会提高控制的精确性和稳定性。
4.2、计算更新后的猫的适应度函数值。
适应度函数的计算公式与步骤3相同
4.3、比较适应度函数值,并保留适应度函数值最小的猫的位置。
4.4、跟踪模式结束。
5、判断是否满足结束条件
满足结束条件将输出适应度函数值最低对应的猫的位置,不满足输出条件将重新更新猫的位置和速度,重新进行猫的搜索模式进行分配。
第四步,根据第二步获得的第i辆车队列控制的开环状态空间表达式的系数矩阵Ai、控制矩阵Bi、根据第三步猫群算法优化后获得的自适应权重矩阵Qi、Ri,利用微分黎卡提方程求解矩阵Pi,根据线性二次型最优控制理论求解当前状态下的最优状态反馈控制矩阵Ki,根据状态反馈控制公式最终求得控制辅助变量ui。
根据下式:
信号转换模块将控制辅助变量ui转换为控制力矩Ti,并将信号传递给第i辆车的执行器。猫群算法搜索模式和跟踪模式流程图参见图3。
C.指令处理及控制执行部分
第i辆车的执行器根据获得的执行指令进行处理,最终实现对智能网联电动汽车队列控制。
综上所述,通过优化猫群的搜索模式和跟踪模式的位置和速度更新方法,根据当前车辆的状态对二次型控制器的自适应权重矩阵参数进行实时优化,建立一种基于自适应权重的智能网联电动汽车队列优化控制方法,避免算法控制复杂***时出现的抖振、计算缓慢、算法不收敛从而导致车辆控制不稳,超调量过大引起的危险工况,从而达到提高智能网联电动汽车队列控制的准确性、稳定性和安全性的目的。
以上内容是结合优选技术方案对本发明所做的进一步详细说明,不能认定发明的具体实施仅限于这些说明。对本发明所属技术领域的普通技术人员来说,在不脱离本发明的构思的前提下,还可以做出简单的推演及替换,都应当视为本发明的保护范围。
Claims (2)
1.基于自适应权重的智能网联电动汽车队列优化控制方法,其特征在于包括以下步骤:
1)智能网联电动汽车队列信息交互模块通过车车通信***获得自车与前车的距离和速度偏差等信息,通过车载传感器获得队列中每一辆智能电动汽车的车速和加速度,将获取的车辆状态发送给队列优化控制模块;
2)模型线性化处理器将电动汽车的非线性纵向动力学模型线性化,根据车间距离模型、车辆与交通信号灯之间的关系以及线性化后的电动汽车纵向动力学模型建立队列控制的状态空间表达式,队列优化控制模块包括猫群优化算法、二次型控制器和信号转换模块,猫群优化算法根据信息交互模块i获得的控制第i辆车所需的状态求解自适应权重矩阵Qi和Ri;二次型控制器根据猫群优化算法求得的自适应权重矩阵Qi和Ri计算最优状态反馈控制矩阵Ki,进而求出控制辅助变量ui;信号转换模块根据控制辅助变量ui求出期望的控制力矩Ti;
3)信号转换模块将获得的控制辅助变量ui处理成执行指令Ti后发送给车辆的执行器,最终实现对智能网联电动汽车的队列优化控制。
2.如权利要求1所述基于自适应权重的智能网联电动汽车队列优化控制方法,其特征在于在步骤2)中,所述求出期望的控制力矩Ti的具体方法为:
(1)模型线性化处理器对智能网联电动汽车纵向动力学模型线性化,结合车间距模型,建立队列控制第i辆车的状态空间表达式;
(2)设计二次型队列控制器,给权重矩阵设置初值;
(3)将权重矩阵参数的初值作为猫群优化算法中每一只猫的初始位置,根据结合率(MR,表示执行跟踪模式的猫个数在种群中的比例)确定猫群中每一只猫是处于搜索模式还是跟踪模式的flag值,根据选择概率选择新位置代替原来的位置;计算每一只猫的适应度值,并保留适应度值最高的解,根据MR更新猫群,满足结束条件即跳出优化,输出当前猫群最优解对应的猫的位置对应自适应权重矩阵Qi和Ri参数;
(4)根据获得的状态空间表达式的系数矩阵Ai、控制矩阵Bi、自适应权重矩阵Qi和Ri,利用微分黎卡提方程求解矩阵Pi,利用二次型控制器求解当前状态下的最优状态反馈控制矩阵Ki;根据状态反馈控制公式,转换控制辅助变量ui;
(5)信号转换模块将获得的控制辅助变量ui转换成控制力矩Ti。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702422.6A CN110456790B (zh) | 2019-07-31 | 2019-07-31 | 基于自适应权重的智能网联电动汽车队列优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702422.6A CN110456790B (zh) | 2019-07-31 | 2019-07-31 | 基于自适应权重的智能网联电动汽车队列优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110456790A true CN110456790A (zh) | 2019-11-15 |
CN110456790B CN110456790B (zh) | 2020-10-02 |
Family
ID=68484347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910702422.6A Active CN110456790B (zh) | 2019-07-31 | 2019-07-31 | 基于自适应权重的智能网联电动汽车队列优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110456790B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820097A (zh) * | 2021-01-08 | 2021-05-18 | 重庆邮电大学 | 一种基于5g-v2x及无人机的卡车队列纵向分层控制方法 |
CN113219962A (zh) * | 2021-02-26 | 2021-08-06 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行队列跟驰安全的控制方法、***及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2451686B1 (en) * | 2009-07-07 | 2013-05-01 | Volvo Lastvagnar AB | Method and controller for controlling output torque of a propulsion unit. |
CN103956045A (zh) * | 2014-05-13 | 2014-07-30 | 中国人民解放军军事交通学院 | 利用半实物仿真技术手段实现车队协同驾驶的方法 |
WO2016154033A1 (en) * | 2015-03-24 | 2016-09-29 | Brownridge Chelsea W | Dog locker/pet locker |
CN106476806A (zh) * | 2016-10-26 | 2017-03-08 | 上海理工大学 | 基于交通信息的协同式自适应巡航***算法 |
CN108357596A (zh) * | 2018-01-26 | 2018-08-03 | 浙江大学 | 一种基于行为驱动的自平衡无人驾驶自行车及其行为驱动的控制方法 |
CN109144076A (zh) * | 2018-10-31 | 2019-01-04 | 吉林大学 | 一种多车辆横纵向耦合协同控制***及控制方法 |
CN109591804A (zh) * | 2018-11-22 | 2019-04-09 | 湖南大学 | 考虑通信时延的车辆队列稳定性控制方法 |
-
2019
- 2019-07-31 CN CN201910702422.6A patent/CN110456790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2451686B1 (en) * | 2009-07-07 | 2013-05-01 | Volvo Lastvagnar AB | Method and controller for controlling output torque of a propulsion unit. |
CN103956045A (zh) * | 2014-05-13 | 2014-07-30 | 中国人民解放军军事交通学院 | 利用半实物仿真技术手段实现车队协同驾驶的方法 |
WO2016154033A1 (en) * | 2015-03-24 | 2016-09-29 | Brownridge Chelsea W | Dog locker/pet locker |
CN106476806A (zh) * | 2016-10-26 | 2017-03-08 | 上海理工大学 | 基于交通信息的协同式自适应巡航***算法 |
CN108357596A (zh) * | 2018-01-26 | 2018-08-03 | 浙江大学 | 一种基于行为驱动的自平衡无人驾驶自行车及其行为驱动的控制方法 |
CN109144076A (zh) * | 2018-10-31 | 2019-01-04 | 吉林大学 | 一种多车辆横纵向耦合协同控制***及控制方法 |
CN109591804A (zh) * | 2018-11-22 | 2019-04-09 | 湖南大学 | 考虑通信时延的车辆队列稳定性控制方法 |
Non-Patent Citations (3)
Title |
---|
INMO JANG 等: "《Cooperative Control for a Flight Array of UAVs and an Application in Radar Jamming》", 《IFAC PAPERSONLINE》 * |
吴瑶 等: "《基于动态面滑模控制的主动队列管理算法》", 《舰船电子工程》 * |
张云东: "《基于猫群优化算法的线性二次型最优控制器研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112820097A (zh) * | 2021-01-08 | 2021-05-18 | 重庆邮电大学 | 一种基于5g-v2x及无人机的卡车队列纵向分层控制方法 |
CN113219962A (zh) * | 2021-02-26 | 2021-08-06 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行队列跟驰安全的控制方法、***及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110456790B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
Alcala et al. | Gain‐scheduling LPV control for autonomous vehicles including friction force estimation and compensation mechanism | |
CN110703761B (zh) | 一种基于事件触发的网络化自主车队调度与协同控制方法 | |
CN110750877A (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
CN109910909B (zh) | 一种多车运动状态的汽车轨迹网联交互式预测方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN110456790B (zh) | 基于自适应权重的智能网联电动汽车队列优化控制方法 | |
Xu et al. | Robust control of connected cruise vehicle platoon with uncertain human driving reaction time | |
CN108845498B (zh) | 一种考虑反应滞后时间的驾驶员跟驰模型 | |
Min et al. | Constrained optimization and distributed model predictive control-based merging strategies for adjacent connected autonomous vehicle platoons | |
CN111443714A (zh) | 一种严格避撞的车辆队列分布式鲁棒控制方法及*** | |
CN108388247A (zh) | 一种基于有向通信网络的无人车编队驾驶方法 | |
CN105644566B (zh) | 一种基于车联网的电动汽车辅助换道轨迹的跟踪方法 | |
CN114253274A (zh) | 基于数据驱动的网联混合车辆编队滚动优化控制方法 | |
Zhang et al. | Analysis and design on intervehicle distance control of autonomous vehicle platoons | |
CN113015981A (zh) | 利用第一原则和约束进行有效、连续和安全学习的***和方法 | |
Zuo et al. | Platoon tracking control with road-friction based spacing policy for nonlinear vehicles | |
Wen et al. | Observer-based control of vehicle platoons with random network access | |
Wang et al. | Distributed MPC-based string stable platoon control of networked vehicle systems | |
Gharib et al. | Multi-objective optimization of a path-following MPC for vehicle guidance: A Bayesian optimization approach | |
CN114200835A (zh) | 一种基于Tube MPC的异构车队稳定性分布式控制方法 | |
Chen et al. | Traffic signal optimization control method based on adaptive weighted averaged double deep Q network | |
CN113561976B (zh) | 基于反馈优化的车辆节能预测自适应巡航控制方法和装置 | |
Wu et al. | An optimal longitudinal control strategy of platoons using improved particle swarm optimization |
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 |