CN110641470A - 一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 - Google Patents
一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 Download PDFInfo
- Publication number
- CN110641470A CN110641470A CN201910939997.XA CN201910939997A CN110641470A CN 110641470 A CN110641470 A CN 110641470A CN 201910939997 A CN201910939997 A CN 201910939997A CN 110641470 A CN110641470 A CN 110641470A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- target
- population
- value
- driver
- 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
Images
Classifications
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
-
- 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
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,利用NSGA‑II算法,对加速度值a优化求解,得到考虑加速时间,能量消耗,乘坐舒适性的多目标优化的Pareto非支配解;通过该方法得到的Pareto非支配解能满足驾驶员对于加速时间、能量消耗以及乘坐舒适性的需求,该需求可能是倾向于优化某一指标或者权衡优化,即为驾驶员提供适应其偏好的最优加速度值,优化加速驾驶过程。
Description
技术领域
本发明涉及汽车驾驶辅助***技术领域,特别是一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法。
背景技术
在节能减排的理念在全球活跃的近几年,能源消耗和二氧化碳排放依然持续增长,面对新的经济和生态问题,道路交通部门已开展各项行动以提高行驶车辆的燃油经济性和降低其排放,这其中包括更严格的汽车排放标准(例如6欧元/VI标准),新的发动机和车辆技术(如混合动力/电动汽车等新能源汽车),更好的燃油质量和可再生燃料(如高辛烷值汽油和生物燃料)。尤其是纯电动汽车,因其零排放,噪音低,零油耗的特点受到广泛的关注。然而“里程焦虑”一直是其让消费者望而却步的因素之一,所以提高纯电动汽车的经济性有利于其普及。
就提高纯电动汽车的经济性而言,除了其硬件技术的提升外,改变驾驶行为可以显著影响车辆的能耗。已有研究表明,驾驶员对汽车的性能有着十分重要的影响。即:无论车辆的硬件多么先进、能源多么高效,如果驾驶员操作不当或者驾驶员具有不良的驾驶行为,那么最终获得的节能效果将是次优的,从而无法发挥车辆真正的节能潜力,造成能量不必要的浪费。
加速驾驶在城市交通环境中占很大一部分,因此纯电动汽车对其燃油经济性有较高的要求,一旦驾驶员选择了一个行驶速度,他/她就会把车从静止加速到所需的速度。通常在这个过程中,驾驶员不会选择一个特定的加速度值,导致该过程中的加速度值不会是最佳的,因此,量化汽车的加速效应至关重要。目前已有研究表明,发现多加速度值比单加速度值更能优化能耗和加速时间,此外,研究还证明了加速时间与能量消耗是相互冲突的目标:即在优化一个目标的同时,会恶化另外一个目标。
其实除了能耗和加速时间外,乘坐舒适性也是驾驶途中应当考虑的问题;除了传动***动力学、车辆底盘、轮胎、路面等因素外,造成不适的唯一原因是加速度变化时产生的颠簸。对于给定的速度变化采用多个加速度,实现加速时间和能耗最小化,也意味着电动汽车司机会经历多个颠簸值。所以在寻找速度变化时的最佳加速度时,也应尽量减少由于颠簸而引起的不适。因此,在加速过程中,应考虑三个指标(即加速度持续时间最小化、减少加速过程所消耗的能量和降低冲击度),以获得高效、舒适的加速驾驶策略。与此同时,不同驾驶员在不同驾驶情景中的偏好与需求不尽相同,因此,十分有必要为驾驶员提供个性化的驾驶策略指导其驾驶。
发明内容
有鉴于此,本发明的目的是提供一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,与传统的只考虑节能的加速驾驶方法相比,除了可以减少能耗外,还可满足驾驶员对于加速时间和舒适性的需求,更加人性化。
本发明采用以下方案实现:一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,包括以下步骤:
步骤S1:输入车辆属性数据,并设置目标车速;
步骤S2:将加速时间最少,能量消耗最小,乘坐舒适性最佳即冲击度最小作为非优势排序的遗传算法NSGA-II的优化目标;依据上述优化目标,采用NSGA-II算法,结合仿真实验,对决策变量加速度a进行优化求解,获得Pareto非支配解集;
步骤S3:从所述Pareto非支配解集按照不同优化目选取的四组解,并将对应的决策变量加速度a分别拟合曲线供驾驶员选择;通过当前速度插值出决策变量a,用以为驾驶员提供优化的加速度值,从而使汽车能够加速到目标车速。
进一步地,步骤S1中所述车辆属性数据包括动力部件参数、牵引特性和电池特性。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:构建目标函数:选择加速度a作为决策变量,将加速时间最少,能量消耗最小,乘坐舒适性最佳作为优化目标;
选取加速度a作为决策变量,将加速度的最大数目设定为10,并对加速度的大小进行约束,具体如式(1)所示:
此外,当ai为0时,表示ai在加速过程中并没有被采用;这也表明加速过程中所采用的加速度的数目能够比10小;在实际加速过程中,加速度的值随速度的变化而变化;在加速初始阶段,所采用的加速度值ai最大,0≤ai≤3,随着速度的增加,加速值会逐渐减小;因此,根据目标速度值vtarget来设置决策变量a;具体设置过程如下:将vtarget均分为10个间隔,在每个间隔设置一个加速度值;其数学模型如式(2)所示:
将整个加速过程消耗的总能量定义为目标f1(a),f1(a)的数学模型如式(3)所示:
将整个加速过程的乘坐舒适性定义为目标f2(a),其数值上等于冲击度绝对值之和;f2(a)的数学模型如式(4)所示:
式中:ji为每一步所对应的冲击度;
将整个加速过程的所花费的时间定义为目标f3(a);f3(a)的数学模型如式(5)所示
f3(a)=m·μt
(5)
该多目标优化问题的目标函数表示如下:
步骤S22:获取Pareto非支配解集:在Matlab/Simulink仿真平台上建立多目标优化仿真模型即公式(6),运行仿真,通过公式(3),(4),(5)加速时间、能耗、冲击度数学模型计算得到个体适应度值,然后采用多目标算法NSGA-II,获取Pareto最优解集。
进一步地,所述步骤S22具体包括以下步骤:
步骤S221:初始化NSGA-II算法参数,所述参数包括种群个体数量N和最大迭代次数Gen;并随机生成N个个体;
步骤S222:随机初始化种群,得到初始种群Pt,t=0;
步骤S223:由步骤S21所述的目标函数的数学模型,对Pt计算目标函数值,得到适应度向量(f1(a),f2(a),f3(a)),即父代种群个体适应度值,依据所属适应度向量对个体进行快速非支配排序,得到非支配集,在每个非支配集分别对每个个体计算拥挤度值;
步骤S224:进行遗传操作:所述遗传操作包括选择、交叉和变异操作;依据个体所处的非支配集以及个体的拥挤度,通过锦标赛法进行选择算子,选择得到的个体用于进行之后的交叉、变异操作;所述交叉操作采用模拟二进制交叉;所述变异操作采用多项式变异,产生子种群Qt;
步骤S225:产生下一代父种群:父种群与子种群共同参与竞争,采用精英和适应度值共享策略,得到下一代父种群,具体为:
合并子代种群Qt和父代种群Pt作为新种群I,I=Pt+Qt,令t=t+1;
根据公式(6)对种群I中的所有个体计算目标函数值,得到适应度向量;依据适应度向量对个体进行快速非支配排序,得到非支配集Zi,在每个非支配集中分别对每个个体计算拥挤度值,依规则选择得出新父代种群Pt,
步骤S226:判断迭代是否满足终止条件:判断是否满足|Vactual-Vtarget|≤0.5,Vactual表示实际速度,Vtarget表示目标速度,若满足则结束并进入步骤S227,若不满足则返回步骤S224;
步骤S227:输出Pt中的所有个体作为问题的Pareto非支配解集,算法停止。
进一步地,步骤S223中所述计算拥挤度值的具体内容为:
首先,令每个点的拥挤度id为0;然后,随机选取适应度向量的一个分量,依据该分量排序,将边界的两个体拥挤度记为无穷,即Od=id=∞;最后,对其他个体进行拥挤度的计算:
进一步地,所述步骤S4的具体内容为:
从步骤S2中得到的Pareto非支配解集按照不同优化目的分别选取四组数据;其中,第1组数据偏向于优化加速时间;第2组数据偏向于优化能耗;第3组数据偏向于优化乘坐舒适性;第4组数据能权衡优化加速时间、能耗、乘坐舒适性;将这4组数据对应的决策变量拟合成曲线;当汽车加速时,驾驶员能够根据个人偏好选择相应的决策变量拟合曲线;通过当前速度插值出决策变量a,优化汽车的加速过程。
与现有技术相比,本发明具有以下有益效果:
(1)本发明将NSGA-II应用于驾驶辅助***中加速度值的多目标优化设计,求解Pareto非支配解集,为加速时间,能耗,乘坐舒适性这些相互冲突的目标给出多个解决方案,具有灵活性,因此,与传统的只考虑节能的加速驾驶方法相比,除了可以减少能耗外,还可满足驾驶员对于加速时间和舒适性的需求,更加人性化。
(2)本发明有较高的可行性,与具体纯电动汽车驾驶辅助***结合实施时,只需改动相关属性数据和参数即可。
附图说明
图1为本发明实施例的结构示意图。
图2为本发明实施例的中NSGA-II多目标优化算法求解加速度值Pareto解的流程示意图。
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。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,包括以下步骤:
步骤S1:输入车辆属性数据,为加速度优化方法计算目标函数值提供数据参数,并设置目标车速;
步骤S2:构建目标函数并获取Pareto非支配解集:将加速时间最少,能量消耗最小,乘坐舒适性最佳即冲击度最小作为非优势排序的遗传算法NSGA-II的优化目标;依据上述优化目标,采用NSGA-II算法,结合仿真实验即结合MATLAB/SIMULINK仿真运行,对决策变量加速度a进行优化求解,通过加速时间、能耗、冲击度数学模型计算得到个体适应度值,获得Pareto非支配解集;按照一定原则从得到的Pareto非支配解集中选取解,该解能满足驾驶员对于加速时间、能量消耗以及乘坐舒适性的需求,该需求可能是倾向于优化某一指标或者权衡优化,这里的权衡优化是指于加速时间、能量消耗以及乘坐舒适性同时得到优化;
步骤S3:为了更好的实施多目标权衡优化加速驾驶策略,从所述Pareto非支配解集按照不同优化目选取的四组解,并将对应的决策变量加速度a分别拟合曲线供驾驶员选择;通过当前速度插值出决策变量a,用以为驾驶员提供优化的加速度值,从而使汽车能以更优的方式加速到目标车速。
在本实施例中,步骤S1中所述车辆属性数据包括动力部件参数、牵引特性和电池特性。
在本实施例中,所述步骤S2具体包括以下步骤:
步骤S21:构建目标函数:
一旦确定大于当前车速的目标车速,驾驶员就需执行加速过程。采用不同的加速度会得到不同的加速时间、能量消耗以及乘坐舒适性。
选择加速度a作为决策变量,将加速时间最少,能量消耗最小,乘坐舒适性最佳作为优化目标;
选取加速度a作为决策变量,基于已有的研究,将加速度的最大数目设定为10,并对加速度的大小进行约束,具体如式(1)所示:
此外,当ai为0时,表示ai在加速过程中并没有被采用;这也表明加速过程中所采用的加速度的数目能够比10小;在实际加速过程中,加速度的值随速度的变化而变化;在加速初始阶段,所采用的加速度值ai最大,0≤ai≤3,随着速度的增加,加速值会逐渐减小;因此,根据目标速度值vtarget来设置决策变量a;具体设置过程如下:将vtarget均分为10个间隔,在每个间隔设置一个加速度值;其数学模型如式(2)所示:
将整个加速过程消耗的总能量定义为目标f1(a),f1(a)的数学模型如式(3)所示:
将整个加速过程的乘坐舒适性定义为目标f2(a),其数值上等于冲击度绝对值之和;f2(a)的数学模型如式(4)所示:
式中:ji为每一步所对应的冲击度;
将整个加速过程的所花费的时间定义为目标f3(a);f3(a)的数学模型如式(5)所示
f3(a)=m·μt
(5)
该多目标优化问题的目标函数表示如下:
步骤S22:获取Pareto非支配解集:在Matlab/Simulink仿真平台上建立多目标优化仿真模型即公式(6),运行仿真,通过公式(3),(4),(5)加速时间、能耗、冲击度数学模型计算得到个体适应度值,然后采用多目标算法NSGA-II,获取Pareto最优解集。
如图2所示,在本实施例中,利用所述NSGA-II算法进行多目标优化的具体步骤即所述步骤S22具体包括以下步骤:
步骤S221:初始化NSGA-II算法参数,所述参数包括种群个体数量N和最大迭代次数Gen;并随机生成N个个体;
步骤S222:随机初始化种群,得到初始种群Pt,t=0;
步骤S223:计算父代种群个体适应度值:由步骤S21所述的数学模型,对Pt计算目标函数值,得到适应度向量(f1(a),f2(a),f3(a)),依据所属适应度向量对个体进行快速非支配排序,得到非支配集,在每个非支配集分别对每个个体计算拥挤度值;
步骤S224:进行遗传操作:所述遗传操作包括选择、交叉和变异操作;依据个体所处的非支配集以及个体的拥挤度,通过锦标赛法进行选择算子,选择得到的个体用于进行之后的交叉、变异操作;所述交叉操作采用模拟二进制交叉;所述变异操作采用多项式变异,产生子种群Qt;
步骤S225:产生下一代父种群:父种群与子种群共同参与竞争,采用精英和适应度值共享策略,得到下一代父种群,具体为:
合并子代种群Qt和父代种群Pt作为新种群I,I=Pt+Qt,令t=t+1;
根据公式(6)对种群I中的所有个体计算目标函数值,得到适应度向量;依据适应度向量对个体进行快速非支配排序,得到非支配集Zi,在每个非支配集中分别对每个个体计算拥挤度值,依规则选择得出新父代种群Pt,
步骤S226:判断迭代是否满足终止条件:判断是否满足|Vactual-Vtarget|≤0.5,Vactual表示实际速度,Vtarget表示目标速度,若满足则结束并进入步骤S227,若不满足则返回步骤S224;
步骤S227:输出Pt中的所有个体作为问题的Pareto非支配解集,算法停止。
在本实施例中,步骤S223中所述计算拥挤度值的具体内容为:
首先,令每个点的拥挤度id为0;然后,随机选取适应度向量的一个分量,依据该分量排序,将边界的两个体拥挤度记为无穷,即Od=id=∞;最后,对其他个体进行拥挤度的计算:
在本实施例中,所述步骤S4的具体内容为:
从步骤S2中得到的Pareto非支配解集按照不同优化目的分别选取四组数据;其中,第1组数据偏向于优化加速时间;第2组数据偏向于优化能耗;第3组数据偏向于优化乘坐舒适性;第4组数据能权衡优化加速时间、能耗、乘坐舒适性;将这4组数据对应的决策变量拟合成曲线;当汽车加速时,驾驶员能够根据个人偏好选择相应的决策变量拟合曲线;通过当前速度插值出决策变量a,优化汽车的加速过程。
其中,偏向于优化加速时间的策略所用加速时间最短,偏向于优化能耗的策略能耗最低,偏向于优化乘坐舒适性的策略冲击度绝对值之和以及瞬时冲击度最低,即乘坐舒适性最佳,但是它们在改善相应目标的同时,会损害另外两个目标的性能。而权衡优化策略能够综合考虑、优化这三个目标,使三者处于较为理想的范围内。
较佳的,本实施例将加速时间最小,能量消耗最小和乘坐舒适性最佳作为NSGA-II算法的优化目标,依据所述优化目标,利用NSGA-II算法对加速度进行优化求解,获得Pareto非支配解集,按照一定原则从得到的Pareto非支配解集中选取解,该解能满足驾驶员对于加速时间、能量消耗以及乘坐舒适性的需求,该需求可能是倾向于优化某一指标或者权衡优化,即为驾驶员提供了个性化的驾驶方案,值得注意的是,本实施例不依赖于改进纯电动汽车结构或技术,能以较低的成本得到明显收益,且可行性佳,与具体驾驶辅助***结合是只需改动相关属性数据和参数即可。
较佳的,本实施例的目的是优化驾驶辅助***,为驾驶员提供个性化的加速驾驶策略,节能的同时能同时满足驾驶员对于加速时间和舒适度的需求。本实施例能根据驾驶员偏好,分别考虑或权衡优化加速时间,能量消耗,乘坐舒适性三个目标,获得优化加速度值完成加速过程。本实施例的显著特点是(1)无需对电动汽车的设计进行任何修改,就可以立即使驾驶员受益,为驾驶员提供多种驾驶方案;(2)将NSGA-II应用于驾驶辅助***中加速度值的多目标优化设计,求解Pareto非支配解集,为加速时间,能耗,乘坐舒适性这些相互冲突的目标给出多个解决方案,具有灵活性,因此,与传统的只考虑节能的加速驾驶方法相比,该方法除了可以减少能耗外,还可满足驾驶员对于加速时间和舒适性的需求,更加人性化;(3)有较高的可行性,该方法与具体纯电动汽车驾驶辅助***结合实施时,只需改动相关属性数据和参数即可。
较佳的,在本实施例中,以一个双电机耦合驱动的纯电动汽车为具体研究对象,输入车辆属性数据,包括动力部件参数(具体参数如表1所示)、电池、电机效率模型等;设置目标车速为30km/h。
表1动力部件参数
其中:减速齿轮组传动比ig指的是电机M2与齿圈R之间的传动比。
对应的优化目标函数为:
根据该双电机耦合驱动的纯电动汽车结构,根据式(3),得到f1(a)数学模型为:
根据式(4),得到f2(a)数学模型为:
根据式(5),得到f3(a)数学模型为:
f3(a)=m·μt
利用本实施例的方法,以任务中加速时间最小,能量消耗最小和乘坐舒适性最佳作为NSGA-II算法的优化目标,依据上述优化目标,采用NSGA-II算法,结合MATLAB/SIMULINK仿真运行,通过加速时间、能耗、冲击度数学模型计算得到个体适应度值,获得Pareto最优解集。NSGA-II算法中相关参数为:种群为a,最大迭代次数Gen=1000,种群规模N=1000。
从上述Pareto非支配解集中,依据驾驶员偏好(优化加速时间、优化能量消耗、优化乘坐舒适度或者权衡优化)选取对应解,并将其对应的决策变量a拟合成曲线。供驾驶员依据个人偏好选择。依据该拟合曲线,可通过当前速度插值出决策变量a,帮助驾驶员以更优的方式加速到目标车速。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,其特征在于:
包括以下步骤:
步骤S1:输入车辆属性数据,并设置目标车速;
步骤S2:将加速时间最少,能量消耗最小,乘坐舒适性最佳即冲击度最小作为非优势排序的遗传算法NSGA-II的优化目标;依据上述优化目标,采用NSGA-II算法,结合仿真实验,对决策变量加速度a进行优化求解,获得Pareto非支配解集;
步骤S3:从所述Pareto非支配解集按照不同优化目选取的四组解,并将对应的决策变量加速度a分别拟合曲线供驾驶员选择;通过当前速度插值出决策变量a,用以为驾驶员提供优化的加速度值,从而使汽车能够加速到目标车速。
2.根据权利要求1所述的一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,其特征在于:步骤S1中所述车辆属性数据包括动力部件参数、牵引特性和电池特性。
3.根据权利要求1所述的一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,其特征在于:所述步骤S2具体包括以下步骤:
步骤S21:构建目标函数:选择加速度a作为决策变量,将加速时间最少,能量消耗最小,乘坐舒适性最佳作为优化目标;
选取加速度a作为决策变量,将加速度的最大数目设定为10,并对加速度的大小进行约束,具体如式(1)所示:
此外,当ai为0时,表示ai在加速过程中并没有被采用;这也表明加速过程中所采用的加速度的数目能够比10小;在实际加速过程中,加速度的值随速度的变化而变化;在加速初始阶段,所采用的加速度值ai最大,0≤ai≤3,随着速度的增加,加速值会逐渐减小;因此,根据目标速度值vtarget来设置决策变量a;具体设置过程如下:将vtarget均分为10个间隔,在每个间隔设置一个加速度值;其数学模型如式(2)所示:
将整个加速过程消耗的总能量定义为目标f1(a),f1(a)的数学模型如式(3)所示:
将整个加速过程的乘坐舒适性定义为目标f2(a),其数值上等于冲击度绝对值之和;f2(a)的数学模型如式(4)所示:
式中:ji为每一步所对应的冲击度;
将整个加速过程的所花费的时间定义为目标f3(a);f3(a)的数学模型如式(5)所示
f3(a)=m·μt
(5)
该多目标优化问题的目标函数表示如下:
步骤S22:获取Pareto非支配解集:在Matlab/Simulink仿真平台上建立多目标优化仿真模型即公式(6),运行仿真,通过公式(3),(4),(5)的加速时间、能耗、冲击度数学模型计算得到个体适应度值,然后采用多目标算法NSGA-II,获取Pareto最优解集。
4.根据权利要求3所述的一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,其特征在于:所述步骤S22具体包括以下步骤:
步骤S221:初始化NSGA-II算法参数,所述参数包括种群个体数量N和最大迭代次数Gen;并随机生成N个个体;
步骤S222:随机初始化种群,得到初始种群Pt,t=0;
步骤S223:由步骤S21中所述的目标函数的数学模型,得到适应度向量(f1(a),f2(a),f3(a)),即父代种群个体适应度值,依据所属适应度向量对个体进行快速非支配排序,得到非支配集,在每个非支配集分别对每个个体计算拥挤度值;
步骤S224:进行遗传操作:所述遗传操作包括选择、交叉和变异操作;依据个体所处的非支配集以及个体的拥挤度,通过锦标赛法进行选择算子,选择得到的个体用于进行之后的交叉、变异操作;所述交叉操作采用模拟二进制交叉;所述变异操作采用多项式变异,产生子种群Qt;
步骤S225:产生下一代父种群:父种群与子种群共同参与竞争,采用精英和适应度值共享策略,得到下一代父种群,具体为:
合并子代种群Qt和父代种群Pt作为新种群I,I=Pt+Qt,令t=t+1;
根据公式(6)对种群I中的所有个体计算目标函数值,得到适应度向量;依据适应度向量对个体进行快速非支配排序,得到非支配集Zi,在每个非支配集中分别对每个个体计算拥挤度值,依规则选择得出新父代种群Pt,
步骤S226:判断迭代是否满足终止条件:判断是否满足|Vactual-Vtarget|≤0.5,Vactual表示实际速度,Vtarget表示目标速度;若满足则结束并进入步骤S227,若不满足则返回步骤S224;
步骤S227:输出Pt中的所有个体作为问题的Pareto非支配解集,算法停止。
6.根据权利要求1所述的一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法,其特征在于:所述步骤S4的具体内容为:
从步骤S2中得到的Pareto非支配解集按照不同优化目的分别选取四组数据;其中,第1组数据偏向于优化加速时间;第2组数据偏向于优化能耗;第3组数据偏向于优化乘坐舒适性;第4组数据能权衡优化加速时间、能耗、乘坐舒适性;将这4组数据对应的决策变量拟合成曲线;当汽车加速时,驾驶员能够根据个人偏好选择相应的决策变量拟合曲线;通过当前速度插值出决策变量a,优化汽车的加速过程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910939997.XA CN110641470B (zh) | 2019-09-30 | 2019-09-30 | 一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910939997.XA CN110641470B (zh) | 2019-09-30 | 2019-09-30 | 一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110641470A true CN110641470A (zh) | 2020-01-03 |
CN110641470B CN110641470B (zh) | 2021-04-27 |
Family
ID=69012183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910939997.XA Active CN110641470B (zh) | 2019-09-30 | 2019-09-30 | 一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110641470B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723470A (zh) * | 2020-05-26 | 2020-09-29 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
CN111959491A (zh) * | 2020-08-29 | 2020-11-20 | 哈尔滨理工大学 | 一种基于混合动力汽车统一模型的规则控制参数优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007055493A (ja) * | 2005-08-25 | 2007-03-08 | Toyota Motor Corp | 車両およびその制御方法 |
WO2016186561A1 (en) * | 2015-05-20 | 2016-11-24 | Scania Cv Ab | Method and system for adjusting the acceleration of a vehicle travelling along a route |
DE102016214235A1 (de) * | 2016-08-02 | 2018-02-08 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur automatisierten Anpassung der Beschleunigung eines Fahrzeugs |
CN108803333A (zh) * | 2018-06-20 | 2018-11-13 | 福州大学 | 一种考虑能耗与时间的电动汽车驾驶策略权衡优化方法 |
CN109532848A (zh) * | 2018-11-23 | 2019-03-29 | 中汽研(天津)汽车工程研究院有限公司 | 用于智能电动汽车的多目标优化控制方法及控制*** |
-
2019
- 2019-09-30 CN CN201910939997.XA patent/CN110641470B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007055493A (ja) * | 2005-08-25 | 2007-03-08 | Toyota Motor Corp | 車両およびその制御方法 |
WO2016186561A1 (en) * | 2015-05-20 | 2016-11-24 | Scania Cv Ab | Method and system for adjusting the acceleration of a vehicle travelling along a route |
DE102016214235A1 (de) * | 2016-08-02 | 2018-02-08 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur automatisierten Anpassung der Beschleunigung eines Fahrzeugs |
CN108803333A (zh) * | 2018-06-20 | 2018-11-13 | 福州大学 | 一种考虑能耗与时间的电动汽车驾驶策略权衡优化方法 |
CN109532848A (zh) * | 2018-11-23 | 2019-03-29 | 中汽研(天津)汽车工程研究院有限公司 | 用于智能电动汽车的多目标优化控制方法及控制*** |
Non-Patent Citations (1)
Title |
---|
D. CHAKRABORTY等: "Optimal driving during electric vehicle acceleration using evolutionary algorithms", 《APPLIED SOFT COMPUTING》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111723470A (zh) * | 2020-05-26 | 2020-09-29 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
CN111723470B (zh) * | 2020-05-26 | 2023-05-02 | 同济大学 | 一种基于标定优化rss模型的自动驾驶控制方法 |
CN111959491A (zh) * | 2020-08-29 | 2020-11-20 | 哈尔滨理工大学 | 一种基于混合动力汽车统一模型的规则控制参数优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110641470B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Enang et al. | Modelling and control of hybrid electric vehicles (A comprehensive review) | |
Montazeri-Gh et al. | Optimized predictive energy management of plug-in hybrid electric vehicle based on traffic condition | |
CN110936949B (zh) | 基于行驶工况的能量控制方法、设备、存储介质及装置 | |
Chen et al. | Optimal strategies of energy management integrated with transmission control for a hybrid electric vehicle using dynamic particle swarm optimization | |
Wu et al. | An optimized real-time energy management strategy for the power-split hybrid electric vehicles | |
Zhuang et al. | Mode shift map design and integrated energy management control of a multi-mode hybrid electric vehicle | |
Sezer et al. | A novel ECMS and combined cost map approach for high-efficiency series hybrid electric vehicles | |
CN110936824B (zh) | 一种基于自适应动态规划的电动汽车双电机控制方法 | |
Geng et al. | A cascaded energy management optimization method of multimode power-split hybrid electric vehicles | |
Xu et al. | Fuel-saving cruising strategies for parallel HEVs | |
Wei et al. | Co-optimization method of speed planning and energy management for fuel cell vehicles through signalized intersections | |
Luo et al. | Green light optimal speed advisory for hybrid electric vehicles | |
CN104635494B (zh) | 一种基于遗传算法优化的车辆追尾碰撞模糊控制方法 | |
CN110641470B (zh) | 一种融合驾驶员偏好的纯电动汽车驾驶辅助***优化方法 | |
Ganji et al. | A study on look-ahead control and energy management strategies in hybrid electric vehicles | |
CN109532513A (zh) | 一种双轴驱动电动汽车最优驱动转矩分配策略生成方法 | |
Lin et al. | Bi-objective optimization strategy of energy consumption and shift shock based driving cycle-aware bias coefficients for a novel dual-motor electric vehicle | |
Zhang et al. | Driving behavior oriented torque demand regulation for electric vehicles with single pedal driving | |
Yu et al. | Real-time and hierarchical energy management-control framework for electric vehicles with dual-motor powertrain system | |
CN112078371A (zh) | 复合电源电动汽车的能量回收方法、能量回收装置 | |
Hu et al. | An apprenticeship-reinforcement learning scheme based on expert demonstrations for energy management strategy of hybrid electric vehicles | |
Zhong et al. | An optimal torque distribution strategy for an integrated starter—generator parallel hybrid electric vehicle based on fuzzy logic control | |
CN115563716A (zh) | 一种新能源汽车能量管理和自适应巡航协同优化的方法 | |
CN115923764A (zh) | 基于行驶工况预测的混合动力电动车能量控制方法及装置 | |
Zhou et al. | Energy optimization for intelligent hybrid electric vehicles based on hybrid system approach in a car‐following process |
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 |