CN110654386A

CN110654386A - 弯道下多智能电动汽车协作式巡航纵横向综合控制方法

Info

Publication number: CN110654386A
Application number: CN201910958150.6A
Authority: CN
Inventors: 郭景华; 王靖瑶; 王班; 李文昌
Original assignee: Xiamen University
Current assignee: Xiamen University
Priority date: 2019-10-10
Filing date: 2019-10-10
Publication date: 2020-01-07
Anticipated expiration: 2039-10-10
Also published as: CN110654386B

Abstract

弯道下多智能电动汽车协作式巡航纵横向综合控制方法，属于汽车智能安全与自动驾驶领域。首先采集多智能电动汽车行驶环境信息及自车状态信息，建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型；再设计多智能电动汽车协作式巡航自适应神经反演滑模控制器，动态求解多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩；然后设计智能电动汽车协作式巡航控制分配器，实时求解各执行机构所需的纵横向力，基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角，实现对期望滑移率和期望侧偏角的精确控制。解决弯道工况下的多智能电动汽车协作式巡航纵横向综合控制问题，提高多智能电动汽车协作式巡航控制***性能。

Description

弯道下多智能电动汽车协作式巡航纵横向综合控制方法

技术领域

本发明属于汽车智能安全与自动驾驶领域，特别是涉及一种弯道工况下多智能电动汽车协作式巡航行驶的纵横向综合控制方法。

背景技术

伴随着智能交通***(Intelligent Transportation Systems,ITS)的快速发展，配置车-车通信(Vehicle to Vehicle,V2V)，车-路通信(Vehicle to Infrastructure,V2I)，地理信息***(Geographic Information System，GIS)，全球定位***(GlobalPosition System，GPS)等先进传感设备的智能电动汽车通过多源融合信息对其进行决策与控制，可有效增强道路及车辆的安全性，节约能源消耗，是当前汽车工业界的研究热点。

多智能电动汽车协作式巡航控制指将汽车行驶环境和自身运动状态等信息等进行融合，以汽车安全性、舒适性及经济性为控制目标，通过一定的控制策略来合理分配各智能电动汽车车轮之间的转矩和调节前轮转向力矩，从而实现多车的协同行驶。由于智能电动汽车具有非线性以及参数不确定性等特点，行驶程中的纵横向动力学之间存在较强的耦合关系，如何设计多智能电动汽车协作式巡航控制具有重要的研究意义。

近年来，多智能电动汽车协作式巡航控制得到了广泛关注，目前多智能电动汽车协作式巡航控制聚焦在纵向控制。文献1(刘田，智能电动汽车异质队列分布式控制及试验研究[D],东南大学，2018)提出了一种智能电动汽车纵向队列预测控制方法，可保证多车纵向队列的稳定性。文献2(高锋,刘葆,***.通信拓扑不确定条件下车队列分布式H_∞控制[J],汽车安全与节能学报，2017，8(4):351-358)为提高队列行驶道路利用率,缓解交通压力,针对通信拓扑不确定问题,提出了一种多车协作行驶的分布式纵向H_∞控制方法。

然而，智能电动汽车是具有强耦合、参数时变的非线性多变量***，由于弯道工况下智能电动汽车行驶程中的纵横向运动之间存在较强的耦合关系，纵向控制不能保证弯道工况下多智联电动汽车协作式巡航控制***的稳定性。

发明内容

本发明的目的是针对现有技术中存在的上述难点问题，提供可有效解决弯道工况下的多智能电动汽车协作式巡航纵横向耦合动力学***综合控制问题的弯道下多智能电动汽车协作式巡航纵横向综合控制方法。

本发明包括以下步骤：

1)采集多智能电动汽车行驶环境信息及自车状态信息，建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型；

2)设计多智能电动汽车协作式巡航自适应神经反演滑模控制器，动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩；

3)设计智能电动汽车协作式巡航控制分配器，实时求解出各执行机构所需的纵横向力，基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角，实现对期望滑移率和期望侧偏角的精确控制。

在步骤1)中，所述采集多智能电动汽车行驶环境信息及自车状态信息，建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型的具体步骤可为：

(1)采用CCD检测智能电动汽车获取其前方预瞄点处车辆相对于期望行驶轨迹的横向距离偏差信息和方位偏差信息，采用雷达测量智能电动汽车车间纵向距离偏差；

(2)采用GPS/INS测量智能电动汽车行驶的横向速度、纵向速度和横摆角速度等运动状态信息；

(3)以智能电动汽车横向位置偏差和方位偏差为状态量，建立智能电动汽车与期望行驶轨迹的横向运动学模型；

(4)兼顾行车安全性和道路交通效率两方面的要求，设计智能电动汽车纵向车间运动学模型；

(5)选取汽车的横向速度、纵向速度和横摆角速度为状态变量，建立描述智能电动汽车行为特性的动力学模型。

在步骤2)中，所述设计多智能电动汽车协作式巡航自适应神经反演滑模控制器，动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩的具体步骤可为：

(1)设计反演变结构控制中每步的虚拟控制量，通过非线性反演变结构控制方法求出智能电动汽车协作式巡航所需的期望总纵向力、期望总横向力、期望总横摆力矩；

(2)采用神经网络对智能电动汽车不确定项和变结构控制项进行在线估计，设计神经网络权重的自适应律；

(3)采用Lyapunov稳定性理论对智能电动汽车自适应神经反演变结构控制***进行稳定性分析，确保智能电动汽车协作式巡航控制***的稳定性。

在步骤3)中，所述设计智能电动汽车协作式巡航控制分配器，实时求解出各执行机构所需的纵横向力，基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角，实现对期望滑移率和期望侧偏角的精确控制的具体步骤可为：

(1)以分配偏差最小和能量消耗最少为目标，建立智能电动汽车协作式巡航控制分配非线性规划模型；

(2)采用基于序列二次规划法实时求解出智能电动汽车各执行机构的纵横向力；

(3)基于逆轮胎模型推导出智能电动汽车车轮的期望滑移率和期望侧偏角，采用滑模控制实现对车轮的期望滑移率和期望侧偏角的精确跟踪控制。

本发明首先建立了一种描述具有非线性、参数不确定性及时变特性的智能电动汽车协作式巡航纵横向耦合动力学模型；其次设计了一种多智能电动汽车自适应神经反演滑模控制方法，构建了神经网络估计器和自适应律，实时动态求解出智能电动汽车协作式巡航所需的期望总纵向力、期望总横向力和期望力矩；然后提出一种基于序列二次规划法的控制分配方法，将智能电动汽车所需的期望总纵向力、期望总横向力和期望力矩分配到各个执行机构，从而实现智能电动汽车协作式巡航纵横向综合控制。

与现有技术相比，本发明的突出技术效果和益处是：

本发明提出了一种弯道下多智能电动汽车协作式巡航纵横向综合控制方法，有效解决了弯道工况下的多智能电动汽车协作式巡航纵横向综合控制问题，明显提高了多智能电动汽车协作式巡航控制***性能。

附图说明

图1为本发明的弯道下多智能电动汽车协作式巡航示意图。

图2为本发明的弯道下多智能电动汽车协作式巡航纵横向综合控制方法结构图。

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。

如图1所示，弯道工况下由n辆智能电动汽车协作式巡航行驶。

本发明首先建立描述弯道工况下多智能电动汽车作式巡航纵横向耦合动力学模型。其次，设计多智能电动汽车协作式巡航自适应神经反演滑模控制器，然后，通过序列二次规划法实时规划出多智能电动汽车各执行机构的纵横向力，从而实现多智能电动汽车协作式巡航的纵横向综合控制。

如图2，所述综合控制方法实施例的具体步骤如下所示：

步骤1：采集多智能电动汽车协作式巡航行驶环境信息及自车状态信息，建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型；其过程包括如下子步骤：

步骤1.1，采用CCD检测智能电动汽车相对于期望行驶轨迹(车道线)的横向偏差、方位偏差，采用雷达测量智能电动汽车的车间纵向距离偏差。

步骤1.2，采用GPS/INS测量智能电动汽车行驶的横向速度、纵向速度和横摆角速度等运动状态信息。

步骤1.3，定义e_ix为第i辆车和第i-1辆车之间的偏差，如下所示：

e_ix＝x_i-1-x_i-L_ides (1)

其中，x_i，x_i-1分别为第i辆车和第i-1辆车的纵向位置坐标，L_ides为第i辆车和第i-1辆车的期望纵向车距，i＝2,....,n+1。

步骤1.4，求式(1)的一阶时间导数，其表达式如下：

式中，v_i，v_i-1分别为第i辆车和第i-1辆车的纵向速度。

步骤1.5，建立第i辆智能电动汽车与期望行驶轨迹的横向运动学模型，可表示为：

式中，e_iy表示第i辆车的横向位置偏差，为第i辆车预瞄点处的车辆中心线与期望路径的横向距离。v_iy表示第i辆车的纵向速度，r_i表示第i辆车的横摆角速度，e_ia表示第i辆车与期望行驶轨迹的方位偏差，为第i辆车预瞄点处车辆中心线与路径切线的夹角；D_iL代表第i辆车的预瞄距离；K_iL第i辆车的期望行驶轨迹的路径曲率。

步骤1.6，综合式(2)和式(3),得如下表达式：

步骤1.7，以第i辆智能电动汽车的纵向速度v_ix、横向速度v_iy和横摆角速度r_i为状态量，建立第i辆智能电动汽车动力学模型，如下所示。

其中，

式中，q_i＝[v_ix v_iy r_i]^T表示第i辆车的状态向量,F_i＝[F_iX F_iY M_iZ]^T表示第i辆车的控制输入向量,ξ_i＝[ξ_ix ξ_iy ξ_ir]^T表示第i辆车的外部干扰向量。m_i表示第i辆车的质量，I_iz表示第i辆车的转动惯量，F_ir表示第i辆车的滚动阻力，F_iax和F_iay表示第i辆车的空气阻力。F_iX,F_iY和M_iZ表示第i辆车总纵向力，总横向力和总横摆力矩，可表示为：

其中

和

F_ix＝[F_ix1 F_ix2 F_ix3 F_ix4]^T (10)

F_iy＝[F_iy1 F_iy2 F_iy3 F_iy4]^T (11)

式中，F_ixk和F_iyk表示第i辆车的轮胎纵向力和轮胎横向力，l_if 和l_ir表示第i辆车质心到前后轮之间的距离，d_if和d_ir表示第i辆车的前后轮半径，δ_i表示第i辆车的前轮转角,k＝1,2,3,4。

步骤2，针对智能电动汽车的非线性和参数不确定性，设计用于调节第i辆智能电动汽车协作式巡航纵横向运动状态的自适应神经反演滑模控制器，动态求解出智能电动汽车协同行驶所需的期望总纵向力、期望总横向力和期望总力矩。其过程包括如下子步骤：

步骤2.1，设计用于调节第i辆智能电动汽车横向偏差的自适应神经反演滑模控制律。

步骤2.1.1，定义控制误差s_i11＝e_iy.选取Lyapunov函数

对

求时间导数，得

步骤2.1.2，定义v_ixe_ia–r_iD_iL为虚拟控制量,设计虚拟控制量的期望值ζ_id1为

ζ_id1＝v_iy-c_i11s_i11 (15)

其中，c_i11为大于零的实数。

步骤2.1.3，定义虚拟控制量v_ixe_ia–r_iD_iL和期望值ζ_id1之间的偏差为

s_i2＝v_ixe_ia-r_iD_iL-ζ_id1 (16)

步骤2.1.4，定义Lyapunov函数

对V_i12求时间导数，可得

式中，f_i1(e_i,q_i)表示第i辆车的不确定项，d_i1为第i辆车的外部干扰，可表示为

f_i1(e_i,q_i)＝(-F_iaxe_ia-F_ire_ia+F_iay) (19)

d_i1＝(-ξ_irD_iL+ξ_ixe_ia-ξ_iy) (20)

步骤2.1.5，为有效处理非线性和参数不确定性，设计用于调节第i辆智能电动汽车横向偏差的反演变结构控制律，如下所示。

其中，sgn表示切换函数，χ_i1(s_i12)表示控制增益。

步骤2.1.6，构建第i辆车不确定项f_i1(e_i,q_i)和变结构控制项χ_i1(s_i12)sgn(s_i12)的神经网络估计器，如下所示：

式中，

和

表示不确定项和变结构控制项的估计值，h_i1(·)和φ_i1(·)表示神经网络的基函数向量，

和

表示神经网络模型权重的估计值。

步骤2.1.7，设计参数

和

的自适应律，如下所示：

式中，γ_i1和μ_i1表示大于零的实数。

步骤2.2，设计用于调节第i辆智能电动汽车方位偏差的自适应神经反演滑模控制律。

步骤2.2.1，定义控制误差变量s_i21＝e_ia，选取Lyapunov函数

对其求时间导数，得：

步骤2.2.2，视v_ixD_iL为虚拟控制量,设计虚拟控制量v_ixD_iL的期望控制输入值ζ_id2为

ξ_id2＝r_i-c_i21s_i21 (25)

其中，c_i21为大于零的实数。

步骤2.2.3,定义虚拟控制量v_ixD_iL和期望值ζ_id2之间的偏差为：

s_i22＝v_ixD_iL-ξ_id2 (26)

步骤2.2.4，定义Lyapunov函数：

对V_i22求时间导数，得：

其中，f_i2(e_i,q_i)表示第i辆车得不确定项，f_i2(e_i,q_i)＝(-F_iax-F_ir)D_iL,d_i2表示第i辆车的外部干扰，d_i2＝(ξ_ixD_iL-ξ_ir)。

步骤2.2.5，设计用于调节第i辆智能电动汽车方位偏差的反演变结构控制律，如下所示：

步骤2.2.6，构建第i辆车不确定项f_i2(e_i,q_i)和变结构控制项χ_i2(s_i22)sgn(s_i22)的神经网络估计器，如下所示：

式中，和

表示不确定项和变结构控制项的估计值，h_i2(·)和φ_i2(·)表示神经网络的基函数向量，和表示神经网络模型权重的估计值。

步骤2.2.7，设计参数

和

的自适应律，如下所示：

式中，γ_i2和μ_i2表示大于零的实数。

步骤2.3，设计用于调节第i辆智能电动汽车车间纵向偏差的自适应神经反演滑模控制律。

步骤2.3.1，定义控制误差变量s_i31＝e_ix，选取Lyapunov函数

对其求时间导数，得：

步骤2.3.2，定义–v_ix为虚拟控制量,设计虚拟控制量–v_ix的期望控制输入值ζ_id3为：

其中，c_i31为大于零的实数。

步骤2.3.3,定义虚拟控制量–v_ix和期望值ζ_id3之间的偏差为：

s_i32＝-v_ix-ξ_id3 (34)

步骤2.3.4，定义Lyapunov函数：

对V_i32求时间导数，得：

其中，f_i3(e_i,q_i)表示第i辆车得不确定项，f_i3(e_i,q_i)＝F_iax+F_ir,d_i3表示第i辆车的外部干扰，d_i3＝-ξ_ix。

步骤2.3.5，设计用于调节第i辆智能电动汽车纵向偏差的反演变结构控制律，如下所示。

步骤2.3.6，构建第i辆车不确定项f_i3(e_i,q_i)和控制增益χ_i3(s_i32)sgn(s_i32)的神经网络估计器，如下所示。

式中，

和表示不确定项和控制增益的估计值，h_i3(·)和φ_i3(·)表示神经网络的基函数向量，

和

表示神经网络模型权重的估计值。

步骤2.3.7，设计参数

和

的自适应律，如下所示。

式中，γ_i3和μ_i3表示大于零的实数。

步骤2.4，综合式(21)、(22)、(29)、(30)和(37)、(38)，得设计用于调节第i辆智能电动汽车纵横向运动状态的协作式巡航自适应神经反演滑模控制器，如下所示。

其中，

步骤2.5，采用Lyapunov稳定性理论，分析第i辆车自适应神经变结构控制***的稳定性，确保***稳定运行。

步骤3，设计基于序列二次规划法的智能电动汽车协作式巡航控制分配器，实时求解出各智能电动汽车执行结构(车轮)所需的纵横向力。

步骤3.1，建立描述第i辆智能电动汽车期望总纵向力、期望总横向力和期望力矩与执行机构纵横向力之间关系的模型，如下所示。

F_i＝M_ifu_i (42)

其中，

F_i＝[F_iX F_iY M_iZ]^T (43)

u_i＝[F_ix1 F_iy1 F_ix2 F_iy2 F_ix3 F_iy3 F_ix4 F_iy4]^T (45)

步骤3.2，以分配偏差最小和能量消耗最少为目标，建立控制分配非线性规划模型。

其中，P_i和Q_i表示正定权重矩阵,F_id表示期望力/力矩，_νi表示松弛向量.

步骤3.3，采用基于序列二次规划法对式(46)所示的优化问题求解，实时给出智能电动汽车各执行机构的纵向力F_ixk和横向力F_iyk,k＝1,2,3,4。

步骤3.4，基于逆轮胎模型推导出第i辆智能网络电动汽车车轮的滑移率λ_ik和侧偏角ɑ_ik。

步骤3.5，采用滑模控制求出第i辆智能电动汽车的期望前轮转角δ_i和车轮驱动转矩T_ik，实现对第i辆车车轮的期望前轮转角和侧偏角的精确跟踪控制。

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。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

1.弯道下多智能电动汽车协作式巡航纵横向综合控制方法，其特征在于包括以下步骤：

2.如权利要求1所述弯道下多智能电动汽车协作式巡航纵横向综合控制方法，其特征在于在步骤1)中，所述采集多智能电动汽车行驶环境信息及自车状态信息，建立描述弯道工况下多智能电动汽车协作式巡航纵横向耦合动力学模型的具体步骤为：

3.如权利要求1所述弯道下多智能电动汽车协作式巡航纵横向综合控制方法，其特征在于在步骤2)中，所述设计多智能电动汽车协作式巡航自适应神经反演滑模控制器，动态求解出多智能电动汽车协同行驶所需的期望总纵向力、期望总横向力、期望总横摆力矩的具体步骤为：

4.如权利要求1所述弯道下多智能电动汽车协作式巡航纵横向综合控制方法，其特征在于在步骤3)中，所述设计智能电动汽车协作式巡航控制分配器，实时求解出各执行机构所需的纵横向力，基于逆轮胎模型推导出车轮的期望滑移率和期望侧偏角，实现对期望滑移率和期望侧偏角的精确控制的具体步骤为：