CN113788021B - 一种结合前车速度预测的自适应跟车巡航控制方法 - Google Patents

Abstract

本发明提供一种结合前车速度预测的自适应跟车巡航控制方法，包括以下步骤：步骤10)构建前车速度预测模型；步骤20)获取自车与前车的当前运行工况信息，并采用所述前车速度预测模型得到前车在未来时间段内的速度；步骤30)根据所述前车在未来时间段内的速度，采用控制不变集的安全车距规划算法得到安全车距；步骤40)建立车辆纵向动力学***模型，基于步骤30)得到的安全车距，采用非线性模型预测控制算法计算得到自车的车辆控制参数。本发明结合前车速度预测的自适应跟车巡航控制方法，对未来时间段内的前车纵向速度进行预测，在此预测的基础上构建时变安全跟车期望距离，实现面向安全与高效的自适应跟车。

Description

一种结合前车速度预测的自适应跟车巡航控制方法

技术领域

本发明属于智慧交通中自动驾驶汽车技术领域，具体涉及一种结合前车速度预测的自适应跟车巡航控制方法。

背景技术

随着计算机科学、信息科学、控制科学等的发展，学科之间的交叉融合加速了汽车的智能化与网联化。自动驾驶汽车领域的进步也为提升道路交通效率、道路安全、节能减排提供了更多的可能性。

作为高阶辅助驾驶中的一项基础功能，自适应巡航控制可以接管油门踏板实现对车辆纵向动力学的自动控制，同时通过毫米波雷达感知到的前车的距离与速度，实现对前车的自动跟车以防止发生碰撞。当前，自适应巡航控制在新型传感器、通讯***和人工智能的加持下也获得了长足进步。更远的前车感知距离、更低延时的实时通讯信息，以及更高精准度的模型，使得自动驾驶汽车能够提前感知到不仅仅是前方车辆的运动态势，同时也能够结合前方道路的路况信息综合预测在未来一段时间内前向车流的运动态势。这对于提高汽车的燃油经济性、舒适性、安全性等各项性能指标都有重要意义。

现有自适应巡航控制主要采用恒间距策略和恒时距策略作为车间距控制策略，其对于不同道路场景、不同天气环境下车辆的加减速性能缺乏非线性特性的自适应方法考虑。与此同时，现有的自适应巡航控制***依赖于毫米波雷达、超声波雷达等传感器输出的数据，对于较远距离目标的识别分辨率仍有待提高，对于动态交通场景下的交通流状态无法获得。

发明内容

本发明所要解决的技术问题是：提供一种结合前车速度预测的自适应跟车巡航控制方法，对未来时间段内的前车纵向速度进行预测，在此预测的基础上构建时变安全跟车期望距离，实现面向安全与高效的自适应跟车。

为解决上述技术问题，本发明提供一种结合前车速度预测的自适应跟车巡航控制方法，包括以下步骤：

步骤10)构建前车速度预测模型；

步骤20)获取自车与前车的当前运行工况信息，并采用所述前车速度预测模型得到前车在未来时间段内的速度；

步骤30)根据所述前车在未来时间段内的速度，采用控制不变集的安全车距规划算法得到安全车距；

步骤40)建立车辆纵向动力学***模型，基于步骤30)得到的安全车距，采用非线性模型预测控制算法计算得到自车的车辆控制参数。

作为本发明实施例的进一步改进，所述步骤10)具体包括：

步骤101)采集车辆驾驶工况数据，所述车辆驾驶工况数据包括车辆在典型道路场景下的自身速度、加速度、经度、纬度和海拔，以及前车相对自身的位置和速度；

步骤102)将所述车辆驾驶工况数据进行筛选和清洗后，将车辆驾驶工况数据分为训练数据集和验证数据集；

步骤103)构建带有记忆门与遗忘门控制函数的长短期记忆神经网络模型，所述长短期记忆神经网络模型的输入为前车历史车速、加速度和道路坡度，输出为未来时间段内的车速；

步骤104)将训练数据集归一化处理后输入所述长短期记忆神经网络模型进行训练，将验证数据集输入训练后的长短期记忆神经网络模型进行交叉验证，得到前车速度预测模型。

作为本发明实施例的进一步改进，所述步骤20)具体包括：

步骤201)通过毫米波雷达获取前车的当前运行工况信息，所述前车的当前运行工况信息包括前车的相对速度、相对加速度以及相对于自车的位置；

步骤202)通过卫星定位***获得自车的当前运行工况信息，所述自车的当前运行工况信息包括自车的位置、速度和加速度；

步骤203)根据前车的相对于自车的位置和自车的位置，计算得到前车的绝对位置；根据前车的相对速度和自车的速度，计算得到前车的绝对速度；根据前车的相对加速度和自车的加速度，计算得到前车的绝对加速度；

步骤204)通过地理位置信息定位***，以及自车的当前位置和前车的当前位置，获得自车的当前位置的道路坡度和当前所在道路的最高与最低限速；

步骤205)将前车的从自车开始跟车时刻到当前时刻内的绝对速度轨迹、绝对加速度轨迹和坡度轨迹输入到所述前车速度预测模型，得到前车的未来时间段的速度轨迹。

作为本发明实施例的进一步改进，所述步骤30)具体包括：

步骤301)建立式(1)所示的前后车跟车***的状态空间模型：

式中，Δs表示自车于前车之间的距离，v_ego表示自车的速度，

表示预测前车速度，g(t)表示自车的纵向加速度，

表示前车的加速度；

步骤302)采用式(2)所示的容许集表示前后车跟车***的状态空间模型中状态量：

式中，χ表示状态量可使用容许集，l_min表示前车与自车在精致状态下需要保证的最小安全距离；

步骤303)定义状态约束安全集为控制不变集，采用式(3)表示：

式中，ψ表示状态约束安全集，

表示预测前车最小加速度，g(t)_min表示自车的最小加速度；H表示前车的可行加速度的容许集，I表示自车的可行加速度的容许集；

步骤304)从前车当前所在位置以最大减速度刹车，计算得到刹车距离以及前车最后的停车位置；从前车最后的停车位置后退最小车距，将后退后的位置记为自车的反向递推起始位置，并计算从反向递推起始位置开始，自车从静止开始以最大减速度的绝对值，朝反方向加速直到自车的速度等于自车在当前道路允许的最大速度，记录自车在这段过程中的加速距离，以及自车最后的位置；将自车加速到道路最大允许车速的最大位置与前车减速至静止的最终位置相减，得到的相对距离为当前的安全车距。

作为本发明实施例的进一步改进，所述步骤40)具体包括：

步骤401)建立车辆纵向动力学***模型，满足式(4)：

式中，T表示施加在车轮上的转矩，R表示车轮半径，C_D表示自车的风阻系数，A_f表示自车的迎风面面积，ρ表示空气密度，m表示自车的总装质量；

对车辆纵向动力学***模型进行离散化，以满足式(5)：

x(t+1)＝f(u(t),x(t),θ(t),t) 式(5)

步骤402)根据车辆纵向动力学***模型，考虑跟车距离误差、驾乘人员的舒适性和车辆所需的能耗，建立式(6)所示的车辆纵向动力学***的二次型目标函数：

式中，δd(k|t)表示期望车距代价软约束，Δa(k|t)表示自车的加速度，f(k|t→t₀)表示自车累计能耗，R₁表示代价函数的第一权重系数，R₂表示代价函数的第二权重系数，R₃表示代价函数的第三权重系数；

步骤403)根据步骤30)得到的安全车距，建立车速控制的约束集合，所述约束集合包括：

车辆转矩约束：T_minω(k|t)≤T(k|t)≤T_maxω(k|t)，

车速极值约束：v_min≤v(k|t)≤v_max，

安全车距约束：

期望车距软约束：

其中，期望车距以软约束的形式加入式(6)所示的目标函数；

步骤404)求解得到自车的车辆控制参数。

与现有技术相比，本发明的技术方案具有以下有益效果：本发明实施例提供的结合前车速度预测的自适应跟车巡航控制方法，首先构建前车速度预测模型，在行驶时采用前车速度预测模型预测前车在未来时间段内的速度，然后利用控制不变集的安全车距规划算法得到安全车距，最后基于安全车距，采用非线性模型预测控制算法计算得到自车的车辆控制参数。本发明实施例方法利用了现有车辆所具有的传感器配置和信息获取方式，考虑了前车为人工驾驶的情况，在尽量节约成本的情况下实现了车辆的安全、高效、节能驾驶控制。

附图说明

图1是本发明实施例的自适应跟车巡航控制方法的流程图；

图2是采用本发明实施例的自适应跟车巡航控制方法的控制***架构图；

图3是本发明实施例方法中得到安全车距的计算方法示意图。

图4是本发明实施例方法的仿真结果图，其中，图4(a)为车速曲线图，图4(b)为车距曲线图，图4(c)为能耗曲线图。

具体实施方式

下面对本发明的技术方案进行详细的说明。

本发明实施例提供一种结合前车速度预测的自适应跟车巡航控制方法，如图1所示，包括以下步骤：

步骤10)构建前车速度预测模型；

步骤20)获取自车与前车的当前运行工况信息，并采用所述前车速度预测模型得到前车在未来时间段内的速度；

步骤30)获取前车在未来时间段内的道路坡度，基于所述前车在未来时间段内的速度以及前车在未来时间段内的道路坡度，采用控制不变集的安全车距规划算法得到安全车距；

步骤40)建立车辆纵向动力学***模型，基于步骤30)得到的安全车距，采用非线性模型预测控制算法计算得到自车的车辆控制参数。

本发明实施例提供的结合前车速度预测的自适应跟车巡航控制方法，首先构建前车速度预测模型，在行驶时采用前车速度预测模型预测前车在未来时间段内的速度，然后利用控制不变集的安全车距规划算法得到安全车距，最后基于安全车距，采用非线性模型预测控制算法计算得到自车的车辆控制参数。本发明实施例方法利用了现有车辆所具有的传感器配置和信息获取方式，考虑了前车为人工驾驶的情况，在尽量节约成本的情况下实现了车辆的安全、高效、节能驾驶控制。

优选的，所述步骤10)具体包括：

步骤101)采集车辆驾驶工况数据，所述车辆驾驶工况数据包括自车在典型道路场景下的自身速度v(t)、加速度a(t)、经度lon(t)、纬度lat(t)和海拔alt(t)，以及前车相对自身的位置d_r(_t)和速度v_r(t)。采集的数据条目数应为10⁴以上。

步骤102)将车辆驾驶工况数据进行筛选和清洗，剔除非跟车场景下的数据。将车辆驾驶工况数据进行分批分段，分为训练数据集和验证数据集。其中，验证数据集中的数据每段200条。例如，以数据中的前90％作为训练数据集，剩余的10％作为验证数据集。

步骤103)构建带有记忆门与遗忘门控制函数的长短期记忆神经网络模型，所述长短期记忆神经网络模型的输入为前车历史车速、加速度和道路坡度，输出为未来时间段内的车速。

步骤104)为了提高预测的准确性，将训练数据集进行归一化处理，具体采用零均值归一化方式，即通过求取数据的平均值并使得所有数据以0为均值，具体公式如下：

式中，X_i表示前车的历史状态向量序列，

表示前车的历史状态变量的平均值序列，

表示前车历史距离向量的平均值，

表示前车历史速度向量的平均值，

表示前车历史加速度向量的平均值，

表示前车历史驾驶道路的坡度的平均值，sig表示前车的各状态变量的标准差，X^*表示处理后的历史状态向量。

将归一化后的训练集数据输入所述长短期记忆神经网络模型进行训练，将验证数据集输入训练后的长短期记忆神经网络模型进行交叉验证，并根据训练结果调整神经网络的超参数，直到神经网络的预测结果能够满足相对误差值小于某一固定值，从而得到前车速度预测模型。

此处引入均方根误差作为衡量标准，具体标准为RMSE≤10^-2。RMSE的定义为：

其中，Y(t)表示验证数据集中的实际观测值，

表示神经网络输出的预测估计值，N表示输入神经网络的输入变量的维度。

本发明实施例构建的前车速度预测模型，基于长短期记忆网络对于时序类别的数据较强的学习能力，能够对前车的速度进行较短时域内合理的预测，加强了驾驶安全性、节能性和高效性。

优选的，所述步骤20)具体包括：

步骤201)通过毫米波雷达获取前车的当前运行工况信息。如图2所示，前车的ID为i，开始跟车的时间为，当前时刻为，则获取的前车的当前运行工况信息包括前车的相对速度v_r(t|i)、相对加速度a_r(t|i)以及相对于自车的位置d_r(t|i)。

步骤202)通过卫星定位***获得自车的当前运行工况信息，自车的当前运行工况信息包括自车的位置x(t)、速度v(t)和加速度a(t)。

步骤203)根据前车的相对于自车的位置和自车的位置，利用式(9)计算得到前车的绝对位置x_p(t)。根据前车的相对速度和自车的速度，利用式(10)计算得到前车的绝对速度v_p(t)。根据前车的相对加速度和自车的加速度，利用式(11)计算得到前车的绝对加速度a_p(t)。

x_p(t)＝x(t)+d_r(t|i) 式(9)

v_p(t)＝v(t)+v_r(t|i) 式(10)

a_p(t)＝a(t)+a_r(t|i) 式(11)

步骤203)通过地理位置信息定位***，以及自车的位置x(t)和前车的绝对位置x_p(t)，获得自车的当前位置的道路坡度θ(t)和θ_p(t)，当前所在道路的最高限速v_min与最低限速v_max。

步骤204)将前车的从自车开始跟车时刻到当前时刻内的绝对速度轨迹、绝对加速度轨迹和坡度轨迹输入到所述前车速度预测模型，得到前车的未来时间段的速度轨迹

优选的，如图3所示，步骤30)具体包括：

步骤301)建立式(1)所示的前后车跟车***的状态空间模型：

式中，Δs表示自车与前车之间的距离，v_ego表示自车的速度，

表示预测前车速度，g(t)表示自车的纵向加速度，

表示前车的加速度。

步骤302)采用式(2)所示的容许集表示前后车跟车***的状态空间模型中状态量：

式中，χ表示状态量可使用容许集，l_min表示前车与自车在精致状态下需要保证的最小安全距离。

步骤303)定义状态约束安全集为控制不变集，采用式(3)表示：

式中，ψ表示状态约束安全集，

表示预测前车最小加速度，g(t)_min表示自车的最小加速度；H表示前车的可行加速度的容许集，I表示自车的可行加速度的容许集。

步骤304)从前车当前所在位置x_p(t)以最大减速度a_pmin刹车，计算得到刹车距离以及前车最后的停车位置x_pn。

从前车最后的停车位置后退最小车距l_min，将后退后的位置记为自车的反向递推起始位置，并计算从反向递推起始位置开始，自车从静止开始以最大减速度的绝对值，朝反方向加速直到自车的速度等于自车在当前道路允许的最大速度v_max，记录自车在这段过程中的加速距离x_acl，以及自车最后的位置x_n。

将自车加速到道路最大允许车速的最大位置x_n与前车减速至静止的最终位置x_pn相减，得到的相对距离为当前的安全车距d_safe。

本发明实施例方法采用控制不变集获得的安全车距能够更好的适应不同的交通情况，并动态考虑了前车在预测时域内的动力学特性。并且相比于传统不变集算法，本实施例方法在保证了安全的前提下相对非保守，能够实现更高的跟车效率与交通流密度，进一步提升了经济性与舒适性。

优选的，所述步骤40)具体包括：

步骤401)建立车辆纵向动力学***模型，满足式(4)：

式中，T表示施加在车轮上的转矩，R表示车轮半径，C_D表示自车的风阻系数，A_f表示自车的迎风面面积，ρ表示空气密度，m表示自车的总装质量，θ表示道路坡度。

对车辆纵向动力学***模型进行离散化，以满足式(5)：

x(t+1)＝f(u(t),x(t),θ(t),t) 式(5)

其中，该***的控制变量为自车车轮的转矩T(t)，状态变量为自车速度v(t)和自车的累计能耗f(t|t₀)。

步骤402)根据车辆纵向动力学***模型，考虑跟车距离误差、驾乘人员的舒适性和车辆所需的能耗，建立式(6)所示的车辆纵向动力学***的二次型目标函数：

式中，δd(k|t)表示期望车距代价软约束，在此表示车辆；Δa(k|t)表示自车的加速度，在此表示车辆行使的舒适性；f(k|t→t₀)表示自车累计能耗，在此表示车辆的节能性；R₁表示代价函数的第一权重系数，R₂表示代价函数的第二权重系数，R₃表示代价函数的第三权重系数。

步骤403)根据步骤30)得到的安全车距，建立车速控制的约束集合C，所述约束集合包括：

车辆转矩约束：T_minω(k|t)≤T(k|t)≤T_maxω(k|t)，

车速极值约束：v_min≤v(k|t)≤v_max，

安全车距约束：

期望车距软约束：

其中，期望车距以软约束的形式加入式(6)所示的目标函数。

步骤404)所建立的模型预测控制问题以20s作为预测时域长度，以0.5s作为采样时间步长，对所建立的模型预测控制问题进行求解。

最终，求解非线性速度规划问题所获得的车轮转矩控制量即为所需要的控制输出。将车辆的转矩发送至下位控制器，并由下位控制器负责将信号转制后发送至执行机构执行。

本发明采用非线性模型预测控制算法，能够显示表达***状态量、控制量约束，并方便构建目标函数以实现不同的控制目标需求，本发明中的期望车距以软约束的形式加入到目标函数中，在保证车辆行驶安全的前提下，同时也不会因为约束冲突造成求解困难，加快了***的执行效率。

将本发明实施例方法进行仿真，仿真结果如图4所示。其中图4(a)所示的本发明实施例中的前车速度预测模型能够合理地预测前车的实际车速，预测车速的曲线簇能够较好贴合实际的前车车速曲线。在不同的控制策略下，本发明所提出的安全车距规划算法的车辆车速曲线相比采用自适应巡航控制算法的车速曲线更加的平顺，减少了许多的不必要的加减速行为，提升了乘员的舒适性。图4(b)中可见采用本发明实施例方法的车距变化更加平滑，而采用普通自适应巡航算法的车距在开始时存在一定的抖动，造成了不必要的能量浪费和不适感，同时本发明实施例方法也能较好的保证车距大于安全距离。图4(c)中以纯电动车为例，本发明实施例方法能够较好的节约车辆的电量消耗，同时车辆的转矩输出与传统的自适应巡航相比也更加平滑，能较好的满足舒适性和节能性的要求。

以上显示和描述了本发明的基本原理、主要特征和优点。本领域的技术人员应该了解，本发明不受上述具体实施例的限制，上述具体实施例和说明书中的描述只是为了进一步说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护的范围由权利要求书及其等效物界定。

Claims (4)

1.一种结合前车速度预测的自适应跟车巡航控制方法，其特征在于，包括以下步骤：

步骤10)构建前车速度预测模型；

步骤20)获取自车与前车的当前运行工况信息，并采用所述前车速度预测模型得到前车在未来时间段内的速度；

步骤30)根据所述前车在未来时间段内的速度，采用控制不变集的安全车距规划算法得到安全车距；

步骤40)建立车辆纵向动力学***模型，基于步骤30)得到的安全车距，采用非线性模型预测控制算法计算得到自车的车辆控制参数；

所述步骤10)具体包括：

步骤101)采集车辆驾驶工况数据，所述车辆驾驶工况数据包括车辆在典型道路场景下的自身速度、加速度、经度、纬度和海拔，以及前车相对自身的位置和速度；

步骤102)将所述车辆驾驶工况数据进行筛选和清洗后，将车辆驾驶工况数据分为训练数据集和验证数据集；

步骤103)构建带有记忆门与遗忘门控制函数的长短期记忆神经网络模型，所述长短期记忆神经网络模型的输入为前车历史车速、加速度和道路坡度，输出为未来时间段内的车速；

步骤104)将训练数据集归一化处理后输入所述长短期记忆神经网络模型进行训练，将验证数据集输入训练后的长短期记忆神经网络模型进行交叉验证，得到前车速度预测模型。

2.根据权利要求1所述的结合前车速度预测的自适应跟车巡航控制方法，其特征在于，所述步骤20)具体包括：

步骤201)通过毫米波雷达获取前车的当前运行工况信息，所述前车的当前运行工况信息包括前车的相对速度、相对加速度以及相对于自车的位置；

步骤202)通过卫星定位***获得自车的当前运行工况信息，所述自车的当前运行工况信息包括自车的位置、速度和加速度；

步骤203)根据前车的相对于自车的位置和自车的位置，计算得到前车的绝对位置；根据前车的相对速度和自车的速度，计算得到前车的绝对速度；根据前车的相对加速度和自车的加速度，计算得到前车的绝对加速度；

步骤204)通过地理位置信息定位***，以及自车的当前位置和前车的当前位置，获得自车的当前位置的道路坡度和当前所在道路的最高与最低限速；

步骤205)将前车的从自车开始跟车时刻到当前时刻内的绝对速度轨迹、绝对加速度轨迹和坡度轨迹输入到所述前车速度预测模型，得到前车的未来时间段的速度轨迹。

3.根据权利要求1所述的结合前车速度预测的自适应跟车巡航控制方法，其特征在于，所述步骤30)具体包括：

步骤301)建立式(1)所示的前后车跟车***的状态空间模型：

式中，Δs表示自车于前车之间的距离，v_ego表示自车的速度，

表示预测前车速度，g(t)表示自车的纵向加速度，

表示前车的加速度；

步骤302)采用式(2)所示的容许集表示前后车跟车***的状态空间模型中状态量：

式中，χ表示状态量可使用容许集，l_min表示前车与自车在精致状态下需要保证的最小安全距离；

步骤303)定义状态约束安全集为控制不变集，采用式(3)表示：

式中，ψ表示状态约束安全集，

表示预测前车最小加速度，g(t)_min表示自车的最小加速度；H表示前车的可行加速度的容许集，Ι表示自车的可行加速度的容许集；

步骤304)从前车当前所在位置以最大减速度刹车，计算得到刹车距离以及前车最后的停车位置；从前车最后的停车位置后退最小车距，将后退后的位置记为自车的反向递推起始位置，并计算从反向递推起始位置开始，自车从静止开始以最大减速度的绝对值，朝反方向加速直到自车的速度等于自车在当前道路允许的最大速度，记录自车在这段过程中的加速距离，以及自车最后的位置；将自车加速到道路最大允许车速的最大位置与前车减速至静止的最终位置相减，得到的相对距离为当前的安全车距。

4.根据权利要求1所述的结合前车速度预测的自适应跟车巡航控制方法，其特征在于，所述步骤40)具体包括：

步骤401)建立车辆纵向动力学***模型，满足式(4)：

式中，T表示施加在车轮上的转矩，R表示车轮半径，C_D表示自车的风阻系数，A_f表示自车的迎风面面积，ρ表示空气密度，m表示自车的总装质量；

对车辆纵向动力学***模型进行离散化，以满足式(5)：

x(t+1)＝f(u(t),x(t),θ(t),t) 式(5)

步骤402)根据车辆纵向动力学***模型，考虑跟车距离误差、驾乘人员的舒适性和车辆所需的能耗，建立式(6)所示的车辆纵向动力学***的二次型目标函数：

式中，δd(k|t)表示期望车距代价软约束，Δa(k|t)表示自车的加速度，f(k|t→t₀)表示自车累计能耗，R₁表示代价函数的第一权重系数，R₂表示代价函数的第二权重系数，R₃表示代价函数的第三权重系数；

步骤403)根据步骤30)得到的安全车距，建立车速控制的约束集合，所述约束集合包括：

车辆转矩约束：T_minω(k|t)≤T(k|t)≤T_maxω(k|t)，

车速极值约束：v_min≤v(k|t)≤v_max，

安全车距约束：

期望车距软约束：

其中，期望车距以软约束的形式加入式(6)所示的目标函数；

步骤404)求解得到自车的车辆控制参数。

Images