CN113859236A - 一种跟车控制***、车辆、方法、装置、设备及存储介质 - Google Patents
一种跟车控制***、车辆、方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113859236A CN113859236A CN202111042596.8A CN202111042596A CN113859236A CN 113859236 A CN113859236 A CN 113859236A CN 202111042596 A CN202111042596 A CN 202111042596A CN 113859236 A CN113859236 A CN 113859236A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- vehicle
- front vehicle
- determining
- prediction
- 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 42
- 230000001133 acceleration Effects 0.000 claims abstract description 281
- 230000000694 effects Effects 0.000 abstract description 10
- 230000003044 adaptive effect Effects 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
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
- 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
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
-
- 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
- B60W40/10—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 vehicle motion
- B60W40/107—Longitudinal acceleration
-
- 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
-
- 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
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本申请涉及自适应巡航控制技术领域,尤其涉及一种跟车控制***、车辆、方法、装置、设备及存储介质。所述***包括前车加速度预测模块,所述前车加速度预测模块包括:前车加速度收集单元,用于持续收集前车的加速度数据;参数识别单元,用于根据前车的加速度数据确定前车加速度预测模型;前车加速度预测单元,用于根据所述前车加速度预测模型确定预测时域内的前车加速度时间序列。通过不断收集前车加速度数据做分析,以预测前车未来有限个步长的加速度时间序列,实现对前车加速度的准确预测。将预测的前车加速度序列应用于模型预测控制中,从而提高控制效果。
Description
技术领域
本申请涉及自适应巡航控制技术领域,尤其涉及一种跟车控制***、车辆、方法、装置、设备及存储介质。
背景技术
自适应巡航控制(Adaptive Cruise Control,ACC)是一种智能化的自动控制技术,其是在传统的定速巡航控制的基础上结合安全车距保持控制,通过环境信息感知模块进行前方行驶环境监测,当前方没有车辆或前方车辆远在安全车距之外时以预设定车速定速巡航,而当前方车辆在监测范围以内且前方车辆车速小于本巡航车速时,以一定的控制策略自动跟随前车行驶。其中,在跟随前车行驶时其主要是在车辆安全距离一定的情况下,根据跟车时距调整车速,从而实现车辆行驶速度的控制。
现有技术中,当前跟车控制模型的主流控制框架为分层控制,其中上层控制器将车间状态作为输入,然后输出期望加速度。而下层控制器则将期望加速度作为输入,然后转换成被控车辆的制动轮缸压力和节气门开度,从而实现跟车的目的。然而,在计算期望加速度的算法中,通常是将状态方程中的前车加速项视为可测干扰项,这带来了缺陷。第一,真实世界中,前车的加速度在一段时间内呈现一定的相关性,将前车加速度视为随机噪音并不合理。第二,现有模型预测控制器的设计多数假设预测时域内可测干扰项变化量为零,这个假设降低了控制器的效果。这就使得期望加速度计算误差较大,进而导致车辆控制不符合实际运行需要,存在安全风险。
发明内容
本发明要解决的技术问题是现有的跟车模型计算自车期望加速度不符合实际情况造成计算误差较大的问题。
为解决上述技术问题,第一方面,本申请实施例公开了一种跟车控制***,所述***包括前车加速度预测模块,所述前车加速度预测模块包括:
前车加速度收集单元,用于持续收集前车的加速度数据;
参数识别单元,用于根据前车的加速度数据确定前车加速度预测模型;
前车加速度预测单元,用于根据所述前车加速度预测模型确定预测时域内的前车加速度时间序列。
进一步的,所述***还包括自车加速度确定模块,所述自车加速度确定模块用于根据所述前车加速度时间序列以及跟车状态信息确定自车期望加速度。
进一步的,所述***还包括操作控制确定模块,所述操作控制确定模块用于根据所述自车期望加速度确定自车的制动轮缸压力和节气门开度。
第二方面,本申请实施例公开了一种车辆,所述车辆包括如上所述的跟车控制***。
第三方面,本申请实施例公开了一种跟车控制方法,所述方法包括:
获取前车在第一预设时间段内的历史加速度数据;所述第一预设时间段为当前时刻前至预设历史时刻的预设时域;
根据所述历史加速度数据确定前车加速度预测模型;
根据所述前车加速度预测模型预测第二预设时间段内的前车加速度时间序列;所述第二预设时间段为当前时刻前至预设未来时刻的预设时域;
根据所述前车加速度时间序列确定自车期望加速度。
进一步的,所述根据所述前车加速度时间序列确定自车期望加速度,包括:
获取跟车状态信息;
根据所述前车加速度时间序列和所述跟车状态信息确定自车期望加速度。
进一步的,所述根据所述历史加速度数据确定前车加速度预测模型之后,还包括:
获取当前时刻的前车加速度数据;
根据所述当前时刻的前车加速度数据修正所述前车加速度预测模型。
第四方面,本申请实施例公开了一种跟车控制装置,所述装置包括:
获取模块,用于获取前车在第一预设时间段内的历史加速度数据;所述第一预设时间段为当前时刻前至历史时刻的预设时域;
前车加速度预测模型确定模块,用于根据所述历史加速度数据确定前车加速度预测模型;
预测模块,用于根据所述前车加速度预测模型预测第二预设时间段内的前车加速度时间序列;所述第二预设时间段为当前时刻前至未来时刻的预设时域;
自车期望加速度确定模块,用于根据所述前车加速度时间序列确定自车期望加速度。
在一个可选的实施方式中,所述自车期望加速度确定模块包括:
跟车状态信息获取单元,用于获取跟车状态信息;
自车期望加速度确定单元,用于根据所述前车加速度时间序列和所述跟车状态信息确定自车期望加速度。
在一个可选的实施方式中,所述装置还包括:
前车加速度数据获取单元,用于获取当前时刻的前车加速度数据;
前车加速度预测模型修正单元,用于根据所述当前时刻的前车加速度数据修正所述前车加速度预测模型。
第五方面,本申请实施例公开了一种电子设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行如上所述的跟车控制方法。
第六方面,本申请实施例公开了一种计算机可读存储介质,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如上所述的跟车控制方法。
本申请实施例提供的跟车控制***、车辆、方法、装置、设备及存储介质,具有如下技术效果:
该跟车控制***中设置了前车加速度预测模块,前车加速度预测模块包括前车加速度收集单元、参数识别单元和前车加速度预测单元,通过不断收集前车加速度数据做分析,以预测前车未来有限个步长的加速度时间序列,实现对前车加速度的准确预测。将预测的前车加速度序列应用于模型预测控制中,从而提高控制效果。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本申请实施例所提供的一种跟车控制***的结构示意图;
图2为本申请实施例所提供的一种跟车控制***的跟车动力学逻辑示意图;
图3是本申请实施例提供的一种跟车控制方法的流程示意图;
图4为本申请实施例提供的一种跟车控制装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
自适应巡航控制***是一种智能化的自动控制***。在车辆行驶过程中,安装在车辆前部的车距传感器持续扫描车辆前方道路,同时轮速传感器采集车速信号。当与前车之间的距离过小时,ACC控制单元可以通过与电子稳定***(Electronic StabilityProgram,ESP)、发动机控制***协调动作,使车轮适当制动,并使发动机的输出功率下降,以使车辆与前方车辆始终保持安全距离。
当前跟车控制模型的主流控制框架为分层控制,其中上层控制器将车间状态作为输入,然后输出期望加速度。而下层控制器则将期望加速度作为输入,然后转换成被控车辆的制动轮缸压力和节气门开度,从而实现跟车的目的。
上层控制器的实现方法有很多种,其中一种是采用模型预测控制方法。该方法首先对自车与前车的跟车行为进行建模,该模型称为跟车***动力学模型。定义车间距差和相对速度为:
d(t)是前车与自车的相对距离,ddes(t)是期望相对距离,vp(t)是前车速度,vf(t)是自车的速度。若采用不变时距间隔策略,则ddes(t)为:
ddes(t)=τhvf(t)+d0
对方程组两边取导则有:
af(t)是自车加速度,ap(t)是前车加速度。因为驱动***、制动***等结构的迟滞,期望加速度与实际加速度可以表达为一阶惯性环节,因此可以得到:
最终可以得到***状态方程为:
其中:
B=[0 0 K/τ]T
Γ=[0 1 0]T
x=[Δd Δv af]T
u=afdes
υ=ap
接着选择控制时域与预测时域,依据要求设计代价函数和约束,最后将方程可以整理成为二次规划问题,用内点法等方法求解。在求解过程中,前车的加速度ap是不可忽视的重要影响因素,前车的加速度的准确与否将直接影响所解得的自车期望加速度afdes准确性,进而影响跟车控制效果。
为了确保自车期望加速度的计算准确性,提高跟车控制效果,保证跟车安全,本申请实施例提供了一种跟车控制***,请参阅图1,图1为本申请实施例所提供的一种跟车控制***的结构示意图,该***包括前车加速度预测模块,前车加速度预测模块包括:
前车加速度收集单元,用于持续收集前车的加速度数据。
参数识别单元,用于根据前车的加速度数据确定前车加速度预测模型。
前车加速度预测单元,用于根据前车加速度预测模型确定预测时域内的前车加速度时间序列。
本申请实施例所述的跟车控制***中,设置了前车加速度预测模块来对前车加速度进行预测。前车加速度预测模块包括前车加速度收集单元、参数辨识单元和前车加速度预测单元。
前车加速度收集单元不断收集前车的当前加速度数据,并将收集到的前车加速度数据进行存储。当存储的数据超过一定量后,则保留最新的前若干组数据。在一个可选的实施方式中,收集前车加速度可以设置一个收集时间域,例如,从当前时刻开始往前的5分钟内,即从历史5分钟前时刻至当前时刻,前车加速度收集单元收集并存储该5分钟内的历史前车加速度数据,并随时间进程不断实时更新该收集时间域内所收集的前车加速度数据。前车加速度收集单元通过车载数据采集传感器来收集前车加速度数据。可选的,车载数据采集传感器可以为超声波雷达、毫米波雷达、激光雷达等。
参数辨识单元内设置有前车加速度辨识模型,参数辨识单元通过对前车加速度收集单元收集的历史前车加速度数据进行辨识,根据前车加速度辨识模型确定出前车加速度预测模型。前车加速度辨识模型可以为回归预测模型,例如ARIMA模型,也可以为其他统计学模型,在此不作过多限定,本领域技术人员可根据实际情况自主选择。前车加速度辨识模型选定后,该模型的结构随之确定,通过将前车加速度数据输入该模型即可实现对前车加速度数据的实时辨识,从而参数辨识单元可以实时进行参数辨识,以适应于不断变更的跟车状况。
作为一种示例,参数前车加速度辨识模型为:
该辨识模型中,ak|k+1、ak、ak|k-1为前车加速度收集单元所收集的历史前车加速度数据,为辨识参数,该参数不是确定的,而是根据历史前车加速度数据确定的。当确定后即可得到前车加速度预测模型。显然,并不是固定不变的,而是随着时间的改变而改变。随着前车加速度收集单元所收集的历史前车加速度数据的不断更新,基于这些历史前车加速度数据辨识出来的参数也是随时间变化的。因此,前车加速度预测模型也是不断更新变化的,从而根据最新的前车加速度预测模型能够预测得到最接近真实情况的前车加速度数据。该实施方式中,参数辨识的方法可以是最小二乘法或其他统计学原理,在此不作限定。
前车加速度预测单元利用参数识别单元所确定的前车加速度预测模型来预测前车在预设预测时域内的前车加速度时间序列。预测时域为当前时刻至未来某一时刻的时间段,例如,当前时刻至未来5分钟内为一个预测时域。具体的,若参数识别单元所确定的前车加速度预测模型为ARIMA(2,1)模型,则前车加速度预测方程为:
…
其中,ak|k+1、ak|k+2、ak|k+2就是在k时刻所预测的k+1、k+2、k+3时刻的预测前车加速度。
若前车加速度预测方程的预测时域为P,则前车加速度预测序列为:ak|k+1、ak|k+2、ak|k+2,…,ak|k+p共P个预测值。
图2为本申请实施例所提供的一种跟车控制***的跟车动力学逻辑示意图,图中af表示自车加速度,ap表示前车加速度,φp表示参数辨识结果,Ap表示前车加速度预测序列,ades表示期望加速度,Pcon表示制动轮缸压力,αth表示节气门开度,Δd表示车间距离,Δv表示车间相对速度。如图2所示,前车加速度收集单元用于实时收集前车加速度数据,参数辨识单元用于对历史前车加速度数据进行回归参数辨识,从而得到前车加速度回归预测模型,前车加速度预测单元用于根据前车加速度回归预测模型预测前车加速度。
本申请实施例中,该***还包括自车加速度确定模块和操作控制确定模块,自车加速度确定模块用于根据前车加速度时间序列以及跟车状态信息确定自车期望加速度。操作控制确定模块用于根据自车期望加速度确定自车的制动轮缸压力和节气门开度。
本申请实施例中,前车加速度预测模块预测出预测时域内的前车加速度后,将前车加速度的预测结果,以及车间距离、车间相对速度、跟车相对距离等跟车状态信息作为初始条件输入到自车加速度确定模块中,自车加速度确定模块中的模型预测控制器根据上述信息得到自车期望加速度。然后操作控制模块即下层控制器根据自车期望加速度转换成自车的制动轮缸压力和节气门开度,从而实现跟车的目的。
本申请实施例所述的跟车控制***,利用采集到的前车最新的若干个前车加速度数据推理出预测时域内的前车加速度时间序列Ap={ak|k+1,ak|k+2,ak|k+2,…,ak|k+p}。然后根据预测的前车加速度时间序列及跟车状态信息确定出自车期望加速度。由于前车的加速度在一段时间内呈现一定的相关性,因此根据最新的前车加速度数据预测出的前车预测加速度数据具有较高的准确性,更加符合实际情况。相对于传统模型预测控制,在确定自车期望加速度时,由于输入信息还包括了前车加速度预测序列,因此可以得到较为理想的自车期望加速度,进而得到理想的制动轮缸压力和节气门开度,实现更高的车辆控制效果。本申请从统计学的角度去挖掘前车历史加速度信息的价值,提高了跟车控制的效果。
本申请实施例还提供了一种车辆,车辆包括如上所述的跟车控制***。
本申请实施例所述的车辆包括如上所述的跟车控制***,从而能够实现更好的跟车控制效果,提高跟车的安全性。
本申请实施例还提供了一种跟车控制方法,图3是本申请实施例提供的一种跟车控制方法的流程示意图,本说明书提供了如实施例或流程图的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的***或服务器产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行例如并行处理器或者多线程处理的环境。具体的如图3所示,该方法可以包括:
S301:获取前车在第一预设时间段内的历史加速度数据。
本申请实施例中,跟车控制***通过前车加速度收集单元来实时收集前车的加速度数据。前车指的是被控车辆正前方且与被控车辆相邻的车辆。第一预设时间段为当前时刻前至预设历史时刻的预设时域。例如,从当前时刻开始往前的5分钟内。前车加速度收集单元所收集的第一预设时间段内的历史加速度数据有多个,且与时间相对应。
S303:根据历史加速度数据确定前车加速度预测模型。
本申请实施例中,跟车控制***中设置有参数识别单元,参数辨识单元通过对前车加速度收集单元收集的历史前车加速度数据进行辨识,根据前车加速度辨识模型确定出前车加速度预测模型。
S305:根据前车加速度预测模型预测第二预设时间段内的前车加速度时间序列。
本申请实施例中,跟车控制***中设置有前车加速度预测单元,前车加速度预测单元利用参数识别单元所确定的前车加速度预测模型来预测前车在第二预设时间段内的前车加速度时间序列。第二预设时间段为当前时刻前至预设未来时刻的预设时域,例如,当前时刻至未来5分钟内为一个预测时域。
S307:根据前车加速度时间序列确定自车期望加速度。
本申请实施例中,跟车控制***中设置有自车加速度确定模块,自车加速度确定模块用于确定自车期望加速度。具体的,自车加速度确定模块通过获取跟车状态信息,然后根据前车加速度时间序列和跟车状态信息确定自车期望加速度。在一个可选的实施方式中,自车加速度确定模块获取前车加速度的预测结果,以及车间距离、车间相对速度、跟车相对距离等跟车状态信息,自车加速度确定模块中的模型预测控制器根据上述信息得到自车期望加速度。
本申请实施例中,由于前车的加速度数据是处于不断变化状态的,为了保证对前车加速度预测的准确性,参数识别单元需要不断的对前车加速度预测模型进行修正,以适应不断变化实际跟车场景。在一个可选的实施方式中,根据历史加速度数据确定前车加速度预测模型之后,还包括:获取当前时刻的前车加速度数据,参数识别单元根据当前时刻的前车加速度数据修正前车加速度预测模型。
本申请实施例中,跟车控制***中还设置有操作控制模块,当自车期望加速度确定之后,操作控制模块获取自车期望加速度,并根据自车期望加速度转换成自车的制动轮缸压力和节气门开度,从而控制自车实现跟车的目的。
本身实施例所述的跟车控制方法,通过实时收集前车的加速度数据,并根据前车加速度数据确定出前车加速度预测模型来预测前车未来一定时间段内的前车加速度数据,进而根据该前车加速度可以确定出理想的自车期望加速度,根据该自车期望加速度转换出的自车的制动轮缸压力和节气门开度来控制车辆,能够实现更好跟车控制效果。
本申请实施例还提供了一种跟车控制装置,图4为本申请实施例提供的一种跟车控制装置的结构示意图,如图4所示,该装置包括:
获取模块,用于获取前车在第一预设时间段内的历史加速度数据;第一预设时间段为当前时刻前至历史时刻的预设时域。
前车加速度预测模型确定模块,用于根据历史加速度数据确定前车加速度预测模型。
预测模块,用于根据前车加速度预测模型预测第二预设时间段内的前车加速度时间序列;第二预设时间段为当前时刻前至未来时刻的预设时域。
自车期望加速度确定模块,用于根据前车加速度时间序列确定自车期望加速度。
在一个可选的实施方式中,自车期望加速度确定模块包括:
跟车状态信息获取单元,用于获取跟车状态信息。
自车期望加速度确定单元,用于根据前车加速度时间序列和跟车状态信息确定自车期望加速度。
在一个可选的实施方式中,该装置还包括:
前车加速度数据获取单元,用于获取当前时刻的前车加速度数据。
前车加速度预测模型修正单元,用于根据当前时刻的前车加速度数据修正前车加速度预测模型。
本申请实施例中的装置与方法实施例基于同样地申请构思。
本申请实施例公开了一种电子设备,设备包括处理器和存储器,存储器中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行如上所述的车辆会车方法。
本申请实施例中,存储器可用于存储软件程序以及模块,处理器通过运行存储在存储器的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、功能所需的应用程序等;存储数据区可存储根据所述终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器还可以包括存储器控制器,以提供处理器对存储器的访问。作为一个示例,该设备为车载电脑,如ECU。
本申请实施例公开了一种计算机可读存储介质,存储介质中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现如上所述的车辆会车方法。
本申请实施例中,上述存储介质可以位于计算机网络的多个网络客户端中的至少一个网络客户端。可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、只读存储器ROM,Read-OnlyMemory、随机存取存储器RAM,RandomAccess Memory、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例提供的跟车控制***、车辆、方法、装置、设备及存储介质,具有如下优点:
通过不断收集前车加速度数据做回归分析,以预测前车未来有限个步长的加速度时间序列。同时为了应对不断变更的驾驶环境,对回归模型做实时参数辨识,从而实时更新前车加速度回归预测模型。将预测的前车加速度序列应用于模型预测控制中,能够提高跟车控制效果。
需要说明的是:上述本申请实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本申请的较佳实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种跟车控制***,其特征在于,所述***包括前车加速度预测模块,所述前车加速度预测模块包括:
前车加速度收集单元,用于持续收集前车的加速度数据;
参数识别单元,用于根据前车的加速度数据确定前车加速度预测模型;
前车加速度预测单元,用于根据所述前车加速度预测模型确定预测时域内的前车加速度时间序列。
2.根据权利要求1所述的跟车控制***,其特征在于,所述***还包括自车加速度确定模块,所述自车加速度确定模块用于根据所述前车加速度时间序列以及跟车状态信息确定自车期望加速度。
3.根据权利要求2所述的跟车控制***,其特征在于,所述***还包括操作控制确定模块,所述操作控制确定模块用于根据所述自车期望加速度确定自车的制动轮缸压力和节气门开度。
4.一种车辆,其特征在于,所述车辆包括如权利要求1-3任一项所述的跟车控制***。
5.一种跟车控制方法,其特征在于,所述方法包括:
获取前车在第一预设时间段内的历史加速度数据;所述第一预设时间段为当前时刻前至预设历史时刻的预设时域;
根据所述历史加速度数据确定前车加速度预测模型;
根据所述前车加速度预测模型预测第二预设时间段内的前车加速度时间序列;所述第二预设时间段为当前时刻前至预设未来时刻的预设时域;
根据所述前车加速度时间序列确定自车期望加速度。
6.根据权利要求5所述的跟车控制方法,其特征在于,所述根据所述前车加速度时间序列确定自车期望加速度,包括:
获取跟车状态信息;
根据所述前车加速度时间序列和所述跟车状态信息确定自车期望加速度。
7.根据权利要求6所述的跟车控制方法,其特征在于,所述根据所述历史加速度数据确定前车加速度预测模型之后,还包括:
获取当前时刻的前车加速度数据;
根据所述当前时刻的前车加速度数据修正所述前车加速度预测模型。
8.一种跟车控制装置,其特征在于,所述装置包括:
获取模块,用于获取前车在第一预设时间段内的历史加速度数据;所述第一预设时间段为当前时刻前至历史时刻的预设时域;
前车加速度预测模型确定模块,用于根据所述历史加速度数据确定前车加速度预测模型;
预测模块,用于根据所述前车加速度预测模型预测第二预设时间段内的前车加速度时间序列;所述第二预设时间段为当前时刻前至未来时刻的预设时域;
自车期望加速度确定模块,用于根据所述前车加速度时间序列确定自车期望加速度。
9.一种电子设备,其特征在于,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行如权利要求5-7任一所述的跟车控制方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或至少一段程序由处理器加载并执行以实现如权利要求5-7任一所述的跟车控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042596.8A CN113859236A (zh) | 2021-09-07 | 2021-09-07 | 一种跟车控制***、车辆、方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111042596.8A CN113859236A (zh) | 2021-09-07 | 2021-09-07 | 一种跟车控制***、车辆、方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113859236A true CN113859236A (zh) | 2021-12-31 |
Family
ID=78989834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111042596.8A Pending CN113859236A (zh) | 2021-09-07 | 2021-09-07 | 一种跟车控制***、车辆、方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113859236A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117068159A (zh) * | 2023-08-30 | 2023-11-17 | 东风柳州汽车有限公司 | 一种基于抗扰控制的自适应巡航*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112013002757T5 (de) * | 2012-05-30 | 2015-08-13 | Hitachi Automotive Systems, Ltd. | Fahrzeugsteuereinheit |
CN107808027A (zh) * | 2017-09-14 | 2018-03-16 | 上海理工大学 | 基于改进模型预测控制的自适应跟车算法 |
US20180134295A1 (en) * | 2016-11-17 | 2018-05-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for preemptively modifying vehicle parameters according to predicted accelerations upon a travel lane clearing |
US20180196891A1 (en) * | 2015-04-03 | 2018-07-12 | Baidu Online Network Technology (Beijing) Co. Ltd. | Kalman filter based capacity forecasting method, system and computer equipment |
CN109978025A (zh) * | 2019-03-11 | 2019-07-05 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
CN111284489A (zh) * | 2020-03-24 | 2020-06-16 | 吉林大学 | 智能网联汽车随机预测巡航控制*** |
CN112758105A (zh) * | 2020-12-30 | 2021-05-07 | 上海汽车集团股份有限公司 | 一种自动驾驶车队跟车行驶控制方法、装置及*** |
CN112977412A (zh) * | 2021-02-05 | 2021-06-18 | 西人马帝言(北京)科技有限公司 | 一种车辆控制方法、装置、设备及计算机存储介质 |
-
2021
- 2021-09-07 CN CN202111042596.8A patent/CN113859236A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE112013002757T5 (de) * | 2012-05-30 | 2015-08-13 | Hitachi Automotive Systems, Ltd. | Fahrzeugsteuereinheit |
US20180196891A1 (en) * | 2015-04-03 | 2018-07-12 | Baidu Online Network Technology (Beijing) Co. Ltd. | Kalman filter based capacity forecasting method, system and computer equipment |
US20180134295A1 (en) * | 2016-11-17 | 2018-05-17 | Toyota Motor Engineering & Manufacturing North America, Inc. | Systems and methods for preemptively modifying vehicle parameters according to predicted accelerations upon a travel lane clearing |
CN107808027A (zh) * | 2017-09-14 | 2018-03-16 | 上海理工大学 | 基于改进模型预测控制的自适应跟车算法 |
CN109978025A (zh) * | 2019-03-11 | 2019-07-05 | 浙江工业大学 | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 |
CN111284489A (zh) * | 2020-03-24 | 2020-06-16 | 吉林大学 | 智能网联汽车随机预测巡航控制*** |
CN112758105A (zh) * | 2020-12-30 | 2021-05-07 | 上海汽车集团股份有限公司 | 一种自动驾驶车队跟车行驶控制方法、装置及*** |
CN112977412A (zh) * | 2021-02-05 | 2021-06-18 | 西人马帝言(北京)科技有限公司 | 一种车辆控制方法、装置、设备及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
刘晨晖: "《电力***负荷预报理论与方法》", 哈尔滨工程大学出版社, pages: 107 - 110 * |
吴陶然: "模型预测算法结合灰色预测的自适应巡航控制", 《农业装备与车辆工程》, 31 December 2020 (2020-12-31), pages 80 - 84 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117068159A (zh) * | 2023-08-30 | 2023-11-17 | 东风柳州汽车有限公司 | 一种基于抗扰控制的自适应巡航*** |
CN117068159B (zh) * | 2023-08-30 | 2024-04-19 | 东风柳州汽车有限公司 | 一种基于抗扰控制的自适应巡航*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110406530B (zh) | 一种自动驾驶方法、装置、设备和车辆 | |
Moon et al. | Design, tuning, and evaluation of a full-range adaptive cruise control system with collision avoidance | |
CN111775949B (zh) | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 | |
CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
US20220048536A1 (en) | Method and device for testing a driver assistance system | |
Beglerovic et al. | Model-based safety validation of the automated driving functio highway pilot | |
CN113370996B (zh) | 自动驾驶换道跟驰决策方法及***、自动驾驶车辆 | |
CN110920539A (zh) | 车辆驾驶分析方法和装置、电子设备和计算机存储介质 | |
CN113119981B (zh) | 车辆主动安全控制方法、***及存储介质 | |
CN113044037A (zh) | 智能汽车的控制方法、装置和控制*** | |
CN112158196B (zh) | 自动泊车方法及装置 | |
US20230001940A1 (en) | Method and Device for Optimum Parameterization of a Driving Dynamics Control System for Vehicles | |
CN111397630A (zh) | 基于云端服务器的车辆能量管理方法、车辆和能量管理*** | |
CN113722835A (zh) | 拟人化随机换道驾驶行为建模方法 | |
CN113859236A (zh) | 一种跟车控制***、车辆、方法、装置、设备及存储介质 | |
CN114730494A (zh) | 用于对交通场景的空间的覆盖进行估计的方法 | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
CN112319505B (zh) | 自动驾驶换道判断方法、装置、设备及存储介质 | |
CN116476850A (zh) | 车辆的横纵向控制信号预测方法、装置、车辆及存储介质 | |
CN114228746B (zh) | 一种预测车辆运动轨迹的方法及装置 | |
CN114103966A (zh) | 一种辅助驾驶的控制方法、装置和*** | |
CN113954852A (zh) | 用于自主驾驶的数据驱动控制 | |
CN116714591B (zh) | 换道意图的生成方法、装置和存储介质及电子设备 | |
CN114056332B (zh) | 基于认知风险平衡的智能汽车跟车决策和控制方法 | |
CN113256845B (zh) | 一种数据采集方法、装置、存储介质及*** |
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 |
Application publication date: 20211231 |
|
RJ01 | Rejection of invention patent application after publication |