CN114148351B - 一种应用于自动驾驶的预测性动力链节能控制方法 - Google Patents

Abstract

本发明提供了一种应用于自动驾驶的预测性动力链节能控制方法，包括：获取车辆定位信息和目标车速，获取地图信息，计算预测性空挡滑行距离和能耗，进行预测性车速/挡位规划以及算出最优能耗和对应的车速曲线，对预测性滑行和预测性车速/挡位规划进行仲裁。其中，计算预测性空挡滑行距离和能耗包括：获取车辆位置、行驶距离和行驶时间；根据地图信息检查前方道路是否存在限速变化或者存在下坡；若是，则根据车辆动力学模型开始计算在变速箱空档情况下的车速轨迹曲线；如果计算出来的未来车速轨迹的结束尾速值落在以目标车速为基准的足够小的范围内，则激活预测性滑行功能；当真实的滑行距离达到预先估算的滑行距离时，预测性滑行被判断为完成。

Description

一种应用于自动驾驶的预测性动力链节能控制方法

技术领域

本发明涉及自动驾驶技术领域，更具体的说是，涉及一种应用于自动驾驶的预测性动力链节能控制方法。

背景技术

随着世界各国的汽车保有量日益增长，随着巨大汽车保有量带来环境污染和能源消耗问题引起各国政府的高度重视和相关排放法规的日趋严格，新兴的排放法规也从仅仅聚焦减少尾气污染物排放的欧六标准和美国EPA2010法规逐渐转向降低尾气中以二氧化碳为主的温室气体排放，中国政府于2021年也提出了短期的碳达峰目标以及长期的碳中和目标。同时中国销售的石油高度依赖于进口，其中汽车的年石油消耗量在中国年度石油总消耗量中占比超过三分之一，因为不管是针对车辆排放本身的外部强制法规，还是内部要主动降低对石油进口的依赖，均对汽车节能减排技术提出了更高的要求。而不论是以服务个人为主的乘用车还是以服务货运为主的商用车，减少碳排放等同于降低百公里油耗。

与节能减排进一步发展相对应的同时，随着人工智能的不断发展，自动驾驶逐渐成为交通领域的研究热点。美国SAE汽车工程师协会将自动驾驶分为以下几个等级：L0级–驾驶员手动驾驶，L1级和L2级–驾驶员辅助***，L3级–特定场景自动驾驶，L4级–特定区域自动驾驶和L5等级–完全自动驾驶。L1级别及其以上自动驾驶等级，汽车就配备了自适应巡航，L3级别及其以上等级，车辆就具备了自主变道的能力。自动驾驶技术的出现和进步，极大的降低了广大驾驶员的工作强度和疲劳程度，使得解放驾驶员双手双脚的轻松驾驶变为可能。对于长距离高速场景的货运重卡来说，自动驾驶技术的快速迭代使得货运驾驶方式从双驾驶员交替驾驶，减少到单驾驶员长距离驾驶，并进一步实现高速场景的无人驾驶奠定了坚实基础。

然而，现阶段的驾驶辅助或者自动驾驶技术并没有把降低能耗和降低碳排放做为目标之一，而是集中在自动驾驶各个功能良好实现；在相同路段相同车流量下，自动驾驶开启时的油耗是明显高于驾驶员手动驾驶的。这样就使得运营乘用车或者商用车驾驶员在降低驾驶疲劳程度的同时会增加运营成本，进而导致相当一部分用户不会花额外的费用来选装自动驾驶功能。此外，搭载了现阶段自动驾驶功能的车辆在真实使用场景下，也很难满足日益严格的排放法规。目前国内还没有针对自动驾驶车辆进行预测性节能功能的推出和应用，本发明正是为了解决自动驾驶和能耗之间冲突而设计的。通过自动驾驶的视觉信息，地图信息和实时道路信息进行预测性整车能耗优化，以实现超越经验丰富驾驶员的能耗水平。

发明内容

本发明的目的是提供一种应用于自动驾驶的预测性动力链节能控制方法。

本发明要解决的是如何降低车辆在开启自动驾驶时导致相对较高的油耗。

与现有技术相比，本发明技术方案及其有益效果如下：

一种应用于自动驾驶的预测性动力链节能控制方法，包括：

获取车辆定位信息和目标车速；

获取地图信息；

计算预测性空挡滑行距离，包括：获取车辆位置、行驶距离和行驶时间；根据地图信息检查前方道路是否存在限速变化或者存在下坡；若是，则根据车辆动力学模型开始计算在变速箱空档情况下的车速轨迹曲线；如果计算出来的未来车速轨迹的结束尾速值落在以目标车速为基准的数值小的范围内，则激活预测性滑行功能；当真实的滑行距离达到了预先估算的滑行距离时，预测性滑行被判断为完成。

作为进一步改进的，所述获取车辆定位信息和目标车速，包括：通过GPS和RTK对车辆当前所处的位置进行准确定位；通过和自动驾驶控制器进行交互实时获取车辆的目标车速。

作为进一步改进的，所述获取地图信息，包括：

若高精地图信息可用，控制器会接收高精地图数据信息，此地图信息包括前方2-3公里内不同车道线的坡度信息数组，限速信息数组和曲率信息数组；

若高精地图信息不可用，由相应的地图盒子依据ADAS IS地图协议通过CAN将前方道路数据信息传输给控制器。

作为进一步改进的，所述获取车辆位置、行驶距离和行驶时间，包括：根据地图重构功能或者根据高精地图发送车辆在当前路段的位置。

作为进一步改进的，所述获取车辆位置、行驶距离和行驶时间，包括：根据车速和车辆行驶时间计算车辆当前位置和行驶距离。

作为进一步改进的，所述根据车辆动力学模型开始计算在变速箱空档情况下的车速轨迹曲线，还包括：在计算空挡滑行的车速轨迹中，有数个限制条件来保证模拟出来的车速轨迹与目标车速偏差程度在合理范围内并且不会超出整段滑行距离中的限速范围，如果其中任何一个条件不满足要求，预测性滑行将不会被激活。

作为进一步改进的，所述激活预测性滑行功能，还包括：当预测性滑行已经被激活并且实际车速偏离太大时，预测性滑行会被中止。

作为进一步改进的，还包括预测性车速和档位规划算法，包括：根据地图重构发送的坡度和限速向量信息，按照进行路段分割、识别；对分割路段的不同车速曲线目标代价函数计算；寻求整段电子视野路段最优能耗车速路径；对预测性滑行和预测性车速/档位规划进行仲裁。

作为进一步改进的，对分割路段的不同车速曲线目标代价函数计算，包括：计算每个分割出的路段的平均坡度以及限速值；构建分割路段的二维车速矩阵；构建车速和档位一体化三维矩阵；一体化三维矩阵代价函数计算。

作为进一步改进的，对预测性滑行和预测性车速/档位规划进行仲裁，包括：计算仅有预测性车速/档位规划的最优路径代价函数数值；计算预测性滑行功能和预测性车速规划结合的最优路径代价函数数值；将计算得到的仅有预测性车速和档位规划的最优代价函数数值和计算得到的预测性滑行和预测性车速/档位规划相结合的最优代价函数数值相比较，选择执行整体代价函数较小的方案。

本发明的有益效果为：

1.本发明利用自动驾驶***对车辆的准确定位，结合高精地图或者地图盒子提供的道路信息，实时动态接收车辆前方给定距离内的有效地图数据；

2.本发明通过对接收的地图数据进行有效性分析，根据ADAS IS协议可以对前方的道路进行有效重构，识别出各种道路工况；

3.在自动驾驶没有被开启的情况下，虽然不能自主的改变车速，但可根据识别出的前方路况通过人机交互界面对驾驶员进行经济性车速和档位提示；

4.针对自动驾驶领航工况，综合车辆节油性和时效性要求，在符合道路车速限制和驾驶员心理预期的情况下，自主性的调节巡航车速以达到动力链全局最优，以达到经验丰富的司机驾驶出来的经济性表现；

5.本发明充分利用了自动驾驶车辆可以提供未来道路信息和未来交通流信息的能力，采用了全局动态规划寻优算法来实现档位，车速和滑行的一体式规划，实现了电子视野范围内的全局能量最优；

该方法充分利用自动驾驶纵向和横向加速自主计算和决策的优势，利用感知功能对前方和周围车辆的运动轨迹的预测和判断，充分利用地图信息中坡度，限速和曲率信息，以及利用导航信息来保证车辆节油，符合驾驶员预期的驾驶性和时效的三重保障。

附图说明

图1是本发明实施例提供的一种应用于自动驾驶的预测性动力链节能控制方法示意图。

图2是本发明实施例提供的路段识别和道路分割原理图。

图3是本发明实施例提供的预测性滑行原理图。

图4是本发明实施例提供的构建二维车速矩阵原理图。

图5是本发明实施例提供的预测性换挡原理图。

图6是本发明实施例提供的预测性车速/档位规划原理图。

图7是本发明实施例提供的预测性滑行功能和预测性车速规划结合的原理图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

参照图1所示，一种应用于自动驾驶的预测性动力链节能控制方法，包括：

获取车辆定位信息和目标车速；

获取地图信息；

计算预测性空挡滑行距离，包括：

获取车辆位置、行驶距离和行驶时间；

根据地图信息检查前方道路是否存在限速变化或者存在下坡；若是，则根据车辆动力学模型开始计算在变速箱空档情况下的车速轨迹曲线；

估算车辆加速公式:

估算车辆车速的公式

v(t)＝v(t₀)+a(t)*Δt

如果计算出来的未来车速轨迹的结束尾速值落在以目标车速为基准的数值小的范围内，则激活预测性滑行功能；

在计算空挡滑行的车速轨迹中，有数个限制条件来保证模拟出来的车速轨迹与目标车速偏差程度在合理范围内并且不会超出整段滑行距离中的限速范围，如果其中任何一个条件不满足要求，预测性滑行将不会被激活；

当预测性滑行已经被激活并且实际车速偏离太大时，预测性滑行会被中止；

当真实的滑行距离达到了预先估算的滑行距离时，预测性滑行被判断为完成；

所述获取车辆定位信息和目标车速，包括：通过GPS和RTK对车辆当前所处的位置进行准确定位；通过和自动驾驶控制器进行交互实时获取车辆的目标车速。

作为进一步改进的，所述获取地图信息，包括：

若高精地图信息可用，控制器会接收高精地图数据信息，此地图信息包括前方2-3公里内不同车道线的坡度信息数组，限速信息数组和曲率信息数组；高精地图发送的地图信息数组为事件触发型，因此维度不固定，即前方道路不同位置节点有信息的变化时，各个道路信息点对应位置的数组，坡度信息数组，限速信息数组和曲率数组会相应的变化；

若高精地图信息不可用，由相应的地图盒子依据ADASIS地图协议通过CAN将前方道路数据信息传输给控制器；所述的地图信息包括道路级的坡度信息，限速信息和曲率信息，同样的这些道路信息的节点信息为事件触发型。

其中，如果地图信息是通过ADASIS协议传输，实现此算法的控制器需要根据ADASIS V2协议或者ADASIS V3协议对车辆前方的道路进行有效重构，以获得所述算法可以使用的前方道路坡度信息，限速信息和曲率信息。

其中，需要说明的是，预测性滑行的目标是利用车辆滑行功能来减少发动机燃油消耗，并且断开发动机的拖拽扭矩以最大程度的利用整车的动能和势能，从而在上坡路段适当降低目标车速紧接着在下坡路段允许相应的车速升高来保证总时间不受影响。

所述获取车辆位置、行驶距离和行驶时间，包括：根据地图重构功能或者根据高精地图发送车辆在当前路段的位置。

所述获取车辆位置、行驶距离和行驶时间，包括：根据车速和车辆行驶时间计算车辆当前位置和行驶距离。当定位信息可用并且准确时，首选用定位或高精定位信息反馈的位置来计算车辆行驶距离和位置，若碰到隧道，山区，定位没办法正常工作时，用车速和行驶时间来自主计算位置和行驶距离。

参照图2至图7所示，预测性车速和档位规划算法主要包含以下几个部分:

1.路段识别和分割

根据地图重构发送的坡度和限速向量信息，按照进行路段分割，识别平路，上坡路段，下坡路段，路段限速变化，短距离剧烈变化路段等等

1)首次激活此路段分割算法功能时，算法会对电子视野可见的全路段进行上述各种路段的识别和分割

2)非首次激活此算法，算法会去除掉车辆已经走过的路段，保留没有走过并且已经识别分割好的路段，并且仅对新进入视野内的道路信息进行新的识别以减少重复计算

3)当在可见的前方道路内，如果出现了长距离平路情况，算法也会强制分割出若干子路段以避免过长的单一路段

2.分割路段的不同车速曲线目标代价函数计算

2.1计算每个分割出的路段的平均坡度以及限速值

用S来代表分割出不同路段，1≤S＜N，N为分割后的最后路段的终点，当前路段的平均坡度为Sslope；

用j来代表分割路段的起点，j+1代表分割路段的终点，

1≤j≤N，车辆当前路段的起点最高限速为V_j max，最低限速为V_j min

2.2构建分割路段的二维车速矩阵

前提条件如下：

在整段道路视野中，初始规划车速为步骤四中计算出的目标车速

V_final，并且在车速规划的终点，整车车速要回到初始的目标车速V_final；

根据计算出的目标车速和上下允许的车速浮动范围(可标定值)，针对每段分割好的路段，按照合适间隔将车速区间进行离散化形成本分割路段的车速节点向量，向量维度为m，将每段分割路段的车速节点向量连接起来(最大为N-1个分割路段)，形成如图4所示的初始车速矩阵；

备注：

V_lowwer代表往下允许浮动的车速值

V_upper代表往上允许浮动的车速值

其中V₁和V_n代表整段电子视野的起点车速和最后一段分割路段的终点车速，即V_final

v_i，j代表在第j段分割路段起点(第j-1段分割路段终点)中第i个可选的车速点，并且其在数值上受限于如下范围：

V_{j min}＜＝V_final_V_lower＜＝v_i，j＜＝V_final+V_upper＜＝V_{j max}

2.3构建车速和档位一体化三维矩阵

1)根据上述构建的车速矩阵中的各个速度节点，计算出所有车速节点连线之间的加速度：

例如a_i，j，p代表从速度节点v_i，j到速度节点v_p，j+1的加速度；

2)根据整车动力学公式，计算出为满足速度节点v_i，j到达下一个速度节点的车速曲线的可用档位；

2.1)根据节点v_i，j到下一路段的节点v_i+p，j+1的车速曲线，计算出对应此速度曲线的合适档位

R_g-driveline为变速箱在第g档位下，车速换算为发动机转速的传动比

判断在此段车速曲线下不同档位的有效性并且剔除掉无效的档位：

发动机最小转速≤(N_eng(i，j)和N_{eng(i+p，j+1)})

≤发动机最大转速

2.2)根据实现本段车速曲线所需要的发动机扭矩二次筛选合适档位

F_roll＝f_rmg cos β_j

F_grad＝mg sin β_j

注释：

T_{eng-i，j，p，k}-满足速度节点v_i，j到速度节点v_p，j+1车速曲线在k挡下所需的发动机扭矩

R_Trans，k-在当前k档位下，变速箱的转动比

R_FinalDrive-主减速器传动比

β_j-当前第j分割路段坡度平均值

f_r-路面的滚动阻力系数

判断在此段车速曲线下不同档位满足发动机扭矩的有效性并且剔除掉无效的档位：

发动机最小扭矩≤T_{eng-i，j，p，k}≤发动机最大扭矩

2.4一体化三维矩阵代价函数计算

1)能耗的代价函数计算

基于上述构建的不同车速曲线的可用档位，以及对应于给定档位的发动机转速和扭矩，根据预先测试标定好的发动机比油耗图BSFCmap，可以计算出用不同可用档位从车速节点v_i，j到下一车速节点v_i+p，j+1的油耗代价数值

对于混合动力架构车型，则将电耗换成成等效油耗并入发动机油耗综合考虑，上述公式变为

Fuelrate_eq(T_mot，N_mot，t)-根据电机功率换算的等效瞬时油耗

2)线路的时效惩罚代价函数的计算

为了防止能耗优化算法只为了实现能耗最小而不考虑线路时效因素，因此在算法中加入了时效惩罚代价函数来补偿时间上的延误，保证整个线路的平均车速和只有定速巡航功能的平均车速一致

其中，时间惩罚函数TimePenalty_fac(t)是根据路况和预测性规划偏离时间而变化的。

3)道路限速的惩罚代价函数的计算

为了防止算法的规划车速超出道路限速，因此在算法中加入了道路限速的惩罚代价函数以使动态规划更倾向于在道路限速内的车速点，保证整个线路的车速曲线不会出现超速的情况

SpdLimPenalty_{i，j，p，k}

＝(VehSpd_i，j-SpdLim_j)*SpdLimPenalty_fac

其中，SpdLimPenalty_fac为一个较大的标定值，以提高超出道路限速的代价函数数值从而避免不合理车速规划

4)目标函数的构建

根据上述两种代价函数的计算，在k档位从车速节点v_i，j到下一车速节点v_i+p，j+1的目标代价数值如下所示：

OBJCost_{i，j，p，k}

＝FuelCost_{i，j，p，k}+TimeCost_{i，j，p，k}

+SpdLimPenalty_{i，j，p，k}

3.寻求整段电子视野路段最优能耗车速路径

在整段电子视野内，用动态规划优化算法选出最优车速曲线，可以用正向寻优(即从v₁往v_n的方向找最小代价路径)或者逆向寻优(即从v_n往v₁的方向找最小代价路径)。

以下公式是从终点车速v_n到第j个分割路段起点的最小目标代价路径迭代：

OBJCost_n-1＝min(OBJCost_n-1→n)

OBJCost_n-2＝min[OBJCost_n-2→n-1+OBJCost_n-1→n]

…

OBJCost_j＝min[OBJCost_j→j+1+OBJCost_j+1→n]

4.预测性滑行和预测性车速/档位规划的仲裁

根据道路情况，预测性滑行会判断前方路段是否合适开启滑行功能，并且预先计算出滑行将会开启的位置以及结束的位置，算法会规划出不考虑滑行的最优车速曲线以及对应的代价函数。

在本小节中，算法会综合判断对于整段电子视野范围内，开启滑行功能是否能耗最低；

4.1计算仅有预测性车速/档位规划的最优路径代价函数数值；

预测性滑行逻辑实时计算并且滑行功能开启标志位一旦置为1，则代表的当前车辆位置可以开启滑行功能；一旦算法监测到滑行功能使能标志位置为1，上述预测性车速/档位规划算法将会以当前车辆位置为起点，重新实施全部车速规划算法，从而保证用相同的车辆位置起点来计算无滑行功能时的最优车速轨迹以及对应最优车速轨迹的最低整段电子视野代价函数数值，如附图6所示；

4.2计算预测性滑行功能和预测性车速规划结合的最优路径代价函数数值；

因滑行功能是以当前车辆位置为开启的起点，预测性车速规划只需要获取滑行的终点位置PS_{end pos}和预先估算的滑行终点车速PS_{end spd}，按照下面步骤实施算法，如附图7所示；

1)滑行开启的那段距离，发动机处于怠速状态，油耗为怠速油耗率和滑行时间的乘积；

2)在滑行不开启的路段，根据滑行功能关闭的位置PS_{end pos}，复用上述算法针对剩余路段进行重新道路识别分割，构建出剩余路段的三维车速/档位矩阵；

3)重复动态规划寻优算法，找出配合预测性滑行功能的最优车速路径；

4.3将计算得到的仅有预测性车速和档位规划的最优代价函数数值和计算得到的预测性滑行和预测性车速/档位规划相结合的最优代价函数数值相比较，选择整体代价函数较小的方案来执行，从而避免掉一些非最优的滑行功能。

以上实施例仅用以解释说明本发明的技术方案而非对其限制。本领域技术人员应当理解，未脱离本发明精神和范围的任何修改和等同替换，均应落入本发明权利要求的保护范围中。

Claims (9)

1.一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，包括：

获取车辆定位信息和目标车速；

获取地图信息；

计算预测性空挡滑行距离，包括：

获取车辆位置、行驶距离和行驶时间；

根据地图信息检查前方道路是否存在限速变化或者存在下坡；若是，则根据车辆动力学模型开始计算在变速箱空档情况下的车速轨迹曲线；

如果计算出来的未来车速轨迹的结束尾速值落在以目标车速为基准的数值小的范围内，则激活预测性滑行功能；

当真实的滑行距离达到了预先估算的滑行距离时，预测性滑行被判断为完成；

所述根据车辆动力学模型开始计算在变速箱空档情况下的车速轨迹曲线，还包括：

在计算空挡滑行的车速轨迹中，有数个限制条件来保证模拟出来的车速轨迹与目标车速偏差程度在合理范围内并且不会超出整段滑行距离中的限速范围，如果其中任何一个条件不满足要求，预测性滑行将不会被激活。

2.根据权利要求1所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，所述获取车辆定位信息和目标车速，包括：

通过GPS和RTK对车辆当前所处的位置进行准确定位；

通过和自动驾驶控制器进行交互实时获取车辆的目标车速。

3.根据权利要求1所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，所述获取地图信息，包括：

若高精地图信息可用，控制器会接收高精地图数据信息，此地图信息包括前方2-3公里内不同车道线的坡度信息数组，限速信息数组和曲率信息数组；

若高精地图信息不可用，由相应的地图盒子依据ADASIS地图协议通过CAN将前方道路数据信息传输给控制器。

4.根据权利要求1所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，所述获取车辆位置、行驶距离和行驶时间，包括：

根据地图重构功能或者根据高精地图发送车辆在当前路段的位置。

5.根据权利要求1所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，所述获取车辆位置、行驶距离和行驶时间，包括：

根据车速和车辆行驶时间计算车辆当前位置和行驶距离。

6.根据权利要求1所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，所述激活预测性滑行功能，还包括：

当预测性滑行已经被激活并且实际车速偏离太大时，预测性滑行会被中止。

7.根据权利要求1所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，还包括预测性车速和档位规划算法，包括：

根据地图重构发送的坡度和限速向量信息，进行路段识别和分割；

对分割路段的不同车速曲线目标代价函数计算；

寻求整段电子视野路段最优能耗车速路径；

对预测性滑行和预测性车速/档位规划进行仲裁。

8.根据权利要求7所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，对分割路段的不同车速曲线目标代价函数计算，包括：

计算每个分割出的路段的平均坡度以及限速值；

构建分割路段的二维车速矩阵；

构建车速和档位一体化三维矩阵；

一体化三维矩阵代价函数计算。

9.根据权利要求7所述的一种应用于自动驾驶的预测性动力链节能控制方法，其特征在于，对预测性滑行和预测性车速/档位规划进行仲裁，包括：

计算仅有预测性车速/档位规划的最优路径代价函数数值；

计算预测性滑行功能和预测性车速规划结合的最优路径代价函数数值；

将计算得到的仅有预测性车速和档位规划的最优代价函数数值和计算得到的预测性滑行和预测性车速/档位规划相结合的最优代价函数数值相比较，选择执行整体代价函数较小的方案。

Images