CN116843055A - 多智能网联车辆匝道协同合流分层优化控制方法及装置 - Google Patents
多智能网联车辆匝道协同合流分层优化控制方法及装置 Download PDFInfo
- Publication number
- CN116843055A CN116843055A CN202310604901.0A CN202310604901A CN116843055A CN 116843055 A CN116843055 A CN 116843055A CN 202310604901 A CN202310604901 A CN 202310604901A CN 116843055 A CN116843055 A CN 116843055A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- confluence
- ramp
- control
- constraint
- 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 40
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 230000004888 barrier function Effects 0.000 claims abstract description 11
- 238000013461 design Methods 0.000 claims abstract description 11
- 238000005096 rolling process Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 23
- 230000033001 locomotion Effects 0.000 claims description 15
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 102100035888 Caveolin-1 Human genes 0.000 description 14
- 101000715467 Homo sapiens Caveolin-1 Proteins 0.000 description 14
- 101000740981 Homo sapiens Caveolin-2 Proteins 0.000 description 7
- 230000006399 behavior Effects 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 102100038909 Caveolin-2 Human genes 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 101150104494 CAV1 gene Proteins 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 101150047856 Cav2 gene Proteins 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/075—Ramp control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出一种分层式滚动优化控制方法来解决混合交通条件下高速公路入口匝道智能网联车辆的合流控制问题。首先建立了非线性车辆纵向动力学模型,构建包含车辆动力约束和车间安全距离约束的多车协同合流问题。提出以高效、节能通行为目标的分层式协同合流控制架构,其中上层基于极小值原理求解无约束最优控制问题以规划灵活合流点,下层利用上层提供的灵活合流点,设计控制李雅普诺夫函数和控制势垒函数,重构优化问题的目标和约束表达形式,将多安全约束最优控制问题转化为二次规划问题,获取最优控制律,以实现安全合流。本发明提出的入口匝道合流控制方法可在满足多种严格安全约束的同时,优化混合交通环境下车辆驾驶性能和交通整体表现。
Description
技术领域
本发明属于智能网联车辆控制技术领域,具体涉及一种多智能网联车辆匝道协同合流分层优化控制技术。
背景技术
智能网联车辆被列为第十四个五年规划期间制造业转型升级的重要战略方向。作为具备自主感知和网联通信能力的新型车辆,在智能交通***下,可以通过多智能网联车协同控制方法实现全局车辆行为规划控制,进而提升车辆通行效率和驾驶经济性。
对于匝道合流区这样一种交通瓶颈区而言,通过匝道协同合流技术,可以显著减少拥堵和安全事故。
现有关于多智能网联车辆匝道协同合流方法的研究大多围绕只有智能网联车存在的情况,将场景构建为具有固定起始控制位置和固定终止控制位置(即合并位置)的形式,并且指定车辆到达合并位置的时间。
在这两点所划定的控制区间内,常采用基于规则的方法或最优控制方法来优化车辆在该区间的行驶轨迹。然而,由于科技水平和投入成本的限制,要实现智能网联车辆完全取代人工驾驶车辆势必会经历很长一段时间,因为研究智能网联车辆和人工驾驶车辆共存的场景具有重要现实意义。
由于人工驾驶车辆不具备自主控制和网联通讯能力,因此其轨迹不可预知,具有很大的不确定性,给智能网联车辆匝道合流最优轨迹规划带来困难。
此外,人工驾驶车辆轨迹多变,而现在的场景构型限制了匝道智能网联车的合并位置和合并时间,这很可能导致智能网联匝道车延误最佳合并时机,造成优化潜力下降。在控制方法架构上,现有方法也很难适应混合交通环境下扰动多、安全约束严的要求。
发明内容
本发明的目的在于提供一种可解决上述问题的,可增强智能网联车辆在混合交通环境下匝道合流区的合流时间选择灵活性,可提升车辆通行效率、节能效率、控制稳定性和鲁棒性的多智能网联车辆匝道协同合流分层优化控制方法。
本发明公开了一种多智能网联车辆匝道协同合流分层优化控制方法,包括如下步骤:
S1.基于匝道合流场景,采用三车协同编组结构构建包含车辆动力学模型、车辆动力学限制约束和安全距离约束的智能网联车辆入口匝道合流模型;所述三车协同编组结构包括主道前导车、主道协助车及匝道合流车;所述主道协助车及匝道合流车为智能网联车辆;
S2.基于分层式协同合流控制架构求解针对智能网联车辆入口匝道合流模型的最优控制问题;
所述分层式协同合流控制架构包括上层规划器和下层运动控制器;所述智能网联车辆入口匝道合流模型的最优控制问题包括无约束最优控制问题和多安全约束最优控制问题;
所述上层规划器基于极小值原理求解无约束最优控制问题,得出候选合流位置,然后将候选合流位置与匝道加速区末端位置对比,选出其中较小的一个作为期望合流位置;
所述下层运动控制器利用所述灵活合流点,设计控制李雅普诺夫函数和控制势垒函数,重构优化问题的目标和约束表达形式,将多安全约束最优控制问题转化为二次规划问题,获取最优控制律,以实现安全合流。
进一步的,在所述步骤S2中,还包括如下步骤,
S2.1定义协同合流的时间区间为[t0,tm],利用采样时间Δt均等划分连续时间集,可得所述三车协同编组的滚动优化步长为:
其中k表示递归次数;
S2.2在每个时间区间内,所述上层规划器依据前导车和所述匝道合流车状态/>求解无约束最优控制问题,并综合考量强制合流位置,得到期望合流位置
S2.3根据和/>所述下层控制器通过求解二次规划问题计算控制输入/>所有智能网联车辆的下一状态/>均通过对应的控制输入/>计算得到;
S2.4反复调用步骤S2.2-S2.3,直到所述匝道合流车的车辆状态达到合流要求的条件,包括车间距离要求和相对车速要求。
进一步的,所述匝道合流车m进行合流汇入需要满足以下合流条件
Δzl-m(tm)∈[-Δzmax,Δzmax]
Δzm-s(tm)∈[-Δzmax,Δzmax]
Δvl-m(tm)∈[-Δvmax,Δvmax]
Δvl-s(tm)∈[-Δvmax,Δvmax]
式中,Δzmax是最大允许距离偏差边界值,Δvmax是最大允许速度偏差边界值;匝道合流车m、主道前导车l、主道协助车s。
进一步的,所述候选合流位置计算模型为
终端条件为
vs(tm)=vl(tm)
进一步的,匝道合流智能网联车的最优轨迹控制为
式中,所述匝道合流智能网联车的最优轨迹控制满足约束车辆动力学模型、控制输入约束、车速约束、安全合流距离约束以及强制合流安全约束;
主道协助车的最优轨迹控制为
式中,所述主道协助车的最优轨迹控制满足车辆动力学模型、控制输入约束、车速约束、安全跟车距离约束以及安全合流距离约束。
进一步的,所述匝道合流智能网联车的最优轨迹控制,需满足非线性车辆纵向动力学模型、控制输入约束、车速约束、安全合流距离约束以及强制合流安全约束;
所述主道协助车的最优轨迹控制,需满足非线性车辆纵向动力学模型、控制输入约束、车速约束、安全跟车距离约束以及安全合流距离约束。
进一步的,在所述步骤S1中,所述车辆动力学模型为:
式中,M为等效车辆质量,包含了整车质量和所有转动部件的当量质量;为车辆的位移;/>为车速;***状态向量/>Ft(t)为车辆的驱动力,亦为车辆***的控制输入,被记作/>
Fr(t)为车辆所受阻力之和,表征为关于车速的二次表达式:
式中,sgn(·)是符号函数,α0、α1和α2皆为取决于车辆参数和环境条件的正系数;所述车辆参数包括负载重量、迎风面积、轮胎摩擦系数;环境条件包括空气密度。
进一步的,所述控制李雅普诺夫函数为
式中,ε称为指数衰减率,是可调节的参数。
本发明还公开了一种多智能网联车辆匝道协同合流分层优化控制装置,包括存储器和处理器;所述存储器内存储指令,所述指令由所述处理器加载并执行,以实现所述的多智能网联车辆匝道协同合流分层优化控制方法。
有益效果:通过以上技术方案,相对于现有技术,本发明具有以下有益效果:
1.本发明提出的分层式协同合流规划与控制一体化架构,该方法在考虑行驶安全和车辆动力学约束的前提下,以最小化通行时间和能耗作为优化目标,引入一种分层优化控制方法实现灵活合并位置规划和最优轨迹控制,并融入递归控制架构来动态抵抗来自人工驾驶车辆扰动的干扰,可以实现灵活合流位置的规划,并通过控制势垒函数CBF和可变时间距离函数的设计,连接了上层灵活合流位置规划和下层安全保障控制量的计算,在保障车辆合流灵活性的同时,保证了复杂交通环境下的车辆合流安全性。
2.本发明综合利用无约束最优控制求解方法和基于控制势垒函数-控制李雅普诺夫函数的二次规划方法,可保证上下层高效求解,为该策略实时应用提供保障。
3.本发明构建了滚动时域最优合流控制框架,可协同实现灵活合流位置规划和安全保障型最优控制量的滚动求解与更新,且可实时应对交通不确定扰动,如不确定性人工驾驶车辆行为的影响,提供了足够的合流灵活性和鲁棒性。
附图说明
图1是本发明中智能网联车入口匝道合流场景;
图2是本发明中分层式多车协同合流运动控制架构;
图3是本发明实施例中车辆的位置-时间图;
图4是本发明实施例中车辆的车速-时间图;
图5是本发明实施例中车辆的控制输入-时间图。
具体实施方式
下面结合附图对本发明做出具体说明:如图1-2所示,本发明包括如下部分:
1.入口匝道合流场景及多车协同编组设计;
2.智能网联车辆入口匝道合流模型构建;
3.分层式多车协同合流运动控制架构构建;
4.上层智能网联车辆灵活合流位置规划器设计;
5.下层分布式智能网联车辆最优控制器设计。
1.入口匝道合流场景及多车协同编组设计,包括匝道合流区域的场景构建,多车协同编组的设计,车辆通信方式和可控性的界定等内容。
(1)入口匝道合流场景设计
入口匝道合流场景如图1所示。在匝道区域内,车道分为主道和入口匝道两种,其中入口匝道与加速车道相连。局部协调器的通讯覆盖区域被称为协调区,协调区对应的车道长度为L,以协调区左边界所在位置记为起始0位置,该位置又被称为协同触发点(Trigger Point,TP)。
协同触发点用来确定匝道智能网联车是否需要进行协同控制,当匝道智能网联车前保险杠抵达协同触发点,路侧协调设备认定匝道智能网联车需要协同合流。
在只考虑合流车辆的纵向运动,并假设合流车辆的横向运动对其没有影响时,可将横纵向运动分开处理。
(2)三车协同编组的定义
从车辆行为来看,匝道合流行为实际上可以看作是匝道车汇入主道两车间隙的行为,因此采用三车协同编组(Three-vehicle Cooperation Group,TCG)结构。在不考虑车辆通行次序变化的情况下,通过控制智能网联车辆可以发挥引导上游车流和产生车间距离的作用。
定义主道前导车(Leading vehicle)可以是智能网联车也可以是人工驾驶车,其轨迹被视为是下游交通动态行为叠加和传递的影射,存在对其主道后方跟随车辆和汇入车辆干扰。
主道协助车是一辆智能网联车辆,其职责是产生足够的车间距以满足匝道车的合流变道汇入间隙。
匝道合流车(Merging vehicle)是一辆智能网联车辆,其汇入协助车辆产生的汇入间隙中实现安全合流。
当匝道智能网联车前保险杠抵达协同触发点TP时,路侧协调设备认定匝道智能网联车需要协同合流,并分配主道协助车及其主道前车组成三车协同编组。
为了表述方便,分别将主道前导车、主道协助车和匝道合流车简记为
(3)车辆通信方式和可控性的界定
对车辆的通信方式进行界定。本文研究场景为包含智能网联车和人工驾驶车的混合交通场景,其中智能网联车辆可以通过V2I与局部协调器通信,通过V2V技术和其他智能网联车辆通讯,从而实时广播并获取其他车辆的状态信息。
而人工驾驶车辆无法网络通讯,因此其状态需由其他车的车载传感器采集。为了保证行驶安全,智能网联车辆需要利用车载传感器(如毫米波雷达)反复地采集周围环境车辆信息,并广播给其他车辆。所有获取信息的智能网联车可以主动调整自身运动姿态,以实现安全合流或安全跟车,并时刻避免人工驾驶车的行为扰动。
步骤2)智能网联车辆入口匝道合流模型构建。包含车辆动力学模型建立,车辆动力学限制和安全距离约束制定。
(1)车辆动力学模型建立
只考虑纵向运动,且假设所有车辆均为匀质的,根据牛顿第二运动定律,非线性车辆纵向动力学模型为
式中,M为等效车辆质量,包含了整车质量和所有转动部件的当量质量;为车辆的位移;/>为车速;Ft(t)为车辆的驱动力,亦为车辆***的控制输入,被记作/>
Fr(t)为车辆所受阻力之和,其包含滚动阻力、空气阻力和坡度阻力,在不考虑坡度的情况下,可被简化表征为关于车速的二次表达式:
其中,sgn(·)是符号函数,α0、α1和α2皆为取决于车辆参数和环境条件的正系数。
其中车辆参数包括负载重量、迎风面积、轮胎摩擦系数;环境条件包括空气密度;
选取位移和车速/>组成车辆/>的***状态向量/>则(1)可改写为:
(2)动力学限制
(2.1)牵引力限制。对于任意CAV控制输入受制于驱动和制动能力,即控制输入约束为:
其中,g为重力加速度,cd,ca>0分别代表减速度和加速度系数。
(2.2)车速限制。车速受制于道路限速,即车速约束为:
其中,vmin和vmax分别为最小和最大允许车速。
(3)安全距离约束
为了保证匝道合流区车辆的全程行驶安全,两种安全距离约束需要被考虑,即安全跟车距离约束和安全合流距离约束。
安全跟车距离约束可以保证同车道前后车之间有足够的安全距离。而安全合流距离约束可以保证匝道车合流到主道时与相邻主道车之间有充分的间距。
(3.1)安全跟车距离约束。在一个三车协同编组里,主道协助车s应和主道前导车l保持安全距离。根据时间距离策略,可得
其中zl-s是主道协助车s与主道前导车l的真实距离;xl(t)和xs(t)是主道协助车s与主道前导车l的位置;是跟车时间距离常数;Lc是静态距离常数,表示车速为0静止时应与前车保持的静态距离。
(3.2)安全合流距离约束。当匝道合流车m在tm时刻合流时,它与前导车l的距离应满足
其中,zl-m(tm)是匝道合流车m与主道前导车l的真实距离;是合流时间距离常数。同理,主道协助车s与主道前导车l应在合流时刻满足
(3.3)强制合流安全约束。匝道合流车必须要在图1加速区的末端之前换道合流到主道,需要满足
0≤xm(tm)≤L (9)
步骤3)分层式多车协同合流运动控制架构构建。
提出一种分层式多车协同合流运动控制架构求解针对非线性车辆***的多约束条件和多优化目标问题,如图2所示,在优化求解该问题的同时提供求解效率的保证。
整个带约束最优控制问题首先被分解为两个子优化问题,即无约束最优控制问题和多安全约束最优控制问题。
上层规划器通过极小值原理求解无约束最优控制问题,得出候选合流位置,然后将候选合流位置与匝道加速区末端位置L对比,选出其中较小的一个作为期望合流位置,并将该位置值输入给下层。
下层运动控制器采用控制势垒函数和控制李雅普诺夫函数相结合的方法,将具有复杂约束的严格安全最优控制问题进行重构,并最终转化为二次规划问题,以此优化计算合流和协助车辆的控制输入量。
此外,滚动时域优化架构被采用来应对人工驾驶车辆的行为扰动,每辆智能网联车辆的控制输入在每个控制区间内被递归更新。
定义协同合流的时间区间为[t0,tm],利用采样时间Δt均等划分连续时间集,可得三车协同编组的滚动优化步长为:
其中k表示递归次数。
在每个时间区间内,上层规划器依据前导车和自车状态/>求解无约束最优控制问题,并综合考量强制合流位置,得到期望合流位置/>
之后根据和/>下层控制器通过求解二次规划问题计算控制输入/>所有智能网联车辆的下一状态/>均通过对应的控制输入/>计算得到。
上述求解流程被反复调用,直到车辆状态达到合流要求的条件,包括车间距离要求和相对车速要求。
相对车速要求被考虑是因为相近的车速能保证车间距的稳定,从而有利于后续其它操作。真实车间距离和要求的最小距离的偏差为:
匝道合流车m和前导车l的真实相对速度偏差为:
Δvl-m(tm)=vl(tm)-vm(tm) (12a)
Δvl-s(tm)=vl(tm)-vs(tm) (12b)
匝道合流车m进行合流汇入需要满足以下合流条件
Δzl-m(tm)∈[-Δzmax,Δzmax] (13a)
Δzm-s(tm)∈[-Δzmax,Δzmax] (13b)
Δvl-m(tm)∈[-Δvmax,Δvmax] (13c)
Δvl-s(tm)∈[-Δvmax,Δvmax] (13d)
其中Δzmax是最大允许距离偏差边界值,Δvmax是最大允许速度偏差边界值。
步骤4)上层智能网联车辆灵活合流位置规划器设计。
(1)最优合流控制问题构建。
由于协助车辆主动预留足够的合流汇入间距,因此上层规划器将通过优化协助车辆的轨迹来计算期望合流位置。
也就是说,上层将解决一个最优控制问题,其目标是优化协助车辆的控制输入,以实现最小的能量消耗和最佳的行驶效率,同时满足严格安全合流要求。
考虑二阶线性动力学模型:
其中as(t)是协助CAV的加速度,也是***(14)的控制变量;此外,出于计算负担考虑,忽略与安全相关的状态约束。
为了通过控制匝道合流车和协助车来提升匝道合流区车辆的通行效率和节能水平,换言之,匝道合流车和主道协助车在匝道合流区的控制目标均为最小化通行时间和能量消耗,可通过解决问题1计算预期的合并位置,如下所示。
问题1:
终端条件为
vs(tm)=vl(tm) (17)
其中,(15)中的第一项用于优化控制量变化,因为它间接反映了能源消耗,第二项δ是通行时间的惩罚系数,越大代表对通行效率的要求越高。
终端条件(16)和(17)根据匝道智能网联车进行合流汇入需要满足的合流条件得来,体现了对协助车辆的终端状态要求。
问题1的结果仅作为下级控制器的参考,并不是实际的合并时间。因此,将在上层使用tf而不是tm来区分差异。
(2)极小值原理求解
采用极小值原理求解问题1。构造哈密顿函数
欧拉-拉格朗日方程为
由于问题1被递归求解,每次求解时的初始边界条件为xs(tc)、vs(tc),其中tc=t0+kΔt(k=0,1,2,…),在终端时间tm的终端条件W为
进而可得横截条件
其中,β1,β2是常数,将(18)-(20)代入(21)得
求解由(18)-(22)组成的两点边值问题得到最优加速度、最优速度和最优位移
as(t)=μ2(t)=-c1t+c2 (23a)
其中参数c1,c2,c3,c4是待求参数。
结合方程组(23)和边界条件(20),参数c1,c2,c3,c4和期望合流时间tf可通过解代数方程(23)获得
由此得到智能网联车的候选合流位置为:
匝道车辆的合流汇入位置不能超过匝道加速车道的末端,因此候选合流位置需要与强制合流汇入位置进行比较来确定期望合流位置:
步骤5)下层分布式智能网联车辆最优控制器设计
(1)构建严格安全分布式最优控制问题
下层控制器的目的是在考虑安全约束的情况下,根据上层规划器提供的参考合流位置,计算智能网联车辆的最优合流控制解决方案。
匝道合流智能网联车和主道协助车将以分布式的方式计算各自的最佳轨迹,即分别对应问题2和问题3。
问题2:匝道合流智能网联车的最优轨迹控制
满足约束(3)-(5),(7)和(9)。
非线性车辆纵向动力学模型(3)、控制输入约束(4)、车速约束(5)、安全合流距离约束以及强制合流安全约束(9);
问题3:主道协助车的最优轨迹控制
满足约束(3)-(5),(6)和(8)。
非线性车辆纵向动力学模型(3)、控制输入约束(4)、车速约束(5)、安全跟车距离约束(6)以及安全合流距离约束(8)
(2)设计严格安全的灵活合流约束
为了在下层联接严格安全控制和灵活规划,将安全合流距离约束(7)和(8)中的恒定时间常数转化为线性连续函数Φl-m(xm(t))和Φm-s(xs(t))。
设计该线性连续函数单调递增,且在合流终端时刻tm满足
由此该函数可反映出车辆间距逐渐随位移线性增大进而在终端时刻达到安全合流距离要求的过程。
当车速很大时,静态车间距离Lc的影响很小,可以令Lc=0;假设在t0时刻,安全合流车间时距为0;这个假设是合理的,因为安全合流距离约束应该逐渐施加以避免在t0时刻突然发生CAV控制切换。因此,
Φm-s(xs(t0))=Φl-m(xm(t0))=0 (30)
进一步地,为了实现灵活位置合流策略,用上层规划器计算的期望合流汇入位置和/>作为每次控制的终端位置。基于上述简化和假设,根据(29)和(30)得到分别对于主道协助车和匝道合流车的线性连续时间距离函数
基于(31),得到严格安全的灵活合流约束为
(3)设计控制势垒函数CBF
车速约束(5):令智能网联车的最大速度约束对应函数/>进而得到控制势垒函数CBF为
同理,对于最小速度约束对应函数
安全跟车距离约束(6):令有对应的控制势垒函数CBF:
严格安全的灵活合流约束(32):基于(31)和(32)有
(4)设计控制李雅普诺夫函数CLF
对于控制目标,可以将其转化为CLF的形式间接优化***性能。***的优化目标有通行时间和能耗,其中前者并不涉及状态变量,无法直接利用控制李雅普诺夫函数。为此,考虑到最小化通行时间可等价为车辆速度尽可能快地接近期望最大车速并一直保持。定义输出项选择李雅普诺夫函数/>则可以转变控制李雅普诺夫函数为:
式中,ε称为指数衰减率,是可调节的参数。
(5)基于控制势垒函数-控制李雅普诺夫函数(CBF-CLF)的二次规划问题构建
同时优化时间和能耗,得到目标函数:
其中ωq是通行效率项的系数。
将问题重构为离散二次规划形式:
subject to
(1)驱动力约束:
(2)由(33)-(36)得到的控制势垒函数
(3)由(37)得到的控制李雅普诺夫函数
在每个滚动控制时域内,上层规划器通过求解问题1规划期望合流位置,之后将该位置传递给下层每辆分布式智能网联车的控制器,每辆车分别求解上述QP问题用以规划各自的控制量。其中,滚动过程一直持续到合流要求(13)被满足。
具体实施例
实施例1:只考虑存在三辆车构成的三车协同编组,此时有一台人工驾驶车辆在主道,同时,两台智能网联车辆分别在匝道和主道,三辆车都处于协调区内。三车标记符号如下:
匝道合流车1(CAV1)在协同合流调整的过程中没有同车道前车,只有主道前导人工驾驶车(HDV),因此不需考虑安全跟车约束。而主道协助车2(CAV2),需要同时考虑主道前导人工驾驶车(HDV)之间的安全跟车约束,以及和匝道合流车1(CAV1)之间的安全合流约束。
图3-图5是实施例1的仿真结果。
图3是车辆位移-时间图。从图3可以看出,CAV1在初始阶段与先导HDV距离差距较大,而匝道CAV2与CAV1间的距离较小。随后,CAV1与HDV之间的距离先增加,当实际车距接近所需距离时,CAV1位移放缓增加,以保持合适的合流换道距离。最后,CA1和HDV之间、CAV2和CAV1之间,均保持合适的合流车距。
图4是车辆车速-时间图。由于CAV1和HDV初始距离过大,所以CAV1加速以弥补这段间距。当CAV1车速远超HDV且CAV2和HDV之间的距离接近安全合流要求时,CAV2减速,并最终使车速接近HDV的车速,以满足合流要求。而CAV2则在初始阶段先减速以防止和CAV1距离过于接近,之后由于与CAV1间距拉开且为了追上CAV1车速,所以再次加速。待CAV1减速时也同步减速,并最终达到接近CAV1和HDV的车速,实现合流要求。
图5是车辆控制输入-时间图。从图5可以看出,车辆严格遵守了驱动力(控制输入)约束,全程处于最大驱动力边界和最小驱动力边界内,并在合流完成后趋于稳定。
由上述实施例可知,本发明提供一种多智能网联车辆匝道协同合流分层优化控制技术。该方法在考虑行驶安全和车辆动力学约束的前提下,以最小化通行时间和能耗作为优化目标,引入一种分层优化控制方法实现灵活合并位置规划和最优轨迹控制,并融入递归控制架构来动态抵抗来自人工驾驶车辆扰动的干扰。本发明方法可增强智能网联车辆在混合交通环境下匝道合流区的合流时间选择灵活性,可提升车辆通行效率、节能效率、控制稳定性和鲁棒性。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (9)
1.一种多智能网联车辆匝道协同合流分层优化控制方法,其特征在于,包括如下步骤:
S1.基于匝道合流场景,采用三车协同编组结构构建包含车辆动力学模型、车辆动力学限制约束和安全距离约束的智能网联车辆入口匝道合流模型;所述三车协同编组结构包括主道前导车、主道协助车及匝道合流车;所述主道协助车及匝道合流车为智能网联车辆;
S2.基于分层式协同合流控制架构求解针对智能网联车辆入口匝道合流模型的最优控制问题;
所述分层式协同合流控制架构包括上层规划器和下层运动控制器;所述智能网联车辆入口匝道合流模型的最优控制问题包括无约束最优控制问题和多安全约束最优控制问题;
所述上层规划器基于极小值原理求解无约束最优控制问题,得出候选合流位置,然后将候选合流位置与匝道加速区末端位置对比,选出其中较小的一个作为期望合流位置;
所述下层运动控制器利用所述灵活合流点,设计控制李雅普诺夫函数和控制势垒函数,重构优化问题的目标和约束表达形式,将多安全约束最优控制问题转化为二次规划问题,获取最优控制律,以实现安全合流。
2.根据权利要求1所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:在所述步骤S2中,还包括如下步骤,
S2.1定义协同合流的时间区间为[t0,tm],利用采样时间Δt均等划分连续时间集,可得所述三车协同编组的滚动优化步长为:
其中k表示递归次数;
S2.2在每个时间区间内,所述上层规划器依据前导车和所述匝道合流车状态求解无约束最优控制问题,并综合考量强制合流位置,得到期望合流位置
S2.3根据和/>所述下层控制器通过求解二次规划问题计算控制输入/>所有智能网联车辆的下一状态/>均通过对应的控制输入/>计算得到;
S2.4反复调用步骤S2.2-S2.3,直到所述匝道合流车的车辆状态达到合流要求的条件,包括车间距离要求和相对车速要求。
3.根据权利要求2所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:所述匝道合流车m进行合流汇入需要满足以下合流条件
Δzl-m(tm)∈[-Δzmax,Δzmax]
Δzm-s(tm)∈[-Δzmax,Δzmax]
Δvl-m(tm)∈[-Δcmax,Δcmax]
Δvl-s(tm)∈[-Δcmax,Δcmax]
式中,Δzmaz是最大允许距离偏差边界值,Δvmax是最大允许速度偏差边界值;匝道合流车m、主道前导车l、主道协助车s。
4.根据权利要求1所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:所述候选合流位置计算模型为
终端条件为
vs(tm)=vl(tm)。
5.根据权利要求4所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:匝道合流智能网联车的最优轨迹控制为
式中,所述匝道合流智能网联车的最优轨迹控制满足约束车辆动力学模型、控制输入约束、车速约束、安全合流距离约束以及强制合流安全约束;
主道协助车的最优轨迹控制为
式中,所述主道协助车的最优轨迹控制满足车辆动力学模型、控制输入约束、车速约束、安全跟车距离约束以及安全合流距离约束。
6.根据权利要求5所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:所述匝道合流智能网联车的最优轨迹控制,需满足非线性车辆纵向动力学模型、控制输入约束、车速约束、安全合流距离约束以及强制合流安全约束;
所述主道协助车的最优轨迹控制,需满足非线性车辆纵向动力学模型、控制输入约束、车速约束、安全跟车距离约束以及安全合流距离约束。
7.根据权利要求1所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:在所述步骤S1中,所述车辆动力学模型为:
式中,M为等效车辆质量,包含了整车质量和所有转动部件的当量质量;为车辆的位移;/>为车速;***状态向量/>Ft(t)为车辆的驱动力,亦为车辆***的控制输入,被记作/>
Fr(t)为车辆所受阻力之和,表征为关于车速的二次表达式:
式中,sgn(·)是符号函数,α0、α1和α2皆为取决于车辆参数和环境条件的正系数;所述车辆参数包括负载重量、迎风面积、轮胎摩擦系数;环境条件包括空气密度。
8.根据权利要求2所述的多智能网联车辆匝道协同合流分层优化控制方法,其特征在于:所述控制李雅普诺夫函数为
式中,ε称为指数衰减率,是可调节的参数。
9.一种多智能网联车辆匝道协同合流分层优化控制装置,其特征在于:包括存储器和处理器;所述存储器内存储指令,所述指令由所述处理器加载并执行,以实现权利要求1-8中任一所述的多智能网联车辆匝道协同合流分层优化控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310604901.0A CN116843055A (zh) | 2023-05-26 | 2023-05-26 | 多智能网联车辆匝道协同合流分层优化控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310604901.0A CN116843055A (zh) | 2023-05-26 | 2023-05-26 | 多智能网联车辆匝道协同合流分层优化控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116843055A true CN116843055A (zh) | 2023-10-03 |
Family
ID=88158916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310604901.0A Pending CN116843055A (zh) | 2023-05-26 | 2023-05-26 | 多智能网联车辆匝道协同合流分层优化控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843055A (zh) |
-
2023
- 2023-05-26 CN CN202310604901.0A patent/CN116843055A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liang et al. | Heavy-duty vehicle platoon formation for fuel efficiency | |
Murgovski et al. | Cooperative energy management of automated vehicles | |
CN113362619B (zh) | 混合交通环境下智能网联车辆匝道协同合流控制方法及装置 | |
Amini et al. | Sequential optimization of speed, thermal load, and power split in connected HEVs | |
Nie et al. | Real-time dynamic predictive cruise control for enhancing eco-driving of electric vehicles, considering traffic constraints and signal phase and timing (SPaT) information, using artificial-neural-network-based energy consumption model | |
US11442469B2 (en) | Coordinated control of vehicle cohorts | |
CN112614340A (zh) | 支路车辆汇入主路的方法、装置、电子设备及存储介质 | |
Turri | Fuel-efficient and safe heavy-duty vehicle platooning through look-ahead control | |
Kavas-Torris et al. | Fuel economy benefit analysis of pass-at-green (PaG) V2I application on urban routes with STOP signs | |
Earnhardt et al. | Hierarchical model predictive control approaches for strategic platoon engagement of heavy-duty trucks | |
Kim et al. | Two-stage optimal control of a parallel hybrid vehicle with traffic preview | |
Yan et al. | A multi-vehicle game-theoretic framework for decision making and planning of autonomous vehicles in mixed traffic | |
Lin et al. | Co-optimization of on-ramp merging and plug-in hybrid electric vehicle power split using deep reinforcement learning | |
Liu et al. | Optimizing energy savings for a fleet of commercial autonomous trucks | |
Yang et al. | Vehicle local path planning and time consistency of unmanned driving system based on convolutional neural network | |
Zennir et al. | Comparison of PID and fuzzy controller for path tracking control of autonomous electrical vehicles | |
Caruntu et al. | Multiple-lane vehicle platooning based on a multi-agent distributed model predictive control strategy | |
Wille et al. | Comprehensive treated sections in a trajectory planner for realizing autonomous driving in Braunschweig's urban traffic | |
CN116843055A (zh) | 多智能网联车辆匝道协同合流分层优化控制方法及装置 | |
Liang | Linear quadratic control for heavy duty vehicle platooning | |
Pan et al. | Optimal vehicle following strategy for joint velocity and energy management control of series hybrid electric vehicles | |
Zhai et al. | Design of switching strategy for adaptive cruise control under string stability constraints | |
Coad et al. | Safe trajectory planning using reinforcement learning for self driving | |
Luo et al. | Platoon control of automatic vehicles based on deep deterministic policy gradient | |
Liu et al. | Eco-Friendly On-Ramp Merging Strategy for Connected and Automated Vehicles in Heterogeneous Traffic |
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 |