基于迟滞鲁棒性的自动车队队列稳定性控制

基于车辆纵向迟滞动态模型,对自动车队队列稳定性以及控制方法进行分析研究.建立考虑迟滞因素的车辆纵向迟滞动态模型,在此模型的基础上建立基于固定时间间距策略的滑模控制器和比例积分微分(PID,Proportion Integration Differentiation)控制器,然后依据队列稳定性判断准则分别对两种控制器进行队列稳定性分析并分别得到相关的队列稳定性条件.定量比较分析和仿真比较分析结果显示,PID控制器具有更强的迟滞鲁棒性.

协作式巡航控制下混合车队队列稳定性

考虑协作式巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆与自适应巡航控制(Adaptive Cruise Control,ACC)车辆之间的退化机制,构建由CACC车辆、ACC车辆以及人工驾驶车辆组成的混合车队。应用传递函数理论,推导混合车队在不同规模情况下的队列稳定性判别准则,计算混合车队在多种情形下的队列稳定性情况,并设计数值仿真实验验证理论分析结果。稳定性分析结果表明,所推导的混合车队队列稳定性准则能够从理论层面计算混合车队关于车队规模与车流速度的队列稳定域,当混合车队中CACC车辆比例达到25.00%~41.17%及以上时,混合车队可在全速度范围内实现队列稳定。数值仿真结果表明,混合车队头车产生的速度扰动传递至上游CACC车辆时,CACC车辆可有效抑制速度扰动的波动幅度,使混合车队趋于稳定,验证了理论分析的正确性。研究结果揭示了混合车队保持稳定时的CACC车辆与人工驾驶车辆的比例结构。

基于队列稳定性的联合资源优化算法

为了解决无线虚拟化网络中的多种资源动态分配问题,保证系统队列稳定性的前提下提高网络资源利用率,提出一种基于队列稳定性的联合资源优化算法。首先,该算法考虑了每个虚拟运营商的缓存资源限制,对不同的虚拟运营商采取不同的定价机制,将多种虚拟资源分配作为一个联合优化问题,以最大化虚拟运营商收益为目标建立效用函数。然后,运用Lyapunov随机优化方法,根据当前系统用户的数据积压量设计了一种分布式调度算法,对虚拟网络收益的最优性与系统队列的稳定性进行权衡控制。最后,利用Lagrange理论对模型进行迭代求解。仿真结果表明,所提优化方案能够保证系统稳定的前提下提高虚拟网络总收益。

基于贝叶斯网络的进场航班排序队列稳定性研究

为了提高终端空域航空器到达时间预测的准确性和排序队列的稳定性,本文从分析影响航空器预计到达时间ETA的不确定因素出发,建立了同一机型航空器过同一边界点到达时间的概率模型,提出了一种通过实际飞行数据计算到达时间的概率方法,利用贝叶斯网络计算各影响因素对ETA影响程度.实验结果表明,用概率方法预测到达时间具有简单易操作且准确性高的特点.利用影响程度作为权重进行修正并量化了ETA的不确定性,有助于改善进场航班排序队列的稳定性.

基于双向多车跟随式拓扑的混合车辆队列稳定性研究

车辆队列控制在提高驾驶安全性、提升交通流量、改善燃油经济性方面具有巨大潜力。现有车辆队列控制研究多针对完全由网联自动驾驶车辆组成的队列,难以应用于实际混合交通环境,而现有混合队列控制研究通常仅考虑网联自动驾驶车辆跟驰控制目标,而忽略了其对后方交通流与队列稳定性的影响。为此,研究了混合人工驾驶车辆与网联自动驾驶车辆的队列协同控制方法,在网联自动驾驶车辆控制设计中引入前后车信息,并研究其对队列稳定性的影响。首先构建了混合车辆队列系统模型,提出一种改进的适用于双向多车跟随式拓扑的混合队列控制器。其次针对双向通信拓扑,迭代推导出车辆队列首尾传递函数,分析扰动工况下混合车辆队列的通信拓扑及队列规模对闭环稳定性、首尾队列稳定性的影响。研究结果表明:在任意通信拓扑下采用所设计的网联自动驾驶车辆控制器均可达到队列闭环稳定;网联自动驾驶车辆作为混合车辆队列中的可控单元,可有效地衰减队内干扰,网联自动驾驶车辆利用后车信息也可更好地衰减队内扰动,保证首尾队列稳定;依据首尾传递函数分析,在单网联自动驾驶车辆的混合车辆队列中,首尾队列稳定性与网联自动驾驶车辆位置i无关,而与前后人工驾驶车辆数目m、n及队列规模N有关,且后方人工驾驶车辆数目n越多,越有利于首尾队列稳定。

虚假消息注入攻击下的多车队列纵向稳定性控制研究

针对虚假消息注入攻击下多车队列系统纵向稳定性控制问题,采用加性不确定方法量化攻击对队列系统的影响,采用等效时滞、网络诱导时滞等方法,将通信时滞与数据丢包、车载传感器数据离散化特性等因素整合到队列中,构建了网络攻击与信息延迟下的队列模型。基于李雅普诺夫-克拉索夫斯基稳定性理论和H_(∞)鲁棒控制,提出了一种弱保守性分布式鲁棒抗干扰控制方法,并给出了队列系统保持稳定性的条件。仿真结果表明,所提出的鲁棒H_(∞)控制方法在保证队列内稳定需求的同时,能兼顾队列稳定性。与常规队列干扰抑制控制方法相比,对于队列内相邻车辆之间的间距误差控制以及跟随车辆与领航车之间的速度跟踪控制效果更好。

智能网联混合交通流稳定性解析方法综述

交通流稳定性分析是研究交通拥堵形成机理、车队队列控制的基础,面向智能网联环境下的混合交通流队列线性稳定性分析已成为近年来的研究热点.根据受到的扰动大小和范围,介绍了线性稳定性、非线性稳定性、局部稳定性和队列稳定性的相关概念,并指出了交通流队列稳定性的基本判别准则.基于控制理论,回顾了交通流车队队列线性稳定性条件的经典解析方法,其中,特征方程法评估了交通流内部扰动的增长速度,传递函数法依托于拉普拉斯变换构建了扰动的传递关系.从经典跟驰模型、考虑时延的跟驰模型和考虑多前车驾驶信息反馈的跟驰模型出发,系统分析并总结了国内外学者对于混合交通流稳定性问题的研究现状,同时回顾了交通流稳定性理论研究在车队队列控制等方面的实验和工程应用.最后,展望了混合交通流稳定性分析领域的研究前景,指出了在后车跟驰行为、智能网联汽车的交互协同、复杂混合交通流等几个方面是今后需要重点研究的领域.

执行器饱和异构车队的稳定性分析

针对基于网络的异构自主车队,建立了充分考虑执行器饱和、外部有界未知加速度干扰的车队纵向控制模型,并采用固定车间距策略以提高交通密度和交通流量。考虑到饱和是一种非对称非线性执行器死区饱和,基于耦合滑模控制方法给出了二阶跟随车队的分布式滑模控制器设计方法。此外,采用自适应补偿技术补偿外部干扰和饱和的时变影响并基于李雅普诺夫稳定性理论,证明了车队的队列稳定性。最后,仿真证明了上述方法的有效性。

基于Markov模型的分布式队列稳定频谱接入算法

针对认知无线电系统中次级用户队列稳定性问题,通过建立发送状态马尔科夫(Markov)模型,提出了一种基于CSMA的自适应分布式频谱接入算法。次级用户根据感知结果自适应地调整退避时长参数,使稳态服务速率逐渐趋近到达速率,最终达到队列稳定。此外,还在满足对主用户碰撞限制的条件下,推导了次级用户的吞吐量上界,并证明当次级用户的数据到达速率小于此上界时,能够通过所提算法保证队列稳定。仿真结果证明了算法的有效性。

基于数据队列稳定的无线资源优化

通过充分利用云计算和边缘雾计算,无线接入网络能够为不同应用业务提供差异化的服务。在无线接入网络的下行数据传输场景中利用第五代移动通信系统(5th Generation Mobile Communication System,5G)网络切片技术,研究为不同切片分配无线资源,包括高速率切片和低时延切片。考虑不同的服务质量需求,构建一个多目标优化问题。线性加权求和方法将该问题转换为单目标优化问题。利用李雅普诺夫优化方法将其构建为偏差加罚函数最小化问题,并可以分解为2个子问题,分别由加权最小均方误差方法和拉格朗日对偶分解方法求解。仿真结果表明,网络效用与时延之间存在折中关系,当选择合适的控制参数取值时,可以得到队列时延降低34.5%或平均加权效用提高6.5%的结果。

干扰时滞下的车辆队列事件触发量化控制研究

为减少通信负载和节省计算资源,同时保证多车队列系统的稳定性,提出了一种事件触发量化稳定控制方法.该方法可在大幅降低车间通信频次和控制计算量的前提下,实现队列系统在通信时滞、数据丢包和外界环境干扰下的稳定性.建立了多车队列系统时滞干扰不确定性模型,构建了多车队列事件触发量化协同控制系统,给出了多车队列系统L_(2)全局稳定判据,在Matlab-Carsim联合仿真环境下对所提出的控制方法进行了验证.结果表明,相比于主流队列稳定控制方法,所提控制方法可在10 m/s最大外界风速、0.03 s最大通信延时、10个最大数据丢包及领航跟随/双领航跟随2种通信拓扑结构下,车间距误差小于0.35 m,速度跟踪误差不超过0.28 m/s,同时控制频次可实现最高66.89%的大幅降低.

网联通信时延下的混合队列控制特性分析

针对CACC协同自适应巡航控制技术,探究其在车联网通信时延影响下,与驾驶员驾驶汽车共存而构成的混合队列系统的性能。从微观跟车行为角度,基于频域传递函数,推导通信时延下的CACC队列稳定最小跟车时距的理论表达式,并通过数值验证指出CACC队列稳定最小跟车时距随通信时延增大而增大的特性。从交通激波特性角度,针对无时延CACC、有时延CACC和时延过大而退化后的ACC自适应巡航3种情形,给定相同的跟车时距,进行不同渗透率下的大规模交通仿真实验,实验结果表明,在无时延和1 s时延这2种情形下,CACC在20%及以上的渗透率时均能显著降低交通扰动,削弱激波,性能差别不明显;相比而言,退化后的ACC性能明显恶化。

公平和低时延的主动队列管理算法研究

因特网中时延敏感应用和高吞吐量应用的流行使路由器和交换机中的缓存越来越大,导致网络流量极易出现高时延和高抖动率。基于高带宽非响应流的移动应用的普及使网络瓶颈资源利用愈加失衡,整个网络的资源分配公平性难以得到保证。为了缓解这2个问题,从时延控制和抑制高带宽非响应流抢占资源的角度,基于Sample-Match、L-LRU缓存和按概率分组丢失机制,提出了兼顾公平和低时延的主动队列管理(FLDA)算法。实验结果表明,在高带宽非响应流的干扰下,FLDA能够较好地维持队列稳定性、瓶颈链路资源利用的公平性和低时延性。

传感器受限的车辆队列燃油经济性模型预测控制

车辆队列保持较小的车间距可以有效地降低车受风阻力的面积,减少燃油的消耗。将车间距稳定在较小数值上对减小燃油消耗具有很大的作用,由于车载传感器的量程受限,会影响车间距测量值,所以提出一种车辆队列参数化模型预测控制策略,在保证车辆队列跟踪性能的前提下,让车间距稳定在较小的范围内,提升车辆队列的燃油经济性。采用经典PD策略构造参数化时滞队列切换控制器并结合非线性性能指标函数,通过求解有限时域最优控制问题得到控制器中的自由参数。在此基础上,利用频域方法,建立参数化时滞队列预测控制器队列稳定的条件。最后对加减速典型场景仿真验证参数化模型预测控制方法的有效性。

智能车辆队列横纵向有限时间滑模控制

针对智能车辆队列横纵向控制及误差快速收敛问题,本文提出一种分布式横纵向有限时间滑模控制策略.首先,考虑跟踪误差的连锁反应及横纵向耦合效应,利用投影变换建立车辆队列横纵向误差模型,提出一种车辆队列横纵向控制框架.而后,针对误差快速收敛问题,设计非奇异积分终端滑模面(NITSM)与自适应幂次积分趋近律(APIRL),通过构造Lyapunov函数分析系统的有限时间稳定性与队列稳定性.最后,基于Trucksim/Simulink联合仿真以及实车实验进一步验证了本文方法的有效性.结果表明,本文所提方法能保证队列稳定性,并实现误差快速收敛,规避跟踪误差的连锁反应及车辆横向运动对纵向车间距误差的影响.

改进预设性能的车辆队列滑模控制方法研究

为了增强非线性车辆队列的队列稳定性,并在控制全过程中有效约束跟踪误差,提出一种基于改进预设性能的车辆队列滑模控制方法.设计关于跟踪误差的预设性能函数,通过在函数中为每辆车设置不同的衰减速率,改进前后车的预设性能,从而增强队列稳定性,并确保车辆的跟踪误差始终被约束在允许的范围内.在此基础上,利用径向基神经网络估计车辆的非线性不确定项,设计基于改进预设性能的车辆队列积分滑模控制器,以保证车辆队列的安全稳定行驶.最终通过数值仿真验证所提出控制方法的有效性.研究结果表明:所提出的车辆队列滑模控制方法不再依赖后车信息,知晓前车信息即可增强队列稳定性.

异质队列的分布式鲁棒解耦控制

基于分布式控制结构和基于图论的通信拓扑描述方法,针对车辆节点动力学的不确定性设计了一种异质队列的鲁棒解耦控制策略。采用乘性不确定模型覆盖由下位控制器和车辆动态特性构成的队列节点的动态特性,在此基础上通过通信拓扑的特征值分解和线性变换将异质队列控制系统分解成H∞范数有界的不确定部分和一个对角系统,从而实现队列系统的解耦。进一步对该控制系统的鲁棒稳定性、跟踪性能和队列稳定性进行理论分析。通过与非鲁棒控制器,以及不同通信拓扑下的系统性能进行台架实验对比分析,对所提方法的鲁棒稳定性、跟踪性能和队列稳定性进行了验证。

严格避撞的车辆队列分布式鲁棒控制

针对智能网联车辆队列控制问题,提出一种严格避撞的分布式鲁棒控制器设计方法。建立了包含复杂不确定性与外部干扰的非线性误差动力学模型。通过限定车间距误差的波动区间来保证队列避撞性与紧凑性,并据此引入车间距势函数。结合车间距势函数、自车与邻近车辆状态和动力学不确定边界设计了分布式鲁棒控制律。从理论上证明了该控制器能保证队列的避撞性与紧凑性和车速误差的队列稳定性,并分析了通信拓扑和控制参数对控制性能的影响。通过修正期望车间距模型,控制器的应用范围可扩展到大初始误差工况。最后,通过数值仿真验证了主要理论分析结果。

考虑输入饱和的车辆队列协同巡航控制算法

为了实现具有协同式自适应巡航控制的匀质和异质队列的队列稳定性,基于最优控制和饱和控制理论提出队列协同巡航控制算法,将车辆队列视为一种动态级联系统,而队列稳定性,即抑制状态量沿队列的波动,是这类系统设计的基本要求。针对系统的队列性能的要求,采用恒定车间时距策略建立考虑队列稳定性、执行器饱和的车间纵向运动学模型,根据不同的前车采用不同的权值矩阵来计算最优控制输入;针对最优控制鲁棒性和约束性较差的问题,引入饱和控制,在Riccati方程框架下,设计低增益状态反馈控制律,证明具有饱和非线性系统的局部镇定,实现系统的闭环稳定性和队列稳定性。最终通过Matlab/Simulink进行匀质和异质队列的仿真,验证算法在满足队列稳定性目标下协调多性能指标的可行性和有效性。

基于瓶颈感知的多级反馈队列Coflow调度机制

Coflow作为并行计算框架的典型流量模型,降低Coflow的完成时间(CCT)成为云计算领域的研究热点。现有Coflow调度机制未考虑云数据中心内网络瓶颈问题,容易造成网络拥塞,导致CCT增加。针对该问题,构建基于瓶颈感知的Coflow调度机制Bamq。利用Lagrange对偶优化Coflow调度模型,以加快Coflow流速并增大吞吐量,从而降低CCT。通过设计多级反馈队列机制,降低吞吐量对网络拥塞产生的影响,根据已发流的大小、宽度和流速信息,构建瓶颈因子以动态调整多级队列的优先级,实现拥塞感知,提高Coflow调度性能。在Facebook真实数据集上进行实验,结果表明,相比Baraat、Varys、Aalo机制,该机制的CCT平均缩短21.3%,吞吐量平均提高17.9%,能够有效提高链路的利用率。