基于模型预测控制策略的协同自适应巡航控制仿真研究

本文基于模型预测控制原理设计了上层控制器,用来决策期望加速度以实现良好的跟车效果,并将期望加速度变化作为优化条件之一引入代价函数中,目的是为了更有效的优化油耗和乘坐舒适性,最后利用Simulink和CarSim的联合仿真验证所提出的控制器。从结果可以看到所设计的控制器能够很有效的控制跟随车辆跟随领航车迅速做出一系列加减速机动,可以在相同的道路条件下使车辆以更小的车间距保持队列行驶来增加道路容量,同时能降低油耗。通过加速度的变化结果可以看到燃油车的换挡操作会造成加速度的突变从而影响乘坐舒适。

混有协同自适应巡航控制车辆的异质交通流稳定性解析与基本图模型

针对传统车辆和协同自适应巡航控制(cooperative adaptive cruise control,CACC)车辆构成的异质交通流,研究其稳定性与基本图模型.应用实车测试验证的CACC模型和智能驾驶员模型(intelligent driver model)分别作为CACC车辆和传统车辆的跟驰模型,建立异质流稳定性解析框架,研究不同平衡态速度、不同CACC车辆比例时的异质流稳定性.推导异质流基本图模型,并进行数值仿真实验.研究结果表明,在传统车辆稳定的速度范围,异质流处于稳定状态.在传统车辆不稳定的速度范围,CACC车辆比例增加以及平衡态速度远离9.6—18.6 m/s速度范围,均能够改善异质流的不稳定性.通行能力随着CACC车辆比例的增加而提高.此外,CACC模型的期望车间时距越大,异质流稳定域越大,但通行能力降低.因此,恒定车间时距CACC控制策略下的期望车间时距取值应权衡异质流稳定域和通行能力两个方面的影响.

不同车辆工况对协同自适应巡航控制车队行驶安全的影响

基于横向控制器和纵向控制器模型,包括校正的预瞄驾驶员模型、加速度控制模型、节气门控制模型和制动器控制模型,建立Matlab/Simulink和CarSim车辆联合仿真平台,并对其可行性进行分析与验证.利用平台分别仿真协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车队车辆紧急刹车,通信延时,起步加、减速工况和车队前方插入换道车辆4种情况下CACC车辆的行驶状况.仿真发现:紧急刹车时车队能够实现较好的紧急避撞;在通信延时的情况下,车队仍能保证行车安全;车队起步、减速工况运行较平稳,但加速度并不平稳,不利于车队后方车辆的乘坐舒适性;车队对前方插入不同速度的车辆能够及时响应并最终恢复安全行车间距.

协同自适应巡航控制车队仿真

如何评估道路环境等外部条件变化对协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车队行驶安全性的影响,对于保障道路交通安全尤为重要。为此,结合Matlab/Simulink和CarSim搭建车辆-环境仿真平台研究道路环境对车队行驶安全性的影响。利用美国NGSIM车辆轨迹数据对平台采用的校正的预瞄驾驶员模型、加速度控制模型、节气门控制模型和制动器控制模型的控制器进行验证;利用平台开展红灯状态、隧道行驶和匝道行驶三种道路环境对车队行驶状态影响的仿真实验。仿真结果表明:车队可以顺利通过路口红绿灯;在安全车速范围内车队进出隧道口时方向控制良好;匝道坡度主要影响车辆加速度和车间距,坡度分别为3%和5%时,车队均保持稳定车间距安全行驶。

协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析

在人工驾驶车辆、自适应巡航控制(ACC)车辆和协同自适应巡航控制(CACC)车辆的行车行为特征分析的基础上,运用跟驰模型和换道模型分别构建人工驾驶车辆、ACC车辆及CACC车辆在下匝道分流区混合交通流仿真环境,解析CACC车辆占比对混合交通流安全性的影响。选取全速度差模型、ACC跟驰模型、CACC跟驰模型分别作为人工驾驶车辆、ACC车辆、CACC车辆的纵向跟驰模型,利用随意换道模型、强制换道模型分别构建下匝道分流主线段、远近端区的横向换道模型。基于碰撞时间(TTC)、暴露碰撞时间(TET)、整合碰撞时间(TIT)等参数构建交通流安全性评价指标。利用MATLAB进行数值模拟,仿真分析不同CACC车辆占比下的混合交通流安全性。结果表明:CACC车辆占比为40%~50%时,混合交通流安全性恶化最严重,TET和TIT分别增加约68%和89%,车辆速度离散系数为0.9以上;通过在下匝道分流区设置远端强制换道区(设置长度≤1 000 m),可有效降低混合交通流的追尾碰撞风险。

协同自适应巡航控制系统跟车算法设计

针对协同自适应巡航控制系统,采用基于模型预测控制原理的一种鲁棒跟车控制算法。考虑头车位置、速度、加速度等信息建立带有头车加速度干扰的车间纵向动力学模型。考虑跟车过程中的舒适性和安全性,建立了带有误差修正项的模型预测控制算法,提高了控制系统的鲁棒性。从Carsim/Simulink联合仿真可以看出:跟随车辆与前车的车间距始终大于最小安全距离,同时跟随车辆的加速度峰值比头车小,且变化趋势也更为平缓。在达到协同自适应巡航控制系统目的的同时,满足了安全性和舒适性的要求。

基于改进MPC的协同自适应巡航控制策略研究

针对环境干扰、传感器噪声和跟随时变车速稳定性较差等问题,提出一种基于KF(kalman filtering)的改进MPC(model predictive control)算法。搭建CACC(cooperative adaptive cruise control)车辆间纵向运动学模型,并建立离散状态空间方程;利用KF对状态变量降噪,同时对预测模型进行鲁棒性设计;对不同工况下CACC控制目标进行分析,分别建立目标优化函数。通过搭建Simulink与CarSim联合仿真模型进行验证,结果表明,改进MPC算法能够提高城市与市郊工况下车辆的燃油经济性与驾乘舒适性,实现公路工况下对时变车速的稳定跟随。

Paillier同态加密下车辆协同自适应预测巡航控制

车辆协同式自适应巡航控制(CACC)以其高效便捷的特点成为智能交通系统的研究热点,但随着车辆接入网络,网络攻击对车联网系统的安全性造成了很大威胁;针对传统方案较繁琐、密文密钥同时传输数据仍可能被篡改的问题,采用Paillier同态加密算法对加速度进行加密,仅传输密文;针对控制目标设计一综合跟踪信号,并基于Paillier算法的同态性设计密文数乘运算,使加速度密文无须解密而直接用于自车构建跟踪信号;将跟踪信号与分布式模型预测控制(MPC)结合,采用线性矩阵不等式对控制策略的优化问题进行转化,求解最优控制输入,保证车辆队列的安全协同行驶;经Matlab仿真验证了控制系统的性能指标以及Paillier同态加密的有效性。

联合通信资源分配的网联车协同自适应巡航时滞反馈控制

考虑网联车辆队列在路段通信资源受限下的协同自适应巡航控制(CACC)问题,提出一种联合通信资源分配的网联车辆协同自适应巡航时滞反馈控制方法.首先,在头车-前车跟随的通信拓扑结构下,通过网联车辆队列中各车辆间的通信链路数量、该路段可使用的通信资源和当前时刻车辆间的间距误差建立二分图,根据车辆间的间距误差来调度有限的通信资源,将通信资源合理分配给有较大间距误差的跟随车辆;其次,利用非对称PD控制协议和网联车辆队列时滞纵向模型,应用线性矩阵不等式技术计算网联车CACC控制器,进一步得到车辆队列弦稳定性的充分条件;最后,通过Matlab/CarSim联合仿真验证该方法的有效性.

基于DMPC的多车协同自适应巡航控制研究

针对多车协同自适应巡航控制系统(CACC)中车辆跟驰距离波动大的问题,提出了一种分布式模型预测控制(DMPC)策略。采用分层控制的思想对CACC系统进行控制。控制器分为上位控制器和下位控制器。上位控制器根据车队状态计算车辆的期望加速度,下位控制器根据期望加速度控制车辆的节气门开度和制动系统压力。首先,建立了车队的纵向动力学模型。其次,根据控制目标设计目标函数,使车队能够获得当前时刻的最优控制量。然后基于逆发动机模型和逆制动模型设计了下位控制器。最后,通过Carsim和MATLAB/Simulink的联合仿真,验证了所设计控制策略的有效性。结果表明,DMPC可以减小车辆跟驰距离误差的峰值、标准差和均方根值,提高跟驰稳定性。

协同自适应巡航控制环境下车辆轨迹数据重构方法

针对国内尚缺乏协同自适应巡航控制环境下的车辆轨迹数据集,且现有轨迹重构方法存在处理单一、缺乏实测数据验证等问题,设计了协同自适应巡航控制环境下交通流视频数据采集试验并组织实施。所采集的视频数据包含调研路段所有非自动驾驶车辆行驶信息以及3辆自动驾驶车辆的行驶信息,基于视频识别技术对所采集视频进行提取,获得了原始车辆轨迹数据。针对原始车辆轨迹数据深度分析了误差来源,融合拉格朗日算法与卡尔曼滤波理论,设计了两步轨迹数据重构方法。识别速度和加速度异常值并反向修正了车辆位置数据,直至速度和加速度都在正常范围之内,实现了对数据集异常数据的插值替换以及降噪处理。最后,基于车辆实测数据对重构后的轨迹数据进行了验证,以避免出现降噪不足或过拟合现象。结果表明:两步轨迹数据重构方法能够有效修正原始车辆轨迹数据并保留原始数据的结构特征;通过对插值效果进行分析发现,受原始数据时间粒度影响,拉格朗日3次插值比5次插值收敛速度更快,因此,应结合数据特征与计算工作量确定拉格朗日次数;通过对卡尔曼滤波效果进行分析发现,观测噪声协方差与系统噪声协方差比值对重构误差产生影响,该比值的确定应满足误差要求,且避免出现车辆轨迹数据重构过拟合现象。

协同式多目标自适应巡航控制

针对自动化高速公路(Automated highway system,AHS)车队稳定性问题,发展了一种多目标自适应巡航控制算法,根据李雅普诺夫(Lyapunov)稳定性理论对该问题进行了量化分析,并给出了同质与异质车队稳定性的设计要求,基于模型预测控制(Model predictive control,MPC)理论,综合协调驾驶员期望响应、跟驰安全性、车队稳定性、车队整体品质等控制目标,采用加权二次型性能泛函以及线性矩阵不等式约束的形式,将协同式多目标自适应巡航(Adaptive cruise control, ACC)设计问题最终转化成带约束的在线凸二次规划问题.仿真结果表明,相比单车ACC而言,协同ACC的约束空间更为严苛,车队互联系统稳定性易受车间时距、车队规模、多目标权重、瞬态工况、车辆异质性等因素的影响,建议在跟驰安全性、车队稳定性良好的前提下寻求一定的驾乘舒适性与燃油经济性,以确保车队整体品质.

异构通信网联车系统鲁棒协同自适应巡航控制

考虑异构通信下的不确定网联车系统协同自适应巡航控制(CACC)问题,提出一种网联车系统鲁棒协同自适应巡航控制器设计方法.采用伯努利随机过程和具有可变输入延迟的跟踪模型描述具有参数不确定性和丢包及时延的异构通信网联车系统.为降低CACC控制器设计的复杂性,采用分散输出反馈控制结构和线性矩阵不等式技术,求解不确定异构通信网联车系统的CACC控制器.进一步,利用时滞系统方法和频域分析,建立保证闭环系统稳定和网联车辆系统弦稳定结果.最后通过一组四车辆三信道的网联车辆系统的仿真实验验证所提方法的有效性.

基于模型预测控制的协同式自适应巡航控制系统

在城市交通工况中,车辆的驾驶行为对其乘坐舒适性及燃油消耗有着很大的影响。因此提出一种在包含交通灯等信息的交通工况下的协同式自适应巡航控制系统,通过减少不必要的速度保持或加速来提升性能。系统通过处理当前交通信息的数据判断跟踪目标类别,运用模型预测控制来预测前车或车队未来状态,对不同的前方目标采用不同的权值来计算最优控制输入。通过控制车辆保持安全距离并在优化速度下行驶以实现多目标的优化。利用CarSim和Simulink联合仿真,仿真结果显示该控制系统在保证安全的前提下实现了主动的速度调节及目标的切换,在指定仿真工况中对比线性二次调节算法,加速度峰值、加速度变化率峰值及燃油消耗均有所降低,乘坐舒适性和燃油经济性得到较大提升。

基于Frenet框架的协同自适应巡航控制算法设计

当前对协同自适应巡航控制算法的研究主要集中在单车道纵向方向上,对横向控制考虑的很少,但实际车辆运动过程中转弯以及换道等场景必不可少。为此,本文基于Frenet框架对车队中单个车辆的动力学模型在横向与纵向两个自由度进行解耦。针对车辆的纵向控制问题,通过满足指数收敛条件来保证被控车辆对临近前车和首车的跟踪性,并通过sigmoidal函数来平衡跟踪权重。针对车辆的横向控制问题,采用李雅普诺夫方法进行控制算法设计。仿真实验结果验证了本文控制算法的有效性。

协同式自适应巡航技术发展现状及趋势

研究了CACC的车车通讯技术、队列稳定性及安全性控制技术、节能及交通效率提升技术的发展现状和存在的问题,指出了其发展趋势,为国内相关技术的发展提供参考。

基于深度强化学习的协同式自适应巡航控制

针对传统的协同式自适应巡航控制的算法响应慢、无法快速准确地对突发危险路况做出反应的问题,设计了基于深度强化学习的协同式自适应巡航控制框架,提出了双经验池和优化评价的深度确定性策略梯度算法。在传统算法基础上新建了2个包含车辆状态信息的经验池(优先价值经验池和撒普列经验池),训练数据样本分别从2个经验池按比例选取;critic评价模块采用多维向量对输出的踏板开度策略精确评价。结果表明,该算法在正常行驶工况和突发危险工况下:平均跟车间距误差分别下降1.8m和1.5m,跟车调节时间分别降低30%和25%,可以提升控制的准确性和系统紧急反应能力。

基于DMPC的智能汽车协同式自适应巡航控制

本文中针对单向通信拓扑的非线性车辆队列协同式自适应巡航(CACC)控制问题,提出一种保证队列稳定且满足队列各车跟随性、安全性和乘员舒适性的分布式模型预测控制(DMPC)策略。首先建立了车辆队列的动力学模型和通信拓扑结构模型,并基于队列系统的多项优化性能设计代价函数和系统约束,使队列中每一辆跟随车基于其接收到的有限信息求解一个开环局部最优问题,计算出当前时刻的最优控制量作为输入并不断重复这个过程,达到滚动优化的目的,实现车辆队列的协同式自适应巡航控制。其次通过CACC系统局部代价函数之和构建Lyapunov候选函数,证明了车辆队列系统渐进稳定性的充分条件。最后通过CarSim和Simulink联合仿真,分析了算法在理想状态下对不同形式单向通信拓扑车辆队列的控制性能;通过实车试验,验证了算法在实车条件下感知层存在抖动、底层控制存在延迟和误差时的控制性能。仿真和实车试验的结果表明,本文提出的控制策略能使队列车辆实现各项优化性能,同时对外部干扰有较好的鲁棒性。

基于LSTM改进的Q-learning协同式自适应巡航控制算法

针对基于传统Q-learning的汽车协同式自适应巡航算法加减速的控制不够线性的问题,且为了进一步提高动作选择的准确性,提出一种基于LSTM改进的Q-learning控制算法。算法在Q-learning的动作选择阶段引入LSTM模型,通过输入汽车当前状态对加减速动作进行预测,能够提高Q-learning算法的控制精度,对汽车的运动控制更加稳定。通过仿真实验模拟了汽车在匀速和加减速工况下的运动控制效果,实验结果表明,提出的算法与传统Q-learning和Deep Q-learning算法相比,跟车速度和跟车距离的平均误差和平均标准差明显更小,速度控制曲线更加平滑。

异质车辆队列系统参数化协同预测巡航控制

针对网联条件下异质车辆队列的协同巡航控制问题,提出一种参数化协同预测控制算法。首先,根据纵向车辆队列的运动学关系建立系统状态空间模型,通过反馈线性化将其转化为线性模型;其次,考虑车辆在行驶过程中的安全性、舒适性和燃油经济性等性能指标,结合系统约束条件来定义有限时域最优控制问题,为降低在线求解最优控制问题的计算量,引入阶梯式控制策略,将预测时域内的控制输入变化量参数化,设计预测巡航控制器并分析闭环系统的稳定性、抗干扰性和跟踪性能;最后,通过仿真验证设计算法的有效性。