基于数据驱动的人机混驾多车协同控制算法

针对多车协同控制系统中,传统控制算法需要准确获取系统中与驾驶员驾驶行为相关的参数以及与车辆系统动力学相关参数等问题,提出基于数据驱动的自适应动态规划控制算法。以有人与无人驾驶车辆混行的多车协同控制系统为研究对象,通过分析系统的横纵向控制模型,推导出系统状态方程,采用递推数值方法在线逼近最优解,并通过对最优反馈控制矩阵进行优化求解,得到最优控制输入。该算法简化了系统的控制输入参数,仅仅利用V2X通信获得的车辆的前轮转角以及车辆期望的纵向加速度作为控制输入,即可实现无人驾驶车辆的优化控制。基于Carsim和Simulink进行联合仿真测试验证,结果表明,该算法控制参数简单、收敛速度快、控制精度高、适应性强,能够控制无人驾驶车辆在多车系统中保持期望的车速并且与前车保持期望的车间距,同时在任意曲率道路上行驶时与车道中心线之间的横向误差趋于0。

城市非信控多交叉路口多车协同控制方法

为解决城市非信控多交叉路口环境的道路通行效率与车辆燃油经济性的协同优化问题,基于车路协同技术提出了一种多车协同控制方法。首先,建立了多层递阶分布式协调控制架构,包括宏观交通优化层和微观车辆队列控制层,分别对每个交叉路口子区域进行集中式优化控制和对每个车辆队列进行分布式优化控制。最后,针对12个典型非信控交叉路口,利用MATLAB/SUMO软件进行联合仿真,并与现有常用的多交叉路口多车协同控制方法进行对比分析,结果表明,所提出的方法平均行程时间缩短约57.99%,平均速度提升约29.76%,同时降低约13.66%的能耗,实现了道路交通效率和车辆燃油经济性的同时提升。

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。

快速路合流区智能网联混合交通组队策略

文中基于混合交通组队策略,针对合流区车辆合流特性,构建混合交通流环境下的合流区多车协同决策机制.搭建混合交通合流仿真环境,验证多车协同方法有效性.结果表明:与匝道自由合流控制相比,文中提出的方法在当网联车辆渗透率高于40%~60%时,车辆平均行驶时间的优化率增幅加快,随着渗透率增高,效果最高改善了22.42%,且总平均延误、总冲突数分别减少了14.5%、21.1%,匝道延误平均减少了36.3%.