云支持的分层式车辆队列预测性巡航控制

为了提升队列行驶的经济性,提出了一种高速公路场景下的云支持的队列预测性巡航控制方法(CPPCC),并进行真实道路和车辆数据模型的仿真实验。该方法采用了分层式结构,上层为云端的队列速度规划层,下层为队列稳定控制层。云端的速度规划层,考虑了道路坡度的滚动域的动态规划(RDP)算法,实现队列行驶的经济性目标。下层的车端队列稳定控制层,搭载了分布式模型预测控制器(DMPC),来跟踪云端发送速度,同时考虑了队列的稳定控制。结果表明:与传统的前车与领航车跟随的定速巡航队列(PLF-CC)方法相比,在行驶时间减小0.24%的前提下,本文所提出的方法节省6.04%的能源。

自主网联车辆时滞反馈预测巡航控制

考虑车联网环境下的车辆自适应巡航控制问题,提出一种针对前车信息传输存在有界长时延的自主车辆时滞反馈预测巡航控制策略。首先建立自主网联车辆自适应巡航系统的增量控制时滞模型,再考虑车辆行驶安全性、舒适性和燃油经济性等指标,结合滚动优化原理定义时滞反馈预测巡航控制器。进一步,利用Lyapunov稳定性定理和线性矩阵不等式技术,建立保证自主车辆预测巡航控制系统闭环稳定性的时滞相关充分性条件。最后,通过与PID控制比较仿真验证本文方法的有效性。

基于云控系统的队列预测性巡航与换道决策

为了提高队列行驶的安全性、经济性、高效性和平顺性,提出了基于云控系统的队列预测性巡航与换道决策方法。通过路侧基础设施获取动态交通信息,并上传云平台;云平台利用预测模型估计环境车辆的未来状态;队列采取不同的行为而获得的惩罚体现在设计的目标函数中,通过最小化目标函数实现纵向加速度与横向换道决策的协同优化,并将决策结果发送至车端进行跟踪控制。利用Sumo与Matlab搭建联合仿真环境,设计了不同交通流量下的5组仿真工况。结果表明:对比微观驾驶模型(IDM+MOBIL),采用该方法的队列在巡航时碰撞风险降低42.2%,换道时碰撞风险降低3.41%,平均节油率为1.22%,速度提升0.83%,平顺性提高49.84%,在安全性、经济性、高效性和平顺性方面均优于微观驾驶模型。

基于MBSE的智能汽车信息物理系统建模方法

智能车辆信息物理系统(IVCPS)可以基于道路和车辆信息资源实时控制车辆的运行轨迹,在降低车辆能耗方面具有很大潜力。然而,目前对基于云的预测巡航控制(CPCC)体系结构的研究忽略了体系结构实现和应用的可行性,没有对体系结构的合理性进行验证。为建立IVCPS体系结构与应用验证之间的联系,促进IVCPS多领域、多学科协同设计、联合仿真、系统集成,提出了基于模型系统工程(MBSE)的IVCPS建模方法。首先,构建了IVCPS的整体分层体系结构,明确了各层体系结构的构成要素。然后选择系统建模语言(SysML)作为建模工具,构建了需求-功能-逻辑-参数(RFLP)建模框架。最后,以IVCPS云预测巡航控制系统为例,利用RFLP框架对CPCC系统的需求、功能、逻辑和参数进行建模和分析。模拟结果证明MBSE可以实现对CPCC系统的需求分析、功能分解、逻辑架构设计和系统参数标定进行统一建模,促进CPCC系统理论架构的仿真验证,并能够测试、分析CPCC架构对于智能网联汽车的运行轨迹优化和油耗降低效果。本研究旨在为提高IVCPS系统建模的交互性、可重用性和兼容性奠定基础。