一种采用复合模型预测控制器的自适应巡航控制方法

技术领域

本发明涉及自动驾驶电动汽车控制领域，尤其涉及一种采用复合模型预测控制器的自适应巡航控制方法。

背景技术

自适应巡航控制是自动驾驶汽车的关键功能之一，根据本车与前车之间的间距及相对速度等信息，通过控制本车加减速调整纵向速度，使本车与前车保持合适的间距，其性能将直接影响车辆在行驶过程中的安全性。自动驾驶汽车作为一个复杂的综合系统，其车载电脑需要同时处理感知、规划、通信、控制等多种信息，分配给各个功能模块的算力有限，而目前各类基于最优化方法的自适应巡航控制器需要矩阵分解等大量复杂计算，占用大量算力；常规的自适应巡航系统侧重于单一性能指标，未综合考虑跟踪性能、安全性、舒适性和经济性等相关因素；相较于燃油汽车，电动汽车的续航里程偏短，常规的自适应巡航控制系统通常忽视能量管理，不利于提升能量利用效率。

发明内容

为了解决上述技术问题，本发明的目的是提供一种采用复合模型预测控制器的自适应巡航控制方法，能够实时计算车辆期望纵向加速度，调控前后两车间距，并实现制动能量回收。

本发明所采用的第一技术方案是：一种采用复合模型预测控制器的自适应巡航控制方法，包括以下步骤：

根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式；

基于自适应巡航系统工程模式，结合车辆运动状态信息，输出车辆期望纵向加速度；

根据车辆期望纵向加速度，结合车辆自然减速过程中的加速度-速度关系，确定电机工作模式；

根据电机工作模式确定车辆纵向动力学模型，并结合车辆期望纵向加速度计算期望电机转矩，得到控制信号。

进一步，所述车辆运动状态信息包括本车纵向速度、本车纵向加速度、前车纵向速度、前车纵向加速度和本车与前车间的距离，所述道路信息包括道路坡角。

进一步，所述根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式这一步骤，其具体包括：

根据车辆运动状态信息计算最小安全距离，并结合道路信息确定自适应巡航系统工作模式；

所述自适应巡航系统工作模式包括巡航模式和跟车模式。

进一步，所述基于自适应巡航系统工程模式，结合车辆运动状态信息，输出车辆期望纵向加速度这一步骤，其具体包括：

判断到自适应巡航系统工程模式为巡航模式，选择单神经元PID控制器并以期望巡航速度与实际纵向速度之差为输入，得到车辆期望纵向加速度；

判断到自适应巡航系统工程模式为跟车模式，选择基于离散SDNN的增量式MPC控制器并以本车与前车间的距离、前车相对本车的速度、本车纵向速度、本车上一时刻的纵向加速度为输入，构建目标函数并结合运动学约束，迭代求解得到车辆期望纵向加速度。

进一步，选择单神经元PID控制器，车辆期望纵向加速度的表达式如下：

上式中，u(k)表示期望纵向加速度，K为增益系数，x

进一步，电机工作模式信号的表达式如下：

上式中，s

进一步，所述根据电机工作模式确定车辆纵向动力学模型，并结合车辆期望纵向加速度计算期望电机转矩，得到控制信号这一步骤，其具体包括：

判断到电机电机工作模式为原工作模式，保持原逆向动力学模型，以车辆期望纵向加速度和纵向速度为输入，得到期望电机转矩；

判断到电机电机工作模式为驱动控制模式，采用逆驱动模型，以车辆期望纵向加速度和纵向速度为输入，得到期望电机转矩；

判断到电机电机工作模式为制动控制模式，采用逆制动模型，以车辆期望纵向加速度和纵向速度为输入，得到期望电机转矩；

将期望电机转矩与实际电机转矩相结合，输出控制信号并对电机进行转矩控制。

进一步，采用逆驱动模型，期望驱动转矩的公式表示如下：

上式中，所述T

本发明方法的有益效果是：本发明能够控制车辆加减速调整纵向速度和前后两车间距，并实现制动能量回收。另外，相较于常规的基于最优化方法的自适应巡航控制系统中常用的数值解法，本发明使用的离散SDNN在求解二次规划问题时具有相对较低的计算复杂度，尤其适用于资源有限的嵌入式平台。

附图说明

图1是本发明一种采用复合模型预测控制器的自适应巡航控制方法的步骤流程图；

图2是本发明具体实施例中前后两车关系示意图；

图3是本发明具体实施例中离散SDNN迭代求解期望纵向加速度的执行框架图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

如图1所示，本发明提供了一种采用复合模型预测控制器的自适应巡航控制方法，该方法包括以下步骤：

S1、根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式；

具体地，所述车辆运动状态信息包括本车纵向速度、本车纵向加速度、前车纵向速度、前车纵向加速度和本车与前车间的距离，所述道路信息包括道路坡角。

根据运动状态信息，计算期望纵向距离，其表达式具体为：

上式中，所述d

根据运动状态信息，计算最小安全距离，其表达式具体为：

上式中，所述d

S1.1、根据车辆运动状态信息计算最小安全距离，并结合道路信息确定自适应巡航系统工作模式，所述自适应巡航系统工作模式包括巡航模式和跟车模式。

具体地，根据前后两车间距与相对速度，判断本车自适应巡航系统工作模式，输出系统工作模式信号，“0”代表巡航模式，“1”代表跟车模式，其具体表达式为：

上式中，所述s为系统工作模式信号，d为前后两车间距，d

具体地，当前后两车间距及相对速度均大于设定的阈值时，自适应巡航控制系统进入巡航模式，否则，进入跟车模式。

S2、基于自适应巡航系统工程模式，结合车辆运动状态信息，输出车辆期望纵向加速度；

S2.1、判断到自适应巡航系统工程模式为巡航模式，选择单神经元PID控制器并以期望巡航速度与实际纵向速度之差为输入，得到车辆期望纵向加速度；

具体地，选择单神经元PID控制器，车辆期望纵向加速度的表达式如下：

上式中，u(k)表示期望纵向加速度，K为增益系数，x

具体地，中间状态变量的表达式为：

x

其中，e(k)＝v

权重系数通过迭代更新，即：

上式中，所述η

S2.2、判断到自适应巡航系统工程模式为跟车模式，选择基于离散SDNN的增量式MPC控制器并以本车与前车间的距离、前车相对本车的速度、本车纵向速度、本车上一时刻的纵向加速度为输入，构建目标函数并结合运动学约束，迭代求解得到车辆期望纵向加速度。

具体地，根据前后两车间的运动学关系，建立增量式预测方程：

上式中，x(k)＝[d(k)，v

目标优化函数为：

上式中，加权项w

结合安全性和舒适性约束，通过以下二次规划问题求解期望纵向加速度：

min·J

s.t.·max(d

·v

·u

·Δu

上式中，第一项约束体现跟踪性能和安全性，第二项约束体现跟踪性能，后二项约束体现舒适性，Δd

具体地，根据SDNN基本原理，采用一阶前向差分处理得：

其中，ξ为缩放因子，

离散SDNN参数与式(9)中的二次规划参数的对应关系为：

其中，

根据离散SDNN模型得：

其中，P＝W

具体地，基于离散SDNN的模型预测控制算法详细步骤如下：

输入：本车纵向速度v

Step1：采样时刻k＝0。判断是否初始化，若是，进行初始化，跳至Step3；若不是，跳至Step2。

Step2：更新式(7)中的状态变量和输出变量，反馈校正。

Step3：无约束优化，求解解析解：

ΔU

Step4：判断无约束优化解得的解析解ΔU

Step5：设置离散SDNN迭代求解QP的迭代时刻n＝1。

Step6：离散SDNN迭代求解QP。

a)根据离散SDNN模型计算当前迭代时刻的

b)计算相对误差：

其中

c)判断error≤ε

d)n＝n+1，跳至a)；

Step7：获取纵向加速度增量Δu(k)，计算纵向加速度u(k)。

Step8：k＝k+1，跳至Step2。

算法流程图见图3。MPC开机运行时，首先进行初始化，再进入MPC实时控制。该算法可在资源有限的嵌入式平台中求解QP，可通过多核处理器实现并行计算。

S3、根据车辆期望纵向加速度，结合车辆自然减速过程中的加速度-速度关系，确定电机工作模式；

S3.1、根据本车纵向速度，查询车辆自然减速过程的加速度-速度关系表，得到对应的自然减速度；

S3.2、判断车辆期望纵向加速度与自然减速度的相对大小关系，确定电机工作模式，输出电机工作模式信号，“00”代表保持原工作模式，“01”代表驱动控制模式，“10”代表制动控制模式。

具体地，电机工作模式信号的表达式如下：

上式中，s

S4、根据电机工作模式确定车辆纵向动力学模型，并结合车辆期望纵向加速度计算期望电机转矩，得到控制信号。

S4.1、判断到电机电机工作模式为原工作模式，保持原逆向动力学模型，以车辆期望纵向加速度和纵向速度为输入，得到期望电机转矩；

S4.2、判断到电机电机工作模式为驱动控制模式，采用逆驱动模型，以车辆期望纵向加速度和纵向速度为输入，得到期望电机转矩；

具体地，若采用逆驱动模型，期望驱动转矩为：

上式中，所述T

S4.3、判断到电机电机工作模式为制动控制模式，采用逆制动模型，以车辆期望纵向加速度和纵向速度为输入，得到期望电机转矩；

具体地，若采用逆制动模型，期望制动转矩为：

上式中，所述T

S4.4、将期望电机转矩与实际电机转矩相结合，输出控制信号并对电机进行转矩控制。

S4.4.1、若进行驱动控制，以期望驱动转矩和测量的实际电机转矩之差为输入，通过PID控制器进行电机直接转矩控制。

根据荷电状态和制动强度，判断制动模式，即：

上式中，所述s

S4.4.2、若进行制动控制，采用再生制动提高能量利用效率，以期望电机制动转矩和测量的实际电机转矩之差为输入，通过PID控制器进行电机直接转矩控制，电机制动转矩与机械制动转矩结合，进行制动刹车。

具体地，以下分析均针对前轮驱动车型，但对于其他驱动方式依然适用，完全采用再生制动时，再生制动转矩的表达式为：

T

上式中，所述T

再生制动与机械制动结合时，采用模糊控制器求得期望再生制动转矩占期望制动转矩的比例，模糊控制器输入信号的模糊子集分别为：制动强度E(z)＝{L，M，H}，范围为0-1；荷电状态E(SOC)＝{L，M，H}，范围为0-1；本车纵向速度E(v

期望再生制动转矩的表达式为：

T

上式中，所述T

完全采用机械制动时，期望再生制动转矩为T

以期望再生制动转矩和测量的实际电机转矩之差为输入，通过PID控制器进行电机直接转矩控制。

一种采用复合模型预测控制器的自适应巡航控制系统，包括：

系统工作模式选择模块，用于根据车辆运动状态信息和道路信息确定自适应巡航系统工作模式；

加速度计算模块，基于自适应巡航系统工程模式，结合车辆运动状态信息，输出车辆期望纵向加速度；

电机工作模式选择模块，用于根据车辆期望纵向加速度，结合车辆自然减速过程中的加速度-速度关系，确定电机工作模式；

控制信号输出模块，用于根据电机工作模式确定车辆纵向动力学模型，并结合车辆期望纵向加速度计算期望电机转矩，得到控制信号。

上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种采用复合模型预测控制器的自适应巡航控制装置：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上所述一种采用复合模型预测控制器的自适应巡航控制方法。

上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于实现如上所述一种采用复合模型预测控制器的自适应巡航控制方法。

上述方法实施例中的内容均适用于本存储介质实施例中，本存储介质实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。