【技术实现步骤摘要】
一种基于模糊模型预测控制的智能车队纵向跟随控制方法
本专利技术涉及车辆编队控制领域，特别是指一种基于模糊模型预测控制的智能车队纵向跟随控制方法。
技术介绍
近年来，随着智能网联汽车、无人驾驶汽车、车联网等相关技术的迅速发展，车辆编队控制也在朝着更加复杂、更加综合性的方向发展。从简单的PID控制到在单输入单输出系统中表现优异的LQR控制，再到适用于多约束非线性系统的模型预测控制(MPC)等，更多先进的控制理论方法正在逐步应用到车队纵向跟随控制中。模型预测控制方法的主要优点是系统的在线优化，以渐进式的方式实施闭环控制，从而在每个时间步长内解决优化问题，保证控制系统的稳定性和可行性。这使模型预测控制方法能够适应更加符合现实情况的复杂多约束系统。目前很多将模型预测控制应用到车队控制的研究中，建立的模型复杂度高，因此也获得了较为精确的控制目标。但在目标函数的求解中，权重系数均设置为固定值，导致无法适应多变的驾驶环境，不能满足无人车队纵向跟随性和平稳性的目标。因此，有必要对现有的模型预测控制算法进行改进。专利技术...
【技术保护点】
1.一种基于模糊模型预测控制的智能车队纵向跟随控制方法，其特征在于，具体步骤如下：/n第一步，建立车队纵向动力学模型/n单轨纵向车辆模型运动过程可以由以下微分方程描述：/n
【技术特征摘要】
1.一种基于模糊模型预测控制的智能车队纵向跟随控制方法，其特征在于，具体步骤如下：
第一步，建立车队纵向动力学模型
单轨纵向车辆模型运动过程可以由以下微分方程描述：
s、v、a分别代表车辆的纵向位移、车速和加速度；m为车辆总质量，Cd代表气动阻力系数，τ为车辆发动机时间常数，dm为车辆机械阻力；η为发动机控制输入：η＝mades+Cdv2+dm+2τCdva；
ades表示控制系统输出的期望加速度，车辆实际加速度与期望加速度的关系为：
根据运动学模型建立状态空间方程：
y(t)＝Cx(t)；
其中，u＝ades表示系统控制输入为理想加速度，ω代表系统测量的干扰，在本系统中为前车加速度，即ω＝ai-1；x(t)＝[es,ev,ai,vi]为系统状态量es、ev分别表示车队中第i辆车与前车的间距误差和速度误差，ai、vi表示第i辆车的加速度和速度，车队纵向运动学方程为：
es＝si-1-si-th*vi-l-d0
ev＝vi-1-vi
vi＝vi；
th为固定车头时距，l为车辆长度，d0为最小安全距离，A、B、C分别为状态系数矩阵、输入系数矩阵和输出系数矩阵，通过泰勒展开求雅克比矩阵得到：
Bω＝[0100]T；
设定周期T，则离散化状态空间方程：
x(k+1)＝Akx(k)+Buku{k)+Bwk(k)
y(k)＝Ckx(k)；
其中：Ak＝I+AT，Buk＝BuT,Bωk＝BωT，Ck＝diag(1,1,1,1)；
第二步，建立基于模糊模型预测控制方法的纵向跟随控制系统
为了保证舒适性，即加速度变化率不会发生突变，用控制量增量加速度变化率Δu代替控制输入量u,整个控制过程通过控制增量Δu来实现，Δu和u的关系式为：
u(k+j|k)＝u(k+j-1|k)+Δu(k+j|k)；
模型预测控制器根据离散化模型对预测时域Np内的系统输出状态进行预测：
Y(k)＝ψx(k)+θΔU(k)+Fu(k-1)+Gω(k)；
其中，Yk表示控制器在时刻k对未来个Np时域的预测输出，Nc为控制时域，ω(k)代表测量干扰且ω(k)＝ω(k+1)＝…＝ω(k+Np)＝ai-1，
建立带有松弛因子ε的性能指标函数：
其中，Q、R为各控制目标的权重系数矩阵，ρ松弛因子的权重系数；
设定系统偏差：
E(k)＝Yref(k)-Wxx(k)-Wuu(k-1)-Wω(k)；
性能指标函数可转化为标准二次规划函数：
其中，
这里的Wx、Wu、Wω为系数矩阵，
为了保证车队纵向跟随系统的稳定性和舒适性，需要构建加入松弛因子的状态量、控制输入和控制输入增量的约束条件：
其中，ymin/max、umin/max、Δumin/max表示状态输出量，控制输入量以及控制量增量的最值；表示输出量、控制量、控制量增量的上下边界松弛系数；
根据以上步骤，系统求解带有约束的目标函数，得到k时刻系统的控制量增量即理想加速度变化量Δuk，上层控制器输出期望加速度：
ak,des＝ak-1+Δuk；
期望加速度又作为下一步的控制输入量反馈到控制器中，形成闭环控制；
第三步，在上层控制器引入模糊策略，对模型预测控制目标函数中的误差权重系数比例因子进行模糊化处理；
根据驾驶经验，以及车队纵向跟随控制系统对跟随性和平稳性的要求，当车辆间...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。