【技术实现步骤摘要】
智能网联汽车随机模型预测控制实时性优化方法
本专利技术涉及智能网联
，尤其涉及一种智能网联汽车随机模型预测控制实时性优化方法。
技术介绍
随着汽车保有量的持续增长，道路交通拥堵、人车安全和环境污染等问题已经成为人们最为关心的问题，采用智能网联技术可以改善当前交通系统中车辆走走停停的行驶状态，大幅度的提高交通流畅性，因而减少驾驶员行驶时间，提高汽车的燃油经济性，并减轻环境污染。在智能网联环境下，车与车之间可实现实时通信，并能实时获取车辆的车速和位置信息，通过模型预测控制算法优化下一段时间的经济车速。Homchaudhuri等考虑SPAT信息，以车辆队列为对象建立了综合考虑燃油经济性、通行效率、前后车距以及驾驶平稳性的MPC优化模型。但若针对有人驾驶的网联车辆，当驾驶员直接参与或者干涉自动驾驶时，由于驾驶员并不能完全跟随最优的建议车辆状态，驾驶员的实际输出与最优值之间存在一定的随机误差，如果控制系统不做出相应的处理，将会直接影响优化的结果，这是目前MPC模型尚未能解决的问题。Cairano在此基础上考虑了驾驶员误差...
【技术保护点】
1.一种智能网联汽车随机模型预测控制实时性优化方法，其特征在于，包括如下步骤：/nS1：通过实验数据分析法得到服从统计规律的驾驶员误差和对应的概率转移矩阵，通过加速或制动踏板传感器采集驾驶员误差信号；/nS2：基于车联网环境进行车车通信及车与周边交通设施通信，采集跟车距离信息与红绿灯信号信息；/nS3：通过交通信号灯正时获取车辆的目标车速；/nS4：通过控制器的随机模型预测控制算法，应用所述步骤S1中采集到的驾驶员误差和得到的概率转移矩阵以及步骤S3获取的车辆目标车速预测给定时间窗口的最优目标车速序列，并将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优...
【技术特征摘要】
1.一种智能网联汽车随机模型预测控制实时性优化方法，其特征在于，包括如下步骤：
S1：通过实验数据分析法得到服从统计规律的驾驶员误差和对应的概率转移矩阵，通过加速或制动踏板传感器采集驾驶员误差信号；
S2：基于车联网环境进行车车通信及车与周边交通设施通信，采集跟车距离信息与红绿灯信号信息；
S3：通过交通信号灯正时获取车辆的目标车速；
S4：通过控制器的随机模型预测控制算法，应用所述步骤S1中采集到的驾驶员误差和得到的概率转移矩阵以及步骤S3获取的车辆目标车速预测给定时间窗口的最优目标车速序列，并将最优目标车速序列通过无线传输形式反馈给每辆车的驾驶员，驾驶员根据最优目标序列车速进行加速或者制动；
S5：在一个预测窗口内，利用蒙特卡罗算法确定下一时刻的随机误差，简化SMPC求解，得到最优车速预测序列并自动将当前SMPC时间窗口的控制变量更新为下一个SMPC时间窗口的预设变量，之后返回步骤S1继续执行，直至全时段所有的目标车辆的对应的最优目标车速计算完毕。
2.根据权利要求1所述的智能网联汽车随机模型预测控制实时性优化方法，其特征在于，步骤S1中以汽车的纵向加速度误差表征驾驶员误差，在实验场采集服从统计规律的驾驶员误差us，如公式1)，以及误差转移的概率，并生成概率转移矩阵Te，如公式2)。
。
3.根据权利要求1所述的智能网联汽车随机模型预测控制实时性优化方法，其特征在于，步骤S3中获取汽车目标车速，包括如下步骤：
S31：建立考虑驾驶员误差的汽车纵向动力学模型，如公式3)；
式3)中，uia为汽车实际加速度；uii为汽车理想加速度；uie为考虑驾驶员误差的系统随机加速度；vi为第i辆车的车速；Mi为第i辆车的整车质量；Afi为第i辆车的迎风面积；ui为第i辆车单位质量的牵引力或制动力，即加速度；xi为第i辆车的状态变量，即控制变量；Δt为一个仿真时间步长；
S32：为避免汽车在红灯停车,根据交通信号灯正时获取目标车速，基于交通信号灯正时，建立汽车目标车速求解模型，如公式4)，式4)中，vihb为目标车速范围上限；vilb为目标车速范围下限；t为汽车行驶的总时间；tr为红灯持续时间；tg为绿灯持续时间；tc为一个信号灯循环的周期；dia为第i辆车到前方交通信号灯a的距离；Kw为tc的整数倍；在这里交通信号灯以红灯开始，且当t为tc的整数倍时，Kw的数值增加1。
。
4.根据权利要求1所述的智能网联汽车随机模型预测控制实时性优化方法，其特征在于，步骤S4预测给定时间窗口的最优目标车速序列，...
【专利技术属性】
技术研发人员：钱立军，陈亮亮，陈健，刘峰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34
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。