车辆预测巡航控制方法、装置、电子设备和存储介质制造方法及图纸

本公开提供的车辆预测巡航控制方法、装置、电子设备和存储介质，本公开建立了考虑道路坡度信息，且以车辆速度、发动机转矩和车辆纵向位置作为状态变量，以发动机目标转矩作为控制变量的车辆动力学模型，并建立了以车辆速度、发动机转矩作为状态变量的油耗模型；基于综合考虑了车辆驾驶经济性、目标车速跟随和舒适性为代价函数的最优控制问题，以深度神经网络为载体，通过离线学习训练获得最优的控制策略，并在线应用最优控制策略，实现节能型预测巡航控制。本公开能够满足不同预测时域的求解实时性，保证行程时效性的同时改善了燃油经济性，并改善了求解方法对不同行驶速度和道路工况的适用范围。况的适用范围。况的适用范围。

【技术实现步骤摘要】
车辆预测巡航控制方法、装置、电子设备和存储介质


[0001]本公开涉及智能驾驶辅助
，特别涉及车辆预测巡航控制方法、装置、电子设备和存储介质。

技术介绍

[0002]全球化石燃料短缺形势严峻，且商用车燃油成本占运营成本比例高。传统商用车巡航控制一般只考虑保持车速恒定，忽略道路和交通等信息的影响。这导致车辆在遇到道路坡度起伏的工况下，为了维持车速恒定，产生不节能的驾驶行为。如在上坡时急加速，下坡时急减速等。预测巡航控制方法通过考虑前方道路坡度信息，允许车速在一定范围内波动，并充分利用自车的动能和道路的势能，能够有效避免不经济的驾驶行为。然而，目前预测巡航控制方法大多采用模型预测控制(Model Predictive Control,MPC)滚动时域优化求解，导致算法计算效率低、实时性难以保证。而且，采用MPC求解，计算时间会随着预测时域的增大而增长，不利于探索更优的控制策略。对于商用车而言，车载控制器须同时处理许多其他任务，用于控制任务的计算资源是十分有限的，而且对于经济节能性的期望较高。

技术实现思路

[0003]本公开旨在至少在一定程度上解决相关技术中的技术问题之一。
[0004]为此，本公开第一方面实施例提供的可实现节能型预测巡航控制高效求解的车辆预测巡航控制方法，包括：
[0005]建立考虑道路坡度信息，且以车辆速度、发动机转矩和车辆纵向位置作为状态变量，以发动机目标转矩作为控制变量的车辆动力学模型；建立以车辆速度、发动机转矩作为状态变量的油耗模型；
[0006]建立预测时域内以燃油经济性、目标车速跟随和舒适性为代价函数的最优控制问题，通过优化控制变量最小化代价函数，所述最优控制问题满足车辆动力学约束和车辆性能约束；
[0007]构建神经网络，以当前车辆速度与目标车速的偏差和预测时域内的道路坡度信息作为所述神经网络的输入，以最优控制策略作为该神经网络的输出，对所述神经网络进行离线训练，得到训练完毕的神经网络；
[0008]对训练完毕的神经网络进行在线应用，以控制车辆预测巡航。
[0009]本公开第一方面实施例提供的车辆预测巡航控制方法，具有以下特点及有益效果：
[0010]本公开第一方面实施例提供的车辆预测巡航控制方法，该方法通过获取前方道路坡度信息，以燃油经济性、目标车速跟随和驾驶舒适性为目标构建最优控制问题，基于所构建的最优控制问题，以神经网络为载体对最优控制问题进行学习型求解。本公开方法综合考虑了车辆驾驶经济性、目标车速跟随和舒适性，能够满足不同预测时域多目标预测巡航控制的求解实时性，具体地，与MPC求解方法相比，本公开方法在保证有相同的节油性能和
抵达行程目的地时效性能的前提下，能够显著提高预测巡航控制问题的单步求解计算效率，单步求解时间低至10ms以下，且求解时间与预测时域的大小无关；此外，本公开方法通过离线训练神经网络得到的控制策略对不同的速度工况和道路工况具有泛化能力，改善了现有预测巡航控制方法对不同行驶速度和道路工况的适用范围，本公开方法可实现商用车自主节能减排的重要目标。
[0011]在一些实施例中，所述最优控制策略为发动机目标转矩。
[0012]在一些实施例中，建立的所述车辆动力学模型为：
[0013][0014]其中，v
t
是t时刻的车辆纵向速度；是t时刻的发动机转矩；x
t
是t时刻的车辆纵向位置；i
g
是变速箱齿轮速比；i0是主减速器比；η
T
是传动系统的机械传动效率；M是车辆质量；r
w
是车轮有效滚动半径；C
D
是风阻系数；A是车辆迎风面积；ρ是空气密度；g是重力加速度；f是道路滚动阻力系数；α
t
是t时刻的道路坡度信息，可以通过车辆纵向位置查询提前录制的道路地图查表计算得到；是t时刻的发动机目标转矩；τ
eng
是发动机动态时间常数；ΔT是离散单步时间步长。
[0015]在一些实施例中，建立的所述油耗模型为：
[0016][0017]其中，为建立的所述油耗模型；为油耗模型拟合系数；n为拟合采用的多次函数的最高次数，l∈[1,n]，m∈[1,l]。
[0018]在一些实施例中，建立的所述最优控制问题为：
[0019][0020]其中，α
t
为预测时域内t时刻的道路坡度信息；N
p
为预测时域的大小；分别为燃油经济性、目标车速跟随和舒适性的惩罚系数；v
tar
为目标纵向车速；为目标纵向车速；为t时刻发动机目标转矩的增量。
[0021]在一些实施例中，所述神经网络的架构是全连接神经网络，包括依次连接的输入层、隐藏层和输出层，所述隐藏层的激活函数采用elu，所述输出层的激活函数采用tanh激活函数映射到[
‑
1,1]范围内，再乘以增益加上偏置转换到所述控制变量的范围。
[0022]在一些实施例中，对所述神经网络进行离线训练，包括：
[0023]利用随机梯度下降法，基于历史反馈回报信息，以最小化代价函数为目标，自主更新神经网络参数，其中，定义代价函数V
π
(θ)为在整个状态空间上对预测时域内的回报函数总和的期望，表达式如下：
[0024][0025][0026]式中，s
t
为预测时域内t时刻的观测，即神经网络的输入；为预测时域内t+i时刻至N
p
+t+i
‑
1时刻范围的道路坡度信息；π(
·
；θ)为参数化的神经网络策略，表征了神经网络的输入到输出的映射关系，θ为神经网络的参数；
[0027]通过不断学习训练，直到代价函数的变化量收敛于设定的误差上限，得到训练完毕的神经网络。
[0028]本公开第二方面实施例提供的车辆预测巡航控制装置，包括：
[0029]模型建立模块，用于建立考虑道路坡度信息，且以车辆速度、发动机转矩和车辆纵向位置作为状态变量，以发动机目标转矩作为控制变量的车辆动力学模型；并建立以车辆速度、发动机转矩作为状态变量的油耗模型；
[0030]最优控制问题建立模块，用于建立预测时域内以燃油经济性、目标车速跟随和舒适性为代价函数的最优控制问题，通过优化控制变量最小化代价函数，所述最优控制问题满足车辆动力学约束和车辆性能约束；
[0031]神经网络构建及训练模块，用于构建神经网络，以当前车辆速度与目标车速的偏差和预测时域内的道路坡度信息作为该神经网络的输入，以最优控制策略作为该神经网络的输出，对神经网络进行离线训练，得到训练完毕的神经网络；
[0032]控制模块，用于对训练完毕的神经网络进行在线应用，以控制车辆预测巡航。
[0033]本公开第三方面实施例提供的电子设备，包括：
[0034]至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；
[0035]其中，所述存储器存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆预测巡航控制方法，其特征在于，包括：建立考虑道路坡度信息，且以车辆速度、发动机转矩和车辆纵向位置作为状态变量，以发动机目标转矩作为控制变量的车辆动力学模型；建立以车辆速度、发动机转矩作为状态变量的油耗模型；建立预测时域内以燃油经济性、目标车速跟随和舒适性为代价函数的最优控制问题，通过优化控制变量最小化代价函数，所述最优控制问题满足车辆动力学约束和车辆性能约束；构建神经网络，以当前车辆速度与目标车速的偏差和预测时域内的道路坡度信息作为所述神经网络的输入，以最优控制策略作为该神经网络的输出，对所述神经网络进行离线训练，得到训练完毕的神经网络；对训练完毕的神经网络进行在线应用，以控制车辆预测巡航。2.根据权利要求1所述的车辆预测巡航控制方法，其特征在于，所述最优控制策略为发动机目标转矩。3.根据权利要求1所述的车辆预测巡航控制方法，其特征在于，建立的所述车辆动力学模型为：其中，v
t
是t时刻的车辆纵向速度；是t时刻的发动机转矩；x
t
是t时刻的车辆纵向位置；i
g
是变速箱齿轮速比；i0是主减速器比；η
T
是传动系统的机械传动效率；M是车辆质量；r
w
是车轮有效滚动半径；C
D
是风阻系数；A是车辆迎风面积；ρ是空气密度；g是重力加速度；f是道路滚动阻力系数；α
t
是t时刻的道路坡度信息，可以通过车辆纵向位置查询提前录制的道路地图查表计算得到；是t时刻的发动机目标转矩；τ
eng
是发动机动态时间常数；ΔT是离散单步时间步长。4.根据权利要求3所述的车辆预测巡航控制方法，其特征在于，建立的所述油耗模型为：其中，为建立的所述油耗模型；为油耗模型拟合系数；n为拟合采用的多次函数的最高次数，l∈[1,n]，m∈[1,l]。5.根据权利要求4所述的车辆预测巡航控制方法，其特征在于，建立的所述最优控制问题为：其中，α
t
为预测时域内t时刻的道路坡度信息；N
p
为预测时域的大小；β,γ分别为燃油
经济性、目标车速跟随和舒适性的惩罚系数；v
tar
为目标纵向车速；为目标纵向车速；为t时刻发动机目标转矩的增量。6.根据权利要求1所述的车辆预测巡航控制方法，其特征在于，所述...

【专利技术属性】
技术研发人员：李升波，张发旺，殷玉明，谷子青，成波，郑四发，李克强，
申请(专利权)人：清华大学，
类型：发明
国别省市：