数据驱动的混合车辆队列鲁棒控制方法技术

本发明专利技术公开了数据驱动的混合车辆队列鲁棒控制方法，通过采用扩展动态模态分解(EDMD)算法逼近无限维Koopman算子，建立混合纵向车辆队列的线性模型。与已有的相关工作不同，我们在数据驱动的线性模型中引入了模型失配误差。其次，采用管道模型预测控制(TubeMPC)方法设计自动驾驶车辆的鲁棒控制器，使队列中所有车辆的实际状态轨迹被约束在以标称轨迹为中心的管道中，达到有界稳定。最后，通过数值仿真验证了所设计的数据驱动建模方法和TubeMPC控制器的有效性，结果表明该方法能够克服模型失配误差等不确定性的影响，实现快速高效的闭环控制。控制。控制。

【技术实现步骤摘要】
数据驱动的混合车辆队列鲁棒控制方法


[0001]本专利技术涉及车联网应用
，具体涉及一种数据驱动的混合车辆队列的鲁棒控制方法，用于实现对混合车辆队列中智能网联自动驾驶车辆的鲁棒控制，以保障交通安全和提高通行效率。

技术介绍

[0002]汽车保有量的增加对道路容量、交通安全和通行效率提出了更高要求，随着科技的进步，智能网联车辆技术的出现为解决各种交通问题带来了新方法，它是实现道路安全、绿色节能的重要手段。智能网联车辆的出现及快速发展可以极大地改变全部由人驾驶车组成的交通流的固有属性，提高道路的使用率，并能有效避免碰撞事故的发生。在未来较长一段时间内，道路上很可能是由传统人工驾驶车辆(HDV)和智能网联自动驾驶车辆(CAV)组成的混合车辆队列。考虑到人的随机驾驶特性以及HDV和CAV之间相互作用的不确定性，交通环境将会更加复杂，这将给队列建模和控制带来巨大挑战。因此，如何在传统人工驾驶与网联自动驾驶共存情况下控制CAV并提高混合车辆队列的安全性，将是亟需解决的重要研究课题。
[0003]CAV作为混合车辆队列的可控部分，现有研究大多采用模型预测控制(MPC)在每个时间步(如0.1秒)重新规划CAV轨迹。模型预测控制被广泛应用于CAV运动控制，它可以对车辆状态实时预测并处理各种约束。然而很多对CAV控制方面的研究中采用的是传统MPC方法，没有考虑各种现实情况导致的模型失配等不确定性的影响。虽然不确定性通常假设在一个时间步长有界，但它可以随着预测时间范围的增加而累积。如果对CAV进行控制而不对累积的不确定性进行抑制，就会导致CAV状态(例如车间距和速度)偏离其计划状态轨迹，从而导致控制性能缓慢、过于保守，还可能违反系统约束，如安全性、稳定性。在这种情况下为CAV设计一个具有鲁棒性的控制器至关重要。
[0004]本专利技术提出了一种数据驱动的管道模型预测控制(Tube MPC)方法，创新性地将扩展动态模式分解算法(EDMD)与Tube MPC结合起来解决混合车辆队列的建模与控制问题，其目标是通过对CAV的控制使整个队列达到期望状态，使混合车辆队列稳定并且具有鲁棒性。本专利技术提出的控制方法的最大不同之处在于：数据驱动的车辆鲁棒控制策略能够充分应对车队行驶过程中的意外情况，抑制各种不确定性因素带来的负面影响，能够实现快速高效的闭环控制。

技术实现思路

[0005]本专利技术提出了一种数据驱动的混合车辆队列的鲁棒控制方法。该方法通过设计包含前馈控制和反馈控制的控制框架，前馈控制为标称系统规划最优轨迹，通过反馈控制使实际系统与标称系统的状态跟踪误差保持在最小鲁棒正不变集内，最终驱使车辆的实际状态趋近于期望状态，使混合车辆队列达到最终的期望行驶效果。相比于传统MPC控制方法，本专利技术在抑制车队行驶过程中的不确定性因素的同时，保障了交通安全，提高了道路的占
用率。
[0006]本专利技术旨在基于扩展动态模式分解算法为混合车辆队列系统建模，进而设计Tube MPC控制器对混合车辆队列中的CAV进行控制，具体实现步骤如下：
[0007]步骤一、采集交通数据
[0008]由于数据驱动的建模算法基于混合车辆队列的车辆状态数据，所以在图1所示的混合交通场景中使用MATLAB工具仿真获得所需的混合车辆队列状态数据。混合车辆队列中的HDV采用IDM驾驶策略，CAV用反馈控制器进行简单控制使其满足安全性要求，在MATLAB平台进行仿真得到足够多的车辆状态数据。获得的一组顺序的随时间演变的交通队列数据快照集合可以表示为：
[0009]{x
1,1
,x
2,2
,
…
,x
n,m
}(1)
[0010]其中x
i,k
＝[p
1,k
…
p
n,k
]T
∈R
2n
，p
i,k
＝[h
i,k v
i,k
]T
，h
i,k
代表了在k时刻第i辆车与前车的车间距，v
i,k
代表了在k时刻第i辆车的车速，m则代表了时间序列。
[0011]步骤二、对混合车辆队列系统建立数学模型
[0012]本专利技术采用扩展动态模式分解算法对混合车辆队列系统进行建模。为了利用上个步骤获得的交通数据为系统进行建模，首先将混合车辆队列的数据写成如下矩阵的形式：
[0013]X＝[x1,x2,
…
,x
K
‑1]T
[0014]X
+
＝[x2,x3,
…
,x
K
]T (2)
[0015]U＝[u1,u2,
…
u
K
‑1]T
[0016]首先构造提升函数Ψ(x)将系统原始状态提升到高维空间，提升函数的构造最好借鉴已知的混合车辆动力学的基础模型，根据混合车辆队列中传统驾驶员控制车辆的驾驶策略，提升函数构造为：
[0017][0018]通过提升函数将系统原状态投影到高维空间，得到对应的数据快照：
[0019][0020]然后可通过求解最优化问题求得系统矩阵A、B，
[0021][0022]得到这个问题的解析解为：
[0023][0024]矩阵C可以通过最小二乘法得到：
[0025][0026]求解上述代数问题很容易求得系统矩阵A、B、C。但是研究的混合车辆队列中的车辆数有限，一般设置为几辆到几十辆，即使将维度提升，X
lift
仍是一个矮胖矩阵，即列数超
过行数，为了减少计算资源消耗，计算法向方程求解矩阵A和B是更有益的。法向方程为：
[0027]M＝[A B]V
ꢀꢀ
(8)
[0028]其中
[0029][0030]即可很容易求出近似系统矩阵A、B，进而得到不确定性为0对应的混合车辆队列的线性模型：
[0031][0032]考虑到通过(3)得到(9)的推导可能会带来建模误差，将会导致：
[0033][0034]其中ε
i
是显式或隐式有界的，i＝1,...,N+2n。将[ε
1 ε2ꢀ…ꢀ
ε
N+2n
]T
定义为w，然后得到考虑模型失配带来的混合车辆队列的线性模型为：
[0035][0036]由于本专利技术设计的控制器是基于增量模型的，所以将物理模型(12)转换成增量模型是必要的。车辆的平衡控制量是0为已知的，车辆平衡状态不能被预先确定，即u
*
＝0，As
*
‑
s
*
≠0，总建模误差为As
*
‑
s
*
+w＝[μ
1 μ2ꢀ…ꢀ
μ
N+2n
]T
，记为其中μ
i
显式或隐式有界，对于所有i∈{1,2,...,2n}本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.数据驱动的混合车辆队列鲁棒控制方法，其特征在于：包括如下步骤，步骤1，构造提升函数，基于数据驱动的建模算法将混合车辆队列系统的非线性特性提升至高维线性空间，得到混合车辆队列系统的全局高维线性化表示，即混合车辆队列系统的全局线性化模型；步骤2，基于混合车辆队列系统的全局线性化模型设计Tube MPC控制器；首先设计Tube MPC控制框架的反馈控制部分，通过选取权重矩阵系数，建立和求解一个离散线性二次型问题来求解反馈矩阵，通过反馈控制动态地减小实际状态与标称状态之间的偏差；步骤3，设计Tube MPC控制框架的前馈控制部分，将混合车辆队列系统的状态约束及控制约束进行收紧，首先找到包含混合车辆队列系统的鲁棒正不变集，对混合车辆队列系统的原始状态量与控制量的取值范围进行收缩，并将收缩结果作为标称系统的状态量与控制量的取值范围；基于标称系统模型和高维线性空间中的状态变量来进行滚动优化，学习得到混合车辆队列系统当前时刻的近似最优预测控制序列；步骤4，根据当前时刻的近似最优预测控制序列得到实际控制率；将当前时刻的实际控制率应用于混合车辆队列系统以更新混合车辆队列系统的状态，得到混合车辆队列系统下一时刻的状态量，然后对该状态量进行映射处理将其更新至高维线性空间中的状态变量后重复步骤3
‑
4。2.根据权利要求1所述的数据驱动的混合车辆队列鲁棒控制方法，其特征在于：参考混合队列中人驾驶车辆的车辆控制策略构造提升函数，基于扩展动态模式分解算法为混合车辆队列系统建立线性模型；人驾驶车辆的动力学模型为：辆队列系统建立线性模型；人驾驶车辆的动力学模型为：式中，表示车辆i的跟车间距的导数，代表车辆i的速度的导数，a表示车辆的最大加速度，b表示车辆的舒适减速度，表示车辆可以达到的最大速度，s0表示最小停车距离，T
i
表示车辆i的最小跟车时距，δ表示加速度指数，通过调节上述参数表征不同HDV的跟驰动态的差异性；参考混合车辆队列系统中的HDV的动力学模型来构造提升函数；将式(1)展开并且合并同类项得到下式：其中b1,b2,b3,b4,b5是常系数，i＝1,
…
,m，(2)式中具有5个非线性形式，由于混合车辆队列系统状态量x只包括每辆车的速度和间距，只依据队列系统状态量x只包括每辆车的速度和间距，只依据这四个非线性形式来组成提升函数；由系统状态本身以及上述四个非线性项构造提升函数为3.根据权利要求2所述的数据驱动的混合车辆队列鲁棒控制方法，其特征在于：基于扩
展动态模式分解算法为混合车辆队列系统建模，基于数据驱动建模指的是通过采集混合车辆队列系统的数据来将混合车辆队列系统的非线性特性提升至高维线性空间，通过系统辨识逼近全局线性化模型；在动力学特性未知时，使用扩展动态模式分解算法对系统的模型进行有限逼近，从混合车辆队列系统的数据样本集中计算出控制系统的全局线性化模型，建立了全局线性化模型；使用扩展动态模态分解算法获得系统的线性模型采用三个步骤：第一步，构造提升函数将混合车辆队列中各车的测量状态提升到高维空间，不提升...

【专利技术属性】
技术研发人员：张利国，陈丽同，詹璟原，邓恒，贾童，张笑，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：