一种基于参数在线辨识的智能汽车协同编队节能控制方法技术

本发明专利技术公开了一种基于参数在线辨识的智能汽车协同编队节能控制方法

【技术实现步骤摘要】
一种基于参数在线辨识的智能汽车协同编队节能控制方法


[0001]本专利技术属于智能驾驶领域，具体涉及一种基于参数在线辨识的智能汽车协同编队节能控制方法
。

技术介绍

[0002]近年来，随着对环境保护和能源消耗的关注不断增加，电动汽车作为清洁能源交通工具受到了广泛的关注和推广
。
为了进一步提高电动汽车的能源利用效率，自适应巡航节能控制成为了一个热门的研究方向
。
这种技术旨在利用先进的控制策略，根据路况
、
交通情况和车辆状态等因素，实现电动汽车的智能化巡航控制，以达到最佳的能源消耗和行驶性能
。
[0003]然而，电动汽车的自适应巡航节能控制也面临着挑战
。
电动汽车的能量管理受到电池状态
、
电机效率
、
车辆负载等多个因素的影响，同时路况的多变性也增加了控制的复杂性
。
因此，传统的固定控制策略难以充分适应这些变化，需要更加灵活智能的方法
。
参数辨识技术是一种数据驱动的方法，它可以根据车辆实际的性能和运行数据，实时地更新参数估计值
。
在电动汽车的自适应巡航节能控制中，参数辨识技术可以帮助控制系统更好地适应电池的状态变化
、
电机的效率变化以及路况的变化，从而实现更加精准的安全控制和节能控制
。
基于参数辨识的智能汽车自适应巡航节能控制方法具有重要的研究价值
。
通过实时估计关键参数，该方法可以优化巡航控制策略，提高电动汽车的能源利用效率和安全性，为可持续的电动交通出行做出贡献
。
因此，本专利技术基于理论研究，提出了一种基于参数在线辨识的智能汽车协同编队节能控制方法
。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提出一种基于参数在线辨识的智能汽车协同编队节能控制方法
。
相比于其他方法该方法考虑了惯性参数的实时辨识，能够有效地保证数据的实时性和准确性，主要利用模型预测控制，能够有效地提高车辆队列的燃油经济性，并保证车辆队列的内部稳定性和弦稳定性
。
[0005]为了解决上述技术问题，本专利技术的技术方案为：
[0006]一种基于参数在线辨识的智能汽车协同编队节能控制方法，包括如下步骤：
[0007]步骤
S1、
基于无迹卡尔曼滤波辨识获取车辆惯性参数；
[0008]步骤
S2、
基于辨识参数建立电动汽车的三阶动力学模型和功率模型并设计分布式自适应滑模控制器；
[0009]步骤
S3、
确定控制目标；
[0010]步骤
S4、
构建基于模型预测控制的车队参考轨迹优化问题，实现巡航节能控制
。
[0011]本专利技术具有以下的特点和有益效果：
[0012]本专利技术相比于其他控制方法，考虑了惯性参数的实时辨识，能够有效地保证数据的实时性和准确性，主要利用模型预测控制，能够有效地提高车辆队列的燃油经济性，并保
证车辆队列的内部稳定性和弦稳定性
。
附图说明
[0013]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图
。
[0014]图1为本专利技术一种基于参数在线辨识的智能汽车协同编队节能控制方法的实施流程图；
[0015]图2为本专利技术实例中车队的跟随情况结果图；
[0016]图3为伯德图；
[0017]图4为车辆行驶路段示意图
。
具体实施方式
[0018]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合
。
[0019]在本专利技术的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位
、
以特定的方位构造和操作，因此不能理解为对本专利技术的限制
。
此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量
。
由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征
。
在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上
。
[0020]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通
。
对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术中的具体含义
。
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例
。
基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围
。
[0022]本专利技术提供了一种基于参数在线辨识的智能汽车协同编队节能控制方法，具体步骤如下：
[0023]步骤一：基于无迹卡尔曼滤波辨识获取车辆惯性参数；
[0024]根据车辆传感器采集获得惯性参数
τ
i
，并确定无迹卡尔曼滤波器的观测量
。
根据无迹卡尔曼滤波器和所述观测量进行迭代求解，得到所述车辆的惯性参数辨识量
。
[0025]将系统进行离散化，无迹卡尔曼滤波算法流程为：
[0026]令状态向量
x
k
＝
[p
i
(k) v
i
(k) a
i
(k)]，进一步获得：
[0027][0028]z
k
为量测向量，
f(
·
)
为系统状态函数，
h(
·
)
为系统观测函数
。w
k
为零均值
、
协方差为
Q
k
的不相关高斯白噪声
。g
k
为零均值
、
协方差为
R
k
的不相关高斯本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，包括如下步骤：步骤
S1、
基于无迹卡尔曼滤波辨识获取车辆惯性参数；步骤
S2、
基于辨识参数建立电动汽车的三阶动力学模型和功率模型并设计分布式自适应滑模控制器；步骤
S3、
确定控制目标；步骤
S4、
构建基于模型预测控制的车队参考轨迹优化问题，实现巡航节能控制
。2.
根据权利要求1所述的一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，步骤
S1
具体实现如下：根据车辆传感器采集获得惯性参数
τ
i
，并确定无迹卡尔曼滤波器的观测量；根据无迹卡尔曼滤波器和所述观测量进行迭代求解，得到所述车辆的惯性参数辨识量；将系统进行离散化，无迹卡尔曼滤波算法流程为：令状态向量
x
k
＝
[p
i
(k) v
i
(k) a
i
(k)]
，进一步获得：
z
k
为量测向量，
f(
·
)
为系统状态函数，
h(
·
)
为系统观测函数
。w
k
为零均值
、
协方差为
Q
k
的不相关高斯白噪声；
g
k
为零均值
、
协方差为
R
k
的不相关高斯白噪声；以比例修正堆成策略选取
sigma
点，然后在非线性高斯滤波理论框架下，利用
UT
变换近似非线性函数的后验均值和方差；初始状态估计和估计方差为：由
k
时刻的状态估值和估计方差
P
k|k
，得到
2n+1
个
sigma
采样点
σ
和相应的权值和得到下一步状态预测的均值和方差：其中，
f(
σ
)
为非线性状态函数
。
经过非线性量测函数传递得采样点估计值：经过非线性量测函数传递得采样点估计值：为更新后的采样点；预测下一时刻的均值方差
P
zz,k+1|k
以及协方差
P
xz,k+1|k
为：
其中，根据
k+1
时刻得量测值
z
k+1
，求得滤波增益
K
k+1
，
k+1
时刻状态估计和估计方差为：
3.
根据权利要求2所述的一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，步骤
S2
具体方法如下；步骤
2.1
建立车辆纵向动力学模型；步骤
2.2
建立电动汽车的功率模型；步骤
2.3
设计分布式自适应滑模控制器
。4.
根据权利要求3所述的一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，步骤
2.1
具体方法如下；车辆动力学表示为：车辆动力学表示为：车辆动力学表示为：车辆动力学表示为：其中，
p
i
，
v
i
，
a
i
，
u
i
分别为电动汽车
i
的位置
、
速度
、
加速度和控制输入，
F
d,i
(t)
，
F
r,i
(t)
分别为
t
时刻作用于车辆上的实际驾驶和制动过程中受到的力和阻力；
θ
i
＝
1/M
i
，
M
i
为车辆质量；
χ
为输入时延；
τ
i
为惯性参数，自适应辨识获取；车辆间距
d
i
(t)
定义为：
d
i
(t)
＝
p
i
‑1(t)
‑
p
i
(t)
‑
L
i
其中，
L
i
是车辆
i
的长度
。5.
根据权利要求4所述的一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，步骤
2.2
具体方法如下；
电动汽车的输出功率
P
i,e
(t)
表示为：其中
η
i,t
和
η
i,r
分别是电动汽车的机械传输效率和能源制动回收效率，
F
i
(t)
为牵引力
。6.
根据权利要求5所述的一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，步骤
2.3
具体方法如下；分布式滑模面：
K
是设计参数，
l
为第
l
辆车；设计分布式滑模控制器：其中，
N
i
为通信集合，为自适应参数，权重系数
γ
决定了滑模面的收敛速度；其中，参数要满足以下的自适应算法：其中
,q
i
为与自适应速度相关的权重系数
。7.
根据权利要求6所述的一种基于参数在线辨识的智能汽车协同编队节能控制方法，其特征在于，步骤
S3
具体方法如下：跟随车辆
i
的位置误差和速度误差定义为：其中
d
表示相邻车辆之间的期望间距；步骤
...

【专利技术属性】
技术研发人员：颜成钢，陈曦妍，翟春杰，陈慧勤，尹克，王博，陈楚翘，丁贵广，付莹，郭雨晨，赵思成，孙垚棋，朱尊杰，王帅，高宇涵，王鸿奎，赵治栋，殷海兵，张继勇，李宗鹏，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：