System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能网联汽车控制,特别涉及一种基于hankel特征矩阵的车云协同鲁棒预测控制方法。
技术介绍
1、车云协同决策与控制是提升当下交通安全与效率的重要方式。通常来说,边缘云端负责处理大规模车辆组之间的冲突问题,为保证算法的实时运行,会采用非常理想的车辆质点运动学模型,假设人类驾驶员车辆为理想的跟驰模型,并基于此假设为车辆组规划出期望轨迹。而实际物理场景中的车辆存在非线性特性与执行误差,人类驾驶员车辆的跟驰行为也具有未知和不确定性。若结合车辆组的实际输出特性对云端规划的期望轨迹进行补偿,则车辆组无法精准跟踪上边缘云端的轨迹,进而限制了交通安全性与效率的提升。
2、相关技术中,通过在线辨识参数并进行非线性模型预测控制的方法进行优化控制,但是对于车辆动力学参数和hdv跟驰行为的在线辨识难度较大,且进行非线性模型预测控制的计算实时性差,无法进行边缘云端的在线部署与应用。此外,存在相关技术利用神经网络构建车辆组动力学模型,进行集中式优化,这类方法将车辆的特性隐性表达在海量的超参数中,方法的可解释与迁移性差。
技术实现思路
1、本专利技术提供一种基于hankel特征矩阵的车云协同鲁棒预测控制方法,以解决在车云协同决策控制问题中,云端与车端模型的不匹配、通信延迟、车辆执行迟滞等造成的车辆跟踪误差问题。
2、本专利技术第一方面实施例提供一种基于hankel特征矩阵的车云协同鲁棒预测控制方法,包括以下步骤:步骤1:在边缘云端预先采集预设长度的车辆组历史轨迹wt=co
3、
4、式中,col()为列向量运算符,np为过去时域的长度,nf为未来时域的长度;
5、步骤2:将所述表征车辆组动力学特征的hankel特征矩阵中的输入和输出按照过去和未来时域划分为四个矩阵,分别为过去输入矩阵up、未来输入矩阵uf、过去输出矩阵yp和未来输出矩阵yf,其计算式为:
6、
7、
8、步骤3:基于所述表征车辆组动力学特征的hankel特征矩阵及其分量所述过去输入矩阵up、所述未来输入矩阵uf、所述过去输出矩阵yp和所述未来输出矩阵yf,建立车辆组非线性动力学的表征,其中,所述车辆组非线性动力学的表征为:
9、
10、式中,g为决策变量,(up,yp)为车辆组一条过去的输入输出轨迹,(u,y)为车辆组未来的输入输出轨迹,σu,p,σy,p,σu,f为车辆组非线性动力学模型和控制量误差的松弛因子;
11、步骤4:基于所述车辆组非线性动力学的表征,构建第一优化问题,并将所述第一优化问题转化为第一二次规划问题进行求解,以预测车辆组的未来输出,其中,所述第一优化问题为:
12、
13、式中,g为决策变量,σ为松弛因子,λσ,λg为车辆组动力学模型非线性特征的正则系数,‖·‖为二范数运算符;
14、步骤5:基于所述车辆组非线性动力学的表征,构建满足第一预设约束的第二优化问题,并将所述第二优化问题转化为第二二次规划问题进行求解,得到边缘云最优控制序列,根据所述边缘云最优控制序列和所述车辆组的未来输出对车辆组的未来轨迹进行鲁棒预测控制,使车辆组系统跟踪所述边缘云端下发的期望轨迹,其中,所述第二优化问题为:
15、
16、所述第一预设约束为:
17、
18、
19、式中,g为决策变量,u为未来输入,y为未来输出,σy为过去输出的松弛因子,k为当前时刻,n为总时刻,t为初始时刻,r为边缘云端下发的车辆组期望轨迹,q,r分别为车辆组系统输出y和车辆组控制输入u的加权惩罚,λg,λσ为车辆组动力学模型非线性特征的正则系数,‖·‖为二范数运算符,分别为车辆组控制输入u和车辆组系统输出y的可行域。
20、可选地,所述预设长度的车辆组历史轨迹满足预设持续激励条件,其中,所述预设持续激励条件为:
21、t≥(m+1)·(np+nf+n)
22、式中,t为车辆组历史轨迹的长度,m为车辆组系统输入量u的维度,np为过去时域的长度,nf为未来时域的长度,n为车辆组系统的阶数。
23、可选地,所述步骤4中的第一二次规划问题为无约束二次规划问题,其中,
24、所述无约束二次规划问题的二次项系数p1为:
25、
26、h3=col(up,yp,uf)
27、所述无约束二次规划问题的一次项系数q1为:
28、q1=-h3·h3
29、h3=col(up,yp,u)
30、式中,h3为hankel矩阵分量,λg为车辆组动力学模型非线性特征的正则系数,i为单位矩阵,col()为列向量运算符,up为过去输入矩阵,yp为过去输出矩阵,uf为未来输入矩阵,h3为历史轨迹特征向量,(up,yp)为车辆组一条过去的输入输出轨迹,u为车辆组未来输入。
31、可选地,所述步骤5中第二二次规划问题为带约束的二次规划问题,同时所述带约束的二次规划问题满足第二预设约束,其中,
32、所述带约束的二次规划问题的二次项系数p2为:
33、
34、所述带约束的二次规划问题的一次项系数q2为:
35、
36、所述第二预设约束为:
37、up·g=up
38、式中,qb为状态权重因子,yf为未来输出矩阵,rb为输入权重因子,uf为未来输入矩阵,λg为车辆组动力学模型非线性特征的正则系数,i为单位矩阵,λy为未来输入权重因子,yp为过去输出矩阵,r为参考轨迹,(up,yp)为车辆组一条过去的输入输出轨迹,up为过去输入矩阵,g为决策变量。
39、可选地,所述步骤5在车辆组系统运行过程中,所述边缘云最优控制序列和所述车辆组的未来输出执行预设步长的边缘云规划控制指令,并进行滚动时域,以实现对边缘云期望轨迹的跟踪,其中,边缘云最优控制序列为col()为列向量运算符,t为当前时刻,ut为当前时刻的控制量,nf为未来时域的长度。
40、本专利技术实施例中提出的基于hankel特征矩阵的车云协同鲁棒预测控制方法,将基于车辆组的历史轨迹构建对车辆组动力学的hankel特征矩阵表征,对车辆组的未来轨迹进行鲁棒预测控制,使得车辆组可以精准跟踪边缘云端规划的期望轨迹,以实现车辆安全性和交通效率的综合提升,从而解决了在车云协同决策控制问题中,云端与车端模型的不匹配、通信延迟、车辆执行迟滞等造成的车辆跟踪误差等问题。
41、本专利技术附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本专利技术的实践了解到。
本文档来自技高网...【技术保护点】
1.一种基于Hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于Hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,所述预设长度的车辆组历史轨迹满足预设持续激励条件,其中,所述预设持续激励条件为:
3.根据权利要求1所述的基于Hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,所述步骤4中的第一二次规划问题为无约束二次规划问题,其中,
4.根据权利要求1所述的基于Hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,所述步骤5中第二二次规划问题为带约束的二次规划问题,同时所述带约束的二次规划问题满足第二预设约束,其中,
5.根据权利要求1所述的基于Hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,所述步骤5在车辆组系统运行过程中,所述边缘云最优控制序列和所述车辆组的未来输出执行预设步长的边缘云规划控制指令,并进行滚动时域,以实现对边缘云期望轨迹的跟踪,其中,边缘云最优控制序列为col()为列向量运算符,t为当前时刻,ut为当前时刻的控制量,nf为未来
...【技术特征摘要】
1.一种基于hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,所述预设长度的车辆组历史轨迹满足预设持续激励条件,其中,所述预设持续激励条件为:
3.根据权利要求1所述的基于hankel特征矩阵的车云协同鲁棒预测控制方法,其特征在于,所述步骤4中的第一二次规划问题为无约束二次规划问题,其中,
4.根据权利要求1所述的基于hankel特征矩阵的车云协同鲁棒...
【专利技术属性】
技术研发人员:罗禹贡,石佳,李克强,胡耘浩,李鹏飞,关书睿,周俊宇,赵享,
申请(专利权)人:清华大学,
类型:发明
国别省市:
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。