【技术实现步骤摘要】
本专利技术涉及智能交通，具体是一种基于自触发管道模型预测控制(tubemodel predictive control，tube mpc)的混合车辆队列控制方法。主要针对混合车辆队列的通信冗余问题展开研究，设计出基于自触发tubempc的混合车辆队列控制方案。通过设计优化问题，将触发间隔时间直接包含在目标函数中，使控制输入和触发间隔时间共同优化，在保证控制性能的同时，极大地降低了系统的通信资源浪费。
技术介绍
1、随着经济的快速发展，交通堵塞、交通安全、交通污染等问题层出不穷，车辆队列控制成为研究热点。车辆队列控制是通过车载传感器和车车通信保证车辆近距离稳定跟驰，进而实现道路通行效率和燃油经济性的提升。现有研究已经证实，有效的车辆队列控制可以提高交通安全性，降低交通能耗及污染。国内外研究中，现有车辆队列控制多面向完全智能网联交通环境，控制车辆对象均为自动驾驶车辆(cav)。但真实的交通环境是复杂的，由于在交通系统中cav的渗透率将长期保持不饱和状态，人工驾驶车辆与自动驾驶车辆混合分布是现实交通环境的必经阶段。同时，人工驾驶车辆(hdv)存在难以预测的不可控性和强随机性，面向完全智能网联交通环境的车辆队列控制方法不能直接处理含有hdv的车辆队列，hdv的不可控性和强随机性会影响队列行车安全。针对由自动驾驶车辆构成的车辆队列控制方法不适用于真实的交通环境，因此，研究针对混合车辆队列的控制方法是必要的。
2、模型预测控制算法(mpc)是实现混合车辆队列控制常用的方法，该方法善于处理有约束的多输入多输出系统，其滚动时域预测的
3、现有研究证实，针对上述提到的模型误差，tubempc控制策略可以有效解决模型失配问题。首先通过前馈控制为名义系统规划其在预测时域内的最优轨迹，然后通过闭环反馈控制将混合队列中所有车辆的实际状态约束在tube正不变集内，最终使其收敛至系统的终端状态约束集，从而实现混合车辆队列鲁棒协同控制。
4、近年来，针对多智能体系统的非周期性控制可以分为事件触发控制和自触发控制两大类，事件触发机制需要邻居间保持连续通讯进行信息交换，来计算触发时刻，由于不必要通讯的存在，系统通讯负担较重。与事件触发控制相比，自触发控制策略根据当前时刻采集的信息，直接预测下一触发时刻，在两个触发时刻之间不需要获取邻居信息，避免了对事件触发函数的周期性检测，有效减少控制器的更新次数，有效节约系统的通信与计算资源。
5、本研究针对降低混合车辆队列的通信频率展开，创新性地将自触发与管道模型预测控制相结合，设计出基于自触发tubempc的混合车辆队列控制方案。将名义系统控制输入和触发间隔时间作为决策变量，设计自触发mpc优化问题，将触发间隔时间直接包含在目标函数中，使控制输入和下一个触发时刻共同优化，实现自触发控制。智能体在当前触发时刻接收邻居的状态估计信息与输出估计误差以用于计算下一触发时刻。为了使系统与控制器之间的通信最小化，在每个采样时刻直到下一个采样时刻的时间间隔都作为优化问题的解决方案的一部分计算，在两个触发时刻之间，不获取邻居信息，系统在下一个采样时刻之前的输入为前一采样时刻的控制输入，有效降低系统的通信次数，减少系统的通信资源浪费。为了保证在所有可能的干扰下满足状态约束和输入约束，设计龙伯格观测器，进而求解状态估计误差和控制误差的鲁棒正不变集，使得混合车辆队列可以克服模型失配带来的消极影响，仍然能保证编队行驶的安全性。
6、综上，目前针对混合车辆队列，还没有一种考虑自触发机制的管道模型预测控制方法通过减少触发采样控制器的计算更新，降低系统的通信频率，缓解了控制器的计算负担，减少了通信资源浪费，并且与在周期采样控制器控制下的系统相比几乎没有任何性能损失。
技术实现思路
1、本专利技术的目的是提供一种新的混合车辆队列控制方法，该方法通过设计自触发机制来预测未来通信的触发时刻，从而减少车辆状态的采样次数，并避免智能体之间的连续通信，降低通信的频率，减少优化问题计算次数，从而缩减在线优化时间。通过自适应采样间隔控制和通信网络资源调度，实现无冲突传输。
2、为达到上述目的，本专利技术提供了如下技术方案：
3、一种基于自触发tube mpc模型预测控制的车辆队列控制方法，其特征在于：
4、包括以下步骤
5、步骤1：建立混合车辆队列的数学模型
6、步骤1.1混合车辆队列数据表示
7、本专利技术研究的混合车辆队列为随机排布，队列共包含m辆车，由l辆自动驾驶车辆和m-1辆人工驾驶车辆组成，cavs之间可以通过v2v、v2i等方式实现车辆动态信息的共享，而hdvs的动态信息也可以通过路测设备获得。因此，本文采用的随时间演变的混合车辆队列的数据集合可以表示为，
8、
9、其中，vi和hi分别为第i辆车的跟车速度和跟车间距。混合车辆队列在第k时刻的状态被定义为为实数集，t为矩阵转置符号。pi，k＝[hi，k，vi，k]t，i＝1，...，m。hi，k表示第k时刻第(i-1)辆车和第i辆车之间的车间距，vi，k为第i辆车的车速。混合车辆队列在k时刻的控制量定义为ui，k表示k时刻作用于第i辆自动驾驶车辆的控制输入，即加速度。
10、步骤1.2建立混合车辆队列离散状态空间模型
11、xk+1＝axk+buk (1.2)
12、控制目标为通过对cavs的控制使整个混合车辆队列达到期望状态，即平衡状态车辆速度、车间距达到预期。考虑建模误差，引入误差项wk，将混合车辆队列模型更新为：
13、xk+1＝axk+buk+wk (1.3)
14、本专利技术基于koopman算子理论建立系统模型，根据koopman算子理论，实际系统状态xk映射到高维空间表示为sk，提升状态sk与实际状态xk的关系可以被描述为sk＝ψ(xk)，其中ψ(x)为koopman算子理论中的提升函数。进而得到混合车辆队列的线性模型为：
15、
16、sk＝ψ(xk) (1.5)
17、系统矩阵a、控制矩阵b可通过求解最优问题得到，1为自动驾驶车辆数量，n为提升状态的维度。映射矩阵c可以通过最小二乘法得到，a、b、c参数计算遵循扩展动态模式分解算法(edmd)，不属于专利技术重点，不作赘述。
18、步骤1.3建立混合车辆队列增量模型
19、由于本专利技术基于增量模型设计控制器，将物理模型转换成增量模型是必要的本文档来自技高网...
【技术保护点】
1.基于自触发管道模型预测控制的混合车辆队列控制方法，其特征在于：包括以下步骤：
【技术特征摘要】
1.基于自触发管道模型预测控制的混合车辆...
【专利技术属性】
技术研发人员：张利国，王淑齐，詹璟原，陈丽同，
申请(专利权)人：北京工业大学，
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。