【技术实现步骤摘要】
本专利技术属于智能交通领域，具体涉及一种车车协同的强化型模型预测规划控制方法。
技术介绍
1、智能汽车信息物理系统(intelligentvehicle cyber-physical systems,ivcps)是cps在交通领域的具体应用。ivcps是一套交通赛博空间与物理空间之间基于数据自动流动的状态感知、实时分析、科学决策、精准执行的闭环赋能体系，具有多实体、异构、开放、闭环、涌现性、演进性的特征。它的目的是在智能汽车内和车外构建一个智能化的生态系统，通过信息感知、信息传输、信息处理和信息应用等技术手段，实现人、车、路、云之间的高效、智能、安全互联互通。ivcps可实现异构信息系统(广义)和物理系统间安全可靠的协同与互操作，支持智能汽车可靠、高效、实时的感知与决策控制，促进交通的安全性、高效性、环保性。
2、在交通系统预测巡航局部规划控制问题中，模型预测规划控制被认为是比许多其它控制方法更好的选择，因为它能够实时更新预测交通态势与滚动优化处理最优控制问题(ocp)中的预测信息和约束条件。
3、然而，在智能网联汽车预测巡航控制系统中使用模型预测控制方法的大多数现有研究仍处于理论阶段，且具有一定的时空局限性，其中持续的关键主观问题是车载硬件条件与解决优化问题的巨大计算负担之间的冲突。但由于众所周知的车辆-道路动力学研究，模型预测规划控制(mppc)是自动驾驶汽车制导中精确轨迹规划的绝佳工具，这在危险驾驶情况下能够发挥重要作用。
4、因此，如何研究出一套系统地模型规划控制(mppc)成为本领域
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种车车协同的强化型模型预测规划控制方法。本专利技术旨在解决现有方法具有时空局限性，优化问题存在巨大计算负担，难以系统处理交通约束的问题。
2、本专利技术提供了一种车车协同的强化型模型预测规划控制方法，包括以下步骤：
3、s1.对受控多时空尺度系统进行建模，用于在预测范围内预测系统输出；基于预测模型，利用反馈信息对多时空尺度系统模型和初始状态值进行修正；
4、s2.在滚动时域优化中确定优化周期，并利用性能指标、多要素约束与面向系统级全局规划求解指令设计最优控制问题；基于预测的系统输出来优化预测范围内的潜在规控输入序列，直至在预测中获得期望的规控结果；
5、s3.求解最优规控序列，并在系统中获取整个规控序列应用于多时空尺度系统的第一步实际应用，并且预测范围向前移动一步；在后续每段时空域优化过程中，重复上述控制输入求解过程；
6、s4.在后续每段时空域优化过程中，通过解析器解析单元级规控序列，求解转换为底层控制单元输入，对重点车辆运输行驶过程进行精确调控。
7、进一步，所述步骤s1中，在安全性需求、重点车辆运行能力、交通边界的约束限制下，imppc通过在线解决以下优化问题，旨在提升重点车辆在变化交通流内部的安全稳定性、对交通流变化的适应性与生态驾驶性能：
8、
9、subjectto:δx(k)∈[δxmin(k),δxmax(k)]
10、
11、式中，j代表imppc规控求解器的成本函数；x(k)表示第k辆重点车辆状态；u(k)表示第k辆车反馈控制输入；ue(k)表示第k辆车规控输入。
12、进一步，所述imppc规控求解器成本函数的计算表达式如下：
13、
14、式中，第一项和第二项表示重点车辆状态跟踪给定目标值的偏差；第三项表示车辆油耗；第四项表示制动扭矩的消耗；n表示预测步长；rref表示参考状态量；q表示系数矩阵；f表示系数矩阵；ρ表示空气密度；ε表示松弛因子；ve表示车辆运行速度；vref表示参考的速度信息；l表示与前车车间距；lref表示参考的车间距信息；表示油耗率；δdis表示空间间隔；tbrake表示制动扭矩；q1，q2为预测区间内的加权参数；f1，f2为终端误差处的加权参数；r1，r2为用于调解重点车辆输入所占权重的加权参数；np是预测区间；
15、简化imppc规控求解器成本函数为适合qp法的目标函数，得到：
16、
17、式中，表示输入矩阵；表示状态矩阵；d表示扰动；表示扰动；g表示输入矩阵；c1表示常数矩阵；c2表示常数矩阵。
18、进一步，所述步骤s1中，增添了额外的安全性限制条件：
19、重点车辆与前车的车间距应满足：
20、lmin(k+i|k)≤l(k+i|k)≤lmax(k+i|k)
21、式中，lmin(k+i|k)代表最小纵向车间距；lmax(k+i|k)代表最大纵向车间距；
22、
23、
24、式中，为数据驱动预测模型所得到的交通流预测速度；t为车头时距；cmin与cmax为自适应车间距参数。
25、进一步，所述步骤s2包括以下子步骤：
26、s2.1采用在线滚动信息域优化的迭代更新方法，即规划控制求解器在每个预测范围内使用时变预测模型，并在区间内更新模型；
27、s2.2求解单元级交通局部规控问题的最优解；
28、首先基于状态空间系统建立imppc的预测与控制模型；
29、然后，在每个单位区间内求解使得成本函数最小化的各状态序列，作为重点车辆预测巡航云控制的最优规控序列。
30、有益效果：
31、1、本专利技术提出了一种车车协同的强化型模型预测规划控制方法，与现有的微观和宏观交通模拟模型相比，能更系统地处理交通施加的约束。
32、2、本专利技术提出了一种车车协同的强化型模型预测规划控制方法，在后续每段时空域优化过程中，通过解析器解析单元级规控序列，求解转换为底层控制单元输入，对重点车辆运输行驶过程进行精确调控，极大地提升了重点车辆在变化交通流内部的安全稳定性、对交通流变化的适应性与生态驾驶性能。
33、本专利技术的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究，对本领域技术人员而言将是显而易见的，或者可以从本专利技术的实践中得到教导。本专利技术的目标和其他优点可以通过下面的说明书来实现和获得。
本文档来自技高网...【技术保护点】
1.一种车车协同的强化型模型预测规划控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车车协同的强化型模型预测规划控制方法，其特征在于：所述步骤S1中，在安全性需求、重点车辆运行能力、交通边界的约束限制下，IMPPC通过在线解决以下优化问题，旨在提升重点车辆在变化交通流内部的安全稳定性、对交通流变化的适应性与生态驾驶性能：
3.根据权利要求2所述的一种车车协同的强化型模型预测规划控制方法，其特征在于：所述IMPPC规控求解器成本函数的计算表达式如下：
4.根据权利要求3所述的一种车车协同的强化型模型预测规划控制方法，其特征在于：所述步骤S1中，增添了额外的安全性限制条件：
5.根据权利要求4所述的一种车车协同的强化型模型预测规划控制方法，其特征在于：所述步骤S2包括以下子步骤：
【技术特征摘要】
1.一种车车协同的强化型模型预测规划控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种车车协同的强化型模型预测规划控制方法，其特征在于：所述步骤s1中，在安全性需求、重点车辆运行能力、交通边界的约束限制下，imppc通过在线解决以下优化问题，旨在提升重点车辆在变化交通流内部的安全稳定性、对交通流变化的适应性与生态驾驶性能：
3.根据权...
【专利技术属性】
技术研发人员：林景栋，谭博文，廖孝勇，唐博文，张洪杨，周俞辰，
申请(专利权)人：重庆大学，
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。