文摘

大多数现有的连接和自动车辆纵向控制策略(骑士)不清楚适应性没有科学分析的关键参数控制算法。提出了最优纵向均匀骑兵排的控制策略。首先,骑兵排模型常数的车头时距缺口战略和常数间距差距策略,分别建立了基于三阶线性车辆动力学模型。然后,线性二次最优控制器设计考虑行车安全的视角,效率,和三个性能指标包括车辆行驶舒适间隙误差,相对速度,所需的加速度。一种改进的粒子群优化算法优化加权系数用于控制器状态和控制变量。基于Matlab / Simulink仿真实验模拟,分析结果表明,该策略可以显著减少误差和相对速度的差距,提高排的灵活性和主动性控制策略与实现策略。灵敏度分析通信延迟和致动器提供滞后为了证明这个建议策略的适用性和有效性,从而实现更好的系统性能分布。

1。介绍

城市化进程的发展,交通需求和机动车辆的数量已经大大增加,和交通供给和需求之间的矛盾越来越严重,导致一系列的社会问题,如交通拥堵(1,2),环境污染3,4),事故频率(5- - - - - -8),和能源浪费9,10]。信息采集的优势,感知、响应时间、和交互行为,连接和自动车辆(骑士)预计将提高微程序级的交通流特征,从而提供一种有效的方法来解决问题,如交通拥堵和交通安全11- - - - - -13]。自适应巡航控制系统(ACC)是一个重要的技术在骑士和ACC车辆纵向控制可以获得实时状态信息(位置、速度、加速度等)通过前面的车载探测设备的加速度优化算法保持恒定的差距对前面的车辆14]。ACC系统的作为一个更复杂的形式,合作车辆自适应巡航控制系统(中国)可以通过vehicle-to-vehicle积极与前面的车辆(V2V)通信技术来协调他们的速度改变排形式,让他们跟着前面的车辆安全缺口较短(15]。中国商用飞机有限责任公司经营战略成功的概率会增加个人CACC车辆加入排。一旦形成,骑兵排的策略也可以帮助保持排操作在一个高速公路走廊。然而,有许多因素影响中国商用飞机有限责任公司系统的应用效果,其中最关键的是间距策略和控制算法。在实现大规模领域的实车测试之前,有必要研究不同间距的影响策略和控制算法的性能CACC系统为了提高中国商用飞机有限责任公司系统的理论,促进其技术的推广。

在车辆纵向控制的过程中,合理的间距控制策略的关键之一是确保高安全,车辆稳定性和满意的道路容量。近年来,各种控制策略被提出,它主要分为恒定间隔差距(CSG)策略,不断的车头时距差距(玻纤)策略,和可变的车头时距差距(VTG)策略。CSG战略表明,车辆总是保持一个常数与前面的车辆(车辆间的距离16,17]。由于其结构简单和低应用困难,这是第一次应用在高速公路环境中相对较少的干扰(18]。然而,CSG策略对车辆速度的变化,适应性差排稳定复杂多变的驾驶环境。为了解决这些不足,一些策略的差距随驾驶环境提出,如CTG和VTG战略策略。CTG策略指的是常数时间进展之间的车和前面的车通过不断调整车辆状态下的速度(19]。随着进一步的研究,公司战略的灵活性和稳定性,像CSG策略,无法满足复杂交通系统的需求(20.]。因此,一些VTG策略的时间进展可以改变交通流环境吸引了研究人员的注意。与车辆速度的影响,适当考虑加速度,和相对速度的变化,不同时间的进展,Yanakiev和Kanellakopoulos21)提出了一个变量进展策略,证明了提出的策略可以保证排稳定。此外,一些变量的车头时距策略提出了不同的驾驶行为,如知觉、判断和操作(22,23]。

民模式,很大程度上需要考虑各种因素如舒适、安全、车辆稳定性、交通容量和能耗除了考虑安全稳定控制策略之间的车和前面的车。从最优控制的角度,合理有效的控制算法的设计是中国商用飞机有限责任公司系统设计的另一个研究热点。合理有效的控制算法的设计从最优控制的角度是另一个中国商用飞机有限责任公司研究领域的焦点。目前,理论和方法应用于车辆的中国商用飞机有限责任公司模式系统包括古典比例积分微分(PID)控制、模型预测控制(MPC)和人工神经网络和线性二次(LQ)控制。中国商用飞机有限责任公司系统的非线性特征,应用PID实现自动调整的性能指标参数24]。通过控制策略,如预测模型、滚动优化和反馈校正,MPC可以同时考虑多个控制目标和约束,这有利于会议的多个控制要求在汽车驾驶(25]。MPC是模型结构的缺点是太复杂。人工智能的方法主要包括模糊控制和人工神经网络。这个想法是建立关系的输入(车辆位置、速度、加速度等)和输出(期望加速度、角等)通过样本训练方法。设计结构简单的优点,应用条件成熟的算法,硬件要求低,模型结构的缺点是很难描述的。LQ算法,也称为线性二次算法,是一种基于二次型性能指标最优控制律来获取状态线性反馈,实现闭环最优控制。其优势并不限于具体的模型结构和它的设计是灵活的。缺点是控制性能取决于状态变量和输入变量的权重矩阵,而这些选择是主观,缺乏客观的描述。

实现PID或LQ最优收益算法,使用了一系列的智能优化算法,如遗传算法(GA)和粒子群优化(PSO)的方法。GA与其他优化方法相比,PSO记忆令人满意的解决方案在所有粒子每次进化后不考虑以前的知识,所以它吸引了越来越多的关注为解决复杂的优化问题。Sowjanya和斯26]给出的最优PID控制器的发展构成控制系统使用算法技术。陈等人。27)使用动态粒子群优化发展的最优策略两变量能源管理,在混合动力电动汽车换档。结果表明,相对于基线情况下,提出优化策略时带来了优越的性能应用于混合动力能量管理和传输控制。拉赫曼et al。28)调查的使用加速粒子群优化(阿普索犬)方法开发实时和大规模优化分配权力。与标准粒子群优化考虑充电时间和电池容量,皮犬的方法可以实现一些改进的最好的健身和计算时间。上述研究表明,PSO是一个可靠的工具,设计一个最优策略,它可以超越其他进化算法(27]。

骑兵排的纵向控制策略复杂,尤其是关键参数的不确定性,有必要开发计算高效的算法来找到最优的解决方案。本文的目标是设计一个最优控制器考虑车辆纵向动力学所涉及的关键参数选择。最优控制是由考虑到设计参数不确定性的动力学模型表达的排一个三阶线性车辆模型。然后制定最优连作为一个线性二次最优控制问题,在最优期望加速度生成最小化代价函数。最优控制器调节排所需的加速度来最小化代价函数代表安全,效率,和安慰,限速,加速度范围和最小间距。此外,一种改进的粒子群优化算法(IPSO)用于优化加权系数的状态变量和输入变量。所设计的控制策略是灵活的以这样一种方式,它可以应用于该齐次控制连以不变的间距的车头时距差距,差距。

本文的其余部分的结构如下。第二节介绍了系统模型为常数的车头时距和常数与骑士排间距差距。第三节提出了一个线性二次最优控制器和一种改进的粒子群优化算法。第四节设计仿真实验来验证提出的控制器的性能,讨论了骑兵排在不同控制策略下的仿真结果。最后,结论和建议在交付第五节。

2。动力学模型

首先,介绍了一个骑兵动力学模型,然后骑兵排动力学模型常数的车头时距和常数间距的策略下建立的差距。

2.1。单车动力学模型

与单个车辆动力学建模过程,假设一辆车在路上,旅行 , , ,和表示车辆长度、位置、速度和加速度的车辆。根据牛顿第二定律的运动学、动力学方程的一个车辆列出如下: 在哪里表示车辆的质量 , 表示车辆的引擎产生的动力, , ,和表示级电阻、机械阻力和空气动力阻力,分别表示气动阻力系数。

车辆引擎模型可以被认为是一个一阶滞后系统表达的(29日] 在哪里表示车辆引擎时间系数,表示节流命令输入 和 分别代表输入功率和制动输入。

利用反馈线性化控制律(30.),方程中的非线性模型(1)可以作为一个一阶滞后系统线性化表示 在哪里表示加速度所需的车辆 。

常数的车头时距差距的策略下,控制目标是使主体车辆的速度与前面一致并维持一个恒定的时间进展;也就是说, ,在哪里是理想的差距,所需的时间进展,在停滞的最小差距。一个车 ,描述系统状态的差距错误,前面的车辆相对速度,加速度和实际;也就是说, ;和控制变量被定义为 。 之间的偏差是真正的空间差距 和期望的差距前面的车辆;也就是说, 。 是前面的车辆相对速度。

根据之前的系统状态和控制变量的定义,一个三阶模型是用来表达车辆纵向动力学模型所示(31日] 在哪里 , , , ,和系统的外部干扰,是指前面的车辆的实际加速度在这篇文章中。

恒间距差距的策略下,控制目标是维护所需的空间主题车辆之间的差距和前面的车辆 ;这是 ,在哪里是所需的空间差距。与CTG策略相比,CSG策略表达式的变化调整间隙误差;也就是说, 。因此,单一的CSG动力学模型方程表达的策略仍然可以(4)和(5),它只需要设置 。

2.2。排动力学模型

对于均匀骑兵排系统 车辆,可以被定义为系统状态变量 ,可以被定义为控制变量 ,和干扰可以被定义为 ,在哪里是前面的车辆的实际加速度 。对于每一个齐次骑兵车辆在这排系统,它适用于单车动力学模型。因此,矩阵形式均匀骑兵排系统动力学模型可以表示 在哪里

3所示。排设计最优控制器的操作

在本节中,一个线性二次最优控制器开发确定控制命令通过最小化运行成本函数。

3.1。连控制配方

采用集中式控制方法的控制器设计骑兵排,信息收集和计算,所有的追随者的领袖骑兵排,然后期望的加速度是广播的追随者。自排动力学模型是线性的,线性二次最优控制器设计优化骑兵排操作的性能。目标是使排来获得更好的性能的驾驶安全,效率,和乘坐舒适,这是减少错误的差距,相对速度,期望加速度反映物理量(31日]。控制器用于全面考虑各性能指标的权重系数。成本函数所示

在方程(9), , ,和表示车辆间隙误差的加权系数,相对速度,和理想的加速度,分别 代表一个时间范围。

除了目标性能指标,系统的状态和控制变量也应受到限制。列出现有的约束如下:(1)速度限制: (2)差距约束: (3)加速度约束: (4)其他约束:自从汽车位置的准确的反馈信息,速度,和实际获得的加速度是通过车载传感器和V2V沟通。接收到的状态实际上是测量时间吗 。它是制定如下: 在哪里 , , ,和表示的上下边界的速度和加速度,分别在沟通反馈延迟。

为了方便之后的表达式和计算,成本函数调整矩阵的形式,列出的表达式如下: 在哪里

可以计算所需的排系统的加速度 在哪里是最优控制反馈增益矩阵。当车辆参数值和确定加权系数的值,可以通过求解黎卡提微分方程: 在哪里是黎卡提微分方程的解决方案(17)。

最后,获得了最优控制的反馈增益矩阵;也就是说, 。

3.2。参数优化

在方程(9)和(14)- (17),可以看出,目标系统的性能完全取决于加权系数的选择 , ,和 。在之前的设计,加权系数通常是通过重复试验,使最优控制律缺乏理论和客观。在本节中,采用一种改进的粒子群优化算法优化控制器的加权系数。

算法是一种智能优化算法基于鸟类的捕食行为,群优化的特点。然而,基本PSO算法容易陷入局部优化,收敛速度慢。因此,IPSO算法引入优化控制器的权重系数。这个想法是使用非线性函数乙状结肠动态调整惯性因子,算法可以达到很好的平衡在全球和当地的空间32]。在优化过程中,粒子的速度和位置在搜索空间,确定改进的迭代更新公式如下: 在哪里表示粒子的位置,表示粒子的速度,表示惯性因子,和表示加速常数,和表示[0,1]之间的一个随机数,表示粒子的最佳位置搜索到目前为止,表示整个粒子群迄今为止最好的位置,表示线性变化系数,表示适应度函数值的变化。

控制器参数优化的过程使用IPSO如图1,IPSO算法的流程如下:步骤1。初始化粒子群。的位置和速度所有粒子都是随机生成的,和和确定。步骤2。计算每个粒子的适应度值和比较它的健身价值和健身价值的最优位置有经验的粒子。如果它是好的,把它作为当前 。步骤3。对每个粒子,比较它的适应度值和健身价值的最优位置经历了整个粒子群。如果它是好的,把它作为当前 。步骤4。更新粒子的速度和位置根据方程(18)- (20.)。第5步。如果终止条件(最大迭代次数或适应值的下限)不满足,然后返回到步骤(2);否则,退出算法和输出最优解。

4所示。仿真实验设计

4.1。模拟的场景

为了验证该方法的有效性,与均匀骑兵排系统 这个案例研究选择车辆,跟着一个外生头车,如图2。V2V之间的通信采用每个骑兵。为方便起见,所有车辆长度,所需的进展,和最小差距停滞是相同的。

4.2。结果分析

验证的好处使用IPSO排的最优控制器,采用不同的策略进行比较:CTG策略:进展所需的时间 (33)和加权系数 , ,和 (31日]CSG策略:进展所需的时间 ,所需的空间差距 ,和加权系数 , ,和 CTG-IPSO策略:进展所需的时间 和加权系数值空间(0.1,100)CSG-IPSO策略:进展所需的时间 ,所需的空间差距 ,和加权系数值空间(0.1,100)

在仿真实验中,模拟周期是50年代。阶跃函数是用来描述外生头车辆的加速度,这始于一个初始速度25米/秒,减慢−4 m / s²从10到12个年代,然后加速1 m / s²从27到35年代。其他时段,它的加速度是0 m / s²。控制器的参数设置如下: , , , , , , , =−5 m / s², 。IPSO算法,参数设置如下: , ,粒度是50,和最大迭代是100。

确保结果的稳定性,CTG-IPSO和CSG-IPSO控制器的模拟运行10次,和优化过程如图3。每个方案的仿真结果如表所示1和数字4- - - - - -7。在图3时,该算法已经收敛的迭代次数小于15代。这也表明,使用改进的粒子群优化算法的控制器具有良好的可行性。在这个时候,CTG-IPSO控制器的加权系数 , ,和 ;总成本是143.8;CSG-IPSO控制器的加权系数 , ,和 ;总成本是193.0。图中所描绘的一样4- - - - - -7和价值观的成本表1外生的头车减慢或加速时,所有控制器控制命令来减少错误的相对速度和差距减少成本和解决新的平衡,一定时间后的成本是零。此外,第一辆车的行为是对外源性头车的变化更敏感。自实际加速度的变化顺序从第一个车的最后一辆车,最大绝对误差相对速度和差距的第四届汽车小于第一车。为此,他们可以确保字符串稳定。

为了描述定量性能指标的变化,均方根值的性能指标分析骑兵排考虑单一CAV的性能指标。分析结果如表所示2和图8。

从表可以看出2CTG-IPSO控制器的总成本下降了10.0%,实现CTG控制器,其中相对速度降低8.3%,实际加速度相对误差的差距下降了3.3%,增加了3.0%。实现CSG控制器相比,CSG-IPSO控制器的总成本下降了34.1%,其中车辆间隙误差减少69.3%,结合实际加速度相对速度下降了73.2%,增加了1.5%。它可以从总成本和性能的变化,本文设计的控制器对不同控制策略有一定的好处。

图中所描绘的一样8(一个)和8 (b)、车辆间隙误差和相对速度为每个控制器减少车辆数目的增加订单。CTG和CTG-IPSO缓慢的下降趋势,而减少的趋势CSP和CSP-IPSO控制器是戏剧性的。从图可以看出8 (c)的实际加速度CTG和CTG-IPSO控制器与订单数量的增加,大幅减少,但CTG-IPSO控制器比玻纤。的实际加速度CSG-IPSO和CSG控制器维持在0.9 m / s²。这是因为,车头时距差距策略不变的条件下,所需的车辆间距不再是固定但变化线性变化的车辆速度。此时,领先的汽车的位置和速度信息下面是独立的汽车。主题汽车只需要保持一个常数时间进展与前面的车辆,它也可以维护系统的安全性和稳定性较低加速度。

4.3。关键参数的敏感性分析

滞后的三个特征的车辆模型和中国商用飞机有限责任公司系统中是不可避免的。在中国商用飞机有限责任公司系统中,主要有两种类型:通信延迟和机械滞后。摘要机械滞后指的是汽车发动机的时间系数,即执行机构滞后。因此,本节主要分析通信延迟和致动器的影响滞后的方法。

4.3.1。通信延迟

与其他参数的值固定,通信延迟值0和0.2之间变化的间隔0.05秒。优化系统的性能指标和总成本如表所示3和4。

从表可以看出3通信延迟的增加,车辆差距CTG控制器误差减少,但相对速度和实际加速度增长。与CTG控制器相比,CTG-IPSO控制器提高了间隙误差,相对速度,实际加速度与系统总成本降低8.1% - -10.0%。从表可以看出4车辆间隙误差,相对速度,CSG和CSG-IPSO控制器的实际加速度增加随着交流的增加滞后。与CSG控制器相比,CSG-IPSO控制器提高了车辆间隙误差和相对速度,但实际加速度是稍微增加结合的总成本降低22.2% - -35.7%。分析结果表明,本文设计的控制器可以提高系统效率与不同的通信延迟和差距控制策略。此外,当通信延迟增加从0到0.2,CTG和CTG-IPSO控制器的总成本将增加4.7%和6.9%,分别和CSG和CSG-IPSO控制器的总成本将增加12.3%和35.9%,分别。这一发现表明,恒定的车头时距差距策略可以克服通信延迟造成的干扰,适合汽车形成极端的通信条件下驾驶。

4.3.2。执行机构滞后

其他参数固定的值,执行机构滞后值变化在0.1和0.5年代之间的间隔0.1秒。优化系统的性能指标和总成本如表所示5和6。

这是显示在表5CTG和CTG-IPSO控制器的性能指标与执行机构的增加滞后增加,但车辆差距CTG-IPSO控制器减少误差。CTG-IPSO控制器与CTG方案相比,减少了车辆间隙误差,相对速度,实际加速度一起减少7.7% - -15.7%的总成本。此外,它可以从表6车辆间隙误差、相对速度和实际加速度的CSG和CSG-IPSO控制器增加了执行机构的增加滞后。与CSG控制器相比,CSG-IPSO控制器改善了车辆间隙误差和相对速度;然而,实际的加速度是稍微增加结合的总成本降低33.1% - -34.3%。分析结果还表明,本文设计的控制器可以提高系统效率与不同的执行机构滞后和差距策略。

此外,当致动器延迟增加从0.1到0.5年代,CTG和CTG-IPSO控制器的总成本将增加18.0%和7.8%,分别和CSG和CSG-IPSO控制器的总成本将增加44.6%和43.4%,分别。这个发现也表明,恒定的车头时距缺口策略可以克服执行机构滞后造成的不利影响,具有良好的灵活性和主动性,和适用于车辆形成极端的机械条件下驾驶。

5。结论

大多数研究使用常数的车头时距差距或常数间距差距中国商用飞机有限责任公司控制策略,以及性能指标的权重系数计算根据主观判断来实现系统的最优控制。然而,战略类型和加权系数的不确定性将直接影响系统的最佳性能在不同的驾驶环境。在本文中,一个最优排纵向控制策略的使用提出了改进的粒子群优化来解决这些问题。中的控制对象提出策略下的均匀排模型常数的车头时距策略和常数间距策略。为了克服干扰引起的加速度的改变外生头车,一个线性二次最优控制器设计的考虑反馈延迟和加权系数的不确定性。控制器通过一种改进的粒子群优化算法进行了优化。仿真结果表明,CTG-IPSO控制器可以减少总成本10%,车辆相对速度8.3%,实际加速度3.3%相比,实现控制器。CSG-IPSO控制器可以降低总成本的34.1%,车辆间隙误差减少69.3%,减少了73.2%的相对速度。是否它是一个常数的车头时距差距策略或常数间距差距策略,本文提出的策略可以获得良好的控制效益。此外,这两个参数的灵敏度分析,通信延迟和执行机构滞后,进一步证明了该策略的适应性和有效性,也揭示了常数的车头时距缺口战略有极大的灵活性和主动性绩效指标的平衡,这是排在极端条件下适用于形式。

为了突出该方法的好处,均匀排系统选择为研究对象,不考虑异构下控制器的设计和优化交通流混合着骑士和人为的车辆。在实际复杂交通场景中,变量的车头时距差距策略具有更大的灵活性和适应性。因此,未来的研究应考虑排下的稳定性分析和控制器设计变量的车头时距差距的策略。此外,本文设计的控制器的目标只考虑安全、效率和安慰。如何引入原始基础的能源消耗也是一个潜在的主题,需要扩大在未来的研究。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金批准号。61773288和61773288下,支持部分由中国国家重点研发项目(没有。2018 yfb1600805)。