论文部分内容阅读
现如今,无人驾驶技术以及驾驶辅助技术备受消费者以及车企的关注,自适应巡航系统(Adaptive Cruise Control,ACC)作为该类技术的重要分支之一,更是得到了广泛的研究和关注。由于车辆行驶工况的复杂性以及车辆参数的不定性,传统固定参数的ACC系统控制器无法满足多工况下的综合性能要求。因此本文针对ACC系统的多工况优化问题进行了研究。本文采用分层的控制结构对ACC系统进行了研究和设计,对于ACC系统的决策层,本文采用模型预测控制(Model Predictive Control,MPC)作为决策层的控制框架,并在此基础上提出了前车加速度预测模型以及根据工况不同而对权重进行实时调整的策略,提高了决策层的模型准确度和多工况下ACC系统的适应能力。随后,针对执行层设计了基于车辆动力学和自抗扰控制(Active Disturbance Rejection Control,ADRC)的前馈加反馈补偿控制器。最后,通过仿真和实车实验对所设计的ACC控制策略进行了多个工况下的验证。本文具体的研究内容如下:首先,本文针对ACC控制系统的整体控制方案进行了设计,将整个系统分为了三个部分,包括感知层、决策层和执行层,并确立了相应的性能需求。为了解决传统的固定车头时距(Constant Time Headway,CTH)无法完全满足人们对不同车速下的跟车距离需求,于是对多名驾驶员进行了跟车工况下的跟车数据采集,并对采集到的数据进行了特征参数的提取,同时为提高非稳态跟随状态下的跟随能力和预判性,在期望安全车间距策略中引入了前车速度项和加速度项,随后对所设计的改良型期望安全车间距策略进行了稳定性分析。然后,为了在同一控制框架下综合考虑ACC系统的跟随性、安全性、燃油经济性以及乘客舒适性,本文采用了 MPC作为决策层的控制算法。决策层根据当前时刻的周围环境信息和本车状态,会在每个控制周期输出一个最优的期望加速度作用于执行层。在目标函数求解的过程中,引入了基于松弛因子的约束软化策略扩大了系统求解的可行域。同时,为了提高预测模型的准确性,使得控制器能够在前车加速度波动频繁的情况下依然能够输出最优的控制量,因此采用最小二乘法并基于前车以往的加速度数据对未来时刻的加速度进行预测。此外,由于复杂的跟车工况和不同的行驶环境,传统MPC中目标函数的固定权重形式已无法满足多工况的需求,因此提出了一种根据当前的车间距误差和速度误差状况来对权重进行实时调整的策略。其次,对ACC车辆的执行层进行了设计,首先对车辆的行驶动力学进行了分析,构建了逆纵向动力学模型作为车辆驱动和制动的前馈控制。当车辆本身的参数以及行驶道路环境发生变化时,为提高下层控制器的抗干扰性以及对决策层的输出进行准确的跟踪控制,因此采用了不依赖于精准模型的自抗扰控制器作为执行层的反馈补偿控制,使得执行层能够稳定、准确的跟踪决策层的输出量,即期望加速度。最后,通过Matlab/Simlink和Carsim联合仿真以及实车实验,对所设计的ACC系统的控制策略在多个工况下进行了验证并与传统的MPC控制器进行了对比,包括稳态跟随、前车切出、旁车切入、上坡跟随以及下坡跟随工况。针对跟随过程中的安全性、跟随性、燃油经济性和乘客舒适性进行了分析,结果表明本文提出的控制策略在多个工况下均能有着良好的控制效果。