基于并线行为识别的自适应巡航控制方法

doi:10.19562/j.chinasae.qcgc.2021.07.015

摘要/Abstract

摘要：

本文中针对自适应巡航控制系统受旁车并线影响产生的制动干预时机不确定性问题，提出了一种采用旁道车辆并线行为进行优化的自适应巡航控制策略，以获得制动干预的最佳时机。首先，建立了以历史行驶数据和周围环境为输入、基于长短时记忆网络的驾驶行为识别模型，实现对旁道车辆驾驶行为类别的有效识别。当识别出并线行为后，根据并线车辆运动状态对自适应巡航系统进行加速度控制，建立系统的预测控制模型，确定跟随性、舒适性和油耗这3项性能指标与约束条件，并引入理想点法对期望加速度进行求解，有效避免了人为选择权重因素的干扰。然后，将最优控制序列的第一个元素作用于系统，再重新评估系统状态信息以实现滚动优化。最后，建立MATLAB/Simulink仿真模型，进行定速巡航、跟车行驶和并线工况的对比仿真，并通过实车试验进行验证。结果表明：所提算法能更快响应旁车并线时跟车目标的变化，有效降低速度波动，避免了绝大部分的车辆紧急制动，同时，考虑并线驾驶特性的控制模型能有效提高乘车舒适性，降低安全风险。

关键词: 自适应巡航控制, 模型预测控制, 行为识别, 多目标优化

Abstract:

In view of the uncertainty of braking intervention timing for the conventional adaptive cruise control system under side?car merging condition， an adaptive cruise control strategy is proposed which is optimized based on side car merging behavior. Firstly， with the historical driving data and surrounding environment as inputs and based on long short?term memory network， a driving behavior recognition model is set up to fulfill the effective recognition of the driving behavior category of side?lane vehicles. Once the merging behavior is recognized， an acceleration control is applied to the adaptive cruise system according to the motion state of merging vehicle， with a predictive control model for the system established. Then tracking performance， ride comfort and fuel consumption three performance indicators and constraint conditions are determined， and the desired acceleration is solved out by using the utopia point method， effectively avoiding the interference of manually selected weighting factors. Next， the first element of optimal control sequence is acting on the system for evaluating the system state information to achieve rolling optimization. Finally， a simulation model is established with MATLAB/Simulink to conduct a comparative simulation on three conditions of constant?speed cruising， vehicle tracking driving and merging， with real vehicle test performed for verification. The results show that the algorithm proposed can response to the change of tracked target faster in side car merging， effectively reduce the speed fluctuation and avoid the most of vehicle emergent braking， while the control model adopted with consideration of merging driving characteristics can enhance the ride comfort and reduce the safety risk of vehicle.

Key words: adaptive cruise control, model predictive control, behavior recognition, multi?objective optimization

蔡英凤,吕志军,孙晓强,王海,刘擎超,陈龙,袁朝春. 基于并线行为识别的自适应巡航控制方法[J]. 汽车工程, 2021, 43(7): 1077-1087.

Yingfeng Cai,Lü Zhijun,Xiaoqiang Sun,Hai Wang,Qingchao Liu,Long Chen,Chaochun Yuan. An Adaptive Cruise Control Scheme Based on Merging Behavior Recognition[J]. Automotive Engineering, 2021, 43(7): 1077-1087.

图/表 17

图 1

图 2

图 3

图 4

图 5

图 6

图 7

表 1

控制器参数"

参数	数值
固定车间时距 $τ h / s$	1.5
最小安全距离 $d 0 / m$	5
采样周期 $T s / m s$	10
惯性环节时间常数 $τ L / s$	0.53
预测时步 $N p$	16
控制时步 $N c$	5
预瞄时间 $τ / s$	0.7
车间距误差的上界 $Δ d m a x / m$	30
车间距误差的下界 $Δ d m i n / m$	-10
车速误差的上界 $Δ v m a x / (m ? s - 1)$	5
车速误差的下界 $Δ v m i n / (m ? s - 1)$	-5
加速度的上界 $a E V m a x / (m ? s - 2)$	3
加速度的下界 $a E V m i n / (m ? s - 2)$	-3
控制量的上界 $u m a x / (m ? s - 2)$	3
控制量的下界 $u m i n / (m ? s - 2)$	-3
控制量增量的上界 $Δ u m a x / (m ? s - 2)$	2
控制量增量的下界 $Δ u m i n / (m ? s - 2)$	-2

表 1

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

图 16

参考文献 26

1	HANG T， ZOU Y， ZHANG X， et al. A cruise control method for connected vehicle systems considering side vehicles merging behavior［J］. IEEE Access， 2019， 7： 6922-6936.
2	王畅，山岩，赵佳，等. 基于ACC系统的目标车辆换道与出入弯道状态辨识算法［J］. 汽车工程，2017，39（8）：922-927.
	WANG C， SHAN Y， ZHAO J， et al. An algorithm for state identification of lane chang and curve entry/exit of target vehicle based on ACC system［J］. Automotive Engineering，2017，39（8）：922-927.
3	JACOBSEN S E T， GUSTAFSSON A， VU N， et al. Predictive cruise control behind a stationary or slow moving object［C］.2019 IEEE Intelligent Vehicles Symposium （IV）. IEEE， 2019： 2099-2105.
4	ALI Z， POPOV A A， CHARLES G. Model predictive control with constraints for a nonlinear adaptive cruise control vehicle model in transition manoeuvres［J］. Vehicle System Dynamics， 2013， 51（6）： 943-963.
5	HAROON Z， KHAN B， FARID U， et al. Switching control paradigms for adaptive cruise control system with stop-and-go scenario［J］. Arabian Journal for Science and Engineering， 2019， 44（3）： 2103-2113.
6	刘正国. 自适应巡航系统目标识别研究［D］.西安：长安大学，2018.
	LIU Z G. Research on target recognition of adaptive cruise system［D］. Xi’an： Chang’an University，2018.
7	李想，曾春年，罗杰，等. 基于线性二次型最优控制的自适应巡航控制算法研究［J］. 武汉理工大学学报（信息与管理工程版）， 2019， 41（2）：81-86.
	LI X， ZENG C N， LUO J， et al. Research on adaptive cruise control algorithm based on linear quadratic optimal control ［J］.Journal of WUT（Information & Management Engineering）， 2019， 41（2）：81-86.
8	党睿娜.具有换道辅助功能的车辆自适应巡航控制［D］.北京：清华大学，2013.
	DANG R N. Vehicular adaptive cruise control with lane change assist［D］. Beijing： Tsinghua University，2013.
9	吴光强，郭晓晓，张亮修.汽车自适应巡航跟车多目标鲁棒控制算法设计［J］.哈尔滨工业大学学报，2016，48（1）：80-86.
	WU G Q， GUO X X， ZHANG L X. Multi-objective robust adaptive cruise control algorithm design of car following model［J］. Journal of Harbin Institute of Technology， 2016，48（1）：80-86.
10	ZHU M ， CHEN H ， XIONG G. A model predictive speed tracking control approach for autonomous ground vehicles［J］. Mechanical Systems & Signal Processing， 2017：S0888327016001205.
11	张亮修，吴光强，郭晓晓.车辆多目标自适应巡航控制算法［J］.西安交通大学学报，2016，50（11）：136-143.
	ZHANG L X， WU G Q， GUO X X. Vehicular multi-objective adaptive cruise control algorithm［J］. Journal of Xi'an Jiaotong University，2016，50（11）：136-143.
12	侍宇洁. 基于InPA-SQP的车辆多性能巡航经济预测控制算法研究［D］.杭州：浙江工业大学，2019.
	SHI Y J. Economic predictive cruise control for vehicle multi-performance based on InPA-SQP algorithm［D］.Hangzhou： Zhejiang University of Technology，2019.
13	WENINGER F， ERDOGAN H， WATANABE S， et al. Speech enhancement with LSTM recurrent neural networks and its application to noise-robust ASR［C］.International Conference on Latent Variable Analysis and Signal Separation. Springer， Cham， 2015： 91-99.
14	KRAJEWSKI R， BOCK J， KLOEKER L， et al. The Highd dataset： a drone dataset of naturalistic vehicle trajectories on german highways for validation of highly automated driving systems［C］.2018 21st International Conference on Intelligent Transportation Systems （ITSC）. IEEE， 2018： 2118-2125.
15	MUNIR U ， JUNZHI Z. Weight changing model predictive controller for adaptive cruise control with multiple objectives［C］. 2018 IEEE International Conference on Mechatronics， Robotics and Automation （ICMRA）. IEEE， 2018.
16	朱敏，陈慧岩. 考虑车间反应时距的汽车自适应巡航控制策略［J］. 机械工程学报，2017，53（24）：144-150.
	ZHU M， CHEN H Y. Strategy for vehicle adaptive cruise control considering the reaction headway［J］. Journal of Mechanical Engineering，2017，53（24）：144-150.
17	KIM S H， WANG J， GUENTHER D， et al. Analysis of human driver behavior in highway cut-in scenarios［C］. SAE Paper 2017-01-1402.
18	孙叶. 城市道路车辆自由换道行为研究［D］.大连：大连理工大学，2017.
	SUN Y. Study on discretionary lane-changing behavior on urban streets［D］. Dalian：Dalian University of Technology，2017.
19	CHEN Y， HU C， WANG J. Human⁃centered trajectory tracking control for autonomous vehicles with driver cut⁃in behavior prediction［J］. IEEE Transactions on Vehicular Technology， 2019， 68（9）： 8461-8471.
20	黄菊花，邹汉鹏，刘明春.考虑测量噪声的车辆自适应巡航控制系统纵向跟车研究［J］.北京理工大学学报，2020，40（3）：254-261.
	HUANG J H， ZOU H P， LIU M C. Research on the longitudinal tracking of adaptive cruise control system for vehicles considering of measurement noise［J］.Transaction of Beijing Institute of Technology， 2020，40（3）：254-261.
21	MIFTAKHUDIN M I， SUBIANTORO A， YUSIVAR F. Adaptive cruise control by considering control decision as multistage MPC constraints［C］.2019 IEEE Conference on Energy Conversion （CENCON）. IEEE， 2019： 171-176.
22	GUO L， GE P， SUN D， et al. Adaptive cruise control based on model predictive control with constraints softening［J］. Applied Sciences， 2020， 10（5）： 1635.
23	范柏旺. 基于模型预测和自抗扰控制的多工况优化的自适应巡航系统研究［D］.济南：山东大学，2020.
	FAN B W. Research on multi-condition optimization of adaptive cruise control system based on MPC and ADRC［D］. Jinan： Shandong University， 2020.
24	RIOS⁃TORRES J， MALIKOPOULOS A A. Automated and cooperative vehicle merging at highway on⁃ramps［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 18（4）： 780-789.
25	孙煜. 车辆模型预测巡航控制系统的分析与设计［D］. 杭州：浙江工业大学， 2016.
	SUN Y. Analysis and design of vehicular model predictive cruise control systems［D］.Hangzhou： Zhejiang University of Technology， 2016.
26	HE D， SHI Y， SONG X. Weight⁃free multi⁃objective predictive cruise control of autonomous vehicles in integrated perturbation analysis and sequential quadratic programming optimization framework［J］. Journal of Dynamic Systems， Measurement， and Control， 2019， 141（9）.

[1]	胡宏宇, 黎烨宸, 张争光, 曲优, 何磊, 高镇海. 基于多尺度骨架图和局部视觉上下文融合的驾驶员行为识别方法[J]. 汽车工程, 2024, 46(1): 1-8.
[2]	熊萌,张栋,尤国建,孙添飞,盛凯,魏学哲. 电动汽车无线充电高效高利用率磁芯的多目标优化设计[J]. 汽车工程, 2023, 45(9): 1740-1752.
[3]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[4]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[5]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[6]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[7]	查云飞,吕小龙,陈慧勤,易迎春,王燕燕. 基于路面附着系数估计的车辆轨迹跟踪控制[J]. 汽车工程, 2023, 45(6): 1010-1021.
[8]	邹渊,孙文景,张旭东,温雅,曹万科,张兆龙. 面向时间敏感网络的车载以太网网络架构多目标优化[J]. 汽车工程, 2023, 45(5): 746-758.
[9]	贺伊琳,马建,杨舒凯,郑威,薛启帆. 融合预瞄特性的智能电动汽车稳定性模型预测控制研究[J]. 汽车工程, 2023, 45(5): 719-734.
[10]	周兵,魏佳宝,柴天,吴晓建,王鹤. 基于最优方法的碰后辅助驾驶控制策略[J]. 汽车工程, 2023, 45(4): 561-571.
[11]	张彬,邹渊,张旭东,孙逢春,吴喆,孟逸豪. 混动履带式无人平台轨迹跟踪控制研究[J]. 汽车工程, 2023, 45(4): 579-587.
[12]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[13]	贺林,徐子昂,黄春荣,龚超,李书华,石琴. 线控转向系统转角预测滑模控制算法研究[J]. 汽车工程, 2023, 45(12): 2200-2208.
[14]	胡丹丹,尹鹏飞,牛国臣,赵金聚. 非结构化道路下离轴式拖挂车辆主动避障控制研究[J]. 汽车工程, 2023, 45(12): 2318-2329.
[15]	段志勇,马菁. 锂电池热管-液冷板式冷却结构多目标优化[J]. 汽车工程, 2023, 45(11): 2047-2057.