考虑前车运动不确定性的多目标自适应巡航控制

doi:10.19562/j.chinasae.qcgc.2023.03.003

摘要/Abstract

摘要：

考虑前车运动状态不可控所带来的性能下降，提出一种基于高斯过程的随机模型预测多目标自适应巡航控制方法。基于车间运动关系对跟驰系统进行集成建模，综合考虑车辆安全、经济、舒适等多维诉求，确定跟驰系统目标函数与性能约束；引入径向基核描述样本间的关系，通过极大似然法获取预测模型超参数，根据历史交通数据，对前车运动轨迹进行短期预测；考虑预测结果存在的偏差，引入概率约束，建立不确定环境下的随机预测模型以保障系统在随机扰动下的整体性能最优；通过切入、加速跟驰、减速避撞等典型场景对算法的有效性与优越性进行验证。研究结果表明：所提出的方法具有良好的工况适应性，可快速消除跟踪误差与前车运动保持一致，使车辆对交通环境的反应更加敏捷。

关键词: 自适应巡航控制, 随机模型预测控制, 智能汽车, 高斯过程, 前车运动

Abstract:

Considering the performance degradation caused by the uncontrollable movement of the preceding vehicle， this paper proposes a stochastic model predictive control strategy based on the Gaussian process for adaptive cruise control. Firstly， an integration model of the car-following system is constructed based on the kinematic relationship between the vehicles. And objective functions and performance constraints of the car-following system are formulated considering comprehensively the multi-dimensional demand of vehicle security， fuel economy， ride comfort， etc. Then， the radial basis function kernel is introduced to describe the relationship among samples and hyperparameters are obtained via the maximum-likelihood method. Based on historical traffic data， the trajectory of the preceding vehicle is predicted in a short term. Subsequently， in consideration of the error between prediction results and its actual values， probability constraints are introduced to establish the stochastic predictive control model under uncertain environment to ensure the optimal overall performance of the system in the presence of stochastic disturbance. Finally， the superiority and effectiveness of the algorithm are verified by typical scenarios such as cut-in， acceleration for car following， and deceleration for collision avoidance. The results show that the proposed strategy possesses good adaptability to working conditions， which can quickly eliminate the tracking errors and keep consistent with the movement of the preceding vehicle. Thus， it makes the vehicle respond more quickly to the highly dynamic traffic environment.

Key words: adaptive cruise control, stochastic model predictive control, autonomous vehicle, Gaussian process, movement of preceding vehicle

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.

Ziwei Zhang,Ling Zheng,Yinong Li,Xuqiang Qiao,Hao Zheng,Kan Wang. A Multi-objective Adaptive Cruise Control Strategy for Autonomous Vehicle Considering Uncertain Movements of Preceding Vehicle[J]. Automotive Engineering, 2023, 45(3): 361-371.

图/表 21

图1

图2

图3

表1

表2

图4

图5

图6

图7

表3

图8

图9

图10

图11

表4

图12

表5

图13

图14

图15

图16

参考文献 23

1	HUANG Y J， DING H T， ZHANG Y B， et al. A motion planning and tracking framework for autonomous vehicles based on artificial potential field elaborated resistance network approach［J］. IEEE Transactions on Industrial Electronics， 2020， 62（2）： 1376-1386.
2	ZHANG J， IOANNOU P A. Longitudinal control of heavy trucks in mixed traffic： environmental and fuel economy considerations［J］. IEEE Transactions on Intelligent Transportation Systems， 2006， 7（1）：92-104.
3	ABDULLAH R， HUSSAIN A， WARWICK K， et al. Autonomous intelligent cruise control using a novel multiple-controller framework incorporating fuzzy-logic-based switching and tuning［J］. Neurocomputing， 2008， 71（13-15）： 2727-2741.
4	李以农，冀杰，郑玲，等. 智能车辆自适应巡航控制系统建模与仿真［J］. 中国机械工程， 2010， 21（11）： 1374-1381.
	LI Y N， JI J， ZHENG L， et al. Modeling and simulation of adaptive cruise control system for intelligent vehicles［J］. China Mechanical Engineering， 2010， 21（11）： 1374-1381.
5	张亮修，吴光强，郭晓晓. 车辆自适应巡航控制系统的建模与分层控制［J］. 汽车工程， 2018， 40（5）： 547-553.
	ZHANG L X， WU G Q， GUO X X. Modeling and hierarchical control of vehicle ACC system［J］. Automotive Engineering， 2018， 40（5）： 547-553.
6	CHEN S P， CHEN H Y， NEGRUT D. Implementation of MPC‑based path tracking for autonomous vehicles considering three vehicle dynamics models with different fidelities［J］. Automotive Innovation， 2020， 3： 386-399.
7	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.
8	章军辉，李庆，陈大鹏. 车辆多模式多目标自适应巡航控制［J］. 电子科技大学学报， 2018， 47（3）： 368-375.
	ZHANG J H， LI Q， CHEN D P. Multi-objective adaptive cruise control with multi-mode strategy ［J］. Journal of University of Electronic Science and Technology of China， 2018， 47（3）： 368-375.
9	赵树恩，冷姚，邵毅明. 车辆多目标自适应巡航显式模型预测控制［J］. 交通运输工程学报， 2020， 20（3）： 206-216.
	ZHAO S E， LENG Y， SHAO Y M. Explicit model predictive control of multi-objective adaptive cruise of vehicle［J］. Journal of Traffic and Transportation Engineering， 2020， 20（3）： 206-216.
10	LIANG Y X， LI Y N， YU Y H， et al. Path-following control of autonomous vehicles considering coupling effects and multi-source system uncertainties［J］. Automotive Innovation， 2021， 4： 284-300.
11	李升波. 车辆多目标协调式自适应巡航控制［D］. 北京：清华大学， 2009.
	LI S B. Vehicular multi-objective coordinated adaptive cruise control［D］. Beijing： Tsinghua University， 2009.
12	戴旭彬，孙涛，夏维. 基于MPC的自适应巡航算法改进研究［J］. 机电工程， 2018， 35（6）： 644-648，657.
	DAI X B， SUN T， XIA W. Improvement of adaptive cruise algorithm based on MPC［J］. Journal of Mechanical& Electrical Engineering， 2018， 35（6）： 644-648，657.
13	HE D F， PENG B B. Gaussian learning-based fuzzy predictive cruise control for improving safety and economy of connected vehicles［J］. IET Intelligent Transport Systems， 2020， 14（5）： 346-355.
14	ZHANG D Z， LI K Q， WANG J Q. A curving ACC system with coordination control of longitudinal car-following and lateral stability［J］. Vehicle System Dynamics， 2012， 50（7）： 1085-1102.
15	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 longitudinal tracking of adaptive cruise control system for vehicles considering of measurement noise［J］. Transactions of Beijing Institute of Technology， 2020， 40（3）： 254-261.
16	SAKHDARI B， AZAD N L. Adaptive tube-based nonlinear mpc for ecological autonomous cruise control of plug-in hybrid electric vehicles［J］. IEEE Transactions on Vehicular Technology， 2018， 67（12）： 11390-11401.
17	杨威. 高速跟车工况下智能汽车拟人化驾驶决策方法研究［D］. 重庆：重庆大学， 2020.
	YANG W. Study on decision-planning systems of the automated vehicle based on driver’s personality under car following in highway conditions ［D］. Chongqing： Chongqing University， 2020.
18	QIAO X Q， LI Y N， ZHENG L， et al. Predicting vehicle states of naturalistic driving data based on adaptive optimization gaussian process regression［C］. 2021 6th IEEE International Conference on Advanced Robotics and Mechatronics （ICARM）， 2021： 418-423.
19	SCHILDBACH G， CALAFIORE G C， FAGIANO L， et al. Randomized model predictive control for stochastic linear systems［C］. 2012 American Control Conference （ACC）， 2012：417-422.
20	LIU C C， CARVALHO A， SCHILDBACH G， et al. Stochastic predictive control for lane keeping assistance systems using a linear time-varying model［C］. 2015 American Control Conference （ACC）， 2015： 3355-3360.
21	GRAY A， GAO Y Q， LIN T， et al. Stochastic predictive control for semi-autonomous vehicles with an uncertain driver model［C］. 16th International IEEE Conference on Intelligent Transportation Systems （ITSC 2013）， 2013： 2329-2334.
22	CARVALHO A， GAO Y Q， LEFEVRE S， et al. Stochastic predictive control of autonomous vehicles in uncertain environments［C］. 12th International Symposium on Advanced Vehicle Control， 2014.
23	BRUEDIGAM T. Stochastic model predictive control- a simulation example［J］. 2021， arXiv：.

参数	数值	参数	数值
t_h/s	1.5	（a_fmin， a_fmax）	（-2.5， 2.5）
d_s/m	5	（υ_Δd_min， υ_Δd_max）	（-3， 3）
K_L	1.0	（υ_Δv_min， υ_Δv_max）	（-1， 1）
T_L	0.4	（υ_afmin， υ_afmax）	（-0.1， 0.1）
t_TTC/s	-3	（υ_afdesmin， υ_afdesmax）	（-0.1， 0.1）
d_s0/m	5	（Δd_min， Δd_max）	（-5， 5）
T_s/s	0.05	（Δv_min， Δv_max）	（-3， 3）
p	20	（a_fdesmin， a_fdesmax）	（-6， 6）
α	0.95

控制器	前车运动状态预测	预测结果不确定性
MPC	×	×
MPC+GP	√	×
SMPC+GP	√	√

控制器	max（Δd）/m	rms（Δd）/m	max（Δv）/（km·h^-1）	rms（Δv）/（km·h^-1）	max（a）/（m·s^-2）	rms（a）/（m·s^-2）
MPC	3.67	1.41	17.42	6.48	2.27	0.97
MPC+GP	1.83（↓50.14%）	0.79（↓43.97%）	15.79（↓9.36%）	5.91（↓8.80%）	2.31（↑1.76%）	1.00（↑3.09%）
SMPC+GP	2.18（↓40.60%）	0.80（↓43.26%）	12.52（↓28.13%）	5.02（↓22.53%）	2.52（↑11.01%）	0.98（↑1.03%）

控制器	max（Δd）/m	rms（Δd）/m	max（Δv）/（km·h^-1）	rms（Δv）/（km·h^-1）	max（a）/（m·s^-2）	rms（a）/（m·s^-2）
MPC	4.19	0.96	11.75	4.64	2.41	0.94
MPC+GP	4.19（-0%）	0.95（↓1.04%）	11.31（↓3.74%）	4.54（↓2.16%）	2.41（-0%）	0.92（↓2.13%）
SMPC+GP	4.17（↓0.48%）	0.80（↓16.67%）	10.00（↓14.89%）	4.01（↓13.58%）	4.32（↑79.25%）	0.99（↑5.32%）

控制器	max（Δd）/m	rms（Δd）/m	max（Δv）/（km·h^-1）	rms（Δv）/（km·h^-1）	max（a）/（m·s^-2）	rms（a）/（m·s^-2）
MPC	0.99	0.51	9.91	3.28	1.66	0.56
MPC+GP	0.77（↓22.22%）	0.46（↓9.80%）	9.45（↓4.64%）	3.14（↓4.27%）	1.63（↓1.81%）	0.54（↓4.03%）
SMPC+GP	0.84（↓15.15%）	0.22（↓56.86%）	8.01（↓19.17%）	2.71（↓17.38%）	1.74（↑4.82%）	0.54（↓2.61%）