城市郊区道路跟车条件下智能网联汽车速度规划

随着智能网联汽车技术的快速发展，跟车行驶控制能够有效实现车辆智能跟随及快速高效队列行驶。针对城市郊区道路条件下的智能网联汽车速度规划问题，以提高车辆的燃油经济性、舒适性及安全性为目的，基于跟车速度限幅和车辆动力系统信息，设计了基于初值优化的序列二次规划算法(Sequential Quadratic Programming, SQP),实时求解获取车辆跟车过程中的最优速度轨迹。首先，在车联网环境下，基于车车(Vehicle to Vehicle, V2V)通信及车辆与交通设施(Vehicle to Infrastructure, V2I)通信技术实时获取前方车辆的速度、加速度及位置等行驶信息并实时采集道路交通信息；然后，为减少车辆动态能耗损失和减小所需牵引力，并在规定的时间段内完成相应的行驶路程，利用采集到的前车行驶信息，采用基于初值优化的SQP算法对最优目标车速进行求解；此外，基于周边动态的道路交通场景，考虑边界约束条件，采用滚动时域的方法实现目标车辆速度在每个采样时刻的在线滚动优化，保证目标车辆节能安全地跟车行驶；最后，通过仿真验证了该算法的有效性和实时性。研究结果表明：基于初值优化...     

低速瓶颈下高速公路网联无人驾驶车辆主动避碰运动生态速度优化

为了解决车载安全预警系统在高速公路上感知距离有限，且在曲线路段存在高事故风险和高燃油消耗的问题，在基于车联万物(V2X)技术的高速公路自动驾驶交通系统中，针对下游存在低速交通流的交通场景，提出一种高速公路网联无人驾驶车辆主动避碰运动生态速度优化模型。为了提高模型的求解效率，将原最优控制问题转化为由3个子问题构成的近似速度优化模型，并通过遗传算法求解得到最优的速度曲线，对上游车辆的运动速度进行主动控制，在保证安全和不影响交通效率的前提下，引导一系列车辆安全、平滑地跟随下游的低速交通流尾车运动，改善车辆行驶过程中的燃油经济性。为了验证所提出模型的性能，以车载安全预警系统控制策略作为对比方案，仿真结果表明：所提出的近似优化模型能够在基本保证求解精度的同时，明显改善求解效率；与车载安全预警系统控制策略相比，所提出的速度优化策略能够使车辆提前减速，避免追尾，能够在较小程度牺牲通行效率的情况下明显地平滑车辆速度曲线并节省总燃油消耗量。     

基于实时路况信息的插电式混合动力汽车预测性能量管理算法研究

为提高插电式混合动力汽车的燃油经济性,对基于实时路况信息的预测性能量管理算法展开研究。根据实时路况信息采用能耗分配法规划全局SOC参考轨迹,利用自适应等效燃油消耗最小策略(A-ECMS)跟随目标SOC轨迹实现能量管理。以上海市某行驶工况数据进行仿真,结果表明:全局SOC参考轨迹可在低、高速区间合理分配电量,真实SOC轨迹与参考轨迹变化趋势一致,燃油经济性较电量消耗-电量维持(CD-CS)策略提高7.65%,接近动态规划(DP)算法的全局最优解。     

基于凸优化的燃料电池汽车节能驾驶研究

为实现燃料电池汽车在多信号灯场景下的节能驾驶，本文中提出一种基于分层凸优化的快速车速规划和能量管理方法。结合车辆静态氢耗图，运用动态规划获得车辆通过信号灯的最优绿灯窗口，并确定最优行驶路径的搜索区域。建立以车辆需求功率累计最小为优化目标求解车辆加速度的二次规划问题，并运用Matlab/OSQP求解器获取车辆最优行驶路径。根据最优行驶路径，采用基于交替方向乘子法的能量管理策略，实现各动力源输出功率的合理分配。针对9个信号灯场景的仿真结果表明，所提方法的电机工作点平均效率比智能驾驶员模型高10%，氢耗低45%。此外，该方法计算速度快，具备实时优化的潜力。     

基于动态规划与神经网络的增程式电动汽车能量管理策略研究

设计了一种具有实时控制能力的增程式电动汽车混合型能量管理策略。首先建立了面向能量管理策略优化的增程式电动汽车整车模型。根据能量管理策略特点,将优化目标设置为增程器系统燃油消耗及动力电池当前SOC值与目标值之间差值的总和。再采用动态规划算法求解增程式电动汽车在给定行驶工况下的能量管理优化问题,从而获得了增程器开启时刻与输出功率优化结果。但由于动态规划算法需要已知详细的工况信息,很难应用于实车实时控制,而且从动态规划优化结果中不易提取控制规则,因此利用BP神经网络算法对优化结果进行离线训练,建立了增程器输出功率与车辆行驶状态参数间的非线性映射关系,得到了具有实时控制能力的神经网络控制模型。在采用BP神经网络训练时,根据车辆各个状态参数在CAN总线中的传输精度,对神经网络输入层、输出层参数的精度进行了修正。仿真结果表明:神经网络模型能够获得类似动态规划的最优控制效果,能够控制动力电池SOC在目标值的3%误差带以内。采用NEDC工况对混合型能量管理策略进行了硬件在环仿真试验,试验结果表明:与实车采用的电能消耗-电能维持型控制策略相比,所提出的混合型能量管理策略使汽车的燃油经济性提高了9.5%。     

智能网联混合动力车辆速度规划的多目标协同控制研究

考虑车辆的行驶安全性、机动性、能耗经济性、舒适性和电池老化等多重目标,以弯道场景为例对智能网联混合动力客车的速度进行实时规划。首先,以车辆速度和动力电池SOC作为状态变量,加速度和发动机-发电机组输出功率作为控制变量,以混合动力客车的能量消耗成本、电池老化成本、机动性成本和舒适性成本的加权和最小化为目标函数。其次,以弯道行驶安全性、动力系统和电池系统的物理特性等为约束,实施基于模型预测的多目标协同控制,并应用动态规划算法求解滚动空间域内的多目标优化问题,从而实现实时的速度规划和能量分配。同时,分析机动性和舒适性赋予不同权重对性能的影响。结果表明:(1)考虑电池老化的控制策略可以在不影响车辆动力性和机动性的情况下,使电池老化成本降低25.8%,综合成本降低2.3%;(2)提高机动性成本的权重因子能够缩短行驶时间,但会引起综合成本的增加;(3)提高舒适性权重因子可以减少速度波动,同时降低综合成本。     

混驾环境下基于主从博弈的多车协同决策规划

在自动驾驶车辆与人工驾驶车辆混行的复杂交通环境中,如何减小驾驶行为截然不同的2类车辆间的复杂相互作用对于车辆行驶安全性、乘坐舒适性和交通通行效率的影响,是当前自动驾驶决策与控制领域亟待解决的关键问题。提出了一个人机混驾环境下人工驾驶车辆与自动驾驶车辆之间的非合作博弈交互框架。首先,综合考虑车辆加速度线性递减的驾驶人纵向操纵特性、差异化配合程度和不同的延迟响应特性,建立人工驾驶车辆的纵向博弈策略。其次,考虑自动驾驶车辆与周围车辆的安全性约束,以及自动驾驶车辆在换道过程中的舒适性和通行效率目标,设计了自动驾驶车辆的纵向博弈策略。然后,基于主从博弈理论对不同混驾环境下人工驾驶车辆与自动驾驶车辆的博弈交互问题进行求解,得到最优的换道间隙和自动驾驶车辆的纵向速度轨迹,并采用模型预测控制方法规划出自动驾驶车辆的横向安全换道轨迹。最后,根据人工驾驶车辆不同配合度和延迟响应时间的差异,设计了多组人机混驾试验工况进行验证。试验结果表明：自动驾驶车辆能够快速准确识别人工驾驶车辆的配合度,选择出最优的目标换道间隙,并与间隙周围的自动驾驶车辆协作来汇入目标间隙。在换道过程中,自动驾驶车辆始终与周围车辆保持安全...     

基于深度学习的混合动力汽车预测能量管理

为了优化混合动力汽车的能量动态分配过程,提升混合动力汽车的燃油经济性和动力电池荷电状态（SOC）平衡性,提高混合动力汽车能量管理策略的鲁棒性,以等效燃油消耗最小化策略为基础,结合对车辆未来行驶工况的预测研究,分析车辆未来行驶需求能量的变化,制定相应的动态调整策略。基于车联网通信技术,实时采集车辆的运行状态信息和交通信息,作为车辆未来工况预测模型的输入变量。以数据驱动为特征,基于混合深度学习建立工况预测模型。利用STL分解算法对各输入变量进行周期性、趋势性等特征分解,并对各输入变量的特征分量,使用混合深度学习网络从数据局部特征及时间维度依赖特征来深度挖掘目标车辆车速与外部信息及历史数据的关系,进而对车辆未来的行驶工况进行预测。利用预测的工况信息,分析车辆未来行驶需求能量的变化,应用于自适应等效消耗最小化策略等效因子的实时动态调整,从而实现对车辆的优化控制,并通过与传统自适应等效消耗最小化策略进行对比,验证该方法的有效性。研究结果表明：基于混合深度学习的工况预测模型预测精度比BP网络预测模型高44.72%;利用精确的预测工况信息预测能量管理,可以实时动态调整发动机和电机的功率输出,降低油耗并维持电池SOC平衡。     

基于遗传算法系统效率优化的PHEV电量保持模式控制策略

为了提高插电式混合动力汽车（PHEV）在电量保持下的燃油经济性,并解决插电式混合动力汽车在运行过程中动力元件效率对系统能量利用率影响的问题,制定了系统效率最优的控制策略。以PHEV关键动力部件的测试数据为基础,建立发动机、驱动电机、无级变速器（CVT）以及动力电池等关键部件的效率数值模型,并考虑了温度及荷电状态（SOC）对动力电池充放电功率的影响。设计以混合动力系统效率最优为适应度评价函数,将CVT速比、发动机转矩作为优化变量,以车速、加速度和SOC为状态变量,在动力性指标的约束下,运用遗传算法进行迭代寻优,PHEV的系统效率在第20代左右收敛于全局最优值。同时发动机转矩和CVT速比通过多代遗传进化,较快收敛于最佳值。将相关优化结果与车速、加速度拟合成相应的三维控制数表,综合数值建模和试验测试数据建模的方法,基于MATLAB/Simulink搭建插电式混合动力汽车整车控制策略仿真模型,采用新欧洲行驶循环工况进行仿真验证。结果表明：插电式混合动力汽车在电量保持模式下,利用遗传算法优化的系统效率最优控制策略相比优化前,动力电池SOC运行更为平稳,CVT效率有所提升,驱动电机及发动机转矩分配更为合理;百公里燃油消耗量从优化前的5.2 L降至4.5 L,燃油经济性提升了13.5%。     

信号交叉口自动驾驶左转车辆类人化全局运动轨迹规划

为了提高信号交叉口自动驾驶车辆左转运动规划的适应性、鲁棒性与类人化程度，提出一种考虑多目标需求的自动驾驶类人化全局运动规划方法。首先，基于西安市北大街信号交叉口规格构建结构化场景，结合车辆运动学模型与道路几何规格定义自动驾驶车辆规范化行驶安全域和车辆运动参数约束条件；其次，根据信号灯状态、道路限速与车辆性能约束制定上游阶段车辆不停车通行规则，以行驶安全、燃油消耗、通行效率与驾驶舒适度作为目标性能函数，构建类人化全局多目标优化模型，通过人类驾驶的车辆预转弯行为耦合上游阶段与转弯阶段；再次，针对非线性运动规划模型变量与约束规模化问题，采用粒子群算法与全联立正交配置有限元方法求解不同阶段车辆运动轨迹的最优解；最后，试验建立Prescan与MATLAB/Simulink联合仿真平台，从多目标性能、适应性以及合理性方面验证该模型的综合性能。结果表明：在以信号灯状态和车辆初速度为变量建立的12种工况下，该模型与人类驾驶车辆、混合运动规划模型相比，平均可分别节省燃油消耗63.7%和29.5%，平均通行延时分别降低3、0.9 s，且轨迹曲率更平缓，最大横向加速度与方向盘转角平方和的平均值最小，证明该模型的多目标性能更好；在以路缘石半径与车道数目为变量建立的7种交叉口规格工况下，所提出模型的车辆轨迹平滑，轨迹安全域边界距离始终大于1.4 m，曲率变化符合期望且峰值小于0.22 m^-1，说明该模型具有较好的适应性；在自由/固定终端时刻条件下，该模型规划的车辆空间路径、速度、曲率及航向角的变化与目标权重变化保持一致，验证了模型的合理性。     

考虑驾驶员操作误差的混合动力汽车队列生态驾驶控制

鉴于现有生态驾驶控制的研究多基于完全智能网联环境,不适用于传统人类驾驶汽车和网联汽车混行的交通场景,本文中以包含人类驾驶汽车和网联汽车的混合动力汽车队列为研究对象,提出一种考虑驾驶员操作误差的分层生态驾驶控制方法。基于随机模型预测控制算法设计上层控制器以实现车队机动性、燃油经济性和舒适性多目标优化,采用自适应等效燃油消耗最小化策略设计下层控制器以优化车辆发动机与电池的功率分配。仿真结果表明,所提出的方法可有效降低驾驶员操作误差导致的车队中混合动力汽车速度轨迹的偏移量,车辆平均油耗降低2.82%。     

考虑燃油消耗和排放的交叉口汽车路径规划与控制模型

针对现有道路交叉口环保驾驶研究中未充分结合交通状态、未充分考虑道路交叉口冲突区域等问题,基于车联网(V2X)技术,研究提出了一种道路交叉口环保驾驶汽车路径优化控制模型。该模型提前采集前方道路交叉口交通信号灯控制时间信息,并在交叉口前设置控制区域,整个控制过程分为两个阶段:首先,以最低燃油消耗和排放最低为目标,对进入控制区域的车辆进行速度规划,确保以最为环保的方式通过信号灯;其次,以最大程度避开交叉口冲突点为目标,对进入交叉口的车辆进行通行速度规划,使车辆最大程度回避分流冲突点、交叉冲突点、合流冲突点。通过两个阶段的路径规划与控制,实现车辆整体上以最环保的方式通过交叉口的目的。为了验证模型的有效性,搭建了Python和Vissim集成的仿真平台进行仿真,设置了不同的交通流状态场景,并和Webster信号配时下,不受其他控制器控制的车辆进行了燃油消耗和排放对比。试验结果显示,相比于Webster信号配时下,不受其他控制器控制的车辆,受路径规划控制模型控制车辆的燃油消耗降低了42.7%,CO排放量减少了4.26%,表明研究构建的路径规划控制模型是一种有效的道路交叉口环保驾驶路径优化控制策略,可以为车联网条件下车辆环保驾驶提供依据。     

智能车辆换道行驶的经济车速研究

本文旨在实现智能车辆在换道过程中经济车速规划。基于瞬态燃油消耗模型、车辆动力学模型和换道过程中道路曲率信息,利用动态规划算法求得车辆在换道过程中的经济车速轨迹。Matlab/Simulink与Car Sim联合仿真结果表明,与定速巡航算法相比,动态规划算法可节油8%左右。采用所提出的方法可在保证智能车辆安全行驶的基础上,提升其燃油经济性能,为智能车辆换道的速度控制提供决策依据。     

车路协同无信号交叉口的矩形冲突检测及消解

针对车路协同环境下的冲突问题，建立了以系统反应时间代替驾驶员反应时间的自动驾驶车辆制动距离模型，以此作为安全距离改进了矩形冲突检测模型，并根据轨迹优化的研究思路，提出了以矩形冲突检测模型为基础的冲突消解算法，对非通行优先权车辆进行速度引导，避免车辆冲突。在车联网开源框架 Veins 的基础上，将交通仿真器 SUMO和网络仿真器 OMNeT++双向耦合，并对冲突检测模型与消解模型进行验证。仿真结果显示，该冲突检测及消解模型具有可行性，与传统无信号交叉口四路停车让行规则相比，模型中的速度引导方案能减少合流冲突车辆 8.6%的平均行驶时间，减少交叉冲突车辆 8.3%的平均行驶时间；合流冲突和交叉冲突中车辆的平均速度分别提高了61.4%和105.0%。在实际应用中，冲突消解模型可以为不同速度范围内的自动驾驶车辆提供速度参考，降低无信号交叉口车辆发生碰撞的概率，提高无信号交叉口的通行效率。     

智能网联场景下纯电动客车车速规划算法研究

文章针对智能网联场景,在考虑交通信号灯SPAT信息的基础上,采用MPC模型预测控制算法对队列行驶的纯电动客车进行实时车速规划,实现了车辆交通路口前不停车跟驰行驶,同时保证了车队中各个车辆的行驶安全性、能耗经济性、驾驶平顺性及乘坐舒适性。     

新的PHEV动力匹配控制方法设计与应用

设计了基于CD-ECMS的动力系统控制策略,优化车辆的参数,提升车辆的综合性能。新的动力匹配模块根据路况、车辆实时状态等信息科学匹配电机和发动机的动力输出,提升发动机和电机的工作协调能力,改善车辆动力性能和燃油经济性,新的控制算法嵌入到插电式混合动力的动力控制系统中,通过系统仿真和实验验证,结果表明：新的动力匹配算法避免能量的二次转换,对比ECMS和CD-CS控制策略,百公里油耗分别降低了0.31L和0.11L,电池转换效率分别提升了1.2%和11.2%,SOC分别下降了3%和7%,综合效率分别提升了1%和19%。     

基于动态规划与RBF神经网络的PHEV能量管理策略

为提高插电式混合动力汽车燃油经济性,设计了一种基于动态规划和径向基函数（RBF）神经网络的插电式混合动力汽车能量管理策略。首先,建立了插电式混合汽车数学模型;其次,以发动机油耗最小为目标函数,采用动态规划求解全局最优的离线优化结果;最后,采用RBF神经网络对离线最优控制结果进行学习,建立了发动机输出转矩与车辆状态参数之间的非线性映射关系,得到了基于动态规划和RBF神经网络的能量管理策略。仿真结果表明,文章所提策略油耗较之于电量消耗-维持策略降低了2.92%,验证了该策略的有效性。     

智能车经济性起步车速规划研究

智能车的车速决策影响燃油经济性。以起步阶段加速工况的燃油经济性为优化目标,建立了瞬态燃油消耗模型,并提出了基于该模型的经济性换挡规律制定方法;根据车辆纵向动力学方程,建立了基于前向欧拉离散方法的车速状态转移方程,以及确定相应的初末约束条件、边界条件;基于动态规划最优性原理,提出了智能车起步过程的经济性车速规划方法,建立了基于速度状态搜索策略;根据Matlab/Simulink和CarSim联合仿真,对比了典型驾驶员速度跟随模式的燃油消耗水平,结果表明,基于动态规划优化后的经济性车速及相应的挡位序列具有良好的节油特性,可为智能车经济驾驶的车速规划及挡位规划提供指导。     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性。针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径。提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法。以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集的关联函数动态分配轨迹跟踪精度和横向稳定性的权重系数,建立了自动驾驶汽车轨迹跟踪的多目标模型预测可拓协调控制策略。数值仿真结果表明,提出的路径规划方法能保证车辆安全超车,轨迹跟踪控制策略不仅能精确地跟踪规划的路径,而且具有较高的横向稳定性和舒适性。     

复杂动态环境下智能汽车局部路径规划与跟踪算法研究

路径规划及路径跟踪控制是智能汽车研究的关键技术，而复杂、时变的交通环境给智能汽车的路径规划与跟踪提出严苛要求。针对现有局部路径规划方法只适用于较为简单的工况，无法应对多车道、多静/动态障碍等复杂工况的问题，提出一种基于离散优化思想的动态路径规划算法。该算法利用样条曲线曲率变化均匀的特性，在s-ρ曲线坐标系中生成了一组参数化候选路径簇；考虑动态碰撞安全影响，在碰撞带约束下结合道路法规限制及车辆动态安全要求，规划车辆速度；此外，综合考虑静态安全性、舒适性、目标车道、道路占用率等影响因素，以选择最优路径。在路径跟踪层面，基于预瞄理论设计鲁棒性好、跟踪精度高的分数阶PID路径跟踪控制器，以跟踪误差最小为目标，采用粒子群优化算法对分数阶PID控制器参数进行整定。最后，基于Simulink/CarSim建立联合仿真平台，设计多车道，多静/动态障碍的复杂工况以验证该算法的有效性。研究结果表明：由于在评价函数中引入动态安全评价指标、目标车道评价指标以及道路占用率指标，极大地提升了规划器性能，使车辆在行驶过程中根据驾驶环境自主调整速度，降低换道次数，从而保证智能汽车的主动安全性能，提升了通行效率，使该算法能够较好地处理复杂动态环境下的避障问题。