一种智能网联车辆交叉口生态驾驶控制方法

1.本发明涉及网联自动驾驶汽车交通控制技术领域，尤其是涉及一种智能网联车辆交叉口生态驾驶控制方法。


背景技术：

2.交通运输领域是全世界能源消耗和污染排放的主要来源之一。2014年，交通运输行业所造成的二氧化碳排放占全球总量的20.5％，仅次于电力与热力产业。2016年，交通运输行业所消耗的能源占全球能源需求总量的26％，并且至今这一比例仍在不断上升。道路交通的能源消耗和二氧化碳排放更是占到整个交通运输业的72％和80％。因此，解决交通能耗和污染排放问题刻不容缓。
3.生态驾驶辅助系统的研发是当前解决交通能耗和污染问题的主要应对措施。生态驾驶辅助系统以网联自动驾驶技术为基础，通过优化行驶间距、调节行车速度、减少停车次数等方法来节省燃油消耗。生态驾驶主要分为生态巡航驾驶以及交叉口绿色速度引导，前者适用于无信号灯控制的场景，如高速公路、快速路；后者则考虑交叉口信号灯的影响，通过协调网联自动驾驶汽车的加速度、速度和交叉口信号配时，从而实现节约油耗的目的。而随着车路协同技术的发展，网联自动驾驶车辆能够实时获得信号配时信息，这也为交叉口绿色速度引导技术的发展起到了巨大推动作用。
4.在城市道路环境下，交叉口信号控制往往会截断车辆的正常运行，从而对其行驶效率以及能耗产生较大影响，如何实时规划车辆轨迹使之能够以低能耗、高效率的状态通过交叉口，是目前智能网联车辆决策控制问题的一大研究重点。现有实现交叉口绿色速度引导的生态驾驶辅助系统主要采用优化控制的方法，但存在以下明显缺陷：
5.(1)现有的生态驾驶技术往往仅考虑车辆的纵向运动学特征，大多忽略了横向动力学与运动学，更鲜有考虑车辆运行的纵横向耦合特性，从而导致理论建模与车辆的实际运行不匹配，模型的误差较大。
6.(2)在现有考虑了车辆纵横向耦合特性的生态驾驶技术方法中，由于车辆动力学系统具有非线性、高耦合的特点，对车辆控制的实时性与精确性均有一定的影响，目前方法难以实现高效精准的车辆动力学系统闭环反馈控制。
7.(3)现有基于优化控制的生态驾驶技术对于控制时域缺乏优化手段，往往通过仿真实验等手段事先给定控制时域，这限制了车辆驾驶策略选择的灵活性，使车辆的能耗节约无法达到最优，同时也导致了车辆机动性的大幅损失。


技术实现要素：

8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能网联车辆交叉口生态驾驶控制方法，基于海量模拟采样数据全局线性化车辆动力学模型，并构建基于空间域的模型预测控制算法，实现城市道路环境下对智能网联车辆行驶轨迹的实时决策规划、实现智能网联车辆在城市交叉口的高效、绿色通行。
9.本发明的目的可以通过以下技术方案来实现：一种智能网联车辆交叉口生态驾驶控制方法，包括以下步骤：
10.s1、基于gps技术与v2i(vehicle to infrastructure，车辆与基础设施)通信，实时采集交通信息；
11.s2、基于模拟采样的车辆轨迹数据，全局线性化车辆动力学模型；
12.s3、结合交叉口信号配时约束以及全局线性化车辆动力学模型，以作为约束条件，构建基于空间域的生态驾驶优化控制模型；
13.s4、基于模型预测控制技术，将实时采集的交通信息输入生态驾驶优化控制模型，通过迭代动态求解，实时规划生成生态驾驶最优运动轨迹，并实时更新优化自动驾驶控制指令，使车辆按照生态驾驶最优运动轨迹行驶。
14.进一步地，所述步骤s1中具体是由智能网联车辆从车载gps设备、车载感知通讯设备以及路侧感知通信模块获取采集交通信息。
15.进一步地，所述步骤s1中采集的交通信息包括主车位置坐标、车速、偏航角、环境车位置坐标、车速、交叉口信号配时信息。
16.进一步地，所述步骤s2具体是采用纵横向高度耦合的非线性动力学模型离线模拟采样轨迹数据，并基于koopman算子，以模拟采样轨迹数据作为输入，全局线性化车辆动力学模型。
17.进一步地，所述步骤s2包括以下步骤：
18.s21、基函数向量选取与状态向量的扩增；
19.非线性车辆动力学模型为x
k+1
＝f(xk，uk)，其中，表示为在第k时刻的车辆状态向量，包含车辆的纵横向位置坐标、纵横向速度、偏航角以及偏航角速度，为第k时刻的车辆控制输入向量，包含车辆的加速度与前轮转角；
20.根据koopman线性算子理论，通过扩增状态向量xk的维度使原非线性动力学模型趋于线性化，即存在线性算了与基函数φ，使下式成立：
[0021][0022]
选取径向基函数ψ与线性函数的组合作为基函数φ，即
[0023][0024]
其中，ψi(xk)＝||x
k-xi||2log(||x
k-xi||)，xi为随机选取的参数向量；
[0025]
则原状态向量扩增为zk＝(xk，ψ1(xk)，
…
，ψn(xk))；
[0026]
记线性koopman算了则非线性动力系统x
k+1
＝f(xk，uk)转化为线性动力系统z
k+1
＝azk+buk，a，b均为待求的参数矩阵；
[0027]
s22、轨迹数据离线模拟采样；
[0028]
基于虚拟仿真平台，在可行范围内随机产生k(k》》n，m，n)个控制输入u，构成控制输入数据集合u＝[u1，...，uk，...，uk]，将u中的控制输入按次序依次作用于非线性动力学系统x
k+1
＝f(xk，uk)，则得到状态序列x＝[x1，...，xk，...，x
k+1
]，将状态序列依次代入径向
基函数，则可得到扩充状态序列z＝[z1，...，zk，...，zk]及y＝[z2，...，zk，...，z
k+1
]；
[0029]
s23、车辆动力学模型全局线性化；
[0030]
利用最小二乘问题描述线性动力学系统的待定参数矩阵a，b：
[0031][0032]
该最小二乘问题的解为进而将模拟采样的轨迹数据代入该式，得到参数矩阵a，b，即完成非线性车辆动力学模型的全局线性化。
[0033]
进一步地，所述步骤s3具体包括以下步骤：
[0034]
s31、考虑智能网联车辆的能耗与机动性，构建模型成本函数；
[0035]
s32、根据当前信号灯的状态，按照红灯和绿灯两类状态，建立对应的信号配时约束；
[0036]
s33、考虑智能网联车辆在交叉口通行的空间固定性，将时间域模型转化为空间域模型，以车辆纵向位置作为底层变量、以时间作为系统状态变量，构建出构建基于空间域的生态驾驶优化控制模型。
[0037]
进一步地，所述步骤s31中模型成本函数具体为：
[0038][0039]
对应转化为向量矩阵形式为：
[0040][0041]
其中，β0、β1、β2为权重系数；v表示智能网联车的纵向速度，为待求变量；v
des
为智能网联车的期望速度；m为智能网联车质量；a为纵向加速度，为待求变量；f为车辆所受阻力大小；s
tf
为车辆的末态纵向位置；l为车辆距离停车线的纵向距离；t0为车辆到达交叉口的初始时刻，为已知量；tf为车辆通过交叉口的时刻，为待求量，成本函数积分号外项与积分号内第一项用于描述车辆的机动性需求，积分号内第二项用于描述车辆的能耗需求；q
tf
、q、s为权重系数矩阵。
[0042]
进一步地，所述步骤s32中信号配时约束具体为：
[0043]
如果当前时刻为红灯，则tf需满足下述约束条件：
[0044][0045]
其中，r
rest
为剩余的红灯时间，g为绿灯时间；
[0046]
如果当前时刻为绿灯，则tf需满足下述约束条件：
[0047]
当g
rest
≥τ时，tf≤g
rest
+t0；
[0048]
当g
rest
＜τ时，tf≥g
rest
+r+t0；
[0049]
其中，g
rest
为剩余绿灯时间；r为红灯时间；τ为关键时间，由车辆的最大限制加速度以及最大限速确定。
[0050]
进一步地，所述步骤s33具体是通过以下转化公式将时间域模型转化为空间域模型：
[0051][0052]
基于该转化方式，t0→
tf的不确定时间区间转化为s0→
l的固定空间区间，原自由时域优化控制问题转化为带约束的固定空间域优化控制问题。
[0053]
进一步地，所述步骤s4中迭代动态求解的具体过程为：
[0054]
s41、离散化模型成本函数，得到每一空间步的权重系数矩阵qk，sk，k＝(0，1，....，m)；
[0055]
s42、设定迭代次数i＝1，收敛阈值ε，并置控制输入序列u的初值为u0；
[0056]
s43、逆向计算控制律增益：
[0057]
当k＝m时，设定增益矩阵pm＝qm；
[0058]
从k＝m-1至k＝1，逆向递归计算以下方程：
[0059][0060]
s44、正向计算控制输入uk：
[0061][0062]zk+1
＝azk+buk[0063]
得到控制输入序列u以及状态序列z；
[0064]
s45、判断当前所求的时间状态是否满足信号配时约束条件，若满足则执行步骤s46；若不满足，则根据约束条件的边界值修正控制输入u，之后执行步骤s46；
[0065]
s46、收敛性判断，若满足||u-u0||≤ε，则得到最优解，求解结束；若不满足，则令u0＝u、i＝i+1，返回执行步骤s43。
[0066]
与现有技术相比，本发明具有以下优点：
[0067]
一、本发明提出一种基于数据驱动的智能网联车辆交叉口生态驾驶控制方法，首先考虑车辆动力学模型的非线性、纵横向耦合效应，采用海量模拟采样数据，基于koopman算子全局线性化车辆动力学模型，以提升决策控制算法的执行效率；进而考虑城市道路的时空耦合特征，构建基于空间域的生态驾驶优化控制模型，再结合模型预测控制算法，以gps与v2i通信数据作为模型输入，以加速、制动、前轮转角为控制指令，实现对智能网联车辆行驶轨迹的精确、快速决策规划，从而实现智能网联车辆在城市交叉口的高效、绿色通行。
[0068]
二、本发明充分考虑非线性车辆动力学模型的纵横向耦合效应，并采用koopman算子理论全局线性化车辆动力学模型，能够有效提升后续计算求解效率，从而实现智能网联车辆的实时滚动优化控制。
[0069]
三、本发明考虑了城市交叉口环境下信号配时约束对车辆运行的影响，同时考虑了城市道路的时空耦合效应，构建出基于空间域的模型预测控制方法，从而将时间不确定性问题转化为空间确定性问题，能够消除自由控制时域对模型求解带来的影响，确保模型求解结果的可靠性。
[0070]
四、本发明兼顾车辆的能源消耗以及驾驶机动性，实施能耗和行驶机动性的双目标优化，以构建模型成本函数。能够在节约行车能耗、实现节能减排的同时，使车辆机动性能的损失尽可能小，保障车辆的行驶既环保又高效。
附图说明
[0071]
图1为本发明的方法流程示意图。
具体实施方式
[0072]
下面结合附图和具体实施例对本发明进行详细说明。
[0073]
实施例
[0074]
如图1所示，一种智能网联车辆交叉口生态驾驶控制方法，包括以下步骤：
[0075]
s1、基于gps技术与v2i通信，实时采集交通信息；
[0076]
s2、基于模拟采样的车辆轨迹数据，全局线性化车辆动力学模型；
[0077]
s3、结合交叉口信号配时约束以及全局线性化车辆动力学模型，以作为约束条件，构建基于空间域的生态驾驶优化控制模型；
[0078]
s4、基于模型预测控制技术，将实时采集的交通信息输入生态驾驶优化控制模型，通过迭代动态求解，实时规划生成生态驾驶最优运动轨迹，并实时更新优化自动驾驶控制指令，使车辆按照生态驾驶最优运动轨迹行驶。
[0079]
本实施例应用上述技术方案，主要内容包括：
[0080]
步骤1：基于gps技术与v2i通信，实时采集交通信息(主车信息、环境车辆信息、信号配时信息等)。
[0081]
在步骤1中，智能网联车辆可根据车载gps设备、车载感知通讯设备、路侧感知通讯模块获取信息，信息包括：主车位置坐标、车速、偏航角、环境车位置坐标、车速、交叉口信号配时信息。
[0082]
为采集上述信息，本实施例中，所应用的智能网联车辆应具有车辆信息采集装置、通信装置、车辆数据库、车载控制单元；智能信号灯应具有信息感知设备、通信设备、路侧数据处理设备。
[0083]
步骤2：基于模拟采样的车辆轨迹数据，全局线性化车辆动力学模型，以提升决策控制算法的计算效率。
[0084]
在步骤2中，采用纵横向高度耦合的非线性动力学模型离线模拟采样轨迹数据，进而基于koopman算子，以模拟采样轨迹数据为输入，全局线性化车辆动力学模型。包括以下步骤：
[0085]
步骤2.1：基函数向量选取与状态向量的扩增。记精确的非线性车辆动力学模型为x
k+1
＝f(xk，uk)，其中，表示为在第k时刻的车辆状态向量，包含车辆的纵横向位置坐标、纵横向速度、偏航角以及偏航角速度。为第k时刻的车辆控制输入向量，包含车辆的加速度与前轮转角。根据koopman线性算子理论，可通过扩增状态向量xk的维度使原非线性动力学模型趋于线性化，即存在线性算了与基函数φ，使下式成立：
[0086][0087]
选取径向基函数ψ与线性函数的组合作为基函数φ，即
[0088][0089]
其中，ψi(xk)＝||x
k-xi||2log(||x
k-xi||)，xi为随机选取的参数向
量。
[0090]
则原状态向量可扩增为zk＝(xk，ψ1(xk)，
…
，ψn(xk))。
[0091]
记线性koopman算子则非线性动力系统x
k+1
＝f(xk，uk)可转化为线性动力系统z
k+1
＝azk+buk，a，b均为待求的参数矩阵。
[0092]
步骤2.2：轨迹数据离线模拟采样。基于虚拟仿真平台，在可行范围内随机产生k(k》》n，m，n)个控制输入u，构成控制输入数据集合u＝[u1，...，uk，...，uk]，将u中的控制输入按次序依次作用于非线性动力学系统x
k+1
＝f(xk，uk)，则可得到状态序列x＝[x1，...，xk，...，x
k+1
]，将状态序列依次代入径向基函数，则可得到扩充状态序列z＝[z1，...，zk，...，zk]及y＝[z2，...，zk，...，z
k+1
]。
[0093]
步骤2.3：车辆动力学模型全局线性化。线性动力学系统的待定参数矩阵a，b可由下述最小二乘问题描述：
[0094][0095]
该最小二乘问题的解为进而将模拟采样的数据代入该式，则可得到参数矩阵a、b，即完成非线性车辆动力学模型的全局线性化。
[0096]
步骤3：针对交叉口信号配时约束，构建基于空间域的生态驾驶优化控制模型。
[0097]
在步骤3中，针对交叉口信号配时约束，考虑道路的时空耦合特性，构建基于空间域的生态驾驶优化控制模型。包括以下步骤：
[0098]
步骤3.1：模型成本函数构建。模型成本函数主要考虑智能网联车辆的能耗与机动性，成本函数j的数学描述可由下式给出：
[0099][0100]
其中，β0、β1、β2为权重系数；v表示智能网联车的纵向速度，为待求变量；v
des
为智能网联车的期望速度；m为智能网联车质量；a为纵向加速度，为待求变量；f为车辆所受阻力大小；s
tf
为车辆的末态纵向位置；l为车辆距离停车线的纵向距离；t0为车辆到达交叉口的初始时刻，为已知量；tf为车辆通过交叉口的时刻，为待求量。成本函数积分号外项与积分号内第一项用于描述车辆的机动性需求，积分号内第二项用于描述车辆的能耗需求。
[0101]
成本函数可进一步转化为向量矩阵的形式：
[0102][0103]
其中，q
tf
、q、s为权重系数矩阵，均有β0、β1、β2、m、f等常数构成。
[0104]
步骤3.2：信号配时约束建立。信号配时根据当前信号灯的状态(红灯还是绿灯)进行分类讨论，约束的数学描述如下：
[0105]
如果当前时刻为红灯，则tf需满足下述约束条件：
[0106][0107]
其中，r
rest
为剩余的红灯时间，g为绿灯时间。
[0108]
如果当前时刻为绿灯，则tf需满足下述约束条件：
[0109]
当g
rest
≥τ时，tf≤g
rest
+t0[0110]
当g
rest
＜τ时，tf≥g
rest
+r+t0[0111]
其中，g
rest
为剩余绿灯时间；r为红灯时间；τ为关键时间，由车辆的最大限制加速度以及最大限速确定。
[0112]
步骤3.3：时间域模型至空间域模型的转化。由于在时间域优化控制模型中，时间t
f-t0为变量，且受信号配时约束，因此时间域模型的求解具有一定的困难。考虑智能网联车辆在交叉口通行的空间固定性，因此，可将时间域模型转化为空间域模型进行求解，将车辆纵向位置作为底层变量，时间作为系统状态变量，模型从末态自由问题转化为末态固定问题。转化方式如下：
[0113][0114]
基于该转化方式，t0→
tf的不确定时间区间转化为s0→
l的固定空间区间。原自由时域优化控制问题转化为带约束的固定空间域优化控制问题。
[0115]
步骤4：针对模型特点，基于模型预测控制的思想，设计迭代式动态规划算法，实时规划生态驾驶最优运动轨迹，在线滚动优化自动驾驶控制指令。
[0116]
在步骤4中，迭代式动态规划算法包括以下步骤：
[0117]
步骤4.1：离散化成本函数，得到每一空间步的权重系数矩阵qk，sk，(k＝0，1，....，m)。
[0118]
步骤4.2：置迭代次数i＝1，收敛阈值ε，并置控制输入序列u的初值为u0。
[0119]
步骤4.3：逆向计算控制律增益：
[0120]
当k＝m时，置增益矩阵pm＝qm；
[0121]
从k＝m-1至k＝1，逆向递归计算以下方程：
[0122][0123]
步骤4.4：正向计算控制输入uk：
[0124][0125]zk+1
＝azk+buk[0126]
得到控制输入序列u以及状态序列z
[0127]
步骤4.5：判断所求的时间状态是否满足信号配时约束条件，若满足则执行步骤4.6；若不满足，则需根据约束条件的边界值修正控制输入u、之后执行步骤4.6。
[0128]
步骤4.6：收敛性判断。若满足||u-u0||≤ε，则得到最优解、算法结束；若不满足该式，则令u0＝u、i＝i+1，返回步骤4.3。
[0129]
综上可知，本技术方案基于车辆纵横向耦合动力学模型、koopman算子理论、优化控制理论、模型预测控制方法，实现一种基于模拟轨迹数据的车辆动力学系统线性化方案以及面向城市交叉口的空间域模型预测控制方案，能够对智能网联车辆行驶轨迹进行精确、快速地决策规划，从而保障智能网联车辆在城市交叉口环境下行驶的机动性与生态性。

技术特征：
1.一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，包括以下步骤：s1、基于gps技术与v2i通信，实时采集交通信息；s2、基于模拟采样的车辆轨迹数据，全局线性化车辆动力学模型；s3、结合交叉口信号配时约束以及全局线性化车辆动力学模型，以作为约束条件，构建基于空间域的生态驾驶优化控制模型；s4、基于模型预测控制技术，将实时采集的交通信息输入生态驾驶优化控制模型，通过迭代动态求解，实时规划生成生态驾驶最优运动轨迹，并实时更新优化自动驾驶控制指令，使车辆按照生态驾驶最优运动轨迹行驶。2.根据权利要求1所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s1中具体是由智能网联车辆从车载gps设备、车载感知通讯设备以及路侧感知通信模块获取采集交通信息。3.根据权利要求1所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s1中采集的交通信息包括主车位置坐标、车速、偏航角、环境车位置坐标、车速、交叉口信号配时信息。4.根据权利要求1所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s2具体是采用纵横向高度耦合的非线性动力学模型离线模拟采样轨迹数据，并基于koopman算子，以模拟采样轨迹数据作为输入，全局线性化车辆动力学模型。5.根据权利要求4所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s2包括以下步骤：s21、基函数向量选取与状态向量的扩增；非线性车辆动力学模型为x
k+1
＝f(x
k
，u
k
)，其中，表示为在第k时刻的车辆状态向量，包含车辆的纵横向位置坐标、纵横向速度、偏航角以及偏航角速度，为第k时刻的车辆控制输入向量，包含车辆的加速度与前轮转角；根据koopman线性算子理论，通过扩增状态向量x
k
的维度使原非线性动力学模型趋于线性化，即存在线性算子与基函数φ，使下式成立：选取径向基函数ψ与线性函数的组合作为基函数φ，即其中，ψ
i
(x
k
)＝||x
k-x
i
||2log(||x
k-x
i
||)，x
i
为随机选取的参数向量；则原状态向量扩增为z
k
＝(x
k
，ψ1(x
k
)，
…
，ψ
n
(x
k
))；记线性koopman算子则非线性动力系统x
k+1
＝f(x
k
，u
k
)转化为线性动力系统z
k+1
＝az
k
+bu
k
，a，b均为待求的参数矩阵；s22、轨迹数据离线模拟采样；基于虚拟仿真平台，在可行范围内随机产生k(k>>n，m，n)个控制输入u，构成控制输入数据集合u＝[u1，...，u
k
，...，u
k
]，将u中的控制输入按次序依次作用于非线性动力学系统x
k+1
＝f(x
k
，u
k
)，则得到状态序列x＝[x1，...，x
k
，...，x
k+1
]，将状态序列依次代入径向基函数，则可得到扩充状态序列z＝[z1，...，z
k
，...，z
k
]及y＝[z2，...，z
k
，...，z
k+1
]；s23、车辆动力学模型全局线性化；
利用最小二乘问题描述线性动力学系统的待定参数矩阵a，b：该最小二乘问题的解为进而将模拟采样的轨迹数据代入该式，得到参数矩阵a，b，即完成非线性车辆动力学模型的全局线性化。6.根据权利要求5所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s3具体包括以下步骤：s31、考虑智能网联车辆的能耗与机动性，构建模型成本函数；s32、根据当前信号灯的状态，按照红灯和绿灯两类状态，建立对应的信号配时约束；s33、考虑智能网联车辆在交叉口通行的空间固定性，将时间域模型转化为空间域模型，以车辆纵向位置作为底层变量、以时间作为系统状态变量，构建出构建基于空间域的生态驾驶优化控制模型。7.根据权利要求6所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s31中模型成本函数具体为：对应转化为向量矩阵形式为：其中，β0、β1、β2为权重系数；v表示智能网联车的纵向速度，为待求变量；v
des
为智能网联车的期望速度；m为智能网联车质量；a为纵向加速度，为待求变量；f为车辆所受阻力大小；s
tf
为车辆的末态纵向位置；l为车辆距离停车线的纵向距离；t0为车辆到达交叉口的初始时刻，为已知量；t
f
为车辆通过交叉口的时刻，为待求量，成本函数积分号外项与积分号内第一项用于描述车辆的机动性需求，积分号内第二项用于描述车辆的能耗需求；q
tf
、q、s为权重系数矩阵。8.根据权利要求6所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s32中信号配时约束具体为：如果当前时刻为红灯，则t
f
需满足下述约束条件：其中，r
rest
为剩余的红灯时间，g为绿灯时间；如果当前时刻为绿灯，则t
f
需满足下述约束条件：当g
rest
≥τ时，t
f
≤g
rest
+t0；当g
rest
＜τ时，t
f
≥g
rest
+r+t0；其中，g
rest
为剩余绿灯时间；r为红灯时间；τ为关键时间，由车辆的最大限制加速度以及最大限速确定。9.根据权利要求8所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s33具体是通过以下转化公式将时间域模型转化为空间域模型：
基于该转化方式，t0→
t
f
的不确定时间区间转化为s0→
l的固定空间区间，原自由时域优化控制问题转化为带约束的固定空间域优化控制问题。10.根据权利要求7所述的一种智能网联车辆交叉口生态驾驶控制方法，其特征在于，所述步骤s4中迭代动态求解的具体过程为：s41、离散化模型成本函数，得到每一空间步的权重系数矩阵q
k
，s
k
，k＝(0，1，....，m)；s42、设定迭代次数i＝1，收敛阈值ε，并置控制输入序列u的初值为u0；s43、逆向计算控制律增益：当k＝m时，设定增益矩阵p
m
＝q
m
；从k＝m-1至k＝1，逆向递归计算以下方程：s44、正向计算控制输入u
k
：z
k+1
＝az
k
+bu
k
得到控制输入序列u以及状态序列z；s45、判断当前所求的时间状态是否满足信号配时约束条件，若满足则执行步骤s46；若不满足，则根据约束条件的边界值修正控制输入u，之后执行步骤s46；s46、收敛性判断，若满足||u-u0||≤ε，则得到最优解，求解结束；若不满足，则令u0＝u、i＝i+1，返回执行步骤s43。

技术总结
本发明涉及一种智能网联车辆交叉口生态驾驶控制方法，包括：基于GPS技术与V2I通信，实时采集交通信息；基于模拟采样的车辆轨迹数据，全局线性化车辆动力学模型；结合交叉口信号配时约束以及全局线性化车辆动力学模型，以作为约束条件，构建基于空间域的生态驾驶优化控制模型；基于模型预测控制技术，将实时采集的交通信息输入生态驾驶优化控制模型，通过迭代动态求解，实时规划生成生态驾驶最优运动轨迹，并实时更新优化自动驾驶控制指令，使车辆按照生态驾驶最优运动轨迹行驶。与现有技术相比，本发明能够精确、快速地对智能网联车辆行驶轨迹进行决策规划，从而实现智能网联车辆在城市交叉口的高效、绿色通行。绿色通行。绿色通行。


技术研发人员：胡笳 冯永威 张子晗 王浩然
受保护的技术使用者：同济大学
技术研发日：2023.02.24
技术公布日：2023/6/3