一种两级分层的网联自动驾驶车队控制方法和装置

1.本技术涉及网联自动驾驶技术领域，特别是涉及一种两级分层的网联自动驾驶车队控制方法和装置。


背景技术：

2.近些年来受益于通信技术的爆炸式发展，各种车辆和道路信息可以在物体之间实现实时共享。在这种互联环境中，对网联自动驾驶车队(cavs)进行优化控制将允许车辆在遇到干扰时同时加速或制动，这将在一定程度上提高道路安全性，并提升道路的通行能力和减少拥堵。为了更好地利用cavs在很多方面的优势，需要结合一些合适的控制框架来进行流量控制。
3.在控制框架中，模型预测控制(mpc)是一种常用的方法，已被许多学者应用于车队控制。将基于mpc的协作控制策略，用于cavs编队行驶，能够很好地应用于车队的控制。然而，现有的研究中它们所选择的车队策略是采用固定车头的策略。这种策略虽然可以保证车队的安全，但是在车速较高的情况下会引发车距过大的问题，从而导致道路资源的浪费。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够提高道路资源利用率的两级分层的网联自动驾驶车队控制方法和装置。
5.一种两级分层的网联自动驾驶车队控制方法，所述方法包括：
6.获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，所述车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角；
7.将所述车载单元和所述路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息；
8.根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型；
9.根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式；
10.根据安全、高效、舒适、节能的目标，构造目标函数和约束条件；
11.mpc控制器根据所述网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略；
12.基于所述控制策略对所述目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。
13.在其中一个实施例中，所述根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型，包括：
14.根据车辆自身属性的组成特点，计算车辆i的等效质量mi为：
15.mi＝mi(1.566
×
104vi(t)
6.687
+0.3345)
16.其中，mi为车辆i的实际质量；vi(t)为车辆i的行驶速度；
17.根据车辆运动状态的特征，计算道路空间内点(x
*
,y
*
)的表达式：
[0018][0019]
其中，(x,y)为车辆在道路空间内的坐标，表示车辆的位置；φ为车辆转向角；
[0020]
根据车辆运动状态的特征，计算道路空间内点(x
*
,y
*
)到车辆质心的伪距离k
′
为：
[0021][0022]
其中，(x0，y0)为目标车辆质心所在空间位置坐标；τ为安全距离的临界阈值；v为车辆当前速度；α为与速度相关的待定参数；e为自然对数函数的底数；
[0023]
按照安全势场理论将交通流视为一个势场，构建车辆的安全势场模型的表达式为：
[0024][0025]
其中，en为车辆安全势场的场强函数；λ、β1为确定系数；θ为任意点与车辆质心连线与车辆运动方向的顺时针夹角；a为车辆加速度。
[0026]
在其中一个实施例中，所述根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式，包括：
[0027]
以a车辆为前车，b车辆为a车辆的跟驰车，根据安全势场模型进行分析，得出车辆a在临界势场值处的向后距离与车辆b在临界势场值处的向前距离的表达式为：
[0028][0029][0030]
其中，ma为车辆a的等效质量，mb为车辆b的等效质量，e
critical
为临界安全场强值，为车辆a在临界势场值处的向后距离，为车辆b在临界势场值处的向前距离，va为车辆a的当前行驶速度，vb为车辆b的当前行驶速度；
[0031]
根据安全势场理论，分析临界安全距离l
total
，所述临界安全距离为a、b两车辆的安全势场相切的距离，其表达式为：
[0032][0033]
根据网联自动驾驶车队中车辆的分布形式，分析第i辆车在t时刻时与前车之间的期望距离的表达式为：
[0034][0035]
其中，l0为车辆长度；
[0036]
结合安全势场模型，定义网联自动驾驶车队中第i辆车的状态：xi(t)表示车队里
车辆对应位置的状态，yi(t)表示车队里车辆有关速度差的状态，故(xi(t),yi(t))为：
[0037][0038]
yi(t)＝vi(t)-v
i-1
(t)
[0039]di
(t)＝d
i-1
(t)-di(t)
[0040]
其中，di(t)为第i辆车与前一辆车的实际距离，vi(t)为第i辆车的行驶速度，di(t)为第i辆车的纵向位置，为第i辆车在t时刻时与前车之间的期望距离，d
i-1
(t)为第i-1辆车的纵向位置，v
i-1
(t)为第i-1辆车的行驶速度；
[0041]
根据前后两车辆的当前行驶速度与所述临界安全距离之间的关系，将xi(t)的表达式代换为：
[0042][0043]
其中，a
i-1
(t)为车队内第i-1辆车在t时刻的加速度，ai(t)为车队内第i辆车在t时刻的加速度，vi(t)为第i辆车的行驶速度，v
i-1
(t)为第i-1辆车的行驶速度，为第i辆车的在临界势场值处的向前距离，为第i-1辆车的在临界势场值处的向后距离；
[0044]
根据安全势场模型中参数的标定结果，当e
critical
的阈值和β1、λ、α的取值确定时，将xi(t)进一步化简为：
[0045][0046]
其中，μ为安全势场模型中的安全势场强度，表示在某一位置上的交通安全程度；
[0047]
根据泰勒展开将非线性项进行似然化展开，得到xi(t)的线性表达：
[0048]
xi(t)＝d
i-1
(t)-di(t)-μ[1-β1a
i-1
(t)+αv
i-1
(t)+1-β1ai(t)-αvi(t)]-l0[0049]
根据xi(t)的线性表达，车队的状态空间可以表达为：
[0050][0051]
其中，为状态xi(t)的一阶导数，为状态yi(t)的一阶导数，为状态yi(t)的二阶导数，vi(t)为车队内车辆i在t时刻的速度，ai(t)为车队内车辆i在t时刻的加速度；
[0052]
将控制的输出ui(t)定义为车队内第i在t时刻的加速度变化，车队内车辆的系统状态方程表达为：
[0053][0054][0055][0056]
其中，0n为n维0阶矩阵，e＝μα
·in
，ui(t)为车队内第i在t时刻的控制输出值，e为交通安全势能，in为n维单位矩阵。
[0057]
在其中一个实施例中，所述根据安全、高效、舒适、节能的目标，构造目标函数和约束条件，包括：
[0058]
根据安全性、效率以及环境能源节油消耗角度，构造目标函数和相应的约束条件为：
[0059][0060]
s.t.0＜＜i＜＜v
max
,a
min
＜＜ai＜＜a
max
；i＝1,2,3,
…n[0061]
其中，minj(
·
)为成本函数，n为车队中车辆的总数，k为预测时域，t
p
为采样时间，δd为在预测范围内车队中第i辆智能网联汽车与前车之间的纵向距离，d
safety
为车队内车辆间的最小安全纵向距离，δv为车队中第i辆智能网联汽车与前车之间的速度差，vi为车队内第i辆车的速度，v
eco
为车辆的最佳节能速度，wd为目标函数中安全部分的权重，wv为目标函数中效率部分的权重，we为目标函数中环境能源部分的权重，v
max
为车辆允许的最大限速，a
min
为车辆的最大减速度取值，a
max
为车辆的最大加速度取值。
[0062]
一种两级分层的网联自动驾驶车队控制装置，所述装置包括：信息获取模块、数据融合模块、模型构建模块、状态空间表达式构建模块、目标函数构建模块、控制策略预测模块和控制模块；
[0063]
所述信息获取模块，用于获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，所述车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角；
[0064]
所述数据融合模块，用于将所述车载单元和所述路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息；
[0065]
所述模型构建模块，用于根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型；
[0066]
所述状态空间表达式构建模块，用于根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式；
[0067]
所述目标函数构建模块，用于根据安全、高效、舒适、节能的目标，构造目标函数和约束条件；
[0068]
所述控制策略预测模块，用于mpc控制器根据所述网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略；
[0069]
所述控制模块，用于基于所述控制策略对所述目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。
[0070]
上述两级分层的网联自动驾驶车队控制方法和装置，通过获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，所述车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角，将所述车载单元和所述路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息，根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型，根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式，根据安全、高效、舒适、节能的目标，构造目标函数和约束条件，mpc控制器根据所述网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略，基于所述控制策略对所述目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。由此，可以为网联自动驾驶车辆编队提供更加智能和高效的控制方法，提高了交通效率和降低燃料消耗，从而减少了道路资源的浪费。
附图说明
[0071]
图1为一个实施例中两级分层的网联自动驾驶车队控制方法的流程示意图；
[0072]
图2为一个实施例中基于安全势场理论的车辆临界安全距离示意图；
[0073]
图3为一个实施例中mpc框架示意图。
具体实施方式
[0074]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0075]
在一个实施例中，如图1所示，提供了一种两级分层的网联自动驾驶车队控制方法，包括以下步骤：
[0076]
步骤s220，获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角。
[0077]
应理解，用车载单元(obus)和路侧单元(rsus)所配备的各种通信设备(例如v2x、v2i等)来获得网联自动驾驶车辆(cavs)下的所有车辆的车辆运动相关信息。车载单元会采集车辆的车辆运动相关信息，路侧单元同样也会采集经过的网联自动驾驶车队的车辆运动相关信息。
[0078]
步骤s240，将车载单元和路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息。
[0079]
应理解，数据融合是车载单元采集的车辆运动相关信息与路侧单元采集的车辆运动相关信息进行融合，获得融合处理后的车辆运动相关信息。
[0080]
其中，数据融合式可以采用如机器学习的模型、统计模型和经验模型等进行数据融合处理。
[0081]
步骤s260，根据融合处理后的车辆运动相关信息，构建车辆的安全势场模型。
[0082]
在一个实施例中，根据融合处理后的车辆运动相关信息，构建车辆的安全势场模型，包括：
[0083]
根据车辆自身属性的组成特点，计算车辆i的等效质量mi为：
[0084]
mi＝mi(1.566
×
104vi(t)
6.687
+0.3345)
[0085]
其中，mi为车辆i的实际质量；vi(t)为车辆i的行驶速度；
[0086]
根据车辆运动状态的特征，计算道路空间内点(x
*
,y
*
)的表达式：
[0087][0088]
其中，(x,y)为车辆在道路空间内的坐标，表示车辆的位置；φ为车辆转向角；
[0089]
根据车辆运动状态的特征，计算道路空间内点(x
*
,y
*
)到车辆质心的伪距离k
′
为：
[0090][0091]
其中，(x0，y0)为目标车辆质心所在空间位置坐标；τ为安全距离的临界阈值；v为车辆当前速度；α为与速度相关的待定参数；e为自然对数函数的底数；
[0092]
按照安全势场理论将交通流视为一个势场，构建车辆的安全势场模型的表达式为：
[0093][0094]
其中，ev为车辆安全势场的场强函数；λ、β1为确定系数；θ为任意点与车辆质心连线与车辆运动方向的顺时针夹角；a为车辆加速度。
[0095]
应理解，安全势场理论将交通流视为一个势场，通过构建安全势场模型(spf)来描述车辆之间的相互作用和影响。
[0096]
步骤s280，根据车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式。
[0097]
其中，根据车辆的实时运动状态，安全势场模型(spf)可以表征车辆周围的安全风险。
[0098]
其中，根据安全势场模型，车辆将根据车辆临界安全距离l
total
改变其运动状态，该临界安全距离可以通过车辆的安全势场分布关系确定，如图2所示，a车辆为前车，b车辆为a车辆的跟驰车，可以根据安全势场模型进行分析，得出车辆a在临界势场值处的向后距离与车辆b在临界势场值处的向前距离根据安全势场理论，计算临界安全距离l
total
。
[0099]
在一个实施例中，根据车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式，包括：
[0100]
以a车辆为前车，b车辆为a车辆的跟驰车，根据安全势场模型进行分析，得出车辆a在临界势场值处的向后距离与车辆b在临界势场值处的向前距离的表达式为：
[0101][0102][0103]
其中，ma为车辆a的等效质量，mb为车辆b的等效质量，e
critical
为临界安全场强值，为车辆a在临界势场值处的向后距离，为车辆b在临界势场值处的向前距离，va为车辆a的当前行驶速度，vb为车辆b的当前行驶速度；
[0104]
根据安全势场理论，分析临界安全距离l
total
，临界安全距离为a、b两车辆的安全势场相切的距离，其表达式为：
[0105][0106]
根据网联自动驾驶车队中车辆的分布形式，分析第i辆车在t时刻时与前车之间的期望距离的表达式为：
[0107][0108]
其中，l0为车辆长度；
[0109]
结合安全势场模型，定义网联自动驾驶车队中第i辆车的状态：xi(t)表示车队里车辆对应位置的状态，yi(t)表示车队里车辆有关速度差的状态，故(xi(t),yi(t))为：
[0110][0111]
yi(t)＝vi(t)-v
i-1
(t)
[0112]di
(t)＝d
i-1
(t)-di(t)
[0113]
其中，di(t)为第i辆车与前一辆车的实际距离，vi(t)为第i辆车的行驶速度，di(t)为第i辆车的纵向位置，为第i辆车在t时刻时与前车之间的期望距离，d
i-1
(t)为第i-1辆车的纵向位置，v
i-1
(t)为第i-1辆车的行驶速度；
[0114]
根据前后两车辆的当前行驶速度与临界安全距离之间的关系，将xi(t)的表达式代换为：
[0115][0116]
其中，a
i-1
(t)为车队内第i-1辆车在t时刻的加速度，ai(t)为车队内第i辆车在t时刻的加速度，vi(t)为第i辆车的行驶速度，v
i-1
(t)为第i-1辆车的行驶速度，为第i辆车的在临界势场值处的向前距离，为第i-1辆车的在临界势场值处的向后距离；
[0117]
根据安全势场模型中参数的标定结果，当e
critical
的阈值和β1、λ、α的取值确定时，将xi(t)进一步化简为：
[0118][0119]
其中，μ为安全势场模型中的安全势场强度，表示在某一位置上的交通安全程度；
[0120]
根据泰勒展开将非线性项进行似然化展开，得到xi(t)的线性表达：
[0121]
xi(t)＝d
i-1
(t)-di(t)-μ[1-β1α
i-1
(t)+αv
i-1
(t)+1-β1ai(t)-αvi(t)]-l0[0122]
根据xi(t)的线性表达，车队的状态空间可以表达为：
[0123][0124]
其中，为状态xi(t)的一阶导数，为状态yi(t)的一阶导数，为状态yi(t)的二阶导数，vi(t)为车队内车辆i在t时刻的速度，ai(t)为车队内车辆i在t时刻的加速度；
[0125]
将控制的输出ui(t)定义为车队内第i在t时刻的加速度变化，车队内车辆的系统状态方程表达为：
[0126][0127]
[0128][0129]
其中，0n为n维0阶矩阵，e＝μα
·in
，ui(t)为车队内第i在t时刻的控制输出值，e为交通安全势能，in为n维单位矩阵。
[0130]
步骤s300，根据安全、高效、舒适、节能的目标，构造目标函数和约束条件。
[0131]
在一个实施例中，根据安全、高效、舒适、节能的目标，构造目标函数和约束条件，包括：
[0132]
根据安全性、效率以及环境能源节油消耗角度，构造目标函数和相应的约束条件为：
[0133][0134]
s.t.0＜＜vi＜＜v
max
,a
min
＜＜ai＜＜a
max
；i＝1,2,3,
…n[0135]
其中，minj(
·
)为成本函数，n为车队中车辆的总数，k为预测时域，t
p
为采样时间，δd为在预测范围内车队中第i辆智能网联汽车与前车之间的纵向距离，d
safety
为车队内车辆间的最小安全纵向距离，δv为车队中第i辆智能网联汽车与前车之间的速度差，vi为车队内第i辆车的速度，v
eco
为车辆的最佳节能速度，wd为目标函数中安全部分的权重，wv为目标函数中效率部分的权重，we为目标函数中环境能源部分的权重，v
max
为车辆允许的最大限速，a
min
为车辆的最大减速度取值，a
max
为车辆的最大加速度取值。
[0136]
步骤s320，mpc控制器根据网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略。
[0137]
其中，根据mpc控制框架，如图3所示以当前k时刻为时间状态的分界点：左侧为过去的时间状态，右侧为将来的时间状态；在mpc控制过程中，根据一条参考轨迹来校正输出；mpc控制器根据当前实测数值和基于网联自动驾驶车队的状态空间表达构建的预测模型，来预测系统未来一段时域范围内的控制策略输出，其中，预测时域为[k,k+p]。
[0138]
其中，控制策略中可能包含多种控制方式，需要通过求解满足设定目标函数以及规定约束的优化问题，得出一种安全、高效、舒适、节能的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出。
[0139]
步骤s340，基于控制策略对目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。
[0140]
其中，在下一时刻k+1时，重复步骤s320-步骤s340的过程，反复滚动求解带约束的优化问题；根据求解该优化问题，可以得到在未来一段时间的控制序列并根据所设定的控制参数循环往复，直至完成所有的控制过程。
[0141]
上述两级分层的网联自动驾驶车队控制方法，通过获取车载单元和路侧单元采集
网联自动驾驶车队环境下所有车辆的车辆运动相关信息，车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角，将车载单元和路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息，根据融合处理后的车辆运动相关信息，构建车辆的安全势场模型，根据车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式，根据安全、高效、舒适、节能的目标，构造目标函数和约束条件，mpc控制器根据网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略，基于控制策略对目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。由此，可以为网联自动驾驶车辆编队提供更加智能和高效的控制方法，提高了交通效率和降低燃料消耗，从而减少了道路资源的浪费。
[0142]
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
[0143]
在一个实施例中，提供了一种两级分层的网联自动驾驶车队控制装置，该装置可以采用软件模块或硬件模块，或者是二者的结合成为计算机设备的一部分，该装置具体包括：信息获取模块、数据融合模块、模型构建模块、状态空间表达式构建模块、目标函数构建模块、控制策略预测模块和控制模块。
[0144]
信息获取模块，用于获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角。
[0145]
数据融合模块，用于将车载单元和路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息。
[0146]
模型构建模块，用于根据融合处理后的车辆运动相关信息，构建车辆的安全势场模型。
[0147]
状态空间表达式构建模块，用于根据车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式。
[0148]
目标函数构建模块，用于根据安全、高效、舒适、节能的目标，构造目标函数和约束条件。
[0149]
控制策略预测模块，用于mpc控制器根据网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略。
[0150]
控制模块，用于基于控制策略对目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。
[0151]
关于两级分层的网联自动驾驶车队控制装置的具体限定可以参见上文中对于两级分层的网联自动驾驶车队控制方法的限定，在此不再赘述。上述两级分层的网联自动驾驶车队控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块
可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0152]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0153]
以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种两级分层的网联自动驾驶车队控制方法，其特征在于，所述方法包括：获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，所述车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角；将所述车载单元和所述路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息；根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型；根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式；根据安全、高效、舒适、节能的目标，构造目标函数和约束条件；mpc控制器根据所述网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略；基于所述控制策略对所述目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。2.根据权利要求1所述的方法，其特征在于，所述根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型，包括：根据车辆自身属性的组成特点，计算车辆i的等效质量m
i
为：m
i
＝m
i
(1.566
×
104v
i
(t)
6.687
+0.3345)其中，m
i
为车辆i的实际质量；v
i
(t)为车辆i的行驶速度；根据车辆运动状态的特征，计算道路空间内点(x
*
,y
*
)的表达式：其中，(x,y)为车辆在道路空间内的坐标，表示车辆的位置；φ为车辆转向角；根据车辆运动状态的特征，计算道路空间内点(x
*
,y
*
)到车辆质心的伪距离k
′
为：其中，(x0，y0)为目标车辆质心所在空间位置坐标；τ为安全距离的临界阈值；v为车辆当前速度；α为与速度相关的待定参数；e为自然对数函数的底数；按照安全势场理论将交通流视为一个势场，构建车辆的安全势场模型的表达式为：其中，e
v
为车辆安全势场的场强函数；λ、β1为确定系数；θ为任意点与车辆质心连线与车辆运动方向的顺时针夹角；a为车辆加速度。3.根据权利要求2所述的方法，其特征在于，所述根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式，包括：以a车辆为前车，b车辆为a车辆的跟驰车，根据安全势场模型进行分析，得出车辆a在临界势场值处的向后距离与车辆b在临界势场值处的向前距离的表达式为：
其中，m
a
为车辆a的等效质量，m
b
为车辆b的等效质量，e
critical
为临界安全场强值，为车辆a在临界势场值处的向后距离，为车辆b在临界势场值处的向前距离，v
a
为车辆a的当前行驶速度，v
b
为车辆b的当前行驶速度；根据安全势场理论，分析临界安全距离l
total
，所述临界安全距离为a、b两车辆的安全势场相切的距离，其表达式为：根据网联自动驾驶车队中车辆的分布形式，分析第i辆车在t时刻时与前车之间的期望距离的表达式为：其中，l0为车辆长度；结合安全势场模型，定义网联自动驾驶车队中第i辆车的状态：x
i
(t)表示车队里车辆对应位置的状态，y
i
(t)表示车队里车辆有关速度差的状态，故(x
i
(t),y
i
(t))为：y
i
(t)＝v
i
(t)-v
i-1
(t)d
i
(t)＝d
i-1
(t)-d
i
(t)其中，d
i
(t)为第i辆车与前一辆车的实际距离，v
i
(t)为第i辆车的行驶速度，d
i
(t)为第i辆车的纵向位置，为第i辆车在t时刻时与前车之间的期望距离，d
i-1
(t)为第i-1辆车的纵向位置，v
i-1
(t)为第i-1辆车的行驶速度；根据前后两车辆的当前行驶速度与所述临界安全距离之间的关系，将x
i
(t)的表达式代换为：其中，a
i-1
(t)为车队内第i-1辆车在t时刻的加速度，a
i
(t)为车队内第i辆车在t时刻的加速度，v
i
(t)为第i辆车的行驶速度，v
i-1
(t)为第i-1辆车的行驶速度，为第i辆车的在临
界势场值处的向前距离，为第i-1辆车的在临界势场值处的向后距离；根据安全势场模型中参数的标定结果，当e
critical
的阈值和β1、λ、α的取值确定时，将x
i
(t)进一步化简为：其中，μ为安全势场模型中的安全势场强度，表示在某一位置上的交通安全程度；根据泰勒展开将非线性项进行似然化展开，得到x
i
(t)的线性表达：x
i
(t)＝d
i-1
(t)-d
i
(t)-μ[1-β1a
i-1
(t)+αv
i-1
(t)+1-β1a
i
(t)-αv
i
(t)]-l0根据x
i
(t)的线性表达，车队的状态空间可以表达为：其中，为状态x
i
(t)的一阶导数，为状态y
i
(t)的一阶导数，为状态y
i
(t)的二阶导数，v
i
(t)为车队内车辆i在t时刻的速度，a
i
(t)为车队内车辆i在t时刻的加速度；将控制的输出u
i
(t)定义为车队内第i在t时刻的加速度变化，车队内车辆的系统状态方程表达为：程表达为：程表达为：其中，0
n
为n维0阶矩阵，e＝μα
·
i
n
，u
i
(t)为车队内第i在t时刻的控制输出值，e为交通安全势能，i
n
为n维单位矩阵。4.根据权利要求3所述的方法，其特征在于，所述根据安全、高效、舒适、节能的目标，构造目标函数和约束条件，包括：根据安全性、效率以及环境能源节油消耗角度，构造目标函数和相应的约束条件为：
s.t.0＜＜v
i
＜＜v
max
，a
min
＜＜a
i
＜＜0
max
；i＝1，2，3，...n其中，minj(
·
)为成本函数，n为车队中车辆的总数，k为预测时域，t
p
为采样时间，δd为在预测范围内车队中第i辆智能网联汽车与前车之间的纵向距离，d
safety
为车队内车辆间的最小安全纵向距离，δv为车队中第i辆智能网联汽车与前车之间的速度差，v
i
为车队内第i辆车的速度，v
eco
为车辆的最佳节能速度，w
d
为目标函数中安全部分的权重，w
v
为目标函数中效率部分的权重，w
e
为目标函数中环境能源部分的权重，v
max
为车辆允许的最大限速，a
min
为车辆的最大减速度取值，a
max
为车辆的最大加速度取值。5.一种两级分层的网联自动驾驶车队控制装置，其特征在于，所述装置包括：信息获取模块、数据融合模块、模型构建模块、状态空间表达式构建模块、目标函数构建模块、控制策略预测模块和控制模块；所述信息获取模块，用于获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，所述车辆运动相关信息包括车辆的位置、行驶速度、行驶加速度和车辆转向角；所述数据融合模块，用于将所述车载单元和所述路侧单元采集的所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息；所述模型构建模块，用于根据所述融合处理后的车辆运动相关信息，构建车辆的安全势场模型；所述状态空间表达式构建模块，用于根据所述车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式；所述目标函数构建模块，用于根据安全、高效、舒适、节能的目标，构造目标函数和约束条件；所述控制策略预测模块，用于mpc控制器根据所述网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略；所述控制模块，用于基于所述控制策略对所述目标函数进行求解，得到在控制时域内的控制输出序列，并将控制输出序列中的第一个元素作为被控对象的实际控制输出，实现对网联自动驾驶车辆的速度控制。

技术总结
本申请涉及一种两级分层的网联自动驾驶车队控制方法和装置。该方法包括：获取车载单元和路侧单元采集网联自动驾驶车队环境下所有车辆的车辆运动相关信息，将所有车辆的车辆运动相关信息进行数据融合，获得融合处理后的车辆运动相关信息，构建车辆的安全势场模型，根据车辆的安全势场模型，构建网联自动驾驶车队的状态空间表达式，根据安全、高效、舒适、节能的目标，构造目标函数和约束条件，MPC控制器根据网联自动驾驶车队的状态空间表达式，预测系统未来一段时域范围内的控制策略，基于控制策略对目标函数进行求解，得到在控制时域内的控制输出序列，实现对网联自动驾驶车辆的速度控制。减少了道路资源的浪费。控制。减少了道路资源的浪费。控制。减少了道路资源的浪费。


技术研发人员：李林恒 谢昊言 曲栩 舒新 冉斌
受保护的技术使用者：东南大学
技术研发日：2023.06.13
技术公布日：2023/8/13