覃頻頻，張順鋒，吳鋒民，譚鴻運，黃俊明

(1. 廣西制造系統(tǒng)與先進制造技術(shù)重點實驗室, 廣西 南寧 530004； 2. 廣西大學(xué) 機械工程學(xué)院, 廣西 南寧 530004)

0 引言

智能網(wǎng)聯(lián)汽車作為智能交通領(lǐng)域的重要組成部分，近年來已成為國內(nèi)外各大研究院和車企的研究熱點[1]。其中縱橫向協(xié)同控制是智能網(wǎng)聯(lián)汽車實現(xiàn)自動駕駛的關(guān)鍵技術(shù)之一[2]，由于車輛是高度非線性、強耦合的時變系統(tǒng)，獨立進行縱向或橫向控制將可能導(dǎo)致整車性能沖突，降低控制系統(tǒng)精度和安全性[3]。因此在保證行駛安全性、舒適性和平順性等前提下，如何有效利用車輛縱橫向關(guān)聯(lián)特性，實現(xiàn)對智能網(wǎng)聯(lián)汽車組成的車隊的縱橫向協(xié)調(diào)控制，還需要進一步研究。

Bayuwindra等[4]針對智能網(wǎng)聯(lián)車隊縱橫向協(xié)同控制設(shè)計了基于協(xié)同自適應(yīng)巡航的縱橫向非線性控制器，該控制器通過雷達(dá)和Vehicle to Vehicle (V2V)獲取引導(dǎo)車輛速度和航向信息，實現(xiàn)車隊基于縱向安全距離的跟馳行駛，且能夠補償車隊中的急轉(zhuǎn)向行為。Chen等[5]提出了一種分層混合控制系統(tǒng)，該系統(tǒng)高層根據(jù)周圍車輛狀態(tài)做出安全的駕駛行為決策，低層采用模型預(yù)測控制方法整合車輛縱向和橫向控制。Tork等[6]提出了一種基于改進的自適應(yīng)神經(jīng)控制器的模型獨立控制方法，通過轉(zhuǎn)向角和扭矩的輸入實現(xiàn)了縱橫向運動的協(xié)同控制。梁藝瀟等[7]采用神經(jīng)網(wǎng)絡(luò)逆系統(tǒng)與內(nèi)?？刂破鹘Y(jié)合的解耦控制策略實現(xiàn)了汽車縱橫向運動之間的解耦，并通過反饋調(diào)節(jié)進一步提升控制系統(tǒng)性能，使其在各種輸入條件下都能良好跟蹤期望速度和橫擺角速度。謝輝等[3]提出了一種基于模型預(yù)測控制的縱橫向協(xié)同控制方法，該方法將當(dāng)前車輛系統(tǒng)狀態(tài)與縱向速度預(yù)測序列輸入橫向控制器，實現(xiàn)車輛速度與路徑的有效控制。李軍等[8]考慮路面地形因素提出了一種基于Proportion Integral Differential (PID)和模型預(yù)測控制的縱橫向協(xié)同控制方法，該方法有效減少了路徑跟蹤誤差，且改善了車輛的行駛穩(wěn)定性。

以上研究雖然考慮了車輛縱橫向運動耦合特性，但未考慮彎道、超高和坡度等道路幾何設(shè)計參數(shù)對協(xié)同控制的影響。為此，設(shè)計基于改進智能駕駛員模型與單點預(yù)瞄模型相結(jié)合的縱橫向協(xié)同控制系統(tǒng)，并在Carsim/Simulink聯(lián)合仿真平臺中設(shè)置加減速、雙移線和匝道工況驗證該系統(tǒng)的協(xié)同控制性能。

1 縱向跟馳控制系統(tǒng)

對智能網(wǎng)聯(lián)環(huán)境下的車隊跟馳車輛，基于車聯(lián)網(wǎng)技術(shù)獲取道路參數(shù)和車輛相關(guān)行駛信息[9]，并傳遞給縱向跟馳控制系統(tǒng)的上層加速度模型求解期望加速度，隨后下層逆縱向動力學(xué)模型根據(jù)接受的上層加速度信息，協(xié)調(diào)控制發(fā)動機節(jié)氣門開度與制動壓力，最終實現(xiàn)對引導(dǎo)車輛的縱向跟馳行駛。

1.1 上層加速度控制模型

IDM模型是2002年Helbing[10]在大量試驗基礎(chǔ)上，結(jié)合以往經(jīng)典交通流跟馳模型而提出的廣義力模型。該模型中參數(shù)較少，且均有明確意義[11]，是目前最完整、最簡單、無事故的跟馳理論模型，故可應(yīng)用于車輛縱向跟馳控制。道路設(shè)計是為車輛提供高效、舒適和安全的行車環(huán)境[12]，因此針對實際道路工況，考慮彎道、超高及坡度等道路幾何設(shè)計參數(shù)對跟馳行為的影響，得到IIDM模型[13]：

(1)

(2)

式中，ades為IIDM模型產(chǎn)生的期望加速度；aACC為由IDM模型產(chǎn)生的Adaptive Cruise Control(ACC)加速度；R0為彎道上車輛最小轉(zhuǎn)彎半徑；η為與R0相關(guān)的常數(shù)；R為道路曲率半徑；g為重力加速度；ih為道路坡度值；Vd為彎道設(shè)計時速；μ為橫向力系數(shù)；ie為道路超高值。

1.2 下層逆縱向動力學(xué)模型

下層逆縱向動力學(xué)模型包括逆發(fā)動機與逆制動系統(tǒng)模型。據(jù)圖1逆發(fā)動機特性曲面建立逆發(fā)動機模型。

圖1 逆發(fā)動機特性曲面Fig.1 Curved surface of inverse engine characteristics

當(dāng)車輛處于驅(qū)動工況時，由期望加速度計算發(fā)動機輸出扭矩和轉(zhuǎn)速，并通過逆向查表獲得期望節(jié)氣門開度[14]：

αdes=MAP-1(ωe,Te)，

(3)

式中，αdes為期望節(jié)氣門開度；ωc為發(fā)動機轉(zhuǎn)速；Te為發(fā)動機轉(zhuǎn)矩。

當(dāng)車輛處于制動工況時，發(fā)動機驅(qū)動力為0，車輛受力由汽車行駛平衡方程式簡化為：

mades=-Fxb-(Ff+Fω)，

(4)

式中，m為車輛質(zhì)量；Fxb為車輛制動力；Ff和Fω為滾動阻力與空氣阻力。

車輛在制動力限值范圍內(nèi)，其制動力與制動壓力可視為線性正相關(guān)[15]。由逆制動系統(tǒng)模型計算期望制動壓力：

(5)

式中，Pdes為期望制動壓力；Kb為比例系數(shù)。

2 橫向軌跡控制系統(tǒng)

2.1 單點預(yù)瞄模型

假設(shè)駕駛員具有一定的軌跡預(yù)測能力，且在1個預(yù)瞄時間內(nèi)車輛保持恒定的縱向車速與橫擺角速度[16]。基于上述假設(shè)，如圖2所示，車輛作以M為圓心、Ra為半徑的勻速圓周運動，其中θ為圓弧軌跡所對應(yīng)的圓心角。

圖2 單點預(yù)瞄模型Fig.2 Simple-point preview model

由車輛動力學(xué)理論分析，可知橫擺角速度對轉(zhuǎn)向角的穩(wěn)態(tài)響應(yīng)Gω為：

(6)

(7)

式中，vx為車輛質(zhì)心處縱向速度；isw為轉(zhuǎn)向系傳動比；L為軸距；Lf和Lr為質(zhì)心到前、后軸的距離；K為車輛穩(wěn)定性系數(shù)；K1和K2分別為前、后輪側(cè)偏剛度。

單點預(yù)瞄模型先根據(jù)橫向預(yù)瞄偏差決策出期望轉(zhuǎn)向角，再由車輛行駛過程中所感知的車輛狀態(tài)對轉(zhuǎn)向角進行反饋控制[17]：

(8)

(9)

式中，δf為滑?？刂坡?；ωdes為期望橫擺角速度；Δf為橫向預(yù)瞄偏差；Tp為預(yù)瞄時間；β為質(zhì)心側(cè)偏角；δdes為期望轉(zhuǎn)向角；Δδ為反饋控制轉(zhuǎn)向角；ω為實際橫擺角速度；Kω為反饋系數(shù)?？紤]車輛處于穩(wěn)態(tài)，取名義值為Gω。

2.2 滑?？刂破?/h3>

為提高軌跡跟蹤精度，在原模型基礎(chǔ)上設(shè)計滑?？刂破鞔娣答伩刂?。選取實際與理想橫擺角速度之差為控制量：

e=ω-ωdes。

(10)

定義切換函數(shù)為:

(11)

式中λ為正的加權(quán)系數(shù)。

δf=δeq-φ·sgn(s)，

(12)

(13)

式中，δeq為等效控制輸入；φ為系統(tǒng)的運動點趨近滑模切換面的速率，且需要滿足式(14)；Iz為整車?yán)@z軸的轉(zhuǎn)動慣量；sgn(·)為符號函數(shù)。

(14)

式中σ為正實數(shù)。

為進一步消除滑?？刂戚斎氲母哳l振動，改善控制性能，采用飽和函數(shù)替換符號函數(shù)[19]：

(15)

綜上，最終滑?？刂坡蕿椋?/p>

δf=δeq-φ·sat(s/ε)，

(16)

式中ε為邊界層厚度。

3 仿真驗證

3.1 縱橫向協(xié)同控制系統(tǒng)參數(shù)選取

以縱向跟馳控制系統(tǒng)的輸出速度為耦合變量，輸入橫向軌跡控制系統(tǒng)中，以此建立如圖3所示的縱橫向協(xié)同控制系統(tǒng)。

圖3 縱橫向協(xié)同控制系統(tǒng)Fig.3 Longitudinal and lateral coordinated control system

搭建Carsim/Simulink聯(lián)合仿真平臺，采用加減速、雙移線和匝道工況驗證該系統(tǒng)控制性能。其主要參數(shù)如表1所示。

表1 協(xié)同控制系統(tǒng)主要參數(shù)Tab.1 Main parameters of coordinated control system

3.2 加減速工況

設(shè)置道路摩擦系數(shù)0.85，各車初始行車間距5 m。引導(dǎo)車輛以10 km/h初速度在80 s內(nèi)完成一段勻加速、勻速和勻減速行駛。仿真結(jié)果如圖4所示。從圖4 (a)～(b)可看出，跟馳車輛皆對引導(dǎo)車輛速度和加速度保持較高的跟隨精度，且消除了引導(dǎo)車輛加速度的劇烈變化，提高了乘坐舒適性。從圖4 (c)可看出，行車間距在跟馳過程中與速度呈正相關(guān)，且當(dāng)速度穩(wěn)定為100 km/h時其趨向于31.42 m并保持穩(wěn)定。綜上說明該協(xié)同控制系統(tǒng)具有良好的縱向跟馳性能。

圖4 加減速工況Fig.4 Acceleration-deceleration conditions

3.3 雙移線工況

設(shè)置道路摩擦系數(shù)0.85，總長250 m的雙移線工況，分別采用Carsim內(nèi)置的預(yù)瞄最優(yōu)模型，和本研究基于反饋控制與滑膜控制的2種單點預(yù)瞄模型組成的協(xié)同控制系統(tǒng)，進行車速為40 km/h的仿真試驗，仿真結(jié)果如圖5所示。從圖5(a)可看出，2種控制系統(tǒng)轉(zhuǎn)向角與Carsim模型皆有較好的一致性且轉(zhuǎn)向平滑，其中滑膜控制的轉(zhuǎn)向角一致性更高。從圖 5 (b)～(c)可看出，2種控制系統(tǒng)皆具有較高的橫向軌跡跟蹤精度，側(cè)向偏移量皆小于0.2 m，其中滑膜控制的軌跡更接近理想軌跡。綜上說明,該協(xié)同控制系統(tǒng)具有較高的橫向軌跡跟蹤精度，且滑膜控制的跟蹤精度比反饋控制更高。

圖5 雙移線工況Fig.5 Double shifting line conditions

3.4 匝道工況

設(shè)置道路摩擦系數(shù)0.85，彎道半徑180 m，超高和坡度皆為2%的匝道，各車初始行車間距為19 m，車輛初速度60 km/h，匝道設(shè)計時速40 km/h。其中跟馳車輛分別采用基于IDM與IIDM模型搭建的縱橫向協(xié)同控制系統(tǒng)。仿真結(jié)果如圖6所示。可以看出，由2種控制系統(tǒng)所組成的智能網(wǎng)聯(lián)車隊整體都表現(xiàn)出了良好的縱向跟馳性能和較高的橫向軌跡跟蹤精度。從圖6 (b)～(c)可看出，駛?cè)朐训罆rIIDM跟馳車輛比IDM跟馳車輛具有更大減速行為，且在匝道行駛過程中具有更大行車間距，其中IIDM跟馳車輛行車間距為14.16 m，比IDM跟馳車輛增加了0.55 m。從圖6 (d)可看出，2種系統(tǒng)的轉(zhuǎn)向角與引導(dǎo)車輛基本保持一致，但由于匝道出入口處超高存在突變，使車輛側(cè)傾狀態(tài)變化，導(dǎo)致車隊整體轉(zhuǎn)向角出現(xiàn)略微波動，同時由于車輛縱向速度變化存在耦合性，導(dǎo)致IIDM跟馳車輛轉(zhuǎn)向角略小于IDM跟馳車輛。

圖6 匝道工況Fig.6 Ramp conditions

從圖6(e)可看出，轉(zhuǎn)向角變化使得IIDM跟馳車輛平均側(cè)向偏移比IDM跟馳車輛小2.51×10-6m，同時轉(zhuǎn)向角波動導(dǎo)致側(cè)向偏移量出現(xiàn)略微波動，但最大值皆小于0.03 m，屬于安全范圍。綜上說明,基于IIDM模型所設(shè)計的協(xié)同控制系統(tǒng)在縱橫向運動控制上的表現(xiàn)皆優(yōu)于IDM模型。

4 結(jié)論

考慮車輛縱橫向運動耦合特性，以縱向速度為耦合變量搭建了基于改進智能駕駛員模型與單點預(yù)瞄模型的縱橫向協(xié)同控制系統(tǒng)，研究道路幾何設(shè)計參數(shù)對智能網(wǎng)聯(lián)車隊縱橫向協(xié)同控制的影響，有效實現(xiàn)了智能網(wǎng)聯(lián)車隊的縱橫向協(xié)同控制。加減速、雙移線和匝道工況下的仿真試驗表明，建立的協(xié)同控制系統(tǒng)有良好的縱橫向及其協(xié)同控制性能，能夠較好地實現(xiàn)對引導(dǎo)車輛縱向跟馳行駛和橫向軌跡跟蹤。采用IIDM的協(xié)同控制系統(tǒng)對彎道、超高和坡度等道路幾何設(shè)計參數(shù)的縱橫向運動響應(yīng)比IDM的控制系統(tǒng)更顯著，且控制性能更優(yōu)異，更有利于車隊整體行駛安全性。

在研究縱向跟馳行為時采用了改進智能駕駛員模型，僅考慮了引導(dǎo)車輛的行駛信息，未考慮實際交通環(huán)境中多前車對跟馳行為的影響。同時在研究橫向軌跡跟蹤時采用單點預(yù)瞄模型，僅考慮了車輛前方單點的預(yù)瞄信息，未考慮實際決策過程中駕駛員往往會結(jié)合遠(yuǎn)近2點的道路預(yù)瞄信息。故未來可進一步考慮多前車的行駛信息和遠(yuǎn)近2點的預(yù)瞄信息對縱橫向協(xié)同控制系統(tǒng)進行改進，從而更全面地反映駕駛員操縱車輛的真實行駛情況。