陰曉峰，朱宇航，趙小娟，楊柯普，李 磊

(1.西華大學(xué) 汽車工程研究所,四川 成都 610039；2.成都知行新材料技術(shù)研究有限公司，四川 成都 611731)

0 引言

隨著電子控制技術(shù)的發(fā)展和汽車智能化要求的提高，先進(jìn)駕駛輔助系統(tǒng)(Advanced Driver Assistance System,ADAS)取得廣泛應(yīng)用。作為ADAS的典型代表，自適應(yīng)巡航控制系統(tǒng)(Adaptive Cruise Control System，ACCS)能夠通過雷達(dá)等傳感器去感知行駛環(huán)境信息，并在其基礎(chǔ)上實(shí)現(xiàn)車輛加速或減速控制，這在一定程度上減輕了駕駛員的工作強(qiáng)度[1-6]。但在車間距離較遠(yuǎn)或車輛行駛于雨霧等惡劣天氣時(shí)，僅依靠傳感器，車輛的環(huán)境感知能力會(huì)受到影響，這對(duì)行車安全構(gòu)成了潛在的威脅。車聯(lián)網(wǎng)技術(shù)的發(fā)展，使車輛能夠通過直連或網(wǎng)絡(luò)通信方式在惡劣天氣下實(shí)現(xiàn)更大范圍的環(huán)境感知，有效彌補(bǔ)了傳感器環(huán)境感知能力的不足。因此，研究基于車與外界互聯(lián)(Vehicle to Everything，V2X)的協(xié)同跟隨控制技術(shù)，對(duì)于提高行駛安全性、行駛效率和確保交通流的穩(wěn)定性，具有重要作用。

目前，國內(nèi)外專家基于車車通信，利用不同的算法對(duì)車輛跟隨系統(tǒng)控制進(jìn)行了大量的研究。Hedrick等[7]使用滑?？刂?Sliding Mode Control，SMC)方法構(gòu)建了多車協(xié)同控制模型，前提是車車之間可建立順暢通信，以獲取前車位置、速度和加速度等信息。Xavier等[8]使用分布式PID算法，通過獲取車輛前、后方相鄰位置車輛行駛狀態(tài)及跟隨車輛的航向角信息，設(shè)計(jì)了協(xié)同駕駛控制器，并通過構(gòu)建仿真模型利用MATLAB工具對(duì)車輛跟隨等不同協(xié)同工況進(jìn)行仿真，驗(yàn)證了控制效果。Amir等[9]針對(duì)模型預(yù)測(cè)控制(Model Predictive Control，MPC)進(jìn)行路徑跟隨控制時(shí)模型復(fù)雜、計(jì)算量大的問題，提出了多個(gè)簡約模型切換式的模型預(yù)測(cè)控制，每個(gè)預(yù)測(cè)模型具有不同的精度粒度，通過可調(diào)節(jié)的狀態(tài)預(yù)測(cè)模型，構(gòu)建了車輛可重構(gòu)的預(yù)測(cè)模型，并利用機(jī)器學(xué)習(xí)方法得到參數(shù)選擇算法，使運(yùn)行模型始終切換到誤差小計(jì)算速度快的最佳模型。He等[10]研究了車輛縱向控制，首車可將當(dāng)前的車速、加速度、減速度和負(fù)載等信息，通過車車通信方式傳遞給后面的車輛，使后面的車輛可自動(dòng)調(diào)節(jié)車速和跟車距離，防止車輛追尾，保持車隊(duì)行駛的穩(wěn)定性。Wang等[11]設(shè)計(jì)了一種模型匹配控制(Model Matching Control，MMC)方案，用于實(shí)現(xiàn)車輛跟隨的速度控制，這種控制方案還建立了車輛加速度控制的傳遞函數(shù)，利用此傳遞函數(shù)建立了基于滑?？刂品答伒哪Ｐ推ヅ淇刂破?，該控制器與傳統(tǒng)PID的模型匹配控制器相比響應(yīng)速度更快，控制性能更穩(wěn)定。Shakouri等[12]設(shè)計(jì)了一種利用單個(gè)控制回路的控制方案，通過引入與前后車輛之間的相對(duì)距離和前車速度相對(duì)應(yīng)的額外狀態(tài)變量實(shí)現(xiàn)車輛速度和距離的跟蹤，使得對(duì)制動(dòng)和油門的控制更精準(zhǔn)，增強(qiáng)了車輛行駛的安全性和穩(wěn)定性。胡杰等[13]通過改進(jìn)人工勢(shì)場算法，將其應(yīng)用到協(xié)同式自適應(yīng)巡航的上層控制器中，仿真表明，該算法在縱向控制上能夠平滑、準(zhǔn)確、迅速地達(dá)到目標(biāo)車速與間距。李通等[14]基于模糊PID算法設(shè)計(jì)車輛協(xié)同跟隨控制策略，并通過比例模型小車進(jìn)行了試驗(yàn)驗(yàn)證。Wang等[15]對(duì)比分析了PID和MPC控制算法，得出PID算法的控制效果不遜于MPC且具有快速簡便的優(yōu)勢(shì)。

目前的車車通信主要采用專用短程通信(Dedicated Short Range Communication，DSRC)，而基于5G V2X通信的協(xié)同跟隨控制研究較少?；?G的V2X通信技術(shù)，相對(duì)于DSRC而言，具有更遠(yuǎn)的有效通信距離、更低的通信延時(shí)和更高的可靠性，能夠更好地獲取由于惡劣天氣等原因造成的傳感器無法獲取的信息[16-18]。因此，本研究基于5G V2X通信技術(shù)，開展車輛協(xié)同跟隨控制策略研究。在集成5G V2X通信模塊基礎(chǔ)上，采用協(xié)同決策和運(yùn)動(dòng)控制分層控制的方法，分別設(shè)計(jì)用于協(xié)同決策層的模型預(yù)測(cè)控制算法和用于運(yùn)動(dòng)控制層的模糊PID控制算法，并在勻速跟隨、加速跟隨、他車駛?cè)?、變速跟隨4種場景下對(duì)協(xié)同控制策略進(jìn)行了仿真驗(yàn)證。

1 基于V2X的協(xié)同跟隨控制系統(tǒng)結(jié)構(gòu)

基于V2X的車輛協(xié)同跟隨控制系統(tǒng)結(jié)構(gòu)如圖1所示。該系統(tǒng)主要由協(xié)同決策層、運(yùn)動(dòng)控制層、車輛狀態(tài)采集模塊、5G V2X通信模塊組成。

圖1 基于V2X的車輛協(xié)同跟隨控制系統(tǒng)結(jié)構(gòu)Fig.1 Structure of vehicle cooperative following control system based on V2X

協(xié)同決策層主要由安全距離模型、車間運(yùn)動(dòng)學(xué)模型和模型預(yù)測(cè)控制器組成。其中，安全距離模型根據(jù)前車和主車的速度及兩車的相對(duì)速度，輸出期望車間距?；谲囬g運(yùn)動(dòng)學(xué)模型的模型預(yù)測(cè)控制器的輸入為期望車間距與實(shí)際車間距的偏差，模型預(yù)測(cè)控制器的輸出為期望加速度。

運(yùn)動(dòng)控制層包含驅(qū)動(dòng)/制動(dòng)切換模塊及模糊PID控制器，其主要作用是實(shí)現(xiàn)對(duì)期望加速度的跟蹤控制。驅(qū)動(dòng)/制動(dòng)切換模塊首先根據(jù)協(xié)同決策層輸出的期望加速度確定車輛運(yùn)動(dòng)控制模式，然后根據(jù)車輛運(yùn)動(dòng)控制模式、由模糊PID控制器輸出節(jié)氣門開度或制動(dòng)壓力的控制量至被控車輛，進(jìn)而通過驅(qū)動(dòng)或制動(dòng)控制使車輛在規(guī)劃的行駛路徑上按期望狀態(tài)行駛。

車輛狀態(tài)采集模塊根據(jù)前車5G V2X通信模塊傳輸?shù)乃俣群臀恢眯畔?、自車采集的速度和位置信息，?jì)算車間距、兩車相對(duì)車速、前車加速度、主車加速度及主車加速度變化率。

5G V2X通信模塊的主要作用是發(fā)送自車和接收其他車輛的速度和位置等信息，經(jīng)車輛狀態(tài)采集模塊處理后、提供給協(xié)同決策層和運(yùn)動(dòng)控制層使用。

2 協(xié)同決策層

2.1 安全距離模型

安全距離直接影響車輛跟隨效果、道路利用率和交通流密度。非定常車間距離策略可根據(jù)本車和前車的狀態(tài)來調(diào)整期望的安全車間距，對(duì)于復(fù)雜的交通環(huán)境適應(yīng)性好。本研究在恒定車頭時(shí)距基礎(chǔ)上，引入前車與本車的相對(duì)速度，其安全距離模型可表達(dá)為：

ddes=th1v+th2vr+d0，

(1)

式中，ddes為期望車間距，表示期望的主車和前車之間的安全距離；v為主車的行駛速度；vr為主車和前車的相對(duì)速度；th1，th2均為大于0的常數(shù)；為d0兩車之間最小固定距離，包括車身長度。

2.2 車間縱向運(yùn)動(dòng)學(xué)模型

本研究用一階慣性系統(tǒng)來描述期望加速度與實(shí)際加速度之間的對(duì)應(yīng)關(guān)系[18]，結(jié)合前車和主車相對(duì)運(yùn)動(dòng)學(xué)關(guān)系，可建立車間縱向運(yùn)動(dòng)學(xué)模型的離散方程如下：

(2)

式中，d(k)為k時(shí)刻實(shí)際車間距，即前車與主車的間距；v(k)和vr(k)分別為k時(shí)刻主車速度、兩車相對(duì)速度；Ts為系統(tǒng)的采樣周期，取值0.01 s；ades(k)，al(k)，a(k)分別為k時(shí)刻期望加速度、前車加速度、主車加速度；j為主車加速度變化率；T1為一階慣性環(huán)節(jié)的時(shí)間常數(shù)，取值為0.5。

由式(2)可得縱向車間運(yùn)動(dòng)學(xué)模型的離散狀態(tài)空間方程：

(3)

式中，x(k)=[d(k),vr(k),v(k),a(k),j(k)]T為狀態(tài)變量；u(k)為期望加速度ades(k)；w(k)為前車加速度ap(k)；y(k)=[d(k)-ddes(k),vr(k)]T；各個(gè)系數(shù)矩陣分別為

2.3 預(yù)測(cè)模型

由式(3)可推導(dǎo)出從當(dāng)前時(shí)刻k到預(yù)測(cè)時(shí)域p的系統(tǒng)狀態(tài)和預(yù)測(cè)輸出，其矩陣形式為：

(4)

2.4 優(yōu)化目標(biāo)及約束條件

車輛協(xié)同跟隨控制應(yīng)實(shí)現(xiàn)2個(gè)方面的目標(biāo)：一是實(shí)際車間距與期望車間距的偏差盡可能小且主車速度應(yīng)逐漸收斂于前車速度；另一是車輛的加速度不宜過大，以獲得較好的經(jīng)濟(jì)性和乘坐舒適性。兼顧這2方面的目標(biāo)函數(shù)可表達(dá)為：

J(Yp(k+p|k),U(k),p,m)=‖Yp(k+p|k)-

(5)

Yref(k+p|k)為參考輸出，Q和R為權(quán)重矩陣，Q=diag(q1,q2，…,qp)，R=diag(r1,r2，…,rp)。

J=U(k)THU(k)+LTU(k)，

(6)

式中，

(7)

令A(yù)c=diag(1,1,1,1,1)，可定義系統(tǒng)狀態(tài)約束輸出方程：

yc(k)=Acx(k)。

(8)

由式(3)狀態(tài)方程和式(8)，可推導(dǎo)出從當(dāng)前時(shí)刻k到預(yù)測(cè)時(shí)域p的系統(tǒng)狀態(tài)約束輸出方程：

(9)

式中，

系統(tǒng)狀態(tài)約束可表示為：

Ycmin≤Yc(k+p|k)≤Ycmax，

(10)

式中，Ycmin=[ycmin,ycmin，…,ycmin]T；Ycmax=[ycmax,ycmax，…,ycmax]T；ycmin=[d0,-∞,vmin,amin,jmin]T；ycmax=[∞,∞,vmax,amax,jmax]T；vmin，amin，amax，jmin，kp，ki，kd，ycmin，Δa分別為主車的速度、加速度、加速度變化率及系統(tǒng)狀態(tài)約束的最小及最大值。

同理，系統(tǒng)控制約束可表示為：

(11)

式中，

由式(9)～(11)可得系統(tǒng)約束方程：

AuU(k)≥c,

(12)

式中，

將目標(biāo)函數(shù)轉(zhuǎn)化為標(biāo)準(zhǔn)二次型后，結(jié)合系統(tǒng)約束方程，利用MATLAB工具箱可求出控制時(shí)域內(nèi)的最優(yōu)控制序列，即期望加速度。將決策出的第1個(gè)期望加速度作為運(yùn)動(dòng)控制層輸入，由運(yùn)動(dòng)控制層完成對(duì)車輛縱向運(yùn)動(dòng)的控制。

3 運(yùn)動(dòng)控制層

3.1 運(yùn)動(dòng)控制層結(jié)構(gòu)

運(yùn)動(dòng)控制層的作用是快速且精確跟蹤決策層輸出的期望加速度，以實(shí)現(xiàn)車輛協(xié)同跟隨控制，該層結(jié)構(gòu)如圖2所示，其控制原理為：驅(qū)動(dòng)/制動(dòng)切換模塊根據(jù)接收到的期望加速度，確定運(yùn)動(dòng)控制模式(即驅(qū)動(dòng)/制動(dòng)模式)；模糊控制器根據(jù)期望加速度與實(shí)際加速度的差值及其變化率確定PID控制器的參數(shù)kp，ki，kd。在驅(qū)動(dòng)模式下，PID控制器的輸出為節(jié)氣門開度；在制動(dòng)模式下，PID控制器的輸出為制動(dòng)壓力(制動(dòng)主缸壓力)。

圖2 運(yùn)動(dòng)控制層結(jié)構(gòu)Fig.2 Structure of motion control layer

3.2 驅(qū)動(dòng)/制動(dòng)切換策略

運(yùn)動(dòng)控制層通過調(diào)節(jié)節(jié)氣門開度或制動(dòng)壓力實(shí)現(xiàn)對(duì)車輛的驅(qū)動(dòng)或制動(dòng)控制。為避免驅(qū)動(dòng)和制動(dòng)的同時(shí)作用和頻繁切換，設(shè)置大于零的閾值Δa：若期望加速度ades減去節(jié)氣門開度為零時(shí)的最小加速度amin所得偏差絕對(duì)值不大于Δa，保持控制模式；若偏差大于Δa，為驅(qū)動(dòng)模式；若偏小大于-Δa，為制動(dòng)動(dòng)模式。驅(qū)動(dòng)/制動(dòng)切換策略可表示為：

(13)

式中Δa取值為0.05 m/s2。

3.3 模糊PID算法

依據(jù)試驗(yàn)車的動(dòng)力、整車及傳動(dòng)系統(tǒng)參數(shù)，結(jié)合制動(dòng)性能要求，并兼顧經(jīng)濟(jì)性和乘坐舒適性，確定模糊控制器輸入量期望加速度與實(shí)際加速度的差值e及其變化率ec的論域分別為[-3，3]，[-2,2]。結(jié)合經(jīng)驗(yàn)和反復(fù)調(diào)試，設(shè)置輸出量kp，ki，kd的論域分別為[-1.3,1.3]，[-0.08,0.08]，[-1.5,1.5]。

模糊控制器輸入和輸出的語言變量均設(shè)置為{NB,NM,NS,ZO,PS,PM,PB}，均采用三角形隸屬度函數(shù)；結(jié)合試驗(yàn)及經(jīng)驗(yàn)分別建立kp，ki，kd模糊推理規(guī)則；使用重心法進(jìn)行反模糊化處理，從而求出kp，ki，kd的精確值[20]。

4 仿真分析

為驗(yàn)證基于V2X的協(xié)同跟隨控制系統(tǒng)及其控制策略的有效性，采用MATLAB/Simulink和CarSim建立了協(xié)同跟隨聯(lián)合仿真模型，該仿真模型主要包括基于MPC的協(xié)同決策模塊、基于模糊PID的運(yùn)動(dòng)控制模塊和基于CarSim的車輛動(dòng)力學(xué)仿真模塊。使用所建立的仿真模型，在勻速跟隨、加速跟隨、他車駛?cè)?、變速跟隨4種工況下進(jìn)行了仿真驗(yàn)證。

(1)勻速跟隨工況

前車和主車初始間距為50 m，主車初始速度為25 m/s，前車以20 m/s的速度勻速行駛，仿真結(jié)果如圖3、圖4所示。可以看出，開始時(shí)前車速度小于主車速度，主車能夠快速減速，在10 s左右與前車速度保持一致，同時(shí)能夠?qū)ζ谕囬g距進(jìn)行較好的跟隨。

圖3 勻速跟隨工況車速Fig.3 Speed under constant speed following condition

圖4 勻速跟隨工況車間距Fig.4 Distance under constant speed following condition

(2)加速跟隨工況

前車和主車初始間距為50 m，主車初始速度為25 m/s，前車0～10 s內(nèi)從25 m/s勻加速到28 m/s，仿真結(jié)果如圖5、圖6所示。可以看出，主車在10 s之后完全跟上前車速度，具有良好的速度跟隨能力。在期望車間距跟隨方面，由于初始時(shí)刻兩車的速度以及相對(duì)速度均較小，所以期望車間距小于初始時(shí)刻的實(shí)際車間距，主車在開始時(shí)加速度大于前車加速度，以使實(shí)際車間距快速接近期望車間距。當(dāng)兩車速度逐漸增大時(shí)，期望車間距也不斷增加，直到前車進(jìn)入勻速行駛狀態(tài)。前車勻速行駛階段，實(shí)際車間距達(dá)到期望車間距，主車的車速收斂于前車車速，具有良好的跟隨性能。

圖5 加速跟隨工況車速Fig.5 Speed under accelerated following condition

圖6 加速跟隨工況車間距Fig.6 Distance under accelerated following condition

(3)他車駛?cè)牍r

前車和主車初始間距為50 m，主車初始速度為25 m/s，前車以20 m/s的速度勻速行駛，在18 s時(shí)主車與前車之間突然駛?cè)肫渌囕v，且速度低于該時(shí)刻主車速度。仿真結(jié)果如圖7、圖8所示。開始時(shí)由于主車速度大于前車速度，主車減速行駛，在8 s時(shí)，實(shí)際車間距達(dá)到期望車間距。主車速度逐漸與前車速度保持一致且實(shí)際車間距等于期望車間距。在18 s后，為保持安全距離以避免發(fā)生追尾，協(xié)同跟隨系統(tǒng)控制主車在較短時(shí)間內(nèi)減速至駛?cè)胲囕v(新的前車)速度。減速期間有小幅超調(diào)，但很快達(dá)到穩(wěn)定狀態(tài)，然后對(duì)新的前車速度進(jìn)行跟隨行駛。仿真結(jié)果表明，協(xié)同跟隨控制系統(tǒng)能夠較好地應(yīng)對(duì)他車駛?cè)胪话l(fā)狀況，保證跟隨控制的安全性與穩(wěn)定性。

圖7 他車駛?cè)胲囁貴ig.7 Speed under front vehicle cutting-in condition

圖8 他車駛?cè)牍r車間距Fig.8 Distance under front vehicle cutting-in condition

(4)變速跟隨行駛工況

前車和主車初始車間距為50 m，主車初始速度為25 m/s，前車初始速度為20 m/s。如圖9、圖10所示，前車速度以類似于正弦信號(hào)的趨勢(shì)變化，在0～15 s加速行駛，在15～40 s減速行駛，而后又開始加速。由仿真結(jié)果可知，初期車間距較大、且主車速度大于前車速度，主車從開始時(shí)刻進(jìn)行減速以跟隨前方車輛。在主車減速至前車速度附近，有一較小幅度的超調(diào)量，隨后能夠較好地對(duì)前車速度進(jìn)行跟蹤。在變速跟隨過程中實(shí)際車間距能較好地達(dá)到期望車間距，而且能夠跟上期望車間距的變化趨勢(shì)。在整個(gè)過程中，協(xié)同跟隨系統(tǒng)都能夠較快響應(yīng)且具有較高的穩(wěn)定性。

圖9 變速跟隨工況車速Fig.9 Speed under variable speed following condition

圖10 變速跟隨工況車間距Fig.10 Distance under variable speed following condition

5 結(jié)論

為在保障行車安全的前提下實(shí)現(xiàn)車輛跟隨行駛，提出了一種基于5G V2X的協(xié)同跟隨控制系統(tǒng)，該控制系統(tǒng)由5G V2X通信模塊、車輛狀態(tài)采集模塊、協(xié)同決策層、運(yùn)動(dòng)控制層組成。在固定車頭時(shí)距的基礎(chǔ)上引入前車和主車的相對(duì)速度，設(shè)計(jì)了安全距離模型，用以計(jì)算期望安全距離。以車速/車間距快速跟蹤、提高經(jīng)濟(jì)性和乘坐舒適性為目標(biāo)，運(yùn)用模型預(yù)測(cè)控制算法決策出期望加速度。運(yùn)用模糊PID對(duì)決策層中輸出的期望加速度進(jìn)行跟蹤，通過控制節(jié)氣門開度或制動(dòng)壓力，使其以期望狀態(tài)行駛。建立了基于MATLAB/Simulink和CarSim的聯(lián)合仿真模型。在勻速跟隨、加速跟隨、他車駛?cè)爰白兯俑S4種工況下對(duì)所提出的控制系統(tǒng)及其控制策略進(jìn)行了仿真驗(yàn)證。仿真結(jié)果表明，車輛在4種工況下均能夠達(dá)到良好的跟隨性能。