高巖飛　程玉虎　蔣亨雷　任乾明　黃雪濤　侯慶高　杜明洋

摘要：為分析車(chē)輛自適應(yīng)巡航控制下的跟馳狀態(tài)對(duì)駕乘舒適性的影響，基于刺激-反應(yīng)類(lèi)線性跟馳模型，分別模擬跟馳車(chē)在微尺度避撞工況、微尺度擾動(dòng)工況和全球統(tǒng)一輕型車(chē)輛測(cè)試循環(huán)（world light vehicle test cycle，WLTC）工況的速度-時(shí)間圖像，采用經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）和快速傅里葉變換（fast Fourier transform，F(xiàn)FT）相結(jié)合的時(shí)頻分析方法提取跟馳車(chē)的內(nèi)秉模態(tài)特性，分析低頻下不同駕駛工況對(duì)駕乘人員舒適性的影響。結(jié)果表明：不同駕駛工況的內(nèi)秉模態(tài)頻率不同，頻率越小，車(chē)輛的振幅越大；相較于微尺度避撞工況和擾動(dòng)工況，WLTC工況的內(nèi)秉模態(tài)頻率帶寬分布較寬，幅值較高，波動(dòng)能量較大；WLTC工況下，頻率小于0.10 Hz的超低頻區(qū)的內(nèi)秉模態(tài)幅值較高，人體惡心程度較嚴(yán)重，對(duì)運(yùn)動(dòng)病的貢獻(xiàn)較大。

關(guān)鍵詞：跟馳模型；自適應(yīng)巡航控制；EMD；FFT；內(nèi)秉模態(tài)特性

中圖分類(lèi)號(hào)：U471.15文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1672-0032（2024）01-0007-08

引用格式：高巖飛，程玉虎，蔣亨雷，等.車(chē)輛自適應(yīng)巡航控制的內(nèi)秉模態(tài)特性［J］.山東交通學(xué)院學(xué)報(bào)，2024，32（1）：7-14.

GAO Yanfei，? CHENG Yuhu，? JIANG Henglei， et al. Intrinsic modal characteristics of vehicle adaptive cruise control［J］.Journal of Shandong Jiaotong University，2024，32（1）：7-14.

0 引言

隨人工智能技術(shù)和信息技術(shù)的發(fā)展，汽車(chē)智能化、網(wǎng)聯(lián)化趨勢(shì)愈加明顯，智能駕駛技術(shù)在解決交通擁堵、提高駕駛安全性等方面有較大優(yōu)勢(shì)[1]。學(xué)者們通過(guò)分析車(chē)輛的跟馳方式和交通流特性，建立描述微觀車(chē)輛間最基本行為的車(chē)輛跟馳模型，應(yīng)用在城市交通流分析、交通安全評(píng)價(jià)和無(wú)人駕駛等領(lǐng)域[2-3]。跟馳模型能銜接中觀、宏觀交通流理論，在微觀交通數(shù)字仿真、道路通行能力分析、交通安全評(píng)價(jià)、交通規(guī)劃、自適應(yīng)巡航控制方面有重要意義，對(duì)制定交通管理相關(guān)政策有重要參考價(jià)值[4]。

配備自適應(yīng)巡航控制系統(tǒng)的車(chē)輛不斷增加，車(chē)輛自動(dòng)跟馳駕駛策略日益優(yōu)化，車(chē)輛行駛安全性及通行效率不斷提高[5]。長(zhǎng)時(shí)間駕乘車(chē)輛易引發(fā)駕駛疲勞和暈車(chē)等運(yùn)動(dòng)病[6]。自適應(yīng)巡航控制系統(tǒng)工作時(shí)難以考慮駕乘人員的乘車(chē)體驗(yàn)，不同駕駛策略對(duì)駕乘人員的身體和心理健康有不同影響[7]。Donohew等[8]研究發(fā)現(xiàn)，低頻的時(shí)序頻率和幅值對(duì)人體健康有不良影響，頻繁的位移波動(dòng)會(huì)增大運(yùn)動(dòng)病的誘發(fā)幾率，降低乘車(chē)舒適性；Kamiji等[9]建立暈車(chē)發(fā)病率預(yù)測(cè)模型，可預(yù)測(cè)輕度惡心的分布特征。

分析跟馳模型的時(shí)域、頻域動(dòng)力學(xué)性能方法包括勞思-赫爾維茨穩(wěn)定判據(jù)、奈奎斯特穩(wěn)定判據(jù)、霍普夫分岔、李雅普諾夫準(zhǔn)則、直接傳遞函數(shù)法、拉普拉斯變換法、根軌跡法等[10-11]。Sun等[12]基于奈奎斯特穩(wěn)定判據(jù)，將閉環(huán)系統(tǒng)轉(zhuǎn)換為開(kāi)環(huán)系統(tǒng)，根據(jù)擾動(dòng)增長(zhǎng)率確定有時(shí)間延遲的跟馳模型閉環(huán)系統(tǒng)的穩(wěn)定性；Kamath等[13]基于經(jīng)典跟馳模型和最優(yōu)速度跟馳模型研究交通流局部穩(wěn)定性的條件，認(rèn)為交通流通過(guò)霍普夫分岔發(fā)生從局部穩(wěn)定狀態(tài)到不穩(wěn)定狀態(tài)的轉(zhuǎn)變；Li等[14]基于李雅普諾夫準(zhǔn)則分析跟馳模型的局部穩(wěn)定性和漸近穩(wěn)定性；Han等[15]采用線性系統(tǒng)理論和拉普拉斯變換推導(dǎo)閉環(huán)傳遞函數(shù)，構(gòu)建基于比例積分微分（proportional integral derivative，PID）控制的跟馳模型；Sau等[16]采用根軌跡法分析跟馳模型和協(xié)作跟馳模型的隊(duì)列穩(wěn)定性條件。目前，交通流研究多集中于建立模型或提出策略分析和解決交通問(wèn)題，構(gòu)建車(chē)輛跟馳模型時(shí)主要關(guān)注交通流內(nèi)部的影響因素，較少考慮交通流對(duì)駕乘人員舒適性的影響，對(duì)跟馳模型在時(shí)域、頻域下頻譜分布模態(tài)特性的研究較少。模態(tài)特性分析廣泛應(yīng)用在結(jié)構(gòu)振動(dòng)系統(tǒng)及電力系統(tǒng)等領(lǐng)域[17]。時(shí)域分析主要研究信號(hào)在時(shí)間軸上的變化特性，頻域分析將信號(hào)從時(shí)域轉(zhuǎn)換到頻域，表示為信號(hào)的頻率分量，從信息和數(shù)學(xué)的角度理解信號(hào)的頻譜特性[18-20]。跟馳模型為非線性二階系統(tǒng)，呈現(xiàn)二階系統(tǒng)的共性，對(duì)跟馳模型進(jìn)行頻譜分析可行。采用有全局性質(zhì)的傅里葉頻域分析法分析駕駛動(dòng)態(tài)過(guò)程，不具備時(shí)間和頻率的定位功能，無(wú)法表征駕駛過(guò)程的非平穩(wěn)信號(hào)；有疊加性質(zhì)的傅里葉分析方法適用于頻率不隨時(shí)間變化的系統(tǒng)，且不具有物理可解釋性，無(wú)法提取內(nèi)秉固有的時(shí)頻模態(tài)特性；快速傅里葉變換（fast Fourier transform，F(xiàn)FT）選擇分析窗口時(shí)主觀性較強(qiáng)[21]；小波變換廣泛應(yīng)用于非平穩(wěn)信號(hào)處理中，但小波基的選取主觀性較強(qiáng)[22]。經(jīng)驗(yàn)?zāi)B(tài)分解（empirical mode decomposition，EMD）根據(jù)自身時(shí)間尺度特征分解信號(hào)，得到時(shí)域基函數(shù)，處理非平穩(wěn)及非線性信號(hào)序列時(shí)有較高的信噪比，在提取機(jī)械結(jié)構(gòu)系統(tǒng)的非平穩(wěn)信號(hào)特征領(lǐng)域廣泛應(yīng)用[23-24]。采用FFT進(jìn)一步分析EMD后的函數(shù)，可得到有內(nèi)秉時(shí)變特性的頻譜模態(tài)特性[25]。

為分析車(chē)輛跟馳狀態(tài)的內(nèi)稟特性及對(duì)駕乘人員生理健康的影響，本文模擬車(chē)輛在不同駕駛工況下的跟馳行為，采用EMD與FFT 2種信號(hào)處理方法分解不同駕駛工況下跟馳車(chē)的速度-時(shí)間圖像，提取跟馳行為的內(nèi)秉模態(tài)特征，分析不同駕駛工況時(shí)車(chē)輛的低頻振動(dòng)特征，及其對(duì)人體運(yùn)動(dòng)病的影響，為提高智能車(chē)輛自適應(yīng)巡航控制策略的舒適性提供參考。

1 跟馳模型

跟馳模型分為刺激-反應(yīng)類(lèi)、安全距離類(lèi)、理想速度類(lèi)、生理-心理類(lèi)、數(shù)據(jù)驅(qū)動(dòng)類(lèi)等[9]。本文采用刺激-反應(yīng)類(lèi)線性跟馳模型，原理示意圖如圖1所示。

刺激-反應(yīng)類(lèi)線性跟馳模型公式[26]為：

為解決跟馳模型忽略最小安全距離和導(dǎo)出的流量-密度、速度-密度與實(shí)際不符的問(wèn)題，將時(shí)滯常數(shù)修正為非線性時(shí)滯函數(shù)，式（2）改寫(xiě)為：

式中：al，m為常數(shù)，l、m為標(biāo)定參數(shù)。

跟馳狀態(tài)下車(chē)輛的行駛有制約性、延遲性和傳遞性。制約性主要體現(xiàn)在車(chē)速和車(chē)距2方面，跟馳車(chē)的車(chē)速受前、后車(chē)影響，不能長(zhǎng)時(shí)間比前車(chē)的速度大，也不能長(zhǎng)時(shí)間比后車(chē)的速度小，否則易出現(xiàn)追尾等事故，需在合適的范圍靈活調(diào)整車(chē)速；跟馳車(chē)要與前、后車(chē)保持恰當(dāng)距離，距離太遠(yuǎn)無(wú)法構(gòu)成跟馳狀態(tài)，距離太近，一旦前車(chē)緊急剎車(chē)，跟馳車(chē)會(huì)因反應(yīng)不及時(shí)而追尾，跟馳車(chē)根據(jù)具體情景合理地調(diào)整與前車(chē)的距離，保留緊急制動(dòng)時(shí)的最小安全距離。延遲性是指跟馳狀態(tài)下，當(dāng)前車(chē)的速度變化時(shí)，跟馳車(chē)有一定的反應(yīng)時(shí)間，如果前車(chē)改變速度，跟馳車(chē)會(huì)在T時(shí)刻后改變速度。傳遞性體現(xiàn)在由多輛車(chē)組成的車(chē)隊(duì)中，前車(chē)加速時(shí)，后車(chē)隨之加速，以此類(lèi)推逐漸影響整個(gè)車(chē)隊(duì)，在不發(fā)生交通事故的前提下，對(duì)第1輛車(chē)的影響依次傳遞到后續(xù)車(chē)輛，但影響效果逐漸減弱。

2 車(chē)輛駕駛工況

車(chē)輛有多種駕駛工況，本文主要考慮3類(lèi)：第1類(lèi)是微尺度避撞工況，在跟車(chē)過(guò)程中，前車(chē)突然停車(chē)，后車(chē)為避免追尾而減速或停車(chē)；第2類(lèi)是微尺度擾動(dòng)工況，后車(chē)根據(jù)前車(chē)速度相應(yīng)的調(diào)整速度；第3類(lèi)是大尺度統(tǒng)計(jì)工況，如全球統(tǒng)一輕型車(chē)輛測(cè)試循環(huán)（world light vehicle test cycle，WLTC）工況。

2.1 微尺度避撞工況

為分析避撞時(shí)車(chē)輛周期性運(yùn)動(dòng)的頻率規(guī)律，在軟件MATLAB中設(shè)置簡(jiǎn)化的周期條件為：分別在前方30、60、90、120 km處有因故障靜止的車(chē)輛，救援車(chē)輛分別于第4 000、8 000、12 000、16 000 秒清除道路；后車(chē)初始位置為0，初始速度為16 m/s，根據(jù)式（3）的跟馳模型，模擬救援車(chē)輛（跟馳車(chē)）趕往前方事故車(chē)輛時(shí)的速度-時(shí)間圖像，如圖2所示。

由圖2可知：初始時(shí)刻，由于前車(chē)距離較遠(yuǎn)，跟馳車(chē)迅速加速至20 m/s并保持恒定車(chē)速行駛，至第1 500秒時(shí)接近第1輛靜止車(chē)輛而減速；第4 000秒時(shí)前方第1輛故障車(chē)離開(kāi)道路，跟馳車(chē)?yán)^續(xù)加速至20 m/s并以恒定速度行駛，至第5 500秒時(shí)，因接近前方第2輛（第1輛已離開(kāi)道路）靜止車(chē)輛而制動(dòng)，第8 000秒時(shí)第2輛靜止車(chē)離開(kāi)道路，跟馳車(chē)?yán)^續(xù)加速至20 m/s持續(xù)行駛。同理，第8 000—12 000秒和第12 000—16 000秒仍遵循此周期規(guī)律。

在圖2第1個(gè)折點(diǎn)處速度迅速降至0，折點(diǎn)處的坐標(biāo)為（1 498 s，19.99 m/s），該坐標(biāo)的意義為經(jīng)過(guò)1 498 s，跟馳車(chē)與前車(chē)距離接近，為避免碰撞，速度迅速變化，由20 m/s迅速降至0。

2.2 微尺度擾動(dòng)工況

為分析擾動(dòng)時(shí)車(chē)輛周期性運(yùn)動(dòng)的頻率規(guī)律，在軟件MATLAB中設(shè)置簡(jiǎn)化的周期條件為：分別在前方30、70、110、150 km處有車(chē)輛以恒定速度10 m/s行駛，并分別于第4 000、8 000、12 000、16 000秒時(shí)離開(kāi)道路；跟馳車(chē)的初始位置為0，初始速度為16 m/s，根據(jù)式（3）跟馳模型，得到跟馳車(chē)的速度-時(shí)間圖像如圖3所示。

由圖3可知：初始時(shí)刻，前車(chē)距離較遠(yuǎn)，跟馳車(chē)加速至20 m/s并保持恒定速度行駛，至第3 000秒時(shí)接近第1輛車(chē)并減速與第1輛車(chē)保持相同速度行駛；第4 000秒時(shí)，第1輛車(chē)離開(kāi)道路，跟馳車(chē)?yán)^續(xù)加速至20 m/s并以恒定車(chē)速行駛，至第7 000秒時(shí)接近第2輛車(chē)，減速與第2輛車(chē)同速度行駛；第8 000秒時(shí)因第2輛車(chē)離開(kāi)道路而繼續(xù)加速至20 m/s持續(xù)行駛。同理，第8 000—12 000秒和第12 000—16 000秒仍遵循此周期規(guī)律。

跟馳車(chē)為追上前車(chē)，在短時(shí)間內(nèi)加速到最大速度，當(dāng)前、后車(chē)距離接近時(shí)，為避免追尾，后車(chē)速度減小。當(dāng)車(chē)速小于10 m/s時(shí)，后車(chē)車(chē)速迅速增至10 m/s，并保持該速度行駛。此時(shí)前、后車(chē)速度均為10 m/s，在道路上穩(wěn)定跟馳。

2.3 WLTC工況

由污染與能源工作組根據(jù)世界不同地區(qū)的真實(shí)駕駛數(shù)據(jù)，結(jié)合適當(dāng)?shù)募訖?quán)因子，將收集的輕型車(chē)輛的駕駛數(shù)據(jù)和交通統(tǒng)計(jì)數(shù)據(jù)作為制定工況的基本要素，提出WLTC工況，可描述全球輕型車(chē)輛駕駛行為的駕駛周期，WLTC工況匯集約76.5 萬(wàn)km行駛里程的駕駛數(shù)據(jù)，涵蓋廣泛的車(chē)輛類(lèi)別、道路類(lèi)型和駕駛條件[27]。WLTC工況包含3個(gè)駕駛循環(huán)集合，覆蓋不同駕駛條件下的車(chē)速、行駛距離和加速度等情況，能準(zhǔn)確地模擬車(chē)輛在實(shí)際道路上的行駛情況。

WLTC工況的前、后車(chē)參數(shù)設(shè)置為：前車(chē)遵循WLTC工況行駛，跟馳車(chē)根據(jù)式（3）的跟馳模型行駛。運(yùn)行程序后得到跟馳車(chē)的速度-時(shí)間圖像如圖4所示。

由圖4可知：WLTC工況包括低速行駛工況、中速行駛工況、高速行駛工況和超高速行駛工況，4個(gè)工況的最高車(chē)速分別為15.7、21.3、27.1、36.5 m/s。WLTC工況考慮剎車(chē)、短暫停車(chē)等情況，沒(méi)有周期性的加速、減速，車(chē)速波動(dòng)大、怠速工況少，能更好地體現(xiàn)真實(shí)駕駛場(chǎng)景中車(chē)速時(shí)快時(shí)慢的場(chǎng)景。

3 駕駛行為特征的信息處理分析

本文通過(guò)EMD和FFT 2種信息處理方法分解3種駕駛工況下跟馳車(chē)輛的速度-時(shí)間圖像，提取內(nèi)秉時(shí)頻特征，分析不同駕駛工況對(duì)駕乘人員舒適性的影響。

3.1 EMD

EMD方法具有完備性、正交性和自適應(yīng)性的特點(diǎn)，通過(guò)篩分得到多階內(nèi)稟模態(tài)函數(shù)（intrinsic mode function，IMF），經(jīng)Hilbert變化得到解析函數(shù)，通過(guò)內(nèi)在特征時(shí)間尺度獲取內(nèi)秉波動(dòng)模式。提取的IMF須滿足2個(gè)特征條件：局部極值點(diǎn)和過(guò)零點(diǎn)數(shù)目相等或最多相差1個(gè)；局部最大值的包絡(luò)線（上包絡(luò)線）和局部最小值的包絡(luò)線（下包絡(luò)線）的平均包絡(luò)線為0。

基于樣條差值包絡(luò)線的逼近，通過(guò)篩選，可辨識(shí)細(xì)小的信號(hào)特征和波動(dòng)模式。各階IMF包含不同的特征時(shí)間尺度，第i階IMF瞬時(shí)頻率的分辨率

式中：fimax為第i階IMF的最高頻率，N為采樣點(diǎn)數(shù)。

EMD以變頻率和幅值的諧波函數(shù)為基函數(shù)，為保證正交性，將殘余項(xiàng)表示為第i+1階IMF，則數(shù)據(jù)信號(hào)

式中：ci（t）為第i階IMF，n為提取的IMF的數(shù)量。

對(duì)式（4）取平方得：

識(shí)別x（t）的局部極值點(diǎn)，將所有極值點(diǎn)用3次樣條曲線擬合上極值點(diǎn)的包絡(luò)線emax（t）和下極值點(diǎn)的包絡(luò)線emin（t），上、下包絡(luò)線的平均包絡(luò)線m（t）=emax（t）+emin（t）/2。第1個(gè)IMF的分量h（t）=x（t）－m（t），根據(jù)IMF分量的2個(gè)特征條件判斷h（t）是否為正確的IMF，否則以h（t）代替x（t），重復(fù)以上步驟，直到h（t）滿足判據(jù)，則h（t）即為需提取的IMF，定義為c1（t）。新的數(shù)據(jù)信號(hào)r（t）=x（t）－h(huán)（t），用r（t）作數(shù)據(jù)源，重復(fù)以上步驟，直到數(shù)據(jù)信號(hào)剩余部分是單調(diào)序列或常值序列。最后得到n個(gè)ci（t）和1個(gè)殘余分量r（t），關(guān)系式為：

為避免過(guò)度分解破壞數(shù)據(jù)信號(hào)的物理信息，通過(guò)仿柯西收斂準(zhǔn)則確定分解次數(shù)

非周期工況需延拓為周期信號(hào)。以WLTC工況為例，延拓3倍WLTC工況構(gòu)成周期工況，經(jīng)EMD分解得到若干IMF和余量，如圖5所示。選擇周期性較好的c1（t）～c6（t） 6個(gè)IMF表征內(nèi)稟模態(tài)。

3.2 FFT

微尺度避撞行為工況和微尺度擾動(dòng)工況有相似的特征，可一起采用EMD進(jìn)行分解后再進(jìn)行FFT。采用FFT對(duì)不同駕駛工況下的c1（t）～c6（t）進(jìn)行連續(xù)正逆變換，得到c1（t）～c6（t）的頻域圖，整合頻域圖，得到不同駕駛工況的速度的振幅-頻率曲線，如圖6所示。

由圖6可知：不同的駕駛工況有不同的內(nèi)秉模態(tài)頻率，內(nèi)秉模態(tài)頻率較小時(shí)車(chē)輛的振幅較大，車(chē)輛的振幅隨內(nèi)秉模態(tài)頻率的增大而減小；相較于微尺度避撞行為工況和擾動(dòng)工況，WLTC工況的內(nèi)秉模態(tài)頻率帶寬分布較寬，幅值較高，波動(dòng)能量較大。

人體各器官的固有頻率不同，當(dāng)人體受到的振動(dòng)頻率在某一固有頻率附近時(shí)產(chǎn)生共振，影響人體健康。長(zhǎng)期處在低頻噪聲環(huán)境中，人體會(huì)出現(xiàn)面色蒼白、周身發(fā)熱、疲憊無(wú)力、面無(wú)表情、食欲不振、手指顫抖等癥狀，同時(shí)伴隨惡心、嘔吐。人體的惡心程度與頻率的關(guān)系為[8]：當(dāng)振動(dòng)頻率為0.01～0.10 Hz時(shí)，人體的惡心程度隨頻率的增大逐漸嚴(yán)重，頻率為0.10～1.00 Hz時(shí)，人體的惡心程度隨頻率的增大而減輕。

3.3 信號(hào)處理結(jié)果分析

車(chē)輛振動(dòng)源主要來(lái)自路況不平和發(fā)動(dòng)機(jī)的振動(dòng)等，人體的內(nèi)臟器官易與車(chē)輛的振動(dòng)產(chǎn)生共振，危害駕乘人員的身體健康。當(dāng)振動(dòng)頻率小于1.00 Hz時(shí)，易由低頻噪聲引起運(yùn)動(dòng)病，使人感到惡心、嘔吐、昏昏欲睡等。

WLTC工況中的內(nèi)秉模態(tài)頻率小于0.10 Hz和大于0.10 Hz時(shí)呈不同的規(guī)律，可分為超低頻區(qū)和低頻區(qū)。在頻率小于0.10 Hz的超低頻區(qū)的內(nèi)秉模態(tài)幅值較高，人體惡心程度較嚴(yán)重，對(duì)運(yùn)動(dòng)病的貢獻(xiàn)較大，盡管隨頻率的減小，惡心程度減輕，對(duì)駕乘人員內(nèi)臟器官的共振影響降低，但此時(shí)的內(nèi)秉模態(tài)幅值和相應(yīng)能量較大，惡心程度降低不明顯；在頻率高于0.10 Hz的低頻區(qū)，內(nèi)稟模態(tài)幅值較小，惡心程度降低。綜上，在內(nèi)秉模態(tài)的耦合影響下，駕駛過(guò)程中駕乘人員的惡心程度隨內(nèi)秉模態(tài)頻率的減小而增大，更易誘發(fā)運(yùn)動(dòng)病。在規(guī)劃微觀交通行為時(shí)，為保證駕乘人員的健康，需適當(dāng)提高低頻區(qū)的頻率。

4 結(jié)論

為分析駕駛行為對(duì)駕乘人員的生理影響，本文采用跟馳模型模擬跟馳車(chē)在微尺度避撞工況、微尺度擾動(dòng)工況和WLTC工況下的速度-時(shí)間曲線，通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解和快速傅里葉變換分解不同工況的數(shù)據(jù)信號(hào)，得到不同駕駛工況的內(nèi)秉模態(tài)特性，分析內(nèi)秉模態(tài)特性的頻率與駕乘人員惡心程度的關(guān)系。結(jié)果表明：WLTC工況的內(nèi)秉模態(tài)頻率帶寬分布較寬，幅值較高，波動(dòng)能量較大；在頻率小于0.10 Hz的超低頻區(qū)的人體惡心程度較嚴(yán)重，內(nèi)秉模態(tài)幅值較高，對(duì)運(yùn)動(dòng)病的貢獻(xiàn)較大；在頻率高于0.10 Hz的低頻區(qū)，內(nèi)稟模態(tài)幅值較小，惡心程度降低。在確保安全的基礎(chǔ)上，應(yīng)盡可能提高低頻下變速頻率，減輕駕乘人員的惡心程度，提高乘車(chē)舒適性。

參考文獻(xiàn)：

[1]李明俊.智能駕駛車(chē)輛人機(jī)協(xié)同控制策略研究[D].長(zhǎng)沙：湖南大學(xué)，2021.

[2]HUANG T. Research on the use intention of potential designers of unmanned cars based on technology acceptance model[J].PLoS One，2021（8）：e0256570.

[3]TREIBER M， HENNECKE A， HELBING D. Congested traffic states in empirical observations and microscopic simulations[J].Physical Review E：Statistical Physics， Plasmas， Fluids， and Related Interdisciplinary Topics， 2000，62（2）：1805-1824.

[4]MAHDINIA I， ARVIN R， KHATTAK A J， et al. Safety， energy， and emissions impacts of adaptive cruise control and cooperative adaptive cruise control[J].Transportation Research Record： Journal of the Transportation Research Board， 2020，2674（6）：253-267.

[5]MEIER J N， KAILAS A， ABUCHAAR O， et al. On augmenting adaptive cruise control systems with vehicular communication for smoother automated following[J].Transportation Research Record： Journal of the Transportation Research Board， 2018，2672（22）： 67-77.

[6]于瀚.汽車(chē)智能駕駛技術(shù)將走向何方？[J].汽車(chē)與配件，2022（9）：40-41.

[7]GONG X X， GE W G， YAN J， et al. Review on the development， control method and application prospect of brake-by-wire actuator[J].Actuators，2020，9（1）：15.

[8]DONOHEW B E， GRIFFIN M J. Motion sickness： effect of the frequency of lateral oscillation[J].Aviation， Space， and Environmental Medicine， 2004，75（8）：649-656.

[9]KAMIJI N， KURATA Y， WADA T， et al. Modeling and validation of carsickness mechanism[C]//SICE Annual Conference 2007.Takamatsu， Japan： IEEE， 2007：1138-1143.

[10]PARASKEVOPOULOS P N. Modern control engineering[M].Boca Raton， FL， USA： CRC Press， 2017.

[11]ASTRM K J， MURRAY R M. Feedback systems： an introduction for scientists and engineers[M].Princeton， New Jersey， USA：Princeton University Press， 2010.

[12]SUN J， ZHENG Z， SUN J. Stability analysis methods and their applicability to car-following models in conventional and connected environments[J].Transportation Research Part B： Methodological， 2018，109：212-237.

[13]KAMATH G K， JAGANNATHAN K， RAINA G. Car-following models with delayed feedback： local stability and Hopf bifurcation[C]//2015 53rd Annual Allerton Conference on Communication， Control， and Computing （Allerton）. Monticello， IL， USA：IEEE， 2015：538-545.

[14]LI Y F， ZHU H， CEN M， et al. On the stability analysis of microscopic traffic car-following model： a case study[J].Nonlinear Dynamics，201 74：335-343.

[15]HAN S， ZHANG J， YANG Q， et al. Car-following traffic model based on PID control： modelling and simulation[J].Engineering Computations， 2022，39（10）：3400-3415.

[16]SAU J， MONTEIL J， BILLOT R， et al. The root locus method： application to linear stability analysis and design of cooperative car-following models[J].Transportmetrica B， 2014，2：60-82.

[17]DO T， VU V， LIU Z. Linearization of dynamic equations for vibration and modal analysis of flexible joint manipulators[J].Mechanism and Machine Theory： Dynamics of Machine Systems Gears and Power Trandmissions Robots and Manipulator Systems Computer-Aided Design Methods， 2022，167：104516.

[18]BROUGHTON S A， BRYAN K. Discrete fourier analysis and wavelets： applications to signal and image processing[M].Hoboken， New Jersey， USA：John Wiley & Sons，2018.

[19]KAHANER D. Matrix description of the fast Fourier transform[J].IEEE Transactions on Audio and Electroacoustics， 1970，18（4）：442-450.

[20]NUSSBAUMER H， QUANDALLE P. Fast computation of discrete Fourier transforms using polynomial transforms[J].IEEE Transactions on Acoustics， Speech， and Signal Processing， 1979， 27（2）：169-181.

[21]NUSSBAUMER H J. The fast Fourier transform[M].Berlin， Germany： Springer Berlin Heidelberg， 1982.

[22]GUO T， ZHANG T P， LIM E， et al. A review of wavelet analysis and its applications： challenges and opportunities[J].IEEE Access， 2022， 10：58869-58903.

[23]NUNES J C， DELCHELLE E. Empirical mode decomposition： applications on signal and image processing[J].Advances in Adaptive Data Analysis， 2009，1（1）： 125-175.

[24]OBERLIN T， MEIGNEN S， PERRIER V. An alternative formulation for the empirical mode decomposition[J].IEEE Transactions on Signal Processing， 2012， 60（5）： 2236-2246.

[25]REN L， GONG C. Ringing frequency extraction method based on EMD and FFT for health monitoring of power transistors[J].Journal of Power Electronics， 2019，19（1）：307-315.

[26]于雷，宋國(guó)華.城市交通流理論[M].北京：北京交通大學(xué)出版社，2016.

[27]TUTUIANU M， BONNEL P， CIUFFO B， et al. Development of the world-wide harmonized light duty test cycle （WLTC） and a possible pathway for its introduction in the European legislation[J].Transportation Research Part D： Transport and Environment， 2015，40：61-75.

Intrinsic modal characteristics of vehicle adaptive cruise control

GAO YanfeiCHENG YuhuJIANG Henglei2， REN Qianming

HUANG XuetaoHOU QinggaoDU Mingyang3

Abstract：To investigate the influence of car-following status on driving comfort， a stimulus-response linear car-following model is used to simulate the speed trajectory of the following vehicle under the working conditions of microscale collision avoidance behavior， microscale disturbance behavior， and the world light vehicle test cycle （WLTC）. A time-frequency analysis method combining both the empirical mode decomposition （EMD） and fast Fourier transform （FFT） is adopted to extract the intrinsic modal characteristics of car-following behavior， and analyze the impact of different driving conditions on the comfort of drivers and passengers at low frequencies. The results show that the frequency of the intrinsic modal is different in different driving conditions， and the smaller the frequency is， the greater the amplitude of the vehicle is. Compared to the microscale collision avoidance condition and disturbance condition， the frequency bandwidth distribution of the intrinsic vibration mode in the WLTC condition is wider， and the amplitude is also higher with larger fluctuation energy. Under the WLTC working conditions， the amplitude of the intrinsic modal in the ultra-low frequency range with the frequency less than 0.10 Hz is higher， and the degree of nausea in the human body is more severe， which makes a greater contribution to motion sickness.

Keywords：car-following model; adaptive cruise control; EMD; FFT; intrinsic modal characteristics

（責(zé)任編輯：趙玉真）

收稿日期：2023-06-05

基金項(xiàng)目：山東省自然科學(xué)基金面上項(xiàng)目（ZR2021MB027）；山東省高等學(xué)校青創(chuàng)科技支持計(jì)劃項(xiàng)目（2021KJ039；2020KJB002）

第一作者簡(jiǎn)介：高巖飛（1986—），男，山東臨沂人，副教授，工學(xué)博士，主要研究方向?yàn)檐?chē)路協(xié)同、智慧交通，E-mail：gaoyanfei.0402@163.com。