[發明專利]一種智能車輛編隊變道性能測評方法

有效

• 申請號: 202010436610.1
• 申請日: 2020-05-21
• 公開（公告）號: CN111780981B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 李旭;胡瑋明;徐啟敏;韋坤
• 申請（專利權）人: 東南大學
• 主分類號: G01M17/007
• 分類號: G01M17/007;G06F30/15
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張天哲

1.一種智能車輛編隊變道性能測評方法，首先，建立智能車輛編隊變道性能測試場景；其次，建立三自由度的非線性動力學模型；進而，利用改進的自適應無跡卡爾曼濾波算法對編隊車輛的位置、速度狀態變量進行濾波估計；最后，基于準確遞推的車輛運動狀態參數，提出并量化編隊變道性能的評價指標，構建編隊變道性能的評價體系，其特征在于：

步驟一：建立智能車輛編隊變道性能測試場景

首先，選取高等級公路作為試驗場地，其次，建立智能車輛編隊變道性能測試場景，描述如下：

領航車位于試驗道路的中間，以設定的速度直線行駛，跟隨車以設定的間距跟隨領航車行駛，當領航車經過測試起點時，開始同步采集領航車、跟隨車的運動狀態參數；隨后，當遇到障礙物時，領航車進行變道操作，跟隨車接收信息并以相似的運動軌跡進行車道變換；當領航車到達終點時，則一次測試結束；

領航車是指編隊行駛中的第一輛車；跟隨車是指編隊行駛中領航車后面的智能車輛；

步驟二：建立智能車輛編隊變道的動態模型

對于編隊行駛的前輪轉向的四輪車輛，做出以下假定：

(1)忽略車輛的俯仰、側傾運動，忽略車輛懸架對輪胎軸的影響；

(2)假定車輛前軸的兩個輪胎具有相同的轉向角、側偏角、縱向力和側向力，假定車輛后軸的兩個輪胎具有相同的轉向角、側偏角、縱向力和側向力；

(3)假定車輛前輪的方向與車輛當前速度方向一致；

根據以上要求和假定，采用三自由度模型，對編隊車輛中的領航車進行動力學建模；對車輛的三自由度動力學模型進行定義，考慮縱向、側向和橫擺運動；其中，G點為車輛的質心，將前軸的左、右側車輪合并為一個點，位于A點，將后軸的左、右側車輪合并為一個點，位于B點；GX軸與車輛前進方向相同，GY軸由右手螺旋規則確定，GZ軸垂直于車輛運動平面并指向地面；領航車的動力學模型描述為：

式(1)中，上標“·”表示微分，表示v_x的微分，r_l,v_x,v_y,a_x,a_y分別表示領航車的橫擺角速度、縱向速度、側向速度、縱向加速度和側向加速度，M,δ,I_z分別表示領航車的質量、前輪轉向角、繞車身坐標系垂向軸的轉動慣量，l_f,l_r分別表示車輛質心到前軸、后軸的距離，F_xf,F_xr,F_yf,F_yr分別表示前輪、后輪受到的縱向力、側向力；

輪胎側偏角較小時，前、后輪胎的側向力表示為：

F_yf＝C_αf·α_f,F_yr＝C_αr·α_r (2)

式(2)中，C_αf,C_αr分別表示前、后輪胎的側偏剛度，α_f,α_r分別表示前、后輪胎的側偏角，且α_f＝δ-(v_y+l_fr)/v_x,α_r＝(l_rr-v_y)/v_x；

計算式(2)中的輪胎縱向力，采用刷子輪胎模型，前、后輪胎的縱向力表示為：

式(3)中，C_xf,C_xr分別表示前、后輪胎的縱向剛度，μ_l為道路附著系數，取μ_l＝0.75，前、后輪胎的垂向載荷F_zf,F_zr，前、后輪胎的縱向滑移率s_xf,s_xr通過以下公式計算獲得：

式中，R_tyre為輪胎半徑，ω_f,ω_r分別表示前、后輪的旋轉角速度，通過輪速傳感器測量的線速度計算獲得，v_xf,v_xr分別表示前、后輪軸上沿輪胎方向的速度，且v_xr＝v_x，v_xf＝v_xcosδ+(v_y+l_fr_l)sinδ；

同時，車輛的縱向、側向速度v_x,v_y與東向、北向位置p_e,p_n滿足以下關系：

式(6)中，v_e,v_n分別表示車輛的東向、北向速度，β表示車輛運動方向相對于正北方向的方位角，且滿足以下關系：

對于智能車輛的編隊變道過程，取系統狀態向量X＝[p_e p_n v_x v_y r_l]^T，矩陣上角標^T表示對矩陣轉置，T表示離散的周期；根據式(1)描述的動力學模型，建立系統狀態方程：

X＝f(X,U,W,γ) (7)

式(7)中，f(·)為5維向量函數，W為零均值的系統高斯白噪聲，γ為系統外輸入對應的零均值高斯白噪聲，U為系統外部輸入向量且U＝[δ F_xf F_xr]^T，其中，前輪轉向角δ＝ε_l/ρ_l，方向盤轉角ε_l通過車身CAN總線獲取，ρ_l為轉向系的傳動比，取ρ_l＝10，輪胎縱向力F_xf,F_xr通過刷子輪胎模型確定；

步驟三：基于改進無跡卡爾曼濾波的車輛運動狀態估計

采用UKF算法對車輛運動狀態參數進行遞推估計；系統的觀測方程表示為：

Z(t)＝h(X(t),V(t)) (8)

式(8)中，h為觀測方程，t表示時間，系統觀測向量Z＝[p_eg p_ng v_{x_m} ω_{z_m}]^T，其中，p_eg,p_ng分別表示車輛東向位置、北向位置的觀測值，通過厘米級高精度衛星定位系統采集的經緯度坐標轉換得到，v_{x_m},ω_{z_m}分別表示車輛的縱向前進速度和橫擺角速度，通過慣性測量單元測量獲得；

對公式(7)、(8)進行離散化處理，離散化后的系統狀態方程和觀測方程分別為：

式(9)中，k為離散化時刻，系統過程噪聲W＝[w₁ w₂ w₃ w₄ w₅]^T，其中，w₁,w₂,w₃,w₄,w₅分別表示5個系統高斯白噪聲分量，W(k-1)對應的高斯白噪聲協方差陣其中，分別表示高斯白噪聲w₁,w₂,w₃,w₄,w₅對應的方差；系統觀測噪聲V＝[v₁ v₂ v₃ v₄]^T，其中，v₁,v₂,v₃,v₄分別表示4個系統高斯白噪聲分量，V(k)對應的測量高斯白噪聲協方差陣其中，分別表示高斯白噪聲v₁,v₂,v₃,v₄對應的方差，根據傳感器的位置、速度、橫擺角速度測量噪聲的統計特性來確定；系統外輸入噪聲其中，分別表示δ,F_xf,F_xr對應的零均值高斯白噪聲分量，這些白噪聲隱含在系統狀態函數f的三個系統外輸入中；系統狀態函數為：

其中，

其次，根據公式(9)描述的系統狀態方程和觀測方程，建立無跡卡爾曼濾波遞推過程，利用時間更新和測量更新進行濾波遞推：

(1)對輸入變量進行初始化并進行參數計算

式(10)中，P₀為初始誤差方差矩陣，帶有上標符號∧的變量表示該變量的濾波估計值，為表示輸入變量初始值X₀的濾波估計值；

(2)狀態估計

式(11)中，ξ_i(k-1)為Sigma點，為加權協方差矩陣平方根的第i列，x_dim為狀態向量的維數，取x_dim＝5；

式(12)中，λ為距離參數，且λ＝x_dim(α²-1)，α為第一刻度因數，ε為第二刻度因數，取ε＝2，分別表示均值和方差的權重系數；

(3)時間更新

ξ_i(k,k-1)＝f[ξ_i(k,k-1)],i＝0,1,...,2x_dim (13)

式中，為k-1時刻的最優估計，P(k,k-1)為k時刻的一步預測誤差方差矩陣；

(4)觀測更新

χ_i(k,k-1)＝h[ξ_i(k,k-1)] (16)

式中，χ_i(k,k-1)表示觀測方程對Sigma點集變換后的值，表示由k-1時刻遞推的k時刻的一步預測觀測值，為預測值協方差，P_XZ為狀態值與測量值的協方差；

(5)濾波更新

式中，K(k)為濾波增益矩陣，為狀態量估計值，P(k)為估計誤差方差陣；

將AKF濾波器與UKF濾波器結合，并進行針對性改進；利用式(23-26)替換式(14-15)、式(17-18)：

其中，觀測噪聲、系統噪聲的均值和方差陣遺忘因子分別為：

式中，δ_d(k)表示k時刻的自適應加權參數，且δ_d(k)＝1/k，τ_f為遺忘因子；

綜上，式(10-13)、式(16)、式(19-28)構成了改進后的自適應無跡卡爾曼濾波算法；

最后，經過上述改進后的濾波遞推計算，輸出的狀態估計為領航車在k時刻的東向位置、北向位置、縱向速度、側向速度和橫擺角速度信息；

利用步驟二、步驟三描述的方法，建立各跟隨車的動力學模型并進行濾波遞推，輸出各跟隨車的運動狀態參數；

對于編隊中的智能車輛，輸出的縱向速度信息V_{x_j}＝{v_{x_j}(0),v_{x_j}(1),...,v_{x_j}(k)}，側向速度信息V_{y_j}＝{v_{y_j}(0),v_{y_j}(1),...,v_{y_j}(k)}，橫擺角速度信息R_j＝{r_{l_j}(0),r_{l_j}(1),...,r_{l_j}(k)}，位置信息P_j＝{(p_{e_j}(0),p_{n_j}(0)),(p_{e_j}(1),p_{n_j}(1)),...,(p_{e_j}(k),p_{n_j}(k)),(j＝1,2,3...,a)；

其中，下標j表示編隊中的第j個編隊車輛，a為編隊車輛的總數量，

p_{e_j}(k),p_{n_j}(k),v_{x_j}(k),v_{y_j}(k),r_{l_j}(k)分別表示第j個智能車輛在k時刻的東向、北向位置、縱向、側向速度和橫擺角速度；

步驟四：提出并量化編隊變道性能的評價指標

首先，提出多維度的編隊變道性能評價指標：變道橫擺穩定性、速度一致性、安全距離余量和平均車輛間隙；其次，基于步驟二輸出的領航車、跟隨車的位置、速度運動狀態參數，對以上性能評價指標進行量化；

(1)變道橫擺穩定性

式(29)中，σ_j表示第j輛跟隨車的變道橫擺穩定性，反映了跟隨車進行變道的激進程度，r_{E_j}(k)為k時刻的橫擺角速度的期望值，且單位均為rad/s，R_road為道路曲率半徑，通過步驟三輸出的位置、速度信息計算得到，s為測試過程中的采樣點數量；

(2)速度一致性

式(30)中，τ_platoon表示編隊變道過程中的速度一致性，τ_j表示第j輛跟隨車與同向前方車輛相對速度的均值，且v_{res_j}(k)為k時刻第j輛跟隨車的合速度，單位均為m/s；

(3)安全距離余量

式(31)中，L_j表示第j輛跟隨車與同向前方車輛的安全距離余量，L_v為跟隨車的車身長度，單位均為m；

(4)平均車輛間隙

式(32)中，L_avg為編隊車輛間隙的平均值，單位為m；

當進行智能車輛編隊變道性能測評時，首先，在“步驟一”構建的測試場景下，利用“步驟二”、“步驟三”對領航車、跟隨車的各運動狀態參數進行濾波遞推；其次，根據“步驟四”計算性能評價指標的量化值；最后，通過定量評價的方式分析編隊車輛的變道性能。