[發明專利]一種自適應巡航控制系統性能測評方法

有效

• 申請號: 202010437713.X
• 申請日: 2020-05-21
• 公開（公告）號: CN111595592B
• 公開（公告）日: 2021-10-12
• 發明（設計）人: 李旭;胡瑋明;徐啟敏;胡錦超
• 申請（專利權）人: 東南大學
• 主分類號: G01M17/007
• 分類號: G01M17/007;G01C25/00;G05B23/02
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張天哲

1.一種自適應巡航控制系統性能測評方法；首先，面向高等級公路，建立基于前車車速時變的自適應巡航控制系統性能測試場景；其次，利用改進的自適應卡爾曼濾波算法對車輛的位置、速度運動狀態參數進行精確估計；最后，基于準確遞推的車輛運動狀態參數，提出多維度的自適應巡航控制系統性能評價指標并進行量化，構建自適應巡航控制系統性能評價指標體系；其特征在于：

步驟一：建立基于前車車速時變的ACC性能測試場景

首先，選取雙車道的高等級公路作為試驗場地；其次，建立基于前車車速時變的ACC性能測試場景；具體描述如下：

前車位于試驗道路的中間，以一定的速度直線行駛；被測車輛以某設定速度逐漸靠近前車，當兩車間距等于設定值時，開始進行測試；在測試過程中，同步測量被測車輛、前車的位置、速度基礎性運動狀態信息；前車進行加速運動，被測車輛在ACC的控制下加速并跟隨前車行駛；隨后，前車進行減速運動，再進行加速運動；最后，前車逐漸減速直至靜止，被測車輛在ACC的控制下減速并跟隨前車行駛；當被測車輛靜止時，則一次試驗結束；

其中，被測車輛是指進行ACC性能測試的車輛；前車是指與被測車輛同向、同車道，并在本車前方行駛的車輛；設定速度是指車輛的期望行駛速度；

步驟二：基于改進自適應卡爾曼濾波的車輛運動狀態估計

建立描述車輛運動特性的動態模型，采用常加速模型，建立被測車輛的運動學模型；

取系統狀態向量為X＝[p_e,p_n,v_e,v_n,a_e,a_n]^T，其中，p_e,p_n,v_e,v_n,a_e,a_n分別表示被測車輛的東向位置、北向位置、東向速度、北向速度、東向加速度和北向加速度；矩陣上角標T表示對矩陣轉置，T為離散的周期；針對常加速模型，系統狀態方程為：

X＝Φ·X+W (1)

式(1)中，X為系統狀態序列，W是零均值的系統過程白噪聲向量，對應的噪聲協方差矩陣為Q，Φ為狀態轉移矩陣；

采用濾波遞推的方法，利用較少的系統觀測量實現更多維度的參數遞推；采用Sage-Husa自適應卡爾曼濾波算法，實現車輛運動狀態全面、準確的估計；

首先，選擇厘米級高精度衛星定位系統，作為車輛運動狀態估計的測量傳感器，將東向位置、北向位置、對地平面速度、航跡角作為系統觀測向量，則系統的觀測方程表示為：

Z＝H·X+V (2)

式(2)中，系統觀測向量為Z＝[p_eg,p_ng,v_d,A]^T，其中p_eg,p_ng分別表示東向位置、北向位置，由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_d,A分別表示厘米級高精度衛星定位系統輸出的對地速度和航跡角，且滿足H為觀測矩陣，V表示與W互不相關的零均值觀測白噪聲向量，對應的噪聲協方差矩陣為R；

其次，對式(1)、式(2)進行離散化處理，離散化后的系統狀態方程和觀測方程為：

式(3)中，k為離散化時刻，X(k)為k時刻的系統狀態，狀態轉移矩陣和測量陣h[k,X(k)]分別為：

且航跡角A(k)與東向速度v_e(k)和北向速度v_n(k)滿足以下關系：

式(3)中的觀測方程為非線性方程，利用泰勒級數展開對非線性的觀測方程進行線性化處理，保留到一階泰勒余項，得觀測矩陣H(k)：

式(5)中，分別表示根據k-1時刻得到的k時刻東向速度和北向速度的狀態估計；

再次，針對式(3)描述的狀態方程和觀測方程，建立基于Sage-Husa自適應卡爾曼濾波的遞推過程，利用時間更新和觀測更新進行濾波遞推：

P(k)＝[I-K(k)H(k)]P(k,k-1) (11)

式中，表示根據k-1時刻得到的k時刻的濾波計算值，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，K(k)為k時刻的濾波增益矩陣，為k時刻的量測殘差，P(k)為k時刻的估計誤差方差矩陣，分別為觀測噪聲、系統噪聲的均值和方差陣，d(k)為加權參數，且d(k)＝(1-ρ)/(1-ρ^k+1)，ρ為遺忘因子，取ρ＝2；

對濾波算法進行改進：

(1)對過程噪聲協方差矩陣進行修正：

式(16)，q_CA(k)表示改進后的過程噪聲協方差矩陣，κ為系數，取κ＝0.05；

(2)引入加權系數修正一步預測誤差方差矩陣，表示為：

式中，C_c為加權系數，trace(·)表示計算矩陣的跡；

(3)添加濾波異常判斷條件：

綜上，式(6)和式(8-19)構成了改進后的Sage-Husa自適應卡爾曼濾波算法；

最后，經過上述改進后的濾波估計，準確、實時的遞推被測車輛的東向位置、北向位置、東向速度、北向速度基礎性運動參數；輸出的被測車輛位置坐標集P_SV＝{P₀(p_e(0),p_n(0)),P₁(p_e(1),p_n(1)),...,P_k(p_e(k),p_n(k))}，輸出的被測車輛速度、加速度信息分別為：

v_SV＝{(v_e(0),v_n(0)),(v_e(1),v_n(1)),...,(v_e(k),v_n(k))}，

a_SV＝{(a_e(0),a_n(0)),(a_e(1),a_n(1)),...,(a_e(k),a_n(k))}；

利用同樣的車輛運動模型和濾波遞推方法，對前車的基礎性運動參數進行濾波遞推，輸出前車位置坐標集：

M_TV＝{M₀(m_e(0),m_n(0)),M₁(m_e(1),m_n(1)),..., M_k(m_e(k),m_n(k))}，

前車速度信息v_TV＝{(b_e(0),b_n(0)),(b_e(1),b_n(1)),...,(b_e(k),b_n(k))}，

前車加速度信息c_TV＝{(c_e(0),c_n(0)),(c_e(1),c_n(1)),...,(c_e(k),c_n(k))}；

其中，m_e(k),m_n(k)分別表示前車在k時刻的東向位置和北向位置，b_e(k),b_n(k),c_e(k),c_n(k)分別表示前車在k時刻的東向速度、北向速度、東向加速度和北向加速度；

步驟三：提出并量化ACC性能評價指標

提出多維度的ACC性能評價指標，并利用步驟二輸出的被測車輛和前車的運動狀態參數進行量化，具體地：

(1)定速巡航下的速度控制精度：

式(20)中，ξ_SV為被測車輛在定速巡航下的速度控制精度，v_d(k)表示被測車輛在k時刻的速度，且表示被測車輛速度的均值，單位均為m/s，s表示測試過程中的采樣點個數；

(2)跟車穩定性：

式(21)中，η_SV為被測車輛的跟車穩定性，ω(k)表示被測車輛在k時刻的橫擺角速度，ω_E(k)表示k時刻橫擺角速度的期望值，單位均為rad/s，且其中，R_L為道路曲率半徑，單位為m；

(3)跟車精度：

式(22)中，?_SV為跟車精度，L(k)表示k時刻被測車輛與前車的質心距離，且表示測試過程中，被測車輛與前車的質心距離的均值，單位均為m；

(4)速度協調性：

式(23)中，μ_SV為速度協調性，v_rc(k)表示k時刻被測車輛與前車的相對速度，且表示被測車輛與前車的相對速度的均值，單位均為m/s；

當進行復雜場景下的ACC性能測評時，首先，在步驟一建立的ACC性能測試場景下，利用步驟二提出的改進濾波算法對車輛位置、速度運動狀態參數進行濾波遞推；其次，基于精確輸出的車輛運動狀態參數，計算步驟三提出的ACC性能評價指標的量化值。