[发明专利]一种期望安全裕度跟驰模型的自适应动态滑模控制方法

说明书

本申请公开了一种期望安全裕度跟驰模型的自适应动态滑模控制方法，用于解决车辆在跟驰过程中，当队列系统出现小扰动时，利用此控制方法可消散系统扰动，使得交通冲击波不再向后扩散，保持跟驰队列的稳定性。技术方案是在引入自适应动态滑膜控制方法后，对比原始DSM跟驰模型，验证所提出的自适应动态滑膜控制方法的有效性，为车辆的自适应巡航控制、自动驾驶等领域的稳定性控制提供技术支持。

技术领域

本发明涉及的是一种用于车辆工程技术领域的方法，具体是针对车辆跟驰过程中，车辆队列稳定性的控制方法，具体来说，涉及一种期望安全裕度跟驰模型的自适应动态滑膜控制的方法，此方法可广泛应用于自适应巡航控制、自动驾驶等领域。

背景技术

随着我国交通运输业的快速发展，虽然为我国社会经济的做出了重要贡献，但同时也带来了许多问题，如交通拥堵、交通事故、环境污染等。而从环境保护和交通系统运行效率角度，保持交通畅通，缓解和抑制交通拥堵一直都是亟待解决的重大问题。

为了探索交通拥堵形成机理，国内外学者提出很多交通流模型。其中，交通流跟驰模型作为一类典型的微观交通流模型被广泛地应用于描述后车跟随前车的运动。由于车辆跟驰研究是以车辆队列中个体车辆的驾驶行为为主。通常，在单行道上队列行驶时，当一个驾驶员主观感觉自车与其前车的距离变大(或变小)时,将加速(或减速)。因此，传统的车辆跟驰理论认为：每个驾驶员以某种方式对来自于其前车的刺激进行反应，这种刺激往往被描述成车辆加速度的形式。目前，大多数学者认为后车加速度影响的刺激因素主要包括两车间的速度差、车头间距、前车速度和前车加速度等。

1958年，Chandler等人提出了线性跟车模型，用自车与前车在(t-τ)时刻的速度差来控制目标车辆在t时刻的加速度变化(τ是驾驶员的反应时间)。但是该模型由于过于简单无法描述实际的交通现象。1961年Gazis等人在此方法的基础上，进一步考虑了自车速度、自车与前车在(t-τ)时刻的车头间距，提出了非线性GHR(Gazis-Herman-Rothery)模型，该模型的参数能很容易地用速度-密度关系图来估计，也能较准确的描述实际的交通现象，但模型对两车的速度差有较高的敏感性。随后，针对驾驶行为特性不同考虑的缘由，各种GHR拓展模型被提出，并在各模型参数的标定和验证上做了大量工作。在1995年，Bando等人基于驾驶员期望维持一个最优速度在跟车过程中这一假设，提出了用t时刻车辆的实际车速与其优化速度之差来控制(t+τ)时刻的加速度变化，称之为OV模型(Optimal velocitymodel)。为了克服OV模型加速度过大和不切实际的减速度等缺陷，Helbing和Tilch提出了一种广义力模型(Generalized force model)，虽然该模型模拟的结果比OV模型结果更符合实测数据，但是仍然存在不切实际的加速度。于是2001年姜锐提出了一种全速度差控制(Full velocity difference model)模型，既保留了广义力模型的优点，又克服了不切实际的加减速度。随之智能交通的发展，智能驾驶员模型(Intelligent driver model)被提出，并广泛的应用于自适应巡航控制和智能交通系统中。经过对现有技术文献的检索发现，基于OV，FVD，GHR和IDM及其扩展模型被广泛的提出，来研究驾驶行为或者交通环境因素对交通流的稳定性的影响。虽然已有的大多数跟车模型能够有效的模拟实际场景下驾驶员的跟驰行为，但是车辆以某种方式跟随的原因可能尚不清楚。通常，在实际交通中，驾驶行为由驾驶员的主观风险感知决定的。因此，基于风险动态平衡理论，我们提出了一种期望安全裕度跟车模型(Desired safety margin model)，这个概念不仅能够通过加减速敏感系数、驾驶员的反应时间以及驾驶员期望的安全裕度上下限来模拟驾驶员的生理和心理特性，而且能够提供一种新的方式揭示跟车过程，并在2014年，我们将此DSM模型作为跟车策略应用于网联车的防追尾系统中。

虽然，我们将期望安全裕度跟车模型应用于网联车的防追尾系统中，但是对于模型的稳定性并没有给出一种控制方法，而现有技术并不能够获知如何对拥堵的交通进行缓解或抑制。因此，现有技术并未给出一种合理的控制方案能够对DSM模型中出现的交通堵塞进行缓解和抑制。