[发明专利]一种自适应巡航控制系统性能测评方法

权利要求书

1.一种自适应巡航控制系统性能测评方法；首先，面向高等级公路，建立基于前车车速时变的自适应巡航控制系统性能测试场景；其次，利用改进的自适应卡尔曼滤波算法对车辆的位置、速度运动状态参数进行精确估计；最后，基于准确递推的车辆运动状态参数，提出多维度的自适应巡航控制系统性能评价指标并进行量化，构建自适应巡航控制系统性能评价指标体系；其特征在于：

步骤一：建立基于前车车速时变的ACC性能测试场景

首先，选取双车道的高等级公路作为试验场地；其次，建立基于前车车速时变的ACC性能测试场景；具体描述如下：

前车位于试验道路的中间，以一定的速度直线行驶；被测车辆以某设定速度逐渐靠近前车，当两车间距等于设定值时，开始进行测试；在测试过程中，同步测量被测车辆、前车的位置、速度基础性运动状态信息；前车进行加速运动，被测车辆在ACC的控制下加速并跟随前车行驶；随后，前车进行减速运动，再进行加速运动；最后，前车逐渐减速直至静止，被测车辆在ACC的控制下减速并跟随前车行驶；当被测车辆静止时，则一次试验结束；

其中，被测车辆是指进行ACC性能测试的车辆；前车是指与被测车辆同向、同车道，并在本车前方行驶的车辆；设定速度是指车辆的期望行驶速度；

步骤二：基于改进自适应卡尔曼滤波的车辆运动状态估计

建立描述车辆运动特性的动态模型，采用常加速模型，建立被测车辆的运动学模型；

取系统状态向量为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分别表示被测车辆的东向位置、北向位置、东向速度、北向速度、东向加速度和北向加速度；矩阵上角标T表示对矩阵转置，T为离散的周期；针对常加速模型，系统状态方程为：

X＝Φ·X+W (1)

式(1)中，X为系统状态序列，W是零均值的系统过程白噪声向量，对应的噪声协方差矩阵为Q，Φ为状态转移矩阵；

采用滤波递推的方法，利用较少的系统观测量实现更多维度的参数递推；采用Sage-Husa自适应卡尔曼滤波算法，实现车辆运动状态全面、准确的估计；

首先，选择厘米级高精度卫星定位系统，作为车辆运动状态估计的测量传感器，将东向位置、北向位置、对地平面速度、航迹角作为系统观测向量，则系统的观测方程表示为：

Z＝H·X+V (2)

式(2)中，系统观测向量为Z＝[p_eg,p_ng,v_d,A]^T，其中p_eg,p_ng分别表示东向位置、北向位置，由厘米级高精度卫星定位系统采集的经纬度坐标转换得到，v_d,A分别表示厘米级高精度卫星定位系统输出的对地速度和航迹角，且满足H为观测矩阵，V表示与W互不相关的零均值观测白噪声向量，对应的噪声协方差矩阵为R；

其次，对式(1)、式(2)进行离散化处理，离散化后的系统状态方程和观测方程为：

式(3)中，k为离散化时刻，X(k)为k时刻的系统状态，状态转移矩阵和测量阵h[k,X(k)]分别为：

且航迹角A(k)与东向速度v_e(k)和北向速度v_n(k)满足以下关系：

式(3)中的观测方程为非线性方程，利用泰勒级数展开对非线性的观测方程进行线性化处理，保留到一阶泰勒余项，得观测矩阵H(k)：

式(5)中，分别表示根据k-1时刻得到的k时刻东向速度和北向速度的状态估计；

再次，针对式(3)描述的状态方程和观测方程，建立基于Sage-Husa自适应卡尔曼滤波的递推过程，利用时间更新和观测更新进行滤波递推：

P(k)＝[I-K(k)H(k)]P(k,k-1) (11)

式中，表示根据k-1时刻得到的k时刻的滤波计算值，为k-1时刻的最优估计，P(k,k-1)为k时刻的一步预测误差方差矩阵，K(k)为k时刻的滤波增益矩阵，为k时刻的量测残差，P(k)为k时刻的估计误差方差矩阵，分别为观测噪声、系统噪声的均值和方差阵，d(k)为加权参数，且d(k)＝(1-ρ)/(1-ρ^k+1)，ρ为遗忘因子，取ρ＝2；

对滤波算法进行改进：

(1)对过程噪声协方差矩阵进行修正：

式(16)，q_CA(k)表示改进后的过程噪声协方差矩阵，κ为系数，取κ＝0.05；

(2)引入加权系数修正一步预测误差方差矩阵，表示为：

式中，C_c为加权系数，trace(·)表示计算矩阵的迹；

(3)添加滤波异常判断条件：

综上，式(6)和式(8-19)构成了改进后的Sage-Husa自适应卡尔曼滤波算法；

最后，经过上述改进后的滤波估计，准确、实时的递推被测车辆的东向位置、北向位置、东向速度、北向速度基础性运动参数；输出的被测车辆位置坐标集P_SV＝{P₀(p_e(0),p_n(0)),P₁(p_e(1),p_n(1)),...,P_k(p_e(k),p_n(k))}，输出的被测车辆速度、加速度信息分别为：

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))}；

利用同样的车辆运动模型和滤波递推方法，对前车的基础性运动参数进行滤波递推，输出前车位置坐标集：

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

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

前车加速度信息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)分别表示前车在k时刻的东向位置和北向位置，b_e(k),b_n(k),c_e(k),c_n(k)分别表示前车在k时刻的东向速度、北向速度、东向加速度和北向加速度；

步骤三：提出并量化ACC性能评价指标

提出多维度的ACC性能评价指标，并利用步骤二输出的被测车辆和前车的运动状态参数进行量化，具体地：

(1)定速巡航下的速度控制精度：

式(20)中，ξ_SV为被测车辆在定速巡航下的速度控制精度，v_d(k)表示被测车辆在k时刻的速度，且表示被测车辆速度的均值，单位均为m/s，s表示测试过程中的采样点个数；

(2)跟车稳定性：

式(21)中，η_SV为被测车辆的跟车稳定性，ω(k)表示被测车辆在k时刻的横摆角速度，ω_E(k)表示k时刻横摆角速度的期望值，单位均为rad/s，且其中，R_L为道路曲率半径，单位为m；

(3)跟车精度：

式(22)中，ϑ_SV为跟车精度，L(k)表示k时刻被测车辆与前车的质心距离，且表示测试过程中，被测车辆与前车的质心距离的均值，单位均为m；

(4)速度协调性：

式(23)中，μ_SV为速度协调性，v_rc(k)表示k时刻被测车辆与前车的相对速度，且表示被测车辆与前车的相对速度的均值，单位均为m/s；

当进行复杂场景下的ACC性能测评时，首先，在步骤一建立的ACC性能测试场景下，利用步骤二提出的改进滤波算法对车辆位置、速度运动状态参数进行滤波递推；其次，基于精确输出的车辆运动状态参数，计算步骤三提出的ACC性能评价指标的量化值。