[发明专利]融合驾驶模式信息的汽车预测巡航参数自整定控制系统

权利要求书

1.一种融合驾驶模式信息的汽车预测巡航参数自整定控制系统，

S1、信息采集；

S2、前车驾驶模式聚类与辨识；

其特征在于：

S3、预测巡航控制器设计：

3.1)建立面向巡航控制的车辆动力学模型，本车与前车的车辆动力学模型：

d(k+1)＝d(k)+(v_l(k)-v_e(k))·T_s

v_e(k+1)＝v_e(k)+u(k)·T_s (1)

T_s表示采样时间，k表示时刻，d(k+1)表示k+1时刻的本车与前车的纵向距离，d(k)表示k时刻的本车与前车的纵向距离，v_l(k)表示k时刻的前车纵向车速，v_e(k)表示k时刻的本车纵向车速，v_e(k+1)表示k+1时刻的本车纵向车速，u(k)表示k时刻的本车纵向加速度；

3.2)建立本车的能耗模型，采用多项式拟合的方法建立发动机油耗近似模型：

m_f表示发动机的瞬时燃油消耗率，T_e表示发动机扭矩，ω_e表示发动机转速，p_1～9表示拟合参数；此外，T_e和ω_e可以通过加速度u和车速v_e计算得到：

M表示本车质量，r表示本车轮胎半径，η表示变速箱效率，I_g表示变速箱传动比，I_final表示最终传动比；

3.3)建立多目标优化问题描述，在k时刻时，多目标优化问题描述：

p表示预测时域，λ₁、λ₂和λ₃表示多目标优化函数中的权重参数，其中λ₁对应的优化目标表示安全性和跟踪能力，d_ref表示参考车距，与前车车速有关；λ₂对应的优化目标表示自车的燃油消耗，此处为了降低计算负担没有将完整的油耗模型加入目标函数中，仅将油耗模型的其中一部分作为优化目标；λ₃对应的优化目标表示驾驶舒适性，Δu表示本车加速度增量；u_min和u_max表示本车加速度的最小值和最大值，Δu_min和Δu_max表示本车加速度增量的最小值和最大值，d_min和d_max表示两车纵向距离的最小值和最大值，v_min和v_max表示本车车速的最小值和最大值；

S4、基于贝叶斯优化方法的参数整定设计

4.1)从由步骤S1和步骤S2处理后的历史行驶数据中选取前车某类驾驶模式下的一段行驶轨迹数据作为仿真测试数据，在其中选取一段前车处于加速行驶模式的行驶轨迹数据具体说明后续的步骤；

4.2)随机选择一组权重参数λ＝[λ₁ λ₂ λ₃]用于设定多目标优化函数，采用步骤S3中的预测巡航控制器执行控制仿真，得到本车在前车该段行驶轨迹下的跟车行驶策略，以V_e表示本车在该跟车行驶策略下的车速变化序列，U表示本车在该跟车行驶策略下的加速度变化序列；通过公式(2)和(3)可计算得到本车在这段路程中的总油耗M_fuel

M_fuel＝∑m_f(U,V_e)·T_s (5)

用负油耗Y代表M_fuel的负数，将当前选择的权重参数λ和负油耗Y构成输入输出对样本

{λ,Y}；

4.3)重复步骤4.2，可以得到多组样本点将其作为训练样本集，通过高斯过程方法建立λⁱ和Yⁱ之间的非参数化模型F，即Yⁱ＝F(λⁱ)，则最优权重参数的整定问题

其中λ_min表示权重的最小值，λ_max表示权重的最大值；高斯过程模型假定已有样本点中的服从多维高斯分布，且其中任意两个Y′和Y″之间的相关程度可由对应的λ′和λ″通过协方差函数计算得到；协方差函数，亦被称为核函数，有多种选择，此处选择高斯核函数

||·||²表示欧氏距离，σ_l表示特征长度尺寸，为一个超参数；通过共轭梯度方法求出使得当前样本集的极大似然函数取得最大值的σ_l后，即可建立当前样本集上的非参数化模型F；通过高斯过程方法建立的模型F的输出是一个高斯分布，以Yⁱ表示输出的高斯分布的均值，σ(λⁱ)表示输出的高斯分布的方差；当给定一个测试输入λ^test时，F(λ^test)的均值Y^test和方差σ(λ^test)

其中表示高斯噪声，I_n表示大小为n的单位矩阵，Y_train＝[Y¹ Y² … Yⁿ]^T，T表示转置，k_*和K由以下公式表示：

4.4)使用期望增益采集函数选择下一组λ^new使得Y^new＝F(λ^new)取得新的最大值；采集函数通常假设当采集函数取得最大值时，目标模型同样能取得最大值；期望增益采集函数

F(λ⁺)表示从当前模型F中取得的已知的最大值，Φ(·)表示标准高斯分布的累积分布函数，φ(·)表示标准高斯分布的概率密度函数；通过求出使EI(λ^new)取得最大值的λ^new，即求出了下一组λ^new使得Y^new＝F(λ^new)取得新的最大值；

4.5)在获得一组新的权重λⁿ⁺¹后，由步骤4.2中所述，得到该组新权重对应的本车总油耗，将权重λⁿ⁺¹和负油耗Yⁿ⁺¹作为新的样本点加入已有样本点中，并使用新的样本数据集更新非参数化模型F；

4.6)重复步骤4.4和步骤4.5，在达到最大迭代步数后，可以得到一组针对前车处于加速行驶模式时的多目标优化函数的优化权重参数；

4.7)在步骤4.1中选取其他的加速行驶模式的前车行驶轨迹数据片段，重复上述步骤4.2到步骤4.6，得到其他多组多目标优化函数的优化权重参数；

4.8)对得到的所有多组权重参数求平均，将其作为前车处于加速驾驶模式下本车PCC系统中多目标优化函数的最优权重参数；

4.9)基于上述步骤4.1-4.8可以类似的得到前车处于匀速驾驶模式和减速驾驶模式下的本车PCC系统中多目标优化函数的最优权重参数；本车在后续的跟车巡航行驶时，在每个采样时间基于前车车速信息在线辨识分类前车的驾驶模式，融合当前驾驶模式辨识结果将PCC系统中多目标优化函数的权重参数调整为对应驾驶模式下的最优权重参数。