[发明专利]一种基于事件触发的智能网联汽车编队控制方法

权利要求书

1.一种基于事件触发的智能网联汽车编队控制方法，其特征在于，包括以下步骤：

步骤一：通过车联网通信和自车传感器测量接收前车及自车状态信息；

步骤二：使用卡尔曼滤波器对测量的车辆状态信息进行估计；

步骤三：将获取及处理后的状态信息输入上层控制器；

步骤四：将期望加速度与实际车辆状态输入下层控制器修正节气门开度和制动压力；

步骤五：根据事件触发策略输出自车加速度传递值。

2.根据权利要求1所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：

步骤一中所述通过车联网通信和自车传感器测量接收前车及自车状态信息，具体内容如下：

通过车联网通信接收前车加速度传递值通过自车传感器测量接收自车与前车间距x_i-1-x_i-L，自车与前车相对速度v_i-1-v_i以及自车加速度a_i。

3.根据权利要求2所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：

步骤二中所述使用卡尔曼滤波器对测量的车辆状态信息进行估计，包括如下内容：

选取状态变量及观测变量

选取滤波系统状态变量X(k)为：

式中，x_i-1(k)-x_i(k)为自车与前车的相对距离，v_i-1(k)-v_i(k)为自车与前车的相对速度，x_i(k)、v_i(k)、a_i(k)分别为自车的位置、速度，加速度；

选取滤波系统观测变量Y(k)为：

Y(k)＝X(k)

根据滤波系统状态变量及观测变量建立滤波系统离散状态方程：

X(k+1)＝AX(k)+BU(k)+ω(k)

Y(k)＝CX(k)+v(k)

式中，X(k+1)为滤波系统在k+1时刻的状态变量，U(k)为滤波系统的控制变量，a_i-1(k)为第i-1辆车的实际加速度，u_i(k)为自车的期望加速度，Δt为采样时间，τ为车辆的动力迟滞系数，ω(k)和v(k)是过程噪声和观测噪声，均值均为零、方差分别为Q和R的不相关的高斯白噪声；

结合卡尔曼滤波算法对车辆的状态参数进行实时的滤波处理。

4.根据权利要求3所述的一种基于事件触发的智能网联汽车编队控制方法，其特征在于：

所述结合卡尔曼滤波算法对车辆的状态参数进行实时的滤波处理，滤波更新流程如下：

由k-1时刻状态X(k-1|k-1)结合滤波系统方程估计k时刻状态X(k|k-1)：

X(k|k-1)＝AX(k-1|k-1)+BU(k)

用k-1时刻的协方差矩阵P(k-1|k-1)和过程噪声协方差矩阵Q更新k时刻的先验状态协方差矩阵P(k|k-1)：

P(k|k-1)＝AP(k-1|k-1)A^T+Q

式中，A^T为滤波系统状态转移矩阵A的转置；

利用k时刻先验状态协方差矩阵P(k|k-1)和观测噪声协方差矩阵R计算k时刻卡尔曼增益K(k)：

式中，C^T为滤波系统观测矩阵C的转置；

根据k时刻观测变量Y(k)和k时刻卡尔曼增益K(k)，得到k时刻最优状态估计X(k|k)：

X(k|k)＝X(k|k-1)+K(k)[Y(k)-CX(k|k-1)]

使用卡尔曼增益K(k)和先验状态协方差矩阵P(k|k-1)更新k时刻后验状态协方差矩阵P(k|k)：

P(k|k)＝[I-K(k)C]P(k|k-1)

式中，I为单位矩阵；

通过卡尔曼滤波对测量得到的状态参数进行估计，得到相关参数的估计值：分别为自车与前车估计相对距离自车与前车估计相对速度以及自车估计加速度