[发明专利]一种基于正交配置优化的汽车自动制动装置

摘要

本发明公开了一种基于正交配置优化的汽车自动制动装置，该装置由障碍物距离测量传感器、当前车速测量传感器、汽车中控MCU、制动器单元、紧急制动警报及状态显示设备构成，在中控MCU中输入对应于该车型的制动参数后，开启障碍物距离测量传感器和当前车速测量传感器实时测量前方障碍物距离和当前车速，当障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，中控MCU自动执行内部的正交配置优化算法计算出最优制动力，并根据获得的最优制动力向制动器单元输出制动指令，使该汽车在接触障碍物之前停下来；本发明避免了驾驶过程中未能及时制动而导致的碰撞事故，驾驶员可以获得最多的制动时间作为缓冲，避免出现急刹车的情况。

主权项

一种基于正交配置优化的汽车自动制动装置，在出现紧急状况时能使汽车自动减速或停止，同时使驾驶员获得最多的制动时间。其特征在于：由障碍物距离测量传感器、当前车速测量传感器、汽车中控MCU、制动器单元、紧急制动警报及状态显示设备构成，各组成部分均由车内数据总线连接。所述装置的运行过程包括：步骤A1：在中控MCU中输入对应于该车的制动参数；步骤A2：开启障碍物距离测量传感器和当前车速测量传感器用于实时测量前方障碍物距离和当前车速；步骤A3：当障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，中控MCU自动执行内部的正交配置优化算法，计算出最优制动力，并根据获得的最优制动力向制动器单元输出制动指令，使该汽车在接触障碍物之前停下来；步骤A4：中控MCU执行完正交配置优化算法的同时，向驾驶员发出紧急制动报警信号。所述的汽车中控MCU部分，包括信息采集模块、初始化模块、常微分方程组（Ordinary differential equations，简称ODE）正交配置模块、非线性规划问题（Non‑linear Programming，简称NLP）求解模块、控制指令输出模块。其中，信息采集模块包括障碍物距离采集、当前车速采集、人为刹车动作采集三个子模块；NLP求解模块包括寻优方向计算、寻优步长计算、NLP收敛性判断三个子模块。所述的汽车中控MCU自动产生制动信号的正交配置优化算法运行步骤如 下：步骤B1：信息采集模块（31）实时获取障碍物距离测量传感器、当前车速测量传感器送入中控MCU的当前值，并检测驾驶员是否有制动动作。当障碍物距离测量传感器测到的障碍物距离等于当前车速下的建议制动距离、且驾驶员没有制动动作时，执行从步骤B2开始的正交配置优化算法；步骤B2：初始化模块（32）开始运行，设置制动过程时间的离散段数、制动轨迹的初始猜测值u(0)(t)、状态轨迹的初始值s(0)(t)和v(0)(t)，设定优化精度要求tol；步骤B3：通过ODE正交配置模块将常微分方程组在时间轴[t0,tf]上全部离散；步骤B4：通过NLP问题求解模块获得所需的制动轨迹和对应状态轨迹，这个过程包括多次内部迭代，每次迭代都要计算寻优方向和寻优步长。对于某一次迭代得到的制动轨迹u(k)(t)，如果其对应目标函数值J[u(k)(t)]与前一次迭代的目标函数值J[u(k‑1)(t)]之差小于精度要求tol，则判断收敛性满足，并将制动轨迹u(k)(t)作为指令输出到制动器单元。所述的ODE正交配置模块，采用如下步骤实现：步骤C1：将控制轨迹u(t)、状态轨迹s(t)和v(t)用M阶基函数的线性组合表示，即： u ( t ) ≈ Σ j = 1 M u i , j φ i , j ( M ) ( t ) , i = 1,2 , . . . , N s ( t ) ≈ Σ j = 1 M s i , j φ i , j ( M ) ( t ) , i = 1,2 , . . . , N v ( t ) ≈ Σ j = 1 M v i , j φ i , j ( M ) ( t ) , i = 1,2 , . . . , N 其中N是时间轴[t0,tf]的离散段数，φ(t)可以选择拉格朗日插值基函数、样条基函 数、小波基函数等不同种类的基函数，线性组合系数ui,j、si,j、vi,j分别是u(t)、s(t)和v(t)在配置点ti,j上的值。步骤C2：由于所有基函数的导函数表达式已知，于是状态轨迹的微分方程组被离散化代数形式： s · ( t ) ≈ Σ j = 1 M s i , j φ · ( M ) i , j ( t ) , i = 1,2 , . . . , N v · ( t ) ≈ Σ j = 1 M v i , j φ · ( M ) i , j ( t ) , i = 1,2 , . . . , N 步骤C3：用离散化后的微分方程组代替原来微分方程组，将得到待求的NLP问题。所述的NLP求解模块，采用如下步骤实现：步骤D1：将制动力u(k‑1)(t)作为向量空间中的某个点，记作P1，P1对应的目标函数值就是J[u(k‑1)(t)]；步骤D2：从点P1出发，根据选用的NLP算法构造向量空间中的一个寻优方向d(k‑1)和步长α(k‑1)步骤D3:通过式u(k)(t)=u(k‑1)(t)+α(k‑1)d(k‑1)构造向量空间中对应u(k)的另外一个点P2，使得P2对应的目标函数值J[u(k)(t)]比J[u(k‑1)(t)]更优。